CN109117790B - 一种基于频空指标的脑纹识别方法 - Google Patents

Abstract

本发明涉及一种基于频空指标的脑纹识别方法。本发明主要采用频空指标来计算脑电信号的特征，并通过Fisher线性判别来实现不同个体的识别。本发明包括数据采集、数据预处理、频空特征向量计算、频空特征向量降维、频空特征向量分类。分类结果表明：采用频空指标作为生物识别特征，得到了较好的分类结果，能够有效得对不同个体进行脑纹识别。与传统的生物识别特征相比，基于脑电的频空特征更为安全和隐蔽，是一种很有前景的生物特征模态。

Description

一种基于频空指标的脑纹识别方法

技术领域

本发明属于生物特征识别领域中的脑电信号识别领域，具体涉及一种基于脑电信号频空指标进行分类的脑纹识别方法。

背景技术

在个人信息安全愈加重要的当今社会，如何安全有效地进行身份识别已经成为一个重要话题。

身份证和密码等传统的身份识别方法存在着容易被复制或伪造的风险。基于生物特征的识别技术如声纹识别、人脸识别、虹膜识别、DNA识别、指纹识别、视网膜识别和掌纹识别等在防伪和防攻破方面相比旧有的身份识别方法有了很大地提升，可以有效地解决传统身份识别中存在的这些问题，但仍然都存在着容易被篡改、被复制、被胁迫使用的缺点。

随着硬件技术的进步和发展，脑电信号的采集也变得更为便利。于是，脑纹满足生物特征的基本条件，作为一种新型生物特征，在身份识别领域也开始占有了一席之地。宾汉顿大学Sarah Laszlo课题组提出了脑纹这一新概念，是指大脑所产生的一种独一无二、具有可采集性和持久性的，并可用于身份识别、验证的脑电信号特征。它具有高隐蔽性、不可窃取性、不可仿制性以及必须活体等方面的独特优势。

Paranjape等人采集了40名被试者处于静息态的脑电信号，并采用自回归模型计算脑电信号的二阶统计值，对被试的脑电数据进行特征提取，识别准确率在80％以上。Poulos等人采用脑电信号alpha节律的参数谱分析进行身份识别研究，用线性全极点模型去拟合到脑电信号频谱，适应了全极点模型的系数被选为特征，作为神经网络的输入向量，利用学习向量量化网络进行分类，分类准确率在72％～84％之间。Das等人利用快速视觉诱发脑电活动来分析视觉感知任务中的脑电数据，采用判别式时空滤波进行特征提取，分别用线性判别分析和支持向量机对20个被试进行分类，识别准确率在75％到94％之间。

现有研究为脑电信号作为识别的有力工具提供了证据，研究者在脑电信号的时域上做了大量的研究，引入了很多特征提取与分类的方法，但是由于时域上的脑电信号很容易出现偏差，识别准确率不是十分理想。本发明创新的提出了频空指标用于脑纹识别方法，它的意义在于把幅度随时间变化的脑电波变换为信号随频率变化的谱图，从而可以直观地观察到脑电节律的分布与变化情况。脑电信号是一种时变的、非平稳的信号，在不同时间、不同状态下有着不同的频率成分。因此本发明引入频空指标作为特征，以提高脑纹识别的准确率。

发明内容

本发明针对现有技术的不足，提供了一种基于频空指标的脑纹识别方法，该方法是利用傅里叶变换将时空域上的脑电信号变换到频空域，把频空特征向量在PCA子空间上投影进行降维并通过Fisher线性判别进行分类来实现的。

本发明所采用的技术方案：

1.获取数据：

采用多通道脑电采集设备采集原始脑电信号，获取该原始脑电信号对应的类别信息，共获取到C个类别的原始脑电信号。

2.数据预处理：

对各类别的原始脑电信号均进行数据预处理，包括降采样和带通滤波，目的是减少伪迹的干扰，提高信噪比，从而提高特征提取的准确性。降采样和带通滤波属于本领域技术人员所熟知的常规技术，故不详解。

