CN113723247B - 一种脑电身份识别方法及系统 - Google Patents
一种脑电身份识别方法及系统 Download PDFInfo
- Publication number
- CN113723247B CN113723247B CN202110963479.9A CN202110963479A CN113723247B CN 113723247 B CN113723247 B CN 113723247B CN 202110963479 A CN202110963479 A CN 202110963479A CN 113723247 B CN113723247 B CN 113723247B
- Authority
- CN
- China
- Prior art keywords
- identity
- electroencephalogram
- data
- new
- new member
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 41
- 239000012634 fragment Substances 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000000284 resting effect Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 58
- 210000004556 brain Anatomy 0.000 claims description 38
- 238000012795 verification Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 210000003128 head Anatomy 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 210000000624 ear auricle Anatomy 0.000 claims description 3
- 210000001061 forehead Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000008448 thought Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脑电身份识别方法及系统，当有新成员数据被录入时，包括如下过程：对已获取的新成员静息态下的脑电数据进行预处理，得到新成员的片段数据；利用新成员的片段数据微调已训练好的脑电身份识别网络的特征映射方式，使得对特征映射方式进行了微调后的脑电身份识别网络能够对新成员身份的验证和识别。本发明在保证准确率的同时，能够通过微调映射方式，及时对新的被试者进行验证和识别，减少了重新训练模型的时间开销。
Description
技术领域
本发明属于身份识别信息技术领域，具体涉及一种脑电身份识别方法及系统。
背景技术
在现代社会中，各种事物朝着智能化网络化的方向发展，因此需要验证和确认个人身份的情景越来越多，如何高效而准确地验证和识别出个人身份，也成为目前研究的热点问题。
身份识别技术是利用相关信息对被测者身份进行确认的技术，目前身份识别主要包括传统的身份识别方法和基于生物特征的身份识别方法。传统的识别方法利用密码、证件等对人的身份进行核实，但随着需要验证的场合越来越多，且密码、证件等传统工具等不易携带、容易丢失，给使用者个人带来了一定负担。而基于生物特征的身份识别方法如人脸识别、指纹识别、虹膜识别等利用了人固有的生理特性进行识别，且克服了传统方法存在的一些问题，但依然面临着容易被窃取、伪造、胁迫等问题。
在这种情况下，人们考虑利用脑电数据进行身份识别。脑电信号是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映，与个体的认知、感知和思想活动直接相关，并且具有个体间差异性大，个体内差异性小的特点。基于脑电信号的上述特点，利用脑电信号进行身份识别具有难以被窃取、伪造，安全性高的优点，更加符合现代身份识别场景的需要。
然而，目前利用脑电信号的身份识别方法也存在一些问题：
传统方法在原始数据中提取特征然后进行分类，提取的特征包括：信号的时频特征，如功率谱、自回归系数、小波特征、时域信号的波形或统计特征；信号的空域特征：如CSP、ICA等，这种方法需要手动提取特征，往往花费时间长且准确率不理想，无法及时加入新的被试者。
