面向鲁棒脑纹识别的解耦表征学习

基于摘要分析。本文研究 EEG 生物特征身份识别，提出解耦表征学习框架，将身份相关信息与身份无关的偏置因素分离，以减轻情绪状态、认知任务及疾病标志物与身份信息纠缠造成的影响。其主要任务是脑纹身份识别，而非运动想象等任务内容的解码。 核心机制是使用两个并行编码器，分别提取身份相关因素和身份无关的偏置因素；每个编码器包含时间滤波模块与时空注意力模块。相关性驱动损失用于降低两类因素在时空及全局表征域中的相似性；对抗训练与重建正则化进一步促使两类表征相互独立且互补。框架还将监督对比学习扩展至分量层面，通过降低跨分量相似性，鼓励各分量表达独特信息。摘要未提供这些损失的具体定义、权重与训练流程。 作者报告，该框架在涵盖情绪、运动想象和病理条件的多个数据集上取得领先性能，支持其脑纹识别鲁棒性的主张。但摘要未列明数据集名称、被试数、指标数值、对照方法及被试内、跨会话或跨任务划分，因而尚不能判断性能提升对应的具体泛化范围，也不能将结果理解为对未见任务或疾病条件的已验证泛化。 复现时应重点核对身份与偏置因素的监督来源、训练和测试数据的会话及任务关系，以及各解耦约束对识别性能的独立贡献。数据预处理、实验协议、消融、统计信息和代码可用性尚未验证。本文涉及 EEG，但摘要结果不足以推导其对其他 BCI 解码任务的有效性。