CN114081505A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114081505A CN114081505A CN202111587404.1A CN202111587404A CN114081505A CN 114081505 A CN114081505 A CN 114081505A CN 202111587404 A CN202111587404 A CN 202111587404A CN 114081505 A CN114081505 A CN 114081505A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- signal
- signals
- neural network
- identity recognition
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008451 emotion Effects 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000763 evoking effect Effects 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 6
- 230000002996 emotional effect Effects 0.000 abstract description 3
- 210000004556 brain Anatomy 0.000 description 13
- 238000012360 testing method Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 108010010803 Gelatin Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 229920000159 gelatin Polymers 0.000 description 1
- 239000008273 gelatin Substances 0.000 description 1
- 235000019322 gelatine Nutrition 0.000 description 1
- 235000011852 gelatine desserts Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000010004 neural pathway Effects 0.000 description 1
- 210000000118 neural pathway Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
Abstract
本发明公开了一种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,包括以下步骤:S1、选择数据:从情感脑电、视觉诱发脑电和运动想象脑电数据库中分别选择相同通道的信号;S2、信号预处理:利用带通滤波器去除眼电伪迹信号以及工频干扰信号;S3、使用皮尔逊相关系数算法进行特征提取;S4、将S3提取的特征输入稠密度卷积神经网络中进行训练,得到深度学习身份识别模型,利用深度学习身份识别模型对脑电信号进行身份识别。本发明选用了情感脑电信号、视觉诱发脑电信号和运动想象脑电信号进行身份识别,使用多种任务态的脑电信号,减少了在获取EEG信号时对用户的限制,使基于EEG信号的身份识别方法更具有普适性和泛化性。
Description
技术领域
本发明属于通信电子技术和生物特征识别技术领域,特别涉及一种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。
背景技术
随着互联网技术的发展和大数据时代的发展,个人信息安全变得越来越重要,身份识别在防恐安全和互联网信息安全中起着至关重要的作用。传统的身份识别方法如密码、身份证、钥匙等都存在着易被复制或伪造的风险。随着科技的发展,生物特征识别方法由于其可靠性和稳定性,引起了人们的关注。常见的生物特征识别技术包括人脸识别、指纹识别、DNA识别等,具有普遍性、唯一性、可采集性、可接受性、抗欺骗等优势。在防伪和防攻破方面,基于生物特征的识别技术相比传统的身份识别方法有了很大的提升,可以有效地解决传统身份识别中存在的遗失、冒用、破译等问题,但仍然存在着缺点,如容易被篡改、被仿制、被胁迫使用,同时在个体没有生命体征的情况下,仍然可以使用这些生物特征。研究表明,使用明胶特制的假指纹很容易欺骗指纹识别系统。虹膜识别系统难以区分隐形眼镜上刻画的假虹膜特征与真实虹膜的特征。
脑电信号作为一种新的身份识别介质相对于传统的生物特征识别有着一些不可置疑的优势。脑电信号是由大脑神经元释放的电信号,而大脑的神经元是由数亿个神经元排列组合形成。因此脑电信号是一种独一无二、具有可采集性和持久性的,并可用于身份识别的脑电信号特征。脑电信号通过在头皮上放置多个电极可以进行脑电信号的采集,这些信号取决于大脑神经元内的离子电流,描述了每个功能性大脑区域的激活方式。研究表明,不同的个体对于相同的外部刺激会产生不同的脑电信号,这进一步说明脑电信号对所有者来说是独一无二的。从生理角度来看,脑电信号是由大脑活动所产生的,具有特定的神经通路,因此脑电信号难以被伪造。脑电信号还具有良好的抗胁迫性,因为脑电信号必须是活体才能采集得到。在机密性和安全性要求较高的应用场合中,可以使用脑电信号对个体进行身份识别。但是,目前研究中的脑电信号身份识别系统均要求被试在特定的任务下进行,通常需要外部刺激或者需要被试配合进行特定思维想象,才能成功进行身份识别。特定任务下的脑电信号身份识别在现实应用中存在很大的局限性。
