CN110135285A - 一种使用单导设备的脑电静息态身份认证方法及装置 - Google Patents

Abstract

本发明提供一种使用单导设备的脑电静息态身份认证方法及装置。该方法包括：获取待认证目标的原始脑电信号；对原始脑电信号进行数据预处理，得到标准脑电信号；数据预处理包括去噪处理、数据分段处理和数据基线矫正；对标准脑电信号进行信号特征提取，信号特征提取包括时域特征提取、频域特征提取和时频域特征提取，所述时频域特征为IMF‑2特征；根据信号特征的瑞利商对时域特征、频域特征和IMF‑2特征进行特征筛选；利用设定的集成分类器对筛选后的信号特征进行分类，得到身份认证结果。该装置包括：信号获取单元、数据预处理单元、特征提取单元、特征筛选单元和身份认证单元。本发明能够将时间降低到10秒内，且可提高分类结果的稳定性和正确率。

Description

一种使用单导设备的脑电静息态身份认证方法及装置

技术领域

本发明涉及身份认证技术领域，尤其涉及一种使用单导设备的脑电静息态身份认证方法及装置。

背景技术

随着信息安全和身份认证的重要性日益凸显，传统身份认证方式逐渐不能满足人们的安全需求，基于个体的生物特征的身份认证方式更加受到人们的认可。但是，随着科技手段的不断进步，现有的基于生物特征(如人脸、指纹、声音、步态等)的身份认证方式都出现了破解方式。随着近年来脑科学的不断发展，使用脑电信号的身份认证方式被更多人关注，大量实验也证明了其可行性和可靠性。

脑电是伴随着大脑神经活动而产生的电信号。人们不同的记忆、生活习惯、思考方式以及大脑结构微小的差异都会带来脑电信号的差异。现有实验证明：即使是同卵双胞胎的脑电信号也是具有差异性并且可以区分的。脑电信号还具有其他生物特征所不具备的优势，具有生命体征的个体就可以产生大脑信号，确保这项技术具有普适性并且无法从死者身上伪造提取。脑电信号的无痕性确保在提取后不留下可复制的痕迹，被他人威胁带来的情绪波动也会导致脑电信号的异常而无法通过认证。

目前主要存在三个问题导致脑电身份认证无法应用到生活中。(i)现有脑电信号采集设备多采用多通道湿电极，一次实验的佩戴和清洗时间在30分钟以上，被试经常反馈较长的准备时间和清洗过程会影响实验效果，不能满足日常需要的快速、便捷的检测速度，远远达不到生活所需的秒级的认证速率。(ii)多数脑电身份认证方式需要播放视觉刺激，不能够应用于视力障碍的人群，并且刺激的播放时间会影响认证速度。(iii)虽然正确率在不断提高，但是大体上的正确率位于80％到90％。

发明内容

针对现有的脑电身份认证方法中存在的认证时间长以及认证结果的正确率有待提高的问题，本发明提供一种使用单导设备的脑电静息态身份认证方法及装置，在保证认证效率的同时，进一步提高认证结果的稳定性和正确率。

第一方面，本发明提供一种使用单导设备的脑电静息态身份认证方法，该方法包括：

步骤1、获取待认证目标的原始脑电信号；

步骤2、对所述原始脑电信号进行数据预处理，得到标准脑电信号；所述数据预处理包括去噪处理、数据分段处理和数据基线矫正；

步骤3、对所述标准脑电信号进行信号特征提取，所述信号特征提取包括时域特征提取、频域特征提取和时频域特征提取，所述时频域特征为IMF-2特征；

步骤4、根据信号特征的瑞利商对所述时域特征、频域特征和IMF-2特征进行特征筛选；

步骤5、利用设定的集成分类器对筛选后的信号特征进行分类，得到身份认证结果。

进一步地，所述原始脑电信号为180秒静息态脑电数据。

进一步地，所述去噪处理具体为：

删除所述180秒静息态脑电数据的前10秒暂态数据，得到170秒静息态脑电数据；去除所述170秒静息态脑电数据中的眼电、肌电伪迹；利用切比雪夫滤波器对去除伪迹后的170秒静息态脑电数据进行0～60Hz的低通滤波。

