CN109508087A - 脑纹信号识别方法及终端设备 - Google Patents
脑纹信号识别方法及终端设备 Download PDFInfo
- Publication number
- CN109508087A CN109508087A CN201811114765.2A CN201811114765A CN109508087A CN 109508087 A CN109508087 A CN 109508087A CN 201811114765 A CN201811114765 A CN 201811114765A CN 109508087 A CN109508087 A CN 109508087A
- Authority
- CN
- China
- Prior art keywords
- classification
- brain line
- line signal
- distance
- sorted
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Dermatology (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及计算机技术领域,提供了一种脑纹信号识别方法及终端设备。该方法包括:获取待分类脑纹信号,并将所述待分类脑纹信号映射到矢量空间,确定所述待分类脑纹信号的系数矢量;获取各个已有类别在所述矢量空间的类别中心和距离门限;每个已有类别对应一个脑纹信号集合;根据所述待分类脑纹信号的系数矢量及各个已有类别的类别中心和距离门限,确定所述待分类脑纹信号所属的类别。本发明根据已有类别在矢量空间中的类别中心和距离门限对待分类脑纹信号进行分类,在脑纹信号样本数量较少的情况下也能够准确对脑纹信号进行识别,提高脑纹信号的识别准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种脑纹信号识别方法及终端设备。
背景技术
脑纹是指大脑所产生的一种独一无二、具有可采集性和持久性并可用于身份识别和验证的脑电信号特征。基于脑纹的身份识别有广阔应用场景。例如对比在相同情况或刺激下产生的两个或多个脑纹以确定是否同一个人发出的,属于多个类别分类,其中每个人的脑纹对应一个类别。又例如,检测司机是否醉驾、服药驾驶等异常情况,属于两个类别分类(正常,异常),即正常的人的脑纹对应一个类别,异常的人的脑纹对应另一个类别。脑纹信号有静息态脑电信号、视觉诱发电位(Visual Evoked Potential,VEP)信号、运动想像脑电信号及事件相关电位(Event Related Potential)信号等。
传统基于脑纹的身份识别方法是将脑纹映射到一个矢量空间,利用生成的矢量进行机器学习训练,从而获得分类器来识别身份。但是脑纹信号的样本数量通常较少,例如作为多类身份识别有时甚至一类只有一个信号,这样导致分类器识别的准确率低,不能保证分类性能。
发明内容
有鉴于此,本发明实施例提供了脑纹信号识别方法及终端设备,以解决目前脑纹信号识别方法在脑纹信号样本数量较少时识别准确率低的问题。
本发明实施例的第一方面提供了脑纹信号识别方法,包括:
获取待分类脑纹信号,并将所述待分类脑纹信号映射到矢量空间,确定所述待分类脑纹信号的系数矢量;
获取各个已有类别在所述矢量空间的类别中心和距离门限;
根据所述待分类脑纹信号的系数矢量及各个已有类别的类别中心和距离门限,确定所述待分类脑纹信号所属的类别。
本发明实施例的第二方面提供了终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面中的脑纹信号识别方法。
本发明实施例的第三方面提供了计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中的脑纹信号识别方法。
本发明实施例与现有技术相比存在的有益效果是:通过将待分类脑纹信号映射到矢量空间,获得待分类脑纹信号的系数矢量,再根据待分类脑纹信号的系数矢量及已有类别在矢量空间中的类别中心和距离门限确定待分类脑纹信号所属的类别,能够实现对待分类脑纹信号的识别。本发明实施例根据已有类别在矢量空间中的类别中心和距离门限对待分类脑纹信号进行分类,在脑纹信号样本数量较少的情况下也能够准确对脑纹信号进行识别,提高脑纹信号的识别准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的脑纹信号识别方法的实现流程图;
图2是本发明实施例提供的脑纹信号识别方法中建立矢量空间的实现流程图;
图3是本发明实施例提供的脑纹信号识别方法中确定各个已有类别的类别中心和距离门限的实现流程图;
图4是本发明实施例提供的脑纹信号识别方法中根据第三距离值确定各个已有类别的距离门限的实现流程图;
图5是本发明实施例提供的脑纹信号识别方法中确定待分类脑纹信号所属的类别的实现流程图;
图6是本发明实施例提供的脑纹信号识别方法中判断待分类脑纹信号是否属于各个已有类别中的类别的实现流程图;
图7是本发明实施例提供的脑纹信号识别方法中确定各个第二类别的距离门限的实现流程图;
图8是本发明实施例提供的脑纹信号识别方法中根据第二距离值确定各个第二类别的距离门限的实现流程图;
图9是本发明实施例提供的脑纹信号识别装置的示意图;
图10是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的脑纹信号识别方法的实现流程图,详述如下:
在S101中,获取待分类脑纹信号,并将所述待分类脑纹信号映射到矢量空间,确定所述待分类脑纹信号的系数矢量。
