CN111295673A - 神经反应检测器 - Google Patents

Abstract

各方面提供了基于神经元响应的人检测器设备，其中，该设备被配置为在向实体呈现第一感知信息期间从实体获得脑电图信号，并且将获得的脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，该第一感知信息表示根据向不同的人呈现与第一感知信息相对应的感知信息而由不同的人最常生成的脑电图信号。因此，所配置的处理器根据获得的脑电图信号与被标记为第一感知信息的经训练的脑电图信号轮廓部分中具有最高的最共有加权的经训练的脑电图信号轮廓部分的匹配强度来确定实体是否是人。

Description

神经反应检测器

背景技术

“机器人程序”是响应于脚本和其他编程代码和指令的执行而在计算机处理器上运行的应用，并且被设计成将人类或“类人”行为仿真为在线和对联网资源的其它输入活动。机器人程序通常用于通过端口和入口机制访问联网资源，所述端口和入口机制旨在提供对真实的人(人类)的访问、向人类提供服务、或来自由人类提供的输入。机器人程序通过如下通过模仿人类行为、欺骗该机制以接受其输入作为人类的输入这样的机制获得进入。

机器人程序可以用于创建垃圾邮件、虚拟账户、分布式拒绝服务(DDos)攻击、服务中断、操纵评级、影响选举、以其它方式生成欺诈性联网资源输入和网站流量。例如，当多个系统对通常是一个或多个web服务器的目标系统的带宽或资源进行洪水攻击时，发生DDoS攻击。这种攻击通常是多个受损系统(例如，“僵尸网络”)对目标系统采用流量进行洪水攻击的结果。

部署了各种方法和系统来区分人类输入和机器人访问和输入，以便保护网络和虚拟化服务环境不受机器人影响。例如，CAPTCHA(完全自动区分计算机和人的公共图灵测试)特征或工具通常用于确保计算机没有生成用户输入，通常要求用户键入失真图像的字母，有时添加出现在屏幕上的字母或数字的模糊序列。CAPTCHA通常被设计为需要同时使用三种单独的能力—不变的识别、分割和解析—以正确地完成具有任何一致性的任务。不变识别是指识别字母形状的大量变化的能力。尽管对于人脑能够成功识别的每个字符几乎存在无限数量的版本，但是对于计算机来说这是不正确的，并且CAPTCHA系统通常试图呈现对于计算机化机器人来说难以可靠地解码的不同字母形式。

分割或将一个字母与另一个分开的能力对于机器人程序来说也是难以执行的。因此，CAPTCHA处理通常以挤在一起的格式呈现字符，在其间没有空白。机器人程序在基于由周围字母建立的上下文来解码各个字符，并由此正确地解析或标识每个字符方面也可能具有有限的能力。例如，在CAPTCHA的一个片段中，字母可能看起来像“m”。仅在识别包括该字母的整个单词以建立上下文(例如，“可摸索”)之后，人类读者才会清楚该字母必须是“u”而不是“m”。

这些问题中的每一个都对孤立的计算机机器人程序提出了挑战，并且CAPTCHA过程通常需要同时执行所有三个以降低机器人程序可以解决给定CAPTCHA挑战的概率。与计算机不同，人类在这种类型的任务方面是优秀的。虽然分割和识别是理解计算机的图像所必需的两个独立的过程，但是它们是对于个人的同一过程的一部分。例如，当个体理解CAPTCHA的第一个字母是“a”时，该个体还理解该“a”的轮廓在哪里，以及它与下一个字母的轮廓在哪里合并。此外，人脑能够基于上下文动态思考，能够保持多个解释有效，然后基于上下文线索挑选对于整个输入的最佳解释。这也意味着它不会被字母的变化所欺骗。

然而，一些自动化过程可以击败由CAPTCHA挑战所呈现的障碍或绕过该障碍工作，并且获得对于仅旨在用于直接人类访问的资源的访问。CAPTCHA工具还对用户可能不容易访问或执行的用户输入施加要求，其中一些用户可能没有成功完成CAPTCHA测试并且由此获得对联网资源的访问。例如，基于图像的CAPTCHA对于已经包括视力(例如，失明、色盲、或具有黄斑变性或其他低视力能力)的用户来说可能是非常难以或不可能完成的。虽然一些CAPTCHA工具向视觉受损的用户提供音频备选，但是在不知道原始图像的视觉上下文的情况下，可能难以准确地解释音频备选，或者难以准确地记住一系列所叙述的字母，或者难以理解用户对于用来传达音频备选的语言是否具有低语言技能，或者人类用户是否具有其它认知障碍。最后，成功完成CAPTCHA可能是耗时的，通过用户不愿意同意招致由CAPTCHA工具强加于用户的不便而导致人类参与(以及由服务提供商提供的联网资源的相关联使用)的损失。

发明内容

在本发明的一个方面，一种基于神经元反应的用于人类探测器的计算机化方法包括在计算机处理器上执行步骤。因此，计算机处理器被配置为在向实体呈现第一感知信息期间从实体获得脑电图信号。配置的处理器将所获得的脑电图信号与被标记为第一感知信息的多个训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为第一感知信息的脑电图信号轮廓部分表示根据向多个不同的人呈现与第一感知信息相对应的感知信息而由不同的人最常生成的脑电图信号。因此，配置的处理器根据获得的脑电图信号与被标记为第一感知信息的多个训练的脑电图信号轮廓部分中的具有最高的最共有加权的脑电图信号轮廓部分的匹配强度来确定实体是否是人。

优选地，本发明提供了一种方法，该方法还包括：响应于向所述实体呈现不同于所述第一感知信息的第二感知信息，从所述实体获得第二脑电图信号；将获得的第二脑电图信号与被标记为第二感知信息的多个训练的脑电图信号简档部分中的每一个相比较，其中，被标记为第一感知信息的第二感知信息训练集部分表示根据向不同的人呈现与第二感知信息相对应的感知信息而由多个不同的人最常生成的脑电图信号；以及其中，所述确定所述实体是否是人类还根据获得的第二脑电图信号与被标记为第二感知信息的多个训练的脑电图信号轮廓部分中的被最高加权的脑电图信号轮廓部分的匹配强度。

优选地，本发明提供了一种方法，该方法还包括：响应于确定获得的第一脑电图信号在指定的精度值内匹配被标记为第一感知信息的经训练的脑电图信号轮廓部分中的一个，确定实体不是人。

优选地，本发明提供了一种方法，该方法还包括：选择第一感知信息以匹配实体的与多个不同人的特征共有的特征，其中，实体的特征选自包括人口统计数据、客户类别、工作描述、技能集和雇主身份的组。

优选地，本发明提供了一种方法，该方法还包括：根据从由在提供实体脑电图信号的输入的终端用户机器上运行脚本和在终端用户机器上执行握手例程组成的组中选择的过程，验证获得的第一实体脑电图信号的输入直接来自于被认可的设备；以及响应于确定验证失败而确定实体不是人。

优选地，本发明提供了一种方法，该方法还包括：在向实体呈现不同于第一感知信息的基线感知信息期间，从实体获得基线实体脑电图信号；将增量值确定为获得的第一脑电信号的属性值与获得的基线脑电信号的属性值之间的差值；其中，将获得的第一脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个进行比较包括将所确定的增量值与被标记为第一感知信息的多个增量脑电图信号轮廓部分中的每一个进行比较，其中，被标记为第一感知信息的多个增量脑电图信号轮廓部分各自被确定为在第一感知信息的呈现期间从多个不同的人中的一些人最常获得的脑电图信号相对于在基线感知信息的呈现期间从多个不同的人中的一些人最常获得的基线实体脑电图信号之间的差异。

