用于跨被试嗅觉偏好识别的人机协同多模态学习方法

基于摘要分析。该研究针对人工气味感官评价重复性较差、电子鼻（E-nose）难以反映人类主观感受，以及嗅觉 EEG 跨被试识别困难的问题，提出融合 E-nose 与嗅觉 EEG 的人机协同多模态学习方法，用于跨被试嗅觉偏好识别。 方法首先建立嗅觉 EEG 与 E-nose 的多模态数据采集及预处理范式，再通过互补多模态数据挖掘策略，提取表征气味信息的模态间共同特征，以及表征个体情感信息的嗅觉 EEG 个体特征，最后融合两类特征完成识别。其主要思路是利用两种模态在气味表征和个体感受表征上的互补性；摘要未披露具体特征提取算法、共同与个体特征的约束方式、损失函数或融合结构。 作者报告，在涉及 24 名被试的跨被试嗅觉偏好识别评估中，该方法优于所比较的先进识别方法，但摘要未给出评价指标、具体数值、基线名称及数据划分方式，因此目前无法量化其优势，也不能与其他协议下的结果直接比较。作者据此提出该方法具有实际气味评价应用潜力，这不等同于已完成真实场景部署验证。 复现时需核对气味刺激与偏好标签的获取方式、两种模态的样本对应关系、新被试测试时的输入要求，以及跨被试训练与测试的划分规则。数据可用性、实验协议、消融及统计信息尚未验证。尤其值得检查共同特征与个体特征各自的贡献，以及多模态融合相对单模态对照的增益。