GANSER：用于基于 EEG 的情绪识别的自监督数据增强框架

基于摘要分析。该研究针对基于 EEG 的情绪识别中数据稀缺、深度学习模型难以稳定训练的问题，提出 GANSER（generative adversarial network-based self-supervised data augmentation），通过结合对抗训练与自监督学习生成模拟 EEG 样本，以扩展训练数据并改善情绪识别。 核心机制包括：通过对抗训练学习 EEG 生成器，使生成信号逼近真实样本分布；对 EEG 信号进行局部掩码，让生成器依据未掩码部分合成潜在信号，以增加增强样本的多样性；将掩码概率作为先验信息，用于促进分类器对增强样本空间的泛化。摘要未说明掩码的具体维度、生成器结构、损失形式，以及掩码概率如何参与分类器训练，这些实现细节尚未验证。 作者声称该框架首次将对抗训练与自监督学习结合用于基于 EEG 的情绪识别，并报告实验提高了识别性能、达到当时的 state-of-the-art 水平；该优先性及性能结论尚需结合相关工作与完整实验核对。摘要未提供数据集、被试数量、被试内或跨被试划分、对照基线、具体指标及数值，因此无法判断收益幅度或跨协议可比性。 复现时应重点核对增强数据的情绪标签如何确定、掩码是否保留任务相关信息，以及生成样本的分布逼近与多样性如何评估；还需确认数据划分与生成器训练范围，并比较对抗训练、自监督掩码及掩码概率先验各自的贡献。上述事项属于待核对条件，不代表作者未开展相应实验；实验协议、消融及统计信息尚未验证。