进一步地，所述数据分段处理具体为：

将低通滤波后的170秒静息态脑电数据以2秒作为时间间隔平均分为无重叠的85段脑电数据。

进一步地，所述数据基线矫正具体为：

以数据自身的均值作为基线，对所述85段脑电数据中的每一段脑电数据进行基线矫正。

进一步地，所述频域特征提取具体为：

对所述标准脑电信号进行1024点的快速傅里叶变换，得到频域脑电信号；将3～58Hz的频域脑电信号平均分为28个子频带；利用微分熵计算得到28个所述子频带的频带能量。

进一步地，所述时频域特征提取具体为：

对所述标准脑电信号进行本征模态分解，得到所述标准脑电信号中的beita节律；选择所述beita节律中的IMF-2特征作为时频域特征；对所述时频域特征进行1024点的快速傅里叶变换，得到时频域脑电信号；将3～58Hz的时频域脑电信号平均分为28个子时频带；利用微分熵计算得到28个所述子时频带的时频带能量。

进一步地，所述步骤4具体为：

步骤4.1、计算提取到的时域特征、频域特征和时频域特征的瑞利商；

步骤4.2、选择瑞利商值最大的28种特征作为优选特征。

进一步地，所述步骤5具体为：

步骤5.1、利用多个分类器对筛选后的信号特征进行分类，所述分类器包括KNN分类器、LDA分类器、SVM分类器；

步骤5.2、利用投票策略将多个所述分类器的分类结果进行整合，将票数最大的分类结果作为身份认证结果。

第二方面，本发明实施例提供一种使用单导设备的脑电静息态身份认证装置，包括：信号获取单元、数据预处理单元、特征提取单元、特征筛选单元和身份认证单元；其中：

信号获取单元，用于获取待认证目标的原始脑电信号；

数据预处理单元，用于对所述原始脑电信号进行数据预处理，得到标准脑电信号；所述数据预处理包括去噪处理、数据分段处理和数据基线矫正；

特征提取单元，用于对所述标准脑电信号进行信号特征提取，所述信号特征提取包括时域特征提取、频域特征提取和时频域特征提取，所述时频域特征为IMF-2特征；

特征筛选单元，用于根据信号特征的瑞利商对所述时域特征、频域特征和IMF-2特征进行特征筛选；

身份认证单元，用于利用设定的集成分类器对筛选后的信号特征进行分类，得到身份认证结果。

本发明的有益效果：

本发明提供的使用单导设备的脑电静息态身份认证方法及装置，可以将身份验证时间明显缩短到10秒以内。并且使用了5种方法共同处理脑电数据提高验证结果的稳定性和正确率，分别为自身均值基线矫正法、均分28频带法、时频域IMF-2特征提取法、瑞利商融合法，以及集成分类器在脑电身份认证领域的首次使用。其中，使用自身均值基线矫正法代替传统方法作为新的基线矫正方式，有效降低了静息态下的信号波动性。频域特征使用均分28频带法代替常用的脑电5节律分段法，有效提升了频域特征分辨率和数量。在时频域选择使用IMF-2特征，此特征具有丰富的利于身份认证的beita节律。进一步地，结合时域特征形成时域、频域、时频域的高维特征组，经过新的瑞利商方式融合以上特征，在缓解空间特征缺少的同时提升了准确率。本发明最后还使用了微分熵计算能量，设计集成分类器来融合个体分类器的优点，提升了身份认证的准确率。

