CN109784023A - 基于深度学习的稳态视觉诱发脑电身份识别方法及系统 - Google Patents

Abstract

本发明属于身份信息识别技术领域，公开了一种基于深度学习的稳态视觉诱发脑电身份识别方法及系统；获取脑电信号；去噪：将采集到的脑电信号通过EMD处理，得到去噪后的脑电信号；提取数据分成三个样本，对每个样本数据进行快速傅里叶变换得到频域下的脑电数据；带通滤波；将滤波后信号用2048Hz频率进行采样后处理；构建深度网络进行训练；身份识别：识别被试者的目的。本发明适用于具有稳态视觉诱发的脑‑机接口设备，随着系统中录入的人员的增加，训练数据随之增加，基于深度网络的特性，该系统的识别准确率会趋于高识别率的稳定。

Description

基于深度学习的稳态视觉诱发脑电身份识别方法及系统

技术领域

本发明属于身份信息识别技术领域，尤其涉及一种基于深度学习的稳态视觉诱发脑电身份识别方法及系统。

背景技术

目前，业内常用的现有技术是这样的：身份识别系统的研究开发对于社会生活和个人日常生活都非常重要，生物特征识别是一种根据人体自身所固有的生理特征和行为特征来识别身份的技术，即通过计算机与光学、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(如手形、指纹、面部特征、虹膜、视网膜等)和行为特征(如笔迹、声音、步态)等来进行个人身份的鉴定生物特征识别有很多优点，比如直接取自于人体，不需要另外携带、记忆，也不会丢失、损坏。脑电信号通过大脑中神经元以电离子的形式传播信息而产生，是人体大脑皮层电信号的反应，是人类的一种基础生理特征，它附带着大脑神经元所表现出的大量生理信息。相比于其它生物特征，脑电在身份识别上具有以下独特的优点:①脑电信号难以伪造；②脑电的采集对人体无害；③对于人的普适性。近年来，基于脑电信号的身份特征识别技术受到了越来越多研究人员的关注，并且进行了大量实践研究。针对脑电信号进行身份识别和认证研究有许多的方式，根据脑电信号的种类大致可以分为：基于静息电位的脑电识别、基于视觉诱发电位的脑电识别、基于运动想象的脑电识别、基于事件相关电位的脑电识别。运动想象脑电就是想象某种肢体运动时的脑电模式。利用运动想象脑电数据进行身份识别具有一定的局限性。在采集脑电信号过程中，需要被试高度配合，并且给予被试的运动想象类型非常重要，不同的实验范式对被试的身份识别有较大的影响。事件相关电位(event-relatedpotential，ERP)是一种特殊的诱发电位，是当人对客体进行认知加工(如注意、记忆、思维)时通过平均叠加从头颅表面记录到的大脑电位，它反映认知过程中大脑的神经电生理改变。在目前相关的实验研究中，基于事件相关电位的脑电识别得到了较高的准确率，但是在采集数据过程中需要被试配合执行额外的认知任务，因此不适用于存在认知功能障碍的被试。视觉诱发电位(visualevokedpotential，VEP)是指神经系统接受视觉刺激(如图形或闪光刺激)所产生的特定活动视觉诱发电位发生在特定的时间和部位，比较容易检测，适用于脑机接口。对被试要求低，只要被试视觉功能正常，就可以利用视觉诱发电位信号实现，并且被试无需训练或者只需要进行少量的训练。稳态视觉诱发脑电，是指使用固定的闪光或图形频率，对被试者进行视觉上的刺激，在一定时间后，采集被试者所产生的脑电信号。在脑电信号的频谱上，所使用的刺激频率，以及该频率的倍数所对应的幅值也会很高。将刺激频率及其倍数频率所产生的波分别称为基波(一次谐波)，二次谐波(2倍的频率)，三次谐波(3倍的频率)等。基于稳态视觉诱发脑电的身份识别，则是在进行多次实验后，发现在多个电极上，每个被试者在相同频率刺激下产生的脑电信号，在频谱上的基波与谐波的幅值都不尽相同，具有差异性；而对于同一频率，同一个被试者而言，其在多次实验下，其基波与谐波幅值变化并不是很明显。现有技术一使用基于视觉诱发电位的脑电信号进行身份特征识别研究，他们记录了20名被试的VEP信号，通过时空滤波器提取特征，然后利用支持向量机和线性判别分析进行分类，识别准确率分别为75％和91％。现有技术二采用小波包分解方法对32名被试的VEP脑电数据进行特征提取，采用人工神经网络作为分类器进行身份特征识别，平均分类准确率为94.4％。深度学习的概念源于人工神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络(Convolutional neural network，简称CNN)就是一种深度的监督学习下的机器学习模型。对于卷积神经网络来说，如果简单地增加深度，会导致梯度弥散或梯度爆炸。对于该问题的解决方法是正则化初始化和中间的正则化层(Batch Normalization)，这样的话可以训练几十层的网络。虽然通过上述方法能够训练了，但是又会出现另一个问题，就是退化问题，网络层数增加，但是在训练集上的准确率却饱和甚至下降了。这个不能解释为过拟合，因为过拟合应该表现为在训练集上表现更好才对。而ResNet根据输入将层表示为学习残差函数。实验表明，残差网络更容易优化，并且能够通过增加相当的深度来提高准确率。核心是解决了增加深度带来的副作用(退化问题)，这样能够通过单纯地增加网络深度，来提高网络性能。这为将深度学习应用到稳态视觉诱发在身份识别上的应用提供了理论和实践基础。

