用于跨会话任务无关脑纹识别的解耦对抗泛化网络

基于摘要分析。该研究面向 EEG 脑纹身份识别，针对认知任务与身份信息的伪相关，以及 EEG 随会话变化引起的分布偏移，提出 disentangled adversarial generalization network（DAGN），目标是在未见任务和会话中保持稳定的身份识别能力。 核心机制包含两部分：首先通过去相关促进任务相关特征与身份相关特征解耦，减少模型对任务—身份关联的依赖；随后引入对抗式自挑战策略，除主导特征外，促使模型利用其余与身份标签相关的判别特征。作者认为，这能平衡主导维度与较弱判别维度的贡献，缓解模型在不同未见数据分布下的鲁棒性不足。摘要未提供去相关目标、对抗过程、网络结构或训练细节，其具体实现尚未验证。 评估方面，作者报告在代表性多任务基准上开展了 leave-one-task-out（留一任务）和 leave-test-session-out（留出测试会话）验证，并报告相较于所比较的先进方法表现更优。摘要未给出数据集名称、被试数量、任务构成、指标或数值，尚不能量化其优势，也不能确认两类留出条件是否在同一实验中联合实施；实验协议、消融及统计信息尚未验证。 这项工作的直接研究对象是 EEG 生物特征身份识别，而非运动想象等 BCI 指令解码。复现时需核对任务与身份特征的定义、训练与测试会话及任务的隔离方式，以及去相关和自挑战各自的贡献，才能判断其任务无关与跨会话泛化结论的适用范围。