附图说明

图1为本发明实施例提供的一种使用单导设备的脑电静息态身份认证方法的流程示意图之一；

图2为本发明实施例提供的一种使用单导设备的脑电静息态身份认证方法与现有身份认证方法的流程对比示意图；

图3为本发明实施例提供的一种使用单导设备的脑电静息态身份认证装置的结构示意图；

图4为本发明实施例提供的均分28频带法的频率特征分辨率示意图；

图5为本发明实施例提供的两种频率特征分段方式的被试相似度矩阵示意图；

图6为本发明实施例提供的均分28频带法的正确率提升示意图；

图7为本发明实施例提供的自身均值基线矫正法的稳定度提升示意图；

图8为本发明实施例提供的时域、频域、时频域特征的被试相似度矩阵示意图；

图9为本发明实施例提供的时域、频域、时频域特征的认证正确率示意图；

图10为本发明实施例提供的瑞利商融合法的正确率提升示意图；

图11为本发明实施例提供的集成分类器的正确率提升示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

单导设备：使用单个电极(即单导联)进行信号获取的脑电设备。

如图1所示，本发明实施例提供一种使用单导设备的脑电静息态身份认证方法，包括以下步骤：

S101、获取待认证目标的原始脑电信号；

S102、对所述原始脑电信号进行数据预处理，得到标准脑电信号；所述数据预处理包括去噪处理、数据分段处理和数据基线矫正；

S103、对所述标准脑电信号进行信号特征提取，所述信号特征提取包括时域特征提取、频域特征提取和时频域特征提取，所述时频域特征为IMF-2特征；

具体地，在时频域使用IMF-2特征的原因在于：该特征具有丰富的利于身份认证的beita节律。

S104、根据信号特征的瑞利商对所述时域特征、频域特征和IMF-2特征进行特征筛选；

S105、利用设定的集成分类器对筛选后的信号特征进行分类，得到身份认证结果。

本发明实施例提供的一种使用单导设备的脑电静息态身份认证方法，相比于常用的16导联、32导联等多导联设备，单导设备可以节约大量的佩戴时间、调试时间、清洗时间，同时具有最大的便携性，因此最符合日常需要的便捷、快速、实用性，可以明显缩短测试时间到10秒以内，大大减少身份认证时间。但是单导联由于只有一个电极，缺少了多个电极的空间特征性，同时信噪比和稳定性都不如多导联设备，因此本发明实施例通过提取时域特征、频域特征和时频域特征，并且利用瑞利商方式融合提取到的特征，可在缓解空间特征缺少的同时提升准确率。

在上述实施例的基础上，本发明提供又一种实施例，具体流程如下：

S201、获取待认证目标的原始脑电信号，所述原始脑电信号为180秒静息态脑电数据。

具体地，180秒即为3分钟，是在进行数据采集时的时间长度，由于需要足够的样本来训练分类器，因此这个时间应该越长越好。但是静息态只有睁眼和闭眼两种任务，内容枯燥，3分钟是被试能够忍受的极限，3分钟后被试容易产生烦躁、困倦、疲劳等状态，会大大影响正常的静息态信号，因此选择三分钟作为单次采集的时间长度。

S202、数据预处理，包括去噪处理、数据分段处理和数据基线矫正。

具体地，其中，所述去噪处理为：首先，删除所述180秒静息态脑电数据的前10秒暂态数据，得到170秒静息态脑电数据；然后，去除所述170秒静息态脑电数据中的眼电、肌电伪迹；最后，利用切比雪夫滤波器对去除伪迹后的170秒静息态脑电数据进行0～60Hz的低通滤波。

所述数据分段处理为：将低通滤波后的170秒静息态脑电数据以2秒作为时间间隔平均分为无重叠的85段脑电数据。

所述数据基线矫正为：以数据自身的均值作为基线，对所述85段脑电数据中的每一段脑电数据进行基线矫正。本发明实施例中的数据基线矫正方法称为自身均值基线矫正法。所谓自身均值基线矫正法，实质上就是计算一段数据的均值，比如数据是{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20}，常用的基线矫正方法是选前10％的均值作为整个数据的基线，即(1+2)/2＝1.5，但是这样的基线对后面的3到20校准作用较小；自身均值就是以1到20所有数字的均值作为基线，为10.5，这样的基线矫正对整体数据基准更准确。

