ADSEL：基于不完整多维情感标记的自适应双向自表达学习 EEG 特征选择方法
人机交互
2025-08-08 v1 人工智能
摘要
基于 EEG 的多维情感识别在人机界面领域引起了广泛关注。然而，EEG 特征的高维性与有限样本数常导致分类器过拟合和计算复杂度高。特征选择是缓解此类挑战的关键策略。大多数现有 EEG 特征选择方法假设情感标签完全多维。在实际获取环境中，情感感知的内在主观性常导致标签数据不完整，这可能损害模型的泛化能力。此外，现有针对处理不完整多维标签的特征选择方法主要关注标签各维度之间的相关性，忽略了样本在标签空间内的相关性及其与各维度的相互作用。为此，本文提出一种用于 EEG 基于情感识别的不完整多维特征选择算法。该方法将自适应双向自表达学习（ADSEL）与最小二乘回归相结合。ADSEL 在标签空间内建立了样本级和维度级自表达学习过程之间的双向通道，促进了这些过程之间所学信息的交叉共享，使其能够同时利用样本和维度中的有效信息进行标签重建。因此，ADSEL 可提高标签恢复精度，并有效识别用于多维情感识别的最优 EEG 特征子集。
引用
@article{arxiv.2508.05229,
title = {ADSEL: Adaptive dual self-expression learning for EEG feature selection via incomplete multi-dimensional emotional tagging},
author = {Tianze Yu and Junming Zhang and Wenjia Dong and Xueyuan Xu and Li Zhuo},
journal= {arXiv preprint arXiv:2508.05229},
year = {2025}
}