基于中文手写短语的在线书写者检索：协同时频表征学习方法

基于摘要分析。本文研究在线书写者检索，即根据在线手写轨迹检索特定书写者的相关样本，主要对象是中文手写短语，而非神经信号。作者提出时频协同表征模型 DOLPHIN，并发布数据集 OLIWER，以改善手写表征并缓解该任务公开大规模数据不足的问题。 机制上，HFGA 模块在原始时域手写序列与其高频子带之间执行门控交叉注意力，以突出书写细节；CAIR 模块用于促进通道交互、降低通道冗余。摘要未说明高频子带的提取方法、通道的具体定义、训练损失及检索推理流程，相关实现尚需全文核对。 数据方面，作者介绍 OLIWER 包含来自 1,731 名个体的超过 670,000 条中文手写短语。作者报告 DOLPHIN 在其检索评估中优于已有方法，但摘要未给出具体指标、数值、基线及数据划分，因此不能判断优势幅度或不同协议下的泛化能力。作者还报告，跨域书写者检索中的特征对齐有助于缩小不同手写数据间的分布差异，采样点频率与压力特征会影响表征质量及检索性能。实验协议、消融及统计信息尚未验证；摘要声明代码与数据集已开放，实际可用性与复现条件尚待核对。 平台推测（待验证）：其可迁移假设是，原始时序与高频子带的交互可能帮助 EEG 模型结合时域结构与频率细节，通道交互模块也可能用于多通道表征。但手写轨迹、压力与 EEG 的信号含义及监督目标不同，不能直接迁移书写者身份标签或压力特征；需调整频带构造、通道定义及任务输出。EEG 的低信噪比可能使高频分支放大肌电等伪迹，跨被试差异、通道布局变化及小数据也可能削弱收益。可在固定 Cross-subject 划分的 EEG 分类任务中，以相同骨干比较时域基线与加入 HFGA 式模块的版本，并控制参数量与预处理，检验收益是否稳定及是否依赖伪迹。相关 EEG 工作尚未检索确认。