优选地，本发明提供了一种方法，其中基线感知信息的呈现是“无活动”呈现阶段。

优选地，本发明提供了一种方法，该方法还包括：在第一训练时段期间从第一人获得第一训练脑电图信号，其中第一训练脑电图信号由第一人响应于在第一训练时段期间向第一人呈现第一感知信息而生成；将获得的第一训练脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个进行比较；以及响应于确定与获得的第一训练脑电图信号的轮廓部分的相似性，对被标记为第一感官信息训练集部分的多个训练的脑电图信号轮廓部分中的每一个进行加权，以增加最共有权重值，并且响应于确定与获得的第一训练脑电图信号的轮廓部分的不相似性，减小最共有权重值。

优选地，本发明提供了一种方法，该方法还包括：通过针对多个新人中的每个新人迭代地进行重复来训练被标记为第一感知信息的多个训练的脑电图信号轮廓部分，直到确定被标记为第一感知信息的训练集部分中的具有最高的最共有权重的阈值数量的训练集部分具有阈值加权值：获得由每个新人响应于在第一训练时段期间向每个新人呈现第一感知信息而生成的新人训练脑电图信号；将获得的新的个人训练脑电图信号与被标记为第一感知信息训练集部分的多个经训练的脑电图信号轮廓部分中的每一个进行比较；以及响应于确定与获得的新人训练脑电图信号的轮廓部分的相似性，修正被标记为第一感知信息训练集部分的多个经训练的脑电图信号轮廓部分中的每一个的加权，以增加最共有权重值，并且响应于确定与获得的新人训练脑电图信号的轮廓部分的不相似性，减小最共有权重值。

优选地，本发明提供了一种方法，该方法还包括：将计算机可读程序代码集成到计算机系统中，所述计算机系统包括处理器、与处理器电路通信的计算机可读存储器、以及与处理器电路通信的计算机可读存储介质；并且其中，处理器经由计算机可读存储器执行存储在计算机可读存储介质上的程序代码指令，从而执行以下步骤：在向实体呈现第一感知信息期间从实体获得脑电图信号；将获得的脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个进行比较；以及根据获得的脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中具有最高的最共有权重的经训练的脑电图信号轮廓部分的匹配强度来确定实体是否是人。

优选地，本发明提供了一种方法，其中，计算机可读程序代码被提供为云环境中的服务。

在另一方面，一种系统具有与计算机可读存储器和其上存储有程序指令的计算机可读存储介质进行电路通信的硬件处理器。处理器经由计算机可读存储器执行存储在计算机可读存储介质上的程序指令，并且由此被配置为在向实体呈现第一感知信息期间从实体获得脑电图信号。配置的处理器将获得的脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为第一感知信息的脑电图信号轮廓部分表示根据向多个不同的人呈现与第一感知信息相对应的感知信息而由不同的人最常生成的脑电图信号。因此，配置的处理器根据获得的脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的具有最高的最共有权重的脑电图信号轮廓部分的匹配强度来确定实体是否是人类。

优选地，本发明提供了一种系统，其中处理器经由计算机可读存储器执行存储在计算机可读存储介质上的程序指令，从而：响应于向实体呈现不同于第一感知信息的第二感知信息，从实体获得第二脑电图信号；将获得的第二脑电图信号与被标记为第二感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为第一感知信息的第二感知信息训练集部分表示根据向不同的人呈现与第二感知信息相对应的感知信息而由多个不同的人最常生成的脑电图信号；以及根据获得的第二脑电图信号与被标记为第二感知信息的多个经训练的脑电图信号轮廓部分中的被最高加权的脑电图信号轮廓部分的匹配强度来确定实体是否是人。

优选地，本发明提供了一种系统，其中处理器经由计算机可读存储器执行存储在计算机可读存储介质上的程序指令，从而：在向实体呈现不同于第一感知信息的基线感知信息期间，从实体获得基线实体脑电图信号；将增量值确定为获得的第一脑电图信号的属性值与获得的基线脑电图信号的属性值之间的差值；以及通过将所确定的增量值与被标记为第一感知信息的多个增量脑电图信号轮廓部分中的每一个进行比较，将获得的第一脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个进行比较，其中，被标记为第一感知信息的多个增量脑电图信号轮廓部分各自被确定为在第一感知信息的呈现期间从多个不同的人中的一些人最常获得的脑电图信号相对于在基线感知信息的呈现期间从多个不同的人中的一些人最常获得的基线实体脑电图信号之间的差异。

优选地，本发明提供了一种系统，其中处理器经由计算机可读存储器执行存储在计算机可读存储介质上的程序指令，从而：在第一训练时段期间从第一人获得第一训练脑电图信号，其中第一训练脑电图信号由第一人响应于在第一训练时段期间向第一人呈现第一感知信息而生成；将获得的第一训练脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个进行比较；以及响应于确定与获得的第一训练脑电图信号的轮廓部分的相似性，对被标记为第一感知信息训练集部分的多个训练的脑电图信号轮廓部分中的每一个进行加权，以增加最共有权重值，并且响应于确定与获得的第一训练脑电图信号的轮廓部分的不相似性，减小最共有权重值。

在另一方面，一种用于基于神经元反应的人类检测器的计算机程序产品具有计算机可读存储介质，该计算机可读存储介质具有随其体现的计算机可读程序代码。计算机可读硬件介质不是暂态信号本身。所述计算机可读程序代码包括用于执行的指令，所述指令使处理器在向实体呈现第一感知信息期间从实体获得脑电图信号。处理器将获得的脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为第一感知信息的脑电图信号轮廓部分表示根据向多个不同的人呈现与第一感知信息相对应的感知信息而由不同的人最常生成的脑电图信号。因此，使得处理器根据获得的脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的具有最高的最共有权重的脑电图信号轮廓部分的匹配强度来确定实体是否是人。

优选地，本发明提供了一种计算机程序产品，其中，由处理器执行的计算机可读程序代码指令还使处理器：响应于向实体呈现不同于第一感知信息的第二感知信息，从实体获得第二脑电图信号；将获得的第二脑电图信号与被标记为第二感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为第一感知信息的第二感知信息训练集部分表示根据向多个不同的人呈现与第二感知信息相对应的感知信息而由不同的人最常生成的脑电图信号；以及根据获得的第二脑电图信号与被标记为第二感知信息的多个经训练的脑电图信号轮廓部分中的被最高加权的脑电图信号轮廓部分的匹配强度来确定实体是否是人类。

优选地，本发明提供了一种计算机程序产品，其中，由处理器执行的计算机可读程序代码指令还使处理器：在向实体呈现不同于第一感知信息的基线感知信息期间，从实体获得基线实体脑电图信号；将增量值确定为获得的第一脑电图信号的属性值与获得的基线脑电图信号的属性值之间的差异；以及通过将所确定的增量值与被标记为第一感知信息的多个增量脑电图信号轮廓部分中的每一个相比较，将获得的第一脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为第一感知信息的多个增量脑电图信号轮廓部分各自被确定为在第一感知信息的呈现期间从多个不同的人中的一些人最常获得的脑电图信号相对于在基线感知信息的呈现期间从多个不同的人中的一些人最常获得的基线实体脑电图信号之间的差异。

优选地，本发明提供了一种计算机程序产品，其中，由处理器执行的计算机可读程序代码指令还使处理器：在第一训练时段期间从第一人获得第一训练脑电图信号，其中第一训练脑电图信号由第一人响应于在第一训练时段期间向第一人呈现第一感知信息而生成；将获得的第一训练脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较；以及响应于确定与获得的第一训练脑电图信号的轮廓部分的相似性，对被标记为第一感知信息训练集部分的多个经训练的脑电图信号轮廓部分中的每一个进行加权，以增加最共有权重值，并且响应于确定与获得的第一训练脑电图信号的轮廓部分的不相似性而减小最共有权重值。

