用于跨会话 EEG 情绪识别的自适应标签拖拽正交半监督回归

基于摘要分析。该研究针对跨会话 EEG 情绪识别中最小二乘回归（LSR）难以充分保留判别信息、硬离散标签不适合作为多情绪分类回归目标的问题，提出正交半监督回归与自适应标签拖拽模型 OSRLD。其主要贡献是通过调整回归目标改善类别区分，并提供闭式求解方式。 机制方面，摘要明确说明，自适应标签拖拽会修改每个样本的标签向量；作者报告，这一机制能够增大类间距离。正交约束的具体作用、半监督部分如何利用未标注样本、标签调整规则及完整目标函数尚未验证。作者称 OSRLD 可获得计算成本较低的闭式解，但摘要未给出复杂度分析或运行时间对照。 实验使用公开 SEED-IV 数据集。作者报告，相较七种方法，OSRLD 在三组评估中分别取得最高平均分类 Accuracy：77.96%、80.20% 和 81.45%。标题将任务定位为 Cross-session，但摘要未交代这三组数值对应的训练与测试会话、被试组织方式、标注比例及基线名称，因此不能将其视为同一协议下可直接互换的结果。实验协议、消融及统计信息尚未验证。 作者还报告，可依据学得的变换矩阵自动识别主要 EEG 频带和脑区，并将其解释为简化 EEG 采集硬件设计的理论依据。该结果应与实际减少通道或频带后的性能验证区分：摘要不足以确认相关解释在跨会话条件下是否稳定，也不足以确认硬件简化后的识别效果。复现时需核对输入特征与预处理、会话划分、未标注数据的来源和使用方式、超参数选择，以及频带和脑区识别的判定规则；代码可用性尚未验证。