CN112464711A - 一种基于mfdc的脑电身份识别方法、存储介质及识别装置 - Google Patents
一种基于mfdc的脑电身份识别方法、存储介质及识别装置 Download PDFInfo
- Publication number
- CN112464711A CN112464711A CN202011125859.7A CN202011125859A CN112464711A CN 112464711 A CN112464711 A CN 112464711A CN 202011125859 A CN202011125859 A CN 202011125859A CN 112464711 A CN112464711 A CN 112464711A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- signal
- frame
- key
- mfdc
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于MFDC的脑电身份识别方法、存储介质及识别装置,通过预加重、小波变换对原始脑电信号进行降噪处理后,根据信号特征值完成信号的关键帧筛选;通过MFCC提取算法,提取脑电信号中的MFCC参数;得到特征参数集合V;通过归一化算法将不同的特征进行归一处理后,借助卷积神经网络进行特征匹配;计算得出特征参数集合V经过特征处理后的结果,并将其与待检测数据相应结果进行比较得出两者之间的相似度,再根据相似度判定得知待检测者身份信息,最后将判定结果进行输出。本发明能在保证识别率提高的同时,降低算法运行的复杂度,即具有良好的性能。
Description
技术领域
本发明属于脑电生物特征识别技术领域,具体涉及一种基于MFDC的脑电身份识别方法、存储介质及识别装置。
背景技术
身份识别是根据相关信息确认待检测者身份的过程,生物识别技术以其普遍性强、稳定性好以及易采集等优点成为身份识别中的一个重要分支。生物识别技术主要采用人的生物特征对其进行身份识别的方式。目前生物识别技术的研究主要分为两大类:一类是基于生物影像的识别,如较为成熟的人脸识别、指纹识别、唇形识别,难度较大的虹膜识别,较新颖的视网膜识别、手指静脉识别等。该类算法极大提高了身份识别的准确度,具备防伪性高、难攻破等优点,但是仍然存在着容易被篡改、被复制、被胁迫使用的、不能进行活体检测、实现复杂度极高等缺点;第二类是基于生物波形的识别,如声纹识别、眼动识别、脑电识别。相对于生物影像识别算法,该类方法攻克了被胁迫使用和活体检测两个难关。其中脑电信号由于来源于大脑的思维活动,具有独特的神经路径模式以致很难被伪造,因此基于脑电信号的身份识别技术能更好的满足越来越高的安全性需求。
针对脑电信号的身份识别已有不少研究成果,其主流方式是以脑电信号中α、β、δ、θ、γ五种波形为基础进行识别算法的设计,就其处理方法而言,大致可以分为以下3类:
(1)根据信号的时域频域特点自回归进行传统身份识别,比如根据脑电信号的不同阶数的自回归模型来进行身份识别,该种方式简单易操作,但是准确性较低;
(2)先分类或信号处理再机器学习的身份识别,例如:先对信号进行α、β、δ、θ、γ五种波形的提取后再采用机器学习的算法对提取出的信号进行处理操作,该类方法大大提高了识别准确率,但是对五种脑电波形直接采用机器学习算法进行运算分析,所需花费工作量巨大,此外因未考虑信息量差异,阻碍了机器学习算法的优势发挥;
(3)结合基础数据分析模型与机器学习算法实现身份识别,如将脑电信号结合高斯模型、AR模型、Fisher距离等进行数据分析后采用机器学习算法实现身份识别,这样虽然能在一定程度上减少机器学习算法的复杂度,但是未考虑脑电信号特殊性,影响了脑电信号的保真性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于MFDC的脑电身份识别方法、存储介质及识别装置,解决现有的脑电信号身份识别方案中所存在的未考虑脑电数据特殊性、信号去噪不彻底、处理算法过于复杂化、实际应用中准确度不高等问题。
本发明采用以下技术方案:
一种基于MFDC的脑电身份识别方法,首先对原始脑电信号进行离散小波除噪、预加重、分帧和关键帧筛选预处理;采用信号基本特征短时能量,平均幅度以及短时过零率对预处理后的脑电信号进行关键帧筛选,得到无噪脑电信号的关键帧集合;然后提取无噪脑电信号的MFCC特征参数,并归一化作为脑电数据特征;最后将归一化后的脑电信号特征信息与已知数据库的脑电特征数据进行特征匹配,经相似度计算确定待检测用户的身份信息,采用卷积神经网络进行逐层特征变换完成脑电数据分类和身份识别。