优选地，本发明提供了一种计算机程序产品，其中，由处理器执行的计算机可读程序代码指令还使处理器：通过针对多个新人中的每一个新人迭代地进行重复来训练被标记为第一感知信息的多个训练的脑电图信号轮廓部分，直到确定被标记为第一感知信息的训练集部分中的具有最高的最共有权重的阈值数量的训练集部分具有阈值加权值为止：获得由每个新人响应于在第一训练时段期间向每个新人呈现第一感知信息而生成的新人训练脑电图信号；将获得的新人训练脑电图信号与被标记为第一感知信息训练集部分的多个经训练的脑电图信号轮廓部分中的每一个相比较；以及响应于确定与获得的新人训练脑电图信号的轮廓部分的相似性，修改被标记为第一感知信息训练集部分的多个经训练的脑电图信号轮廓部分中的每一个的加权，以增加最共有的权重值，并且响应于确定与获得的新人训练脑电图信号的轮廓部分的不相似性，减小最共有权重值。

附图说明

从下面结合附图对本发明的各个方面的详细描述中，将更容易理解本发明的实施例的这些和其它特征，其中：

图1描绘了根据本发明的实施例的云计算环境。

图2示出了根据本发明实施例的抽象模型层。

图3描绘了根据本发明的实施例的计算机化方面。

图4是本发明的实施例的流程图。

图5是脑电图波形的图示。

图6是本发明的实施例的流程图。

图7是本发明的实施例的流程图。

图8是本发明的实施例的流程图。

具体实施方式

本发明可以是任何可能的技术细节集成水平的系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质(或多个介质)，所述计算机可读程序指令用于使处理器执行本发明的各方面。

计算机可读存储介质可以是能够保留和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、诸如具有在上面记录的指令的打孔卡或凹槽中的凸起结构的机械编码装置，以及上述的任何适当组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤线缆传播的光脉冲)、或通过导线传输的电信号。

本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络，例如因特网、局域网、广域网和/或无线网络，下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。

用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据，或者以一种或多种编程语言(包括面向对象的编程语言，例如Smalltalk、C++等，和过程编程语言，例如“C”编程语言或类似的编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包执行，部分在用户的计算机上并且部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，网络包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，通过使用因特网服务提供商的因特网)。在一些实施例中，为了执行本发明的各方面，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化。

在此参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的各方面。将理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。

这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其它可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，其可以引导计算机、可编程数据处理装置和/或其它设备以特定方式工作，使得具有在其中存储的指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。

计算机可读程序指令还可以被加载到计算机、其它可编程数据处理装置或其它设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，使得在计算机、其它可编程装置或其它设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。

附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上，流程图或框图中的每个框可以表示指令的模块、片段或部分，其包括用于实现指定的(多个)逻辑功能的一个或多个可执行指令。在一些替代实施方案中，框中所注明的功能可不按图中所注明的次序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的次序执行，这取决于所涉及的功能。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。

首先应当理解，尽管本公开包括关于云计算的详细描述，但其中记载的技术方案的实现却不限于云计算环境，而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。

云计算是一种服务交付模式，用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源，例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。

特征包括：

按需自助式服务：云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。

广泛的网络接入：计算能力可以通过标准机制在网络上获取，这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。

资源池：提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者，其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下，消费者不能控制或甚至并不知晓所提供的资源的确切位置，但可以在较高抽象程度上指定位置(例如国家、州或数据中心)，因此具有位置无关性。

迅速弹性：能够迅速、有弹性地(有时是自动地)部署计算能力，以实现快速扩展，并且能迅速释放来快速缩小。在消费者看来，用于部署的可用计算能力往往显得是无限的，并能在任意时候都能获取任意数量的计算能力。

可测量的服务：云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力，自动地控制和优化资源效用。可以监测、控制和报告资源使用情况，为服务提供者和消费者双方提供透明度。

服务模型如下：

软件即服务(SaaS)：向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外，消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。

平台即服务(PaaS)：向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用，这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构，但对其部署的应用具有控制权，对应用托管环境配置可能也具有控制权。

基础架构即服务(IaaS)：向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构，但是对操作系统、存储和其部署的应用具有控制权，对选择的网络组件(例如主机防火墙)可能具有有限的控制权。

部署模型如下：

私有云：云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。

共同体云：云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。

公共云：云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。

混合云：云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成，这些云依然是独特的实体，但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。

云计算环境是面向服务的，特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。

现在参考图1，描绘了说明性云计算环境50。如图所示，云计算环境50包括云消费者使用的本地计算设备可以与其通信的一个或多个云计算节点10，所述本地计算设备诸如例如是个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N。节点10可以彼此通信。它们可以被物理地或虚拟地分组(未示出)在一个或多个网络中，诸如如上文描述的私有云、社区云、公共云或混合云或其组合。这允许云计算环境50提供基础设施、平台和/或软件作为服务，云消费者不需要为其维护本地计算设备上的资源。应当理解，图1中所示的计算设备54A-N的类型仅旨在说明，并且计算节点10和云计算环境50可以在任何类型的网络和/或网络可寻址连接上(例如，使用web浏览器)与任何类型的计算设备通信。

现在参考图2，示出了由云计算环境50(图1)提供的一组功能抽象层。应当预先理解，图2中所示的组件、层和功能仅旨在说明，并且本发明的实施例不限于此。如所描绘的，提供了以下层和相应的功能：

硬件和软件层60包括硬件和软件组件。硬件组件的示例包括：主机61；基于RISC(精简指令集计算机)架构的服务器62；服务器63；刀片服务器64；存储装置65；以及网络和联网组件66。在一些实施例中，软件组件包括网络应用服务器软件67和数据库软件68。

虚拟化层70提供抽象层，从该抽象层可以提供虚拟实体的以下示例：虚拟服务器71；虚拟存储器72；虚拟网络73，包括虚拟专用网络；虚拟应用和操作系统74；以及虚拟客户机75。

在一个示例中，管理层80可以提供以下描述的功能。资源供应81提供用于在云计算环境内执行任务的计算资源和其它资源的动态采购。计量和定价82提供了在云计算环境中利用资源时的成本跟踪，以及针对消耗这些资源开帐单或发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及为数据和其他资源提供保护。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务级别管理84提供云计算资源分配和管理，使得满足所需的服务级别。服务级别协议(SLA)规划和履行85提供对云计算资源的预安排和采购，其中根据SLA预期未来需求。

工作负载层90提供了可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括：绘图和导航91；软件开发和生命周期管理92；虚拟教室教育传送93；数据分析处理94；交易处理95；以及根据本发明的方面的基于神经元反应的人探测器的处理96，如以下更全面地讨论的。

图3是根据本发明的一个方面的可编程设备实现10的示例的示意图，其可以用作图2的云计算环境内的云计算节点。可编程设备实现10仅是合适实现的一个示例，并且不旨在对本文所述的本发明的实施例的使用范围或功能提出任何限制。无论如何，可编程设备实现10能够被实现和/或执行上文阐述的任何功能。

计算机系统/服务器12，其可与众多其它通用或专用计算系统环境或配置一起操作。众所周知，适于与计算机系统/服务器12一起操作的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任意系统的分布式云计算技术环境，等等。

计算机系统/服务器12可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、组件、逻辑、数据结构等。计算机系统/服务器12可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是能够被计算机系统/服务器12访问的任意可获得的介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图1未显示，通常称为“硬盘驱动器”)。尽管图1中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，其它硬件和/或软件模块可以与计算机系统/服务器12一起操作，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