在本实施例中,执行主体可以为终端设备,如桌上型计算机、笔记本、掌上电脑、手机及云端服务器等计算设备。待分类脑纹信号为需要进行识别的脑纹信号。可以从脑波采集设备获取待分类脑纹信号。
例如,脑波采集设备采集到受试者的脑纹信号,将脑纹信号直接发送到服务器或者通过手机、平板电脑等移动设备将脑纹信号发送到服务器,服务器对脑纹信号进行识别;或者脑波采集设备采集将脑纹信号发送给移动设备,由移动设备对脑纹信号进行识别,移动设备将对脑纹信号的识别结果发送到服务器进行存储。
矢量空间可以为预先建立的矢量空间。可以通过对待分类脑纹信号进行变换,将待分类脑纹信号映射到矢量空间。其中,变换包括但不限于傅里叶变换、小波变换、希尔伯特变换及泰勒级数变换等,在此不作限定。不同的脑纹信号在同一矢量空间内会有不同的系数。待分类脑纹信号的系数矢量为待分类脑纹信号在矢量空间中的系数所形成的矢量。
在S102中,获取各个已有类别在所述矢量空间的类别中心和距离门限。每个已有类别对应一个脑纹信号集合。
在本实施例中,将相同类的脑纹信号组成一个脑纹信号集合,每个脑纹信号集合对应于一个已有类别。每个脑纹信号集合包括至少一个脑纹信号样本。已有类别为当前已经存在的类别。例如,当前共有两个脑纹信号集合,相应的有两个类别,那么这两个类别即为两个已有类别。在脑纹信号识别过程中,已有类别的总个数可以保持不变,也可以增多,例如在识别过程中出现新类别的情况,在进行下一次识别时,该新类别则作为一个新增的已有类别,已有类别的总个数增加1。
例如,在检测受试者是否醉驾的场景中,脑纹信号所属的类别可能为醉驾类别和非醉驾类别,共两个已有类别,在该场景中两个已有类别已经能够完成识别目的,因此在识别过程中不会新增已有类别。在相同情况/刺激下产生的两个或多个脑纹以确定是否同一个人发出的场景中,脑纹信号所属的类别可以为脑纹信号对应的人,那么在识别过程中如果一个脑纹信号不是目前已有类别的人发出的,则可以新增一个类别作为该脑纹信号所属的类别,在该场景中已有类别的总个数可能会随着识别过程而增多。
每个已有类别对应一个类别中心。其中,类别中心为表征该已有类别对应的脑纹信号系数矢量的中心。类别中心可以表示为一个矢量、一组系数或一个坐标值等,在此不作限定。每个已有类别对应一个距离门限。距离门限可以作为判断一个脑纹信号是否属于该已有类别的参考值。已有类别的类别中心与距离门限用于对脑纹信号进行识别分类。
在S103中,根据所述待分类脑纹信号的系数矢量及各个已有类别的类别中心和距离门限,确定所述待分类脑纹信号所属的类别。
在本实施例中,可以根据各个已有类别的类别中心和距离门限以及待分类脑纹信号的系数矢量对待分类脑纹信号进行识别,确定待分类脑纹信号所属的类别。其中,待分类脑纹信号可以属于当前已有类别中的一个类别,也可以属于当前已有类别之外的一个类别,在此不作限定。
本发明实施例通过将待分类脑纹信号映射到矢量空间,获得待分类脑纹信号的系数矢量,再根据待分类脑纹信号的系数矢量及已有类别在矢量空间中的类别中心和距离门限确定待分类脑纹信号所属的类别,能够实现对待分类脑纹信号的识别。本发明实施例根据已有类别在矢量空间中的类别中心和距离门限对待分类脑纹信号进行分类,在脑纹信号样本数量较少的情况下也能够准确对脑纹信号进行识别,提高脑纹信号的识别准确度。
作为本发明的一个实施例,如图2所示,在S101之前,上述方法还可以包括:
在S201中,获取各个已有类别对应的脑纹信号集合,并建立所述矢量空间;每个脑纹信号集合包括至少一个脑纹信号样本。
在本实施例中,在识别待分类脑纹信号之前,可以预先建立矢量空间,并确定各个已有类别在矢量空间中的类别中心和距离门限。在建立矢量空间时,可以将预设的数值作为矢量空间的基,也可以将一个已有的脑纹信号进行变换后的系数作为矢量空间的基,在此不作限定。
在S202中,将各个已有类别对应的脑纹信号样本映射到所述矢量空间,得到各个脑纹信号样本对应的系数矢量。
在本实施例中,一个已有类别对应的脑纹信号样本为该已有类别对应的脑纹信号集合所包含的脑纹信号样本。可以通过对该已有类别对应的脑纹信号样本进行变换,将其映射到矢量空间,获得该已有类别对应的脑纹信号样本的系数矢量。其中,变换包括但不限于傅里叶变换、小波变换、希尔伯特变换及泰勒级数变换等,可以根据实际需求确定,在此不作限定。
在S203中,根据各个已有类别对应的脑纹信号样本的系数矢量确定各个已有类别的类别中心和距离门限。
在本实施例中,可以根据一个已有类别对应的脑纹信号样本的系数矢量确定该已有类别的类别中心和距离门限。
可选地,任一已有类别的类别中心为该任一已有类别对应的各个脑纹信号样本的系数矢量的运算结果。
在本实施例中,一个已有类别的类别中心为该已有类别对应的各个脑纹信号样本的系数矢量的运算结果。若该已有类别对应的脑纹信号集合中只包含一个脑纹信号样本,那么该已有类别的类别中心为该脑纹信号样本的系数或系数矢量。若该已有类别对应的脑纹信号集合中包含两个及两个以上脑纹信号样本,那么该已有类别的类别中心为这些脑纹信号样本的系数矢量的运算结果。其中运算结果是指对这些系数矢量进行数学运算的结果。数学运算可以为数学运算(如相乘、相加等),或者数学运算的组合等,在此不作限定。
可选地,任一已有类别的类别中心为所述矢量空间内到该任一已有类别对应的各个脑纹信号样本的系数矢量的距离平均值最小的矢量。
在本实施例中,可以选取在矢量空间内到一个已有类别对应的各个脑纹信号样本的系数矢量之间的距离平均值最小的矢量,作为该已有类别的类别中心。例如,可以直接对该已有类别对应的各个脑纹信号样本的系数矢量进行数学运算,得到与各个系数矢量的距离平均值最小的矢量;或者在矢量空间内选取多个候选矢量,分别计算各个候选矢量到该已有类别对应的各个脑纹信号样本的系数矢量的距离平均值,从多个候选矢量中选取对应距离平均值最小的候选矢量作为该已有类别的类别中心。需要注意的是,到各个脑纹信号样本的系数矢量的距离平均值最小的矢量还有其他的求取方法,在此不作限定。
