CN111046369A - 基于双脑脑机接口系统的在线身份认证方法 - Google Patents

基于双脑脑机接口系统的在线身份认证方法 Download PDF

Info

Publication number
CN111046369A
CN111046369A CN202010172856.2A CN202010172856A CN111046369A CN 111046369 A CN111046369 A CN 111046369A CN 202010172856 A CN202010172856 A CN 202010172856A CN 111046369 A CN111046369 A CN 111046369A
Authority
CN
China
Prior art keywords
matrix
identity authentication
data set
electroencephalogram
signal
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
Application number
CN202010172856.2A
Other languages
English (en)
Inventor
杜安明
李家东
程奎媛
黄海平
李欣祥
胡振超
刘永双
杨健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010172856.2A priority Critical patent/CN111046369A/zh
Publication of CN111046369A publication Critical patent/CN111046369A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

基于双脑脑机接口系统的在线身份认证方法，两名离线数据采集用户分别头戴便携式脑电设备静坐在电脑面前，根据运动想象提示信息进行想象，采集到初始脑电数据集A；算法部分采用带通滤波器和改进的独立分量分析方法对所述脑电信号数据进行预处理，以便提取到较为纯净的脑电数据集
Figure 100004_DEST_PATH_IMAGE001
；使用公共空间模式对上述脑电数据集
Figure 781246DEST_PATH_IMAGE001
进行特征提取，获取特征提取后的脑电数据集D；将特征提取后的脑电数据集D采用支持向量机的方法进行分类，识别出用户的想象动作；最后进入在线测试阶段，每次根据两名被试用户的运动想象识别结果控制初始鼠标点上下左右移动，当初始鼠标点与目标鼠标点位置重合时两人身份即得到验证。

