CN109684296A - 脑纹识别数据库构建方法、装置、计算机设备和存储介质 - Google Patents
脑纹识别数据库构建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109684296A CN109684296A CN201811535233.6A CN201811535233A CN109684296A CN 109684296 A CN109684296 A CN 109684296A CN 201811535233 A CN201811535233 A CN 201811535233A CN 109684296 A CN109684296 A CN 109684296A
- Authority
- CN
- China
- Prior art keywords
- signal data
- eeg signal
- testee
- brain
- brain line
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种脑纹识别数据库构建方法、装置、计算机设备和存储介质。所述方法包括:接收被测试者的脑电波信号数据,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据,根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据,根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合,根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库。采用本方法能够在进行生物识别时,通过脑纹识别数据库中的脑纹特征对被测试者进行识别,提高了识别的安全性。
Description
技术领域
本申请涉及生物识别技术领域,特别是涉及一种脑纹识别数据库构建方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,出现了生物识别技术,生物识别技术就是通过计算机与光学、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和行为特征来进行个人身份的鉴定。目前常见的生物识别方法包括指纹识别、脸像识别、虹膜识别、声纹识别以及掌纹识别等。
然而,目前的生物识别方法,仍然存在容易被篡改、被复制等缺点,存在安全性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高生物识别方法安全性的脑纹识别数据库构建方法、装置、计算机设备和存储介质。
一种脑纹识别数据库构建方法,所述方法包括:
接收被测试者的脑电波信号数据;
对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
根据预设的EEGnet(Electroencephalogram net,脑电波网)卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合;
根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征;
根据被测试者的脑纹特征,构建脑纹识别数据库。
在其中一个实施例中,根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合包括:
根据EEGnet卷积神经网络算法中的时间卷积层,学习第二脑电波信号数据的频率滤波特征,提取第二脑电波信号数据的频率特征图集合;
根据EEGnet卷积神经网络算法中的深度卷积层,学习频率特征图集合中各频率特征图的空间滤波特征,提取各频率特征图的空间滤波特征数据集合;
将各频率特征图的空间滤波特征数据集合,作为第二脑电波信号数据的空间滤波特征数据集合。
在其中一个实施例中,根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征包括:
根据EEGnet卷积神经网络算法中的可分离卷积层,学习第二脑电波信号数据的空间滤波特征数据集合中各频率特征图的空间滤波特征数据集合,提取第二脑电波信号数据的脑纹特征。
在其中一个实施例中,根据被测试者的脑纹特征,构建脑纹识别数据库包括:
获取被测试者的信息,建立被测试者的信息以及脑纹特征的关联关系;
根据关联关系,构建脑纹识别数据库。
在其中一个实施例中,根据关联关系,构建脑纹识别数据库之后,包括:
推送用于诱发脑电波信号的图片至被测试者;
接收被测试者的验证信号数据;
提取验证信号数据的数据特征;
根据数据特征遍历脑纹识别数据库中的脑纹特征集合;
根据遍历结果,检验脑纹识别数据库。
在其中一个实施例中,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据包括:
调用独立成分分析算法或低通滤波算法,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据。
一种脑纹识别数据库构建装置,所述装置包括:
接收模块,用于接收被测试者的脑电波信号数据;
去噪声模块,用于对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
筛选模块,用于根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
特征提取模块,用于根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合;
第一处理模块,用于根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征;
第二处理模块,用于根据被测试者的脑纹特征,构建脑纹识别数据库。
