CN101491441A - 基于脑电信号的身份识别方法 - Google Patents

Abstract

本发明基于脑电信号的身份识别方法属于生物医学工程和信息技术领域，该发明实现了通过采集分析人脑脑电信号实现对个体的身份认证和识别。通过不同的刺激模式训练受试者，让受试者适应不同的刺激模式，产生不同的脑电信号，通过多元特征抽提方法对刺激产生的脑电信号进行分析，抽提出个体的特征信号进行多元分类识别，以确定目标特征，训练过程结束。身份识别时，只需将采集的脑电信号提取出目标特征，进行分类，并与每人的模板相比较，即可确定识别结果。研究结果表明，最高识别率超到90％，平均识别率在85％左右，能够实现个体身份识别和认证。

Description

基于脑电信号的身份识别方法

技术领域

本技术发明属于生物医学工程和信息技术领域。

技术背景：

身份识别及验证是是保证国家公共安全和信息安全的重要前提。在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。传统的身份标识物品(如钥匙、证件、银行卡)等的验证方法；另一类为基于身份标示知识(如用户名、密码等)的验证方法。但是，标示物品容易遗失或假冒，标示知识容易遗忘或破译。生物特征识别技术给这一愿望带来了实现的可能。人们可能会遗忘或丢失他们的卡片或密码，但绝对不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹、脑电波等。因此，基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入我们社会生活的各个领域，迎接新时代的挑战。自20世纪80年代末90年代初，随着信息安全重要性的日益突出，生物特征识别技术研究开始成为一个研究热点。生物特征识别技术(Biometrics)是指通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性(如指纹、人脸、虹膜、脑电波、脉搏等)或行为特征(如笔迹、语音、步态等)来进行个人身份的认证。生物特征识别技术具有不会遗忘、不易伪造或被盗、随身携带和随时随地可用等优点，比传统的身份认证方法更加安全、保密、方便。能够用来鉴定和认证身份的生物特征应该具有普遍性、唯一性、稳定性和可采集性等特点。目前，比较成熟和最具有应用前景的几种生物特征识别技术包括指纹、人脸、人脸温谱图、虹膜、视网膜、手型、声纹以及签名等。其中，虹膜识别和指纹识别被公认为最可靠的两种生物识别技术。

人的任何生理或行为特征只要它满足以下的条件，原则上就可以作为生物特征用于身份鉴别：(1)普遍性，每个人都有；(2)唯一性，每个人都不同；(3)稳定性，在某一段时间是不变的；(4)可采集性，可以方便的定量测量。当然，仅仅满足以上的条件未必可行，实际的系统还应该考虑：(1)性能，即识别的准确性、速度、鲁棒性以及为达到要求所需要的资源；(2)可接受性，人们对这种生物识别的接受程度；(3)可欺骗性，能否通过主观欺诈的方法骗过系统的难易程度。

目前常用的生物识别技术存在这样或那样的问题，例如人脸识别对于双胞胎无能为力；声纹识别容易模仿；指纹识别会受手指受伤的影响，同时也容易盗用。脑电(EEG)信号不仅是一个非常有用的临床诊断工具，而且也是一种很好的用于身份认证的生物特征识别工具。首先，它具备普遍性，每个人都有脑电波；其次由于每个人的大脑特性、思维方式、记忆等不同造成人与人之间存在不同的EEG信号；第三，EEG也具备一定的稳定性，在一定时间内，EEG信号可以保持相对的稳定性，最后，EEG信号便于采集。基于EEG信号的生物识别系统能够达到一定的准确性和较快的速度，并且对人体不会产生任何伤害，人们也能接受。由于EEG信号来源于大脑的思维活动，难以伪造，系统的鲁棒性很高。对人脑的脑电信号研究分析表明，不同个体在不同的脑区会产生不同的神经脉冲反应，根据这种脑电信号不同，可以提取出个体的脑电信号特征，利用设定的分类算法，能使得脑电信号具备个体特异性。基于以上分析，基于脑电的生物身份识别系统是一种新的有应用前景的身份鉴别系统。