3.将时空域的信号变换到频空域：

步骤2得到的脑电数据共有S个样本，一个样本包含有L个短序列，取一定时间间隔的步骤2预处理后的脑电数据作为一个短序列，则一个样本包含了L个长度为N的短序列；设定其中一个长度为N的短序列为x(n)，采样值为x(0),x(1),…,x(N-1)，时间域的函数为f(x)，将频率域的函数F(ω)表示为f(x)的积分形式：

其中i为虚数单位，ω为频率。

由于采集到的脑电信号是数字信号，脑电信号x(n)的离散傅里叶变换(DFT)为X(k)，由上式(1)进一步得到不同频率下的傅里叶变换幅值：

其中N表示短序列长度，k是频率决定因子；

由于傅里叶变换同时在实数域和虚数域上进行变换，具有对称性质和周期性质，为避免重复计算，取

个点的幅值即可。

设原始脑电信号的脑电通道数为m，将各个通道时空域上的信号转到频空域上，用一个

的矩阵A表示：

a_(N/2)(m-1)表示第m个通道傅里叶变换后的值。接下来，将矩阵A数据拉直为一个行向量b：

b＝[a₀₀,…,a_0(m-1),a₁₀,…,a_1(m-1),…,a_(N/2)0,…,a_(N/2)(m-1)] (4)

由于一个样本含有L个短序列，其他短序列按照同样的方法进行操作，得到L个行向量b；将得到的L个行向量放置为矩阵B，矩阵B各列求平均，得到行向量c；

将向量c作为脑纹识别一个样本的频空特征向量，同理可得其余样本的频空特征向量，脑电信号数据集共包含S个样本，则可以得到S个向量c。

全部样本用一个S×D的样本矩阵X表示：

X有S行数据，有D个特征维度，

S表示C个类别的样本总量。

4.降维：

将步骤3得到的频空特征用主成分分析方法构造另外一个特征空间V，然后将样本矩阵X在新的特征空间V上投影进行降维，得到新的特征向量，具体是：

样本矩阵X的协方差矩阵

S为样本数，T表示转置算子；

得到的矩阵R为实对称矩阵，计算矩阵R的特征向量的正交矩阵U，使得

其中Λ表示一个对角矩阵；

把Λ中的特征值按照从大到小排序，将特征向量的正交矩阵U根据特征值进行排序，取其中前p个特征值对应的特征向量，即矩阵U的前p行子矩阵组成矩阵V，p的值远远小于D，矩阵V即是主成分分析方法构造的一个特征空间；

降维后的样本矩阵Z：

Z＝XV (7)

其中X是S×D的矩阵，V是D×p的矩阵，Z是S×p的矩阵。

5.分类：

从步骤4每个类别的降维后样本中随机选取q个样本作为训练样本，则所有类别的训练样本数为H＝C×q，矩阵Q表示所有类别的训练样本矩阵，其余S-H个样本作为测试样本；

C个类别的训练样本集表示为

其中，

H表示训练样本总数量，p表示样本的维度，T表示转置算子；

通过训练样本的训练可以得到分类最佳投影方向W，具体是：

首先计算C个类别的均值向量为

q表示类别t的样本数量，∑表示求和符号，z∈ζ_t表示样本z属于类别t，ζ_t表示类别t的样本集，ζ_t∈Q，m_t为类别t的均值，由上式可以得到各个类别的均值；

各类的类内离散度矩阵为

∑表示求和符号，z∈ζ_t表示样本z属于类别t，T表示转置算子，S_t为类别t的类内离散度矩阵；

由各个类别的类内离散度，得到总类内离散度矩阵为

S_w表示为C个类别的类内离散度之和；

类间离散度矩阵定义为

其中，q表示类别t的样本数量，

H为训练样本总数量，m是所有训练样本的均值；

由于最佳投影方向W是矩阵

的本征向量，故而首先将矩阵

进行特征值分解，求出其特征值和特征向量，然后取前K个特征向量组成投影矩阵W；

最终根据分类最佳投影方向W，获得所需的判别函数y＝W^Tz；

利用判别函数对未知类别样本进行分类，实现对不同个体的脑纹识别。

本发明的有益效果是：提供了一种能够有效识别不同个体的基于脑电频空的脑纹识别方法。脑电信号的频空特征不易伪造，具有更高的可靠性和准确性。与其他生物识别特征相比，基于脑电的频空特征更为安全和隐蔽，是一种很有前景的生物特征模态。