综上所述，现有技术存在的问题是：

(1)脑电信号具有低信噪比、随机性以及随周围环境进行变换的特征的特点，在脑电信号中提取特征有一定困难。因此在一个时间点提取的特征，过一段时间可能就会变换而无法使用。

(2)现有技术不能高效的提取脑电信号中的电极空间分布信息和时频信息。因此无法实时的识别脑电信号，大多数文献都只是对单次的离线脑电数据进行的身份识别测试。

(3)深度学习能够提取到不同于现有方法的特征，现有技术不能成熟地将深度学习应用于脑电领域。因此无法保证通过手动提取到的特征在跨时间上的稳定性，不能保证基于SSVEP信号做出的身份识别系统在身份识别上的准确率。

解决上述技术问题的难度和意义：难度：首先脑电信号信噪比低，因此要从脑电信号中充分提取出其蕴含的信息是必须解决的问题；其次如果能将脑电信号电极信息和时频信息结合提取，那么将极大地增加脑电身份识别的准确率；最后深度学习在图像领域运用已经日渐成熟，但如何运用深度学习更好的提取脑电信号中现如今传统方法无法提取到的特征从而使得身份识别系统识别率增加。

意义：脑电信号在加密上有着很大的优势。基于深度学习在脑电在身份识别上的运用，对未来的身份识别技术都有着一定的促进作用，而且由于深度神经网络的特性，可以提取既具有时频信息又具有电极空间分布信息的脑电信号，而且随着所录入的人员信息数据的增加，该系统的识别准确率会趋于高识别率的稳定。

发明内容

针对现有技术存在的问题，本发明提供了一种基于深度学习的稳态视觉诱发脑电身份识别方法及系统。

本发明是这样实现的，一种基于深度学习的稳态视觉诱发脑电身份识别方法，所述基于深度学习的稳态视觉诱发脑电身份识别方法包括：

首先在采集脑电阶段选用稳态视觉诱发进行脑电刺激；

其次将脑电数据根据其电极空间和时频特性转换为图像数据；

最后根据脑电信号独有的特征情况构造深度网络，提取脑电数据中所蕴含的信息。

进一步，所述基于深度学习的稳态视觉诱发脑电身份识别方法获取脑电信号方法包括：

(1)被试者头戴Biosemi 64导电极帽；

(2)被试者在在开始的第0秒现十字叉提示受试者做好准备，十字叉一直持续到第1.2秒；在第1.2秒屏幕出现观看电脑屏幕上随机产生6HZ、8HZ、10HZ频率闪烁，持续时间为4秒，每次试验后休息2秒；

(3)期间通过Biosemi 64设备记录下第k次实验下被试i的第j次脑电信号采集；采集实验共进行了3次，第一次对12人进行60次的脑电信号采集，第二次对相同的12人进行30次的脑电信号采集，第三次对其中9人进行48次的脑电信号采集，每次采样间隔为5个月。