图4示出了根据本发明的基于神经元响应来训练人检测器。如本领域技术人员将理解的，各方面被配置成利用从将其自身表示为人的实体获得的脑电图(EEG)信号，该脑电图(EEG)信号通常从被佩戴或以其它方式部署以捕捉来自人的EEG信号的头戴式设备或其它设备获得。因此，在402，根据本发明的一个方面配置的处理器(“配置的处理器”)在向实体呈现第一感知信息期间从实体获得脑电图(EEG)信号。

在404处，所配置的处理器将在第一感知信息的呈现期间从实体获得的脑电图信号与被标记为第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较。更具体而言，标记为第一感知信息的脑电图信号轮廓部分表示通过训练过程选择的脑电图信号，该脑电图信号是响应于(根据)向多个不同人呈现第一感知信息或与其对应的感知信息而最常表示(具有最高共有加权值)由不同人生成的EEG信号的那些部分。

在406，所配置的处理器根据在将第一感知信息呈现给实体期间由实体提供的脑电图信号与多个经训练的脑电图信号轮廓部分中被标记为第一感知信息的最高加权的脑电图信号轮廓部分的匹配强度来确定实体(可能)是人还是机器人(模拟人的存在的计算机应用)。更具体地，在406，所配置的处理器确定所获得的实体脑电图信号是否与多个经训练的脑电图信号轮廓部分中的被标记为第一感知信息的那些中具有最高最共有权重的脑电图信号轮廓部分的阈值数目或数量相匹配。如果在406处满足阈值比较，则在408处，经配置的处理器确定在402处提供EEG信号的实体(可能)是人。否则，如果在406不满足阈值比较，则在410经配置的处理器确定该实体是机器人。

图5是响应于感知信息的呈现而从人获得的EEG信号波形182的表示的图形说明，其中时间定义波形182的水平轴，其示出了随时间改变幅度值(沿着垂直于水平轴的垂直轴)，并且其中随时间改变幅度值定义EEG信号的轮廓属性。响应于确定轮廓部分180与标记的轮廓部分匹配，各方面可以确定信号由人生成的指示或可能性，或者如下所述在训练过程中增加匹配的标记部分的最共有的加权值。

图6示出了识别从人获得的EEG信号的部分并对其加权以反映与从其他人获得的信号的共性的训练过程。因此，响应于识别来自人的EEG信号输入101，在103，根据本发明的一个方面配置的处理器(“配置的处理器”在第一训练时段期间从人的输入101获得EEG信号，其中响应于在102的第一训练时段期间向人呈现第一数量的感知信息，由人生成脑电图信号。

在104，配置的处理器使用人工神经网络(ANN)将在103获得的EEG信号与在训练时段期间从其他人获得的经训练的EEG信号轮廓部分进行比较，其中响应于在对应的(第一)训练时段期间向其他人呈现对应的(第一)感知信息，脑电图信号由其他人中的每个人生成，并且其中通常从其他人获得的EEG信号部分(在多个其他人的一部分或时间上幅度和轮廓是重复的或相似的)被标记为“第一感知信息/数据”训练集部分。

在106，经配置的处理器响应于104的比较，生成或修改经标记的训练集部分的ANN内的最共有的权重或加权因子：增加标记为“第一感知信息”的训练集部分的最共有权重，所述最共有权重与在103获得的EEG信号分布部分是共有的，和/或减少标记为“第一感知信息”的训练集部分的最共有权重，所述最共有权重与在103获得的EEG信号部分不是共有的(不相似或不是非常相似)。

ANN是基于生物神经网络的结构和函数的计算模型，并且可以被认为是非线性统计数据建模工具，其中对输入和输出之间的复杂关系进行建模或者找到模式。流过网络的信息影响ANN的结构，因为神经网络基于输入和输出改变(“学习”)关系值。ANN系统通过考虑示例来学习(逐渐地提高性能)以完成任务，通常无需专用于任务的编程。因此，在本示例中，在相应的活动训练时段期间从其他人获得的训练集EEG信号轮廓部分被标记为训练集内的“活动”信号部分，该“活动”信号部分由配置的处理器与在103处获得的信号进行比较，以在104处识别与所标记的训练集部分匹配的那些部分，并且响应地将这些所识别的部分标记为相同的“活动”信号部分；并且相对于训练集中不匹配在103获得的EEG信号部分轮廓的其它信号部分，进一步更重地调整(增加)训练集中匹配信号部分的权重。

在101，利用从不同人获得的每个新的信号组，在106，ANN由此学习并微调训练集EEG信号轮廓部分的标记部分的权重，相对于标记为不匹配在103获得的EEG信号的轮廓部分的活动的其它信号部分，增加标记有匹配来自当前人的活动信号的相应活动的那些信号的权重，并且其中权重用于选择应用于在未来迭代中从其他人获得的EEG信号的部分。

在108，配置的处理器在另一个(第二)呈现活动训练时段向人呈现不同的第二感知刺激或数据，并且在110，在该第二呈现活动训练时段期间从人的输入101获得EEG信号。

在112，配置的处理器使用ANN将在110获得的EEG信号与在对应于第二感知信息的感知信息呈现期间从其他人获得的并且被标记为“第二感知信息”部分的EEG信号轮廓部分进行比较，从而识别在110获得的EEG信号的与被标记为第二感知信息部分的训练集部分共有的轮廓部分。在114，响应于以下比较，所配置的处理器生成或修改训练集部分的ANN中最共有的加权因子，该训练集部分被标记为第二感知信息：通常增加那些被确定为在轮廓上与在110处获得的EEG信号轮廓部分的部分相似的部分的最共有的权重，并且减少被确定为不相似的其它部分的最共有的权重。

在116，所配置的处理器确定被标记为“第一感知信息”的最高加权训练集部分是否匹配或一般对应于(并由此预测)在103的第一训练时段期间从人获得的EEG信号的阈值数量的部分；以及标记为“第二感知信息”的最高加权的训练集部分是否匹配或大致对应于，并且由此预测在110处的第二训练时段期间从人获得的EEG信号的阈值数量的部分。EEG信号的阈值数目的部分被选择为足够大以表示人的EEG信号特征，以便被识别并与表示其他人的EEG信号的其他“特征”不同。

如果满足两个条件(满足逻辑AND条件)，则认为训练集和相关联的ANN是训练好的，并且准备好应用于EEG信号输入以验证EEG信号输入来自人而不是来自机器人。因此，第一和第二感知内容呈现被链接在一起作为用于验证人类实体的关联对，并且过程在118结束。

否则，如果在116不满足任一条件，则所配置的处理器在120迭代地选择另一个不同的人来提供EEG信号，并且返回到101以从新的人获得EEG信号，以在116重复102到114的步骤直到满足两个条件。

在一些“基线”实施例中，第一活动时段是“无活动”训练时段或阶段，其相对于响应于第二感知刺激的呈现活动而生成的EEG信号或在第二训练时段期间关于可识别项目、感知等呈现的数据，为提供EEG信号输入的人建立空EEG信号轮廓或基线EEG信号轮廓，所述可识别项目、感知等触发用户的精神活动以识别项目或感知等。因此，在第一训练时段期间，由人生成所获得的EEG信号，其中所配置的处理器不向人呈现接收或解释的感知(图像、声音、味觉、嗅觉或物理感知)刺激或者数据。由于所配置的处理器不呈现感知数据，因此在生成在103处获得的EEG信号时，人不在精神上对感知数据作出反应或解释传感数据。