在其中一个实施例中,特征提取模块还用于根据EEGnet卷积神经网络算法中的时间卷积层,学习第二脑电波信号数据的频率滤波特征,提取第二脑电波信号数据的频率特征图集合,根据EEGnet卷积神经网络算法中的深度卷积层,学习频率特征图集合中各频率特征图的空间滤波特征,提取各频率特征图的空间滤波特征数据集合,将各频率特征图的空间滤波特征数据集合,作为第二脑电波信号数据的空间滤波特征数据集合。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
接收被测试者的脑电波信号数据;
对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合;
根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征;
根据被测试者的脑纹特征,构建脑纹识别数据库。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收被测试者的脑电波信号数据;
对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合;
根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征;
根据被测试者的脑纹特征,构建脑纹识别数据库。
上述脑纹识别数据库构建方法、装置、计算机设备和存储介质,接收被测试者的脑电波信号数据,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据,根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合,根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库。通过这种方式,根据被测试者的脑电波信号数据,获取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库,从而在进行生物识别时,通过脑纹识别数据库中的脑纹特征对被测试者进行识别,提高了识别的安全性。
附图说明
图1为一个实施例中脑纹识别数据库构建方法的流程示意图;
图2为一个实施例中图1中步骤S108的子流程示意图;
图3为另一个实施例中脑纹识别数据库构建方法的流程示意图;
图4为另一个实施例中脑纹识别数据库构建方法的流程示意图;
图5为一个实施例中图4中步骤S404之后的子流程示意图;
图6为另一个实施例中脑纹识别数据库构建方法的流程示意图;
图7为一个实施例中脑纹识别数据库构建装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种脑纹识别数据库构建方法,包括以下步骤:
S102:接收被测试者的脑电波信号数据。
被测试者的脑电波信号数据通过推送视觉刺激至被测试者获得,被测试者的脑电波信号数据指的是VEP(Visual Evoked Potential,视觉诱发电位)信号数据,VEP信号是在特定视觉刺激期间(例如图片刺激)诱发的一种脑电波信号,每个人在看到特定图片时诱发的脑电波信号都不一样。因此,可以利用VEP信号的这个特性来做生物识别对被刺激者的身份进行验证。
S104:对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据。
接收到的脑电波信号数据中会夹杂眨眼信号、肌电信号,头动伪影和工频干扰等噪声,所以在获取到脑电波信号数据之后,需要对脑电波信号处理进行去噪声处理,去除其中的噪声,获取去噪声后的第一脑电波信号数据。
S106:根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据。
带通滤波指的是允许特定频段的波通过,同时过滤掉其他频段的波的一种滤波方式。带通滤波算法可基于带通滤波器,按照自己的需要设置。举例说明,可以按照巴特沃斯滤波器设置带通滤波算法。进一步的,在其中一个实施例中,可以设置带通滤波的通带为30HZ(赫兹)-50HZ,30HZ-50HZ的VEP信号对应的波段,涉及较高的处理任务和认知功能。由于记忆、认知水平通常存在着很大的个体差异,因而可以用此波段的VEP信号进行身份识别。
S108:根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。由于卷积神经网络能够进行平移不变分类,因此也被成为“平移不变人工神经网络”。卷积神经网络已经成功地应用于计算机视觉,语音识别和脑机接口,实现了自动特征提取和分类。在本申请中,我们应用到一种基于EEG-BCIs(Electroencephalogram-Brain Computer Interface,脑电波-脑机接口技术)的紧凑卷积神经网络EEGnet。EEGnet网络最初应用于从不同的BCI(脑-机接口)范式中准确地分类EEG信号,该网络架构适用于多种BCI范式被试间和被试内的分类,包括视觉诱发电位P300、错误相关负波、运动相关皮层电位以及感觉运动节律等。EEGNe网络的通用性好,可以适用于不同的BCI范式,样本量要求不高,可以用非常有限的数据来做训练,提供可解释的神经生理学特征。EEGNet包括三层,分别为时间卷积层、深度卷积层以及可分离卷积层。
根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,可以提取出第二脑电波信号数据中的特征数据,第二脑电波信号数据中的特征数据包括频率特征数据和各频率特征数据的空间滤波特征数据。空间滤波特征数据集合中包括多个不同的空间滤波特征数据。因为采集的脑电波信号有多个通道,所以脑电波信号数据具有空间信息,可以根据采集的脑电波信号的通道数,确定提取空间滤波特征数据时的kernel(核)的大小,从而根据不同的kernel提取不同的空间滤波特征数据。举例说明,若采集的是64通道的脑电波信号,可以通过大小为(64,1)的kernel,对第二脑电波信号数据提取空间滤波特征数据。