Description

基于双脑脑机接口系统的在线身份认证方法
技术领域
本发明属于机器学习和信息安全交叉领域，具体涉及一种基于双脑脑机接口系统的在线身份认证方法，旨在保障用户身份认证的安全性。
背景技术
脑机接口（brain-computer interface, BCI）是在大脑与外部设备之间建立的直接的交流通道。以往的研究证明，基于脑电图(electroencephalorgraph, EEG)的脑机接口是严重运动失能患者与外界通信的有效手段，近年来，BCI技术在走出实验室应用于日常生活中取得巨大进展。为提高脑机接口系统（BCIs）性能，研究人员通常通过设计、改善算法或融合多种EEG来提高正确率和信息传输速率。目前大部分脑机接口是单被试使用的脑机接口，即一名被试控制一套脑机接口设备。然而随着时代的发展，得益于计算能力的提高，在线处理多名被试EEG逐渐成为一种可能。
多人协作脑机接口，即在同一脑机接口系统内同时采集处理多名被试的EEG与外界设备建立交流控制通道。相对于单被试脑机接口系统，多人协作脑机接口系统性能易受多种因素影响，例如设备成本、实验协作范式、系统结构、信号处理融合算法等方面。当前对多人协作脑机接口系统的研究还比较少，开展这方面的研究有助于促进脑机接口技术的发展。
发明内容
本发明的主要目的在于提供了一种基于双脑脑机接口系统的在线身份认证方法，该方法通过便携式脑电设备采集用户的脑电信号数据，经过处理分析之后，将得到的脑电数据用于在线的身份认证，相对于单被试的情况，双脑的认证技术提高了身份认证的安全性。
基于双脑脑机接口系统的在线身份认证方法，其特征在于：在线身份认证方法包括如下步骤：
步骤1，脑电数据集的离线建模；
步骤1-1，两名离线数据采集用户分别头戴便携式脑电设备静坐在电脑面前，保持注意力集中，根据运动想象提示信息进行想象，采集到初始脑电数据集A；
步骤1-2，采用带通滤波器和改进的独立分量分析方法对脑电信号数据进行预处理后 提取到较为纯净的脑电数据集
Figure 100002_DEST_PATH_IMAGE001
；
步骤1-3，使用公共空间模式CSP对上述脑电数据集
Figure 832485DEST_PATH_IMAGE001
进行特征提取，获取特征提取后 的脑电数据集D；
步骤1-4，将特征提取后的脑电数据集D采用支持向量机SVM的方法进行分类，识别出用户的想象动作，如想象物件A或想象物件B，为后续在线身份认证做准备；
步骤2，被试用户的在线测试步骤；每次根据两名被试用户的运动想象识别结果控制初始鼠标点上下左右移动，当初始鼠标点与目标鼠标点位置重合时身份即得到验证。
进一步地，步骤1-1中两名离线数据建模被试用户同时根据提示信息采集脑电数据用于后续的分析处理。
进一步地，步骤1-2中，脑电信号数据包括delta频段（1～4Hz）、theta频段（4～8Hz）、alpha频段（8～12Hz）、beta 频段（18～26Hz）和gamma频段（36～44Hz）等5个频段数据，对应使用的带通滤波器的频率为1Hz~44Hz。
进一步地，步骤1-2中使用改进的独立分量分析对脑电数据集进行预处理，具体过程为：
设
Figure 828254DEST_PATH_IMAGE002
为一组观测信号，
Figure 100002_DEST_PATH_IMAGE003
为一组相互独立的信源，A中的 各分量由S中各独立信源线性组合而成，即
Figure 87285DEST_PATH_IMAGE004
, 用矩阵表示为
Figure 100002_DEST_PATH_IMAGE005
；
由于观测信号数目不能小于独立信源数，即
Figure 981030DEST_PATH_IMAGE006
，为方便说明，取
Figure 100002_DEST_PATH_IMAGE007
，式中G为
Figure 764045DEST_PATH_IMAGE008
维常系数矩阵，矩阵系数
Figure DEST_PATH_IMAGE009
是未知的；
为从观测信号A中分离出信源S的各分量，寻找一分解矩阵W对观测信号A进行分离，即
Figure 320928DEST_PATH_IMAGE010
；
令
Figure 100002_DEST_PATH_IMAGE011
,则
Figure 197749DEST_PATH_IMAGE012
，接着，对观测信号A进行白化处理；
设T为一线性变换，
Figure 100002_DEST_PATH_IMAGE013
；如果
Figure 740857DEST_PATH_IMAGE014
的协方差矩阵
Figure 100002_DEST_PATH_IMAGE015
为单位矩阵，即
Figure 878577DEST_PATH_IMAGE016
， 则T为白化矩阵，白化矩阵T的求解通过对A协方差矩阵
Figure 100002_DEST_PATH_IMAGE017
的对角化实现；
因
Figure 478798DEST_PATH_IMAGE015
是实对称矩阵，由矩阵分析理论可知，必存在一正交矩阵E，使
Figure 905231DEST_PATH_IMAGE014
的协方差矩阵C 对角化，即