本实施例通过将矢量空间内到一个已有类别对应的各个脑纹信号样本的系数矢量的距离平均值最小的矢量作为该已有类别的类别中心,能够使确定出的类别中心更加准确地反映该已有类别对应的脑纹信号集合的中心,从而提高识别准确度。
作为本发明的一个实施例,如图3所示,S203可以包括:
在S301中,根据各个已有类别对应的脑纹信号样本的系数矢量确定各个已有类别的类别中心。
在本实施例中,根据一个已有类别对应的脑纹信号样本的系数矢量可以确定该已有类别的类别中心。
在S302中,计算各个已有类别的类别中心之间的第三距离值。
在本实施例中,可以根据各个已有类别的类别中心,分别计算任意两个已有类别的类别中心之间的距离,获取各个已有类别的类别中心之间的第三距离值。例如,共有已有类别A、已有类别B和已有类别C三个类别,则第三距离值可以包括A的类别中心与B的类别中心之间的距离值,A的类别中心与C的类别中心之间的距离值,以及B的类别中心与C的类别中心之间的距离值。
在S303中,根据所述第三距离值确定各个已有类别的距离门限。
在本实施例中,可以根据S302中计算出的第三距离值确定各个已有类别的距离门限。
作为本发明的一个实施例,如图4所示,S303可以包括:
在S401中,根据所述第三距离值计算任一已有类别的类别中心与其他已有类别的类别中心之间的平均距离;每个已有类别对应一个平均距离。
在本实施例中,可以将一个已有类别的类别中心与其他已有类别的类别中心之间的平均距离作为该已有类别对应的平均距离。例如共有已有类别A、已有类别B和已有类别C三个类别,A的类别中心与B的类别中心之间的距离值为AB,A的类别中心与C的类别中心之间的距离值为AC,则A对应的平均距离为AB和AC两个值求平均。
在S402中,若该任一已有类别对应的平均距离小于第三预设阈值,则将一个小于第四预设阈值的值作为该任一已有类别的距离门限。
在本实施例中,若一个已有类别对应的平均距离小于第三预设阈值,则将该已有类别的距离门限确定为一个小于第四预设阈值的值。
在S403中,若该任一已有类别对应的平均距离大于所述第三预设阈值,则将一个大于所述第四预设阈值的值作为该任一已有类别的距离门限。
在本实施例中,若一个已有类别对应的平均距离大于第三预设阈值,则将该已有类别的距离门限确定为一个大于第四预设阈值的值。
可选地,所述第三预设阈值为各个已有类别的类别中心之间第三距离值的平均值。
在本实施例中,可以将各个已有类别的类别中心之间的距离值的平均值作为第三预设阈值。例如,共有已有类别A、已有类别B和已有类别C三个类别,A的类别中心与B的类别中心之间的距离值为AB,A的类别中心与C的类别中心之间的距离值为AC,B的类别中心与C的类别中心之间的距离值为BC,则第三预设阈值为AB、AC及BC的平均值。
在本实施例中,通过将各个已有类别的类别中心之间第三距离值的平均值作为第三预设阈值,并将第三预设阈值与一个已有类别对应的平均距离进行对比,来确定该已有类别的距离门限的取值,能够通过对比结果为已有类别设置更加恰当的距离门限,从而使脑纹信号分类更加准确。例如,类别A距离其他类别都比较远,就意味着类别A周围比较空旷,此时类别A对应的平均距离大于所有类别之间第三距离值的平均值,则将一个较大的值(如大于第四预设阈值的一个数值)作为类别A的距离门限;类别B距离其他类别都比较近,就意味着类别B周围比较密集,此时类别B对应的平均距离小于所有类别之间第三距离值的平均值,则将一个较小的值(如小于第四预设阈值的一个数值)作为类别A的距离门限。这样在确定一个类别的距离门限时能够充分考虑到该类别周围的类别分布情况(密集或稀疏等),从而使距离门限的设置更加合理,提高分类准确度。
可选地,每个已有类别对应一个第四预设阈值,任一已有类别的第四预设阈值为该任一已有类别对应的平均距离与预设系数的乘积,其中预设系数大于0且小于等于1。
在本实施例中,可以将一个已有类别对应的平均距离与预设系数的乘积作为该已有类别的第四预设阈值。例如,一个已有类别对应的平均距离为a,则可以将a*m作为该已有类别的第四预设阈值,其中0<m≤1。
在本实施例中,通过将一个已有类别对应的平均距离与预设系数的乘积值作为该已有类别第四预设阈值,能够通过预设系数对第四预设阈值进行调节,从而对该已有类别的距离门限进行调节,能够增强本实施例提供的识别方法的适用性及准确性。例如,某一个类别距离其他样本都比较远,就意味着该类别周围比较空旷。此时,如果直接利用该类别对应的平均距离来做该类别的距离门限进行分类判断,可能会掩盖了实际存在的新类别。本实施例通过乘上一个预设系数能够调整这个类别的距离门限,避免该类别的距离门限过大导致覆盖属于新类别的信号样本的情况,从而使分类更加准确。
作为本发明的一个实施例,如图5所示,S103可以包括:
在S501中,分别计算所述待分类脑纹信号的系数矢量与各个已有类别的类别中心之间的第一距离值;每个第一距离值与一个已有类别相对应。
在S502中,根据各个第一距离值和对应已有类别的距离门限,判断所述待分类脑纹信号是否属于各个已有类别中的类别。
在本实施例中,可以计算待分类脑纹信号的系数矢量与各个已有类别的类别中心之间的第一距离值,再根据各个第一距离值和对应已有类别的距离门限,判断待分类脑纹信号是否属于各个已有类别中的类别。
作为本发明的一个实施例,如图6所示,S502可以包括:
在S601中,将任一第一距离值与对应已有类别的距离门限进行对比。