基于深度学习的方法，采用基于卷积神经网络、循环神经网络的深度学习模型自动提取特征，能够实现端到端的效果，但是训练网络的时间会随着数据规模的增加，并且训练出的模型只使用于原来的数据集，当有新的被试者加入时需要花费大量时间重新训练网络。
发明内容
针对现有基于生物特征和脑电信号的身份识别技术所存在的问题，本发明的目的在于提供一种脑电身份识别方法及系统，本发明在保证准确率的同时，能够通过微调映射方式，及时对新的被试者进行验证和识别，减少了重新训练模型的时间开销。
本发明采用的技术方案如下：
一种脑电身份识别方法，当有新成员数据被录入时，包括如下过程：
对已获取的新成员在静息状态下的脑电数据进行预处理，得到新成员的片段数据；
利用新成员的片段数据微调已训练好的脑电身份识别网络的特征映射方式，使得对特征映射方式进行了微调后的脑电身份识别网络能够对新成员身份的验证和识别。
优选的，获取在静息状态下的脑电数据时，使用头戴式单电极传感器进行采集，采集过程将参考电极夹在其中一个耳朵的耳垂中心，将头箍固定在新成员的头顶正上方，同时将传感器头紧贴前额。
优选的，对脑电数据进行预处理的过程包括进行带通滤波、降采样、缺失值处理和片段裁剪，得到新成员的片段数据。
优选的：带通滤波时：对采集的脑电数据用1-48Hz的三阶巴特沃斯滤波器做带通滤波，滤除伪迹干扰；
降采样时：对带通滤波后的脑电数据降采样至128Hz；
缺失值处理时：将降采样后的脑电数据中的缺失值用前后若干个采样点的平均值替换；
片段裁剪时：将缺失值处理后的脑电数据作为一维时间序列，用一个预设时长的窗口进行滑动截取，滑动间隔为窗口宽度，得到若干个片段数据。
优选的，脑电身份识别网络进行被试者身份的验证和识别的过程包括：
根据被试者的片段数据计算被试者脑电数据的特征向量，对被试者脑电数据的特征向量进行映射，计算被试者脑电数据的特征向量与已建立的数据库中成员的脑电数据的特征向量之间的相似度；
根据所述相似度确定被试者身份，若相似度不小于第一预设值，则将被试者的身份确认为数据库中的某个成员；若相似度小于所述第一预设值，则表明被试者并非数据库中的成员。
优选的，利用新成员的片段据微调已训练好的脑电身份识别网络的特征映射方式，使得对特征映射方式进行了微调后的脑电身份识别网络能够对新成员身份的验证和识别的过程包括：
利用已训练好的脑电身份识别网络计算新成员的片段数据的特征向量、以及新成员与数据库已有成员脑电数据特征向量之间的相似度；
将相似度大于预设阈值的脑电身份识别网络的训练集的被试者作为和新成员相似的成员；
将新成员的脑电数据录和与新成员相似的被试者的所有样本组成脑电身份识别网络的新的第一验证集；
利用新的第一验证集更新脑电身份识别网络的特征映射方式，使脑电身份识别网络能够对新成员身份的验证和识别。
优选的，利用新的第一验证集更新脑电身份识别网络的特征映射方式，使脑电身份识别网络能够对新成员身份的验证和识别时：
构建用于验证微调效果及确定新成员身份的新的第二验证集，新的第二验证集包括新成员和脑电身份识别网络的训练集中所有成员的样本；
用脑电身份识别网络的测试集和新的第二验证集计算相似度来确定身份标签；
若对新成员识别准确率低于第二预设值，则重新对脑电身份识别网络的特征映射方式进行微调，直到准确率大于第二预设值。
本发明还提供了一种脑电身份识别系统，包括：
脑电数据预处理模块：用于对已获取的新成员在静息状态下的脑电数据进行预处理，得到新成员的片段数据；
脑电身份识别网络：用于利用新成员的片段数据对新成员身份的验证和识别，该脑电身份识别网络的特征映射方式能够进行微调。
优选的：脑电身份识别网络包括嵌入模块、关系模块和判断模块；
嵌入模块：用于根据被试者的片段数据计算被试者脑电数据的特征向量；
关系模块：用于对被试者脑电数据的特征向量进行映射，计算被试者脑电数据的特征向量与数据库中成员的脑电数据的特征向量之间的相似度；
判断模块：用于根据所述相似度确定被试者身份，若相似度不小于预设值，则将被试者的身份确认为已建立的数据库中的某个成员；若相似度小于所述预设值，则表明被试者并非已建立的数据库中的成员。
优选的本发明脑电身份识别系统还包括域适应层，嵌入模块包含并行的两个特征提取网络，两个特征提取网络参数不同、输出的特征向量不同，域适应层用于将两个特征提取网络输出的特征向量连接为一个特征向量；
对脑电身份识别网络的特征映射方式进行微调时，固定嵌入模块的参数，调整关系模块的参数，实现对映射方式的微调。
本发明具有如下有益效果：
本发明脑电身份识别方法中，当有新成员数据被录入时，不必重新训练脑电身份识别网络，仅需利用新成员的片段数据微调已训练好的脑电身份识别网络的特征映射方式，使得特征映射方式进行了微调的脑电身份识别网络能够对新成员身份的验证和识别，实现零样本学习，减少了重新训练模型的时间开销。
附图说明
