CN101703405A - 基于小波分析和Welch算法的身份识别方法 - Google Patents
基于小波分析和Welch算法的身份识别方法 Download PDFInfo
- Publication number
- CN101703405A CN101703405A CN200910186458A CN200910186458A CN101703405A CN 101703405 A CN101703405 A CN 101703405A CN 200910186458 A CN200910186458 A CN 200910186458A CN 200910186458 A CN200910186458 A CN 200910186458A CN 101703405 A CN101703405 A CN 101703405A
- Authority
- CN
- China
- Prior art keywords
- eeg
- eeg signals
- experimenter
- signal
- wavelet analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明属于生物医学工程种神经工程学技术领域,一种基于小波分析和Welch算法的身份识别方法,包括以下步骤:刺激程序是按照某种想法用编程语言实现,并且要预先调试好、脑电信号采集:选取6个电极采集脑电信号,采集不同运动想象过程的受试者脑电信号、脑电信号预处理:脑电信号特征提取:脑电信号特征提取系统,提取每个受试者的脑电信号特征,主要是应用小波分析和Welch算法来对受试者进行特征提取,将未知的脑电数据输入神经网络进行识别和认证。本发明适合身体残疾,视觉缺陷等各类人群,有较好适用性。
Description
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:
在当今信息化时代,如何准确鉴定一个人的身份、保护信息安全,已成为一个必须解决的关键社会问题。传统的身份认证由于极易伪造和丢失,越来越难以满足社会的需求,目前最为便捷与安全的解决方案无疑就是生物识别技术。它不但简洁快速,而且利用它进行身份的认定,安全、可靠、准确。同时更易于配合电脑和安全、监控、管理系统整合,实现自动化管理。由于其广阔的应用前景、巨大的社会效益和经济效益,已引起各国的广泛关注和高度重视。每个个体都有唯一的可以测量或可自动识别和验证的生理特性或行为方式,即生物特征。它可划分为生理特征(如指纹、面像、虹膜、掌纹等)和行为特征(如步态、声音、笔迹等)。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。脑电密码技术指利用人体脑电特征进行身份认证的一种技术,以其方便、快捷、安全、可靠等优点成为未来替代钥匙、密码、智能卡等传统技术的最好选择。它具有不易遗忘、防伪性能好、不易伪造或被盗、随身“携带”和随时随地可用等优点。
发明内容
本发明的目的将采用基于小波分析和Welch算法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。
本发明包含以下步骤:
步骤1:受试者的准备:受试者应该在被试的当天应该要保持头发不油腻,如果油腻应该洗头,并且用电吹风把头发吹干。
步骤2:刺激程序的准备:刺激程序是用编程语言实现,并且要预先调试好。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:脑电信号采集: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,这6个电极位置也就是国际脑电图学会标定的10/20国际标准中的C3,C4,P3,P4,01和02共6个电极位置,采集四类不同的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4:脑电信号预处理: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5:特征提取: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采集的脑电信号步骤4滤波后按照下列算法提取出特征量。
本发明采用小波变换和Welch算法方法提取特征量为54个,这54个特征量由小波变换提取的36个特征量(由6个电极,6个特征参数也就是小波变换成5层加上基层组成)和Welch算法提取的18个特征量(由6个电极,3个特征分别是矩形窗、海明窗和blackman窗所描述的参数组成)。
传统的信噪分离只能得到某一频段的信息,而采用多分辨率分析和小波分析的方法,相当于同时采用多个滤波器得到不同频段的信息,并同时保留了信息的时间特性。因此,在了解所需要的频带的情况下,通过小波分析,只保留所需要频带的小波分析结果,将其它频带结果置零,然后重新合成信号,就可以达到保留有用信号,消除无用信号的目的。
对采集信号进行小波分解,分别提取最后一层从低频到高频频率成分的信号特征。若(0,0)表示原始信号,(i,0)表示小波分解的第i层的起始结点,用(i,φ)表示第i层第φ个结点,其中i=0,1,2,3,…;φ=0,1,2,3,…。以分解4层为例,提取S4j(j=0,1,…15)16个频率成分代表的频率范围,采用下式求各频段信号能量:
式中,xjk表示重构信号s4φ的离散点的幅值。
Welch算法基本思想就是把一长度为N的数据x(n)(0≤n≤N-1)分成L段,每段的长度都是M,分别求出每一段的功率谱,然后加以平均,从而改进方差特性。
式中,
则平均后的功率谱如式(2)所示
特征提取之前,对信号进行公共平均参考后预处理后,用严格线性相位的FIR滤波器对信号进行8-30Hz滤波,然后再对频带范围8-13Hz,14-20Hz,21-30Hz波段进行Welch算法和小波分解,计算后有54个特征向量,这54个特征量由小波变换提取的36个特征量(由6个电极,6个特征参数组成)和Welch算法提取的18个特征量(由6个电极,3个特征参数组成).