在S602中,若存在一个第一距离值小于对应已有类别的距离门限,则判定所述待分类脑纹信号属于该第一距离值对应的已有类别。
在本实施例中,可以将待分类脑纹信号的一个第一距离值与该第一距离值对应已有类别的距离门限进行对比。若该第一距离值小于对应已有类别的距离门限,则将判定待分类脑纹信号属于该第一距离值对应的已有类别。
在S503中,若所述待分类脑纹信号属于各个已有类别中的类别,则将所述待分类脑纹信号加入第一类别对应的脑纹信号集合,得到更新后的脑纹信号集合,并根据所述更新后的脑纹信号集合重新确定所述第一类别的类别中心;所述第一类别为所述待分类脑纹信号所属的类别。
在本实施例中,若待分类脑纹信号属于已有类别中的一个类别,则将该类别作为第一类别,将待分类脑纹信号添加到该第一类别对应的脑纹信号集合,得到更新后的脑纹信号集合,并根据更新后的脑纹信号集合重新确定该第一类别的类别中心。
本实施例在判定出待分类脑纹信号属于已有类别中的一个类别后,将待分类脑纹信号加入所属类别对应的脑纹信号集合,并重新确定所属类别的类别中心。
可选地,重新确定所属类别的类别中心的过程可以包括:
在待分类脑纹信号所属类别原有的类别中心附近预设区域内选取多个候选矢量(如将原有的类别中心对应的各个系数随机进行微调,得到多个候选矢量等),分别计算原有的类别中心以及各个候选矢量到该类别对应的各个脑纹信号(包括待分类脑纹信号)的系数矢量的距离平均值,将原有的类别中心和所有候选矢量中对应距离平均值最小的矢量作为加入待分类脑纹信号后该类别的类别中心。
由于加入一个待分类脑纹信号通常对该类别的类别中心的影响较小,即重新确定出的该类别的类别中心通常会在原有的类别中心附近,因此,本实施例通过在待分类脑纹信号所属类别原有的类别中心附近选取多个候选矢量,将原有的类别中心和所有候选矢量中对应距离平均值最小的矢量作为加入待分类脑纹信号后该类别的类别中心,能够快速准确的重新确定该类别的类别中心,提高类别中心的确定速度,提高识别效率。
作为本发明的一个实施例,在S502之后,上述方法还可以包括:
若所述待分类脑纹信号不属于各个已有类别中的类别,则建立新增类别,并根据所述待分类脑纹信号的系数矢量确定所述新增类别的类别中心。
在本实施例中,在判定出待分类脑纹信号不属于已有类别中的类别后,建立一个新增类别,将待分类脑纹信号添加到该新增类别对应的脑纹信号集合,此时该新增类别对应的脑纹信号集合只包含待分类脑纹信号,可以根据待分类脑纹信号的系数矢量确定新增类别的类别中心。例如,新增类别中只包含待分类脑纹信号一个信号,可以直接将该待分类脑纹信号的系数矢量作为新增类别的中心。
作为本发明的一个实施例,如图7所示,在步骤“若所述待分类脑纹信号不属于各个已有类别中的类别,则建立新增类别,并根据所述待分类脑纹信号的系数矢量确定所述新增类别的类别中心”之后,上述方法还可以包括:
在S701中,获取各个第二类别的类别中心之间的第二距离值;所述第二类别为所述新增类别和各个已有类别组成的更新后类别中的类别。
在S702中,根据所述第二距离值确定各个第二类别的距离门限。
在本实施例中,可以将新增类别添加到已有类别中,组成更新后类别。更新后类别中包括新增类别和原有的已有类别。在下一次脑纹信号识别过程中,则将更新后类别中的全部类别作为已有类别,对下一个待分类脑纹信号进行识别。
在确定新增类别的类别中心后,可以对更新后类别中的各个类别的距离门限重新进行计算。为便于描述,本文中将更新后类别中的类别称为第二类别,即原有的已有类别为第二类别,新增类别也为第二类别。例如,原有已有类别为A,B,C和D;新增类别为E;则更新后类别包括A,B,C,D和E,这五个类别都称为第二类别。
可以根据各个第二类别的类别中心,分别计算任意两个第二类别的类别中心之间的距离,获取各个第二类别的类别中心之间的第二距离值,再根据计算出的第二距离值确定各个第二类别的距离门限。
作为本发明的一个实施例,如图8所示,S702可以包括:
在S801中,根据所述第二距离值计算任一第二类别的类别中心与其他第二类别的类别中心之间的平均距离。每个第二类别对应一个平均距离。
在S802中,若该任一第二类别对应的平均距离小于第一预设阈值,则将一个小于第二预设阈值的值作为该任一第二类别的距离门限。
在S803中,若该任一第二类别对应的平均距离大于所述第一预设阈值,则将一个大于所述第二预设阈值的值作为该任一第二类别的距离门限。
在本实施例中,S801至S803的距离门限的确定方式与前文中S401至S403的距离门限确定方式及所带来的有益效果相同,此处仅做简要叙述,不赘述。
具体确定方式如下:
可以将一个第二类别的类别中心与其他第二类别的类别中心之间的平均距离作为该第二类别对应的平均距离。若一个第二类别对应的平均距离小于第一预设阈值,则将该第二类别的距离门限确定为一个小于第二预设阈值的值。若一个第二类别对应的平均距离大于第一预设阈值,则将该第二类别的距离门限确定为一个大于第二预设阈值的值。
可选地,所述第一预设阈值为各个第二类别的类别中心之间第二距离值的平均值。
在本实施例中,可以将各个第二类别的类别中心之间的距离值的平均值作为第一预设阈值。
可选地,每个第二类别对应一个第二预设阈值,所述任一第二类别的第二预设阈值为该任一第二类别对应的平均距离与预设系数的乘积,其中预设系数大于0且小于等于1。
在本实施例中,可以将一个第二类别对应的平均距离与预设系数的乘积作为该第二类别的第二预设阈值。
本发明实施例在新增加样本时,能迅速在已有类别中加入新样本或者建立新样本的分类,并通过调整距离门限使得脑纹信号的识别更加准确。
