CAGCNet:チャネル集約されたEEG特徴に基づく人身識別のための一般的な対比学習
Xinran Wang1, Xuanyu Jin2,3, Wanzeng Kong2,3
1HDU-ITMO Joint Institute, Hangzhou Dianzi University, No.2 Ave, Hangzhou, 310018 Zhejiang China.
Cognitive neurodynamics
|September 4, 2025
まとめ
この研究は,安全な人身識別のために脳脳図 (EEG) 信号を用いた新しい脳印認識の枠組みを導入しています. 提案された方法は,目に見えないデータのモデル一般化を強化し,既存のテクニックを上回ります.
科学分野:
- バイオメトリクス
- 神経科学
- 機械学習
背景:
- 電気脳波 (EEG) 信号を用いた人身識別は,高い安全性を提供しています.
- 既存の脳印認識方法は,トレーニングデータとテストデータとの分布の違いで苦労し,見えない領域のデータでのパフォーマンスの低下につながります.
- 潜伏空間における投影された特徴の間の大きな距離は,新しい環境におけるパフォーマンス問題を悪化させる.
研究 の 目的:
- 強力なEEGベースの人身識別のための新しいチャネル集約型一般的な対比学習フレームワークを提案する.
- データ分布のシフトによる未知領域での性能低下の問題に対処するためです.
- ブレインプリント認識モデルの一般化能力を高めるため
主な方法:
- チャンネル集約された一般的な対照的な学習フレームワークが提案されています.
- 異なる粒度で特徴を捉えるために,チャネル注意ブロックを備えた複数のスケールの収束が使用されます.
- 機能強化ベースの汎用コントラスト学習は,見えないデータの汎用性を改善するために,機能レベルでソースドメインデータを拡張します.
主要な成果:
- 提案されたフレームワークは,2つの複数セッションデータセットのベースライン方法と比較して優れたパフォーマンスを示しています.
- このモデルは,目に見えないドメインデータに適用すると,一般化の能力が強化されます.
- 実験はチャネル集積と一般化された対比学習アプローチの有効性を検証します.
結論:
- 開発されたチャネルアグレゲートされた汎用対比学習フレームワークは,EEGベースの人身識別を大幅に改善します.
- この方法は,見えないドメインデータによって引き起こされる性能の低下を効果的に軽減します.
- この研究は,より一般化し安全な識別ソリューションを提供することで,脳印認識の分野を前進させています.