具体的,信号去噪的预处理中,离散小波除噪、预加重、分帧和关键帧筛选预处理具体为:
S101、对输入脑电信号进行采样,采样频率f=512Hz,得到采样后的脑电信号Z[1..n],n为信号采样长度;
S102、对输入脑电信号进行预加重处理,预加重系数ρ=-0.9375,得到预加重的脑电信号F[1..n];
S103、对预加重后的信号进行五层小波变换,得到脑电信号 {A1[1..n],…,A5[1..n]}。
具体的,分帧处理具体为:
具体的,关键帧筛选具体为:
S301、计算短时能量,筛选后得到能量帧集合P1;p(i)是帧的短时能量,Ei(是小波变换后的脑电信号, MAX=max(P),MIN=min(P),Q_p表示阈值,B[k]=mean(P), B[k]是能量帧的平均值;若对于如果P(i)>Q_p,且P(i)>B[k];则令P1(i)←p(i);能量帧选择脑电信号大于均值和幅值的帧;
S302、计算短时过零率,短时表示单位时间,此刻是一帧内的时间信号穿过0 值的次数;计算方法为N为采样频率, e(m)是EEG信号幅值,sgn[(e(m))]是符号函数,表示脑电信号此刻幅值为正或负;对每帧的短时过零率计算得到过零帧集合Zero[1..z],此时过零帧集合小于小波变换后的脑电集合;
S303、计算平均幅度,筛选后得到幅度帧集合H1;H(i)为信号短时平均幅度, H1为通过短时能量筛选出的帧集合;H[1..p]=abs({E[1..p],E[1..q]}),令 m=max(P),n=min(P),若对于如果(i)>Q_,则令 H1(i)←H(i);
S304、取步骤S301~S303得到的集合并集,包括能量帧,过零帧和平均幅度帧。
进一步的,步骤S304中,得到关键帧集合Key; key[1..r]=P1[1..p1]∩Zero[1..p]∩H1[1..h],由于分帧因此关键帧包括 Key[1..r,1..s]={E[1..p,1..q]}。
具体的,根据提取的关键帧提取脑电信号的MFCC特征参数,具体步骤为:
S403、取离散余弦变换DCT,得到输出MFCC特征参数。
进一步的,步骤S403中,输出MFCC特征参数c(n)具体为:
其中,n=1,2,…,L,S(m)为每个三角滤波器输出的对数能量,M为三角滤波器个数,0≤m≤M。
具体的,采用卷积神经网络进行逐层特征变换完成脑电数据分类和身份识别具体为:
S501、将处理后的脑电信号分成训练集和测试集两组;训练集采集相应脑电信号和对应的身份标签,测试集只包括脑电信号,标签未知,给定标签集合;
S502、训练集前向传播训练,输入提取了EEG的MFCC特征参数的帧和标签,分别进行卷积、池化运算;在全连接层得到分类结果hw,b(xi);
S503、训练反向传播训练,给定损失函数计算hw,b(xi)与真实值的误差,按极小化误差的目标进行参数更新,当损失函数趋于稳定和极小值时,训练集的参数训练完成;
S504、对测试集进行EEG的身份识别,并输出每个测试集的标签。
本发明的另一个技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是,一种计算设备,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于MFDC的脑电身份识别方法,首先进行的预处理方法针对 EEG信号高频部分去掉了噪音和无效干扰信号,进行信号增强;随后对EEG信号进行分割便于信号处理,得到无噪信号的关键帧集合,然后提取EEG的MFCC 特征参数提取并归一化作为卷积神经网络的输入值,最后利用卷积神经网络进行分类判定完成身份识别的目的,既利用了生物识别技术稳定性好和易采集等优点,又避免了被胁迫使用和活体检测的显著缺陷;尤其因为脑电信号EEG源于大脑的思维活动,具有独特的神经路径模式以致很难被伪造,因此基于脑电信号的身份识别技术能满足特定场景下身份识别的高安全性需求。
进一步的,脑电信号波形复杂受眼电,各种电波干扰,需要对EEG的关键部分以高频部分为主进行加重,去除噪音信号、干扰信号和无效信号的影响,增加EEG的高频分辨率。
进一步的,将长时间周期的EEG信号分割成较短的周期,便于覆盖采样周期和实施信号的变换处理。
进一步的,提取EEG信号能量特征,包括能量值幅度和过零率较高的帧,得到无噪脑电信号的关键帧集合,为提取MFCC参数做准备。
进一步的,将MFCC特征作为卷积神经网络的输入值对其进行卷积,提取 EEG的唯一性特征,作为身份识别的依据。
进一步的,浅层神经网络对于复杂信号的分类能力有限,而卷积神经网络能够提取每个小片段的特征,能很好识别MFCC特征值中每个分量。