基于EEG的人识别的大多数方法依赖于从对应于不同脑区域的单电极信号提取的特征。广泛使用的功能包括自动回归(AR)随机模型的系数,功率谱密度(PSD)密度和熵(例如,模糊熵)估计信号复杂度。基于小波变换的特征和Hilbert-Huang变换。然而,这些特征提取方法仅捕获来自单个电极的信号的特性,忽略来自不同电极之间的信号之间的互连信息。更重要的是,不同信号采集方案会引起不同的生理或心理因素而引起的脑电图幅度的变化影响。通常,功能连接捕获分布式和空间分离的神经元单元之间的统计独立性的偏差。这是一个双变量测量,捕获两个信号的耦合关系,使其对EEG幅度变化不太敏感。此属性可以降低EEG内部变化,这是提高基于EEG的人识别系统的整体性能的关键方面。
发明内容
本发明的目的在于克服现有技术的不足,提供一种选用情感脑电信号、视觉诱发脑电信号和运动想象脑电信号进行身份识别,使用多种任务态的脑电信号,减少了在获取EEG信号时对用户的限制,使基于EEG信号的身份识别方法更具有普适性和泛化性的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。
本发明的目的是通过以下技术方案来实现的: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,包括以下步骤:
S1、选择数据:从情感脑电、视觉诱发脑电和运动想象脑电数据库中分别选择相同通道的信号作为原始脑电信号;
S2、信号预处理:利用带通滤波器去除原始脑电信号中的眼电伪迹信号以及工频干扰信号,得到纯净的情感脑电、视觉诱发脑电和运动想象脑电信号;
S3、使用皮尔逊相关系数算法对纯净的情感脑电、视觉诱发脑电和运动想象脑电信号分别进行特征提取;
S4、将S3提取的特征输入稠密度卷积神经网络中进行训练,得到深度学习身份识别模型,利用深度学习身份识别模型对脑电信号进行身份识别。
进一步地,所述步骤S3包括以下步骤:
S31、使用滑动窗口将纯净的脑电信号划分为多段长度为1s的身份识别信号,由于情感脑电信号、视觉诱发脑电信号和运动想象脑电信号的采样频率分别为200Hz、250Hz、160Hz,因此每1s分别包含200、250、160个数据,即每一个样本分别有200、250、160个样本点;
S32、情感脑电信号、视觉诱发脑电信号和运动想象脑电信号的通道数量分别采用N通道的数据,然后使用皮尔逊相关系数进行特征提取,最后获得的特征矩阵都为N*N的特征矩阵;皮尔逊算法的计算公式为:
进一步地,所述稠密度卷积神经网络包括密集层、过渡层、密集层、过渡层和和全连接层;
密集层依次进行卷积运算、归一化运算和LeakyReku激活函数,然后将密集层的输入信号与LeakyReku激活函数运算操作之后得到的信号进行信号矩阵拼接,得到新的信号矩阵;
过渡层依次进行最大池化、卷积运算、归一化和LeakyReLU激活函数,将密集层拼接得到的信号矩阵经过过渡层运算操作后得到新的信号矩阵并输入全连接层。
本发明的有益效果是:
1、本发明选用了情感脑电信号、视觉诱发脑电信号和运动想象脑电信号进行身份识别,使用多种任务态的脑电信号,减少了在获取EEG信号时对用户的限制,使基于EEG信号的身份识别方法更具有普适性和泛化性。
2、本发明设计了一种新的、准确度高的算法作为脑电信号的身份识别算法。首先使用皮尔逊相关系数算法对情感脑电信号、视觉诱发脑电信号和运动想象脑电信号三种脑电信号进行特征提取。然后将提取的特征使用稠密度卷积神经网络进行身份识别。该深度学习算法有效节省运算时间,缩短了前层和后层之间连接的神经元数量,减轻了梯度消失问题,加强特征传播和减少网络参数更有效的学习不同状态的EEG信号特征,从而有效的进行高效的脑电信号的身份识别。
3、本发明设计的深度学习分类模型是在CNN的基础上增加了皮尔逊相关系数提取不同状态的脑电信号特征。皮尔逊相关系数特征提取算法通过计算每个通道EEG信号的相关性,然后得到脑电信号的相关性矩阵,从而提高了模型身份识别的效率和泛化性。
附图说明
图1为本发明的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的流程图;
图2为本发明稠密度卷积神经网络中密集层结构示意图;
图3为本发明稠密度卷积神经网络中过渡层结构示意图。
具体实施方式
基于EEG信号身份识别的算法中,由于深度学习能够自动的学习EEG信号的特征并且有效的进行身份识别。因此研究人员倾向于使用深度学习架构来用于EEG信号身份识别任务。由于CNN模型具有自适应性。因此,本发明采用特征提取和深度学习方法相结合进行脑电信号的身份识别,解决单一任务态EEG信号身份识别方法的局限性。本发明利用皮尔逊相关系数提取情感脑电信号、视觉诱发脑电信号和运动想象脑电信号的特征,对每个任务态的脑电信号提取特征之后便作为深度学习框架的输入,利用模型的学习脑电信号的特征进行身份识别,最后输出身份识别结果。下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种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,包括以下步骤:
S1、选择数据:从情感脑电、视觉诱发脑电和运动想象脑电数据库中分别选择相同通道的信号作为原始脑电信号;
S2、信号预处理:利用带通滤波器去除原始脑电信号中的眼电伪迹信号以及工频干扰信号,得到纯净的情感脑电、视觉诱发脑电和运动想象脑电信号;
S3、使用皮尔逊相关系数算法对纯净的情感脑电、视觉诱发脑电和运动想象脑电信号分别进行特征提取;包括以下步骤:
S31、使用滑动窗口将纯净的脑电信号划分为多段长度为1s的身份识别信号,由于情感脑电信号、视觉诱发脑电信号和运动想象脑电信号的采样频率分别为200Hz、250Hz、160Hz,因此每1s分别包含200、250、160个数据,即每一个样本分别有200、250、160个样本点;
本实施例的情感数据集是由上海交通大学研究团队采集的情感脑电数据集(SEED_IV),记录了15名被试者观看电影片段时产生的情感脑电。根据国际10-20系统,使用NeuroScan系统采集脑电数据,采样频率为1000Hz,采样通道数为62。每次实验包含24个电影刺激片段,其中每类情绪有6个电影刺激片段。将采集的多情绪脑电实验降采样到200Hz,使用带通滤波器获得32-50Hz的gamma频段,然后将处理好的脑电信号分割为1s的脑电数据片段,每个人有3324个子样本(4个试验*831秒),一共有49860个样本(3324子样本*15名被试)。
SSVEP视觉诱发数据集是由清华大学研究团队采集的视觉诱发脑电数据集,记录了15名被试者注视40个不同频率闪烁的字符(8-15.8Hz,间隔0.2HZ),每个被试需要执行6次试验,每次试验时间持续6s,其时间分布分别是屏幕上出现了0.5秒,受试者被要求在提示持续时间内尽快将目光转向目标;提示偏移后,屏幕上所有刺激开始同时闪烁,持续5s;刺激偏移后,屏幕空白0.5s,然后下一次试验开始。采样频率为1000Hz,降采样到250Hz,使用带通滤波器获得32-50Hz的gamma频段,然后将处理好的脑电信号分割为1s的脑电数据片段,每个人有1440个样本(40次试验*6组*6秒);一共有21600个样本(1440子样本*15名被试)
运动想象数据集记录了105名被试者的脑电数据;每名被试分别执行4个任务即手张开和握拳、脚张开和并脚、想象手张开或握拳和想象脚张开和并脚每次试验时间持续2min,一共进行了12次试验。脑电采集的采样率为160Hz,使用带通滤波器获得32-50Hz的gamma频段,然后将处理好的脑电信号分割为1s的脑电数据片段,每个人有1440个样本(12次试验*120秒)一共有21600个样本(1440子样本*15个被试)。
S32、情感脑电信号、视觉诱发脑电信号和运动想象脑电信号的通道数量分别采用N通道的数据,然后使用皮尔逊相关系数进行特征提取,最后获得的特征矩阵都为N*N的特征矩阵;皮尔逊算法的计算公式为:
本实施例中三种脑电信号都使用16通道的脑电信号数据用于身份识别。因此,使用皮尔逊相关系数得到的特征矩阵都为16*16的矩阵。
S4、将S3提取的特征输入稠密度卷积神经网络中进行训练,得到深度学习身份识别模型,利用深度学习身份识别模型对脑电信号进行身份识别;
本发明采用皮尔逊相关系数特征提取算法与稠密度卷积神经网络结合的方式对多任务脑电信号进行身份识别研究,从而实现基于多任务脑电信号的身份识别方法。稠密度卷积神经网络用于脑电信号特征的学习以及身份识别,它缩短前层和后层之间连接的神经元数量,减轻了梯度消失问题,加强特征传播和减少网络参数,从而有效的进行多任务脑电信号的身份识别。稠密度卷积神经网络包括密集层、过渡层、密集层、过渡层和和全连接层;
密集层依次进行卷积运算(2D CNN卷积,卷积核的大小为3,步长为1)、归一化运算和LeakyReku激活函数,然后将密集层的输入信号x与LeakyReku激活函数运算操作之后得到的信号进行信号矩阵拼接,得到新的信号矩阵x′,如图2所示;
过渡层依次进行卷积运算(2D CNN卷积,卷积核的大小为3,步长为1),平均池化(池化核大小为2,步长为2),将密集层拼接得到的信号矩阵x′经过过渡层运算操作后得到新的信号矩阵x′′,并输入全连接层,如图3所示;
最后通过全连接层输出,由于本实施例中身份识别的人数为32,因此全连接层的单元数为32,激活函数为“softmax”。
为了防止过拟合,在每一个密集层和过渡层的最后加一个dropout层,dropout为0.5。
本实施例在构建稠密度卷积神经网络的过程中,使用categorical_crossentropy多分类交叉熵函数计算损失;模型的优化函数使用adm优化模型参数;对模型进行训练40次,找出最优的结果,然后进行测试。
利用深度学习分类模型对脑电信号进行身份识别后,需要对身份识别结果进行评估来判定分期算法的优劣。常用的评估参数主要是分类准确度。本实例在情感脑电信号、视觉诱发脑电信号和运动想象脑电信号分别使用了15个人的脑电信号进行身份识别。建立了基于多任务脑电信号身份识别结果如下表所示。
表1、基于情感脑电信号各被试测试的身份识别结果
测试用户 | 准确度(%) | Recall | F1 score |
用户1 | 0.9369 | 0.9541 | 0.9455 |
用户2 | 0.9907 | 0.9817 | 0.9862 |
用户3 | 1.0000 | 1.0000 | 1.0000 |
用户4 | 0.9908 | 0.9908 | 0.9908 |
用户5 | 1.0000 | 1.0000 | 1.0000 |