S203、信号特征提取，包括时域特征提取、频域特征提取和时频域特征提取。

具体地，所述频域特征提取为：首先，对所述标准脑电信号进行1024点的快速傅里叶变换，得到频域脑电信号；然后，将3～58Hz的频域脑电信号平均分为28个子频带；最后，利用微分熵计算得到28个所述子频带的频带能量。本发明实施例中的频域特征提取方法称为均分28频带法。

所述时频域特征为IMF-2特征，所述时频域特征提取具体为：首先，对所述标准脑电信号进行本征模态分解，得到所述标准脑电信号中的beita节律；其次，选择所述beita节律中的IMF-2特征作为时频域特征；再次，对所述时频域特征进行1024点的快速傅里叶变换，得到时频域脑电信号；然后，将3～58Hz的时频域脑电信号平均分为28个子时频带；最后，利用微分熵计算得到28个所述子时频带的时频带能量。本步骤中的时频域特征提取的时频域中的IMF-2特征，因此在本发明实施例中，上述时频域特征提取方法也称为时频域IMF-2特征提取法。

需要说明的是，本步骤所述的本征模态分解(EMD)，也译为“经典模态分解”。EMD方法在理论上可以应用于任何类型的时间序列(信号)的分解，因而在处理非平稳及非线性数据上，比之前的平稳化方法更具有明显的优势。该方法的关键是它能使复杂信号分解为有限个本征模函数(Intrinsic Mode Function，简称IMF)，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。具体分解方法可参考[Boudraa AO,Cexus J C.EMD-Based Signal Filtering[J].IEEE Transactions on Instrumentation andMeasurement,2007,56(6):2196-2202.]。

时域特征包括线性特征和非线性特征。线性特征包括低阶统计特征和高阶统计特征。非线性特征包括近似熵、样本熵和AR模型参数。

(1)低阶统计特征

由于脑电信号属于非平稳信号，并且静息状态下的信号随机性更强。因此可选用统计量来表示信号的特性，统计量虽然不能精确地表示信号细节，但是能在整体上描述信号属性。在特征计算中脑电信号为x＝(x₁,x₂,x₃...x_N)，信号长度为N，常用的统计特征有：

过零率(zeros-crossing rate)：Z_num(x)为信号x穿过x轴的次数。

均值(mean)：

标准差(standard deviation)：

标准差/均值(coefficient of variation)：

一阶差分(first-order difference)：

二阶差分(secend-order difference)：

(2)高阶统计特征

将阶数在二阶以上的统计量定义为高阶统计量，高阶统计量有良好的抵消噪声的效果。在本发明实施例中取阶数为三阶和四阶，分别计算它们的原点距和中心距。三阶中心距衡量了概率密度分布的偏斜程度，四阶中心距代表了随机分布在均值附近的陡峭程度。

K阶原点距:

K阶中心距:

(3)近似熵

近似熵通过计算信号中新的序列出现的可能性，来定义非稳定时间序列的复杂度，表明了脑电信号的规律性和不可预测性。近似熵为非负数，数值越大代表脑电信号复杂程度较高，大量运用于EEG等生理信号的评估和诊断。

近似熵的相关参数为m和r，m参数为进行比较时的向量长度，实验中m长度分别选取了2和3，r表示相似度的阈值，实验中选择r＝0.2×σ_x。将脑电数据x＝(x₁,x₂,x₃...x_N)重新构建为向量U(1),U(2),U(3),...,U(N-m+1)，其中U(i)＝[x_i,x_i+1,...,x_i+m-1]，定义d[U(i),U(j)]为U(i),U(j)向量中对应位置元素的最大距离，将num(ui)表示统计d[U(i),U(j)]<r的个数，并且允许j＝i。

