CN105303631A - 一种利用脑电信号进行小型办公室打卡考勤的方法 - Google Patents
一种利用脑电信号进行小型办公室打卡考勤的方法 Download PDFInfo
- Publication number
- CN105303631A CN105303631A CN201510605237.7A CN201510605237A CN105303631A CN 105303631 A CN105303631 A CN 105303631A CN 201510605237 A CN201510605237 A CN 201510605237A CN 105303631 A CN105303631 A CN 105303631A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- sample
- feature
- office
- matrix
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种利用脑电信号进行小型办公室打卡考勤的方法,是利用人对自身熟悉事物的反应具有自身独特性的性质设计的一种在小型办公室内实现的考勤方法。对办公室员工进行信息搜集,采集脑电信号,对脑电信号进行特征提取,采用训练得到的BP神经网络对办公室员工打卡考勤时采集的实施脑电信号进行分类检测,计算结果决定该员工是否出勤,本发明通过使用办公室内员工照片,按照等概率事件进行排序,利用不同员工脑电信号的距离特征进行特征提取,然后利用BP神经网络进行训练和分类实现脑电信号分析,来实现办公室内的打卡考勤。
Description
技术领域
本发明涉及生物医学工程领域,主要是用于小型办公室内工作考勤,通过利用脑电信号的方法避免传统的考勤中的代考勤等弊端的出现。
背景技术
在现代化管理模式下的办公室,公平、公正是维持办公室和谐办公,推进工作效率的一个基石。为了监督和促进员工的工作积极性,很多办公室都采用“考勤”的方法,通过考勤指标来衡量员工的积极性,无疑是一种有效的手段,现在流行的考勤手段有传统意义上的签到,也有一些基于生理特征的例如指纹等等,这些方法的考勤结果虽然对员工出勤有一定的借鉴意义,但是因为这种考勤很容易造假,代考勤,因此会影响员工的公平性,影响办公室内的员工友好气氛。
随着对脑电波的研究深入,很多研究团队开始研究脑电波的身份识别领域,因为脑电波是人对外界刺激或者主动思考产生的一种生物信号,因此很难伪造,能否用脑电波进行身份识别,现在相关研究还存在一定的争议,但是,稳定的脑电波信号特征难以伪造,是众多研究团队的共识,目前利用脑电波进行身份识别的研究团队,正在致力于找到一个稳定的能反应受试者本人的某些特征。
在大范围内,寻找受试者本人特征,是因为脑电信号是一个弱电信号,特征很容易受到干扰,在没有一个参照物下,进行受试者的特异性特征确实比较困难。
发明内容
本发明主要是通过利用小范围内的成员照片,按照一定的顺序组成刺激源,诱发带有个体特征的脑电信号,然后对搜集到的脑电信号进行预处理和特征提取,然后对每个成员设计专属BP神经网络分类器,最终高效准确的实现公平的打卡考勤方法。
为达上述目的,本发明采用的技术方案是,利用脑电信号的小型办公室打卡考勤方法,主要包括以下步骤:
1、人员照片采集:对每个成员采集2存免冠的相同背景和表情的上身照片1张;
2、刺激程序设计:实验目标成员照片放在第一位置,首发出现,然后随机摆放其他成员相片为背景,在刺激电脑上依次显示给实验目标成员观看,最佳参数设计为每次照片展现1000毫秒,之后照片消失,保持电脑黑屏200毫秒,一个完整的实验照片显示两轮,总共耗时2*n*(1000+200)毫秒,其中n是办公室内员工人数;
3、数据采集参数:考勤成员用便携式脑电采集设备,用右侧乳突做参考电极,采集前额区双导脑电信号,采样频率256Hz,50Hz陷波;
4、对采集到的脑电信号进行滤波,因为有用的脑电信号集中在频率为1-50Hz之内,对脑电信号进行滤波能很好的消除噪音和眼电的干扰,本方法使用卡尔曼滤波,进行1-50Hz滤波;
5、对采集到的脑电信号进行离线特征提取,主要步骤包括:
1)把滤波后的脑电信号进行分段,把脑电信号,按照不同的事件(即成员看不同照片所产生的脑电信号)进行分段,然后把每个成员看自己相片的脑电信号片段给组合起来,每个片段长1200ms,去掉末尾几个空白点,每个脑电信号片段为300个时间点,这样就得到对于每个成员的滤波后的原始特征矩阵Ca=m*300*2,其中m是脑电信号片段数,2是两个导联,也就是样本数;
2)对Ca的每个时间点求Fisher距离,根据Fisher距离判断是否作为初步的特征时间点,时间点上的距离矩阵F,其中F的计算方法为:
μ和σ分别为均值和方差。设定特征选择点λ=(max(F)-min(F))/2,选择F中大于λ的时间点为特征点,以此对每个受试者组建相应的m*kx特征矩阵,其中kx表示特征数;