用户6 | 0.8983 | 0.9725 | 0.9339 |
用户7 | 0.9455 | 0.9541 | 0.9498 |
用户8 | 1.0000 | 1.0000 | 1.0000 |
用户9 | 1.0000 | 1.0000 | 1.0000 |
用户10 | 0.8919 | 0.9083 | 0.9000 |
用户11 | 1.0000 | 1.0000 | 1.0000 |
用户12 | 0.9519 | 0.9083 | 0.9296 |
用户13 | 0.9818 | 0.9908 | 0.9863 |
用户14 | 1.0000 | 0.9908 | 0.9954 |
用户15 | 0.9406 | 0.8716 | 0.9048 |
Total ACC | 0.9686 | 0.9682 | 0.9682 |
表2、基于视觉诱发脑电信号各被试测试的身份识别结果
表3、基于运动想象的脑电信号各被试测试的身份识别结果
测试用户 | 准确度(%) | Recall | F1 score |
用户1 | 1.0000 | 1.0000 | 1.0000 |
用户2 | 0.9677 | 0.6250 | 0.7595 |
用户3 | 0.9787 | 0.9583 | 0.9684 |
用户4 | 0.9756 | 0.8333 | 0.8989 |
用户5 | 0.9400 | 0.9792 | 0.9592 |
用户6 | 0.9792 | 0.9792 | 0.9792 |
用户7 | 0.8889 | 0.8333 | 0.8602 |
用户8 | 0.9600 | 1.0000 | 0.9796 |
用户9 | 1.0000 | 1.0000 | 1.0000 |
用户10 | 0.9583 | 0.9583 | 0.9583 |
用户11 | 0.9592 | 0.9792 | 0.9691 |
用户12 | 0.8537 | 0.7292 | 0.7865 |
用户13 | 1.0000 | 0.9583 | 0.9787 |
用户14 | 0.9592 | 0.9792 | 0.9691 |
用户15 | 1.0000 | 1.0000 | 1.0000 |
Total ACC | 0.9614 | 0.9208 | 0.9378 |
从上表1-表3为稠密度卷积神经网络身份识别模型分别在情感脑电信号、视觉诱发脑电信号和运动想象脑电信号三个EEG信号数据集上分别15个用户的身份识别的实验结果可以看出,身份识别准确率分别为96.86%,92.26%和96.14%。稠密度卷积神经网络模型在三种脑电信号上的身份识别都取得了较好的效果。其中,情感脑电信号的身份识别准确率偏低是由于低通道数量导致EEG信号特征减少,进而影响了身份识别的准确率,造成身份识别准确率偏低。但该算法在脑电信号身份识别总体准确度是偏高的。此外,可以由总体准确度计算出kappa系数k,kappa系数可以用来衡量该算法识别的身份ID与实际的身份ID的吻合程度:
其中,ACC表示总体分类准确度,ACC0表示机会水平。ACC0=1/Ny,Ny为分类数目。当kappa系数为0时,表示分类准确度为机会水平程度,kappa系数为1意味着最好的分类效果。本发明在情感脑电信号、视觉诱发脑电信号和运动想象脑电信号三个EEG信号数据集上的kappa系数分别为96.64%,91.71%和95.86%,说明分期的效果具有很高的一致性。由此可见,本方法能够实现高效准确的基于脑电信号身份识别,与一般的深度学习身份识别的算法相比,具有一定的泛化性并且具有较好的身份识别效果,能够对多种脑电信号进行身份识别。
综上所述,本发明所述方法可以实现准确的身份识别,在不同的用户识别中也展现出良好的性能,在脑电信号身份识别研究中可提供较为准确的参考结果。除此之外,该方法也可用于其他生理信号的分类研究中,具有广泛的应用前景,并且为深度学习在脑科学生理信号中的应用奠定了一定的基础。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.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,其特征在于,包括以下步骤:
S1、选择数据:从情感脑电、视觉诱发脑电和运动想象脑电数据库中分别选择相同通道的信号作为原始脑电信号;
S2、信号预处理:利用带通滤波器去除原始脑电信号中的眼电伪迹信号以及工频干扰信号,得到纯净的情感脑电、视觉诱发脑电和运动想象脑电信号;
S3、使用皮尔逊相关系数算法对纯净的情感脑电、视觉诱发脑电和运动想象脑电信号分别进行特征提取;
S4、将S3提取的特征输入稠密度卷积神经网络中进行训练,得到深度学习身份识别模型,利用深度学习身份识别模型对脑电信号进行身份识别。
2.根据权利要求1所述的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,其特征在于,所述步骤S3包括以下步骤:
S31、使用滑动窗口将纯净的脑电信号划分为多段长度为1s的身份识别信号,由于情感脑电信号、视觉诱发脑电信号和运动想象脑电信号的采样频率分别为200Hz、250Hz、160Hz,因此每1s分别包含200、250、160个数据,即每一个样本分别有200、250、160个样本点;
S32、情感脑电信号、视觉诱发脑电信号和运动想象脑电信号的通道数量分别采用N通道的数据,然后使用皮尔逊相关系数进行特征提取,最后获得的特征矩阵都为N*N的特征矩阵;皮尔逊算法的计算公式为:
3.根据权利要求1所述的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,其特征在于,所述稠密度卷积神经网络包括密集层、过渡层、密集层、过渡层和和全连接层;
密集层依次进行卷积运算、归一化运算和LeakyReku激活函数,然后将密集层的输入信号与LeakyReku激活函数运算操作之后得到的信号进行信号矩阵拼接,得到新的信号矩阵;
过渡层依次进行最大池化、卷积运算、归一化和LeakyReLU激活函数,将密集层拼接得到的信号矩阵经过过渡层运算操作后得到新的信号矩阵并输入全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587404.1A CN114081505A (zh) | 2021-12-23 | 2021-12-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587404.1A CN114081505A (zh) | 2021-12-23 | 2021-12-23 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114081505A true CN114081505A (zh) | 2022-02-25 |
Family
ID=80307638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111587404.1A Pending CN114081505A (zh) | 2021-12-23 | 2021-12-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114081505A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114947852A (zh) * | 2022-06-14 | 2022-08-30 | 华南师范大学 | 一种多模态情感识别方法、装置、设备及存储介质 |
CN115105095A (zh) * | 2022-08-29 | 2022-09-27 | 成都体育学院 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014205327A1 (en) * | 2013-06-21 | 2014-12-24 | The Trustees Of Dartmouth College | Hearing-aid noise reduction circuitry with neural feedback to improve speech comprehension |
US20200097076A1 (en) * | 2018-09-21 | 2020-03-26 | Neurable Inc. | Human-computer interface using high-speed and accurate tracking of user interactions |
US20200093392A1 (en) * | 2018-09-25 | 2020-03-26 | Neural FLEX Technology (Shenzhen) CO., LTD | Brainprint signal recognition method and terminal device |
CN113017650A (zh) * | 2021-03-12 | 2021-06-25 | 南昌航空大学 | 一种基于功率谱密度图像的脑电特征提取方法和系统 |
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 |
CN113780392A (zh) * | 2021-08-31 | 2021-12-10 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
-
2021
- 2021-12-23 CN CN202111587404.1A patent/CN114081505A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014205327A1 (en) * | 2013-06-21 | 2014-12-24 | The Trustees Of Dartmouth College | Hearing-aid noise reduction circuitry with neural feedback to improve speech comprehension |
US20200097076A1 (en) * | 2018-09-21 | 2020-03-26 | Neurable Inc. | Human-computer interface using high-speed and accurate tracking of user interactions |
US20200093392A1 (en) * | 2018-09-25 | 2020-03-26 | Neural FLEX Technology (Shenzhen) CO., LTD | Brainprint signal recognition method and terminal device |