进一步，所述脑电信号的处理方法包括：

步骤一，将采集到的脑电信号通过EMD处理，得到去噪后的脑电信号；

步骤二，对于被试者i的第j次实验所对应的10HZ频率闪烁产生的脑电数据，提取0～4s的数据分成0～2s、1～3s、2～4s三个样本记为A_ij、B_ij、C_ij，分别对每个样本数据进行快速傅里叶变换，得到频域下的脑电数据A'_ij、B'_ij、C'_ij；

步骤三，带通滤波：分别对脑电信号A'_ij、B'_ij、C'_ij进行0.5Hz-36Hz带通滤波，记滤波后的数据为A”_ij、B”_ij、C”_ij。

进一步，所述基于深度学习的稳态视觉诱发脑电身份识别方法转换为图像数据包括：

(1)将A”_ij、B”_ij、C”_ij用2048Hz频率进行采样，记各点所对应的幅值为该点像素，去掉其中易造成短路的8个电极并将剩余56个电极按空间情况重新排列为7*8的数据如图中所示电极情况，以上电极重排为任一频率所对应的数据；

(2)将频率重新排列为9*8的矩阵，该矩阵中每一个元素对应一个7*8的数据，每个数据最终转换成63*64的图像数据，此时记为A”'_ij、B”'_ij、C”'_ij，将A”'_ij、B”'_ij、C_i'_j”三个单通道图像数据转为成一个三通道的图像数据记为X_ij，此时X_ij为一个3*63*64的三通道图像。

进一步，所述基于深度学习的稳态视觉诱发脑电身份识别方法将深度网络运用到脑电数据提取脑电信号中所含有的时频信息和电极空间分布信息包括：

(1)对于所有被试者转换成的图像数据X_ij，构成训练集D^k＝{X_ij，i∈[1，N],j∈[1,M]},k∈[1,3]，其中X_ij代表被试者i的最终训练数据，k表示的是第几次采集实验，N代表参与本次实验总人数，M代表本次采集脑电信号总次数；记第k次实验数据量为N*M为Z_k，则每个神经网络的总训练数据为Z₁+Z₂+Z₃；将数据集D^k,k∈[1,3]进行打标，对于当前被试人员i所对应图像数据打标为1、其余数据打标为0进行训练；

(2)根据脑电数据的电极空间特性以及时频特性，对于脑电所转换的图像数据构建一个13层的卷积神经网络；采用残差单元进行构造，其中激活函数选择Relu函数，其表达式如下式所示，并在网络最后一层采用全连接sigmoid进行二分类，并设置阈值为0；

(3)对于每一个被试人员i分别训练一个上面构建的网络并记为当前人员所对应的网络L_i，最终脑电身份识别系统含所有人网络集L＝{L_i,i∈[1，N]}。

进一步，所述基于深度学习的稳态视觉诱发脑电身份识别方法的身份识别包括：重新采集数据输入基于深度学习的稳态视觉诱发脑电身份识别系统，在系统中，则脑电数据被试者i对应神经网络L_i输出为大于0的数，达到识别被试者i的目的，输出全为小于0的数则表示系统中无此人，提示有人入侵系统。

本发明的另一目的在于提供一种实现所述基于深度学习的稳态视觉诱发脑电身份识别方法的基于深度学习的稳态视觉诱发脑电身份识别系统，所述基于深度学习的稳态视觉诱发脑电身份识别系统包括：第一显示屏、电极帽、脑电采集仪、计算机设备、第二显示屏；