附图说明

图1为本发明流程图；

图2为图1的具体实施流程图；

图3为脑电通道图。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示：首先采集所需的脑电信号，接着对脑电数据进行降采样、带通滤波等预处理，然后将预处理后的数据通过傅里叶变换，从时空域变换到频空域。经过主成分分析降维后，利用Fisher对特征向量进行分类。

参照附图2，本发明的具体实施步骤如下：

步骤S1：通过多通道脑电采集设备采集所需的脑电信号，共采集15个被试者，即15个类别。本实施例采用ESI NeuroScan系统，采样频率为1000Hz，62个通道的电极帽来获取脑电数据，电极帽采用国际10-20系统电极放置法。图3为脑电通道图。

步骤S2：对采集的脑电数据进行预处理。具体过程包括：

1)降采样：将原始的脑电数据1000Hz降采样为200Hz；

2)带通滤波：创建带通滤波器，从选取的脑电数据中提取0～75Hz频段的脑电成分。

步骤S3：利用傅里叶变换，将时空域的信号变换到频空域：

1)本实例中，取长度为N＝200的短序列，即以1秒时间窗口作为一个短序列；

2)将短序列进行傅里叶变换转换到频空域，取N/2+1＝101个点的幅值，得到频率的幅值矩阵A，矩阵A为维度为101×62；将矩阵A数据拉直为一个6262维的行向量b；

3)一个样本共有L＝40个短序列，将得到的40个行向放置为矩阵B，矩阵B的维度为40×6262，将矩阵B求平均，得到6262维的行向量c作为脑纹识别的一个样本的频空特征向量。

4)同理可得其余样本的频空特征向量，得到样本矩阵X，维度为300×6262，15个类别，每个类别有20个样本。

步骤S4：有步骤S3可知，样本的维度为6262，其中存在大量的冗余特征，为了去掉一些与识别无关的特征，采用主成分分析(PCA)减少频域上的特征向量的维度。

1)计算X的协方差矩阵

S＝300为样本数，T表示转置算子，矩阵R的维度为6262×6262；

2)得到的矩阵R为实对称矩阵，计算矩阵R的特征向量的正交矩阵U，矩阵U的维度为6262×6262；

3)将U根据特征值的大小相应地从左到右进行排序，取其中前p＝61个特征值对应的特征向量，即矩阵U的前61行子矩阵组成矩阵U_p；

4)降维之后的样本矩阵Z＝XU_p，X表示300×6262的矩阵，U表示6262×61的矩阵，Z表示300×61的矩阵。

步骤S5：采用Fisher线性判别对降维后的频空特征向量进行分类。

本实施例从每个被试的频空特征中随机选取150个(q＝10，共15个被试)已知类别的特征向量作为训练样本，剩下的150个特征向量作为分类的测试样本。训练样本矩阵Q的维度为150×61。

通过特征向量的训练样本得到判别函数y＝W^Tz。

使用判别函数计算每个测试样本的得分，然后将测试样本归类到得分最高的判别函数所对应的类别。最后将分类结果与这些特征向量的实际类别进行比较，得到该脑纹识别方法的分类准确率，识别准确率为96.18％。

Claims (1)

1.一种基于频空指标的脑纹识别方法，其特征在于该方法包括以下步骤：

步骤(1)、数据预处理：

对C个类别的原始脑电信号均进行数据预处理，以减少伪迹的干扰，提高信噪比；

步骤(2)、将时空域的信号变换到频空域：

步骤(1)得到的脑电数据共有S个样本，一个样本包含有L个短序列，取一定时间间隔的步骤(1)预处理后的脑电数据作为一个短序列，则一个样本包含了L个长度为N的短序列；设定其中一个长度为N的短序列为x(n)，采样值为x(0),x(1),…,x(N-1)，时间域的函数为f(x)，将频率域的函数F(ω)表示为f(x)的积分形式：