图1是本发明实施例提供的脑电身份识别方法的数据预处理流程图。
图2是本发明实施例提供的脑电身份识别系统的模型训练过程流程图。
图3是本发明所设计的脑电身份识别系统的深度学习模型IDnet(脑电身份识别网络)的嵌入模块结构图。
图4是本发明实施例提供的脑电身份识别系统的网络结构及识别过程流程图。
图5是本发明实施例提供的利用新成员数据微调IDnet的关系模块，实现新成员身份信息验证和识别的流程图。
图6是本发明实施例提供的脑电身份识别系统的利用生成对抗网络(GAN)验证系统安全性的流程图。
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。
下面结合附图对本发明的应用原理做详细的描述。
如图1所示，为本发明的脑电数据采集及预处理过程，包括以下步骤：
步骤一，利用单通道脑电信号采集设备采集被试者单通道静息态脑电信号：
(1a)被采集者(被试者)使用Neurosky头戴式单电极传感器进行采集，采集过程需要将参考电极夹在左耳耳垂中心，并将头箍固定在被试者的头顶正上方，同时将传感器头(另一电极)紧贴前额。
(1b)被试者保持放松和大脑放空，在闭眼状态下静息2分钟，采集被试者的单通道脑电数据，其中设备采样频率为512Hz。
步骤二，脑电信号预处理：
(2a)对采集的数据做1-48Hz的三阶巴特沃斯滤波器做带通滤波，滤除生物伪迹，生物伪迹包括眼电、肌电、心电及测量时的工频干扰。
(2b)对采集数据降采样至128Hz，并将数据中的缺失值(NAN)用前后若干个采样点的平均值替换。此步骤可以降低数据量，使数据更易存储和处理，其中降采样可以减小数据运算量，使得数据易于存储和处理，提升网络识别验证速度。
(2c)将采集的脑电数据作为1维时间序列，其中，第i个被试者的信号为Xi，Xi∈R[1 ，N]，其中1表示用单电极采集，N为采样点数目，第i个被试者所对应的身份识别标签为yi。
(2d)用一个时长为1-3s，即宽度为W点的窗口(宽度W＝窗口时长T*采样频率fs)进行滑动截取，滑动间隔为窗口宽度，得到K个片段数据(K＝N/W)，片段之间无重复的采样点。将得到的数据记为D＝{(Xi，yi)}，其中Xi∈R[K，W]，yi∈RK表示第i个被试者的所有样本，表示第i个被试者的第j个样本，用此片段即可实现识别。
(2e)设有M个被试者录入数据，每个人有K个片段(样本)，将所有人的M*K组样本用不重复随机采样的方法等分成训练集、验证集和测试集，每个集合中有M*(K/3)个样本。通过关系网络的样本关系挖掘能力，训练时使用较少的数据样本，具有小样本学习特征。
步骤三，初始化脑电身份识别网络及输入数据：
(3a)在训练集中每次随机挑选两个样本构成IDnet的嵌入模块的一个输入，其中若两个样本原本的标签相同(来自同一人)则将一个输入新标签记为0，否则记为1。IDnet的嵌入模块的一个输入样本表示为或/>i1≠i2说明不是来自同一个人的样本，则新标签记为1。
如图2所示，为本发明设计的IDnet的嵌入模块，使其在来自同一个人的两个样本上损失较小，在不同人的两个样本上损失较大，嵌入模块/>的结构如下：
(1)嵌入模块包括两个相同结构的并行网络，两个网络结构相同，每个网络从上至下依次为卷积层、平均池化层、随机失活dropout层(大小为0.5)、平方非线性层、卷积层用于提取脑电信号的时间特征、波形特征和功率特征。两个网络分别用了不同大小、步长、个数的卷积层与平均池化层来更好地提取脑电特征，最后将这两个并行网络的特征融合(连接)作为嵌入模块的输出。在IDnet的嵌入模块输出后添加域自适应层。
(2)首层卷积层用于提取脑电信号的时间特征及波形特征；卷积核的大小根据在时间和频率间的精度进行权衡，小的卷积核可以很好地捕获时间信息，而较大的卷积核用来提取频率特征，在嵌入模块后加入域自适应层来减小在源域(训练集)和目标域(新成员、验证集)上的差异；平均池化层用于减少特征和计算量，简化模型复杂度；dropout用于避免模型过拟合；平方非线性层提取脑电信号的功率特征；最后的卷积层将提取的特征映射到需要的维度。
(3)两个并行网络结构相同，但分别用了不同大小、步长、个数的卷积与最大池化层用于提取差异化特征，因此可以提取具有差异化的特征向量，并在最后进行连接；图2中卷积层的参数分别为卷积核大小、卷积核个数、步长，池化层参数为池化大小和步长。
(4)嵌入模块的输入为一段脑电信号的样本片段，输出为样本经过两个并行网络的特征向量连接后的一段特征向量。
IDnet的关系模块gФ包括两层卷积层，对输入的特征向量进行映射，计算测试集样本和训练集各个被试者样本的关系分数作为相似度。即关系模块的两层卷积层分别用于进行计算相似度和进行特征映射。关系模块的输入为训练集(验证集)和测试集中的样本通过嵌入模块后连接的特征向量，输出为测试集与训练集(验证集)样本间的相似度向量，可根据相似度大小确定测试集样本的身份标签。
