WSEL：面向不完整多维情绪识别的加权自表达学习 EEG 特征选择

基于摘要分析。该研究针对多维情绪标签不完整时的 EEG 特征选择问题，提出加权自表达学习方法 WSEL，通过利用情绪标签之间的相关性重建标签空间，并同步选择 EEG 特征子集。其主要研究对象是 EEG 情绪识别中的缺失标签与高维特征问题，而非直接的 BCI 控制任务。 研究动机是有效样本较少时，高维、多来源 EEG 特征容易导致分类器过拟合及实时性能不佳；实际情绪数据采集还可能因开放采集环境、个体主观差异和情绪感知边界模糊而出现部分情绪维度标签缺失。WSEL 结合自表示学习与最小二乘回归，利用多维情绪标签内部的二阶及高阶相关性重建标签空间，在不完整信息条件下实现特征选择。摘要未给出加权机制、相关性建模的具体形式、损失函数及优化流程，这些细节尚未验证。 作者报告，在包含 EEG 记录的多媒体诱发情绪数据集 DREAMER 和 DEAP 上，针对部分多维情绪标签条件，与九种被作者称为 state-of-the-art 的特征选择方法比较，WSEL 所选特征子集在六项性能指标上取得最优表现。摘要未提供指标名称、具体数值、标签缺失比例与生成方式，也未说明被试内或跨被试划分，因此不能据此判断提升幅度、跨被试泛化能力或在线应用收益。 复现时需核对标签缺失是否符合实际采集情形、标签空间重建与特征选择在训练及测试阶段的使用边界，以及特征数量和下游分类器是否在各方法间保持可比。实验协议、消融及统计信息尚未验证；过拟合缓解与实时性能改善是研究动机，摘要不足以确认其已被分别量化验证。