从语义歧义中学习：一种抗双重噪声的脑电信号部分标签情绪识别框架

《Neurocomputing》：Learning from semantic ambiguity: A dual-noise robust framework for EEG partial label emotion recognition

　　摘要基于脑电图的情绪识别面临监督数据不可靠的问题：标注者对细微的情绪状态存在分歧，且脑电图信号本身具有噪声。当将其转化为部分标签学习任务时，会出现两个互补的需求：一是需要一种有语义依据的方法来生成用于基准测试的候选标签；二是需要在标签模糊性和特征噪声共同影响下的稳健学习算法。针对第一个需求，我们通过将GloVe向量与ANEW情感评分相结合，构建了一种基于语料库的语义情感先验，以此为候选标签生成提供支持。这种表示方法将语料库中的语义信息引入基于脑电图的部分标签学习过程，有助于形成更能保持不同情绪之间关联性的候选标签分布。对于第二个需求，我们提出了PANA-PL——一种面向脑电图的部分标签学习框架，它通过停止梯度KL目标函数，将基于原型和基于分类器的预测结果对齐，从而为消除歧义提供几何层面的指导。为解决低信噪比问题，PANA-PL还采用了受混合扰动启发的可控噪声增强策略，在保持候选标签不变的情况下优化特征学习。在四个SEED系列数据集上的实验表明，在相同的控制条件和两种候选标签生成方式下，PANA-PL的性能优于或可与一些经过验证的部分标签学习基线模型相媲美，且在某些数据集与分布组合中取得了具有统计意义的提升。