不只签名，也用大脑：一种用于用户身份识别与验证的新型多模态方法

基于摘要分析。该研究面向生物特征身份认证，将签名图像与签名时采集的 EEG 结合，分别建模后融合分类分数，用于用户身份识别与身份验证；其研究对象不是运动想象或通用 BCI 解码。 方法上，签名图像经 Pyramid Histogram of Orientation Gradients（PHOG）提取特征，再以 Hidden Markov Model（HMM）序列分类器建立用户专属的 signature-HMM；EEG 则经 Daubechies-4（DB4）小波分析建立用户专属的 EEG-HMM。最终融合两个模型的分类分数。作者以签名动作与同期脑信号之间的关联作为多模态设计依据，但摘要不足以确认该关联的个体特异性如何被独立检验，融合分数的具体计算方式亦尚未验证。 数据方面，作者使用 Emotiv Epoc+ 与纸笔，同步采集了 70 名被试的 EEG 和签名，并评估签名单模态、EEG 单模态及二者融合的身份识别表现。作者报告，在该数据集的身份识别实验中，多模态方法的 Accuracy 最高达到 98.24%；摘要未提供训练与测试划分、采集会话安排及单模态对照数值，因此不能据此量化融合增益或判断跨会话泛化。对于身份验证，作者报告以 Receiver Operating Characteristic（ROC）曲线评估效果，摘要未列出具体工作点或错误率。 复现需核对签名与 EEG 的同步和预处理方式、EEG 特征序列构造、用户专属 HMM 的训练条件、分数归一化与融合规则，以及身份验证中的冒认与阈值设置。还需确认性能是否能在不同采集会话及签名动作相关伪迹变化下保持稳定；这些是待核对事项，并非已确认的实验缺陷。实验协议、消融及统计信息尚未验证，数据与代码的可获取性亦未由摘要说明。