3)对于m*kx的特征矩阵中的kx和样本数m进行筛选,选择内聚力较高的样本和特征点作为该员工的有效样本特征矩阵;
把m个样本的kx矩阵分别对每列向量,也就是时间点向量求他们的对角阵T,T可以通过公式
T(x)=E{[x-E(x)][x-E(x)]t}
其中E(x)是向量里面每个分量的均值。根据对角阵T来确定这个时间点特征是否可用来作为特征,从而得到一个新的矩阵m*ky,同时得到特征的时间点Time向量;
4)对于m*ky的每一行,也就是对于样本数进行筛选,通过计算每个样本到其他样本的距离和,可以筛选出离其他样本距离过大的样本,以此来提高分类的准确率。最终得到的样本特征数矩阵就是这个人的特征矩阵;
5)利用BP神经网络,根据每个成员的特征矩阵,设计BP神经网络;
6、在线脑电信号特征提取,主要用于考勤过程中,实时采集到脑电信号,用上述的方法对脑电信截断,每次使用包括两次使用者看自己相片的脑电信号片段,首先把这两段脑电信号滤波后进行叠加平均,然后对得到的信号,根据时间点Time向量进行特征截取;
7、把根据时间点向量截取的特征,用成员的BP神经网络进行计算,这样就得到一个长度为n的向量TF,其中n是成员数,当TF的最大值比次大值大于0.1时,确定计算有效,否则定义为信号质量较差,重新进行在线采集,并重新计算;
8、根据输出的结果,当结果是第一个照片时候,考勤成功,否则确定为代点,发出警告。
附图说明
图1为本发明方法流程示意图;
图2为本发明方法的刺激流程示意图;
图3为本发明方法的数据处理流程图。
具体实施方式
以下结合实施例,对本发明上述的和另外的技术特征和优点作更详细的说明。
本发明是利用脑电信号对小型办公室进行考勤的一种方法,首先通过设计的刺激模式进行脑电信号采集,然后对采集到的脑电信号进行特征提取,最后利用特征进行个人BP分类器,通过分类器来实现个人考勤结果的计算。
(1)如图1和2所示,本方法的脑电信号诱发是通过对照片反应的不同,刺激方法如图2所示,首先是一个时间段的黑屏,本次例子使用的一个时间段为200毫秒,然后是1000毫秒的照片显示时间,之后是200毫秒的黑屏,然后是第二张照片,一次循环把五个人的照片显示一遍,然后在重头循环一次,每个人照片显示两次,在本例中,第一个显示的相片被要求为考勤人的相片。
(2)脑电信号采集阶段,在本例中使用的脑电信号采集设备为G-tec便携6导脑电采集设备,采集点为前额两导,右侧乳突作为参考电极。256作为采样频率,采集过程中设置50Hz陷波。
(3)对五个成员进行脑电信号采集,每个员工采集40次,通过人工校验,删除漂移过大的脑电信号,五个员工最终有效脑电信号(36,32,38,35,38)次,然后对有效脑电信号进行1-50Hz滤波。
(4)对每个成员的脑电信号进行分段,最终五个员工的样本数(72,64,76,70,76)。
(5)把每个成员的脑电信号样本进行拼接组建m*600的特征矩阵。
(6)对第五步的矩阵计算每个时间点的Fisher距离,通过Fisher的值来确定特征的时间点,得出的F矩阵计算方法如下:
μ和σ分别为均值和方差。设定特征选择点λ=(max(F)-min(F))/2,选择F中大于λ的时间点为特征点,以此对每个受试者组建相应的m*kx特征矩阵,其中kx表示特征数。本实施中,总共有五个受试者,这五个受试者的最终有效样本数分别是(72,64,76,70,76),分别计算受试者到其他四个受试者的每个数据点的距离特征,可以得到一个Fisher距离F,这个矩阵对于每个受试者都是一个4*600的矩阵,然后对于每个受试者计算F矩阵的可接受点λ,在F矩阵中,若其中某个值Fij大于λ,则说明这个受试者在该特征点上可以明显的区别与第i个受试者,这个特征点j就是需要时间点,反之,认为这个特征点j是不可用的时间点,通过这种方法,计算出这五个受试者的可接受时间点为特征点,最终组建相应的特征矩阵m*kx,通过计算在本例中五个受试者的kx分别是(462,436,518,395,509),同时对每个受试者得到一个kx列一维向量,这个向量的值分别表示时间点。
(7)对第六步得到的矩阵,进行样本和时间点计算,并最终计算出一个特征的时间点向量。
对于五个受试者,根据上一步得到的kx值和时间点向量,对每个受试者的m个样本矩阵求取他们的特征矩阵,这个特征矩阵就是m*kx的特征矩阵,然后把m个样本的kx列矩阵分别对每列向量,(五个受试者的样本分别是(72,64,76,70,76),五个受试者的kx值分别是(462,436,518,395,509))也就是时间点向量求他们的对角阵T,T可以通过公式
T(x)=E{[x-E(x)][x-E(x)]t}
其中E(x)是向量里面每个分量的均值。根据对角阵T来确定这个时间点特征是否可用来作为特征(计算依据根据滴6步的λ求法),从而得到一个新的矩阵m*ky,对于五个受试者而言,在本实施中,没有进行特征筛选之前kx分别是(462,436,518,395,509),筛选之后,得到的ky分别是(285,304,326,266,372)同时得到特征的时间点Time向量,每个受试者的时间点Time向量分别由原来的kx纬向量变成ky列的一维向量。