S110:根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征。
空间滤波特征数据集合中包括多个不同的空间滤波特征数据,在生成被测试者的脑纹特征时,需要将多个不同的空间滤波特征数据混合,根据混合后的特征数据,确定被测试者的脑纹特征,脑纹特征即混合后的空间滤波特征,混合的方式可以为卷积运算。
S112:根据被测试者的脑纹特征,构建脑纹识别数据库。
在获取到被测试者的脑纹特征之后,需要获取被测试者的信息,关联被测试者的信息和被测试者的脑纹特征,并根据被测试者的信息和被测试的脑纹特征,构建脑纹识别数据库。脑纹识别数据库中包括各被测试者的脑纹特征,当需要对被测试者进行识别验证时,只需要让被测试者再次接收同样的视觉刺激,接收被测试者的脑电波信号,提取脑电波信号中的特征,根据被测试者的信息查找到脑纹识别数据库中对应的被测试者的脑纹特征,匹配脑电波信号中的特征和脑纹识别数据库中被测试者的脑纹特征,即可对被测试者进行识别验证。
上述脑纹识别数据库构建方法,接收被测试者的脑电波信号数据,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据,根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合,根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库。通过这种方式,根据被测试者的脑电波信号数据,获取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库,从而在进行生物识别时,通过脑纹识别数据库中的脑纹特征对被测试者进行识别,提高了识别的安全性。
在其中一个实施例中,如图2所示,S108包括:
S202:根据EEGnet卷积神经网络算法中的时间卷积层,学习第二脑电波信号数据的频率滤波特征,提取第二脑电波信号数据的频率特征图集合;
S204:根据EEGnet卷积神经网络算法中的深度卷积层,学习频率特征图集合中各频率特征图的空间滤波特征,提取各频率特征图的空间滤波特征数据集合;
S206:将各频率特征图的空间滤波特征数据集合,作为第二脑电波信号数据的空间滤波特征数据集合。
根据EEGnet卷积神经网络算法中的时间卷积层,学习第二脑电波信号数据的频率滤波特征,即通过不同波段的频率滤波算法对第二脑电波信号数据进行时间卷积,提取第二脑电波信号的不同频率的特征数据,由于第二脑电波信号是一维信号,时间卷积后所提取到的不同频率的特征数据,应该为一维的带有特定频率信息的频率特征图集合,频率特征图可以为频率的函数波形图。
因为采集脑电波信号时,采用的是多通道采集的方式,所以脑电波信号数据具有空间信息。可以根据采集的脑电波信号的通道数,确定提取空间滤波特征数据时的kernel(核)的大小,从而根据不同的kernel提取不同的空间滤波特征数据。在提取第二脑电波信号数据的频率特征图集合之后,会根据EEGnet卷积神经网络算法中的深度卷积层,学习频率特征图集合中各频率特征图的空间滤波特征,从而提取各频率特征图的空间滤波特征数据,根据各频率特征图的空间滤波特性数据,生成各频率特征图的空间滤波特征数据集合。各频率特征图的空间滤波特征数据集合,即第二脑电波信号数据的空间滤波特征数据集合。
在其中一个实施例中,如图3所示,S110包括:
S302:根据EEGnet卷积神经网络算法中的可分离卷积层,学习第二脑电波信号数据的空间滤波特征数据集合中各频率特征图的空间滤波特征数据集合,提取第二脑电波信号数据的脑纹特征。
可分离卷积由深度卷积和点卷积两部分构成。可分离卷积将空间特征学习和通道特征学习分开,深度卷积指的是对每个通道的数据进行独立的空间卷积,点卷积指的是将空间卷积后的各点逐点卷积,将输出通道混合。因为采集脑电波信号时,采用的是多通道采集的方式,所以脑电波信号数据具有空间信息。在本实施例中,可分离卷积首先将各频率特征图的空间滤波特征数据集合中每个通道对应的数据进行独立的空间卷积,再将空间卷积后的各点逐点卷积,将输出通道混合,得到第二脑电波信号数据的脑纹特征。
在其中一个实施例中,如图4所示,S112包括:
S402:获取被测试者的信息,建立被测试者的信息以及脑纹特征的关联关系;
S404:根据关联关系,构建脑纹识别数据库。
服务器获取被测试者的信息,建立被测试者的信息以及脑纹特征的关联关系,根据关联关系,生成关联关系表,根据关联关系表和被测试者的脑纹特征,构建脑纹识别数据库。当需要对被测试者进行识别验证时,只需要让被测试者再次接收同样的视觉刺激,接收被测试者的脑电波信号,提取脑电波信号中的特征,根据被测试者的信息以及关联关系表查找到脑纹识别数据库中对应的被测试者的脑纹特征,匹配脑电波信号中的特征和脑纹识别数据库中被测试者的脑纹特征,即可对被测试者进行识别验证。
在其中一个实施例中,如图5所示,S404之后,包括:
S502:推送用于诱发脑电波信号的图片至被测试者;
S504:接收被测试者的验证信号数据;
S506:提取验证信号数据的数据特征;
S508:根据数据特征遍历脑纹识别数据库中的脑纹特征集合;
S510:根据遍历结果,检验脑纹识别数据库。
用于诱发脑电波信号的图片与之前采集被测试者的脑电波信号的图片需一致。在推送用于诱发脑电波信号的图片至被测试者之后,接收被测试者的验证信号数据,验证信号数据即脑电波信号数据,验证信号数据与诱发脑电波信号的图片相对应,根据EEGnet卷积神经网络算法学习验证信号数据,提取验证信号数据的数据特征,根据数据特征遍历脑纹识别数据库中的脑纹特征集合,当脑纹识别数据库中的脑纹特征集合中存在与数据特征对应的脑纹特征时,可认为被测试者的脑纹特征已成功录入脑纹识别数据库,当脑纹识别数据库中的脑纹特征集合中不存在与数据特征对应的脑纹特征时,认为被测试者的脑纹特征未成功录入脑纹识别数据库,需要重新录入被测试者的脑纹特征。
在其中一个实施例中,如图6所示,S104包括:
S602:调用独立成分分析算法或低通滤波算法,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据。
