在脑电生物识别中平衡降噪与神经特征保留

为何你的脑电波可能成为下一个密码

想象一下，不是用指纹或面部扫描，而是用你大脑的独特节律解锁手机、银行账户，甚至是受限实验室。本研究探讨了如何利用脑电图（EEG）——头皮上测得的微弱电信号——作为识别个体的强力生物识别特征。作者们解决了一个关键的现实问题：如何清理这些高度嘈杂的脑信号，同时不抹除那些使每个人脑活动独特的细微模式。

脑电识别的潜力与难题

与常见的生物识别方式相比，EEG 有若干优势。不同于面部或指纹，脑活动难以伪造，不能在未经配合的情况下远程捕获，而且在受胁迫时会发生变化，这使其在高安全性场景中具有吸引力。但 EEG 也很杂乱。眨眼、咬牙、肌肉紧张、移动以及环境电干扰都会与真实的脑信号混合。传统的清理方法常常假设是在平静的实验室条件下，可能会非常严格，丢弃看起来可疑的通道或整段记录。在实际应用中使用消费级头戴设备时，这种严格可能适得其反，用数学估算替代大量真实脑活动，并可能抹去用于识别个人的“脑纹理”。

一种更温和的脑信号清理方法

研究人员提出了一个端到端的流程，旨在在降噪与保留个体神经特征之间取得平衡。基于包含 21 名志愿者多次会话与多种任务的 Brain Encoding 数据集，他们比较了三种数据版本：完全原始记录、用修改且更宽松的标准预处理流程（称为 PREP）的清理信号，以及数据集中附带的一组专家设计特征。他们的宽松清理策略包含若干步骤——人工剔除明显的硬件故障、温和滤波以去除低频漂移和工频噪声、谨慎检测并修复坏通道、以及将信号重新相对于总体平均值参考——并对任一记录可被重建而非测量的部分设上上限，从而确保保留足够真实的脑活动以便识别。

将脑电波转化为可识别的模式

为了公平比较这些数据版本，团队从每种数据中提取了相同类型的特征：称为梅尔频率倒谱系数（MFCCs）的紧凑频谱描述，这种方法在语音识别中被广泛使用。这些特征概括了从慢速、昏昏欲睡的节律到更快的、与注意力相关的活动在所有 14 个 EEG 通道上的能量分布。得到的特征向量随后被送入若干标准机器学习模型，包括决策树、随机森林、支持向量机和一种称为 XGBoost 的算法，既单独使用也以组合投票的集成方式使用。目标很直接：给定一小段 EEG，预测它来自 21 人中的哪一位。

我们能识别一段大脑活动有多准确？

在单次记录会话内，结果令人瞩目。使用宽松清理的数据，XGBoost 在特定的视觉刺激条件下识别个体的准确率高达 98%，该条件下志愿者观看以 10 赫兹快速闪烁、色彩丰富的图案。平均而言，这种谨慎的清理比原始信号将准确率提升约 5%，比专家提供的特征提升超过 8%，且这些提升具有统计学可靠性。闭眼静息也表现为另一个强效条件，在更简单的指令下即可提供较高准确率。当团队测试跨不同天或会话的鲁棒性——这是更具挑战性的情形——表现下降，反映了大脑状态与传感器放置的日常变化。即便如此，宽松清理的数据仍优于原始和传统处理的数据，且闭眼静息在随时间保持身份稳定性方面最为突出。

这对未来脑电波安全意味着什么

对非专业读者而言，结论是：你的大脑电活动确实可以像密码一样工作，但前提是我们对数据的处理要谨慎。该研究表明，温和地清理 EEG 信号——移除最严重的噪声而不过度校正——能为机器学习系统提供更清晰、更可靠的个体差异图景。研究还指出了哪类情境效果最佳：丰富、有节律的视觉闪烁可实现同会话内的极高准确率，而安静的闭眼静息则有助于跨天的稳定识别。尽管跨日表现尚不足以单独用于高风险安全场景，这项工作为使用廉价头戴设备的未来 EEG 认证系统提供了实用的设计指南，从如何清理数据到应让用户执行哪些任务。

引用: Usman, M., Sultan, N., Nasim, A. et al. Balancing noise reduction and neural signature preservation in EEG biometrics. Sci Rep 16, 6674 (2026). https://doi.org/10.1038/s41598-026-36840-4

关键词: 脑电生物识别, 脑电波认证, 信号预处理, 机器学习, 神经特征