面向跨会话场景的统一深度学习 EEG 生物特征身份认证系统

基于摘要分析。该研究面向 EEG 生物特征身份验证，针对跨会话识别性能不佳、泛化能力受限及方法依赖特定 EEG 诱发协议的问题，提出结合频域转换、特征学习与用户验证的深度学习系统。其主要研究对象是身份认证，而非运动想象解码或其他 BCI 控制任务。 方法流程先使用 Fast Fourier Transform（FFT）将 EEG 信号转换至频域，再通过卷积自编码器挖掘特征，最后使用 Convolutional Neural Network（CNN）完成用户验证。摘要未说明频域输入的具体表示、自编码器的训练目标、各模块是否联合训练，以及验证分数和判定阈值的构建方式，这些机制细节尚未验证。 评估使用七种不同信号诱发协议下、两个不同记录会话采集的 EEG 数据。作者报告，方法在多种场景中表现稳定，并在与先进 EEG 生物特征方法的比较中获得更好的验证性能。不过，摘要未提供数据集名称、被试人数、会话间隔、训练与测试划分、对照方法名称及具体指标，尚不能量化其优势，也不能据此确认模型能否直接泛化至未见诱发协议或新用户。 阅读与复现时应重点核对跨会话训练和测试的组织方式、七种诱发协议是分别评估还是进行跨协议测试，以及身份验证指标与阈值选择规则。实验协议、消融及统计信息尚未验证；网络结构、预处理细节、代码与数据可用性也需查阅全文。该摘要支持将其视为跨会话 EEG 身份认证方法，但不足以推断对其他 EEG/BCI 任务的有效性。