Figure 438981DEST_PATH_IMAGE018
；其中E的行向量是
Figure 634470DEST_PATH_IMAGE015
的特征矩阵，
Figure 100002_DEST_PATH_IMAGE019
是由
Figure 408522DEST_PATH_IMAGE015
的特征值
Figure 446885DEST_PATH_IMAGE020
组 成的对角矩阵，即
Figure 100002_DEST_PATH_IMAGE021
；白化矩阵T则可以表示为
Figure 66216DEST_PATH_IMAGE022
；
经白化处理后，观测信号A变为具有单位方差的信号向量
Figure 381791DEST_PATH_IMAGE014
，且
Figure 513695DEST_PATH_IMAGE014
中各信号分量相互正 交，令
Figure 100002_DEST_PATH_IMAGE023
为矩阵W的某一列向量，其对应于S中的一分量为
Figure 855334DEST_PATH_IMAGE024
，利用改进的自适应梯度下降 法实现从观测信号
Figure 606252DEST_PATH_IMAGE014
中分离出某一独立分量
Figure 41912DEST_PATH_IMAGE024
，每提取出一个独立分量，要从观测信号中 减去这一独立分量，如此重复，直至所有的独立分量完全分离，得到预处理后的脑电数据集
Figure 485663DEST_PATH_IMAGE001
。
进一步地，改进的自适应梯度下降法实现从观测信号
Figure 233039DEST_PATH_IMAGE014
中分离出某一独立分量
Figure 787649DEST_PATH_IMAGE024
， 具体步骤如下：
步骤1-2-1，利用某一随机向量初始化
Figure 100002_DEST_PATH_IMAGE025
，设置收敛误差标准为
Figure 749920DEST_PATH_IMAGE026
；
步骤1-2-2，用改进的自适应梯度下降法调整
Figure 361642DEST_PATH_IMAGE025
，即
Figure 100002_DEST_PATH_IMAGE027
，式中
Figure 268418DEST_PATH_IMAGE028
选取
Figure 100002_DEST_PATH_IMAGE029
；
步骤1-2-3，归一化
Figure 33243DEST_PATH_IMAGE030
为：
Figure 100002_DEST_PATH_IMAGE031
， 与前一个分量相关联，并考虑最优的情况；
步骤1-2-4，如果
Figure 240233DEST_PATH_IMAGE032
或
Figure 100002_DEST_PATH_IMAGE033
则结束，否则回到步骤 1-2-2，重复步骤1-2-2、1-2-3、1-2-4步骤。
进一步地，步骤1脑电数据集的离线建模过程，过程在于离线运动想象数据采集时，协同模块按照预设的实验周期控制两个显示器同步显示相同的提示信息，始终确保两名用户同步看到显示模块提供的提示信息，信号处理模块同步处理脑电数据。
进一步地，步骤2被试用户的在线测试阶段，协同模块按照预设的实验周期，控制显示模块显示鼠标与目标的位置、信号处理模块实时处理脑电信息、接收脑电信号的分类结果并将分类结果用于控制鼠标移动。
进一步地，步骤2被试用户的在线测试阶段，根据识别出来的物件A状态量0和物件B状态量1，采用二进制编码的形式制定成00、01、10、11四种形式的编码格式，依次分别对应鼠标移动的上（00）、下（01）、左（10）、右（11）四种移动方向，并根据目标位置想象鼠标的运动方向从而控制鼠标移动，直到目标位置与鼠标位置重合，身份即得到认证。
进一步地，步骤2被试用户的在线测试阶段，初始化i=0。若两名被试用户第一次身份认证没有成功，则将i加1，并判断当前i的值，若i<=3，则进入下一次身份认证；否则退出。
与现有技术相比，本发明的有益效果为：
（1）本发明基于脑电信号的身份认证，比起普通的指纹、虹膜、面部特征的身份认证，具有更高的安全性。
（2）本发明相较于单被试用户的脑机接口的身份认证，采用双脑脑机接口的新模式，不仅新颖，而且提高了安全性。
（3）本发明采用分布式系统结构，方便部署并且利于降低负荷，在现有技术条件下易于实验。
附图说明
图1为本发明实施例中的基于双脑脑机接口的在线身份认证方法的流程图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
基于双脑脑机接口系统的在线身份认证方法，参阅图1，包括如下步骤：
步骤1，脑电数据集的离线建模。
步骤1-1，两名离线数据采集用户分别头戴便携式脑电设备静坐在电脑面前，保持注意力集中，根据运动想象提示信息进行想象，采集到初始脑电数据集A。两名离线数据建模被试用户同时根据提示信息采集脑电数据用于后续的分析处理。
步骤1-2，采用带通滤波器和改进的独立分量分析方法对脑电信号数据进行预处 理后提取到较为纯净的脑电数据集
Figure 963470DEST_PATH_IMAGE001