步骤6:BP神经网络学习与测试:BP神经网络输入层共54个单元也就是步骤5中的54个特征,隐含层8-20个单元,输出层1个单元。然后将步骤5提取的54个特征向量作为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5提取出的特征向量输入到输入层,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。其训练流程如图3所示。
步骤7:识别和认证:受试者通过上述步骤1-6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6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5介绍的算法提取54个特征量,这54个特征量由小波变换提取的36个特征量(由6个电极,每电极6个特征参数组成)和Welch算法提取的18个特征量(由6个电极,3个特征参数组成),将提取的特征量输入到步骤6确定的神经网络中,用MATLAB7.0程序进行识别.
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。
Welch算法求取随机信号的功率谱密度估计的,把采样数据分段进行估计能减小周期图的方差,从而改进功率谱估计的分辨率。小波分析是一种信号的时间一尺度分析方法,它具有多分辨率分析的特点,而且在时域频域都具有表征信号局部特征的能力,是一种窗口大小固定不变但其形状可改变,时间窗和频率窗都可以改变的时频局部化分析方法。脑电信号是一种典型的非平稳随机信号,且存在一定的非高斯性和非线性。传统的分析处理方法是将脑电信号近似看作线性、准平稳、高斯分布的随机信号,这使得分析结果往往不能令人满意,实用性较差。现代的小波分析方法的提出,为有效地分析脑电信号提供了新的途径。在本研究中,将采用基于小波分析身份识别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。根据前期的研究成果,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,从而实现脑电密码的计算。该方法适合身体残疾,视觉缺陷等各类人群,有较好适用性。
本方法的创新点有:
1、采用EEG作为身份识别的输入信号,不同于以往的生理识别如指纹、虹膜等。
2、采用了小波分析的特征提取方法(具体如前所示)对脑电信号进行信息提取。
3、不同时间窗和特定频段下EEG的小波分析。
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为本发明电极的位置图
图2为基于小波变换的身份识别系统特征提取流程图
图3为神经网络样本训练流程图
图4为基于小波变换的身份识别流程图
具体实施方式
从若干个受试者中选择这段脑电信号识别出是哪一个受试者的。本发明具体实施方式
按附图1、2、3、4。可以包括过以下方法:
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,按图3所示的流程训练神经网络。
4、按照图4所示的流程对每个受试者的身份进行识别和认证。
具体包括以下步骤:
步骤1:受试者的准备:受试者应该在被试的当天应该要保持头发不油腻,如果油腻应该洗头,并且用电吹风把头发吹干。
步骤2:刺激程序的准备:刺激程序是按照某种想法用编程语言实现,并且要预先调试好。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:脑电信号采集: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,P4,01和02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4:脑电信号预处理: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5:特征提取: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。
本发明采用小波变换和Welch算法方法提取特征量为54个,这54个特征量由小波变换提取的36个特征量,由6个电极,每个电极6个特征参数组成;和Welch算法提取的18个特征量,由6个电极,每个电极3个特征参数组成。将步骤3采集的20个数据我们用于神经网络的学习过程,另20个数据我们用于神经网络的测试过程。
传统的信噪分离只能得到某一频段的信息,而采用多分辨率分析和小波分析的方法,相当于同时采用多个滤波器得到不同频段的信息,并同时保留了信息的时间特性。因此,在了解所需要的频带的情况下,通过小波分析,只保留所需要频带的小波分析结果,将其它频带结果置零,然后重新合成信号,就可以达到保留有用信号,消除无用信号的目的。
对采集信号进行小波分解,分别提取最后一层从低频到高频频率成分的信号特征。若(0,0)表示原始信号,(i,0)表示小波分解的第i层的起始结点,用(i,φ)表示第i层第φ个结点,其中i=0,1,2,3,…;φ=0,1,2,3,…。以分解4层为例,提取S4j(j=0,1,…15)16个频率成分代表的频率范围,采用下式求各频段信号能量:
式中,xjk表示重构信号S4φ的离散点的幅值。
Welch算法基本思想就是把一长度为N的数据x(n)(0≤n≤N-1)分成L段,每段的长度都是M,分别求出每一段的功率谱,然后加以平均,从而改进方差特性。
式中,
则平均后的功率谱如式(2)所示
特征提取之前,对信号进行公共平均参考后预处理后,用严格线性相位的FIR滤波器对信号进行8-30Hz滤波,然后再对频带范围8-13Hz,14-20Hz,21-30Hz波段进行Welch算法和小波分解,计算后有54个特征向量,这54个特征量由小波变换提取的36个特征量(由6个电极,6个特征参数组成)和Welch算法提取的18个特征量(由6个电极,3个特征参数组成)。
步骤6:BP神经网络学习与测试:BP神经网络输入层共54个单元(在神经网络中一般称为单元),隐含层10个单元,输出层1个单元,这一般是根据经验而预设的。然后将步骤5提取的54个特征向量作为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5提取出的特征向量输入到输入层,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。其训练流程如图3所示。
步骤7:受试者通过上述步骤1-6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.受试者戴上电极帽,按照步骤2开始运动想象(只需步骤6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5介绍的算法提取54个特征量,这54个特征量由小波变换提取的36个特征量(由6个电极,6个特征参数组成)和Welch算法提取的18个特征量(由6个电极,3个特征参数组成),将提取的特征量输入到步骤6确定的神经网络中.则神经网络输出受试者的编码.