在所述“基线”方面中的一些方面中，所配置的处理器在102向人传达指令以进入第一训练时段的精神活动的“无活动”阶段，诸如通过主动地清除他们对所有图像或声音的思维或对图像或声音的想法，并且抑制新的想法、图像或声音的出现，除了可能与呼吸和安静地坐着等相关联的想法或图像之外。因此，在本示例中，指示用于生成标记的训练数据集的其他人的每个人进入针对对应训练时段的精神活动的“无活动”阶段以生成训练集部分，其中在104处，配置的处理器识别在103处获得的EEG信号的与标记的训练集部分共有的轮廓部分。

在“基线”实施例中，第二感知刺激或数据是关于可识别物品、感知等的“呈现活动”，其触发用户的精神活动以识别物品/感知。因此，在要求人处理图像(例如，识别树、桌子、人或其它对象，或识别图像中描绘的活动(跑步、微笑等)，完成数学问题，识别图片上缺失的项目等；识别听觉数据(说出的单词或数字，或经由音频扬声器呈现给人的不同音符或音调的数量)；描述感知(例如，手指上的脉动压力、热感等)；以及对于本领域技术人员将是显而易见的其它示例)的同时在110的呈现活动训练时段或阶段获得EEG信号；从而在人主动从事执行识别或计数或记忆和回忆等任务所需的精神活动的同时在110获得EEG信号。因此，在相应的呈现活动训练时段期间从其它人获得的训练集EEG信号轮廓部分被标记为训练集内的“呈现活动”信号部分，被配置的处理器将该呈现活动信号部分与在110获得的信号进行比较，以在112识别那些与被标记为呈现活动的训练集部分匹配的部分，以及响应地将这些识别的部分标记为“呈现活动”信号部分；以及进一步调节(增加)被标记为在训练集内的呈现活动的匹配信号部分更加相对于在被标记为呈现活动的训练集内的其它信号部分的权重，其中该训练集的其它信号部分并不匹配在110获得的EEG信号部分轮廓。

一些实施例将所标记的“第二传感信息”部分确定和训练为与相应的基线(第一、无活动)呈现和第二(活动)呈现相关联地获得的相应EEG信号的属性(幅度、音量等)的值之间的差异(增量)。相对于执行不同活动(收听语音、生成语音、阅读、站起等)和识别或响应不同类型的刺激(在阅读、观看和理解多媒体视频的同时处理突发声音)等以及在执行不同活动和识别或响应不同类型的刺激之间，人类通常呈现在基线无活动时段中生成的EEG信号之间的差异(增量)。

其它实施方案可以在第一和第二训练时段的每一个中呈现关于数据属性不同的感知刺激或数据，以触发彼此区分并且不同的EEG信号生成，作为在第一和第二训练时段的每一个中呈现的感知刺激或数据的差异的结果：例如，可以要求提供信号的实体对在第一训练时段期间播放给该实体的音调的数量进行计数，并且要求在第二训练时段期间识别红苹果的图像，并且另外的示例对于本领域技术人员将是显而易见的。

本发明的实施例利用EEG信号比较，通过考虑由同一人在处理不同的、链接的(第一和第二)感知数据时生成的EEG信号，来区分人类EEG信号输入与模仿的信号。因此，具有不同特性的不同EEG信号由同一个人产生，降低了机器人程序将成功地模仿在第一和第二训练时段期间用于训练ANN的每个不同EEG信号，或模仿在各自的被标记EEG信号部分之间的增值或差异的可能性。

除了基线-活动关联之外，链接第一和第二感知呈现可以基于类型，其中类似类型的其他感知呈现可以满足链接关系。例如，在第一感知呈现是基线、“无活动”类型，并且第二感知呈现是“图像识别类型”(例如，要求人识别苹果的图像)的情况下，基线可以被链接到相同“图像识别类型”(例如，要求人识别四条腿的桌子的图像或红色汽车的图像等)的多个感知呈现。因此，第一和第二感知呈现的类型或其他属性的差异或增量被用于生成所生成的相应EEG信号的质量(能量、振幅、波形频率)的对应差异/增量，其中该差异以在ANN内分配的权重来表示，并且由此在提交相应EEG信号时在区分人类与机器人方面是有用的。

本发明的方面提供了CAPTCHA和其它现有技术过程的替代机制，用于通过利用针对识别的人类脑电波的区别性轮廓部分以识别网络连接的人类用户(并且拒绝机器人)，其中，在大量人之中共有的、但是关于呈现给这些人以供处理的感知信息的差异而彼此不同的部分并且由此生成轮廓部分通过训练人工神经网络(ANN)来识别：其中不同的EEG信号由不同的人针对相似或共有的刺激而产生。在训练过程中，多人被用于根据EEG信号训练网络，该EEG信号是响应于所提供信号提供的成对的不同的视觉、听觉或其他感知输入的呈现而产生的。不同的信号分组(例如，成对的肯定(项目呈现)和否定(无呈现或活动)呈现)训练ANN，其中利用与呈现给人类训练者的特定感知信息相对应的一组加权因子来训练网络。

将训练的加权因子和人工神经网络(ANN)的组合用作识别人类并将其与机器人区分开的显著方法或过程。在训练或应用期间，人在视觉上、听觉上或以其它方式接收可识别的信号，并且在人识别所呈现的感知信息信号所需的精神活动期间响应性地生成EEG信号。各方面通过对选择用于匹配响应于类似的感知刺激从其他人获得的EEG信号的这些最高的共有信号轮廓部分进行加权，来训练ANN识别所有用户之间共有的EEG信号。所捕获的各个信号被用作输入，用于与ANN的最高权重的所标记的部分进行比较，以决定输入信号是否是来自人的EEG信号，而不是来自机器人的虚构信号。因此，由训练的ANN将信号与标记的EEG信号的储存库进行比较。如果ANN的结果与预期结果(用于训练ANN的多个人共有的一组经标记的信号部分)匹配，则本发明的各方面确定相关联的联网资源访问、web活动等是由人类而不是机器人生成的。

本发明的方面基于特定和感知刺激或数据(从其产生)的可复制呈现来创建EEG结果的数据库或其它储存库。经由ANN过程，通过用于生成数据集的所有人的EEG结果的相似性来分类(加权)结果，其中相似性由结果之间的相似性的百分比或其它度量来定义。通过使用机器学习，这些方面基于分类结果来识别和区别地加权用于改进分类的轮廓部分模式。

各方面固有地将EEG结果内的共有轮廓部分识别为所呈现的感知数据的各种不同特性和类别的函数，这导致在用于训练ANN的人之间共有或相似的可识别EEG信号部分。例如，如果提供给个人的刺激是特定品牌、型号或类型的红色汽车的图片，则可以响应于个人对汽车(对象识别)、颜色(性质)、形状(特征)、品牌(特性)等的思考而生成EEG信号。在从具有相同类别(属性、特性等)的针对不同人的多个呈现来训练EEG信号的情况下，EEG结果轮廓部分可以用这些类别中的每一个来标记或标志。这增加了肯定匹配的机会，因为当特征系统向另一用户呈现相同图像时，所提供的响应将不仅与其它汽车的结果匹配，而且与具有相同颜色、品牌、特征等的其它结果匹配。从关于颜色、品牌、特征等不同的汽车图像生成的EEG信号之间的差异将由ANN自动且自主地确定，如基于相对于所呈现的刺激的颜色、形状、对象类型或类别等的相似性或差异，由ANN执行的经标记的EEG信号部分的相应权重的相应相似性或差异所呈现的。

