任务依赖型生物识别应用中学习个体独特特征所需的最小 EEG 数据量

基于摘要分析。本研究关注任务依赖型 EEG 生物识别：训练模型以区分个体身份时，每位被试最少需要多少 EEG 数据。其主要贡献是在情感 EEG 数据集 DEAP 上比较不同训练数据量、神经网络学习技术与特征提取方法，估计达到指定测试 Accuracy 水平所需的数据量；研究对象是身份识别，而非运动想象或其他 BCI 控制任务。 方法方面，作者分析了 11780 种训练数据量组合，并采用复杂度递增的多种神经网络学习技术及特征提取方法。摘要明确提及 Power Spectral Density（功率谱密度）和 Wavelet Energy（小波能量），但未提供网络结构、训练目标、特征计算参数及各方法的具体对照结果。 作者报告，在 DEAP 的任务依赖型生物识别评估中，若从去伪迹 EEG 提取功率谱密度或小波能量特征，每位被试分别使用 1 秒和 3 秒数据即可达到超过 95% 和超过 99% 的测试 Accuracy。摘要未说明这些数据是连续片段还是累计时长，也未明确训练与测试的划分、片段是否重叠、是否跨会话及参与身份识别的被试数量，因此不能将该结果解释为任意采集条件下均成立的最低数据需求。 复现时需核对去伪迹流程、采样与分段方式、训练测试隔离、身份类别设置、模型选择过程及多次运行的不确定性。实验协议、消融及统计信息尚未验证。作者认为结果有助于面向真实环境的 EEG 生物识别应用，但摘要所示证据尚不足以确认其对跨会话变化、实际采集噪声或新增用户的稳健性。该数据量结论也不能直接外推至其他 EEG 解码任务。