基于带鲁棒权重的重定向半监督回归的 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中信号弱、非平稳、低信噪比，以及不同频带和通道特征的情绪判别能力不一致的问题，提出 RSRRW（retargeted semi-supervised regression with robust weights），将样本权重、半监督回归与自适应特征权重结合。 核心机制包括三个方面：为每个样本引入概率权重，以识别噪声样本并降低其影响；将 ϵ-dragging 方法扩展到半监督范式，旨在扩大不同类别样本之间的距离；通过特征权重自适应衡量各特征的贡献。作者将最后一项解释为自动发现 EEG 情绪激活模式，但特征权重是否具有稳定的生理解释，仍需结合正文和实验核对。摘要未给出具体目标函数、权重更新方式，以及未标注样本如何参与训练。 作者报告，在 SEED-IV 数据集的三个跨会话（Cross-session）情绪识别任务中，RSRRW 的平均 Accuracy 为 81.51%；并报告 Friedman 检验与 Nemenyi 检验支持其分类表现优于其他比较模型。摘要未提供三个任务的具体定义、训练与测试划分、标注数据比例、基线名称、各任务结果及检验统计量，因此不能进一步判断增益幅度或与其他协议下的结果直接比较。 复现时需核对 EEG 特征提取与预处理、跨会话划分、半监督标注设置、超参数选择，以及样本权重、特征权重和 ϵ-dragging 各部分的独立贡献。实验协议、消融及统计信息尚未验证；目前证据支持的是作者报告的跨会话情绪识别结果，不能据此扩展为跨被试或在线 BCI 有效性结论。