近似熵定义为:

apen(m,r)＝Ψ^m(r)-Ψ^m+1(r)

其中，

近似熵可以进行小数据样本的计算，较小的计算量可以进行实时处理，并且近似熵的抗噪声能力较强，可以更真实的还原信息表达程度。

(4)样本熵

样本熵与近似熵的物理意义较为相近，作为近似熵的一种改进方式，在计算中加入了对数运算使得其精度更高。样本熵具有两个优点:样本熵的值与信号长度无关，并且样本熵有更好的一致性。

样本熵与近似熵的计算方式相似，有两点不同之处，计算距离时j≠i，取消了与自身数据的比较，在计算取消了对数计算，最后定义样本熵时加入了对数计算，可以更精确的计算长度为m和m+1的Ψ^m(r)差值。本实施例中m长度选取了2和3。

(5)AR模型参数

脑电信号并非完全的随机信号，信号中的信息具有关联性，脑电信号之间的联系可产生一个或多个相关的频率分量。如果只关注它的独立特性，将丢失信号之间的关联信息。

AR模型易于计算且广泛应用于信号处理中，科学家逐渐将AR过程运用到脑信号的处理。本发明实施例认为脑电信号的产生过程可以被线性滤波器描述，通过自回归算法建立信道模型，可以将AR过程逼近脑电信号。设定AR模型阶数为p＝8，并将拟合后的模型系数作为特征值。

构建AR线性系统:

可以得到AR模型的系统响应为:

通过使用Yule-Walker方程求解AR模型系数，将最终计算得到的a₁,a₂,...,a₈作为脑电信号的时域特征。

S204、特征筛选。本步骤是基于瑞利商对步骤S203中提取到的特征进行融合，因此在本发明实施例中，本步骤所述的特征筛选也称为瑞利商融合法。具体包括以下子步骤：

S2041、计算提取到的时域特征、频域特征和时频域特征的瑞利商；

所谓瑞利商指类间距与类内距的比值，瑞利商值越高代表个体特征越集中、不同个体之间特征差异越大，这样的特征便于分类，可以带来正确率的显著提升。

S2042、选择瑞利商值最大的28种特征作为优选特征。

本步骤基于瑞利商进行特征筛选可以筛选出多领域多尺度的全面信号特征，可以从时域、频域、时频域刻画被试特点，从粗糙的统计特征到细节的能量特征可以更全面的分析个人差异性。

S205、身份认证识别。具体包括以下子步骤：

S2051、利用多个分类器对筛选后的信号特征进行分类，所述分类器包括KNN(k近邻)分类器、LDA(线性判别分析)分类器、SVM(支持向量机)分类器；

S2052、利用投票策略将多个所述分类器的分类结果进行整合，将票数最大的分类结果作为身份认证结果。

如图3所示，本发明实施例还提供一种使用单导设备的脑电静息态身份认证装置，该装置包括：信号获取单元301、数据预处理单元302、特征提取单元303、特征筛选单元304和身份认证单元305。其中：

信号获取单元301用于获取待认证目标的原始脑电信号；数据预处理单元302用于对所述原始脑电信号进行数据预处理，得到标准脑电信号；所述数据预处理包括去噪处理、数据分段处理和数据基线矫正；特征提取单元303用于对所述标准脑电信号进行信号特征提取，所述信号特征提取包括频域特征提取和时频域特征提取，所述时频域特征为IMF-2特征；特征筛选单元304用于根据信号特征的瑞利商对所述频域特征和所述IMF-2特征进行特征筛选；身份认证单元305用于利用设定的集成分类器对筛选后的信号特征进行分类，得到身份认证结果。

为了进一步验证本发明提供的一种使用单导设备的脑电静息态身份认证方法的性能，本发明还提供以下实验。

1.实验设备选取：

本次实验使用NeuroSky公司生产的便携式头戴设备，型号为MindWave Mobile。该设备作为一款单导干电极的无线脑电设备，主要特点在于其便携性和简易性。佩戴方式十分简单：首先，调整好脑电设备头箍大小；然后，将干电极准确附着于被试的前额FP1处后；最后，左耳夹作为参考夹合于耳垂中心。