如图3所示，本发明实施例提供的脑电身份识别系统的模型训练过程，包括以下步骤：
步骤一，IDnet嵌入模块的初始化：
(1a)随机初始化IDnet的嵌入模块各层的参数
步骤二，计算样本数据的特征向量并用对比损失更新参数，使同一个被试者的样本的对比损失更小，不同被试者样本的对比损失更大：
(2a)将已处理好的一批数据(包含多对样本)输入嵌入模块得到对应的特征向量/>其中bs为批大小，n为设定的特征向量的维度。
(2c)根据下式计算对比损失
L＝(1-y)*d2+y*[max(magrin-d，0)]2
上式中，d为两个特征向量间的欧氏距离，y为两个样本是否匹配的标签，margin为设定的阈值。
(2c)对比损失衡量的是两个样本片段之间的差异，为了区分不同被试者的样本片段，需要通过模型训练和参数调整使模型在同被试者的样本片段上的对比损失较小，在不同被试者的样本片段上的对比损失较大，因此按照对比损失的负梯度方向更新参数。
(2d)当训练集上的准确率达到100％，可认为模型训练完成
如图4所示，本发明实施例提供的所设计的IDnet的脑电数据身份识别系统的身份识别过程包括以下步骤：
步骤一，将训练集中所有被试者的脑电数据Xtrain以及新采集的数据Xtest分别成对地送入IDnet嵌入模块，经过两个并行的网络，得到多对特征向量：
(1a)用训练好的IDnet的嵌入模块计算测试集样本数据的特征向量，将被试者的数据Xtest(测试集中的样本)依次和已录入的训练集Xtrain中第i个人(共M个人)的所有样本通过嵌入模块/>得到相应的多对特征向量，用表示一个测试集中的样本数据/>和训练集中第i个人的N个样本得到的N对特征向量。
步骤二，将上步中得到的每对特征向量(共N*M对)通过域自适应层来减小差异，并进行连接：
(2a)在嵌入模块后面的域自适应层中，通过最小化采用基于高斯核的最大均值差异(MMD)的方法来最小化提取出的特征在源域(训练集)Xi和目标域(测试集、新成员)Xj上的差异，MMD计算公式如下，其中Φ表示数据映射方式：
(2b)将每对的两端特征向量进行连接作为后面关系模块gΦ的输入。
步骤三，将连接后的特征向量送入关系模块gΦ，通过卷积层进行特征映射，得到相似度向量，而后计算测试集样本和训练集样本的相似度：
(3a)在关系模块的第一层卷积层中，根据特征向量间的差异大小，计算相似度大小；
(3b)第二层卷积层根据相似度大小将输出映射到一维向量Y∈RN，表示此测试集样本对应训练集成员的概率。
步骤四，选择相似度最大的作为测试集样本的身份标签预测值。
如图4和图5所示，本发明实施例提供的通过对IDnet的关系模块进行微调，实现新成员身份验证和识别的方法如下：
对新成员的数据进行快速识别，需确定其具体身份标签：
(1a)加载已训练好的模型用于计算特征向量：固定嵌入模块和关系模块gΦ各层参数；将测试集中新成员数据Xtest和训练集Xtrain中所有被试者的样本数据送入嵌入模块分别得到对应的特征向量。
(1b)将测试集中新成员的样本和训练集中的样本对应的每对特征向量通过域适应层后连接为同一特征向量，用关系模块gΦ计算测试集中新成员样本和其它被试者的相似度。域适应层的主要目的是减小源域(训练集)和目标域(测试集、新成员)上样本对应的特征向量的差异，从而能够提取到两个域公共特征来提高识别效果；
(1c)计算新成员在数据库中的相似成员：将(1b)中相似度大于一定阈值的训练集的被试者，作为和新成员相似的成员，下面将用这些数据微调关系模块。
(1d)选取用于微调的数据：构建新验证集1，将构建的新验证集1作为用于微调模型的数据集录入此新成员2min的数据至新验证集1中(新成员的数据仅用于测试和后面的微调，不用于对模型重新训练)，并在新验证集1中加入训练集中与新成员相似的被试者的所有样本。
(1e)微调关系模块gФ的特征映射方式：固定IDnet嵌入模块的各层参数，利用新验证集1仅对关系模块gФ参数进行简单更新；此步骤调整了关系模块的输出映射方式，未改变嵌入模块的特征提取部分。
(1f)利用微调后的IDnet识别新成员身份：构建新验证集2来评估微调后模型的效果和确定新成员身份，新验证集2为新成员及训练集中所有成员的所有样本；利用微调后的IDnet计算测试集和新验证集2的特征向量和相似度，根据相似度大小确定新成员身份。若对新成员的识别准确率可以达到75％以上，则认为模型微调有效，可利用模型对新成员进行识别；否则，重复步骤(1a)-(1e)直至微调的模型有效。
二，当仅需对新成员进行验证时，只需要确定新成员是否在训练集中，不需要确定其具体身份标签：
