脑机百科消息(bciwiki.com)，据arXiv，一项于2026年11月1日上传的研究中，中山大学研究人员提出VARY框架，用于在情绪标签不够精细的条件下改善脑电情绪识别。该研究的正式发表及同行评审状态尚不明确，报告的结果来自公开数据集上的标签噪声学习测试。
作者指出，精细情绪标注成本较高，因此多数数据集只为一整段较长的脑电试次提供一个总体标签。训练时，这段记录通常会被切分成短时间窗，并将同一标签分配给所有窗口。但情绪可能在一次试次内波动，部分片段未必充分反映总体情绪，甚至可能偏离它，因此对应标签可能不可靠。
VARY通过两阶段样本筛选，识别情绪标签较可靠的脑电窗口；同时引入针对脑电的数据增强方法MixAug，旨在改善监督信息有限且不可靠时的模型稳健性。研究在两个公开数据集上使用三种网络架构，并设置多种标签噪声条件进行评估。
作者报告，相比表现最佳的基线方法，VARY在DREAMER数据集上的最大准确率提升为11.54%，在SEED上为5.39%。这些数值是测试中的最大提升，不代表各网络架构和标签噪声设置均获得同样增益；百分比沿用原文表述，未换算为百分点。