各方面可使用众包来从大量人产生大数据集，这将相应地改进对加权轮廓部分随时间的学习，从而增加过程的准确性和有效性。

各方面还可以选择所呈现的感知信息以将正在被测试的人或实体的特性与用于训练EEG信号比较部分的人所共有的特性相匹配，共有的特征之一为训练人的特性。所考虑的特征的说明性而非限制性或穷举性示例包括人口统计数据、客户类别、工作描述或技能集、雇主身份，并且还有对于本领域技术人员将是显而易见的其它特征。因此，各方面可以将训练数据库创建限制于共享服务的用户的EEG信号，诸如由服务提供商向用户的客户机基础管理，这使得客户机能够使用用于其自己的系统的各方面，并且定制刺激和生成的加权EEG轮廓以满足其客户机的需要。例如，对于软件公司，感知刺激对象和概念可以包括软件行业提示，其将由用户在生成EEG信号时识别并且更普遍地处理，从而增强跨客户机基础确定针对给定刺激的共有EEG信号输出的能力。定制训练用户的封闭集合还可以改进EEG信号中的共性的识别，因为他们可以共享关于某些感知刺激或数据项思考的共同方式。

图7示出了本发明的一个实施例，其中在从个人获得的训练数据在被用于训练ANN之前，被测试以满足最小标准。更具体地，在202，根据本发明的一方面配置的处理器(“配置的处理器”)向人呈现选择的感知内容。在204，所配置的处理器在训练时段期间捕获来自人的EEG信号，并且206使用人工神经网络(ANN)来识别所捕获的EEG信号中与被标记为“所选内容”部分的训练集EEG信号轮廓部分共有的部分。

在208，经配置的处理器确定ANN标记的训练集部分是否在置信阈值内匹配输入EEG信号。如果不是，则在210，所配置的处理器迭代地选择不同的感知内容，在204，在训练时段内向人呈现不同的所选内容，并且在206和208重复确定，直到在208满足阈值条件，其中在212，所配置的处理器增加训练集部分的ANN内的权重，该训练集部分被标记为匹配所捕获的EEG信号轮廓部分的“所选内容”，并且在214，结束关于所选内容的训练。

根据图7中所示的方面，可以针对提供所捕获的EEG信号的每个人个性化标记的数据集加权，其中所述方面迭代地选择和呈现不同的刺激，直到从提供训练数据的人捕获可接受的EEG信号。由于不同的用户在生成可靠且一致的EEG信号输出时可以更强烈地或可靠地响应于不同的感知刺激，因此本方面迭代地呈现不同的刺激，直到所生成和捕获的EEG信号在208处满足必需的置信水平或阈值(例如，幅度随时间是一致的并且满足最小阈值，或者它们匹配在ANN内被加权/训练的最小数量的适当(匹配)标记的轮廓等)。一旦所捕获的EEG信号达到高于指定阈值的与经训练的标记部分的相似度水平，则通常获得置信水平，所述指定阈值被选择并且取决于用户的个人属性或需要。

图8示出了本发明的一个实施例，其使用由本发明的实施例训练的ANN来验证作为用于访问联网资源的输入而接收的EEG信号是由人而不是由机器人生成的。在302，根据本发明的一个方面配置的处理器(“配置的处理器”)响应于(在其之后或与其相关联)联网资源门户(例如，登录网页、初始问候屏幕等)内的所选择感知数据项目的呈现，获取EEG信号输入。

在304，所配置的处理器将所获取的输入信号与用于训练ANN设备或机制的EEG信号进行比较(这与保存在ANN的存储器、云设备或服务或其它储存库内的文件进行比较，该文件包括用于训练ANN的人的EEG信号)。由于不同人之间的生理差异，从不同人捕获的EEG信号通常显示一定程度的变化。为了验证相比仅仅复制和机器人生成的更可能是人的输入，在304处，所配置的处理器验证输入EEG信号不是与任何所存储的EEG信号的精确匹配，从而未能示出从不同人捕获的EEG信号之间的预期变化水平。因此，在一个示例中，其中指定的精确度值被确定为1％(因为在可应用的度量内比较的EEG信号应该变化超过1％)，所配置的处理器在304确定与任何所存储的信号的匹配百分比或匹配概率是否不大于99.0％。如果匹配或概率超过该精度因子，则在306处，所配置的处理器拒绝可能来自机器人的输入信号，因为该输入信号可能是从现有EEG信号复制的并且用于模仿人的存在。

因此，如果在304确定输入信号不是与任何存储的EEG信号的精确匹配(相差至少指定的精度值)，则在308，配置的处理器验证当前输入信号会话未超过登录或验证尝试的可允许数量。如果在308确定会话已经超过登录/验证尝试的可允许数量，则在306，所配置的处理器拒绝可能来自机器人的输入信号；否则(如果在308确定会话未超过登录/验证尝试的可允许数量)，则在310，所配置的处理器确定在302呈现的采用所选择的感知数据项标记的ANN训练集部分是否在置信度阈值内匹配输入EEG信号的部分，或是否匹配输入EEG信号的部分和针对实体确定的基线信号之间的增量(如上所述)。

如果所配置的处理器在310确定所标记的ANN训练集部分或相关联的增量与置信阈值内的输入EEG信号的部分不匹配，则在312，所配置的处理器在314迭代地选择另一个不同的感知数据项并将其呈现给尝试登录的实体，其中过程返回到302。该方面认识到在310与ANN中的任何标记信号部分的匹配失败可能是由于个人实体的生理属性，或者系统中的噪声，因此该方面通过处理不同的感知项目(包括满足链接要求的那些感知项目)直到它们在310通过，或者在308进行了太多尝试，而给予该实体另一验证的机会。

因此，如果所配置的处理器在310确定所标记的ANN训练集部分或相关联的增量确实在置信阈值内匹配输入EEG信号的部分，则在314所配置的处理器确定该输入被验证为可能来自人而不是机器人。

304处的信号验证还可以包括关于所捕获信号的来源的确定，其中所配置的处理器验证输入EEG信号直接来自EEG设备(例如，通过在终端用户机器上运行脚本，或通过执行握手例程等)。这将避免机器人或黑客经由使用EEG信号的硬编码样本模仿302处的人类信号输入。来自设备或用户的附加输入可以用于验证EEG读取来自用户(并且不是在先前时间创建的文件副本或记录)。验证输入的示例包括来自个人用户移动设备(诸如智能手表，智能电话，心跳传感器，加速度计等)的唯一设备和传感器标识。预先注册的物联网(IoT)设备(诸如智能住宅传感器)也可以用来验证用户在家，包括将IoT数据与所接收的数据的因特网协议(IP)地址进行交叉核对以确认用户位置。

本发明的各方面还可结合附加的验证例程和过程：例如，所配置的处理器可以质询提供EEG信号的实体以执行动作(说话、移动、眨眼等)，其中EEG信号将表示所执行的物理动作。这样的实施例可以实现更有效的识别，并且需要更少的训练，其中从执行所请求的动作得到的EEG信号相对于心理处理例程更加唯一并且可复制，具有对于系统而言更容易识别为唯一关联的EEG信号的特性。

各方面可跟踪已知的机器人，并经由通过记录与已知的模仿尝试相关联的数据和元数据(用户名、电子邮件地址、IP地址、服务器位置等)来生成已尝试模拟EEG响应的机器人的黑名单。304处的验证可能进一步需要确定指示在302处获取的EEG信号的起源的数据不在黑名单上。

本发明的方面基于给定刺激训练EEG结果的数据库，所述给定刺激可以由EEG结果的相似性进行分类，并且所述相似性可以由结果之间的相似性的百分比定义。各方面使用机器学习来基于将被用于改进分类的分类结果创建模式。每个EEG结果可以关于若干类别，例如，如果提供给用户的刺激是红色汽车的图片的形式，则用户的大脑可以想到汽车(对象)(的图像处理)、颜色(性质)、形状(特征)、品牌(特性)等，并且一些方面可以针对这些不同类别中的每一个来标记EEG结果，从而在系统向另一用户呈现相同图像时增加肯定匹配的机会(因为所提供的响应将不仅与其它汽车的结果匹配，而且与具有相同颜色、品牌、特征等的其它读取匹配)。训练的和标记的EEG信号部分集可以被共享(例如，作为服务)以允许其他用户在他们自己的系统内部署。