综上所述,本发明方法筛选出的关键帧具有较强的表征性;身份识别方法具有复杂度低、准确度高、准确度高的优势。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为MFDC脑电身份识别方案模型图;
图2为关键帧筛选过程图;
图3为脑电信号分帧示意图;
图4为关键帧筛选前后对比;
图5为脑电信号筛选前后能量走势。
具体实施方式
本发明提供了一种结合梅尔频率倒谱系数(Mel Frequency CepstralCoefficients,MFCC)、离散小波变换(Discrete Wavelet Transformation,DWT)、卷积神经网络(Convolutional Neural Networks,CNN)为一体的新型脑电身份识别方案,基于生物特征脑电波信号(electroencephalography,EEG)对人物身份信息进行鉴权。
请参阅图1,本发明一种基于MFDC的脑电身份识别方法,包括以下步骤:
S1、信号去噪的预处理
信号去噪的预处理,其中离散小波除噪和预加重处理和5层小波变换具体为:
设Z[1..n]表示采样后的脑电信号、F[1..n]表示经过预加重的脑电信号、Ak[1..n] 表示经过五层小波变换后的脑电信号,其中,k=1,...,5。
S101、对输入脑电信号进行采样,得到采样后的脑电信号Z[1..n],n为信号采样长度,采样频率f=512Hz;Neurosky耳机采样的TGAT芯片设置的采样频率为512hz,脑电波频率范围为3hz-100hz。(那奎斯特采样定理要求采样频率是被采样对象最高频率的3到5倍)
S102、对输入脑电信号进行预加重处理,使信号平滑,得到预加重的脑电信号F[1..n],预加重系数ρ=-0.9375;根据梅尔倒谱系数的特征提取过程,预加重需要经过一个高通滤波器,通常系数选0.9左右。
S103、对预加重后的信号进行五层小波变换,得到经过五层小波变换后的脑电信号{E1[1..n],…,E5[1..n]}。
S2、EEG信号分帧
滑动分帧,分帧之间进行0值填充;
设计一个EEG信号分帧过程,分帧环节具体步骤如下:
S3、关键帧提取
分析脑电信号的能量特征,振幅特征以及过零率,得到无噪脑电信号的关键帧集合;
关键帧提取环节,其目的为:
(1)去掉对准确度干扰较大的信号帧;
(2)保留信息含量较高的信号帧;
(3)从根源上降低识别算法复杂度。
设p[1,...p]为帧的短时能量,p1[1,...p1]为通过短时能量筛选出的帧集合,Zero[1,...p]为过零帧集合,H[1,...h]为信号短时平均幅度,H1[1,...h1]为通过短时平均幅度筛选出来的帧,Key[1,...r,1,...s]为最终关键帧集合,筛选方法具体为:
S301、计算短时能量,筛选后得到能量帧集合P1;p(i)是帧的短时能量,E(i)是小波变换后的脑电信号,即步骤S103的输出 {E1[1..n],…,E5[1..n]};MAX=max(P),MIN=min(P),Q_p表示阈值,B[k]=mean(P),B[k]是能量帧的平均值;若对于如果P(i)>Q_p, 且P(i)>B[k];则令P1(i)←p(i);因此能量帧选择了脑电信号大于均值和幅值的帧。
S302、计算短时过零率,短时表示单位时间,此刻是一帧内的时间信号穿过0 值(坐标轴横轴)的次数。
其中,N为采样频率,e(m)是EEG信号幅值, sgn[(e(m))]是符号函数,表示脑电信号此刻幅值为正或负。对每帧的短时过零率计算得到过零帧集合Zero[1..z],此时过零帧集合小于小波变换后的脑电集合。
S303、计算平均幅度,筛选后得到幅度帧集合H1;H(i)为信号短时平均幅度, H1为通过短时能量筛选出的帧集合。
H[1..p]=abs({E[1..p],E[1..q]})
S304、取步骤S301~S303得到的集合并集,包括能量帧,过零帧和平均幅度帧。得到关键帧集合Key。key[1..r]=P1[1..p1]∩Zero[1..p]∩H1[1..h],由于分帧因此关键帧包括Key[1..r,1..s]={E[1..p,1..q]}。
S4、MFCC特征参数提取
提取信号的MFCC,得到特征向量,作为CNN的输入;
EEG特征参数提取环节,具体包括:
S403、取离散余弦变换DCT,得到输出MFCC特征参数:
其中,n=1,2,…,L,L为MFCC的阶数,一般取12到16;M为三角滤波器个数,选2或3。
S5、特征处理。
根据已知数据库的脑电特征数据,和提取到的脑电信号特征信息进行特征匹配,计算相似度得出结果,输出身份信息。
采用卷积神经网络进行逐层特征变换完成脑电数据分类和身份识别,具体包括:
S501、将处理后的脑电信号分成训练集和测试集两组;训练集采集相应脑电信号和对应的身份标签;测试集则只包括脑电信号,标签未知,给定了标签集合;
S502、训练集前向传播训练,输入提取了EEG的MFCC特征参数的帧和标签,分别进行卷积、池化运算;在全连接层得到分类结果hw,b(xi),hw,b(xi)是一个 n维向量,hw,b(xi)表示输入训练集属于标签集合中具体某个标签的概率大小;
S503、训练反向传播训练,给定损失函数计算hw,b(xi)与真实值的误差,按极小化误差的目标进行参数更新,当损失函数趋于稳定和极小值时,训练集的参数训练完成;
S504、对测试集进行EEG的身份识别,并输出每个测试集的标签(即对应的身份标识)。
为使本发明实施例的目的、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、完整地描述,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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
在封闭环境中,选择六位不同的测试者,性别为男性。佩戴脑电采集设备后,要求参与者闭眼放松,给予统一刺激源——播放音乐Humoresque No.7in G-flat Major,Op.101。单次采集时长为3分32秒,信号频率为512Hz。考虑到脑电波在不同时间段可能存在差异,在不同时间段重复多次采集,最长时间跨度为25 天。
请参阅图1,MFCC脑电身份识别方案模型图,主要过程主要分为五个主要部分:第一部分为脑电信号预处理,通过预加重、小波变换对原始脑电信号进行降噪处理后,根据信号特征值完成信号的关键帧筛选;第二部分为脑电信号的特征提取,通过MFCC特征参数提取算法,提取脑电信号中的MFCC参数;第三部分为数据库数据处理,该部分主要完成数据库中数据重复进行第一部分与第二部分操作,得到特征参数集合V;第四部分为脑电信号的特征处理,通过归一化算法将不同的特征进行归一处理后,借助卷积神经网络进行特征匹配;第五部分为判定结果输出,计算得出特征参数集合V经过特征处理后的结果,并将其与待检测数据相应结果进行比较得出两者之间的相似度,再根据相似度判定得知待检测者身份信息,最后将判定结果进行输出。
请参阅图2,是关键帧提取过程,通过脑电信号的短时能量筛选阈值、短时过零率与平均幅度阈值三个基本特征对信号帧进行筛选。其中能量筛选阈值和平均幅度阈值决定了识别算法的准确性,并降低了识别算法的复杂度。未提取关键帧时的识别算法需要使用100帧左右,而提取关键帧识别算法一般只需80帧,有效降低了运行时间。EEG信号与音频信号一样,都属于多峰信号,其脑电信号幅度描述作用与信号共振峰息息相关,在信号幅度帧筛选阈值选取阶段,仍采用均值筛选的方法。而能量信号属于多峰信号,均值筛选的方法并不适合针对能量的处理,因此借鉴缩放因子思想,用Q表示阈值,δ表示缩放因子,R表示脑电信号,则能量阈值计算公式为:Q=δ×(max(R)+min(R))。由于目前脑电信号关键帧的研究较少。考虑设定动态阈值,通过大量的实验分析可知,在脑电信号关键帧的筛选过程中,基于短时能量的帧筛选阶段,阈值的缩放因子δ应选为1/3最为合适。
请参阅图3,是脑电信号分帧示意图。由于EEG信号与语音信号相类似,同属于短时平稳信号,为完成分帧任务,在不能整帧分割时,需要在分帧之间进行 0值填充。
MindWave Mobile耳机式设备为商用设备,可以通过单电极采集到可靠的脑电数据。由于脑电信号的采集需要一定的刺激,本发明通过大量的测试得知采取音乐刺激相对于其他刺激能达到更好的效果。
请参阅图4,是关键帧筛选前后对比,在脑电信号关键帧的筛选过程中,有效性与表征性是体现筛选信息的两个重要的指标,有效性主要用于反映所筛选出的关键帧对原始信号信息含量的破坏程度,表征性则用于反映关键帧对原始脑电信号信息含量的表示程度。为验证筛选方案的有效性与表征性,针对脑电数据库中的任意若干组数据,利用本发明所提出的关键帧筛选算法对其进行筛选并观察处理结果,利用原始信号时域波形与关键帧筛选后的时域波形做对比。图4可知,关键帧的筛选去掉了原始信号中波动较大的、稳定性较差的帧,保留了稳定性较强的帧。由于在脑电信号采集初期,测试者需要有一段时间的入境期,即由原始环境进入测试环境的时间段,该段时间内脑电信号波动较大,但是用于身份识别的EEG波形一般是平稳状态的波形,也就是说入境期状态的波形由于波动较大,对身份识别参考价值不高,因此在图5中将区域①中信号帧进行去除是合理的。