其中i为虚数单位，ω为频率；

由于采集到的脑电信号是数字信号，脑电信号x(n)的离散傅里叶变换(DFT)为X(k)，由上式(1)进一步得到不同频率下的傅里叶变换幅值：

其中N表示短序列长度，k是频率决定因子；

由于傅里叶变换同时在实数域和虚数域上进行变换，取

个点的幅值；

设原始脑电信号的脑电通道数为m，将各个通道时空域上的信号转到频空域上，用

的矩阵A表示：

a_(N/2)(m-1)表示第m个通道傅里叶变换后的值；接下来，将矩阵A数据拉直为一个行向量b：

b＝[a₀₀,…,a_0(m-1),a₁₀,…,a_1(m-1),...,a_(N/2)0,...,a_(N/2)(m-1)] (4)

由于一个样本含有L个短序列，其他短序列按照同样的方法进行操作，得到L个行向量b；将得到的L个行向量放置为矩阵B，矩阵B各列求平均，得到行向量c；

将向量c作为脑纹识别一个样本的频空特征向量，同理可得其余样本的频空特征向量，脑电信号数据集共包含S个样本，则可以得到S个向量c；

全部样本用一个S×D的样本矩阵X表示：

X有S行数据，有D个特征维度，

S表示C个类别的样本总量；

步骤(3)、降维：

将步骤(2)得到的频空特征用主成分分析方法构造另外一个特征空间V，然后将样本矩阵X在新的特征空间V上投影进行降维，得到新的特征向量，具体是：

样本矩阵X的协方差矩阵

S为样本数，T表示转置算子；

得到的矩阵R为实对称矩阵，计算矩阵R的特征向量的正交矩阵U，使得

其中Λ表示一个对角矩阵；

把Λ中的特征值按照从大到小排序，将特征向量的正交矩阵U根据对应的特征值进行排序，取其中前p个特征值对应的特征向量，即排序后矩阵U的前p行子矩阵组成矩阵V，p的值远远小于D，矩阵V即是主成分分析方法构造的一个特征空间；

降维后的样本矩阵Z：

Z＝XV (7)

其中X是S×D的矩阵，V是D×p的矩阵，Z是S×p的矩阵；

步骤(4)、分类：采用Fisher线性判别对降维后的样本Z进行分类

从步骤(3)每个类别的降维后样本中随机选取q个样本作为训练样本，则所有类别的训练样本数为H＝C×q，矩阵Q表示所有类别的训练样本矩阵，其余S-H个样本作为测试样本；

C个类别的训练样本集表示为

其中，

H表示训练样本总数量，p表示样本的维度，T表示转置算子；

通过训练样本的训练可以得到分类最佳投影方向W，具体是：

首先计算C个类别的均值向量为

q表示类别t的样本数量，∑表示求和符号，z∈ζ_t表示样本z属于类别t，ζ_t表示类别t的样本集，ζ_t∈Q，m_t为类别t的均值，由上式可以得到各个类别的均值；

各类的类内离散度矩阵为

Σ表示求和符号，z∈ζ_t表示样本z属于类别t，T表示转置算子，S_t为类别t的类内离散度矩阵；

由各个类别的类内离散度，得到总类内离散度矩阵为

S_w表示为C个类别的类内离散度之和；

类间离散度矩阵定义为

其中，q表示类别t的样本数量，

H为训练样本总数量，m是所有训练样本的均值；

由于最佳投影方向W是矩阵

的本征向量，故而首先将矩阵

进行特征值分解，求出其特征值和特征向量，然后取前K个特征向量组成投影矩阵W；

最终根据分类最佳投影方向W，获得所需的判别函数y＝W^Tz；

步骤(5)、利用判别函数对未知类别样本进行分类，实现对不同个体的脑纹识别。

Images