本发明实施例通过将待分类脑纹信号映射到矢量空间,获得待分类脑纹信号的系数矢量,再根据待分类脑纹信号的系数矢量及已有类别在矢量空间中的类别中心和距离门限确定待分类脑纹信号所属的类别,能够实现对待分类脑纹信号的识别。本发明实施例根据已有类别在矢量空间中的类别中心和距离门限对待分类脑纹信号进行分类,在脑纹信号样本数量较少的情况下也能够准确对脑纹信号进行识别,提高脑纹信号的识别准确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的脑纹信号识别方法,图9示出了本发明实施例提供的脑纹信号识别装置的示意图。为了便于说明,仅示出了与本实施例相关的部分。
参照图9,该装置包括第一获取模块91、第二获取模块92和处理模块93。
第一获取模块91,用于获取待分类脑纹信号,并将所述待分类脑纹信号映射到矢量空间,确定所述待分类脑纹信号的系数矢量;
第二获取模块92,用于获取各个已有类别在所述矢量空间的类别中心和距离门限;每个已有类别对应一个脑纹信号集合;
处理模块93,用于根据所述待分类脑纹信号的系数矢量及各个已有类别的类别中心和距离门限,确定所述待分类脑纹信号所属的类别。
可选地,所述处理模块93用于:
分别计算所述待分类脑纹信号的系数矢量与各个已有类别的类别中心之间的第一距离值;每个第一距离值与一个已有类别相对应;
根据各个第一距离值和对应已有类别的距离门限,判断所述待分类脑纹信号是否属于各个已有类别中的类别;
若所述待分类脑纹信号属于各个已有类别中的类别,则将所述待分类脑纹信号加入第一类别对应的脑纹信号集合,得到更新后的脑纹信号集合,并根据所述更新后的脑纹信号集合重新确定所述第一类别的类别中心;所述第一类别为所述待分类脑纹信号所属的类别。
可选地,所述处理模块93用于:
将任一第一距离值与对应已有类别的距离门限进行对比;
若存在一个第一距离值小于对应已有类别的距离门限,则判定所述待分类脑纹信号属于该第一距离值对应的已有类别。
可选地,所述处理模块93用于:
若所述待分类脑纹信号不属于各个已有类别中的类别,则建立新增类别,并根据所述待分类脑纹信号的系数矢量确定所述新增类别的类别中心。
可选地,所述处理模块93用于:
获取各个第二类别的类别中心之间的第二距离值;所述第二类别为所述新增类别和各个已有类别组成的更新后类别中的类别;
根据所述第二距离值确定各个第二类别的距离门限。
可选地,所述处理模块93用于:
根据所述第二距离值计算任一第二类别的类别中心与其他第二类别的类别中心之间的平均距离;每个第二类别对应一个平均距离;
若该任一第二类别对应的平均距离小于第一预设阈值,则将一个小于第二预设阈值的值作为该任一第二类别的距离门限;
若该任一第二类别对应的平均距离大于所述第一预设阈值,则将一个大于所述第二预设阈值的值作为该任一第二类别的距离门限。
可选地,所述第一预设阈值为各个第二类别的类别中心之间第二距离值的平均值。
可选地,每个第二类别对应一个第二预设阈值,所述任一第二类别的第二预设阈值为该任一第二类别对应的平均距离与预设系数的乘积,其中预设系数大于0且小于等于1。
可选地,该装置还包括建立模块,所述建立模块用于:
获取各个已有类别对应的脑纹信号集合,并建立所述矢量空间;每个脑纹信号集合包括至少一个脑纹信号样本;
将各个已有类别对应的脑纹信号样本映射到所述矢量空间,得到各个脑纹信号样本对应的系数矢量;
根据各个已有类别对应的脑纹信号样本的系数矢量确定各个已有类别的类别中心和距离门限。
可选地,任一已有类别的类别中心为该任一已有类别对应的各个脑纹信号样本的系数矢量的运算结果。
可选地,所述任一已有类别的类别中心为所述矢量空间内到该任一已有类别对应的各个脑纹信号样本的系数矢量的距离平均值最小的矢量。
可选地,所述建立模块用于:
根据各个已有类别对应的脑纹信号样本的系数矢量确定各个已有类别的类别中心;
计算各个已有类别的类别中心之间的第三距离值;
根据所述第三距离值确定各个已有类别的距离门限。
可选地,所述建立模块用于:
根据所述第三距离值计算任一已有类别的类别中心与其他已有类别的类别中心之间的平均距离;每个已有类别对应一个平均距离;
若该任一已有类别对应的平均距离小于第三预设阈值,则将一个小于第四预设阈值的值作为该任一已有类别的距离门限;
若该任一已有类别对应的平均距离大于所述第三预设阈值,则将一个大于所述第四预设阈值的值作为该任一已有类别的距离门限。
本发明实施例通过将待分类脑纹信号映射到矢量空间,获得待分类脑纹信号的系数矢量,再根据待分类脑纹信号的系数矢量及已有类别在矢量空间中的类别中心和距离门限确定待分类脑纹信号所属的类别,能够实现对待分类脑纹信号的识别。本发明实施例根据已有类别在矢量空间中的类别中心和距离门限对待分类脑纹信号进行分类,在脑纹信号样本数量较少的情况下也能够准确对脑纹信号进行识别,提高脑纹信号的识别准确度。
图10是本发明一实施例提供的终端设备的示意图。如图10所示,该实施例的终端设备10包括:处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102,例如程序。所述处理器100执行所述计算机程序102时实现上述各个方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能,例如图9所示模块91至93的功能。
示例性的,所述计算机程序102可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器101中,并由所述处理器100执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序102在所述终端设备10中的执行过程。