对于m*ky的每一行,也就是对于样本数进行筛选,通过计算每个样本到其他样本的距离和,可以筛选出离其他样本距离过大的样本,以此来提高分类的准确率。最终得到的样本特征数矩阵就是这个人的特征矩阵,在本次实例计算中,五个受试者筛选后的样本数分别是(57,51,60,56,61)筛选后的有效特征数分别是(285,304,326,266,372)。通过这一步的筛选,每个受试者得到新的特征矩阵m1*ky的特征矩阵,其中m1分别是(57,51,60,56,61),ky分别是(285,304,326,266,372)。
(8)对第七步得到的特征矩阵,设计BP神经网络,五个人的BP神经网络输入参数分别是(285,304,326,266,372),把有效样本分别分为测试样本和训练样本,样本数的训练样本分别是(40,40,50,45,45),这样五个人就有五个神经网络,这些神经网络因为特征不同而不同,这样对于五个成员,对应的就有五个分类器,五个特征集合,五个特征点向量。
(9)测试:在线采集一次脑电信号,根据上述方法进行特征提取,对五个受试者的神经网络分类器进行计算,得到一个输出结果,TF=(0.94,0.77,0.53,0.60,0.32),其中max(TF)=0.94,secondmax(TF)=0.77,max(TF)-secondmax(TF)=0.17,结果有效,而且最大值是第一个受试者结果,因此可以判断此次打卡成功。
(10)在线测试:分别让这五个人进行测试,测试分别放在不同的时间段,多天实验,总共实验每人测试68次,测试结果如表1所示。
表1
员工编码 | 成功率 |
1 | 85.29% |
2 | 91.17% |
3 | 85.29% |
4 | 72.05% |
5 | 88.23% |
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种利用脑电信号进行小型办公室打卡考勤的方法,其特征在于包括以下步骤:
(1)数据采集阶段,数据采集是受试者在本办公室员工内所有员工的照片刺激下提取受试者的脑电信号,脑电信号是利用便携脑电设备提取前额两导联采集;
(2)数据预处理阶段,对采集到的脑电信号进行滤波和去除眼电干扰;
(3)特征提取阶段,对预处理后的脑电信号,利用脑电信号的理特征获得时频域的特征;
(4)在线打卡考勤阶段,特征提取后,利用BP神经网络对特征进行识别,确认是否出勤。
2.根据权利要求1所述的一种利用脑电信号进行小型办公室打卡考勤的方法,其特征在于,所述数据采集阶段包括以下步骤:
(1)实验设计:所述小型办公室人员上限为10人,对10个人使用在相同背景下的半身免冠照片,按照相同的出现次数,把需要打卡人的照片放在第一位出现,每次照片展现1000毫秒,之后照片消失,保持电脑黑屏200毫秒,一个完整的实验照片显示两轮,总共耗时2*n*(1000+200)毫秒,其中n是办公室内员工人数;
(2)脑电采集:利用便携式脑电信号采集仪器,使用的脑电信号是前额区的左右两个导联脑电信号,采样频率为256Hz。
3.根据权利1所述的一种利用脑电信号进行小型办公室打卡考勤的方法,其特征在于,所述特征提取阶段包括以下步骤:
(1)寻找对应的特征点:把经过预处理后的脑电信号,首先每个受试者把关注自己照片的脑电信号片段分离出来,组成m*k的矩阵,其中m是受试者采集的脑电信号样本数,k表示采样频率,得到n个m*k矩阵,然后对n个矩阵按照Fisher距离方法,得到时间点上的距离矩阵F,其中F的计算方法为:
μ和σ分别为均值和方差。设定特征选择点λ=(max(F)-min(F))/2,选择F中大于λ的时间点为特征点,以此对每个受试者组建相应的m*kx特征矩阵,其中kx表示特征数;
(2)建立有效样本特征矩阵:对于m*kx的特征矩阵中的kx和样本数m进行筛选,利用下述方法对样本和特征点进行筛选;
首先把m个样本的kx矩阵分别对每列向量,即时间点向量求其对角阵T,T通过公式计算:
T(x)=E{[x-E(x)][x-E(x)]t}
其中E(x)是向量里面每个分量的均值,当则该时间点特征可以被选作计算特征,否则该时间点特征被认为是无效特征,以此方法对T矩阵进行判断时间点是否可以用来作为特征,从而得到一个新的矩阵m*ky;
然后对于m*ky的每一行,即对于样本数进行筛选,通过计算每个样本到其他样本的距离和mxi,当时,表示该样本是有效样本,否则该样本无法参与计算,其中n表示总样本格式,λx是系统输入阈值,通过所述方法筛选出离其他样本距离过大的样本,以此来提高分类的准确率,最终得到的样本特征数矩阵便此人的特征矩阵。