独立成分分析是从多维统计数据中寻找潜在因子或成分的一种方法,在本实施例中就是从包括噪声的脑电波信号数据中找到第一脑电波信号数据。由于眨眼信号等噪声信号的幅值通常幅值范围在100-200μV(微伏)之间,持续250ms(毫秒),所以也可以通过100μV的低通滤波器将眨眼信号等噪声去除掉。
应该理解的是,虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种脑纹识别数据库构建装置,包括:接收模块702、去噪声模块704、筛选模块706、特征提取模块708、第一处理模块710和第二处理模块712,其中:
接收模块702,用于接收被测试者的脑电波信号数据;
去噪声模块704,用于对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
筛选模块706,用于根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
特征提取模块708,用于根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合;
第一处理模块710,用于根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征;
第二处理模块712,用于根据被测试者的脑纹特征,构建脑纹识别数据库。
上述脑纹识别数据库构建装置,接收被测试者的脑电波信号数据,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据,根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合,根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库。通过这种方式,根据被测试者的脑电波信号数据,获取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库,从而在进行生物识别时,通过脑纹识别数据库中的脑纹特征对被测试者进行识别,提高了识别的安全性。
在其中一个实施例中,特征提取模块还用于根据EEGnet卷积神经网络算法中的时间卷积层,学习第二脑电波信号数据的频率滤波特征,提取第二脑电波信号数据的频率特征图集合,根据EEGnet卷积神经网络算法中的深度卷积层,学习频率特征图集合中各频率特征图的空间滤波特征,提取各频率特征图的空间滤波特征数据集合,将各频率特征图的空间滤波特征数据集合,作为第二脑电波信号数据的空间滤波特征数据集合。
在其中一个实施例中,第一处理模块还用于根据EEGnet卷积神经网络算法中的可分离卷积层,学习第二脑电波信号数据的空间滤波特征数据集合中各频率特征图的空间滤波特征数据集合,提取第二脑电波信号数据的脑纹特征。
在其中一个实施例中,第二处理模块还用于获取被测试者的信息,建立被测试者的信息以及脑纹特征的关联关系,根据关联关系,构建脑纹识别数据库。
在其中一个实施例中,脑纹识别数据库构建装置还包括验证模块,验证模块用于推送用于诱发脑电波信号的图片至被测试者,接收被测试者的验证信号数据,提取验证信号数据的数据特征,根据数据特征遍历脑纹识别数据库中的脑纹特征集合,根据遍历结果,检验脑纹识别数据库。
在其中一个实施例中,去噪声模块还用于调用独立成分分析算法或低通滤波算法,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据。
关于脑纹识别数据库构建装置的具体限定可以参见上文中对于脑纹识别数据库构建方法的限定,在此不再赘述。上述脑纹识别数据库构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储带通滤波算法数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脑纹识别数据库构建方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收被测试者的脑电波信号数据;
对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合;
根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征;
根据被测试者的脑纹特征,构建脑纹识别数据库。
上述脑纹识别数据库构建计算机设备,接收被测试者的脑电波信号数据,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据,根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合,根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库。通过这种方式,根据被测试者的脑电波信号数据,获取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库,从而在进行生物识别时,通过脑纹识别数据库中的脑纹特征对被测试者进行识别,提高了识别的安全性。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据EEGnet卷积神经网络算法中的时间卷积层,学习第二脑电波信号数据的频率滤波特征,提取第二脑电波信号数据的频率特征图集合;
根据EEGnet卷积神经网络算法中的深度卷积层,学习频率特征图集合中各频率特征图的空间滤波特征,提取各频率特征图的空间滤波特征数据集合;