第一显示屏，用于显示稳态视觉刺激诱发脑电信号；

电极帽，与第一显示屏连接，用于获取脑电信号；

脑电采集仪，与电极帽连接，采集脑电信号；

计算机设备，与电极帽连接，用于处理收集脑电信号并且通过算法进行脑电信号的处理；

第二显示屏，与计算机设备连接，通过接收计算机设备处理结果认证人员身份或提示有人员入侵。

本发明的另一目的在于提供一种应用所述基于深度学习的稳态视觉诱发脑电身份识别方法的计算机。

综上所述，本发明的优点及积极效果为：在采集脑电阶段选用稳态视觉诱发进行脑电刺激可以让被试人群更加的广泛，同时将脑电数据根据其电极空间和时频特性转换为图像数据可以拥有更多的信息，而且可以使得深度学习的方法适用于脑电数据得到更高的准确率；最后根据脑电信号独有的特征情况构造了深度网络可以更好的提取脑电数据中所蕴含的信息从而达到识别的目的，随着系统中录入的人员的增加，训练数据随之增加，基于深度网络的特性，该系统的识别准确率会趋于高识别率的稳定

下表是现有技术与本发明(最后一行为本发明情况)所采用方法对比：

从上表可以看出，现有技术中使用的大多数实验数据仅在一天或短时间内收集，因此个人特征随时间的稳定性无法得到充分证实。本发明所采集数据分三次，每次间隔五个月，因此从采集的时间跨度与时间间隔上，本发明所使用方法可以保证特征的稳定性；本发明还提供识别入侵者，当不是本系统中的人入侵系统时，系统会提示警报。

参考文献：

[1]A.Riera,A.Soria-Frisch,M.Caparrini,C.Grau,and G.Ruffini."Unobtrusive biometric system based on electroencephalogram analysis".EURASIPJournal on Advances in Signal Processing,2008(1):1–8,2007.1,2

[2]R.Palaniappan,"Method of identifying individuals using vep signalsand neural network,"in Science,Measurement and Technology,IEE Proceedings,vol.151,no.1.IET,2004,pp.16–20.

[3]K.Das,S.Zhang,B.Giesbrecht,and M.P.Eckstein,"Using rapid visuallyevoked EEG activity for person identification,"in Engineering in Medicine andBiology Society,2009.EMBC 2009.Annual International Conference of theIEEE.IEEE,2009,pp.2490–2493.

[4]B.C.Armstrong,M.V.Ruiz-Blondet,N.Khalifian,K.J.Kurtz,Z.Jin,andS.Laszlo,"Brainprint:Assessing the uniqueness,collectability,and permanenceof a novel method for erp biometrics,"Neurocomputing,vol.166,pp.59–67,2015.

[5]Marcel S，Millan JR."Person authentication using brainwaves(EEG)andmaximum aposteriori model adaptatio[J]".IEEE Trans Pattern Anal mach intell，2007，29(4):743-752.

[6]Emanuela Piciucco,Emanuele Maiorana,Owen Falzon,et al."Steady-State Visual Evoked Potentials for EEG-Based Biometric Identification[C]".2017Gesellschaft für Informatik e.V.,Bonn,Germany.

[7]Byoung-Kyong Min et al."Individual Identification Using CognitiveElectroencephalographic Neurodynamics".IEEE TRANSACTIONS ON INFORMATIONFORENSICS AND SECURITY,VOL.12,NO.9,SEPTEMBER2017.

附图说明

图1是本发明实施例提供的基于深度学习的稳态视觉诱发脑电身份识别方法流程图。

图2是本发明实施例提供的基于深度学习的稳态视觉诱发脑电身份识别系统结构示意图；

图中：1、第一显示屏；2、电极帽；3、脑电采集仪；4、计算机设备；5、第二显示屏。

图3是本发明实施例提供的基于深度学习的稳态视觉诱发脑电身份识别方法实现流程图。

图4是本发明实施例提供的采集实验时序图。

图5是本发明实施例提供的脑电数据转三通道图像方法图。

图6是本发明实施例提供的深度网络结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术脑电信号具有低信噪比的特点，在脑电信号中提取特征有一定困难；不能高效的提取脑电信号中的电极空间分布信息和时频信息；不能成熟地将深度学习应用于脑电领域。随着系统中录入的人员的增加，训练数据随之增加，基于深度网络的特性，该系统的识别准确率会趋于高识别率的稳定。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于深度学习的稳态视觉诱发脑电身份识别方法包括以下步骤：

