基于持续学习的情感 EEG 人员身份识别

基于摘要分析。本研究面向情感 EEG 人员身份识别，试图解决用户数量持续增加时的模型动态更新，以及空间、时频等不同域特征的关联建模问题。作者提出持续学习识别方法，并以 multidomain coordinated attention transformer（MD-CAT）作为骨干网络；研究任务是身份识别，而非情感状态分类。 机制方面，MD-CAT 结合空间注意力、时频注意力与域协调机制，旨在提取细粒度局部特征，同时在全局层面重建不同域特征之间的交互。摘要未提供持续学习的具体更新策略、损失函数、旧用户知识保留方式或推理流程，因此尚不能判断性能收益分别来自骨干网络还是持续学习机制。 评估使用 THU-EP 数据集，包含 80 名被试及九类情感状态（AS）。作者报告，在该数据集的身份识别实验中，所提方法优于先进对照方法，但摘要未给出具体 Accuracy、基线名称、训练测试划分、用户递增顺序或跨会话设置，暂不能核对优势幅度与适用范围。作者还报告，在不同 AS 与频带（FB）的分析中，中性状态和 beta 频带对持续学习过程中准确率衰减的影响最小；这一结论不能直接等同于它们具有最高身份识别准确率。 复现时应重点核对新增用户的任务划分、旧用户与新用户的评估方式、跨会话稳定性，以及域协调和注意力模块的独立贡献。作者声明代码公开，但代码可访问性、数据预处理及运行条件尚未验证；完整实验协议、消融及统计信息也尚未验证。该研究直接涉及 EEG 生物特征识别，但其结果不能直接外推为其他 BCI 任务中的持续学习效果。