2.实验过程：

采集场地选择在封闭且安静的房间内进行，去掉被试的智能设备以减少电磁环境对采集过程中的信号干扰。在实验过程中，被试全程靠坐在硬椅上。首先，调整头箍大小，为被试佩戴脑电仪器MindWaveMobile，将耳夹夹紧左耳垂中心作为reference，将脑电仪器的干电极紧贴于被试的眉心上方1厘米处，并检查脑电仪器的位置是否稳定，确保实验过程中脑电仪器不会滑落。然后，使用matlab程序采集脑电信号。在采集信号的过程中，提醒被试身心放松但不进入睡眠状态，以及在数据采集过程中尽量避免咬牙、吞咽、眼动、双腿交叉等动作。在静息态睁眼信号采集过程中，提示被试尽量少次数的眨眼。

每名被试总时间为6分钟的数据采集，整个采集过程中被试进行2个block的数据流程，block-1为静息态睁眼3分钟，block-2为静息态闭眼3分钟，在两个block采集之间间隔1分钟放松时间。

3.实验结果：

针对单导设备的脑电身份中的频域特征分辨率低、稳定性不佳、正确率不足等问题，本发明提出新的脑电数据组合处理方式，并以频域特征分辨度、被试相关系数矩阵、分类准确率分别作为性能指标进行评价。

(1)对于频域特征分辨率的改善结果如图4所示。本发明通过利用均分28频带法将频率特征分辨率从平均12Hz提升6倍至2Hz，可见均分28频带法对于频域有更细节的刻画。

(2)对于稳定性的优化结果如图5、7、8所示，图5、8中对角线表示被试自身稳定度，其余色块代表被试之间的混淆程度。对角线越明亮代表自身特征稳定性越强，背景色块越深色代表被试之间区别度越大更好分辨。从图5可知：均分28频带法在自身稳定挂和被试差异性两方面都有巨大提升；从图8可知：IMF-2的时频域特征具有最好的稳定性；从图7可知：在被试区分度相近的情况下，自身均值基线矫正法具有更好的自身稳定性。

(3)对于正确率的提升结果如图6、9、10、11所示。从图6可知：均分28频带法能够提高20％以上的正确率；从图9可知：时频域选用IMF-2作为特征域具有最高的正确率；从图10可知：瑞利商融合方法提取的特征分类结果最佳；从图11可知：集成分类器与分类性能最好的SVM分类器进行对比，集成分类器有更高的准确率，且静息态睁眼的正确率高于静息态闭眼。

(4)均分28频带法的稳定性与正确率结果分析

图5中左图展示的是常用的脑电5节律提取的能量特征，对角线与其余色块的边界十分模糊，表明常用的脑电5节律方式不能明显地将个体特征与他人区分开来，即在身份认证中难以区分不同个体，也就是说在单导设备应用常用的脑电5节律方式存在困难。图5中右图是本发明提出的均分28频带法，被试的相关矩阵的对角线十分明显，可以从直观上看出不同被试之间有较大差异性，并且个人的特征可以得到稳定的保持。对比两图可以得出结论，均分28频带法可以更明显地捕捉到具备被试间差异性和个体稳定性的特征。

本实验将脑电5节律方式和均分28频带法分别放入三种常规分类器进行5折交叉验证，睁眼和闭眼状态下的三种分类器结果展示在图6中。从结果可以看出，每幅图中左侧代表的脑电5节律方式的分类结果约为50％，使用新的均分28频带方法正确率在70％至84％，并且均分28频带方法在3种常用分类器中都有明显的提升，对比结果显示新方法可以带来20％以上的正确率提高，可以看出被试间相似度的降低可以有效提升分类性能。

