用于情绪识别的半监督二部图构建与主动 EEG 样本选择

基于摘要分析。该研究针对 EEG 非平稳性及被试间差异导致的跨被试情绪识别困难，提出 semi-supervised bipartite graph construction with active EEG sample selection（SBGASS），通过自适应学习有标签与无标签 EEG 样本之间的二部图，并主动筛选样本，减轻噪声或离群样本对图构建的影响。 核心机制是利用二部图刻画有标签与无标签样本的潜在关系，以连接不同被试的样本语义；主动样本选择则用于排除不利于图构建的有标签样本。摘要中的“negative samples”指离群或噪声样本，不应理解为对比学习中的负样本。摘要未给出图优化目标、样本筛选准则、标签使用方式，以及投影矩阵的学习过程，具体机制尚未验证。 作者报告，在 SEED-IV 的跨被试情绪识别实验中，SBGASS 能主动拒绝上述不利有标签样本，减轻其对最优二部图构建的影响并改善模型表现；基于学习到的二部图进行的定量分析显示，有标签 EEG 样本的可迁移性随其到对应类别中心的距离增加而呈下降趋势。作者还报告识别准确率有所改善，并利用所得投影矩阵研究情绪识别中的空间—频率模式。摘要未提供准确率数值、对照方法、被试划分及统计信息，因此无法判断增益幅度或与其他跨被试协议直接比较。 复现时需核对 EEG 特征与预处理、源与目标被试划分、无标签样本的参与范围、主动选择的执行过程，以及样本筛选和二部图学习各自的贡献。实验协议、消融及统计信息尚未验证；空间—频率模式的稳定性及其解释边界也需结合全文评估。