CN113017650A (zh) * | 2021-03-12 | 2021-06-25 | 南昌航空大学 | 一种基于功率谱密度图像的脑电特征提取方法和系统 |
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 |
CN113780392A (zh) * | 2021-08-31 | 2021-12-10 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
Non-Patent Citations (1)
Title |
---|
匡光涛: "基于多特征脑电信号的联合脑—机接口范式研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114947852A (zh) * | 2022-06-14 | 2022-08-30 | 华南师范大学 | 一种多模态情感识别方法、装置、设备及存储介质 |
CN114947852B (zh) * | 2022-06-14 | 2023-01-10 | 华南师范大学 | 一种多模态情感识别方法、装置、设备及存储介质 |
CN115105095A (zh) * | 2022-08-29 | 2022-09-27 | 成都体育学院 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
CN115105095B (zh) * | 2022-08-29 | 2022-11-18 | 成都体育学院 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776788B (zh) | 一种基于脑电波的识别方法 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN109784023B (zh) | 基于深度学习的稳态视觉诱发脑电身份识别方法及系统 | |
Palaniappan | Method of identifying individuals using VEP signals and neural network | |
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 | |
Agrafioti et al. | Heart biometrics: Theory, methods and applications | |
CN101862194B (zh) | 基于融合特征的想象动作脑电身份识别方法 | |
Das et al. | Motor imagery for EEG biometrics using convolutional neural network | |
El-Fiqi et al. | Convolution neural networks for person identification and verification using steady state visual evoked potential | |
CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
CN101828921A (zh) | 基于视觉诱发脑电vep的身份识别方法 | |
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 | |
Alyasseri et al. | The effects of EEG feature extraction using multi-wavelet decomposition for mental tasks classification | |
CN112488002B (zh) | 基于n170的情绪识别方法及识别系统 | |
CN101558997A (zh) | 基于二阶盲辨识的脑电信号识别方法 | |
CN108256579A (zh) | 一种基于先验知识的多模态民族认同感量化测量方法 | |
CN101843491A (zh) | 基于双线性模型的静息脑电身份识别方法 | |
CN113243924A (zh) | 基于脑电信号通道注意力卷积神经网络的身份识别方法 | |
Abuqadumah et al. | Personal authentication application using deep learning neural network | |
CN110192864A (zh) | 一种跨域心电图生物特征身份识别方法 | |
CN110348430A (zh) | 一种基于多层感知机的脑信号身份识别方法 | |
CN117113015A (zh) | 一种基于时空深度学习的脑电信号识别方法及装置 | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
CN111616702A (zh) | 一种基于认知负荷增强的测谎分析系统 | |
Yaacoubi et al. | A multimodal biometric identification system based on ECG and PPG signals |
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 |
Application publication date: 20220225 |