面向中文手写短语的在线书写者检索：一种时频协同表征学习方法

基于摘要分析。本文研究根据在线中文手写短语检索特定书写者样本的问题，提出时频协同表征学习模型 DOLPHIN，并发布在线书写者检索数据集 OLIWER，以应对该任务方法与公开大规模数据不足的问题；研究对象是数字化手写序列，而非 EEG 或 BCI。 机制方面，DOLPHIN 的 HFGA 模块在原始时域手写序列及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。摘要未说明子带构造、具体损失、采样流程及检索训练协议，这些内容尚未验证。 数据与结果方面，作者报告 OLIWER 包含来自 1,731 名个体的超过 670,000 条中文手写短语，并报告 DOLPHIN 在其评估中优于现有方法，但摘要未提供具体指标、对照方法或数据划分。作者还探索跨域书写者检索，报告增强特征对齐有助于缩小不同手写数据之间的分布差异，并强调点采样频率与压力特征对表征和检索性能的重要性。作者声明代码及数据集已公开；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究考察的假设是，时域序列与频带表征的门控交互可能有助于选择任务相关信息，但手写高频细节的价值不等于 EEG 高频成分的价值。可复用的是跨表征交互思路，需改造频带划分、输入通道定义和任务监督，压力特征也不能直接对应 EEG 特征。低信噪比、肌电污染、跨被试差异及小数据均可能使高频交互失效或过拟合。一个小规模可证伪实验是在固定跨被试 EEG 划分、相同预处理及训练预算下，对比时域基线与加入频带门控交互的模型，并通过移除高频输入检查增益来源。已有相关 EEG 工作尚未检索确认。