4.根据权利要求1所述的一种利用脑电信号进行小型办公室打卡考勤的方法,其特征在于,所述打卡考勤阶段包括以下步骤:利用以上步骤得到的特征矩阵,利用BP神经网络对每个成员建立一个BP神经网络分类器,然后对考勤时候采集到的实时脑电信号进行特征提取,利用每个成员的BP神经网络进行计算,对得到的结果进行比较选择计算结果最大值进行输出,当最大结果对应的是第一个照片的结果那么证明是本人打卡,打卡考勤成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510605237.7A CN105303631A (zh) | 2015-09-22 | 2015-09-22 | 一种利用脑电信号进行小型办公室打卡考勤的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510605237.7A CN105303631A (zh) | 2015-09-22 | 2015-09-22 | 一种利用脑电信号进行小型办公室打卡考勤的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105303631A true CN105303631A (zh) | 2016-02-03 |
Family
ID=55200848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510605237.7A Pending CN105303631A (zh) | 2015-09-22 | 2015-09-22 | 一种利用脑电信号进行小型办公室打卡考勤的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303631A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491766A (zh) * | 2017-08-31 | 2017-12-19 | 四川长虹电器股份有限公司 | 基于图像识别的照片分类方法 |
CN108537402A (zh) * | 2018-03-02 | 2018-09-14 | 厦门攸信信息技术有限公司 | 公司工作氛围调节方法和调节系统 |
CN114424945A (zh) * | 2021-12-08 | 2022-05-03 | 中国科学院深圳先进技术研究院 | 一种基于随机图形图像闪现的脑波生物特征识别系统与方法 |
CN114546115A (zh) * | 2022-02-17 | 2022-05-27 | 北京脑陆科技有限公司 | 基于脑电信号的考勤管理方法、装置及介质 |
CN114424945B (zh) * | 2021-12-08 | 2024-05-31 | 中国科学院深圳先进技术研究院 | 一种基于随机图形图像闪现的脑波生物特征识别系统与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1892674A1 (de) * | 2006-08-23 | 2008-02-27 | Siemens Aktiengesellschaft | Gehirnmusterbasiertes Zugangskontrollsystem |
CN101716079A (zh) * | 2009-12-23 | 2010-06-02 | 江西蓝天学院 | 基于多特征算法的脑纹身份识别认证方法 |
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 |
CN102509103A (zh) * | 2011-09-29 | 2012-06-20 | 天津大学 | 基于视觉诱发p3脑电的身份识别 |
CN203250345U (zh) * | 2013-04-22 | 2013-10-23 | 南京邮电大学 | 基于脑电波身份识别的门禁系统 |
CN103690165A (zh) * | 2013-12-12 | 2014-04-02 | 天津大学 | 一种跨诱发模式情绪脑电识别建模方法 |
-
2015
- 2015-09-22 CN CN201510605237.7A patent/CN105303631A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1892674A1 (de) * | 2006-08-23 | 2008-02-27 | Siemens Aktiengesellschaft | Gehirnmusterbasiertes Zugangskontrollsystem |
CN101716079A (zh) * | 2009-12-23 | 2010-06-02 | 江西蓝天学院 | 基于多特征算法的脑纹身份识别认证方法 |
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 |
