用于被试身份识别的无提示 EEG 想象言语：数据集与基准

基于摘要分析。本研究面向 EEG 生物特征身份识别，提出无外部视觉或听觉提示的想象言语范式，并提供数据集与分类基准；其目标是识别被试身份，而非解码想象词语的内容。 范式要求被试从预定义列表中自然选择具有语义的词语，并想象其发音，以减少对外部提示的依赖。作者报告，数据集包含 11 名被试、五个会话的超过 4,350 个试次。摘要未说明词语列表、单试次时长、EEG 通道配置、采集设备、预处理及试次标注方式，这些复现条件尚未验证。 评估涵盖 SVM、XGBoost 等传统机器学习方法、时间序列基础模型，以及 EEG Conformer、Shallow ConvNet 等 EEG 分类架构。作者采用按会话留出的验证策略，并称该策略用于提高评估可靠性、避免数据泄漏；具体训练与测试会话组合、预处理拟合范围及模型选择流程仍需全文核对。按会话留出可用于考察已纳入被试的跨会话身份识别，但不能直接等同于对未见被试的跨被试泛化。 作者报告，在所述按会话留出的评估背景下，分类 Accuracy 最高达到 97.93%。摘要未明确该结果对应的模型、会话划分、聚合方式或不确定性，因此不能据此排序各方法，也不能与不同协议下的结果直接比较。实验协议、消融及统计信息尚未验证。 该数据集的具体阅读价值在于考察去除外部提示后，想象言语 EEG 是否仍包含稳定的身份信息。作者提出其在 BCI 等实际场景中的应用潜力，但摘要中的身份分类结果尚不足以验证长期稳定性、开放集身份识别、抗伪冒能力或实际部署安全性；数据及实现的公开获取条件也尚未验证。