Claims (2)
1.基于小波分析和Welch算法的身份识别方法,其特征在于:包含以下步骤:
步骤1:受试者的准备:受试者应该在被试的当天应该要保持头发不油腻,如果油腻应该洗头,并把头发吹干;
步骤2:刺激程序的准备:刺激程序是用编程语言实现,并且要预先调试好;
步骤3:脑电信号采集:主要是用受试者带上电极帽,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;
步骤4:脑电信号预处理: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5:脑电信号特征提取:脑电信号特征提取系统,提取每个受试者的脑电信号特征,主要是应用小波分析和Welch算法来对受试者进行特征提取,以获取特征向量;
步骤6:脑电信号的识别:将未知的脑电数据输入神经网络进行识别,神经网络输出是否该受试者脑电数据。
2.如权利要求1所述基于小波分析和Welch算法的身份识别方法,其特征在于:所述步骤5脑电信号特征提取包括有以下步骤
步骤1、被试者带上电极帽,涂好脑电膏,设置参考电极,打开采集软件,查看电极连接是否完好。
步骤2、打开计算机预先设置好的刺激程序,被试者根据试验要求,做出不同的想象,用采集软件对脑电进行采集。
步骤3、将采集到脑电信号进行预处理,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、运用小波分析和Welch算法的信号处理方法对脑电信号进行特征提取;并通过分类算法对脑电信号进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910186458A CN101703405A (zh) | 2009-11-09 | 2009-11-09 | 基于小波分析和Welch算法的身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910186458A CN101703405A (zh) | 2009-11-09 | 2009-11-09 | 基于小波分析和Welch算法的身份识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101703405A true CN101703405A (zh) | 2010-05-12 |
Family
ID=42373710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910186458A Pending CN101703405A (zh) | 2009-11-09 | 2009-11-09 | 基于小波分析和Welch算法的身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101703405A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828921A (zh) * | 2010-06-13 | 2010-09-15 | 天津大学 | 基于视觉诱发脑电vep的身份识别方法 |
CN102755162A (zh) * | 2012-06-14 | 2012-10-31 | 天津大学 | 一种基于视听认知事件相关脑电的身份识别方法 |
CN104035563A (zh) * | 2014-06-19 | 2014-09-10 | 北京工业大学 | 基于w-pca和无监督ghsom的脑电信号识别方法 |
CN104485102A (zh) * | 2014-12-23 | 2015-04-01 | 智慧眼(湖南)科技发展有限公司 | 声纹识别方法和装置 |
CN106020472A (zh) * | 2016-05-13 | 2016-10-12 | 天津理工大学 | 一种基于下肢不同抬起幅度运动想象的脑机接口系统 |
CN108564011A (zh) * | 2017-08-01 | 2018-09-21 | 南京邮电大学 | 一种基于脑电快速语音呈现范式的身份识别方法 |
CN109171753A (zh) * | 2018-08-16 | 2019-01-11 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg身份识别方法 |
CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
RU2781622C1 (ru) * | 2022-06-14 | 2022-10-17 | Федеральное государственное бюджетное учреждение науки Институт радиотехники и электроники им. В.А. Котельникова Российской академии наук | Способ обнаружения незрелых разрядов при эпилепсии у лабораторных крыс с помощью анализа всплескообразной электрической активности мозга |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101491441A (zh) * | 2009-02-26 | 2009-07-29 | 江西蓝天学院 | 基于脑电信号的身份识别方法 |
CN101558997A (zh) * | 2009-05-27 | 2009-10-21 | 江西蓝天学院 | 基于二阶盲辨识的脑电信号识别方法 |
-
2009
- 2009-11-09 CN CN200910186458A patent/CN101703405A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101491441A (zh) * | 2009-02-26 | 2009-07-29 | 江西蓝天学院 | 基于脑电信号的身份识别方法 |
CN101558997A (zh) * | 2009-05-27 | 2009-10-21 | 江西蓝天学院 | 基于二阶盲辨识的脑电信号识别方法 |
Non-Patent Citations (2)
Title |
---|
沈花 等: "基于单导EEG 的高空缺氧所致疲劳的实时检测技术研究", 《传感技术学报》 * |