S101：首先在采集脑电阶段选用稳态视觉诱发进行脑电刺激可以让被试人群更加的广泛；

S102：其次将脑电数据根据其电极空间和时频特性转换为图像数据可以拥有更多的信息，而且可以使得深度学习的方法适用于脑电数据得到更高的准确率；

S103：最后根据脑电信号独有的特征情况构造了深度网络可以更好的提取脑电数据中所蕴含的信息从而达到识别的目的。

如图2所示，本发明实施例提供的基于深度学习的稳态视觉诱发脑电身份识别系统包括：第一显示屏1、电极帽2、脑电采集仪3、计算机设备4、第二显示屏5。

前台主要是由计算机设备4、第一显示屏1、Biosemi 64脑电采集仪3构成。后台则是由一台计算机主机及第二显示屏5构成。前台的所有装置都与后台的主机建立数据连接。

前台计算机用于产生稳态视觉刺激，第一显示屏1用于显示稳态视觉刺激诱发脑电信号；脑电采集仪3用来采集脑电信号；计算机设备4用于处理收集脑电信号并且通过算法进行脑电信号的处理；第二显示屏5通过接收计算机设备4处理结果认证人员身份或提示有人员入侵。

本发明实施例提供的基于深度学习的稳态视觉诱发脑电身份识别系统的实现方法包括：

(1)系统信息录入：需要录入信息的人员佩戴电极帽，坐在椅子上平视距离其1m的显示器，采集该人员脑电信号。

(2)将所采集的脑电信号用基于深度学习的稳态视觉诱发脑电身份识别方法进行处理。

(3)对已处理脑电信号录入基于深度学习的稳态视觉诱发脑电身份识别方法及系统进行深度网络的训练得到各自人员所对应的神经网络。

(4)被认证人员佩戴电极帽，坐在椅子上平视距离其1m的显示器，采集该人员脑电信号。

(5)将所采集的脑电信号用基于深度的稳态视觉诱发脑电身份识别方法进行处理。

(6)如果该系统中有网络输出结果大于0，则将该网络人员的身份信息输出到第一显示屏；若所有网络输出皆小于0，则系统查无此人，第一显示屏提示报警信息。

(7)系统信息修改：如需向系统中增加人员仅需重复(1)-(3)即可、如需删除该系统人员信息仅需删除系统中该人员对应的神经网络、如需修改该系统中已录入人员的编码信息仅需对已采集的脑电数据进行(1)-(3)即可。

下面结合附图对本发明的应用原理作进一步的描述。

如图3所示，本发明实施例提供的基于深度学习的稳态视觉诱发脑电身份识别方法包括以下步骤：

步骤一，获取脑电信号：

(1a)被试者头戴Biosemi 64导电极帽；

(1b)如图4：被试者在在开始的第0秒现十字叉提示受试者做好准备，十字叉一直持续到第1.2秒；在第1.2秒屏幕出现观看电脑屏幕上随机产生6HZ、8HZ、10HZ频率闪烁，持续时间为4秒，每次试验后休息2秒。

(1c)期间通过Biosemi 64设备记录下第k次实验下被试i的第j次脑电信号采集。采集实验共进行了3次，第一次对12人进行60次的脑电信号采集，第二次对相同的12人进行30次的脑电信号采集，第三次对其中9人进行48次的脑电信号采集，每次采样间隔为5个月。

如图5所示：本发明提供充分利用脑电信号电极空间信息和时频信息转成图像数据的方法，从而为深度网络处理脑电信息做准备；

步骤二，去噪：将采集到的脑电信号通过EMD处理，得到去噪后的脑电信号。

步骤三，对于被试者i的第j次实验所对应的10HZ频率闪烁产生的脑电数据，提取0～4s的数据分成0～2s、1～3s、2～4s三个样本记为A_ij、B_ij、C_ij，分别对每个样本数据进行快速傅里叶变换(FFT，Fast FourierTransformation)，从而得到频域下的脑电数据A'_ij、B'_ij、C'_ij。

步骤四，带通滤波：分别对脑电信号A'_ij、B'_ij、C'_ij进行0.5Hz-36Hz带通滤波，记滤波后的数据为A”_ij、B”_ij、C”_ij。

步骤五，转换为图像数据：

(5a)采样并重排电极空间：将A”_ij、B”_ij、C”_ij用2048Hz频率进行采样，记各点所对应的幅值为该点像素，去掉其中易造成短路的8个电极并将剩余56个电极按空间情况重新排列为(7*8)的数据如图中所示电极情况，以上电极重排为任一频率所对应的数据；