所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图10仅仅是终端设备10的示例,并不构成对终端设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。
所称处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是所述终端设备10的内部存储单元,例如终端设备10的硬盘或内存。所述存储器101也可以是所述终端设备10的外部存储设备,例如所述终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括所述终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (15)
1.一种脑纹信号识别方法,其特征在于,包括:
获取待分类脑纹信号,并将所述待分类脑纹信号映射到矢量空间,确定所述待分类脑纹信号的系数矢量;
获取各个已有类别在所述矢量空间的类别中心和距离门限;每个已有类别对应一个脑纹信号集合;
根据所述待分类脑纹信号的系数矢量及各个已有类别的类别中心和距离门限,确定所述待分类脑纹信号所属的类别。
2.如权利要求1所述的脑纹信号识别方法,其特征在于,所述根据所述待分类脑纹信号的系数矢量及各个已有类别的类别中心和距离门限,确定所述待分类脑纹信号所属的类别包括:
分别计算所述待分类脑纹信号的系数矢量与各个已有类别的类别中心之间的第一距离值;每个第一距离值与一个已有类别相对应;
根据各个第一距离值和对应已有类别的距离门限,判断所述待分类脑纹信号是否属于各个已有类别中的类别;
若所述待分类脑纹信号属于各个已有类别中的类别,则将所述待分类脑纹信号加入第一类别对应的脑纹信号集合,得到更新后的脑纹信号集合,并根据所述更新后的脑纹信号集合重新确定所述第一类别的类别中心;所述第一类别为所述待分类脑纹信号所属的类别。
3.如权利要求2所述的脑纹信号识别方法,其特征在于,所述根据各个第一距离值和对应已有类别的距离门限,判断所述待分类脑纹信号是否属于各个已有类别中的类别包括:
将任一第一距离值与对应已有类别的距离门限进行对比;
若存在一个第一距离值小于对应已有类别的距离门限,则判定所述待分类脑纹信号属于该第一距离值对应的已有类别。
4.如权利要求2所述的脑纹信号识别方法,其特征在于,在所述根据各个第一距离值和对应已有类别的距离门限,判断所述待分类脑纹信号是否属于各个已有类别中的类别之后,还包括:
若所述待分类脑纹信号不属于各个已有类别中的类别,则建立新增类别,并根据所述待分类脑纹信号的系数矢量确定所述新增类别的类别中心。
5.如权利要求4所述的脑纹信号识别方法,其特征在于,在所述根据所述待分类脑纹信号的系数矢量确定所述新增类别的类别中心之后,还包括:
获取各个第二类别的类别中心之间的第二距离值;所述第二类别为所述新增类别和各个已有类别组成的更新后类别中的类别;
根据所述第二距离值确定各个第二类别的距离门限。
6.如权利要求5所述的脑纹信号识别方法,其特征在于,所述根据所述第二距离值确定各个第二类别的距离门限包括:
根据所述第二距离值计算任一第二类别的类别中心与其他第二类别的类别中心之间的平均距离;每个第二类别对应一个平均距离;
若该任一第二类别对应的平均距离小于第一预设阈值,则将一个小于第二预设阈值的值作为该任一第二类别的距离门限;
若该任一第二类别对应的平均距离大于所述第一预设阈值,则将一个大于所述第二预设阈值的值作为该任一第二类别的距离门限。
7.如权利要求6所述的脑纹信号识别方法,其特征在于,所述第一预设阈值为各个第二类别的类别中心之间第二距离值的平均值。
8.如权利要求6所述的脑纹信号识别方法,其特征在于,每个第二类别对应一个第二预设阈值,任一第二类别的第二预设阈值为该任一第二类别对应的平均距离与预设系数的乘积,其中预设系数大于0且小于等于1。
9.如权利要求1至8任一项所述的脑纹信号识别方法,其特征在于,在所述获取待分类脑纹信号,并确定所述待分类脑纹信号在矢量空间中的系数矢量之前,还包括:
获取各个已有类别对应的脑纹信号集合,并建立所述矢量空间;每个脑纹信号集合包括至少一个脑纹信号样本;
将各个已有类别对应的脑纹信号样本映射到所述矢量空间,得到各个脑纹信号样本对应的系数矢量;
根据各个已有类别对应的脑纹信号样本的系数矢量确定各个已有类别的类别中心和距离门限。
10.如权利要求9所述的脑纹信号识别方法,其特征在于,任一已有类别的类别中心为该任一已有类别对应的各个脑纹信号样本的系数矢量的运算结果。
11.如权利要求9所述的脑纹信号识别方法,其特征在于,任一已有类别的类别中心为所述矢量空间内到该任一已有类别对应的各个脑纹信号样本的系数矢量的距离平均值最小的矢量。
12.如权利要求9所述的脑纹信号识别方法,其特征在于,所述根据各个已有类别对应的脑纹信号样本的系数矢量确定各个已有类别的类别中心和距离门限包括:
根据各个已有类别对应的脑纹信号样本的系数矢量确定各个已有类别的类别中心;
计算各个已有类别的类别中心之间的第三距离值;
根据所述第三距离值确定各个已有类别的距离门限。
13.如权利要求12所述的脑纹信号识别方法,其特征在于,所述根据所述第三距离值确定各个已有类别的距离门限包括:
根据所述第三距离值计算任一已有类别的类别中心与其他已有类别的类别中心之间的平均距离;每个已有类别对应一个平均距离;
若该任一已有类别对应的平均距离小于第三预设阈值,则将一个小于第四预设阈值的值作为该任一已有类别的距离门限;
若该任一已有类别对应的平均距离大于所述第三预设阈值,则将一个大于所述第四预设阈值的值作为该任一已有类别的距离门限。
