一種具備排他性的腦電身份識別方法與流程

2023-07-27 18:48:34

本發明涉及腦電身份識別領域，具體指一種具備排他性的腦電身份識別方法。
背景技術：
：腦電識別目前還是一個新興的
技術領域：
，現有的利用腦電信號作身份識別的方法仍然較少，基本是在頻域內對腦電數據進行分析，提取某一波段的腦電信號，利用時間序列模型(ar、bl)擬合腦電數據，將擬合後的模型參數提取作為腦電信號的特徵參數，之後經過降維處理，直接簡單的使用如支持向量機、神經網絡等單一結構的學習機。並且以上方法存在各種不足：對於ar或bl模型階數的估計，當前普遍使用aic準則或經驗估計。雖然aic準則在模型定階方面有諸多優點，但模型研究結果表明如果對數據進行自回歸模型擬合，它可能會使階數p估計過高，同時，aic準則得到的階數不是相容的。腦電信號中噪聲大小不一，雖然對腦電數據濾波後進行特徵參數提取能較好地識別個體的腦電數據，但是正確識別率大多為85％～90％。如專利號cn201010193832.1中提出的腦電身份識別方法，其最高識別率為86.7％，這樣的識別率尚不可應用在安全係數要求較高的場合的身份識別。當對識別率要求較高時，現有技術對於腦電信號的採集要求很高，如2015年論文《基於fawell範式誘發erp的身份識別研究》，其最高識別率可達98％，但是採集腦電時受試者需專心注視屏幕上多個字符，並且在心中默數目標字符閃爍的次數。現有方法在測試識別率時為閉集驗證，現有方法在測試在閉集驗證時準確率較高，但是對於開集驗證，要麼錯誤率過大，要麼就是完全不適用。本發明提供一種具有可靠的「排他性」的腦電身份識別方法以克服上述現有技術的不足，並解決以下技術問題：1、克服了傳統方法具有超過10％的可能性將他人的腦電數據識別為「本人」的腦電的錯誤識別問題，將這樣的錯誤識別概率降低至接近於零。2、而且這種具有「排他性」的腦電身份識別方法對於未曾學習訓練過的個體的腦電數據仍然適用。3、上述特點1和特點2使得這種方法克服了傳統方法難以將腦電識別應用於對安全要求高的場合這一問題。4、利用bic準則估計ar模型的階數，使得階數p的估計較低，有效地降低了運算量。5、腦電信號的採集對受試者的動作行為要求較低，便可實現接近100％的「排他性」識別。受試者只需要靜坐於屏幕前觀察顯示屏即可。技術實現要素：該發明方法具體內容步驟如下：1腦電數據的採集1.1採集的腦電數據是受試者在感知顏色時的腦電信號。受試者靜坐在電腦屏幕前，觀察電腦所顯示的布滿整個屏幕的顏色圖片，一次至少採集一個圖案顯示周期的時間長度的數據。採集環境控制光照亮度為適中。其中顏色圖片採用以下方案進行提供：紅色t1——過渡圖片組合t2——綠色t1——過渡圖片組合t2——藍色t1——過渡圖片組合t2；過渡圖片組合是三原色相等的插圖t2/3、黑色t2/3、白色t2/3，其目的是消除觀察rgb顏色切換時視野中的顏色殘留。2腦電數據的預處理2.1利用fir濾波器將採集的腦電原始信號截取出α波段(8～12hz)。2.2對於採集到的腦電信號，通過eeglab觀察其波形，將其中信號波形過於紊亂的電極剔除，設剩餘電極數目為k。3利用ar模型提取腦電特徵參數3.1對每個試驗者的每個電極通道的腦電數據，使用最小二乘估計法得到匹配的ar模型。3.2以匹配的ar模型的參數作為該段腦電信號數據的特徵參數來表徵這段腦電信號。說明：ar模型的表示如式(1)：其中是εt零均值，方差σ2的平穩白噪聲過程。ar模型的階數p由bic準則確定。bic準則函數定義如式(2)：bic(p)＝nlnσ2+plnn(2)n是樣本數據的長度，p是最優階數。與aic準則相比，bic準則確保了估計的階具有相容性。設剩餘的每個電極數據的最優階數為pi(1≤i≤k)，取估計的階p＝min(pi)。εt和各階係數ai就是所要提取的腦電特徵參數，提取後的腦電特徵參數ei,j是一個k×(p+1)的矩陣數據。