。
脑电信号数据包括delta频段（1～4Hz）、theta频段（4～8Hz）、alpha频段（8～12Hz）、beta 频段（18～26Hz）和gamma频段（36～44Hz）等5个频段数据，对应使用的带通滤波器的频率为1Hz~44Hz。
使用改进的独立分量分析对脑电数据集进行预处理，具体过程为：
设
Figure 100002_DEST_PATH_IMAGE035
为一组观测信号，
Figure DEST_PATH_IMAGE037
为一组相互独立的信源，A中的各分量由S中各独立信源线性组合而成，即
Figure DEST_PATH_IMAGE039
,用矩阵表示为
Figure DEST_PATH_IMAGE041
。
由于观测信号数目不能小于独立信源数，即
Figure DEST_PATH_IMAGE043
，为方便说明，取
Figure DEST_PATH_IMAGE045
，式中G为
Figure DEST_PATH_IMAGE047
维常系数矩阵，矩阵系数
Figure DEST_PATH_IMAGE049
是未知的。
为从观测信号A中分离出信源S的各分量，寻找一分解矩阵W对观测信号A进行分离，即
Figure DEST_PATH_IMAGE051
。
令
Figure DEST_PATH_IMAGE053
,则
Figure DEST_PATH_IMAGE055
，接着，对观测信号A进行白化处理。
设T为一线性变换，；如果
Figure 394758DEST_PATH_IMAGE014
的协方差矩阵
Figure 556749DEST_PATH_IMAGE015
为单位矩阵，即，则T为白化矩阵，白化矩阵T的求解通过对A协方差矩阵 的对角化实现。
因
Figure 431296DEST_PATH_IMAGE015
是实对称矩阵，由矩阵分析理论可知，必存在一正交矩阵E，使
Figure 653329DEST_PATH_IMAGE014
的协方差矩 阵C对角化，即；其中E的行向量是
Figure 616256DEST_PATH_IMAGE015
的特征矩阵，
Figure 988463DEST_PATH_IMAGE064
是由
Figure 966783DEST_PATH_IMAGE015
的特征值组成的对角矩阵，即；白化矩阵T则可以表示为。
经白化处理后，观测信号A变为具有单位方差的信号向量
Figure 78385DEST_PATH_IMAGE014
，且
Figure 376642DEST_PATH_IMAGE014
中各信号分量相 互正交，令为矩阵W的某一列向量，其对应于S中的一分量为，利用改进的自适应梯度 下降法实现从观测信号
Figure 571629DEST_PATH_IMAGE014
中分离出某一独立分量，改进的自适应梯度下降法实现从观测 信号
Figure 601955DEST_PATH_IMAGE014
中分离出某一独立分量，具体步骤如下：
步骤1-2-1，利用某一随机向量初始化
Figure 395915DEST_PATH_IMAGE080
，设置收敛误差标准为
Figure 35975DEST_PATH_IMAGE082
。
步骤1-2-2，用改进的自适应梯度下降法调整
Figure 804211DEST_PATH_IMAGE072
，即
Figure 312553DEST_PATH_IMAGE084
，式中
Figure 115424DEST_PATH_IMAGE086
选取
Figure 191964DEST_PATH_IMAGE088
。
步骤1-2-3，归一化
Figure 713075DEST_PATH_IMAGE090
为：
Figure 897544DEST_PATH_IMAGE092
，与前一个分量相关联，并考虑最优的情况。
步骤1-2-4，如果
Figure 820501DEST_PATH_IMAGE094
或
Figure 208888DEST_PATH_IMAGE096
则结束，否则回到步骤1-2-2，重复步骤1-2-2、1-2-3、1-2-4步骤。
每提取出一个独立分量，要从观测信号中减去这一独立分量，如此重复，直至所有 的独立分量完全分离，得到预处理后的脑电数据集
Figure 482875DEST_PATH_IMAGE001
。
步骤1-3，使用公共空间模式CSP对上述脑电数据集
Figure 473964DEST_PATH_IMAGE001
进行特征提取，获取特征提 取后的脑电数据集D。
步骤1-3中，获取特征提取后的脑电数据集D的具体过程为：
记每个运动想象任务样本的EEG分别为
Figure DEST_PATH_IMAGE097
维的矩阵，其中N为通道数，T 表示每个通道的采样点数，则每一类想象任务信号的归一化协方差矩阵为：
Figure DEST_PATH_IMAGE101
式中，
Figure DEST_PATH_IMAGE103
是
Figure DEST_PATH_IMAGE105
的转置，
Figure DEST_PATH_IMAGE107
为矩阵的迹；对这些协方差矩阵求和可以得到合成空间协方差矩阵
Figure DEST_PATH_IMAGE109