CN102509103A (zh) * | 2011-09-29 | 2012-06-20 | 天津大学 | 基于视觉诱发p3脑电的身份识别 |
CN203250345U (zh) * | 2013-04-22 | 2013-10-23 | 南京邮电大学 | 基于脑电波身份识别的门禁系统 |
CN103690165A (zh) * | 2013-12-12 | 2014-04-02 | 天津大学 | 一种跨诱发模式情绪脑电识别建模方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491766A (zh) * | 2017-08-31 | 2017-12-19 | 四川长虹电器股份有限公司 | 基于图像识别的照片分类方法 |
CN108537402A (zh) * | 2018-03-02 | 2018-09-14 | 厦门攸信信息技术有限公司 | 公司工作氛围调节方法和调节系统 |
CN108537402B (zh) * | 2018-03-02 | 2021-02-19 | 厦门攸信信息技术有限公司 | 公司工作氛围调节方法和调节系统 |
CN114424945A (zh) * | 2021-12-08 | 2022-05-03 | 中国科学院深圳先进技术研究院 | 一种基于随机图形图像闪现的脑波生物特征识别系统与方法 |
CN114424945B (zh) * | 2021-12-08 | 2024-05-31 | 中国科学院深圳先进技术研究院 | 一种基于随机图形图像闪现的脑波生物特征识别系统与方法 |
CN114546115A (zh) * | 2022-02-17 | 2022-05-27 | 北京脑陆科技有限公司 | 基于脑电信号的考勤管理方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN103699230B (zh) | 一种基于图标脑电控制的数字界面交互方法 | |
CN107007278A (zh) | 基于多参数特征融合的自动睡眠分期方法 | |
CN111329474A (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
CN103584872A (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
CN108959895A (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
CN107656612B (zh) | 基于p300-ssvep的大指令集脑-机接口方法 | |
CN104635934A (zh) | 基于逻辑思维和形象思维的脑机接口方法 | |
CN102200833A (zh) | 一种Speller BCI系统及其控制方法 | |
CN109766751B (zh) | 基于频域编码的稳态视觉诱发脑电身份识别方法及系统 | |
CN106510702B (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法 | |
CN105303631A (zh) | 一种利用脑电信号进行小型办公室打卡考勤的方法 | |
CN106502410A (zh) | 提高脑‑机接口中运动想象能力的经颅电刺激装置和方法 | |
CN104799852A (zh) | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 | |
CN108985029A (zh) | 基于视觉刺激的脑电身份识别方法 | |
CN107704881A (zh) | 一种基于动物脑电识别的数据可视化处理方法及装置 | |
CN110192874A (zh) | 基于多导脑电信号裕度因子的测谎方法 | |
CN113576498B (zh) | 基于脑电信号的视听觉美学评价方法及系统 | |
Jianfeng et al. | Multi-feature authentication system based on event evoked electroencephalogram | |
CN111616702A (zh) | 一种基于认知负荷增强的测谎分析系统 | |
Kong et al. | Personal identification based on brain networks of EEG signals | |
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 | |
CN101433460A (zh) | 下肢想象动作电位空间滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160203 |