通过学习判别性脑网络流形实现基于 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。 机制上，作者提出利用 L1-SGL 分离 EEG 噪声离群点，并自动纠正由主观感受造成的伪标签样本，以提取与情绪相关的内在模式。摘要未说明脑网络如何构建、流形表示与优化目标的具体形式，也未交代伪标签的生成及纠正依据，因此尚不能判断这些机制在不同噪声与标签不确定性条件下的适用范围。 作者报告，离线实验显示 L1-SGL 能抑制噪声影响，并优于其他现有 EEG 情绪识别方法；摘要未提供数据集、被试规模、对照方法名称或具体离线指标。在线实验涉及 25 名参与者，作者报告情绪解码结果为 86.30%，但摘要没有明确该数值的指标名称、类别设置及评估划分，不能直接视为 Accuracy，也不能与其他协议下的结果直接比较。作者据此认为系统能够满足在线监测的实时要求，但具体运行延迟、硬件和计算开销尚未验证。 作者另报告负性情绪调节实验达到统计显著性（p < 0.001），并据此支持实时情绪调节与交互应用的可行性。调节方式、对照条件、效应量、统计检验及持续效果尚未验证；该结果不能直接等同于临床闭环治疗的疗效证据。复现需进一步核对 EEG 预处理、脑网络构建、标签纠正流程、被试内或跨被试划分，以及在线反馈流程；实验协议、消融及统计信息尚未验证。