.png){kind=icon}
返回
Disentangled Representation Learning for Robust Brainprint Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2025.3602266.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑电图（EEG）生物识别技术因其抗欺骗、活体特征和非重复性等优点，在高安全需求领域正受到越来越多的关注。然而，现有的EEG数据集在数据采集时依赖外部刺激或任务特定指令，往往将身份相关信息与情感状态、认知任务和疾病标志物等偏见因素交织在一起。此外，EEG信号具有时变性，而EEG信号中的身份信息相对固定，这给从EEG中提取身份特征以实现准确的人体识别带来了挑战。这种高度相关性阻碍了脑纹识别在现实应用中的推广。本文提出了一种基于解耦表示学习的身份识别框架，该框架将EEG信号解耦为内在的身份相关信息和有偏的身份不变信息，从而提升EEG生物识别的性能。首先，采用两个并行编码器分别提取内在的身份相关和无关偏见因素，每个编码器由一个时域滤波模块和一个新颖的时空注意力模块组成。然后，我们通过一个相关性驱动的损失函数进一步精炼解耦过程，该函数在时空和全局表示域中减少因素相似性。引入对抗训练和重构正则化，以促进身份和偏见表示相互独立且互补。此外，我们将监督对比学习扩展到组件层面，最小化跨组件相似性并鼓励每个组件独立反映其独特信息，从而提高解耦效果。我们提出的框架在涵盖情感、运动想象和病理条件等多样化的数据集上达到了最先进性能，证明了所提出的脑纹身份识别模型的鲁棒性和有效性。
Keyword:
EEG
biometrics
brainprint
contrastive learning
adversarial training
期刊
IF:
8
论文数:
5.2K
被引数:
2.3W
机构
引用论文
.png){kind=icon}
CEREBRE: A Novel Method for Very High Accuracy Event-Related Potential Biometric Identification
PREAI
分享收藏View-interactive attention information alignment-guided fusion for incomplete multi-view clustering
PREAI
分享收藏分享收藏CurricularFace: Adaptive Curriculum Learning Loss for Deep Face Recognition课程面孔: 深度人脸识别的自适应课程学习损失
OAAI
OAAI分享收藏
查看更多内容