基于脑电图（EEG）的不同情绪下生物特征识别：一种深度学习方法

《Information》：Biometric Identification Under Different Emotions via EEG: A Deep Learning Approach Zhyar Abdalla Jamal and Azhin Tahir Sabir

　　

脑电图（EEG）作为一种生物特征模态已引起越来越多的关注，因为它反映了持续的脑部活动，并且本质上难以伪造。同时，EEG信号受到情绪等内部状态的影响，这可能会影响识别稳定性，尤其是在使用便携式消费级系统进行记录时。本研究考察了情绪状态如何影响基于EEG的生物特征识别性能，并评估了多种深度学习架构以确定一种针对跨情绪鲁棒性的有效建模方法。研究人员使用14通道的Emotiv EPOC X头戴式设备，从65名参与者中收集了EEG数据，经过自我报告的情绪验证后，保留了54名受试者的数据。记录是在中性、积极和消极视觉刺激下采集的。为了解决便携式采集带来的变异性，预处理利用了设备内部的信号质量指标来选择可靠的片段、补偿退化区域并降低噪声。在所评估的模型中，一个结合了卷积块注意力模块（CBAM）和多头自注意力（MHSA）的双向长短期记忆（BiLSTM）网络在实验中取得了最高性能。该模型仅在中性状态数据上进行训练，随后在情绪条件下进行评估。它在中性条件下达到了95.91%的准确率，并在积极（94.31%）和消极（92.99%）状态下保持了高性能。尽管在消极刺激下性能略有下降，但识别性能仍然稳定。这些发现支持了在现实环境中使用消费级设备实现鲁棒的基于EEG的生物特征认证的可行性。

# 基于脑电图（EEG）的跨情绪生物特征识别研究解读

## 研究背景与问题
随着数字系统深度融入日常生活，用户身份认证的可靠性变得至关重要。传统的生物特征方法（如指纹、面部识别）虽应用广泛，但存在易被欺骗、模板泄漏及隐私风险等问题。相比之下，脑电图（EEG）因其反映持续的脑部活动且难以伪造，作为一种生物特征模态吸引了越来越多的关注。然而，EEG信号是非平稳的，容易受到疲劳、精神努力、环境条件以及情绪状态等内部因素的影响。情绪状态已被证实会改变EEG频谱功率和空间激活模式，尤其是在额叶和颞叶区域。因此，基于中性情绪状态开发的生物特征模型，在情绪变化时可能表现不佳，这严重挑战了基于EEG的识别系统在现实场景中的鲁棒性和泛化能力。

尽管已有研究分别探讨了基于EEG的生物特征识别和情绪识别，但鲜有关注情绪变化如何影响生物电位（bio-potential）生物特征识别性能，尤其是在使用低成本硬件和系统的情况下。填补这一空白对于理解基于EEG的认证系统在实验室外是否能可靠工作至关重要。

## 研究目的与意义
本研究旨在在一个深度学习框架内考察情绪状态对基于EEG的生物特征识别的影响。研究人员评估了多种神经架构，以确定能够维持情绪变化下识别性能的合适建模方法。研究结果表明，结合卷积块注意力模块（CBAM）和多头自注意力（MHSA）的双向长短期记忆（BiLSTM）模型在不同情绪条件下表现出最鲁棒和最高的性能。该模型仅使用中性状态数据进行训练，以模拟真实的注册场景，随后评估了其在中性、积极和消极情绪条件下的跨情绪泛化能力。该研究证明了使用消费级设备在现实环境中实现鲁棒的基于EEG的生物特征认证的可行性，为情绪感知的EEG生物特征识别系统提供了关键证据。本论文发表在《Information》期刊上。

## 关键技术方法
研究人员使用了以下主要关键技术方法。首先，数据采集使用一款14通道Emotiv EPOC X便携式头戴设备，从65名参与者中采集EEG信号，经情绪自评验证后，最终保留了54名受试者（35名男性，19名女性）的数据。预处理流程包括：2-40 Hz带通滤波以去除低频漂移和高频噪声；使用伪影子空间重建（ASR）技术，结合设备内置信号质量指标，仅对低质量片段进行定向伪影校正。核心模型架构为结合CBAM和MHSA的BiLSTM网络，输入为2秒滑动窗口（50%重叠）的预处理EEG信号，模型实现端到端学习，参数约135K。训练策略上，仅使用中性状态数据训练，采用AdamW优化器，结合余弦退火学习率调度、标签平滑和早停机制，并严格防止数据泄漏，确保评估无偏。

