探索基于 EEG 的用户身份认证中的空间信息：一种 ShallowNet 方法

基于摘要分析。该研究面向 EEG 生物特征身份认证，考察不同脑区的空间信息对用户身份分类的贡献，旨在为减少采集通道提供依据。作者使用 SSVEP 实验采集的 EEG 训练 CNN 模型，再通过脑区掩蔽分析已训练模型对不同区域信息的依赖；标题将该方法称为 ShallowNet。 技术上，研究先训练身份分类模型，再将按脑区掩蔽的数据输入预训练模型，观察分类表现变化，以评估空间信息的作用。摘要未明确掩蔽是移除目标脑区还是仅保留目标脑区，也未说明掩蔽值、通道分组及模型具体结构，这些细节尚需全文核对。 作者报告，在所采用的 SSVEP 采集与身份分类评估条件下，用于区分用户的信息更多分布在枕叶和顶叶，而非额叶和颞叶。该结果支持将枕叶、顶叶通道作为 SSVEP 身份认证的优先考察对象，但摘要未提供定量指标、被试人数、通道数量、数据划分或对照配置，不能据此断言减少通道后仍能维持认证性能。 研究的主要对象是用户身份认证，而不是 SSVEP 指令解码；其脑区贡献结论不宜直接推广到其他 EEG 任务。复现时需核对训练与测试是否跨会话、掩蔽评估与实际少通道重新训练的差异，以及身份分类结果能否支持认证场景下的可靠性。实验协议、消融及统计信息尚未验证。