基于深度学习的 EEG 生物特征身份识别

基于摘要分析。本研究针对 EEG 生物特征身份识别中模型实用性与稳健性的问题，提出直接处理原始 EEG 数据的 CNN 方法，以减少人工特征工程需求。研究对象是个体身份识别，而非运动想象分类或其他 BCI 控制任务。 方法的核心是从原始 EEG 中学习用于身份区分的特征。摘要未提供 CNN 的具体结构、损失函数、预处理步骤及输入片段定义，这些实现细节尚未验证。 作者在一次驾驶疲劳实验采集的 100 名被试数据上评估模型。作者报告，在非时间锁定的自然驾驶疲劳数据条件下，对约 14K 个测试 epochs 的身份识别 Accuracy 为 97%；另报告随机抽取 epochs 条件下的 Accuracy 为 90%。两种条件的划分方式、采样差异及可比性尚未验证，不能据此推断跨会话或跨采集环境的识别能力。作者还报告，使用超过 100K 个 training epochs 时，训练耗时少于 0.5 小时；此处 epochs 的具体含义及计算硬件尚未验证，不宜直接解读为优化迭代轮数。 复现应优先核对 EEG 片段定义、训练与测试划分、采集时间关系，以及不同疲劳状态下的身份识别稳定性。实验协议、对照基线、消融及统计信息尚未验证；摘要结果支持该方法的应用潜力，但不足以确认真实部署中的长期稳健性。