近日，杭州电子科技大学计算机学院全省脑机协同智能技术及应用重点实验室硕士研究生唐静作为第一作者，在生物医学信息学领域国际顶级期刊《IEEE Journal of Biomedical and Health Informatics》（简称JBHI）上发表了一篇题为“MPAN: A Multi-Prototype Adaptive Network for Few-Shot EEG-based Biometric Recognition”的论文。该研究针对脑电（EEG）生物识别中新用户数据稀缺、模型泛化性差的瓶颈问题，创新性地提出了一种多原型自适应网络（MPAN），实现了在极少量样本下对新用户的快速、精准识别。论文共同作者包括博士研究生刘鸿刚、金宣妤，硕士研究生单栩超，通讯作者为全省脑机协同智能技术及应用重点实验室主任即该文研究生导师孔万增教授。
MPAN算法主要实现思路
该论文提出的MPAN框架主要分为双路径预训练与多原型自适应元学习两个核心阶段，旨在从复杂的脑电信号中提取最具辨识度的身份特征。
图1. 双路预训练网络架构图
1. 双路径预训练网络（DPPN）：构建稳健的特征空间
在预训练阶段，算法通过一个双路径结构（包含全局和局部度量子网）对EEG信号进行多维特征提取。为了增强特征的判别力，研究引入了监督对比损失（Supervised Contrastive Loss），使同类样本在特征空间中靠拢，异类样本远离。同时，通过互蒸馏损失（Mutual Distillation Loss）促进全局和局部路径间的信息共享与互补，从而为后续的小样本学习奠定坚实的表征基础。
2. 多原型自适应网络（MPAN）：实现精准的身份对齐
在元学习阶段，MPAN 针对小样本场景下的“原型偏差”问题进行了优化。算法首先从支持集中提取全局原型和局部原型，并利用多原型融合模块（Multi-prototype Fusion Module），根据特征的重要性自适应地整合这两类原型信息，生成一个更具代表性的“自适应原型”。最后，通过计算查询样本与该自适应原型之间的余弦距离完成分类，有效地捕捉了脑电信号中细微的个体差异。
图2. 元学习阶段多原型自适应网络（MPAN）架构图
实验结果表明，MPAN在两个公开脑电数据集上均表现卓越，在16分类5样本（16-way 5-shot）设置下，识别准确率分别达到了 91.86% 和 94.37%，显著优于现有的前沿算法。该研究不仅推动了小样本学习在脑电识别中的应用，也为未来构建更具扩展性和实用性的脑机接口身份认证系统提供了有力支撑。