基于多通道 EEG 的人员身份识别：条件熵方法

基于摘要分析。该研究面向以多通道 EEG 作为生物特征的人员身份识别，提出使用 Conditional Entropy（CEN，条件熵）提取通道间关系特征，旨在利用分布于头皮不同位置的信号信息改善身份识别，而非进行运动想象或其他 BCI 指令解码。 核心机制是量化在已知一个 EEG 通道取值的条件下，另一个通道仍具有多少不确定性。作者以 EEG 的复杂、非线性和随机特性作为采用熵方法的依据，通过成对通道的条件关系构建多通道特征。摘要未提供条件熵的估计方式、信号离散化或概率估计流程，也未说明通道对选择、特征汇总及后续分类器，具体实现尚未验证。 作者报告，在来自 80 人的 EEG 身份识别实验中，CEN 相较 Autoregressive modelling（自回归建模）基线取得更高识别率，同时使用更少特征。摘要未给出具体识别率与特征数，也未说明采集任务、通道配置、训练与测试划分或是否跨会话评估，因此该结论只能限定于作者所述实验，不能据此判断长期身份稳定性或跨会话泛化能力。实验协议、消融及统计信息尚未验证。 复现时需核对预处理、条件熵估计参数、通道对构造及基线特征设置，并确认训练与测试样本的组织方式。该方法提供了多通道 EEG 关系特征的研究线索，但身份识别效果并不等同于 BCI 任务解码效果；对其他 EEG 任务的适用性尚未验证。