各方面还可以个性化针对每个用户个性化的经训练和标记的EEG信号部分集。例如，各方面可以上传针对给定用户的多个相关联的EEG读取，请求若干EEG读取直到系统达到针对该用户的置信水平，该置信水平可以基于用户特性和需要而变化。

各方面可以从EEG信号(响应)创建多因素(或多层)输入。不是仅仅在一个维度上将EEG信号与人类思考的刺激相关联，各方面通过考虑活动之间的增量以及由人类执行的不同动作之间的不同特性来添加额外的抽象层。

本文所用的术语仅用于描述方面，而不是要限制本发明。如本文所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确指示。还应当理解，术语“包括”和“包含”在本说明书中使用时，指定存在所述特征、整数、步骤、操作、元件和/或组件，但是不排除存在或添加一个或多个其它特征、整数、步骤、操作、元件、组件和/或其组合。在本说明书中，包括在权利要求中，以及如附图中所示的某些示例和元件可以通过独特的形容词(例如，与多个元件中的另一个“第二”元件或“第三”元件相区别的“第一”元件，与“次级”项目或“另一个”项目相区别的“初级”项目等)与其它示例或元件相区别或以其它方式识别，这种识别形容词通常用于减少混淆或不确定性，并且不应被解释为将权利要求限制为任何具体的所示元件或实施例，或者暗示任何声称的元件、限制或过程步骤的任何优先、排序或排名。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (20)

1.一种用于基于神经元响应的人检测器的计算机实现的方法，所述方法包括在计算机处理器上执行：

在向实体呈现第一感知信息期间从所述实体获得第一脑电图信号；

将获得的第一脑电图信号与被标记为所述第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为所述第一感知信息的所述脑电图信号轮廓部分表示根据向多个不同的人呈现与所述第一感知信息相对应的感知信息而由所述不同的人最常生成的脑电图信号；以及

根据所述获得的第一脑电图信号与被标记为第一感知信息的所述多个经训练的脑电图信号轮廓部分中的具有最高的最共有加权的脑电图信号轮廓部分的匹配强度来确定所述实体是否是人。

2.根据权利要求1所述的方法，还包括：

响应于向所述实体呈现不同于所述第一感知信息的第二感知信息，从所述实体获得第二脑电图信号；

将获得的第二脑电图信号与被标记为所述第二感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为所述第一感知信息的所述第二感知信息训练集部分表示根据向所述多个不同的人呈现与所述第二感知信息相对应的感知信息而由所述不同的人最常生成的脑电图信号；以及

其中，确定所述实体是否是人还取决于所述获得的第二脑电图信号与被标记为所述第二感知信息的所述多个经训练的脑电图信号轮廓部分中的被最高加权的脑电图信号轮廓部分的匹配强度。

3.根据权利要求1所述的方法，还包括：

响应于确定所述获得的第一脑电图信号在指定的精度值内匹配被标记为第一感知信息的所述经训练的脑电图信号轮廓部分中的一个，确定所述实体不是人。

4.根据权利要求1所述的方法，还包括：

选择所述第一感知信息以匹配所述实体的与所述多个不同的人的特征共有的特征，其中，所述实体的所述特征选自包括人口统计数据、客户类别、工作描述、技能集和雇主身份的组。

5.根据权利要求1所述的方法，还包括：

根据从包括在提供所述实体脑电图信号的输入的终端用户机器上运行脚本和在所述终端用户机器上执行握手例程的组中选择的过程，验证所述获得的第一实体脑电图信号的输入直接来自于被认可的设备；以及

响应于确定所述验证失败而确定所述实体不是人。

6.根据权利要求1所述的方法，还包括：

在向所述实体呈现不同于所述第一感知信息的基线感知信息期间，从所述实体获得基线实体脑电图信号；

将增量值确定为所述获得的第一脑电信号的属性值与所述获得的基线脑电信号的属性值之间的差值；

其中，将所述获得的第一脑电图信号与被标记为所述第一感知信息的所述多个经训练的脑电图信号轮廓部分中的每一个进行比较包括将所确定的增量值与被标记为所述第一感知信息的多个增量脑电图信号轮廓部分中的每一个进行比较，其中，被标记为所述第一感知信息的所述多个增量脑电图信号轮廓部分各自被确定为在所述第一感知信息的呈现期间从所述多个不同的人中的一些人最常获得的脑电图信号相对于在所述基线感知信息的呈现期间从所述多个不同的人中的所述一些人最常获得的基线实体脑电图信号之间的差异。

7.根据权利要求6所述的方法，其中，所述基线感知信息的呈现是“无活动”呈现阶段。

8.根据权利要求1所述的方法，还包括：

在第一训练时段期间从第一人获得第一训练脑电图信号，其中第一训练脑电图信号由所述第一人响应于在第一训练时段期间向所述第一人呈现所述第一感知信息而生成；

将所述获得的第一训练脑电图信号与被标记为所述第一感知信息的所述多个经训练的脑电图信号轮廓部分中的每一个进行比较；以及

响应于确定与所述获得的第一训练脑电图信号的轮廓部分的相似性，对被标记为所述第一感官信息训练集部分的所述多个经训练的脑电图信号轮廓部分中的每一个进行加权，以增加最共有权重值，并且响应于确定与所述获得的第一训练脑电图信号的所述轮廓部分的不相似性，减小所述最共有权重值。

9.根据权利要求8所述的方法，还包括：

通过针对多个新人中的每个新人迭代地进行重复来训练被标记为第一感知信息的所述多个经训练的脑电图信号轮廓部分，直到确定被标记为第一感知信息的所述训练集部分中的具有最高的最共有权重的阈值数量的训练集部分具有阈值加权值：

获得由每个新人响应于在第一训练时段期间向每个新人呈现第一感知信息而生成的新人训练脑电图信号；

将获得的新的个人训练脑电图信号与被标记为所述第一感知信息训练集部分的所述多个经训练的脑电图信号轮廓部分中的每一个进行比较；以及

响应于确定与所述获得的新人训练脑电图信号的轮廓部分的相似性，修正被标记为所述第一感知信息训练集部分的所述多个经训练的脑电图信号轮廓部分中的每一个的所述加权，以增加最共有权重值，并且响应于确定与所述获得的新人训练脑电图信号的所述轮廓部分的不相似性，减小所述最共有权重值。

10.根据权利要求1所述的方法，还包括：

将计算机可读程序代码集成到计算机系统中，所述计算机系统包括处理器、与所述处理器电路通信的计算机可读存储器、以及与所述处理器电路通信的计算机可读存储介质；以及

其中，所述处理器经由所述计算机可读存储器执行存储在所述计算机可读存储介质上的程序代码指令，从而执行以下步骤：在向所述实体呈现所述第一感知信息期间从所述实体获得所述脑电图信号；将获得的脑电图信号与被标记为所述第一感知信息的所述多个经训练的脑电图信号轮廓部分中的每一个进行比较；以及根据所述获得的脑电图信号与被标记为第一感知信息的所述多个经训练的脑电图信号轮廓部分中具有最高的最共有权重的经训练的脑电图信号轮廓部分的匹配强度，确定所述实体是否是人。

11.根据权利要求10所述的方法，其中所述计算机可读程序代码被提供为云环境中的服务。

12.一种系统，包括：

处理器；

与所述处理器电路通信的计算机可读存储器；以及

与所述处理器电路通信的计算机可读存储介质；

其中，所述处理器经由所述计算机可读存储器执行存储在所述计算机可读存储介质上的程序指令，从而：

在向实体呈现第一感知信息期间从所述实体获得脑电图信号；

将获得的脑电图信号与被标记为所述第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为所述第一感知信息的脑电图信号轮廓部分表示根据向多个不同的人呈现与所述第一感知信息相对应的感知信息而由所述不同的人最常生成的脑电图信号；以及

