基于多特征算法的脑纹身份识别认证方法

专利名称：：基于多特征算法的脑纹身份识别认证方法
技术领域：
：本发明属于生物医学工程和信息
技术领域：
，特别是涉及基于多特征算法的脑纹身份识别认证方法。
背景技术：
：身份识别及验证是是保证国家公共安全和信息安全的重要前提。在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。传统的身份标识物品(如钥匙、证件、银行卡)等的验证方法；另一类为基于身份标示知识(如用户名、密码等)的验证方法。但是，标示物品容易遗失或假冒，标示知识容易遗忘或破译。生物特征识别技术给这一愿望带来了实现的可能。人们可能会遗忘或丢失他们的卡片或密码，但绝对不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹、脑电波等。生物特征识别技术(Biometrics)是指通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性(如指纹、人脸、虹膜、脑电波、脉搏等)或行为特征(如笔迹、语音、步态等)来进行个人身份的认证。生物特征识别技术具有不会遗忘、不易伪造或被盗、随身携带和随时随地可用等优点，比传统的身份认证方法更加安全、保密、方便。目前，比较成熟和最具有应用前景的几种生物特征识别技术包括指纹、人脸、人脸温谱图、虹膜、视网膜、手型、声纹以及签名等。其中，虹膜识别和指纹识别被公认为最可靠的两种生物识别技术。人的任何生理或行为特征只要它满足以下的条件，原则上就可以作为生物特征用于身份鉴别(l)普遍性，每个人都有；(2)唯一性，每个人都不同；(3)稳定性，在某一段时间是不变的；(4)可采集性，可以方便的定量测量。当然，仅仅满足以上的条件未必可行，实际的系统还应该考虑(l)性能，即识别的准确性、速度、鲁棒性以及为达到要求所需要的资源；(2)可接受性，人们对这种生物识别的接受程度；(3)可欺骗性，能否通过主观欺诈的方法骗过系统的难易程度。目前，常用的生物识别技术存在这样或那样的问题，例如人脸识别对于双胞胎无能为力；声纹识别容易模仿；指纹识别会受手指受伤的影响，同时也容易盗用。脑电(EEG)信号不仅是一个非常有用的临床诊断工具，而且也是一种很好的用于身份认证的生物特征识别工具。首先，它具备普遍性，每个人都有脑电波；其次由于每个人的大脑特性、思维方式、记忆等不同造成人与人之间存在不同的EEG信号(脑纹)；第三，EEG也具备一定的稳定性，在一定时间内，EEG信号可以保持相对的稳定性，最后，EEG信号便于采集。基于EEG信号的生物识别系统能够达到一定的准确性和较快的速度，并且对人体不会产生任何伤害，人们也能接受。由于EEG信号来源于大脑的思维活动，难以伪造，系统的鲁棒性很高。对人脑的脑电信号研究分析表明，不同个体在不同的脑区会产生不同的神经脉冲反应，根据这种脑电信号不同，可以提取出个体的脑电信号特征，利用设定的分类算法，能使得脑电信号具备个体特异性。基于以上分析，基于脑电的生物身份识别系统是一种新的有应用前景的身份鉴别系统。目前基于脑纹的身份识别与认证研究刚刚起步，基本上都在实验室研究阶段，而且还是通常的信号处理和模式识别方法，存在的主要问题的是稳定性不高、不同的方法特异性不同，也就是说，某种方法对于某些人群特别有效，而对其他人群可能就效果不佳。还有可能出现的是，某种方法适用于某个人的特定时间段，而对其他时间段可能效果不佳。这也是制约脑纹身份认证系统实际应用的一个主要因素。
发明内容本发明的目的是，提供了一种快捷、多特征的个人身份认证系统，采用基于多特征算法来对受试者进行脑纹身份识别，受试者产生运动想象，计算中只选用与运动想象有关的脑电信号进行分析，将已用于运动想象脑电分类的多种信号处理方法综合起来，借助神经网络实现身份的识别和认证。为实现上述目的，本发明采用以下技术方案，基于多特征算法的脑纹身份识别认证方法，采用脑电信号作为身份识别的输入信号，其特征在于，包括以下步骤1)在电脑里设定剌激程序，受试者根据剌激程序中的实验要求，做出不同的运动想象；2)原始脑电信号通过EEG放大器采集；3)对采集的脑电信号进行放大和A/D转换；4)将采集的脑电信号按照集成在嵌入式芯片中或电脑软件系统中的算法提取特征量，对脑电信号进行处理，包括公共平均参考、滤波、提取特征量、产生个性化分类器、建立多特征分类器，将未知的脑电数据输入神经网络，确定BP神经网络结构和适合受试者的运动想象类型，进行识别或认证；5)设置阈值变量，对多特征分类器输出量进行判定，高于阈值的视为认证成功。所述个性化分类器是将已知的脑电数据输入神经网络进行学习，确定BP神经网络结构，将每种特征量单独应用于训练BP神经网络，并针对每位受试者、每个特征和每种运动想象类型单独设计。所述多特征分类器是由不同个性化分类器汇总形成，可以随意改变不同的特征量输入，特征量的个数可以调节，并根据分类效果自动调整特征量。所述识别或认证是以概率分布的形式对出现的每类结果进行选定。