与此同时,在关键帧筛选中,区域②由于相比前后帧波动较大而未被筛选到关键帧中,这是因为在信号的采集过程中,测试者存在的眨眼等动作对采集信号产生了干扰,去除之后可以提高识别的准确性。因此可以看出,本发明所提出的脑电信号关键帧筛选算法是合理有效的。
请参阅图5,是脑电信号筛选前后能量走势,为了进一步验证关键帧筛选算法的表征性,本发明从信号能量走势入手,对比筛选前后帧的分布。图5可以看出,筛选出来的关键帧是在原始信号帧的基础上,去掉了能量波动较大的帧,但能在一定程度上还原了能量的走势,说明筛选出的关键帧能够对原始脑电信号具有很好的表征性。综上可知,基于信号基本特征的脑电信号关键帧筛选算法具有很强的表征性。
为检验所提脑电身份识别方案的准确性,真实数据环境下(六组数据,总375 人信息,采样频率为512Hz),表1列出了实验识别准确度情况。
表1识别准确度情况
在识别率上,三层卷积神经网络识别率均值为86.3%,五层卷积神经网络识别率均值为94.3%,所提算法表现较好,在数据处理过程中,本发明引入了关键帧筛选,导致处理帧数大大降低,算法的复杂度也随之而降,因此本发明能在保证识别率提高的同时,降低算法运行的复杂度,即具有良好的性能。
综上所述,本发明一种基于MFDC的脑电身份识别方法,对现有的脑电身份识别技术以及脑电信号进行分析,对脑电信号与音频信号的相似之处进行对比,本发明根据脑电信号的基本特征,参照音频信号的处理方式,提出并设计了一种具有相对较低时间复杂度及较高识别率的EEG身份识别方法。首先对原始脑电信号进行离散小波除噪、预加重、分帧、关键帧筛选等预处理操作,采用了信号的基本特征短时能量,平均幅度以及短时过零率对脑电信号进行关键帧筛选,从处理根源上降低处理复杂度;然后提取脑电信号的MFCC参数,并归一化作为脑电数据特征;最后经过相似度计算阶段,可以得知待检测用户的身份信息。此外从鲁棒性、性能分析等角度对该方案进行验证,实验验证了所提出的基于脑电信号的关键帧模型,能够有效且具有表征地筛选出身份识别所需的数据帧,在性能以及鲁棒分析性等方面都能达到良好的效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于MFDC的脑电身份识别方法,其特征在于,首先对原始脑电信号进行离散小波除噪、预加重、分帧和关键帧筛选预处理;采用信号基本特征短时能量,平均幅度以及短时过零率对预处理后的脑电信号进行关键帧筛选,得到无噪脑电信号的关键帧集合;然后提取无噪脑电信号的MFCC特征参数,并归一化作为脑电数据特征;最后将归一化后的脑电信号特征信息与已知数据库的脑电特征数据进行特征匹配,经相似度计算确定待检测用户的身份信息,采用卷积神经网络进行逐层特征变换完成脑电数据分类和身份识别。
2.根据权利要求1所述的基于MFDC的脑电身份识别方法,其特征在于,信号去噪的预处理中,离散小波除噪、预加重、分帧和关键帧筛选预处理具体为:
S101、对输入脑电信号进行采样,采样频率f=512Hz,得到采样后的脑电信号Z[1..n],n为信号采样长度;
S102、对输入脑电信号进行预加重处理,预加重系数ρ=-0.9375,得到预加重的脑电信号F[1..n];
S103、对预加重后的信号进行五层小波变换,得到脑电信号{A1[1..n],…,A5[1..n]}。
4.根据权利要求1所述的基于MFDC的脑电身份识别方法,其特征在于,关键帧筛选具体为:
S301、计算短时能量,筛选后得到能量帧集合P1;p(i)是帧的短时能量,Ei(是小波变换后的脑电信号,MAX=max(P),MIN=min(P),Q_p表示阈值,B[k]=mean(P),B[k]是能量帧的平均值;若对于如果P(i)>Q_p,且P(i)>B[k];则令P1(i)←p(i);能量帧选择脑电信号大于均值和幅值的帧;
S302、计算短时过零率,短时表示单位时间,此刻是一帧内的时间信号穿过0值的次数;计算方法为N为采样频率,e(m)是EEG信号幅值,sgn[(e(m))]是符号函数,表示脑电信号此刻幅值为正或负;对每帧的短时过零率计算得到过零帧集合Zero[1..z],此时过零帧集合小于小波变换后的脑电集合;
S303、计算平均幅度,筛选后得到幅度帧集合H1;H(i)为信号短时平均幅度,H1为通过短时能量筛选出的帧集合;H[1..p]=abs({E[1..p],E[1..q]}),令m=max(P),n=min(P),若对于如果(i)>Q_,则令H1(i)←H(i);
S304、取步骤S301~S303得到的集合并集,包括能量帧,过零帧和平均幅度帧。
5.根据权利要求4所述的基于MFDC的脑电身份识别方法,其特征在于,步骤S304中,得到关键帧集合Key;key[1..r]=P1[1..p1]∩Zero[1..p]∩H1[1..h],由于分帧因此关键帧包括Key[1..r,1..s]={E[1..p,1..q]}。