发明内容

本发明的目的将采用基于运动想象脑电信号的方法来对受试者进行身份识别，只用与运动想象有关的电极信号进行数据分析，将已研究的有关运动想象脑电的多种信号处理方法结合来提取多元特征，借助神经网络等进行信息的特征组合，从而实现身份的识别。该方法适合身体残疾，视觉缺陷等各类人群，有较好适用性。

本发明包含以下步骤：

步骤1、受试者带上电极帽，原始脑电(EEG)信号是通过64导符合国际脑电图学会标定的10/20法的EEG放大器采集，采样率为250Hz，以左侧乳突为参考电极，带通滤波器通频带为1-50Hz，选取6个电极采集脑电信号(也就是国际脑电图学会标定的10/20国际标准中的C3，C4，P3，P4，O1和O2共6个电极位置)，采集不同运动想象过程的受试者脑电信号。

本发明依照的原理：人的大脑在没有处理感觉输入或没有产生运动输出的时候，大脑中的EEG活动集中在运动皮层为μ波，集中在视觉皮层就表现为β波。实验表明：想象运动或者准备运动都会伴随着μ波和β波型的减小。这个减小叫做事件相关去同步化(ERD)；与此相反，在运动完成并且放松的时候，波形便会增大，这一现象叫事件相关同步化(ERS)。并且，ERD和ERS并不需要产生实际的动作，在运动想象中就会产生，我们选择的6个电极都是与运动想象相关的。

步骤2、在计算机屏幕上根据设定好的刺激程序(提示受试者开始想象运动)，受试者根据实验要求，做出四类不同的运动想象(想象左手运动、右手运动、腿动和舌动)。受试者经过训练，熟悉实验过程。

步骤3、将采集到的脑电信号进行预处理后输入特征提取系统。预处理包括对信号进行公共平均参考，用严格线性相位的FIR滤波器对信号进行8-30Hz滤波。

步骤4、脑电信号特征提取系统，提取每个受试者的脑电信号特征。将步骤3采集的脑电信号按照下列算法提取出特征量。

本发明采用多种方法提取特征量，分别运用自回归系数、相位锁定值、能量谱密度和线性复杂度四种方法共提取特征量66个。

特征量个数的多少与最终识别率、算法复杂程度和识别速率密切相关，特征量越多，识别率可能会越高，但算法会复杂，识别越慢；反之亦然，特征量越少，识别率可能就会越低，但算法简单，识别越快。经过我们反复测试发现，单纯使用以上四种方法的一种也可以实现身份识别，但识别率不够理想，当使用自回归系数和线性复杂度两个方法提取特征进行识别时，识别速度较好且识别率较满意；使用相位锁定值和能量谱密度进行识别时，识别率不理想。而同时使用四种方法并提取66个特征量时，识别率较理想而识别速度也不慢，算法复杂度一般，因而我们选择综合四种方法共提取66个特征量进行学习与识别。我们采集每个受试者在每次想象运动时产生的脑电信号，通过以下算法提取出每个受试者每次运动想象时的66个特征量，每个受试者进行多次尝试，也就是说，我们会获得每个受试者的特征量的集合。我们让受试者尝试40次不同运动想象类型(也就是10次想象向左运动、10次想象向右运动、10次想象腿动、10次想象舌动)，前20次数据我们用于神经网络的学习过程，后20次数据我们用于神经网络的测试过程。

因为每个人对不同运动想象的适应性是不同的，我们在学习过程中让受试者尝试四种不同的运动想象类型，通过学习和测试，我们就能够决定哪一种运动想象类型最适合。例如，当受试者通过学习和测试后，我们发现想象舌动的识别率比其他三种运动想象类型的识别率要高，我们就认为可能这位受试者更适合与想象舌动，在今后的使用中只需想象舌动即可，无需想象其他运动了。

四种方法相对独立，其实之间并没有关联，也没有生理依据，只是我们希望能够中脑电信号中找到相关性所采用的方法而已。具体算法如下：

1、自回归系数

Burg算法直接从数据EEG中计算自回归系统，具体递推公式下：

初始预测误差：

e_on＝b_on＝x_n    n＝0，1，...，N-1(1)

