基于诱发协议融合与卷积神经网络的会话不变 EEG 特征

基于摘要分析。该研究面向 EEG 生物特征身份认证，考察不同诱发协议下采集的 EEG 能否通过融合提高身份特征在不同记录会话间的稳定性。作者提出多协议 EEG 融合方法，并采用端到端卷积神经网络（CNN）从原始 EEG 提取特征并完成分类；其主要对象是身份认证，而非运动想象等 BCI 控制任务。 核心假设是：不同诱发协议可能引出不同脑区的响应，联合使用这些信号有助于模型学习兼具个体辨识信息与跨会话稳定性的模式。摘要未说明融合发生在数据、特征还是决策层，也未提供 CNN 结构、损失函数、预处理或训练配置，这些实现细节尚未验证。 评估使用两个 EEG 数据集，各数据集包含在不同日期进行的两次记录会话，并采用多种诱发协议。作者分别开展会话内（Within-session）和跨会话（Cross-session）实验，以单一协议训练模型作为对照。作者报告：在会话内实验中，协议融合模型表现与单一协议模型相当或更好；在跨会话实验中，协议融合模型显著优于单一协议模型。摘要未给出数据集名称、被试规模、具体指标、数值及显著性检验方法，因此无法量化收益，也不能将两次会话间的结果直接解释为长期稳定性。 复现时需核对诱发协议内容、融合规则、训练与测试的会话划分、认证评估方式，以及融合组和单协议组的数据量是否可比。实验协议、消融及统计信息尚未验证。该工作提供了针对 EEG 身份特征跨日期变化的直接研究证据，但其结论不等同于其他 BCI 任务中的跨会话泛化改善。