基于EEG的跨会话生物识别在单任务协议中的联合解代表性和域对抗性培训
Honggang Liu1,2, Xuanyu Jin1,2, Dongjun Liu1,2
1School of Computer Science, Hangzhou Dianzi University, Hangzhou, 310018 Zhejiang China.
Cognitive neurodynamics
|January 27, 2025
概括
这项研究引入了脑电图 (EEG) 生物识别的新框架,通过解开身份特征和使用对抗训练来提高跨会话识别的准确性.
科学领域:
- 生物识别信息 生物识别信息
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 可穿戴技术增加了用于生物识别的脑电图 (EEG) 的使用.
- 跨会话的可变性和单任务协议多样性挑战了EEG生物识别模型的稳定性和通用性.
研究的目的:
- 提出一个新的框架,联合解代表与域对抗训练 (JDR-DAT),用于基于EEG的强大的跨会话生物识别.
- 在单任务协议中增强纵向稳定性和模型概括性.
主要方法:
- 在JDR-DAT框架中,使用相互信息估计来解特定身份特征.
- 域对抗训练被纳入,以提高不同会议的稳定性.
- 在基于RSVP和基于MI的单任务协议数据集上进行了实验.
主要成果:
- 联合DR-DAT框架在跨会话生物识别方面表现出显著的有效性.
- 基于RSVP数据的平均准确率为85.83%,基于MI数据的平均准确率为96.72%.
- 拟议的方法在纵向EEG数据分析中表现强.
结论:
- 联合DR-DAT框架有效地解决了基于EEG的跨会话生物识别方面的挑战.
- 该方法提供了一个强大的解决方案,以保持模型稳定性和对纵向EEG数据的概括性.
- 这项工作推动了EEG信号在生物识别系统中的应用.