反射系数：

$a_{\mathrm{kk}}=\frac{-2\underset{n=k}{\overset{N-1}{\mathrm{\Σ}}}{b}_{k-1,n-1}^{*}{e}_{k-1,n}}{\underset{n=k}{\overset{N-1}{\mathrm{\Σ}}}{\left|b_{k-1,n-1}\right|}^2+{\left|e_{k-1,n}\right|}^2},k=\mathrm{1,2},...,p---\left(2\right)$

$a_{\mathrm{ki}}=a_{k-1,i}+a_{\mathrm{kk}}{a}_{k-1,k-i}^{*},i=\mathrm{1,2},...,k-1---\left(3\right)$

${\mathrm{\σ}}_k^2=(1-{\left|a_{\mathrm{kk}}\right|}^2){\mathrm{\σ}}_{k-1}^2$

预测误差：

e_kn＝e_k-1，n+a_kkb_k-1，n-1

$b_{\mathrm{kn}}=b_{k-1,n-1}+a_{\mathrm{kk}}^{*}{e}_{k-1,n}---\left(4\right)$

求得a_p1，a_p2，...，a_pp和σ_p ²以后，按下式计算x_n的功率谱密度

$P\left(f\right)=\frac{{\mathrm{\σ}}_p^2\mathrm{\Δt}}{{|1+\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}{e}^{-j2\mathrm{\πfk\Δt}}|}^2}---\left(5\right)$

在本研究特征提取中，我们选择系数a作为特征量，通常在其它研究中也建议对于脑电信号系数阶数取6阶，每个电极采集的数据有6个特征量，6个电极共有36个特征量。

2、相位锁定值

两个信号同步的量度是锁相值PLV(phase locking value)，此方法仅考虑此信号的相位。

PLV＝|<exp(j{Φ_i(t)-Φ_j(t)})>|       (6)

这里，Φ_i(t)，Φ_j(t)是电极i，j的瞬时相位。这相位的计算可以通过Hilbert变换或复Gabor小波变换。研究证明Gabor小波变换及Hilbert变换的计算信号同步方面没什么差别，在这里采用Hilbert变换，具体描述如下：

$x_i^{\%}\left(t\right)=\frac{1}{\mathrm{\&pi;}}\mathrm{PV}{\&Integral;}_{-\&infin;}^{\&infin;}\frac{x_i\left(\mathrm{\&tau;}\right)}{t-\mathrm{\&tau;}}\mathrm{d\&tau;}---\left(7\right)$

在上式定义中， ${\mathrm{\&Phi;}}_i\left(t\right)=\arctan \frac{x_i^{\%}\left(t\right)}{x_i\left(t\right)}$ 是时间序列x_i(t)的Hilbert变换(在这里是指EEG信号)，PV是指柯西主值^[18，19]。然后这相位可按如下计算：

${\mathrm{\&Phi;}}_i\left(t\right)=\arctan \frac{x_i^{\%}\left(t\right)}{x_i\left(t\right)}---\left(8\right)$

在本发明中，我们选择的六个电极，左、右各三个电极进行两两配对，并对每个配对电极进行相位的锁相值计算，总共9个相锁定值作为特征量。

3、能量谱密度

能量谱密度描述信号能量，如果x(t)是有限能量信号，这个信号谱密度Φ(ω)是信号傅立叶变换的量值的平方，计算如下：

$\mathrm{\&Phi;}\left(\mathrm{\&omega;}\right)={\left|\frac{1}{\sqrt{2\mathrm{\&pi;}}}{\&Integral;}_{-\&infin;}^{\&infin;}x\left(t\right)e^{-\mathrm{j\&omega;t}}\mathrm{dt}\right|}^2=\frac{X\left(\mathrm{\&omega;}\right)X^{*}\left(\mathrm{\&omega;}\right)}{2\mathrm{\&pi;}}$

其中X(ω)是x(t)的傅立叶变换，X^*(ω)是它的复共轭。

采集的六个电极信号分成8-13Hz，14-20Hz，21-30Hz不同波段进行能量谱密度计算，能量谱密度则有18个特征量。

4、线性复杂度

对于确实的L个电极导联信号，那么线性复杂度的定义为：

$\mathrm{\&Omega;}=\exp (-\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i\log {\mathrm{\&xi;}}_i)---\left(9\right)$

