国产亚洲AV自拍|av中文字幕一区|资源在线观看一区二区|亚洲影视久久亚洲特级性交|一级做一级a做片爱免费观看|欧美另类亚洲色婷婷精品无码|亚洲青青草免费一区|青青草免费成人网|91久久国内视频|五月天丁香久久

近日，腦機團隊本科生成員朱皓穎等人在黃俊端老師的指導下于國際信號處理領(lǐng)域的知名期刊IEEE Signal Processing Letters (JCR Q2, 中科院三區(qū), IF: 3.9，CCF-C) 上發(fā)表了題為 “WST-CAA: A Brainprint Recognition Framework Based on Wavelet Scattering Transform and Channel-Axial Attention Dense Network” 的研究論文。論文第一作者為朱皓穎，通訊作者為黃俊端副研究員。該論文自2025年5月25日投稿，于2025年11月2日正式被接收。

論文鏈接：https://ieeexplore.ieee.org/document/11223658

開源代碼鏈接：https://github.com/jhuangscnu/BrainPrint_WST-CAA。

IEEE Signal Processing Letters（SPL）是由 IEEE 信號處理學會出版的國際知名期刊，旨在快速發(fā)表信號、圖像、語音、語言與音頻處理等領(lǐng)域中具有創(chuàng)新性和前沿性的研究成果。該刊平均每年發(fā)表約 600 篇高質(zhì)量論文，以高影響力和快速審稿著稱，是信號處理領(lǐng)域的重要交流平臺。

研究背景

生物特征識別（Biometrics）是一種基于個體獨特的生理或行為特征進行身份識別的自動化技術(shù)，常見的生理特征包括指紋、面部特征、指靜脈等，行為特征則包括步態(tài)、聲紋等。由于生物特征具有天然的唯一性和穩(wěn)定性，該技術(shù)在信息安全、身份驗證等領(lǐng)域得到廣泛應(yīng)用。然而，傳統(tǒng)生物特征識別仍面臨一些挑戰(zhàn)：一方面，這些特征容易受到偽造與攻擊（如假指紋、面具識別攻擊等）的威脅；另一方面，個體的生理特征可能隨年齡、健康狀態(tài)或環(huán)境條件變化而發(fā)生變化，從而導致識別準確率和穩(wěn)定性下降。為克服傳統(tǒng)生物特征的局限性，腦紋識別（Brainprint Recognition） 作為一種新興的生物識別方式逐漸受到關(guān)注。腦紋識別基于腦電信號（Electroencephalography, EEG），利用大腦在特定刺激或靜息狀態(tài)下的神經(jīng)活動模式作為個體身份特征。與傳統(tǒng)生物特征相比，腦紋識別具有以下顯著優(yōu)勢：

1. 高安全性（High Security）：EEG信號源于大腦神經(jīng)活動，具有極強的個體特異性與非外顯性，難以通過物理或仿真手段復制，因此在防偽造和防攻擊方面具有天然優(yōu)勢。
2. 用戶主觀性（User Subjectivity）：腦紋采集過程需要被試者主動配合，無法在非合作或脅迫條件下準確獲取，從而有效防止了強制性身份冒用。
3. 高隱蔽性與隱私保護（High Privacy Protection）：不同于面部或指紋等外部可見特征，腦電信號屬于內(nèi)在生理特征，不易被感知或竊取，天然具備隱私安全優(yōu)勢。
4. 動態(tài)特征表達能力（Dynamic Identity Representation）：EEG信號反映的是實時神經(jīng)活動，其動態(tài)性使得腦紋識別不僅能捕捉靜態(tài)特征，還能刻畫個體在不同任務(wù)或刺激狀態(tài)下的神經(jīng)反應(yīng)特征，進一步提升系統(tǒng)的判別性與魯棒性。

與此同時，隨著便攜式EEG采集設(shè)備和智能可穿戴技術(shù)的發(fā)展，腦紋識別逐漸具備了實際部署條件，有望成為下一代個體身份識別的重要方向。然而，腦紋識別的實際應(yīng)用仍面臨兩大核心挑戰(zhàn)：

1. 易受生理偽跡干擾：腦電信號是一種微弱的生理信號，其幅值通常僅為 10–100 μV，極易受到各種非神經(jīng)源干擾的影響，例如肌電（Electromyogram, EMG）、眼電（Electrooculogram, EOG）及心電（Electrocardiogram, ECG）等偽跡信號。這些偽跡往往在頻譜上與腦電信號存在重疊，難以通過傳統(tǒng)濾波手段完全去除。尤其在實際采集過程中，被試者的眨眼、面部肌肉活動及電極接觸不穩(wěn)定等都會引入強噪聲，顯著削弱EEG的信噪比，使身份相關(guān)的神經(jīng)活動模式被掩蓋。更為關(guān)鍵的是，偽跡干擾不僅導致特征分布漂移，還會在跨會話、跨任務(wù)條件下造成模型泛化性能下降，從而限制腦紋識別系統(tǒng)的穩(wěn)定性與可用性。如何在低信噪比條件下穩(wěn)健提取身份判別特征，成為實現(xiàn)實用化腦紋識別的首要難題。
2. 身份相關(guān)特征提取能力有限：現(xiàn)有腦紋識別方法大多借鑒腦機接口（Brain–Computer Interface, BCI）領(lǐng)域的信號處理與分類算法，如共空間模式（CSP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）及時序建模方法等。然而，這些算法通常面向任務(wù)或意圖識別，關(guān)注腦電信號中的“任務(wù)相關(guān)”信息，而非“身份相關(guān)”特征。由于個體間腦信號差異微小且易受狀態(tài)波動影響，傳統(tǒng)模型難以充分捕捉跨通道、跨頻段的高階特征交互關(guān)系。此外，部分深度學習模型對輸入擾動高度敏感，對信號幅值和時間偏移依賴強，缺乏對頻域局部模式的穩(wěn)健建模能力。再者，現(xiàn)有方法普遍依賴大量人工參數(shù)調(diào)整，且通道間特征融合不足，無法有效整合多通道EEG信號中潛在的空間信息，導致模型在跨個體或跨會話場景下識別性能顯著下降