，R可分解为：
Figure DEST_PATH_IMAGE111
式中，
Figure 286981DEST_PATH_IMAGE112
和
Figure DEST_PATH_IMAGE113
分别为特征矢量矩阵和特征值对角阵。对
Figure 374498DEST_PATH_IMAGE112
和
Figure 339043DEST_PATH_IMAGE114
进行白化变换使方差 均匀化，得到白化矩阵。
计算各个想象任务模式的空间滤波器，对于模式1为一类，其余
Figure 500214DEST_PATH_IMAGE118
个模式为另一类的情况，记
Figure 230404DEST_PATH_IMAGE120
，令
Figure 947824DEST_PATH_IMAGE122
，
Figure 139771DEST_PATH_IMAGE124
，其中
Figure 351879DEST_PATH_IMAGE126
是白化矩阵。可以证明，如果
Figure 377603DEST_PATH_IMAGE128
可以被分解为
Figure 316741DEST_PATH_IMAGE130
，则
Figure 187745DEST_PATH_IMAGE132
可以被分解为
Figure 387782DEST_PATH_IMAGE134
，且有
Figure 318829DEST_PATH_IMAGE136
，综合以上各式，可得：
Figure 745262DEST_PATH_IMAGE138
从上式可以看出，变换后原协方差矩阵的特征值满足和等于1，即在第1类信号的方差 值最大的情况下其余所有模式信号方差值最小。因此，可以选择
Figure DEST_PATH_IMAGE139
中前m个最大的特征值 所对应的特征向量
Figure 951115DEST_PATH_IMAGE140
来设计第1类模式的空间滤波器，此类模式下的投影方向可以表示 为：
Figure 146604DEST_PATH_IMAGE142
同样可以得到其余各类想象任务模式下的投影方向。将样 本X向第j类模式下的投影方向投影，可以得到滤波信号。X在各个投影方 向得到的滤波信号可以组合构成新的信号，其中
Figure DEST_PATH_IMAGE149
，即新信 号具有M个分量。最后，分别对Z中每个分量的方差进行规范化和取对数计算
Figure DEST_PATH_IMAGE151
其中，
Figure DEST_PATH_IMAGE153
表示Z中第p行分量的方差，得到向量
Figure DEST_PATH_IMAGE155
作为样本的特征。
步骤1-4，将特征提取后的脑电数据集D采用支持向量机SVM的方法进行分类，识别出用户的想象动作，如想象物件A或想象物件B，为后续在线身份认证做准备。具体过程为：
支持向量机通过使用非线性映射(核函数)将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，并基于结构风险最小化理论在特征空间中建构最优分割超平面。
对线性可分训练样本：
Figure 94258DEST_PATH_IMAGE156
，其中，表示特征向量；
Figure DEST_PATH_IMAGE159
是类别标号。寻找最优分类面使2类样本正确分开间隔最大，需满足约束条件：，其中，
Figure 787375DEST_PATH_IMAGE162
为分类面的投影向量；b为分类阈值。此时，分类函数 为：
Figure DEST_PATH_IMAGE163
。对于非线性问题，只需在最优分类超平面中采用适当的核函数，就 可以实现某一非线性变换后的线性分类,将问题从原空间变换到一个高维的特征空间，此 时相应的判别函数式为，其中，M为支持向量的个数， 为拉格朗日乘子，为核函数。
步骤2，被试用户的在线测试步骤；每次根据两名被试用户的运动想象识别结果控制初始鼠标点上下左右移动，当初始鼠标点与目标鼠标点位置重合时身份即得到验证。
步骤1脑电数据集的离线建模过程，过程在于离线运动想象数据采集时，协同模块按照预设的实验周期控制两个显示器同步显示相同的提示信息，始终确保两名用户同步看到显示模块提供的提示信息，信号处理模块同步处理脑电数据。
步骤2被试用户的在线测试阶段，协同模块按照预设的实验周期，控制显示模块显示鼠标与目标的位置、信号处理模块实时处理脑电信息、接收脑电信号的分类结果并将分类结果用于控制鼠标移动。
步骤2被试用户的在线测试阶段，根据识别出来的物件A状态量0和物件B状态量1，采用二进制编码的形式制定成00、01、10、11四种形式的编码格式，依次分别对应鼠标移动的上（00）、下（01）、左（10）、右（11）四种移动方向，并根据目标位置想象鼠标的运动方向从而控制鼠标移动，直到目标位置与鼠标位置重合，身份即得到认证。
步骤2被试用户的在线测试阶段，初始化i=0。若两名被试用户第一次身份认证没有成功，则将i加1，并判断当前i的值，若i<=3，则进入下一次身份认证；否则退出。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (9)

