基于脑电信号（EEG）的生物识别技术，通常被形象地称为“脑纹识别”，与指纹、人脸等传统生物特征相比，具有独特的优势。传统生物特征一旦泄露，便面临永久性安全风险，而“脑纹识别”则具备可更新的潜力，能够为用户提供更高的长期安全性。然而，部分数据采集范式的识别精度高度依赖于采集时长。例如，静息态脑电为了保证识别结果的准确性，通常需要记录超过60秒的数据，这在快速验证场景下存在一定的局限性。相比之下，视觉诱发电位（VEP）范式凭借其较高的信噪比（SNR），仅需数秒即可实现高精度身份识别，特别适用于快速验证场景。
尽管VEP范式在采集效率上具有显著优势，但它依然面临脑电信号固有的核心挑战——非平稳性（non-stationarity）。这种不稳定性源于多种随时间变化的因素，包括用户生理及心理状态的波动、电极位置的细微偏移以及环境条件的改变等。在跨时段（Cross-Session）应用中，这些因素导致能够表征个体身份的神经模式难以稳定提取，从而削弱了脑电特征的身份可判别性，导致识别性能的显著下降。
针对基于VEP的跨时段“脑纹识别”中，如何提取稳定的身份表征这一关键问题，杭州电子科技大学孔万增教授团队近期提出了两种新型深度网络架构。这两种方法从不同角度入手：一种通过空间与通道双重优化，提升基准网络提取特征的判别力和鲁棒性（DARN）；另一种则利用对数变换放大特征差异，并结合多层级自适应归一化，确保跨时段分布稳定性（DRFNet）。两者均显著提升了脑电身份表征的稳定性和判别性，为构建高鲁棒脑纹识别系统提供了创新路径。
研究内容概述
DARN包括两个关键模块：空间特征优化单元（SFRU）从全局角度优化显著性特征，通道间优化单元（ICRU）则从局部视角建模不同通道间的依赖关系，二者协同作用，弥补了单一维度优化的局限性，显著增强了脑电特征的身份判别性与鲁棒性。
空间特征优化单元 (SFRU - Spatial Feature Refinement Unit)
SFRU聚焦于“哪里”（Where）能找到最具判别性的信息。它将所有通道的特征图视为统一整体，沿空间维度操作。该模块使用层归一化（Layer Normalization）统计并重新加权特征分布。随后，基于自注意力机制评估关键的空间位置，选择性的强化对身份表征贡献最大的区域。
通道间优化单元 (ICRU - Inter-channel Refinement Unit)
如果说SFRU关注的是空间上的“位置”，那么ICRU则聚焦于“哪一种(Which)”特征模式更具判别力。在深度学习模型中，初始卷积层（即Backbone）会提取一系列特征图，其中每个通道可以理解为一个滤波器学习到的特定神经模式。ICRU的目标就是优化这些已学习到的模式之间的关系。它将所有通道分入若干子组，在组内通过注意力机制计算每个通道的重要性得分并归一化。通过这种方式，ICRU能够选择性地强调信息量最大的通道组合，同时抑制相对次要或冗余的通道，让网络聚焦于对身份判别最稳定有效的特征组合，提升模型的判别能力。
图1所提出的双重注意力优化网络(DARN) 架构。
文章链接：https://ieeexplore.ieee.org/document/11075887。
源码：https://github.com/Ultramua/DARN。
如图所示，DARN包括两个协同工作的单元：空间特征优化单元 (Spatial Feature Refinement Unit，SFRU) 和通道间优化单元 (Inter-Channel Refinement Unit，ICRU)。图中缩写说明：CA指通道注意力，LN指层归一化，PWC指逐点卷积，DWC指逐深度卷积，GN指组归一化。在SFRU部分(上图) ：浅蓝色区域表示基于统计特征分布分析的重加权操作；浅红色区域表示使用CA进行跨所有通道的“全局空间显著性优化”的重构操作。在ICRU部分 (下图) ：浅蓝色区域对应分组操作；浅红色区域代表使用DWC和PWC在组内进行“局部通道贡献度优化”的重构阶段。
通过SFRU与ICRU的双维协同，DARN可以学习到判别性强、鲁棒的身份表征。实验在两个公开SSVEP数据集（30人和54人）上显示，跨时段识别准确率分别为93.83%（6秒时长）和84.55%（4秒时长），显著优于现有方法。更重要的是，SFRU和ICRU采用模块化、即插即用设计。团队将其集成到经典脑电解码模型（如EEGNet、DeepConvNet、TSception）中，均能实现性能提升。该成果《DARN: A Dual Attention Refinement Network for Enhancing Feature Robustness in VEP-Based EEG Biometrics》近期被信息安全顶级期刊IEEE Transactions on Information Forensics and Security（IEEE TIFS，中科院SCI一区TOP）录用。作者：刘鸿刚，杨韩，刘栋军，仪航捷，何秉峰，彭勇，孔万增（通讯作者）。
