通过学习判别性脑网络流形构建基于 EEG 的情绪监测与调节系统

基于摘要分析。研究针对 EEG 情绪识别中的噪声敏感性与情绪个体差异，提出在 L1 范数空间中定义的判别性脑网络流形学习模型 L1-SGL，并进一步实现在线情绪监测与调节系统，面向情感脑机接口（aBCIs）应用。 核心机制方面，作者称 L1-SGL 能分离 EEG 噪声离群点，并自动纠正因主观感受产生的伪标签样本。其方法价值在于同时处理信号异常与情绪标签不确定性，而非仅进行情绪分类。不过，摘要未说明脑网络的构建方式、流形表示、具体优化目标，以及伪标签的来源和纠正依据，尚不能据此还原算法或确认其监督条件。 结果方面，作者报告离线实验中 L1-SGL 能抑制噪声影响，并优于所比较的现有方法；摘要未提供数据集、对照方法和具体指标，无法量化这一优势。在线情绪解码实验涉及 25 名参与者，作者报告结果为 86.30%，但摘要未明确该百分比对应的指标名称、任务类别数及评估划分，不能直接将其写为 Accuracy，也不能与其他协议下的结果直接比较。作者另报告负性情绪调节实验具有统计显著性（p < 0.001）；调节实验的具体样本规模、对照条件、结局指标及效应量尚未验证。 实时性与复现方面，作者将在线系统的实现归因于 L1-SGL 的时间效率，但摘要未给出处理延迟、更新频率或计算条件。复现需核对 EEG 采集与预处理、脑网络构建、标签纠正规则、训练与测试划分，以及在线反馈和情绪调节流程；实验协议、消融及统计信息尚未验证。摘要将智能临床闭环治疗列为应用前景，不能据此认定已完成临床有效性验证。