1.基于双脑脑机接口系统的在线身份认证方法，其特征在于：所述在线身份认证方法包括如下步骤：
步骤1，脑电数据集的离线建模；
步骤1-1，两名离线数据采集用户分别头戴便携式脑电设备静坐在电脑面前，保持注意力集中，根据运动想象提示信息进行想象，采集到初始脑电数据集A；
步骤1-2，采用带通滤波器和改进的独立分量分析方法对所述脑电信号数据进行预处 理后提取到较为纯净的脑电数据集
Figure DEST_PATH_IMAGE001
；
步骤1-3，使用公共空间模式CSP对上述脑电数据集
Figure 885357DEST_PATH_IMAGE001
进行特征提取，获取特征提取后的 脑电数据集D；
步骤1-4，将特征提取后的脑电数据集D采用支持向量机SVM的方法进行分类，识别出用户的想象动作，如想象物件A或想象物件B，为后续在线身份认证做准备；
步骤2，被试用户的在线测试步骤；每次根据两名被试用户的运动想象识别结果控制初始鼠标点上下左右移动，当初始鼠标点与目标鼠标点位置重合时身份即得到验证。
2.根据权利要求1所述的基于双脑脑机接口系统的在线身份认证方法，其特征在于：步骤1-1中两名离线数据建模被试用户同时根据提示信息采集脑电数据用于后续的分析处理。
3.根据权利要求1所述的基于双脑脑机接口系统的在线身份认证方法，其特征在于：步骤1-2中，所述脑电信号数据包括 1～4Hz 的delta 频段、4～8Hz的theta 频段、8～12Hz的alpha 频段、18～26Hz的beta 频段和 36～44Hz的gamma 频段5个频段数据，对应使用的带通滤波器的频率为1Hz~44Hz。
4.根据权利要求1所述的基于双脑脑机接口系统的在线身份认证方法，其特征在于：步骤1-2中使用改进的独立分量分析对所述脑电数据集进行预处理，具体过程为：
设
Figure 5760DEST_PATH_IMAGE002
为一组观测信号，
Figure DEST_PATH_IMAGE003
为一组相互独立的信源，A中的 各分量由S中各独立信源线性组合而成，即
Figure 690557DEST_PATH_IMAGE004
, 用矩阵表示为
Figure DEST_PATH_IMAGE005
；
观测信号数目不能小于独立信源数，即
Figure 757870DEST_PATH_IMAGE006
，该处取
Figure DEST_PATH_IMAGE007
，式中G为
Figure 978767DEST_PATH_IMAGE008
维常系数矩 阵，矩阵系数是未知的；
为从观测信号A中分离出信源S的各分量，寻找一分解矩阵W对观测信号A进行分离，即
Figure DEST_PATH_IMAGE011
；
令
Figure 459742DEST_PATH_IMAGE012
,则
Figure DEST_PATH_IMAGE013
，然后对观测信号A进行白化处理；
设T为一线性变换，
Figure 65167DEST_PATH_IMAGE014
；如果
Figure DEST_PATH_IMAGE015
的协方差矩阵
Figure 140570DEST_PATH_IMAGE016
为单位矩阵，即
Figure DEST_PATH_IMAGE017
， 则T为白化矩阵，白化矩阵T的求解通过对A协方差矩阵
Figure 304573DEST_PATH_IMAGE018
的对角化实现；
因
Figure DEST_PATH_IMAGE019
是实对称矩阵，由矩阵分析理论可知，必存在一正交矩阵E，使
Figure 465427DEST_PATH_IMAGE015
的协方差矩阵C对 角化，即
Figure 405701DEST_PATH_IMAGE020
；其中E的行向量是
Figure 630884DEST_PATH_IMAGE019
的特征矩阵，
Figure DEST_PATH_IMAGE021
是由
Figure 936095DEST_PATH_IMAGE019
的特征值
Figure 380982DEST_PATH_IMAGE022
组成 的对角矩阵，即
Figure DEST_PATH_IMAGE023
；白化矩阵T则可以表示为
Figure 826745DEST_PATH_IMAGE024
；
经白化处理后，观测信号A变为具有单位方差的信号向量
Figure 673478DEST_PATH_IMAGE015