(5)自身均值基线矫正法稳定性结果分析

针对静息态脑电信号不稳定的问题，本发明使用自身均值作为新的基线校正方法，为了验证本发明方法的稳定性提升能力，本实验计算被试自身和被试间差的相关系数均值，与常用的基线均值结果一同展示在图7中。从图7可知：两种基线矫正方式的被试间差异性一致，自身均值基线矫正法的被试自相关度均值升高了3％达到86％。可以看出自身均值基线矫正法可以使被试的样本特征更加稳定，提升了静息态信号的稳定性。

(6)IMF-2时频域特征的稳定性与正确率结果分析

本发明提出将有充足beita节律的IMF-2作为时频域特征，三种特征域的被试相关系数矩阵结果如图8所示。从图8可知：频域特征和IMF-2的矩阵对角线更加清晰；时域特征的相关性不强并且背景颜色也较为混乱，表示被试间的差异性不明显，主要原因在于时域特征以统计特征为主，统计特征不能刻画被试间的细节性差异。IMF-2相比频域特征有更明显的对角线，并且背景色块的亮度更暗。

为了验证IMF-2域特征分类性能，本实验分别使用三种分类器对三种特征域的特征进行正确率测试，正确率结果如图9所示。从图9可知：虽然不同分类器的分类效果不同，但是IMF-2的特征在LDA和SVM的分类准确率都为最高，其中使用SVM分类器的正确率达到了90％以上的优秀分类结果。IMF-2的频率选择是正确率高于频域特征的主要原因，为了得到更高的身份认证正确率，在本征模态分解(简称EMD)后选择IMF-2包含最适用于身份认证的beita节律。

(7)瑞利商融合特征正确率结果分析

统一使用SVM分类器进行融合特征的准确性对比，SVM分类结果如图10所示。从图10可知：PCA(主成分分析法)和瑞利商两种融合方法对于分类准确率都有明显提升，分类效果均高于单一特征域，在不同静息状态下两种特征融合方法的可以提升5％到8％的正确率。其中瑞利商的正确率达到最高，在静息态睁眼状态下可以达到94％，这是由于瑞利商的特征筛选更关注于更具分类效果的特征，更利于分类器设置判决门限。

(8)集成分类器正确率结果分析

现有的最好的身份认证方式为基于SVM分类器的两种特征融合方法，即：使用PCA和瑞利商这两种特征融合方法，然后使用SVM分类器作为分类器进行特征分类。为测试集成分类器的准确率效果，将PCA和瑞利商方法融合后的特征放入集成分类器结果如图11所示。从图11可知：从正确率均值结果可以看出静息态睁眼的正确率略高于静息态闭眼。实验者认为这是由于睁眼状态下有更丰富的意识和思维活动，这部分的意识活动信号在额叶有明显变化，实验中的单导设备的FP1电极位置正好位于前额，可以捕捉到更多脑的意识活动信号，此外，集成分类器和分类效果最好的SVM分类器相比，集成分类器通过投票方式降低单个分类器的分类扰动，纠正了部分个体分类器的错误，相比于分类效果最好的SVM分类器，集成分类器的整体正确率提升1％，其中静息态睁眼状态下经过瑞利商筛选后的特征分类正确率达到95.7％。

(9)身份认证性能分析

本发明以实用化、便携化的实用性脑电身份认证为目标，完成了单导脑电设备在静息状态下进行身份认证，使用一系列改良方式弥补了空间特征少、静息态下稳定性低等不足，在频域基线矫正阶段使用自身均值基线矫正法来提升波形稳定性，使用均分28频带法提升频域特征分辨率来弥补空间特征较少的问题，使用微分熵计算频带能量。在时频域选择含有丰富beita节律的IMF-2信号。使用瑞利商方法代替PCA方法筛选特征，混合从时域到频域、从宏观到细节的特征多维度刻画被试脑电特性，最后利用集成学习方法将KNN、LDA、SVM的分类结果进行投票决策，减少个体分类器的错误，选择性能较好的静息态睁眼的状态，本发明方法最终达到了95.70％的正确率。