論文貢獻與研究方法

基于上述內(nèi)容，本文針對腦紋識別中腦電信號易受生理偽跡干擾以及身份相關(guān)特征提取能力有限的兩大挑戰(zhàn)，本文提出了一種新穎的腦紋識別框架——WST-CAA（Wavelet Scattering Transform and Channel-Axial Attention Dense Network）。該框架融合了信號層面的多尺度特征提取與網(wǎng)絡(luò)層面的多維注意力機制，實現(xiàn)了從低層信號預處理到高層特征識別的端到端優(yōu)化。

整體結(jié)構(gòu)由兩大核心模塊組成：

（1）PWST：預處理與小波散射變換模塊（Preprocessing and Wavelet Scattering Transform）

該模塊旨在實現(xiàn)EEG信號的深度去噪與穩(wěn)健特征提取。首先，對原始腦電信號進行標準化、帶通濾波（0.5–42 Hz）及獨立成分分析（ICA），以去除眼電（EOG）與肌電（EMG）等偽跡信號，從而有效提升信噪比。隨后，引入小波散射變換（WST）作為中間特征提取手段，通過多尺度卷積、非線性模值變換與低通濾波三步操作，將原始信號映射至平移不變且類內(nèi)低方差，類間高方差的散射特征空間。既保留了EEG信號的高頻細節(jié)，又在頻域上實現(xiàn)了穩(wěn)定的能量分布，使模型能夠獲得對微小時序擾動具有魯棒性的身份相關(guān)特征。此外，WST天然具備抑制任務(wù)無關(guān)成分與增強身份特征的能力，有助于減少模型在小樣本條件下的過擬合風險。

圖 1  PWST 處理前后類別分布的 t-SNE 可視化結(jié)果，展示了類間分離度增強與類內(nèi)相似度提升的效果。

（2）CAADN：通道-軸向注意力密集網(wǎng)絡(luò)（Channel-Axial Attention Dense Network）

該模塊旨在從多維角度建模腦電信號的通道—空間—時間相關(guān)性，以提取高判別性身份特征。網(wǎng)絡(luò)結(jié)構(gòu)包含三個關(guān)鍵組件：注意力塊（Attention Block）、密集塊（Dense Block）與過渡層（Transition Layer）。

• 在注意力塊中，結(jié)合通道注意力（Channel Attention）與軸向注意力（Axial Attention）機制：前者用于在各通道維度上動態(tài)分配權(quán)重，突出身份判別性強的神經(jīng)通道信號；后者沿散射系數(shù)軸與時間軸分別建模長距離依賴關(guān)系，捕獲EEG信號的跨時空交互模式。兩種注意機制協(xié)同作用，可有效抑制噪聲與偽跡對特征的干擾。
• 密集塊（Dense Block）通過跨層特征連接的設(shè)計，使淺層特征能夠直接傳遞至深層，從而提升梯度流動性與特征復用率，減少冗余學習并強化特征表達能力。
• 過渡層（Transition Layer）利用逐點卷積和平均池化進行通道壓縮與空間下采樣，從而在保證性能的同時降低模型復雜度，實現(xiàn)輕量化與高效性。

通過將 PWST 與 CAADN 模塊有機結(jié)合，WST-CAA 框架在信號處理層面實現(xiàn)噪聲抑制與多尺度表示，在深度網(wǎng)絡(luò)層面實現(xiàn)高階特征建模與身份特征增強。該框架不僅能保持EEG信號的高頻細節(jié)與判別特征，還能生成具有偽跡抵抗性和平移不變性的類內(nèi)方差，類間高方差的穩(wěn)定表示，從而顯著提升腦紋識別的準確性與泛化性能。

圖 2 WST-CAA 框架的結(jié)構(gòu)示意圖。該框架主要由兩個模塊組成：(1) 預處理與小波散射變換模塊（PWST），用于對腦電信號進行降噪處理并提取中間特征；(2) 通道-軸向注意力密集網(wǎng)絡(luò)（CAADN），用于學習身份相關(guān)特征并實現(xiàn)腦紋識別。其中，下標k×k表示該操作以k=1與k=3順序執(zhí)行。