14.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至13任一项所述方法的步骤。
15.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至13任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811114765.2A CN109508087A (zh) | 2018-09-25 | 2018-09-25 | 脑纹信号识别方法及终端设备 |
US16/370,856 US20200093392A1 (en) | 2018-09-25 | 2019-03-29 | Brainprint signal recognition method and terminal device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811114765.2A CN109508087A (zh) | 2018-09-25 | 2018-09-25 | 脑纹信号识别方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109508087A true CN109508087A (zh) | 2019-03-22 |
Family
ID=65746060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811114765.2A Pending CN109508087A (zh) | 2018-09-25 | 2018-09-25 | 脑纹信号识别方法及终端设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200093392A1 (zh) |
CN (1) | CN109508087A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856307A (zh) * | 2019-03-27 | 2019-06-07 | 大连理工大学 | 一种代谢组分子变量综合筛选技术 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257680B (zh) * | 2020-11-23 | 2023-06-23 | 中国联合网络通信集团有限公司 | 脑纹身份认证识别方法、服务器及计算机可读存储介质 |
CN114081505A (zh) * | 2021-12-23 | 2022-02-25 | 成都信息工程大学 | 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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070167718A1 (en) * | 1996-09-16 | 2007-07-19 | Kaufman Arie E | System and method for performing a three-dimentional virtual examination of objects, such as internal organs |
AU2007237336A1 (en) * | 2001-05-15 | 2008-01-10 | Psychogenics Inc. | Systems and methods for monitoring behaviour informatics |
US20160242690A1 (en) * | 2013-12-17 | 2016-08-25 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
CN106446148A (zh) * | 2016-09-21 | 2017-02-22 | 中国运载火箭技术研究院 | 一种基于聚类的文本查重方法 |
CN107067045A (zh) * | 2017-05-31 | 2017-08-18 | 北京京东尚科信息技术有限公司 | 数据聚类方法、装置、计算机可读介质和电子设备 |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别系统及方法 |
US20170278125A1 (en) * | 2016-02-26 | 2017-09-28 | Edatanetworks Inc. | Loyalty program incenting merchant tranacation with customer affinity |
CN107550491A (zh) * | 2017-09-11 | 2018-01-09 | 东北大学 | 一种多类别运动想象分类识别方法 |
-
2018
- 2018-09-25 CN CN201811114765.2A patent/CN109508087A/zh active Pending
-
2019
- 2019-03-29 US US16/370,856 patent/US20200093392A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070167718A1 (en) * | 1996-09-16 | 2007-07-19 | Kaufman Arie E | System and method for performing a three-dimentional virtual examination of objects, such as internal organs |
