SIFR：会话不变因子化表征能否改善跨会话 EEG 身份识别？

基于摘要分析。该研究针对跨会话 EEG 身份识别中保留个体稳定特征与适应设备重新佩戴、采集条件及任务状态变化之间的矛盾，提出会话不变因子化表征框架 SIFR，将会话变化处理为归一化层内的受控残差补偿。研究对象是 EEG 身份识别，不能直接将其效果等同于其他 BCI 任务的性能提升。 核心模块 FactorNorm 在共享仿射参数之上加入输入条件化的会话分支，通过低秩门控逐维调节补偿，并以零残差初始化使起始状态与 LayerNorm 完全一致。会话分类监督为补偿分支提供信息目标；Orthogonal Prototype Constraint（OPC）限制补偿方向与当前身份原型的方向重叠。作者称在明确假设下推导了该几何约束的线性响应界，用于刻画指定方向上的扰动限制；具体假设、约束形式及边界适用条件尚需全文核对。 作者报告，在 PhysioNet、MCD 和 SEED-IV 的按会话组织记录评估中，平均身份识别 Accuracy 分别为 99.28%、82.14% 和 72.34%，相较各数据集最强外部平均 Accuracy 基线分别提高 0.21、4.85 和 3.06 个百分点。摘要未提供具体会话划分、被试规模、基线名称及聚合方式，因此这些结果仅能按各自数据集的作者评估背景理解，不能直接作跨数据集难度比较。 作者还报告通过消融与身份参数冻结实验分析门控、几何正则化及受限参数更新的作用，并称真实身份声明与冒充身份声明在分数空间中更易分离；摘要未给出相应验证指标，不能据此推断认证错误率。复现时需核对会话标签在训练与推理中的使用方式、身份原型构建和更新规则、冻结范围及完整数据划分。实验协议、消融及统计信息尚未验证。