其中ξ_i＝λ_i/∑_iλ_i，L×n矩阵协方差矩阵为

$C=\frac{1}{n}\underset{k}{\mathrm{\&Sigma;}}{u}_k{u}_k^T,k=\mathrm{1,2},...L---\left(10\right)$

那么λ_i是协方差矩阵C的特征值^[20]。

对频带范围8-13Hz，14-20Hz，21-30Hz波段进行非线性复杂度运算，计算后有3个特征量。

我们把以上四种方法综合起来，同时使用，则共有66个特征量。

步骤5、我们使用BP神经网络进行分类学习与测试。BP(Back Propagation)神经网络是一种神经网络学习算法，是基于误差反向传播算法的人工神经网络。BP神经网络输入层共66个单元，隐含层10个单元，输出层1个单元。将上述66个特征量作为BP神经网络的输入层，把每个受试者每次运动想象的脑电信号通过步骤4提取出的特征量输入到输入层，每个受试者学习过程有20个数据(四种运动想象类型各5个)，通过学习过程我们确定了神经网络的各项参数。测试过程也有20个数据，通过测试过程，我们可以确定识别率最高的适合该受试者的运动想象类型。

步骤6、将未知的脑电数据输入神经网络进行识别和认证。受试者通过上述步骤1-5后，确定了BP神经网络结构和适合他(她)的运动想象类型，此时就可以进行识别和认证了。受试者戴上电极帽，按照步骤2开始运动想象(只需步骤5中确定的最适合的一种运动想象类型)，采集脑电信号，预处理后，按照步骤4介绍的算法提取66个特征量，将提取的特征量输入到步骤5确定的神经网络中。如果是识别，则神经网络输出受试者的编码；如果是认证，则神经网络输出则改为是否该受试者(0或1)。识别指的是从若干个受试者中选择这段脑电信号是哪一个受试者的；而认证过程则为确定这段脑电信号是否是某位受试者的，前者是选择题，而后者是判断题。

本发明使用的是脑电信号，是对脑电信号进行信息特征提取，使用的方法是通过大脑想象各种不同的运动方式，对其进行特征提取和分类，从而实现通过脑电信号对个体身份进行识别或认证的过程。把脑电信号作为身份识别，提供一种新型的密码系统，既能解决某些残疾人不能完成日常身份识别的问题，也可以用于在对身份识别有较高要求的场合。

目前国外的一些研究主要以视觉刺激或肌电作为特征源，本研究以运动想象脑电信号作为身份识别，能适合残疾等各种人群，有较好的适应性。在方法上，没有用单一的信号处理方法进行分析，而采用当前提取脑电信号特征的多种信号处理方法，特征由自回归系数、能量谱密度、相同步、线性复杂度等组成。从分析中得出，运动想象的自回归系统和线性复杂度的贡献率最大，基本反应了个体脑电差异性，最高识别率达到80％。而相同步、功率谱特征也很好的补充了身份脑电识别的准备率，从结果可以看出，最高识别率超到90％，平均识别率在85％，识别率较国外的其它方法高出5-10个百分点。

