用于跨会话 EEG 生物身份识别与验证的可解释频谱特征

基于摘要分析。研究针对 EEG 生物身份认证中的跨会话非平稳性，以及窗口或事件级数据泄漏可能导致的评估乐观问题，提出结合可解释频谱特征与目标会话校准的框架。主要研究对象是闭集身份识别与身份验证，而非运动想象任务解码。 方法将多通道 EEG 事件切分为互不重叠的 2 秒窗口，再聚合为事件级样本，并以试次级非重叠划分隔离训练、验证、校准与盲测子集。研究比较功率谱密度、微分熵和对数方差特征，以及支持向量机（SVM）、线性判别分析（LDA）、逻辑回归、随机森林和 EEGNet。识别评估包括 Rank-N Accuracy、累积匹配特征曲线和 macro-F1；验证评估包括等错误率（EER）、AUC，以及固定错误接受率（FAR）下的真实接受率（TAR）。 作者报告，在自建跨日数据集的跨会话协议下，有限目标会话校准使 SVM 的 Rank-1 Accuracy 从 44.82% 提升至 98.70%，LDA 从 19.93% 提升至 99.94%。在该校准辅助评估背景下，采用微分熵的 SVM 达到 EER 1.04 ± 0.60%、AUC 0.9985 ± 0.0008，以及 TAR@FAR = 0.1% 为 98.44 ± 1.06%；摘要未解释“±”的统计含义。作者另报告，在公开多会话运动想象数据集上的外部验证支持校准收益，但未提供数据集名称和具体数值。 这些结果支持的是全队列参与、校准辅助的跨会话身份识别与分数级身份验证，不能直接外推为无校准跨会话泛化、跨被试任务解码或未知身份开放集认证能力。复现时需核对目标会话校准样本量及标签使用、试次与事件的分组关系、验证阈值选择方式、队列构成，以及统计重复与不确定性定义；被试规模、具体实验协议、消融及统计信息尚未验证。