面向小数据集身份识别的自适应模板增强

基于摘要分析。本文研究小样本及噪声采集条件下的 EEG 生物特征身份识别，提出一种基于实例的分类方法，通过自适应模板增强改善类别分离和查询样本与类别的匹配。其主要研究对象是人员身份辨识与身份验证，而非运动想象等 BCI 指令解码。 方法针对 EEG 的非平稳性、训练数据有限及采集噪声问题，在特征层面对实例进行变换，并分别处理每个特征维度。摘要将改善类别分离和查询—类别匹配作为核心机制，但未提供变换公式、模板更新规则、特征提取流程或分类决策细节，尚不能确定增强过程如何适应不同样本与噪声条件。 评估使用了一个临床级 64 电极 EEG 数据库，以及一个由低成本单干电极系统采集的低质量、高噪声 EEG 数据库，并在多个场景下与若干相关算法比较。作者报告，该方法在身份辨识和身份验证场景中均显著提高分类准确率，并在噪声 EEG 数据上取得良好分类表现。摘要未给出具体数值、对照算法名称、被试数量、训练样本规模或被试内、跨会话等划分协议，因此不能量化增益，也不能据此判断长期身份稳定性或跨设备泛化能力。 复现需核对逐维模板增强的具体实现、训练与查询阶段的处理边界、两类任务各自的评价指标及数据划分。实验协议、消融及统计信息尚未验证；作者关于更广泛应用潜力的判断，不等同于已验证的其他 EEG/BCI 任务效果。