可微结构学习能否在资源受限的 IoT 设备上实现低通道脑纹认证？

基于摘要分析。研究面向 IoT 边缘设备上的低通道 EEG 脑纹认证，提出 Dynamic Channel Learning Transformer（DCLT），将通道选择表述为可微结构学习问题，尝试联合优化通道数量约束与识别性能。其主要研究对象是 EEG 身份识别，并非运动想象等 BCI 指令解码任务。 机制上，DCLT 使用由 STE 驱动的 Top-K 离散门控，将物理通道约束纳入梯度学习，再通过 Transformer 建模全局稀疏表征。作者另提出 Dynamic-Static Consistency Analysis，用于评估所学结构的稳定性与部署可行性。摘要尚未说明门控是否随样本变化、如何转换为部署时固定电极配置，以及一致性分析的具体定义；这些是判断其能否真正减少采集通道、而不只是减少计算输入的关键核对项。 作者报告，在三个 EEG 数据集上，仅保留 25% 通道时仍取得超过 90% 的识别 Accuracy；还报告在涉及 23 名被试的真实边缘评估中，计算成本与推理延迟显著降低。摘要未提供数据集名称、原始通道数、数据划分、会话设置、对照基线、具体成本与延迟数值及统计检验，因此不能据此判断跨会话认证能力，也不能将识别 Accuracy 等同于认证场景中的误接受率或误拒绝率。 复现时值得核对训练与测试的划分、通道配置在训练和部署阶段是否一致，以及边缘硬件、功耗和延迟测量条件。实验协议、消融及统计信息尚未验证，代码与部署资源的可获得性亦尚未验证。