使用 Group Nonnegative Matrix Factorization 的 EEG 情绪识别多任务特征学习

基于摘要分析。该研究面向 EEG 情绪识别中的效价（valence）与唤醒度（arousal）识别，以自动特征学习替代人工设计特征。核心贡献是以多任务方式使用 Group Nonnegative Matrix Factorization，同时利用效价和唤醒度标签，引导与两类情绪维度相关的特征学习。 机制上，该方法将两个相关情绪维度的监督信息纳入特征学习，而非仅使用预定义频带功率作为分类特征。摘要未提供矩阵构造方式、共享与任务特定成分的组织、目标函数、优化过程或后续分类器，因此尚不能确定标签如何具体约束分解，也不能将结果归因于某个独立模块。 作者在 HCI MAHNOB 与 EMOEEG 两个通过视听刺激诱发情绪的数据库上，进行 Cross-session 效价标签二分类。作者报告，相比预定义频带功率特征，HCI MAHNOB 上的效价分类 F1 从 0.56 提升至 0.69，EMOEEG 上从 0.56 提升至 0.59，并称改善具有显著性。两项结果分别属于各自数据库的跨会话协议，不应视为 Cross-dataset 验证；摘要也未报告唤醒度分类结果。 阅读与复现时需核对 EEG 预处理、非负输入表示、会话划分、被试覆盖、训练阶段两类标签的使用范围，以及 F1 的计算与汇总方式。还需核对单任务学习对照，以判断改善是否来自多任务标签信息，而非其他设置差异。实验协议、消融及统计信息尚未验证；代码与复现资源情况亦尚未验证。该研究提供的是 EEG 情绪识别证据，摘要不足以支持其在其他 BCI 任务中的有效性。