REFS：面向多维标注缺失情绪识别的鲁棒 EEG 特征选择

基于摘要分析。该研究针对多维情绪识别中多类型 EEG 特征维度高、优质样本少及情绪标签部分缺失的问题，提出特征选择方法 REFS，将情绪标签空间重建与特征子集选择结合，以缓解过拟合及实时性能方面的挑战。 机制上，方法采用自适应正交非负矩阵分解，利用多维情绪标签之间的二阶及高阶相关性重建标签空间，旨在降低缺失值与异常值对标签重建的负面影响。同时，以最小二乘回归结合基于图的流形学习正则化和全局特征冗余最小化正则化，在标注信息不完整时进行 EEG 特征子集选择。其主要研究对象是带有部分缺失多维情绪标注的 EEG 特征，而非原始 EEG 的端到端表征学习。 作者报告，在 DREAMER、DEAP 和 HDED 三个多维情绪数据集上的模拟实验中，所提方法在 EEG 情绪特征选择的鲁棒性方面优于十三种先进特征选择方法。摘要未提供具体指标、分数、缺失比例、缺失生成机制及被试内或跨被试划分，因此尚不能确定优势的幅度、适用协议，也不能据此确认实际部署中的实时收益。 复现时需核对多类型 EEG 特征的构成与预处理、标签缺失和异常值的模拟方式、标签重建与特征选择的优化流程、正则化参数及特征数量的选择方式，以及训练和测试阶段各自可用的标注信息。实验协议、消融及统计信息尚未验证；代码可用性与计算开销也尚未验证。尤其需要检验真实采集环境中的非随机标签缺失是否仍满足方法所依赖的标签相关结构。