部分标签学习中基于原型引导消歧与噪声增强的 EEG 情绪识别

基于摘要分析。本文针对 EEG 情绪识别中的标签歧义与低信噪比问题，提出 PGNA-PL（Prototype-Guided Noise-Augmented Partial Label Learning），将原型引导的候选标签消歧、自蒸馏和噪声增强结合，用于部分标签学习（PLL）条件下的情绪分类。 在标签构造方面，作者利用 GloVe 向量中的情绪语义关系生成候选标签，以模拟情绪标注中的歧义。该设置属于候选标签生成实验，不能直接等同于真实标注错误的分布；候选标签的具体生成规则、歧义程度及真实标签的包含条件尚未验证。 在模型机制方面，PGNA-PL 使用原型学习情绪类别之间的关系，并通过自蒸馏迭代引导分类器消歧。针对 EEG 的低信噪比，作者引入受 mixup 启发的可控噪声增强策略，以提高鲁棒性。摘要未给出原型更新方式、自蒸馏目标、损失形式及噪声注入位置与强度，这些实现细节需查阅全文。 作者报告，在 SEED、SEED-IV 和 SEED-V 三个公开数据集、不同候选标签生成模式下，该方法优于现有 PLL 基线，并达到作者所称的最先进性能。摘要未提供具体指标、数值、被试内或跨被试协议及数据划分，因此目前无法判断提升幅度或比较不同协议下的效果；实验协议、消融及统计信息尚未验证。 作者还报告了辅助识别恐惧相关障碍的潜力，但摘要没有提供临床样本或诊断验证信息，不能据此认定临床有效性。复现时应重点核对语义候选标签是否贴近真实情绪标注歧义，以及原型、自蒸馏和噪声增强各自的贡献。