8.根据权利要求1所述的基于MFDC的脑电身份识别方法,其特征在于,采用卷积神经网络进行逐层特征变换完成脑电数据分类和身份识别具体为:
S501、将处理后的脑电信号分成训练集和测试集两组;训练集采集相应脑电信号和对应的身份标签,测试集只包括脑电信号,标签未知,给定标签集合;
S502、训练集前向传播训练,输入提取了EEG的MFCC特征参数的帧和标签,分别进行卷积、池化运算;在全连接层得到分类结果hw,b(xi);
S503、训练反向传播训练,给定损失函数计算hw,b(xi)与真实值的误差,按极小化误差的目标进行参数更新,当损失函数趋于稳定和极小值时,训练集的参数训练完成;
S504、对测试集进行EEG的身份识别,并输出每个测试集的标签。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种识别装置,其特征在于,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125859.7A CN112464711A (zh) | 2020-10-20 | 2020-10-20 | 一种基于mfdc的脑电身份识别方法、存储介质及识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125859.7A CN112464711A (zh) | 2020-10-20 | 2020-10-20 | 一种基于mfdc的脑电身份识别方法、存储介质及识别装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464711A true CN112464711A (zh) | 2021-03-09 |
Family
ID=74833959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011125859.7A Pending CN112464711A (zh) | 2020-10-20 | 2020-10-20 | 一种基于mfdc的脑电身份识别方法、存储介质及识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464711A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349800A (zh) * | 2021-06-10 | 2021-09-07 | 重庆工程学院 | 一种基于生成式对抗网络的脑电波信号降噪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189757A (zh) * | 2019-06-27 | 2019-08-30 | 电子科技大学 | 一种大熊猫个体识别方法、设备及计算机可读存储介质 |
CN110956192A (zh) * | 2019-04-02 | 2020-04-03 | 南京邮电大学 | 一种非重构压缩感知生理数据的分类方法及装置 |
-
2020
- 2020-10-20 CN CN202011125859.7A patent/CN112464711A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956192A (zh) * | 2019-04-02 | 2020-04-03 | 南京邮电大学 | 一种非重构压缩感知生理数据的分类方法及装置 |
CN110189757A (zh) * | 2019-06-27 | 2019-08-30 | 电子科技大学 | 一种大熊猫个体识别方法、设备及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
FABING LI ET AL.: "A New Scheme of EEG Identification Based on MFDC", 《2019 2ND CHINA SYMPOSIUM ON COGNITIVE COMPUTING AND HYBRID INTELLIGENCE (CCHI)》 * |
FABING LI ET AL.: "A New Scheme of EEG Identification Based on MFDC", 《2019 2ND CHINA SYMPOSIUM ON COGNITIVE COMPUTING AND HYBRID INTELLIGENCE (CCHI)》, 18 November 2019 (2019-11-18), pages 212 - 216 * |