将各频率特征图的空间滤波特征数据集合,作为第二脑电波信号数据的空间滤波特征数据集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据EEGnet卷积神经网络算法中的可分离卷积层,学习第二脑电波信号数据的空间滤波特征数据集合中各频率特征图的空间滤波特征数据集合,提取第二脑电波信号数据的脑纹特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取被测试者的信息,建立被测试者的信息以及脑纹特征的关联关系;
根据关联关系,构建脑纹识别数据库。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
推送用于诱发脑电波信号的图片至被测试者;
接收被测试者的验证信号数据;
提取验证信号数据的数据特征;
根据数据特征遍历脑纹识别数据库中的脑纹特征集合;
根据遍历结果,检验脑纹识别数据库。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
调用独立成分分析算法或低通滤波算法,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收被测试者的脑电波信号数据;
对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合;
根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征;
根据被测试者的脑纹特征,构建脑纹识别数据库。
上述脑纹识别数据库构建存储介质,接收被测试者的脑电波信号数据,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据,根据预设的带通滤波算法筛选第一脑电波信号数据,获取滤波后的第二脑电波信号数据根据预设的EEGnet卷积神经网络算法学习第二脑电波信号数据,提取第二脑电波信号数据的空间滤波特征数据集合,根据第二脑电波信号数据的空间滤波特征数据集合,提取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库。通过这种方式,根据被测试者的脑电波信号数据,获取被测试者的脑纹特征,根据被测试者的脑纹特征,构建脑纹识别数据库,从而在进行生物识别时,通过脑纹识别数据库中的脑纹特征对被测试者进行识别,提高了识别的安全性。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据EEGnet卷积神经网络算法中的时间卷积层,学习第二脑电波信号数据的频率滤波特征,提取第二脑电波信号数据的频率特征图集合;
根据EEGnet卷积神经网络算法中的深度卷积层,学习频率特征图集合中各频率特征图的空间滤波特征,提取各频率特征图的空间滤波特征数据集合;
将各频率特征图的空间滤波特征数据集合,作为第二脑电波信号数据的空间滤波特征数据集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据EEGnet卷积神经网络算法中的可分离卷积层,学习第二脑电波信号数据的空间滤波特征数据集合中各频率特征图的空间滤波特征数据集合,提取第二脑电波信号数据的脑纹特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取被测试者的信息,建立被测试者的信息以及脑纹特征的关联关系;
根据关联关系,构建脑纹识别数据库。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
推送用于诱发脑电波信号的图片至被测试者;
接收被测试者的验证信号数据;
提取验证信号数据的数据特征;
根据数据特征遍历脑纹识别数据库中的脑纹特征集合;
根据遍历结果,检验脑纹识别数据库。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
调用独立成分分析算法或低通滤波算法,对脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑纹识别数据库构建方法,所述方法包括:
接收被测试者的脑电波信号数据;
对所述脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
根据预设的带通滤波算法筛选所述第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
根据预设的EEGnet卷积神经网络算法学习所述第二脑电波信号数据,提取所述第二脑电波信号数据的空间滤波特征数据集合;
根据所述第二脑电波信号数据的空间滤波特征数据集合,提取所述被测试者的脑纹特征;
根据所述被测试者的脑纹特征,构建脑纹识别数据库。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的EEGnet卷积神经网络算法学习所述第二脑电波信号数据,提取所述第二脑电波信号数据的空间滤波特征数据集合包括:
根据EEGnet卷积神经网络算法中的时间卷积层,学习所述第二脑电波信号数据的频率滤波特征,提取所述第二脑电波信号数据的频率特征图集合;
根据所述EEGnet卷积神经网络算法中的深度卷积层,学习所述频率特征图集合中各频率特征图的空间滤波特征,提取各所述频率特征图的空间滤波特征数据集合;
将各所述频率特征图的空间滤波特征数据集合,作为所述第二脑电波信号数据的空间滤波特征数据集合。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第二脑电波信号数据的空间滤波特征数据集合,提取所述被测试者的脑纹特征包括:
根据所述EEGnet卷积神经网络算法中的可分离卷积层,学习所述第二脑电波信号数据的空间滤波特征数据集合中各频率特征图的空间滤波特征数据集合,提取所述第二脑电波信号数据的脑纹特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述被测试者的脑纹特征,构建脑纹识别数据库包括:
获取所述被测试者的信息,建立所述被测试者的信息以及所述脑纹特征的关联关系;
根据所述关联关系,构建脑纹识别数据库。