最后应说明的是：以上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。

Claims (10)

1.一种使用单导设备的脑电静息态身份认证方法，其特征在于，包括：

步骤1、获取待认证目标的原始脑电信号；

步骤2、对所述原始脑电信号进行数据预处理，得到标准脑电信号；所述数据预处理包括去噪处理、数据分段处理和数据基线矫正；

步骤3、对所述标准脑电信号进行信号特征提取，所述信号特征提取包括时域特征提取、频域特征提取和时频域特征提取，所述时频域特征为IMF-2特征；

步骤4、根据信号特征的瑞利商对所述时域特征、频域特征和IMF-2特征进行特征筛选；

步骤5、利用设定的集成分类器对筛选后的信号特征进行分类，得到身份认证结果。

2.根据权利要求1所述的方法，其特征在于，所述原始脑电信号为180秒静息态脑电数据。

3.根据权利要求2所述的方法，其特征在于，所述去噪处理具体为：

删除所述180秒静息态脑电数据的前10秒暂态数据，得到170秒静息态脑电数据；去除所述170秒静息态脑电数据中的眼电、肌电伪迹；利用切比雪夫滤波器对去除伪迹后的170秒静息态脑电数据进行0～60Hz的低通滤波。

4.根据权利要求3所述的方法，其特征在于，所述数据分段处理具体为：

将低通滤波后的170秒静息态脑电数据以2秒作为时间间隔平均分为无重叠的85段脑电数据。

5.根据权利要求4所述的方法，其特征在于，所述数据基线矫正具体为：

以数据自身的均值作为基线，对所述85段脑电数据中的每一段脑电数据进行基线矫正。

6.根据权利要求1所述的方法，其特征在于，所述频域特征提取具体为：

对所述标准脑电信号进行1024点的快速傅里叶变换，得到频域脑电信号；将3～58Hz的频域脑电信号平均分为28个子频带；利用微分熵计算得到28个所述子频带的频带能量。

7.根据权利要求1所述的方法，其特征在于，所述时频域特征提取具体为：

对所述标准脑电信号进行本征模态分解，得到所述标准脑电信号中的beita节律；选择所述beita节律中的IMF-2特征作为时频域特征；对所述时频域特征进行1024点的快速傅里叶变换，得到时频域脑电信号；将3～58Hz的时频域脑电信号平均分为28个子时频带；利用微分熵计算得到28个所述子时频带的时频带能量。

8.根据权利要求1所述的方法，其特征在于，所述步骤4具体为：

步骤4.1、计算提取到的时域特征、频域特征和时频域特征的瑞利商；

步骤4.2、选择瑞利商值最大的28种特征作为优选特征。

9.根据权利要求1所述的方法，其特征在于，所述步骤5具体为：

步骤5.1、利用多个分类器对筛选后的信号特征进行分类，所述分类器包括KNN分类器、LDA分类器、SVM分类器；

步骤5.2、利用投票策略将多个所述分类器的分类结果进行整合，将票数最大的分类结果作为身份认证结果。

10.一种使用单导设备的脑电静息态身份认证装置，其特征在于，包括：

信号获取单元，用于获取待认证目标的原始脑电信号；

数据预处理单元，用于对所述原始脑电信号进行数据预处理，得到标准脑电信号；所述数据预处理包括去噪处理、数据分段处理和数据基线矫正；

特征提取单元，用于对所述标准脑电信号进行信号特征提取，所述信号特征提取包括时域特征提取、频域特征提取和时频域特征提取，所述时频域特征为IMF-2特征；

特征筛选单元，用于根据信号特征的瑞利商对所述时域特征、频域特征和IMF-2特征进行特征筛选；

身份认证单元，用于利用设定的集成分类器对筛选后的信号特征进行分类，得到身份认证结果。