4建立bp神經網絡的分類器對提取的腦電特徵參數ei,j的第j列(j＝1,2,...p+1)數據，建立第j個bp神經網絡(如下圖3所示)，輸入層的節點數等於提取後的電極數，為k個，輸出層節點1個，輸出為「1」時代表識別為「本人」，輸出為「0」時代表識別為「他人」。5構建bp分類器串聯的分類網絡5.1用第4步建立的p+1個bp分類器串聯形成身份識別的分類網絡(如圖4所示)。即第j(j＝1,2,...,p+1)個分類器負責訓練學習第j列腦電特徵參數。5.2由於分類器串聯的結構，對於最終的身份識別，判斷結果由各個分類器的判斷結果進行邏輯「與」運算後得到，如圖5所示。5.3定閾值：對於分類網絡的身份識別，每份數據的識別都是輸出一個[0，1]的結果。定義當輸出結果不接近於1或不接近於0時，對於給定的閾值r(0.1≤r≤0.5),若輸出結果大於r，認為識別為「1」，若小於等於r，認為識別為「0」。6身份識別情況6.1訓練數據與測試數據的情況對於bp網絡的訓練數據集的組成，50％是「本人」的腦電數據，50％是「他人」的腦電數據；測試的時候，測試數據是「本人」腦電數據和「他人」腦電數據中沒有參與訓練的那部分和開集數據組成。6.2分類識別驗證：根據已確定的r的取值，將「本人」腦電數據輸入到分類網絡進行識別，若識別輸出值大於r，則識別成功，確定是本人；若輸出值小於等於r，則識別失敗。與現有技術相比，本發明的有益效果是：1、雖然此方法對「本人」的腦電信號的識別率相對現有技術有所降低，但是其可以大大降低將「他人」腦電信號誤識為「本人」的概率。在多次實驗中，這種誤識的概率為0％。2、此方法對未曾訓練學習過的個體的腦電數據(即開集)仍然適用。在足夠多次的實驗中，該方法正確識別出沒有訓練學習過的樣本的腦電信號的機率達到100％。3、對以上兩種「非本人」腦電的準確識別說明該方法具有非常可靠的「排他性」，因而具有應用於門鎖、保險柜等安全要求較高的場合的可能性。4、bic準則的定階能給出相容估計，估計的階數p不會過高可以有效降低運算量。5、腦電信號採集對於受試者的動作行為要求較低，便可實現接近100％的「排他性」識別。受試者只需要靜坐於屏幕前觀察顯示屏即可。附圖說明圖1是本發明的腦電身份識別方法流程圖。圖2是本發明的屏幕顏色圖片顯示方案以及過渡圖片組合的顯示方案示意圖。圖3是本發明使用的bp神經網絡示意圖。圖4是本發明使用的bp分類器串聯而成的分類網絡示意圖。圖5是本發明的串聯bp分類器形成的分類網絡的身份識別原理圖。具體實施方式下面結合圖1-5對本發明做進一步的說明：1腦電數據的採集a.實驗儀器為brainproduct,brainampmrplus型放大器,採用64導電極帽連續記錄腦電。b.採集的腦電數據是試驗者在感知顏色時的腦電信號：試驗者靜坐在電腦屏幕前，觀察電腦所顯示的布滿整個屏幕的顏色圖片，一次至少採集一個圖案顯示周期的時間長度的數據，採集環境控制光照亮度為適中。c.屏幕上顏色圖片的顯示方案是：(1)紅色6s——過渡圖片組合3s——綠色6s——過渡圖片組合3s——藍色6s——過渡圖片組合3s。一個周期長度為27s；(2)其中實驗時一個周期中紅色、綠色和藍色圖片出現的順序是隨機的；(3)過渡圖片組合是三原色相等的插圖1s、黑色1s、白色1s，這樣做的目的是消除觀察rgb顏色切換時視野中的顏色殘留。屏幕顏色的顯示以及過渡圖片組合的顯示如圖所示(紅綠藍的順序是隨機的)。2腦電信號預處理2.1利用fir濾波器將採集的腦電原始信號截取出α波段(8～12hz)。2.2對於採集到的腦電信號，通過eeglab對波形進行分析，將其中信號波形過於紊亂的電極剔除，總計剔除eeg電極o1、o2、fz、veou、heol、heor和m2這7個通道的數據。