YINGJIE MENG ET AL.: "A screening scheme based on energy for speech key-frame", 《2017 IEEE 17TH INTERNATIONAL CONFERENCE ON COMMUNICATION TECHNOLOGY (ICCT)》, 17 May 2018 (2018-05-17), pages 1640 - 1641 * |
姜囡: "语音信号识别技术与实践", 东北大学出版社, pages: 17 - 18 * |
韩志艳: "《面向语音与面部表情信号的多模式情感识别技术研究》", 31 January 2017, pages: 70 - 72 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349800A (zh) * | 2021-06-10 | 2021-09-07 | 重庆工程学院 | 一种基于生成式对抗网络的脑电波信号降噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461176B (zh) | 基于归一化互信息的多模态融合方法、装置、介质及设备 | |
Hang et al. | Cross-subject EEG signal recognition using deep domain adaptation network | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN106951753B (zh) | 一种心电信号的认证方法和认证装置 | |
CN111445905A (zh) | 混合语音识别网络训练方法、混合语音识别方法、装置及存储介质 | |
CN110353673B (zh) | 一种基于标准互信息的脑电通道选择方法 | |
Singh et al. | Small sample motor imagery classification using regularized Riemannian features | |
CN108281146A (zh) | 一种短语音说话人识别方法和装置 | |
CN109036437A (zh) | 口音识别方法、装置、计算机装置及计算机可读存储介质 | |
CN112488002B (zh) | 基于n170的情绪识别方法及识别系统 | |
CN107391994A (zh) | 一种基于心音认证的Windows登入认证系统方法 | |
CN111920420A (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
Mini et al. | EEG based direct speech BCI system using a fusion of SMRT and MFCC/LPCC features with ANN classifier | |
CN111000556A (zh) | 一种基于深度模糊森林的情绪识别方法 | |
CN114578963B (zh) | 一种基于特征可视化和多模态融合的脑电身份识别方法 | |
CN111489763A (zh) | 一种基于gmm模型的复杂环境下说话人识别自适应方法 | |
Ribeiro et al. | Binary neural networks for classification of voice commands from throat microphone | |
Alsaedi et al. | Dynamic Audio-Visual Biometric Fusion for Person Recognition. | |
CN112464711A (zh) | 一种基于mfdc的脑电身份识别方法、存储介质及识别装置 | |
CN111785262B (zh) | 一种基于残差网络及融合特征的说话人年龄性别分类方法 | |
CN106650685B (zh) | 一种基于心电图信号的身份识别方法及装置 | |
CN109919050B (zh) | 身份识别方法和装置 | |
CN117235576A (zh) | 一种基于黎曼空间的运动想象脑电意图分类方法 | |
CN116531001A (zh) | 一种多听者脑电信号生成及跨听者情感识别的方法及设备 |
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 |