微调IDnet的嵌入模块的步骤与一中(1a)～(1f)相同，若加入的新成员数目较少时，可对新成员的身份进行识别；若加入的新成员数目较多时，可对新成员的数据做二分类，即只区分新成员和已录入的成员。若关系模块计算出测试集样本和训练集样本的相似度全都偏小时，说明新成员不在原来的训练集中，通过此方法可以验证新成员是否在数据库中，相比于在所有人的数据上重新训练网络减少了大量时间，可快速添加新的成员。
由于仅利用与新成员相似的被试者的数据和仅更新关系模块的参数，所以能够在短时间内保证对新成员验证和识别的准确率，减少了重新训练模型的时间开销。
综上，本发明能够在保证准确率的同时，仅使用单通道静息态脑电数据进行识别，并且能够及时对新的被试者数据进行验证实现小样本和零样本学习，提高了身份识别速度。
参照图6，本发明的安全性评估可以利用生成对抗网络(GAN)生成假样本，在源域数据中加入随机噪声，噪声主要频率在1-50Hz(和脑电频率相同)，包括0.1-20Hz，200-300ms的眼动伪迹，0.05-300Hz的心电伪迹，服从高斯分布的白噪声生成伪造数据，通过上述方法，可以检验本发明的安全性、实用性。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (7)
1.一种脑电身份识别方法，其特征在于，当有新成员数据被录入时，包括如下过程：
对已获取的新成员在静息状态下的脑电数据进行预处理，得到新成员的片段数据；
利用新成员的片段数据微调已训练好的脑电身份识别网络的特征映射方式，使得对特征映射方式进行了微调后的脑电身份识别网络能够对新成员身份的验证和识别；
脑电身份识别网络进行被试者身份的验证和识别的过程包括：
根据被试者的片段数据计算被试者脑电数据的特征向量，对被试者脑电数据的特征向量进行映射，计算被试者脑电数据的特征向量与已建立的数据库中成员的脑电数据的特征向量之间的相似度；
根据所述相似度确定被试者身份，若相似度不小于第一预设值，则将被试者的身份确认为数据库中的某个成员，若相似度小于所述第一预设值，则表明被试者并非数据库中的成员；
利用新成员的片段据微调已训练好的脑电身份识别网络的特征映射方式，使得对特征映射方式进行了微调后的脑电身份识别网络能够对新成员身份的验证和识别的过程包括：
利用已训练好的脑电身份识别网络计算新成员的片段数据的特征向量、以及新成员与数据库已有成员脑电数据特征向量之间的相似度；
将相似度大于预设阈值的脑电身份识别网络的训练集的被试者作为和新成员相似的成员；
将新成员的脑电数据录和与新成员相似的被试者的所有样本组成脑电身份识别网络的新的第一验证集；
利用新的第一验证集更新脑电身份识别网络的特征映射方式，使脑电身份识别网络能够对新成员身份的验证和识别；
利用新的第一验证集更新脑电身份识别网络的特征映射方式，使脑电身份识别网络能够对新成员身份的验证和识别时：
构建用于验证微调效果及确定新成员身份的新的第二验证集，新的第二验证集包括新成员和脑电身份识别网络的训练集中所有成员的样本；
用脑电身份识别网络的测试集和新的第二验证集计算相似度来确定身份标签；
若对新成员识别准确率低于第二预设值，则重新对脑电身份识别网络的特征映射方式进行微调，直到准确率大于第二预设值。
2.根据权利要求1所述的一种脑电身份识别方法，其特征在于，获取在静息状态下的脑电数据时，使用头戴式单电极传感器进行采集，采集过程将参考电极夹在其中一个耳朵的耳垂中心，将头箍固定在新成员的头顶正上方，同时将传感器头紧贴前额。
3.根据权利要求1所述的一种脑电身份识别方法，其特征在于，对脑电数据进行预处理的过程包括进行带通滤波、降采样、缺失值处理和片段裁剪，得到新成员的片段数据。
4.根据权利要求3所述的一种脑电身份识别方法，其特征在于：
带通滤波时：对采集的脑电数据用1-48Hz的三阶巴特沃斯滤波器做带通滤波，滤除伪迹干扰；
降采样时：对带通滤波后的脑电数据降采样至128Hz；
缺失值处理时：将降采样后的脑电数据中的缺失值用前后若干个采样点的平均值替换；
片段裁剪时：将缺失值处理后的脑电数据作为一维时间序列，用一个预设时长的窗口进行滑动截取，滑动间隔为窗口宽度，得到若干个片段数据。
5.一种脑电身份识别系统，其特征在于，包括：
脑电数据预处理模块：用于对已获取的新成员在静息状态下的脑电数据进行预处理，得到新成员的片段数据；
脑电身份识别网络：用于利用新成员的片段数据对新成员身份的验证和识别，该脑电身份识别网络的特征映射方式能够进行微调；
脑电身份识别网络进行被试者身份的验证和识别的过程包括：
根据被试者的片段数据计算被试者脑电数据的特征向量，对被试者脑电数据的特征向量进行映射，计算被试者脑电数据的特征向量与已建立的数据库中成员的脑电数据的特征向量之间的相似度；