根据所述获得的脑电图信号与被标记为第一感知信息的所述多个经训练的脑电图信号轮廓部分中的具有最高的最共有加权的脑电图信号轮廓部分的匹配强度来确定所述实体是否是人。

13.根据权利要求12所述的系统，其中所述处理器经由所述计算机可读存储器执行存储在所述计算机可读存储介质上的所述程序指令，并且由此：

响应于向所述实体呈现不同于所述第一感知信息的第二感知信息，从所述实体获得第二脑电图信号；

将获得的第二脑电图信号与被标记为所述第二感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为所述第一感知信息的所述第二感知信息训练集部分表示根据向所述多个不同的人呈现与所述第二感知信息相对应的感知信息而由所述不同的人最常生成的脑电图信号；以及

根据所述获得的第二脑电图信号与被标记为所述第二感知信息的所述多个经训练的脑电图信号轮廓部分中的被最高加权的脑电图信号轮廓部分的匹配强度来确定所述实体是否是人。

14.根据权利要求12所述的系统，其中所述处理器经由所述计算机可读存储器执行存储在所述计算机可读存储介质上的所述程序指令，并且由此：

在向所述实体呈现不同于所述第一感知信息的基线感知信息期间，从所述实体获得基线实体脑电图信号；

将增量值确定为所述获得的第一脑电图信号的属性值与所述获得的基线脑电图信号的属性值之间的差值；以及

通过将所确定的增量值与被标记为所述第一感知信息的多个增量脑电图信号轮廓部分中的每一个进行比较，将所述获得的第一脑电图信号与被标记为所述第一感知信息的所述多个经训练的脑电图信号轮廓部分中的每一个进行比较，其中，被标记为所述第一感知信息的所述多个增量脑电图信号轮廓部分各自被确定为在所述第一感知信息的呈现期间从所述多个不同的人中的一些人最常获得的脑电图信号相对于在所述基线感知信息的呈现期间从所述多个不同的人中的所述一些人最常获得的基线实体脑电图信号之间的差异。

15.根据权利要求12所述的系统，其中所述处理器经由所述计算机可读存储器执行存储在所述计算机可读存储介质上的所述程序指令，并且由此：

在第一训练时段期间从第一人获得第一训练脑电图信号，其中第一训练脑电图信号由第一人响应于在第一训练时段期间向所述第一人呈现第一感知信息而生成；

将获得的第一训练脑电图信号与被标记为所述第一感知信息的所述多个经训练的脑电图信号轮廓部分中的每一个进行比较；以及

响应于确定与所述获得的第一训练脑电图信号的轮廓部分的相似性，对被标记为所述第一感知信息训练集部分的所述多个经训练的脑电图信号轮廓部分中的每一个进行加权，以增加最共有权重值，并且响应于确定与所述获得的第一训练脑电图信号的所述轮廓部分的不相似性，而减小所述最共有权重值。

16.一种用于基于神经元反应的人检测器的计算机程序产品，所述计算机程序产品包括：

计算机可读存储介质，具有随其体现的计算机可读程序代码，其中所述计算机可读存储介质不是暂态信号本身，所述计算机可读程序代码包括用于由处理器执行的指令，所述指令使所述处理器：

在向实体呈现第一感知信息期间从所述实体获得脑电图信号；

将获得的脑电图信号与被标记为所述第一感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为所述第一感知信息的所述脑电图信号轮廓部分表示根据向多个不同的人呈现与所述第一感知信息相对应的感知信息而由所述不同的人最常生成的脑电图信号；以及

根据所述获得的脑电图信号与被标记为所述第一感知信息的所述多个经训练的脑电图信号轮廓部分中的具有最高的最共有加权的脑电图信号轮廓部分的匹配强度来确定所述实体是否是人。

17.根据权利要求16所述的计算机程序产品，其中，用于由所述处理器执行的所述计算机可读程序代码指令还使得所述处理器：

响应于向所述实体呈现不同于所述第一感知信息的第二感知信息，从所述实体获得第二脑电图信号；

将获得的第二脑电图信号与被标记为所述第二感知信息的多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为所述第一感知信息的所述第二感知信息训练集部分表示根据向所述多个不同的人呈现与所述第二感知信息相对应的感知信息而由所述不同的人最常生成的脑电图信号；以及

根据所述获得的第二脑电图信号与被标记为所述第二感知信息的所述多个经训练的脑电图信号轮廓部分中的被最高加权的脑电图信号轮廓部分的匹配强度来确定所述实体是否是人。

18.根据权利要求16所述的计算机程序产品，其中，用于由所述处理器执行的所述计算机可读程序代码指令还使得所述处理器：

在向所述实体呈现不同于所述第一感知信息的基线感知信息期间，从所述实体获得基线实体脑电图信号；

将增量值确定为所述获得的第一脑电图信号的属性值与获得的基线脑电图信号的属性值之间的差异；以及

通过将所确定的增量值与被标记为所述第一感知信息的多个增量脑电图信号轮廓部分中的每一个相比较，将所述获得的第一脑电图信号与被标记为所述第一感知信息的所述多个经训练的脑电图信号轮廓部分中的每一个相比较，其中，被标记为所述第一感知信息的所述多个增量脑电图信号轮廓部分各自被确定为在所述第一感知信息的呈现期间从所述多个不同的人中的一些人最常获得的脑电图信号相对于在所述基线感知信息的呈现期间从所述不同的人中的所述一些人最常获得的基线实体脑电图信号之间的差异。

19.根据权利要求16所述的计算机程序产品，其中用于由所述处理器执行的所述计算机可读程序代码指令还使得所述处理器：

在第一训练时段期间从第一人获得第一训练脑电图信号，其中所述第一训练脑电图信号由第一人响应于在所述第一训练时段期间向所述第一人呈现第一感知信息而生成；

将获得的第一训练脑电图信号与被标记为所述第一感知信息的所述多个经训练的脑电图信号轮廓部分中的每一个相比较；以及

响应于确定与所述获得的第一训练脑电图信号的轮廓部分的相似性，对被标记为所述第一感知信息训练集部分的所述多个经训练的脑电图信号轮廓部分中的每一个进行加权，以增加最共有权重值，并且响应于确定与所述获得的第一训练脑电图信号的所述轮廓部分的不相似性，减小所述最共有权重值。

20.根据权利要求19所述的计算机程序产品，其中，用于由所述处理器执行的所述计算机可读程序代码指令还使得所述处理器：

通过针对多个新人中的每一个新人迭代地进行重复来训练被标记为第一感知信息的所述多个经训练的脑电图信号轮廓部分，直到确定被标记为第一感知信息的所述训练集部分中的具有最高的最共有权重的阈值数量的训练集部分具有阈值加权值为止：

获得由每个新人响应于在第一训练时段期间向每个新人呈现所述第一感知信息而生成的新人训练脑电图信号；

将获得的新人训练脑电图信号与被标记为所述第一感知信息训练集部分的所述多个经训练的脑电图信号轮廓部分中的每一个相比较；以及

响应于确定与所述获得的新人训练脑电图信号的轮廓部分的相似性，修改被标记为所述第一感知信息训练集部分的所述多个经训练的脑电图信号轮廓部分中的每一个的所述加权，以增加最共有权重值，并且响应于确定与所述获得的新人训练脑电图信号的所述轮廓部分的不相似性，减小所述最共有权重值。

Images