，且
Figure 211907DEST_PATH_IMAGE015
中各信号分量相互正 交，令
Figure DEST_PATH_IMAGE025
为矩阵W的某一列向量，其对应于S中的一分量为
Figure 347353DEST_PATH_IMAGE026
，利用改进的自适应梯度下降法 实现从观测信号
Figure 629430DEST_PATH_IMAGE015
中分离出某一独立分量
Figure 100644DEST_PATH_IMAGE026
，每提取出一个独立分量，要从观测信号中减 去这一独立分量，如此重复，直至所有的独立分量完全分离，得到预处理后的脑电数据集
Figure DEST_PATH_IMAGE027
。
5.根据权利要求4所述的基于双脑脑机接口系统的在线身份认证方法，其特征在于：所 述改进的自适应梯度下降法实现从观测信号
Figure 278815DEST_PATH_IMAGE015
中分离出某一独立分量
Figure 432716DEST_PATH_IMAGE026
，具体步骤如下：
步骤1-2-1，利用某一随机向量初始化
Figure 518484DEST_PATH_IMAGE025
，设置收敛误差标准为
Figure 572765DEST_PATH_IMAGE028
；
步骤1-2-2，用改进的自适应梯度下降法调整
Figure 718576DEST_PATH_IMAGE025
，即
Figure DEST_PATH_IMAGE029
，式中
Figure 828614DEST_PATH_IMAGE030
选取
Figure DEST_PATH_IMAGE031
；
步骤1-2-3，归一化
Figure 623132DEST_PATH_IMAGE032
为：
Figure DEST_PATH_IMAGE033
，与前一个分量相关联，并考虑最优的情况；
步骤1-2-4，如果
Figure 502227DEST_PATH_IMAGE034
或
Figure DEST_PATH_IMAGE035
则结束，否则回到步骤 1-2-2，重复步骤1-2-2、1-2-3、1-2-4步骤。
6.根据权利要求1所述的基于双脑脑机接口系统的在线身份认证方法，其特征在于：步骤1脑电数据集的离线建模过程，所述过程在于离线运动想象数据采集时，设置协同模块按照预设的实验周期控制两个显示器同步显示相同的提示信息，始终确保两名用户同步看到显示模块提供的提示信息，信号处理模块同步处理脑电数据。
7.根据权利要求1所述的基于双脑脑机接口系统的在线身份认证方法，其特征在于：步骤2被试用户的在线测试阶段，设置协同模块按照预设的实验周期，控制显示模块显示鼠标与目标的位置、信号处理模块实时处理脑电信息、接收脑电信号的分类结果并将分类结果用于控制鼠标移动。
8.根据权利要求1所述的基于双脑脑机接口系统的在线身份认证方法，其特征在于：步骤2被试用户的在线测试阶段，根据识别出来的物件A状态量0和物件B状态量1，采用二进制编码的形式制定成00、01、10、11四种形式的编码格式，依次分别对应鼠标移动的上（00）、下（01）、左（10）、右（11）四种移动方向，并根据目标位置想象鼠标的运动方向从而控制鼠标移动，直到目标位置与鼠标位置重合，身份即得到认证。
9.根据权利要求1所述的基于双脑脑机接口系统的在线身份认证方法，其特征在于：步骤2被试用户的在线测试阶段，初始化i=0；若两名被试用户第一次身份认证没有成功，则将i加1，并判断当前i的值，若i<=3，则进入下一次身份认证；否则退出。
CN202010172856.2A 2020-03-13 2020-03-13 基于双脑脑机接口系统的在线身份认证方法 Pending CN111046369A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010172856.2A CN111046369A (zh) 2020-03-13 2020-03-13 基于双脑脑机接口系统的在线身份认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010172856.2A CN111046369A (zh) 2020-03-13 2020-03-13 基于双脑脑机接口系统的在线身份认证方法