根据所述相似度确定被试者身份，若相似度不小于第一预设值，则将被试者的身份确认为数据库中的某个成员，若相似度小于所述第一预设值，则表明被试者并非数据库中的成员；
利用新成员的片段据微调已训练好的脑电身份识别网络的特征映射方式，使得对特征映射方式进行了微调后的脑电身份识别网络能够对新成员身份的验证和识别的过程包括：
利用已训练好的脑电身份识别网络计算新成员的片段数据的特征向量、以及新成员与数据库已有成员脑电数据特征向量之间的相似度；
将相似度大于预设阈值的脑电身份识别网络的训练集的被试者作为和新成员相似的成员；
将新成员的脑电数据录和与新成员相似的被试者的所有样本组成脑电身份识别网络的新的第一验证集；
利用新的第一验证集更新脑电身份识别网络的特征映射方式，使脑电身份识别网络能够对新成员身份的验证和识别；
利用新的第一验证集更新脑电身份识别网络的特征映射方式，使脑电身份识别网络能够对新成员身份的验证和识别时：
构建用于验证微调效果及确定新成员身份的新的第二验证集，新的第二验证集包括新成员和脑电身份识别网络的训练集中所有成员的样本；
用脑电身份识别网络的测试集和新的第二验证集计算相似度来确定身份标签；
若对新成员识别准确率低于第二预设值，则重新对脑电身份识别网络的特征映射方式进行微调，直到准确率大于第二预设值。
6.根据权利要求5所述的一种脑电身份识别系统，其特征在于：
脑电身份识别网络包括嵌入模块、关系模块和判断模块；
嵌入模块：用于根据被试者的片段数据计算被试者脑电数据的特征向量；
关系模块：用于对被试者脑电数据的特征向量进行映射，计算被试者脑电数据的特征向量与数据库中成员的脑电数据的特征向量之间的相似度；
判断模块：用于根据所述相似度确定被试者身份，若相似度不小于预设值，则将被试者的身份确认为已建立的数据库中的某个成员，若相似度小于所述预设值，则表明被试者并非已建立的数据库中的成员。
7.根据权利要求6所述的一种脑电身份识别系统，其特征在于，还包括域适应层，嵌入模块包含并行的两个特征提取网络，两个特征提取网络参数不同、输出的特征向量不同，域适应层用于将两个特征提取网络输出的特征向量连接为一个特征向量；
对脑电身份识别网络的特征映射方式进行微调时，固定嵌入模块的参数，调整关系模块的参数，实现对映射方式的微调。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110963479.9A CN113723247B (zh) | 2021-08-20 | 2021-08-20 | 一种脑电身份识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110963479.9A CN113723247B (zh) | 2021-08-20 | 2021-08-20 | 一种脑电身份识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723247A CN113723247A (zh) | 2021-11-30 |
| CN113723247B true CN113723247B (zh) | 2024-04-02 |
Family
ID=78677140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110963479.9A Active CN113723247B (zh) | 2021-08-20 | 2021-08-20 | 一种脑电身份识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723247B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020001083A1 (zh) * | 2018-06-30 | 2020-01-02 | 东南大学 | 一种基于特征复用的人脸识别方法 |
| CN111329474A (zh) * | 2020-03-04 | 2020-06-26 | 西安电子科技大学 | 基于深度学习的脑电身份识别方法、系统及信息更新方法 |
| CN113243924A (zh) * | 2021-05-19 | 2021-08-13 | 成都信息工程大学 | 基于脑电信号通道注意力卷积神经网络的身份识别方法 |
-
2021
- 2021-08-20 CN CN202110963479.9A patent/CN113723247B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020001083A1 (zh) * | 2018-06-30 | 2020-01-02 | 东南大学 | 一种基于特征复用的人脸识别方法 |