郭娟 等: "癫痫患者长程脑电监测的护理", 《中日友好医院学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828921A (zh) * | 2010-06-13 | 2010-09-15 | 天津大学 | 基于视觉诱发脑电vep的身份识别方法 |
CN102755162A (zh) * | 2012-06-14 | 2012-10-31 | 天津大学 | 一种基于视听认知事件相关脑电的身份识别方法 |
CN104035563A (zh) * | 2014-06-19 | 2014-09-10 | 北京工业大学 | 基于w-pca和无监督ghsom的脑电信号识别方法 |
CN104035563B (zh) * | 2014-06-19 | 2017-05-10 | 北京工业大学 | 基于w‑pca和无监督ghsom的脑电信号识别方法 |
CN104485102A (zh) * | 2014-12-23 | 2015-04-01 | 智慧眼(湖南)科技发展有限公司 | 声纹识别方法和装置 |
CN106020472A (zh) * | 2016-05-13 | 2016-10-12 | 天津理工大学 | 一种基于下肢不同抬起幅度运动想象的脑机接口系统 |
CN108564011A (zh) * | 2017-08-01 | 2018-09-21 | 南京邮电大学 | 一种基于脑电快速语音呈现范式的身份识别方法 |
CN109171753A (zh) * | 2018-08-16 | 2019-01-11 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg身份识别方法 |
CN109171753B (zh) * | 2018-08-16 | 2021-05-11 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg身份识别方法 |
CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
CN109965869B (zh) * | 2018-12-16 | 2021-09-10 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
RU2781622C1 (ru) * | 2022-06-14 | 2022-10-17 | Федеральное государственное бюджетное учреждение науки Институт радиотехники и электроники им. В.А. Котельникова Российской академии наук | Способ обнаружения незрелых разрядов при эпилепсии у лабораторных крыс с помощью анализа всплескообразной электрической активности мозга |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101491441B (zh) | 基于脑电信号的身份识别方法 | |
CN108776788B (zh) | 一种基于脑电波的识别方法 | |
CN101703405A (zh) | 基于小波分析和Welch算法的身份识别方法 | |
CN101716079B (zh) | 基于多特征算法的脑纹身份识别认证方法 | |
CN104586387B (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN109784023B (zh) | 基于深度学习的稳态视觉诱发脑电身份识别方法及系统 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
CN103750844B (zh) | 一种基于脑电相位同步的身份识别方法 | |
Baali et al. | A transform-based feature extraction approach for motor imagery tasks classification | |
CN101558997A (zh) | 基于二阶盲辨识的脑电信号识别方法 | |
CN111184509A (zh) | 一种基于传递熵的情绪诱导脑电信号分类方法 | |
WO2019144776A1 (zh) | 一种基于非对称脑电特征的脑-机接口系统编解码方法 | |
CN109497997A (zh) | 基于多数据采集的癫痫发作检测设备及预警系统 | |
CN108042132A (zh) | 基于dwt和emd融合csp的脑电特征提取方法 | |
Kumari et al. | Brainwave's energy feature extraction using wavelet transform | |
CN101433460B (zh) | 下肢想象动作电位空间滤波方法 | |
Jianfeng et al. | Multi-feature authentication system based on event evoked electroencephalogram | |
Chin et al. | Exploring EEG based authentication for imaginary and non-imaginary tasks using power spectral density method | |
Kaewwit et al. | High accuracy EEG biometrics identification using ICA and AR model | |
Zhao et al. | Improving individual identification in security check with an EEG based biometric solution | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
CN114081505A (zh) | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 | |
Sun et al. | A practical cross-domain ecg biometric identification method | |
CN112244880A (zh) | 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20100512 |