5.根据权利要求4所述的方法,其特征在于,所述根据所述关联关系,构建脑纹识别数据库之后,包括:
推送用于诱发脑电波信号的图片至所述被测试者;
接收所述被测试者的验证信号数据;
提取所述验证信号数据的数据特征;
根据所述数据特征遍历所述脑纹识别数据库中的脑纹特征集合;
根据遍历结果,检验所述脑纹识别数据库。
6.根据权利要求1所述的方法,其特征在于,所述对所述脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据包括:
调用独立成分分析算法或低通滤波算法,对所述脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据。
7.一种脑纹识别数据库构建装置,其特征在于,所述装置包括:
接收模块,用于接收被测试者的脑电波信号数据;
去噪声模块,用于对所述脑电波信号数据进行去噪声处理,获取去噪声后的第一脑电波信号数据;
筛选模块,用于根据预设的带通滤波算法筛选所述第一脑电波信号数据,获取滤波后的第二脑电波信号数据;
特征提取模块,用于根据预设的EEGnet卷积神经网络算法学习所述第二脑电波信号数据,提取所述第二脑电波信号数据的空间滤波特征数据集合;
第一处理模块,用于根据所述第二脑电波信号数据的空间滤波特征数据集合,提取所述被测试者的脑纹特征;
第二处理模块,用于根据所述被测试者的脑纹特征,构建脑纹识别数据库。
8.根据权利要求7所述的装置,其特征在于,所述特征提取模块还用于根据EEGnet卷积神经网络算法中的时间卷积层,学习所述第二脑电波信号数据的频率滤波特征,提取所述第二脑电波信号数据的频率特征图集合,根据所述EEGnet卷积神经网络算法中的深度卷积层,学习所述频率特征图集合中各频率特征图的空间滤波特征,提取各所述频率特征图的空间滤波特征数据集合,将各所述频率特征图的空间滤波特征数据集合,作为所述第二脑电波信号数据的空间滤波特征数据集合。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535233.6A CN109684296A (zh) | 2018-12-14 | 2018-12-14 | 脑纹识别数据库构建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535233.6A CN109684296A (zh) | 2018-12-14 | 2018-12-14 | 脑纹识别数据库构建方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684296A true CN109684296A (zh) | 2019-04-26 |
Family
ID=66187701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811535233.6A Pending CN109684296A (zh) | 2018-12-14 | 2018-12-14 | 脑纹识别数据库构建方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684296A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543831A (zh) * | 2019-08-13 | 2019-12-06 | 同济大学 | 一种基于卷积神经网络的脑纹识别方法 |
CN114098764A (zh) * | 2021-11-05 | 2022-03-01 | 北京大学 | 数据处理方法、装置、电子设备和存储介质 |
CN116383487A (zh) * | 2023-03-16 | 2023-07-04 | 上海外国语大学 | 基于用户重测信度与群体脑间一致性的信息茧房识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503517A (zh) * | 2016-10-12 | 2017-03-15 | 中国电子科技集团公司电子科学研究院 | 一种基于虚拟现实头盔脑纹采集的安全认证系统 |
JP2018089142A (ja) * | 2016-12-05 | 2018-06-14 | 学校法人同志社 | 脳機能イメージングデータからヒトの脳活動状態を推定する方法 |
CN108960182A (zh) * | 2018-07-19 | 2018-12-07 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
CN108959895A (zh) * | 2018-08-16 | 2018-12-07 | 广东工业大学 | 一种基于卷积神经网络的脑电信号eeg身份识别方法 |
-
2018
- 2018-12-14 CN CN201811535233.6A patent/CN109684296A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503517A (zh) * | 2016-10-12 | 2017-03-15 | 中国电子科技集团公司电子科学研究院 | 一种基于虚拟现实头盔脑纹采集的安全认证系统 |
JP2018089142A (ja) * | 2016-12-05 | 2018-06-14 | 学校法人同志社 | 脳機能イメージングデータからヒトの脳活動状態を推定する方法 |
CN108960182A (zh) * | 2018-07-19 | 2018-12-07 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
CN108959895A (zh) * | 2018-08-16 | 2018-12-07 | 广东工业大学 | 一种基于卷积神经网络的脑电信号eeg身份识别方法 |
Non-Patent Citations (1)
