基于协同表示的半监督极限学习机用于多类运动想象 EEG 分类

基于摘要分析。该研究针对运动想象 EEG 分类中标注样本稀缺、未标注数据有时反而降低半监督学习性能的问题，提出 collaborative representation-based semi-supervised extreme learning machine（CR-SSELM），通过未标注样本风险评估及相应正则化控制其对模型学习的影响。 核心机制是先用极限学习机（ELM）预测未标注样本，再依据预测结果，利用协同表示（CR）重构这些样本，并据此定义样本风险程度。随后，作者构建基于风险的正则化项，将其嵌入半监督极限学习机（SS-ELM）的目标函数。相较于直接利用未标注数据，该方法的主要贡献在于增加安全控制机制；但风险定义、重构方式、正则化形式及优化流程尚未验证，不能仅凭摘要确定其是否采用样本加权或筛除。 作者报告，在所用 benchmark 和 EEG 数据集实验中，CR-SSELM 优于 ELM 与 SS-ELM；在 SS-ELM 表现低于其监督学习对应方法 ELM 的情形下，CR-SSELM 仍取得所比较方法中的最佳表现。摘要未提供数据集名称、被试数、类别数、标注比例、被试内或跨被试划分、具体指标与数值，因此该结论只能限定于作者所述实验，不能推断其跨被试或跨会话泛化能力。 复现时需核对未标注数据的来源及其与训练、测试划分的关系，明确风险估计所依赖的初始预测质量，并确认正则化超参数及基线配置。一个关键待验证问题是：当初始 ELM 在低信噪比 EEG 上产生错误预测时，协同表示风险估计是否仍能识别有害样本。全文、实验协议、消融及统计信息尚未验证。