(5b)重排频率：由于采样频带为0.5HZ-36HZ，采样间隔为0.5HZ，因此共有72个上述电极重新排列数据，将频率按图5所示重新排列为(9*8)的矩阵，该矩阵中每一个元素对应一个(7*8)的数据，因此，每个数据最终转换成(63*64)的图像数据，此时记为A”'_ij、B”'_ij、C”'_ij，将A”'_ij、B”'_ij、C”'_ij三个单通道图像数据转为成一个三通道的图像数据最终记为X_ij，此时X_ij为一个(3*63*64)的三通道图像。

如图6所示，本发明提供的CNN的网络结构，从而将深度网络运用到脑电数据提取脑电信号中所含有的时频信息和电极空间分布信息：

步骤六：构建深度网络进行训练；

(6a)对于所有被试者经过步骤二-步骤五转换成的图像数据X_ij，构成训练集D^k＝{X_ij，i∈[1，N],j∈[1,M]},k∈[1,3]，其中X_ij代表被试者i的最终训练数据，k表示的是第几次采集实验，N代表参与本次实验总人数，M代表本次采集脑电信号总次数。记第k次实验数据量为N*M为Z_k，则每个神经网络的总训练数据为Z₁+Z₂+Z₃。将数据集D^k,k∈[1,3]进行打标，对于当前被试人员i所对应图像数据打标为1、其余数据打标为0进行训练；

(6b)根据脑电数据的电极空间特性以及时频特性，对于脑电所转换的图像数据构建一个13层的卷积神经网络，由于残差单元更容易优化，并且能够通过增加一定的深度来提高准确率。因此网络结果中采用残差单元进行构造，其中激活函数选择Relu函数，其表达式如式(1)所示，并在网络最后一层采用全连接sigmoid进行二分类，并设置阈值为0。

(6c)对于每一个被试人员i分别训练一个上面构建的网络并记为当前人员所对应的网络L_i，最终脑电身份识别系统含所有人网络集L＝{L_i,i∈[1，N]}。

步骤七：身份识别：重新采集数据输入基于深度学习的稳态视觉诱发脑电身份识别系统，如果此人在系统中，则此脑电数据被试者i对应神经网络L_i输出为大于0的数，从而达到识别被试者i的目的，输出全为小于0的数则表示系统中无此人，提示有人入侵系统。

下面结合仿真对本发明的应用效果作详细的描述。

本系统在身份识别方面：当用第一次采集数据进行系统认证时候，由于数据量少，因此识别率为85％，当用两次数据进行试验时，识别率达到93(85+0.85)％，基于深度神经网络的特性，随着数据量的增多，该系统具有稳定的高识别率。

在拒绝入侵者方面：当一个拒绝率低，一个高。面对这种情况时候，将被试网络重新进行训练即可。

当需要删除用户时：直接将该系统中该用户网络进行删除即可。

需要增加注册用户时：将新采集脑电信号放入系统，对每个网络进行重新识别，如果有网络识别不好，将识别不好的网络重新进行训练，训练完系统中已存在网络后再训练新来的注册用户的网络，从而为该系统增加注册用户。

更新系统：定期进行采集数据，对系统中网络进行重新训练与更新，从而可以优化系统现有参数，提升识别率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法包括：

首先在采集脑电阶段选用稳态视觉诱发进行脑电刺激；

其次将脑电数据根据其电极空间和时频特性转换为图像数据；

最后根据脑电信号独有的特征情况构造深度网络，提取脑电数据中所蕴含的信息。

2.如权利要求1所述的基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法获取脑电信号方法包括：

(1)被试者头戴Biosemi 64导电极帽；

(2)被试者在在开始的第0秒现十字叉提示受试者做好准备，十字叉一直持续到第1.2秒；在第1.2秒屏幕出现观看电脑屏幕上随机产生6HZ、8HZ、10HZ频率闪烁，持续时间为4秒，每次试验后休息2秒；