Title |
---|
VERNON J.LAWHERN等: ""EEGNet:a compact convolutional neural network for EEG-based brain-computer interfaces"", 《JOURNAL OF NEURAL ENGINEERING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543831A (zh) * | 2019-08-13 | 2019-12-06 | 同济大学 | 一种基于卷积神经网络的脑纹识别方法 |
CN114098764A (zh) * | 2021-11-05 | 2022-03-01 | 北京大学 | 数据处理方法、装置、电子设备和存储介质 |
CN116383487A (zh) * | 2023-03-16 | 2023-07-04 | 上海外国语大学 | 基于用户重测信度与群体脑间一致性的信息茧房识别方法 |
CN116383487B (zh) * | 2023-03-16 | 2023-10-13 | 上海外国语大学 | 基于用户重测信度与群体脑间一致性的信息茧房识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
de Cheveigné et al. | Joint decorrelation, a versatile tool for multichannel data analysis | |
CN105249963B (zh) | 基于样本熵的n400诱发电位测谎方法 | |
KR102143900B1 (ko) | 사용자 독립적 뇌-컴퓨터 인터페이스 제공 시스템 및 그 방법 | |
CN108366730B (zh) | 对eeg信号进行预处理用于认知负荷测量的方法和系统 | |
Kanna et al. | Systematic Design Of Lie Detector System Utilizing EEG Signals Acquisition | |
Patro et al. | Effective feature extraction of ECG for biometric application | |
CN109684296A (zh) | 脑纹识别数据库构建方法、装置、计算机设备和存储介质 | |
Reshmi et al. | A novel approach to brain biometric user recognition | |
Palaniappan et al. | A new method to identify individuals using signals from the brain | |
Falzon et al. | EEG-based biometry using steady state visual evoked potentials | |
CN112162634A (zh) | 一种基于seeg信号的数字输入脑机接口系统 | |
Attallah | Multi-tasks biometric system for personal identification | |
Ashenaei et al. | Stable EEG-based biometric system using functional connectivity based on time-frequency features with optimal channels | |
Wijayanto et al. | Biometric identification based on EEG signal with photo stimuli using Hjorth descriptor | |
Cakmak et al. | Neuro signal based lie detection | |
CN110613446A (zh) | 一种信号处理方法及装置 | |
Echtioui et al. | Automated EEG artifact detection using independent component analysis | |
Do et al. | EEG-based biometrics utilizing image recognition for patient identification | |
Thomas et al. | EEG-based biometrie authentication using self-referential visual stimuli | |
CN114970641A (zh) | 情感类别的识别方法、装置、处理器及电子设备 | |
Tangkraingkij et al. | Personal identification by EEG using ICA and neural network | |
Tăuţan et al. | Preliminary study on the impact of EEG density on TMS-EEG classification in Alzheimer's disease | |
CN113768520A (zh) | 一种脑电检测模型的训练方法及装置 | |
Shnitzer et al. | Alternating diffusion maps for dementia severity assessment | |
Zabcikova et al. | EEG-based lie detection using ERP P300 in response to known and unknown faces: An overview |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190426 |