本方法的创新点有：

1、采用脑电信号作为身份识别的输入信号，不同于以往的指纹、虹膜等。

2、采集了基于运动想象的脑电信号，也就是受试者在想象四种运动时所产生的脑电信号，当然也适用于其他脑电信号(比如视觉诱发电位、事件诱发电位等)。

3、采用了多元特征提取方法(具体如前所示)对脑电信号进行信息提取。

4、同时实现了识别和认证功能。识别指的是从若干个人的脑电信号中判断是谁的脑电信号，而认证指的是判断某一脑电信号是否是目标者的脑电信号。

5、通过不同受试者的特点，自动选择适合受试者的运动想象类型。

附图说明

图1电极的选取

图2基于脑电信号的身份识别系统特征提取流程图

图3基于脑电信号的身份识别流程图

具体实施方式

本发明方法，在脑电信号身份识别系统中，用来实现对个体身份的识别，按附图1、2、3。可以通过下列步骤实现：

1、对受试者进行训练，通过刺激模式训练，采集不同运动想象过程的受试者脑电信号特征，采集根据64导符合10/20国际标准下6个电极的信号；具体电极位置如图1所示。

2、将采集到的脑电信号进行预处理(具体如前所示)后输入特征提取系统。

3、脑电信号特征提取系统，按照图2所示的流程提取每个受试者的脑电信号特征，通过BP神经网络学习和识别，确定神经网络结构和运动想象类型，训练过程结束。

4、根据3确定的神经网络结构和运动想象类型，按照图3所示的流程对每个受试者的身份进行识别和认证。

目前国外的一些研究主要以视觉刺激或肌电作为特征源，本研究以运动想象脑电信号作为身份识别，能适合残疾等各种人群，有较好的适应性。在方法上，没有用单一的信号处理方法进行分析，而采用当前提取脑电信号特征的多种信号处理方法，特征由自回归系数、能量谱密度、相同步、线性复杂度等组成。从结果可以看出，最高识别率超到90％，平均识别率在85％，识别率较国外的其它方法高出5-10个百分点。

Claims (5)

1、一种基于脑电信号的身份识别方法，其特征在于：本发明包含以下步骤：

步骤1、受试者带上电极帽，原始脑电信号是通过64导符合国际脑电图学会标定的10/20法的EEG放大器采集，采样率为250Hz，以左侧乳突为参考电极，带通滤波器通频带为1-50Hz，选取国际脑电图学会标定的10/20国际标准中的C3，C4，P3，P4，O1和O2共6个电极位置，采集不同运动想象过程的受试者脑电信号；

步骤2、将采集到的脑电信号进行预处理后输入特征提取系统，预处理包括对信号进行公共平均参考，用严格线性相位的FIR滤波器对信号进行8-30Hz滤波；

步骤3、脑电信号特征提取系统，提取每个受试者的脑电信号特征，将步骤2采集的脑电信号按照下列算法提取出特征量；

步骤4、我们使用BP神经网络进行分类学习与测试，基于误差反向传播算法的人工神经网络来确定适合该受试者的运动想象类型；

步骤5、将未知的脑电数据输入神经网络进行识别和认证。

2、一种如权利要求1所述基于脑电信号的身份识别方法，其特征在于：所述步骤2采集的脑电信号按照B urg算法直接从数据EEG中计算自回归系统，我们选择系数a作为特征量，对于脑电信号系数阶数取6阶，每个电极采集的数据有6个特征量，6个电极共有36个特征量。

3、一种如权利要求1所述基于脑电信号的身份识别方法，其特征在于：所述步骤2采集的脑电信号按照下列算法提取出特征量

(1)B urg算法直接从数据原始脑电中计算自回归系统，我们选择系数a作为特征量，通常在其它研究中也建议对于脑电信号系数阶数取6阶，每个电极采集的数据有6个特征量，6个电极共有36个特征量，

(2)对频带范围8-13Hz，14-20Hz，21-30Hz波段进行非线性复杂度运算，计算后有3个特征量。

同时使用上述两种方法共提取39个特征量。

4、一种如权利要求1所述基于脑电信号的身份识别方法，其特征在于：步骤2采集的脑电信号按照下列算法提取出特征量

(1)我们选择的六个电极，左、右各三个电极进行两两配对，并对每个配对电极进行相位的锁相值计算，总共9个相锁定值作为特征量

(2)采集的六个电极信号分成8-13Hz，14-20Hz，21-30Hz不同波段进行能量谱密度计算，能量谱密度则有18个特征量；

同时使用上述两种方法共提取27个特征量。

5、一种如权利要求1所述基于脑电信号的身份识别方法，其特征在于：步骤2采集的脑电信号按照下列算法提取出特征量

(1)B urg算法直接从数据EEG中计算自回归系统，我们选择系数a作为特征量，通常在其它研究中也建议对于脑电信号系数阶数取6阶，每个电极采集的数据有6个特征量，6个电极共有36个特征量。

(2)我们选择的六个电极，左、右各三个电极进行两两配对，并对每个配对电极进行相位的锁相值计算，总共9个相锁定值作为特征量

(3)采集的六个电极信号分成8-13Hz，14-20Hz，21-30Hz不同波段进行能量谱密度计算，能量谱密度则有18个特征量

(4)对频带范围8-13Hz，14-20Hz，21-30Hz波段进行非线性复杂度运算，计算后有3个特征量

同时使用上述四种方法并提取66个特征量。

Images