跨身份会话漂移迁移能否改善跨会话 EEG 身份识别？

基于摘要分析。该研究针对跨会话 EEG 身份识别中认知状态与采集条件变化导致身份表征不稳定的问题，提出 SHIFT-ID：利用辅助身份的成对会话估计漂移，再将漂移迁移至注册用户的训练表征，以应对注册用户在后续评估会话不提供校准数据的场景。研究对象是 EEG 身份识别，而非运动想象等 BCI 控制任务。 核心机制是在特征均值与标准差对数构成的空间中建立经验漂移库，据此生成带有会话变化信息的训练视图；训练时结合表征间的余弦一致性与最差视图原型正则化，维持扰动下的身份结构。推理时编码器、投影头和分类器均固定，每个查询独立处理，不使用评估用户的校准记录，也不在线更新参数。漂移如何采样与施加、损失的具体形式及权重尚未验证。 作者报告在 MCD、M3CV 和 SEED-IV 上建立统一信息隔离协议，评估十二种常用或近期 EEG 架构，并开展信息预算匹配比较、迁移方向分析、机制消融和扰动诊断。全部实验重复五次，以五次运行均值报告结果。在该跨会话协议下，完整配置在上述三个数据集上的平均 Rank-1 Accuracy 分别为 70.94%、77.83% 和 85.06%；相对该协议下最强的仅源数据外部基线 CAGCNet，分别提高 0.55、0.42 和 0.38 个百分点。在相同骨干与辅助目标数据预算下，相对 DANN 分别提高 0.63、0.31 和 0.27 个百分点，不能将两组对照视为相同信息条件。 作者报告迁移方向、消融和扰动分析支持经验漂移迁移与稳健原型正则化的贡献，同时明确绝对提升较小，应保守解释。全文仍需核对身份与会话划分、辅助身份数据的可用范围、信息隔离细则、预处理、各架构配置及五次运行的离散程度与统计检验；具体实验协议、消融结果及统计信息尚未验证。其可复现价值主要在于检验辅助身份的会话漂移是否能稳定迁移到注册用户，而非据此认定已改善其他 EEG/BCI 任务。