AU2007237336A1 (en) * | 2001-05-15 | 2008-01-10 | Psychogenics Inc. | Systems and methods for monitoring behaviour informatics |
US20160242690A1 (en) * | 2013-12-17 | 2016-08-25 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
US20170278125A1 (en) * | 2016-02-26 | 2017-09-28 | Edatanetworks Inc. | Loyalty program incenting merchant tranacation with customer affinity |
CN106446148A (zh) * | 2016-09-21 | 2017-02-22 | 中国运载火箭技术研究院 | 一种基于聚类的文本查重方法 |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别系统及方法 |
CN107067045A (zh) * | 2017-05-31 | 2017-08-18 | 北京京东尚科信息技术有限公司 | 数据聚类方法、装置、计算机可读介质和电子设备 |
CN107550491A (zh) * | 2017-09-11 | 2018-01-09 | 东北大学 | 一种多类别运动想象分类识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856307A (zh) * | 2019-03-27 | 2019-06-07 | 大连理工大学 | 一种代谢组分子变量综合筛选技术 |
CN109856307B (zh) * | 2019-03-27 | 2021-04-16 | 大连理工大学 | 一种代谢组分子变量综合筛选技术 |
Also Published As
Publication number | Publication date |
---|---|
US20200093392A1 (en) | 2020-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghaseminezhad et al. | A novel self-organizing map (SOM) neural network for discrete groups of data clustering | |
CN111931592B (zh) | 对象识别方法、装置及存储介质 | |
CN108280477A (zh) | 用于聚类图像的方法和装置 | |
CN109508087A (zh) | 脑纹信号识别方法及终端设备 | |
CN110648289B (zh) | 图像的加噪处理方法及装置 | |
CN109064475A (zh) | 针对宫颈脱落细胞图像的图像分割方法和装置 | |
US9529935B2 (en) | Efficient link management for graph clustering | |
CN110109975A (zh) | 数据聚类方法及装置 | |
CN113254491A (zh) | 一种信息推荐的方法、装置、计算机设备及存储介质 | |
CN110741387A (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
CN106503631A (zh) | 一种人群分析方法及计算机设备 | |
CN109697090A (zh) | 一种控制终端设备的方法、终端设备及存储介质 | |
CN109859124A (zh) | 一种深度图像降噪方法及装置 | |
WO2019062404A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN109447103A (zh) | 一种基于硬聚类算法的大数据分类方法、装置及设备 | |
CN112036316B (zh) | 手指静脉识别方法、装置、电子设备及可读存储介质 | |
CN108960246A (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN113378790A (zh) | 视点定位方法、装置、电子设备和计算机可读存储介质 | |
CN112862095A (zh) | 基于特征分析的自蒸馏学习方法、设备以及可读存储介质 | |
CN104765776B (zh) | 一种数据样本的聚类方法和装置 | |
CN115795355B (zh) | 一种分类模型训练方法、装置及设备 | |
CN112214684A (zh) | 一种种子扩展的重叠社区发现方法及装置 | |
CN109800707A (zh) | 一种基于cnn模型的人脸识别方法、装置及存储介质 | |
CN114140642A (zh) | 一种建档方法、装置、电子设备及计算机可读存储介质 | |
CN114078214A (zh) | 一种基于复数神经网络的雷达目标rcs识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20190322 |