编辑推荐：
目的：比较基于脑电图（EEG）的受试者识别与开放集拒绝性能在不同实验范式间的差异，同时考察模型稳健性与跨会话泛化能力。方法：研究分析了M3CV数据库中的静息态、瞬态感觉刺激、稳态感觉刺激、P300 Oddball和运动执行五种范式。在封闭集识别中，评估了多种特
目的：比较基于脑电图（EEG）的受试者识别与开放集拒绝性能在不同实验范式间的差异，同时考察模型稳健性与跨会话泛化能力。方法：研究分析了M3CV数据库中的静息态、瞬态感觉刺激、稳态感觉刺激、P300 Oddball和运动执行五种范式。在封闭集识别中，评估了多种特征表示、传统机器学习模型和基于原始EEG的深度学习基线。开放集性能进一步采用身份优先、无泄漏的嵌套流程进行评估，其中包含60个已登记身份、15个开发未知身份和20个最终测试未知身份。结果：在P4会话内协议下，瞬态感觉刺激取得了最高的Rank-1准确率（98.10%）。差分熵与收缩线性判别分析的平均Rank-1准确率分别为98.01%和98.29%。在无泄漏嵌套开放集评估下，瞬态感觉刺激在FPIR=5%和FPIR=1%时的DIR以及AU-OSCR分别达到91.75%、77.32%和97.36%。深度学习分析确认了较强的会话内身份判别能力，但开放集范式排名呈现模型依赖性。相反，严格的跨会话迁移在所有模型家族中均产生显著性能下降，Rank-1准确率降至约1.9%–5.4%，验证AUC降至约0.53–0.56；无监督目标归一化仅带来极小的恢复。结论：EEG范式表现出较强但主要依赖于会话的身份可判别性。在主要传统框架下，瞬态感觉刺激在会话内开放集性能上表现最优，而在零样本迁移中，跨会话变异性主导了范式间差异。
论文解读：基于EEG的跨范式受试者识别与开放集拒绝研究
随着数字服务、远程医疗和人机交互系统的普及，身份识别对于信息安全与隐私保护日益重要。传统的生物特征如指纹、人脸、虹膜和语音虽被广泛使用，却面临特征泄露、复制攻击或非自愿采集等风险。脑电图（EEG）源于活体神经活动，具有相对隐蔽性、抗伪造性、可再生性和潜在的活体信息，因此被视为有前景的新型生物特征模态。然而，EEG身份识别的长期稳定性、用户适应性和稳健决策边界等问题尚未完全解决，且刺激条件、信号表示和模型架构均可能影响身份相关EEG信息的表达。
已有研究多集中于单一范式或有限刺激集，在统一数据源、样本预算和评估协议下对不同实验范式进行系统比较的工作仍然缺乏。此外，多数EEG生物特征研究采用封闭集识别或已知用户验证，假设所有测试样本均属于已登记身份，无法反映未登记人员进入系统的实际情况。实用识别系统不仅需要识别合法用户，还必须拒绝未知输入。同时，跨会话变异、特征维度、模型复杂度和样本划分方式等因素可能混淆范式间的比较。为此，研究人员利用M3CV多受试者、多会话、多任务数据库，在统一样本预算和时间有序评估框架下，系统比较了静息态、瞬态感觉刺激、稳态感觉刺激、P300 Oddball和运动执行五种范式在封闭集识别与开放集拒绝中的表现，并引入深度学习和跨会话分析以评估表示泛化能力。
该研究采用的主要关键技术方法包括：第一，统一的数据筛选与范式定义流程，依据M3CV Enrollment元数据将任务1–13归为五类范式，并对每位受试者每范式选取60个epoch，组织为五个不重叠时间块（B1–B5），每块12个epoch，且按任务配额采样以消除样本量不均衡；第二，特征提取方面，计算差分熵（DE）、相对功率谱密度（RELPSD）和时间统计特征（TS），并构造五种特征集；第三，传统机器学习模型包括随机森林（RF）、线性判别分析（LDA）、极端随机树（ET）和逻辑回归（LR），深度学习基线包括EEGNet-FLAT和EEG Conformer；第四，封闭集识别采用四种时间有序训练协议（P1–P4），开放集评估采用身份优先的无泄漏嵌套流程，将95名受试者随机分为60个已登记身份、15个开发未知身份和20个最终测试未知身份；第五，跨会话分析使用Session 1训练、Session 2测试的零样本迁移协议，并加入无监督目标归一化敏感性分析。
研究结果方面，在封闭集识别中，固定DE+RELPSD+TS和LR模型条件下，P4协议下瞬态感觉刺激取得最高Rank-1准确率（98.10%），运动执行从P1到P4提升最大（2.05个百分点）。特征比较显示DE平均Rank-1最高（98.01%），模型比较显示收缩LDA平均Rank-1最高（98.29%）。在会话内辅助验证中，稳态感觉刺激取得最低EER（0.244%），瞬态感觉刺激在FAR=0.1%时TAR最高（99.18%）。统计检验显示范式间整体差异显著但效应量很小（Kendall's W=0.0536），两两比较无显著差异。任务贡献分析表明瞬态与稳态感觉刺激的任务表现较为一致，而P300 Oddball和运动执行表现出更强的任务依赖性。
在无泄漏开放集评估中，瞬态感觉刺激在FPIR=5%和FPIR=1%时DIR分别达到91.75%和77.32%，AU-OSCR为97.36%，均优于其他范式。统计检验显示FPIR=1%时范式间差异更明显（Kendall's W从0.278增至0.547）。深度学习方面，DE+LDA在所有范式中Rank-1均超过98%，EEGNet-FLAT和EEG Conformer分别达到88.87–96.22%和91.08–96.03%，但开放集排名呈现模型依赖性。跨会话实验中，严格源域Session 1到Session 2迁移导致所有模型性能急剧下降，Rank-1降至约1.9–5.4%，验证AUC约0.53–0.56，无监督目标归一化几乎无恢复作用。
讨论部分指出，所有范式均表现出强会话内身份可判别性，但封闭集指标接近饱和，无法区分范式优劣。开放集评估揭示了封闭集指标隐藏的安全相关差异，高封闭集准确率并不保证对未知身份的可靠拒绝。瞬态感觉刺激在主要传统框架下具有优势，但跨会话变异主导了范式间差异，表明会话内身份判别、未知身份拒绝和跨会话不变性是三个不同层面的要求。研究结论强调，未来应优先发展会话鲁棒的表示学习、更大规模异质未知身份队列、独立外部验证和实际采集设置下的评估。该研究为EEG生物特征识别中实验范式选择和评估协议设计提供了系统证据，论文发表在《Sensors》。
