基于时间间隔多正样本对比学习的数据高效 EEG 身份识别

基于摘要分析。该研究针对 EEG 身份识别依赖大量注册数据、采集负担较高的问题，提出时间间隔多正样本对比学习框架 TIB-MPCL，以利用 EEG 的时间多样性并提高有限训练样本下的身份识别能力。其主要任务是生物特征身份识别，而非运动想象意图解码。 方法以一秒 EEG 片段为单位，构造重叠、相邻和非相邻的正样本，通过对比学习联合优化，并引入对齐模块，促进被试内表征紧凑与被试间可分。摘要未说明具体时间间隔、正负样本配对规则、对齐模块实现及损失形式，相关机制需结合全文核对。 作者报告，在包含 109 名被试的 PhysioNet 数据集上，使用全部可用训练样本时平均 Accuracy 为 99.05%；每名被试仅使用 10 个一秒训练样本时，平均 Accuracy 为 83.86%。摘要另报告运动执行与运动想象条件下的身份识别 Accuracy 超过 91%，但未明确该数值对应的训练样本配置，不宜与前述有限样本结果直接合并解读。作者还在 SEED-IV 上开展跨会话实验，在测试会话完全排除于训练之外的条件下，报告平均 Accuracy 为 83.79%。 复现时需核对 PhysioNet 的训练与测试划分、重叠片段的生成与分配方式，以及不同时间间隔正样本和对齐模块的独立贡献；SEED-IV 则需核对会话划分、预处理及平均结果的计算方式。这些是待验证事项，不能据摘要判断存在数据泄漏或缺少消融。实验协议、对照基线、消融及统计信息尚未验证，代码可用性亦未确认。该结果支持评估 EEG 身份识别的数据效率，但不能直接视为其他 BCI 解码任务的有效性证据。