腦紋識別實驗

為驗證所提出的 WST-CAA 框架在腦紋識別任務(wù)中的有效性與魯棒性，本文在兩個公開腦電數(shù)據(jù)集 DEAP 和 FACED 上開展了系統(tǒng)的實驗研究。

1. 實驗設(shè)計與設(shè)置

實驗采用 被試依賴（subject-dependent） 的劃分方式，即針對每位被試分別訓練和測試模型，確保模型充分學習個體特征。數(shù)據(jù)劃分比例為 50%訓練集、20%驗證集、30%測試集，以準確率（Accuracy, ACC）作為唯一性能評估指標。

模型訓練參數(shù)如下：

• 優(yōu)化器：SGD（學習率 0.1，動量 0.9，權(quán)重衰減 5×10??）；
• 訓練輪數(shù)：1000 epochs；
• 若連續(xù) 25 個 epoch 性能無提升，則學習率減半；
• 若性能在 100 個 epoch 內(nèi)無改進，啟用早停策略（Early Stopping）。

對比模型包括：

• CADCNN（基于通道注意力的卷積密集網(wǎng)絡(luò)）；
• CNN-GRU（卷積 + 門控循環(huán)單元混合網(wǎng)絡(luò)）。

1. 實驗結(jié)果與分析

表 I 顯示了 WST-CAA 與基準模型在 DEAP 與 FACED 數(shù)據(jù)集上的識別性能。

從結(jié)果可以看出：

• WST-CAA 在兩個數(shù)據(jù)集上均顯著優(yōu)于現(xiàn)有模型，尤其在規(guī)模更大、受干擾更強的 FACED 數(shù)據(jù)集上仍保持高準確率（97.46%），體現(xiàn)出優(yōu)越的泛化能力。
• 相較于 CADCNN 和 CNN-GRU，WST-CAA 在模型參數(shù)量相近的情況下取得了更高的性能，說明其在模型復雜度與識別精度之間實現(xiàn)了良好的平衡。

1. 消融實驗（Ablation Study）

為評估各功能模塊的貢獻，本文分別移除通道注意力（CA）、軸向注意力（AA）以及兩者組合（CAA）進行對比。結(jié)果如下表所示：

實驗表明：

• 軸向注意力 對識別性能提升貢獻最大，說明捕捉長程依賴關(guān)系在腦紋判別中尤為關(guān)鍵；
• 通道注意力 則在增強特征選擇性與噪聲抑制方面具有顯著效果；
• 兩者結(jié)合可獲得最優(yōu)性能，驗證了通道與空間–時間注意機制的互補性。

1. 與最佳方法比較

在與多種現(xiàn)有 SOTA（State-of-the-Art）腦紋識別方法的對比中（如 DAGN、AITST、MLP、GCN 等），WST-CAA 在 DEAP（99.48%） 和 FACED（97.46%） 兩個數(shù)據(jù)集上均達到或超過最新水平，尤其在大樣本場景下展現(xiàn)出更好的可擴展性與穩(wěn)定性。

1. 實驗結(jié)論

綜上，WST-CAA 框架在腦紋識別實驗中表現(xiàn)出以下優(yōu)勢：

1. 顯著提升識別準確率與泛化能力，在不同規(guī)模的數(shù)據(jù)集上均保持穩(wěn)定性能；
2. 在模型復雜度可控的前提下實現(xiàn)高精度識別，證明了框架設(shè)計的高效性；
3. 通過多模塊協(xié)同（PWST + CAADN）顯著增強特征判別性，驗證了所提方法的有效性與合理性。

該結(jié)果充分說明，WST-CAA 能在噪聲干擾顯著、跨被試特性差異明顯的 EEG 信號條件下，穩(wěn)健地提取身份相關(guān)特征，為高安全性腦紋識別系統(tǒng)的構(gòu)建提供了新思路。

總結(jié)

1. 提出了預處理與小波散射變換模塊（PWST），該模塊將信號去噪與小波散射特征提取深度融合，實現(xiàn)了腦電數(shù)據(jù)的高效預處理與中間特征提取。PWST 能有效抑制生理偽跡干擾，提取高階、低方差且身份相關(guān)的 EEG 特征，從而提升腦紋表征的穩(wěn)健性與穩(wěn)定性。
2. 設(shè)計了通道-軸向注意力密集網(wǎng)絡(luò)（CAADN），用于捕捉腦電信號在通道、空間與時間維度上的內(nèi)在相關(guān)性。該網(wǎng)絡(luò)通過聯(lián)合建模局部依賴與長程特征交互，在保持較低計算復雜度的同時顯著提升特征判別能力，實現(xiàn)了性能與效率的平衡。
3. 基于上述模塊，構(gòu)建了腦紋識別框架 WST-CAA，形成一個雙階段、端到端的腦紋識別系統(tǒng)。該框架充分融合了 PWST 對細粒度信號模式的表征能力與 CAADN 的高層特征建模優(yōu)勢，在多個公開 EEG 數(shù)據(jù)集上均取得了領(lǐng)先的識別精度與泛化性能。

撰稿：朱皓穎；

審核：黃俊端