3利用ar模型提取腦電特徵參數3.1自回歸(ar)模型是常用的時間序列模型，對每個試驗者的每個電極通道的腦電數據，使用最小二乘估計法得到匹配的ar模型。3.2以匹配的ar模型的參數作為該段腦電信號數據的特徵參數來表徵這段腦電信號。ar模型的表示如下：其中是εt零均值，方差σ2的平穩白噪聲過程。ar模型的階數由bic準則確定。bic準則函數定義為：bic(p)＝nlnσ2+plnnn是樣本數據的長度，p是最優階數。與aic準則相比，bic準則確保了估計的階具有相容性。設剩餘的每個電極數據的最優階數為pi(1≤i≤57)，取估計的階p＝min(pi)。εt和各階係數ai就是所要提取的腦電特徵參數，提取後的腦電特徵參數ei,j是一個57×(p+1)的矩陣數據，如下所示：實驗驗證中，對於採集到的樣本，由bic準則得到的階數取4，所以每個份數據提取的腦電特徵參數有5個。至此，對於某個採集者的一份樣本數據，經過提取後的腦電特徵參數ei,j構成一個57×5的矩陣：4建立bp神經網絡的分類器對於提取的腦電特徵參數ei,j的5列數據建立5個bp神經網絡的分類器。對於第j(j＝1,2,...,5)個bp分類器(如圖3所示)，輸入層的節點數等於提取後的電極數，為57個，隱含層節點數取10個，輸出層節點1個，輸出為「1」時代表識別為「本人」，輸出為「0」時代表識別為「他人」。5構建bp分類器串聯的分類網絡接下來提供一種由分類器串聯而成的分類結構。5.1將第4步建立的5個bp神經網絡的分類器串聯起來形成身份識別的分類網絡。這5個bp神經網絡各自負責訓練學習ei,j的1列數據。5.2由於分類器串聯的結構，對於最終的身份識別，判斷結果由各個分類器的判斷結果進行邏輯「與」運算後得到，如圖5所示：5.3定閾值：對於分類網絡的身份識別，每份數據的識別都是輸出一個[0，1]的結果。定義當輸出結果不接近於1或不接近於0時，若輸出結果大於r(0.1≤r≤0.5)，認為識別為「1」，若小於等於r，認為識別為「0」。實驗中分別取r＝0.2、r＝0.3、r＝0.4以及r＝0.5。6身份識別情況6.1訓練數據與測試數據的情況a.對於bp網絡的訓練數據集的組成，50％是「本人」的腦電數據，50％是「他人」的腦電數據；實驗測試的時候，測試數據是「本人」腦電數據和「他人」腦電數據中沒有參與訓練的那部分和開集數據組成。b.每個樣本有59份數據。實驗重複進行多次，樣本每次分配為訓練集和測試集的數據是隨機的。每次實驗中訓練集與測試集情況如下表1和表2：表1.訓練集情況數據樣本份數總佔比(％)第一號樣本40份50％第二號～第五號樣本各10份50％表2.測試集情況：數據情況份數總佔比(％)第一號樣本19份5.71％第二號～第五號樣本各49份58.86％六號、七號樣本各59份35.43％6.2實驗驗證的情況：在多次重複實驗中，隨著r取值的不同，分類網絡對「本人」的識別正確率有所不同，對「他人」腦電數據成功識別為「不是本人」的概率都是100％。對於二號到七號樣本，分類網絡識別的輸出結果都小於0.001，足見分類網絡「排他性」的可靠度。當取r＝0.2時，該方法對「本人」的腦電數據具有87.58％的識別率，同時對「他人」腦電數據具有100％的正確判定率。在對本人數據保持較高的識別率的同時有效地達到了「排他性」的效果。隨著r取值的增大，該方法對「本人」腦電數據的識別率有所降低，但是能達到更強的「排他性」。r的各取值對應實驗情況如下面各表所示：a.r＝0.5樣本實驗中判定為「是本人」的概率「本人」的測試數據46.32％「他人」的測試數據0％不參與bp網絡訓練的樣本的數據0％b.r＝0.4樣本實驗中判定為「是本人」的概率「本人」的測試數據65.58％「他人」的測試數據0％不參與bp網絡訓練的樣本的數據0％c.r＝0.3d.r＝0.2樣本實驗中判定為「是本人」的概率「本人」的測試數據87.58％「他人」的測試數據0％不參與bp網絡訓練的樣本的數據0％當前第1頁12