(3)期间通过Biosemi 64设备记录下第k次实验下被试i的第j次脑电信号采集；采集实验共进行了3次，第一次对12人进行60次的脑电信号采集，第二次对相同的12人进行30次的脑电信号采集，第三次对其中9人进行48次的脑电信号采集，每次采样间隔为5个月。

3.如权利要求2所述的基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述脑电信号的处理方法包括：

步骤一，将采集到的脑电信号通过EMD处理，得到去噪后的脑电信号；

步骤二，对于被试者i的第j次实验所对应的10HZ频率闪烁产生的脑电数据，提取0～4s的数据分成0～2s、1～3s、2～4s三个样本记为A_ij、B_ij、C_ij，分别对每个样本数据进行快速傅里叶变换，得到频域下的脑电数据A′_ij、B′_ij、C′_ij；

步骤三，带通滤波：分别对脑电信号A′_ij、B′_ij、C′_ij进行0.5Hz-36Hz带通滤波，记滤波后的数据为A″_ij、B″_ij、C″_ij。

4.如权利要求1所述的基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法转换为图像数据包括：

(1)将A″_ij、B″_ij、C″_ij用2048Hz频率进行采样，记各点所对应的幅值为该点像素，去掉其中易造成短路的8个电极并将剩余56个电极按空间情况重新排列为7*8的数据如图中所示电极情况，以上电极重排为任一频率所对应的数据；

(2)将频率重新排列为9*8的矩阵，该矩阵中每一个元素对应一个7*8的数据，每个数据最终转换成63*64的图像数据，此时记为A″′_ij、B″′_ij、C″′_ij，将A″′_ij、B″′_ij、C″′_ij三个单通道图像数据转为成一个三通道的图像数据记为X_ij，此时X_ij为一个3*63*64的三通道图像。

5.如权利要求1所述的基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法将深度网络运用到脑电数据提取脑电信号中所含有的时频信息和电极空间分布信息包括：

(1)对于所有被试者转换成的图像数据X_ij，构成训练集D^k＝{X_ij，i∈[1，N],j∈[1,M]},k∈[1,3]，其中X_ij代表被试者i的最终训练数据，k表示的是第几次采集实验，N代表参与本次实验总人数，M代表本次采集脑电信号总次数；记第k次实验数据量为N*M为Z_k，则每个神经网络的总训练数据为Z₁+Z₂+Z₃；将数据集D^k,k∈[1,3]进行打标，对于当前被试人员i所对应图像数据打标为1、其余数据打标为0进行训练；

(2)根据脑电数据的电极空间特性以及时频特性，对于脑电所转换的图像数据构建一个13层的卷积神经网络；采用残差单元进行构造，其中激活函数选择Relu函数，其表达式如下式所示，并在网络最后一层采用全连接sigmoid进行二分类，并设置阈值为0；

(3)对于每一个被试人员i分别训练一个上面构建的网络并记为当前人员所对应的网络L_i，最终脑电身份识别系统含所有人网络集L＝{L_i,i∈[1，N]}。

6.如权利要求1所述的基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法的身份识别包括：重新采集数据输入基于深度学习的稳态视觉诱发脑电身份识别系统，在系统中，则脑电数据被试者i对应神经网络L_i输出为大于0的数，达到识别被试者i的目的，输出全为小于0的数则表示系统中无此人，提示有人入侵系统。

7.一种实现权利要求1所述基于深度学习的稳态视觉诱发脑电身份识别方法的基于深度学习的稳态视觉诱发脑电身份识别系统，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别系统包括：第一显示屏、电极帽、脑电采集仪、计算机设备、第二显示屏；

第一显示屏，用于显示稳态视觉刺激诱发脑电信号；

电极帽，与第一显示屏连接，用于获取脑电信号；

脑电采集仪，与电极帽连接，采集脑电信号；

计算机设备，与电极帽连接，用于处理收集脑电信号并且通过算法进行脑电信号的处理；

第二显示屏，与计算机设备连接，通过接收计算机设备处理结果认证人员身份或提示有人员入侵。

8.一种应用权利要求1～6任意一项所述基于深度学习的稳态视觉诱发脑电身份识别方法的计算机。