## 研究结果
### 4.1. 跨情绪条件下的识别性能
通过评估，研究人员发现，增强注意力机制的BiLSTM模型在所有情绪状态下均表现出了一致的高识别准确率。具体而言，在中性条件下准确率达到95.91%（标准差SD = 1.45，95%置信区间CI: 93.20–98.39）；在积极情绪下性能略微下降至94.31%（SD = 1.59，95% CI: 91.59–97.00）；在消极情绪下为92.99%（SD = 2.38，95% CI: 88.34–96.80）。与中性基线相比，积极和消极条件下的性能分别下降了1.60和2.92个百分点，表明消极情绪刺激导致的性能下降幅度最大。

### 4.2. 模型对比评估
通过对比多种架构（EEGNet、LSTM、BiLSTM、BiLSTM+CBAM、BiLSTM+CBAM+MHSA），研究人员发现，循环架构（LSTM及变体）的性能始终优于EEGNet，强调了时序建模对于捕获身份相关EEG动态的重要性。双向LSTM优于单向LSTM，表明结合过去和未来的上下文信息能增强稳定性。CBAM的引入进一步提升了跨情绪状态下的性能一致性，表明自适应通道与空间注意力机制能部分补偿便携式低通道EEG采集带来的变异性。最终，加入MHSA后模型取得了最佳整体性能，尤其在消极情绪条件下表现最为突出，证明结合双向时序建模与互补注意力机制能够在14通道便携式EEG系统的实际约束下支持稳定的识别精度。

### 4.3. 情绪效应的统计分析
研究人员采用非参数弗里德曼检验对情绪状态对识别准确率的影响进行了重复测量分析，结果显示情绪对模型性能无统计学显著影响（χ²(2) = 1.95, p = 0.377）。配对参与者水平的比较也均不显著（中性vs.积极: p = 0.610；中性vs.消极: p = 0.381；积极vs.消极: p = 0.557），经邦费罗尼校正后，所有调整后p值仍不显著（均≥ 1.000），且效应量较小（Cohen's d = 0.093–0.160）。尽管这一趋势表明消极情绪状态可能引入略大的EEG信号变异性，但差异未达到统计显著水平。

## 讨论与结论总结
**讨论总结**：本研究验证了仅基于中性数据训练的EEG生物特征识别模型在短期情绪变化下能保持较高稳定性。虽然统计上不显著，但一致性的数值下降趋势（尤其是消极情绪下）表明情绪状态，特别是负性情感，会在与身份相关的EEG表征中引入可测量的变异性。研究采用的2–40 Hz带通滤波和选择性ASR预处理对于便携设备尤为关键，能有效处理电极漂移、运动伪影等问题。模型层面的双向时序处理和CBAM+MHSA注意力机制动态地强调了信息性通道和时间段，提升了鲁棒性。然而，情绪导致的性能下降强调了未来研究需明确考虑情感变异性，例如使用生成对抗网络（GANs）或迁移学习策略。局限性包括：情绪诱导在实验室条件下进行，且不同情绪的录音在同一天较短间隔内完成，主要反映了短期情绪变异而非跨天或跨设备的长期稳定性；情绪验证基于受试者自评而非多模态生理指标。

**研究结论翻译**：本研究使用消费级便携式设备评估了情绪变异性下的基于EEG的生物特征识别。跨情绪测试显示，识别准确率在中性、积极和消极条件下均保持较高水平，其中消极情绪状态下性能下降最大。然而，这些差异在统计学上不显著。结果表明，结构化的预处理和增强注意力机制的时序建模相结合，可以在短期情感调节下维持稳定的识别性能，即使使用便携式EEG硬件也是如此。这些发现支持了在现实环境中实现情绪感知EEG生物特征识别的可行性。未来工作应研究长期稳定性及自适应策略，以进一步提高跨情绪鲁棒性。