Publications (1)

Publication Number Publication Date
CN111046369A true CN111046369A (zh) 2020-04-21

Family

ID=70231152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010172856.2A Pending CN111046369A (zh) 2020-03-13 2020-03-13 基于双脑脑机接口系统的在线身份认证方法

Country Status (1)

Country Link
CN (1) CN111046369A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112433617A (zh) * 2020-12-11 2021-03-02 中国人民解放军国防科技大学 一种两人协同的p300-bci目标决策系统及方法
CN113095226A (zh) * 2021-04-13 2021-07-09 南京邮电大学 一种基于双脑控制和隐私保护的无人机疫情预警方法、系统及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101491441A (zh) * 2009-02-26 2009-07-29 江西蓝天学院 基于脑电信号的身份识别方法
CN101716079A (zh) * 2009-12-23 2010-06-02 江西蓝天学院 基于多特征算法的脑纹身份识别认证方法
CN107196809A (zh) * 2017-07-07 2017-09-22 南京邮电大学 基于脑电特征的身份认证方法及认证系统
CN108446635A (zh) * 2018-03-19 2018-08-24 西北大学 一种利用脑电信号辅助偏好获取协同过滤推荐系统及方法
CN108959891A (zh) * 2018-07-19 2018-12-07 南京邮电大学 基于秘密共享的脑电身份认证方法
CN109521873A (zh) * 2018-10-26 2019-03-26 蓝色传感（北京）科技有限公司 基于协作式脑机接口控制系统及信号协作方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101491441A (zh) * 2009-02-26 2009-07-29 江西蓝天学院 基于脑电信号的身份识别方法
CN101716079A (zh) * 2009-12-23 2010-06-02 江西蓝天学院 基于多特征算法的脑纹身份识别认证方法
CN107196809A (zh) * 2017-07-07 2017-09-22 南京邮电大学 基于脑电特征的身份认证方法及认证系统
CN108446635A (zh) * 2018-03-19 2018-08-24 西北大学 一种利用脑电信号辅助偏好获取协同过滤推荐系统及方法
CN108959891A (zh) * 2018-07-19 2018-12-07 南京邮电大学 基于秘密共享的脑电身份认证方法
CN109521873A (zh) * 2018-10-26 2019-03-26 蓝色传感（北京）科技有限公司 基于协作式脑机接口控制系统及信号协作方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐彬锋: "基于事件相关电位的心理测试系统设计及算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112433617A (zh) * 2020-12-11 2021-03-02 中国人民解放军国防科技大学 一种两人协同的p300-bci目标决策系统及方法
CN112433617B (zh) * 2020-12-11 2022-06-14 中国人民解放军国防科技大学 一种两人协同的p300-bci目标决策系统及方法
CN113095226A (zh) * 2021-04-13 2021-07-09 南京邮电大学 一种基于双脑控制和隐私保护的无人机疫情预警方法、系统及设备
CN113095226B (zh) * 2021-04-13 2022-07-22 南京邮电大学 一种基于双脑控制和隐私保护的无人机疫情预警方法、系统及设备

Similar Documents

Publication Publication Date Title
Zheng et al. Robust support matrix machine for single trial EEG classification
Lan et al. Domain adaptation techniques for EEG-based emotion recognition: a comparative study on two public datasets
CN111265212A (zh) 一种运动想象脑电信号分类方法及闭环训练测试交互系统
Zhang et al. Optimum spatio-spectral filtering network for brain–computer interface
CN111680620B (zh) 基于d-s证据理论的人机交互意图识别方法
Wu et al. Finger-vein pattern identification using SVM and neural network technique
Qi et al. RSTFC: A novel algorithm for spatio-temporal filtering and classification of single-trial EEG
Bzdok et al. Semi-supervised factored logistic regression for high-dimensional neuroimaging data
CN108937968B (zh) 基于独立分量分析的情感脑电信号的导联选择方法
Kawanabe et al. Robust common spatial filters with a maxmin approach
Zhang et al. Clustering linear discriminant analysis for MEG-based brain computer interfaces
CN111046369A (zh) 基于双脑脑机接口系统的在线身份认证方法
KR100345245B1 (ko) 조명 변화, 얼굴 표정 변화 등에 독립적인 얼굴 인식 방법
CN111582082B (zh) 基于可解释聚类模型的二分类运动想象脑电信号识别方法
Xiao et al. 2D quaternion sparse discriminant analysis
Gao et al. Double stage transfer learning for brain–computer interfaces
Tang et al. Research on extraction and classification of EEG features for multi-class motor imagery
Lu et al. A temporal convolution network solution for EEG motor imagery classification
Jaha et al. Color face recognition using quaternion pca
Sun et al. An optimal kernel feature extractor and its application to EEG signal classification
Delorme et al. Comparing results of algorithms implementing blind source separation of EEG data
Georgiadis et al. Using discriminative lasso to detect a graph Fourier transform (GFT) subspace for robust decoding in motor imagery BCI
Alhakeem et al. Session to session transfer learning method using independent component analysis with regularized common spatial patterns for EEG-MI signals
CN114587384A (zh) 一种结合低秩表示与流形学习的运动想象脑电信号特征提取方法
CN113780162A (zh) 一种结合多时段多频段csp算法的运动想象脑电解码方法

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: 20200421