DRFNet采用另一种策略，通过对数变换与自适应分层归一化，提升特征身份判别性和跨时段鲁棒性。
对数功率变换 (Log-Power Transformation) —— 增强个体差异
为了使不同个体间的脑电特征差异更加显著，DRFNet 首先设计了一个对数功率变换模块。该模块通过对VEP特征进行信号平方和对数缩放，以非线性的方式放大脑电能量模式中的个体化差异。这一步骤旨在捕捉并强化身份的独特性，为后续的分类任务提供更具判别力的输入特征。
分层归一化策略 (Hierarchical Normalization) —— 稳定特征分布
该策略在样本内的每一个特征图、整个批次和整个样本三个层级上进行归一化处理。与传统归一化不同，该策略在每个层级都集成了可学习的预校准（Pre-calibration）和后校准（Post-calibration）操作。预校准旨在通过学习参数来强化有助于提高判别性的特征，而后校准则通过重新缩放输出来约束其强度，从而创建对跨时段变化更鲁棒的稳定特征分布。
图2所提出的判别性鲁棒特征网络（DRFNet）架构。
文章链接：https://ieeexplore.ieee.org/document/11145752
源码：https://github.com/Ultramua/DRFNet.git
如图所示，DRFNet首先通过一个时空特征提取器处理原始脑电信号，随后将特征送入一个由两大核心组件构成的处理模块：1）对数功率变换(Log-Power Transformation): 该组件通过信号平方、平均池化和对数缩放等操作，捕捉信号中的非线性能量模式，旨在放大个体间的特征差异。2）分层归一化(Hierarchical Normalization): 一种自适应地稳定特征分布的策略，包含三个层级：自适应实例归一化 (AIN)、自适应批次归一化 (ABN) 和自适应层归一化 (ALN)。如图所示，经过特征提取器之后，分别经过对数功率变换和AIN模块，其输出被拼接（concatenate）后，再依次通过ABN和ALN层。每个自适应模块都使用了可学习的预校准权重和后校准sigmoid门控。
在两个相同的SSVEP数据集上，DRFNet的识别准确率也达到了92.92%（6秒识别时长）和86.30%（4秒识别时长）。此外，该研究还系统地探究了多频带滤波（Filter Bank）和电极选择策略的影响，研究结果表明：采用分组处理的多频带策略能进一步提升性能，并且仅使用顶枕区约20个电极即可达到甚至超越全脑电极的效果。这为未来开发轻量化、高效率的脑电识别系统提供了宝贵的实证依据。该成果《DRFNet: Enhancing Identity Discriminability and Feature Robustness for Cross-Session VEP-Based EEG Biometrics》近期发表于生物医学工程领域的权威期刊 IEEE Journal of Biomedical and Health Informatics (简称JBHI, 中科院SCI二区TOP)。作者：刘鸿刚，杨韩，刘栋军，金宣妤，彭勇，孔万增（通讯作者）。
总结与展望
DARN与DRFNet针对VEP脑纹识别的跨时段挑战，均在特征层面提出了解决思路，但两者思路各异：DARN侧重于优化特征间的结构关系（空间与通道），而DRFNet则着眼于调整特征值自身的属性与分布。这些方法的核心贡献不仅在于实现了业界领先的识别精度，更在于其“免校准”的实用特性：模型在初次训练后无需针对新数据进行重新校准或训练，极大地提升了系统的部署效率与可扩展性。这一技术突破，正推动着稳定可靠的“脑纹识别”技术加速从实验室走向产业化，为高安全访问控制、智能驾驶员身份验证、个性化医疗等前沿应用开启了新的可能性。
通讯作者简介：孔万增，博士，杭州电子科技大学二级教授，脑机协同智能技术（科技部）国际联合研究中心副主任，浙江省脑机协同智能重点实验室主任，校党委委员、组织部部长，入选2023、2024年度全球前2%顶尖科学家榜单，谷歌学术引用超5400次，省万人计划科技创新领军人才。长期从事人工智能与模式识别、嵌入式可穿戴计算、脑机交互与认知计算等方面的工作。
（本文仅用于学术分享，详细内容请参照原论文）
仅用于学术分享，若侵权请留言，即时删侵！
欢迎加入脑机接口AI星球
获取更多脑机接口+AI等领域的知识和资源。
加群交流、商业合作请添加微信:RoseBCI【备注：姓名+行业/专业】。
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
点击投稿：脑机接口社区学术新闻投稿指南
2.加入社区成为兼职创作者，请联系微信：RoseBCI
一键三连「分享」、「点赞」和「在看」
不错过每一条脑机前沿进展