| CN111329474A (zh) * | 2020-03-04 | 2020-06-26 | 西安电子科技大学 | 基于深度学习的脑电身份识别方法、系统及信息更新方法 |
| CN113243924A (zh) * | 2021-05-19 | 2021-08-13 | 成都信息工程大学 | 基于脑电信号通道注意力卷积神经网络的身份识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张韩 ; 杨济民 ; .基于深度学习的脑电信号特征识别.电脑知识与技术.2018,(第05期),全文. * |
| 王一 ; 薄华 ; .基于自发性脑电信号身份识别的方法.现代计算机(专业版).2017,(第23期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723247A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108776788B (zh) | 一种基于脑电波的识别方法 | |
| Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| CN111329474B (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
| CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
| CN101246543B (zh) | 基于仿生与生物特征识别的考试者身份鉴定方法 | |
| CN110353673B (zh) | 一种基于标准互信息的脑电通道选择方法 | |
| CN101828921A (zh) | 基于视觉诱发脑电vep的身份识别方法 | |
| Keshishzadeh et al. | Improved EEG based human authentication system on large dataset | |
| CN106725452A (zh) | 基于情感诱发的脑电信号识别方法 | |
| CN112656431A (zh) | 基于脑电的注意力识别方法、装置、终端设备和存储介质 | |
| CN114093501B (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
| 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 | |
| Choi et al. | User Authentication System Based on Baseline-corrected ECG for Biometrics. | |
| Abbas et al. | Eye blinking EOG signals as biometrics | |
| CN112438741B (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
| CN101843491A (zh) | 基于双线性模型的静息脑电身份识别方法 | |
| CN108470182A (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
| CN115969392A (zh) | 基于张量化频空注意力域适应网络的跨时段脑纹识别方法 | |
| Kaur et al. | Impact of ageing on EEG based biometric systems | |
| CN114081505A (zh) | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 | |
| Chevallier et al. | Riemannian classification for SSVEP-based BCI: Offline versus online implementations | |
| CN113723247B (zh) | 一种脑电身份识别方法及系统 | |
| CN116595434A (zh) | 一种基于维度和分类算法的测谎方法 | |
| CN114897071A (zh) | 基于单通道脑电的身份识别方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |