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。研究面向用户身份识别与验证，将手写签名图像与签名过程中采集的 EEG 作为相互关联的生物特征，分别建模并融合分类分数。核心贡献是利用签名行为及其伴随脑信号开展多模态身份认证，而非运动想象或其他 BCI 控制任务。 方法上，签名分支提取 Pyramid Histogram of Orientation Gradients（PHOG）特征，并为每位用户建立 Hidden Markov Model（HMM）序列分类模型；EEG 分支采用 Daubechies-4（DB4）小波分析，并建立用户特异的 EEG-HMM。最终结合两个分支的分类分数，完成身份识别与验证。摘要未说明分数融合公式、权重设定、EEG 预处理及序列构造细节，这些复现条件尚未验证。 作者报告，研究使用 Emotiv Epoc+ 与纸笔同步采集了 70 名被试的 EEG 和签名，并评估签名、EEG 及二者融合的身份识别表现；多模态方法的身份识别 Accuracy 最高达到 98.24%。摘要未给出这一数值对应的数据划分、训练与测试会话关系、各单模态基线数值及统计不确定性，因此不能据此量化融合增益或判断跨会话泛化能力。作者还通过 Receiver Operating Characteristic（ROC）曲线评估身份验证，但摘要未提供具体曲线数值或工作阈值。 阅读全文时需重点核对同步采集与样本划分协议、用户特异 HMM 的训练条件，以及身份验证中的冒认样本构造。作者将签名时的脑信号描述为具有个体独特性，但其长期稳定性及对采集条件变化的敏感程度尚未验证；实验协议、消融及统计信息尚未验证。