本发明的优点在于，l)采用脑电信号作为身份识别的输入信号，不同于以往的指纹、虹膜等；2)使用了多特征分类器，并且对每位受试者单独训练，建立个性化分类器；3)对每段EEG数据进行认证时，不再是单纯的100%或0%，而是一个概率分布；4)根据安全级别设置了阈值；5)采用了主动的运动想象EEG信号，使得脑纹成为主观可控的密码，当然也适用于其他脑电信号(比如视觉诱发电位、事件诱发电位等)；6)实现了识别和认证功能，识别指的是从若干个人的脑电信号中判断是谁的脑电信号，而认证指的是判断某一脑电信号是否是目标者的脑电信号；7)通过不同受试者的特点，自动选择适合受试者的运动想象类型。本发明适合身体残疾，视觉缺陷等各类人群，有较好适用性。图1本发明的电极的选取位置图图2本发明的特征提取流程图图3本发明的身份识别流程图图4本发明的未知样本U(a)的概率分布图图5本发明的未知样本V(b)的概率分布图、图6本发明的不同阈值对分类率的影响曲线图具体实施例方式以下结合附图及实施例对本发明作进一步说明，参见附图l-6，基于多特征算法的脑纹身份识别认证方法，包括以下步骤1)在电脑里设定剌激程序，受试者根据剌激程序中的实验要求，做出不同的运动想象；2)原始脑电信号通过EEG放大器采集；3)对采集的脑电信号进行放大和A/D转换；4)将采集的脑电信号按照集成在嵌入式芯片中或电脑软件系统中的算法提取特征量，对脑电信号进行处理，包括公共平均参考、滤波、提取特征量、产生个性化分类器、建立多特征分类器，将未知的脑电数据输入神经网络，确定BP神经网络结构和适合受试者的运动想象类型，进行识别或认证；5)设置阈值变量，对多特征分类器输出量进行判定，高于阈值的视为认证成功。所述个性化分类器是将已知的脑电数据输入神经网络进行学习，确定BP神经网络结构，将每种特征量单独应用于训练BP神经网络，并针对每位受试者、每个特征和每种运动想象类型单独设计。所述多特征分类器是由不同个性化分类器汇总形成，可以随意改变不同的特征量输入，特征量的个数可以调节，并根据分类效果自动调整特征量。所述识别或认证是以概率分布的形式对出现的每类结果进行选定。具体实施例1)受试者带上电极帽，原始脑电(EEG)信号是通过64导符合国际脑电图学会标定的10/20法的EEG放大器采集，采样率为250Hz，以左侧乳突为参考电极，带通滤波器通频带为l-50Hz，选取6个电极采集脑电信号(也就是国际脑电图学会标定的10/20国际标准中的C3，C4，P3，P4，01和02共6个电极位置)，采集不同运动想象过程的受试者脑电信号。依照的原理人的大脑在没有处理感觉输入或没有产生运动输出的时候，大脑中的EEG活动集中在运动皮层为ii波，集中在视觉皮层就表现为13波。实验表明想象运动或者准备运动都会伴随着P波和P波型的减小。这个减小叫做事件相关去同步化(ERD);与此相反，在运动完成并且放松的时候，波形便会增大，这一现象叫事件相关同步化(ERS)。并且，ERD和ERS并不需要产生实际的动作，在运动想象中就会产生，我们选择的6个电极都是与运动想象相关的。2)在计算机屏幕上根据设定好的剌激程序(提示受试者开始想象运动)，受试者根据实验要求，做出运动想象包括肢体运动想象或器官运动想象，选择四类不同的运动想象(想象左手运动、右手运动、腿动和舌动)，受试者经过训练，熟悉实验过程，能够产生特异脑电。3)将采集到的脑电信号进行预处理后输入特征提取系统。预处理包括对信号进行公共平均参考，用严格线性相位的FIR滤波器对信号进行8-30Hz滤波。4)脑电信号特征提取系统，提取每个受试者的脑电信号特征。将采集的脑电信号按照按照集成在嵌入式芯片中或电脑软件系统中的下列算法提取特征量。这里的特征可以是任何信号处理方法，本发明以两类特征量为例说明。一类特征量为单个电极所具备的特征，例如自回归系数、线性复杂度、能量谱密度、能量熵；另一类特征量为两根电极信号之间的关联度，例如相位锁定值、互相关和互信息量。具体算法如下*自回归(AutoRegression,AR)系数初始预测误差e。n=b。n=xnn=0，l，...，N-l(1)反射系数"=^r^-"1,2,…w(2)Z=1,2,...，A:—1W=(i-1"卩)"L预测误差ekn—ek-l,n+akkbk-l,n-1H,"+"k—i,"(4)求得apl，ap2，...，app和op2以后，按下式计算xn的功率谱密度尸(/)=.。>〃e信号傅立叶变换量值的平方，计算如下(3)(5)系数a作为特征量。參线性复杂度(LinearComplexity,LC)对于确实的L个电极导联信号，那么线性复杂度的定义为Q=exp(-D,log。,=i其中L=A〃EJi，LXn矩阵协方差矩阵为(6)(7)那么Ai是协方差矩阵C的特征值。对频带范围8-13Hz，14-20Hz，21-30Hz波段计算线性复杂度作为特征量。參會g量谱密度(energyspectrumdensity,ESD)能量谱密度描述信号能量，如果x(t)是有限能量信号，这个信号谱密度①(o)是(8)(D(w)=|^i=「-,|,力;r"2;r其中X(")是X(t)的傅立叶变换，X、")是它的复共轭。对频带范围8-13Hz，14-20Hz，21-30Hz波段进行能量谱密度计算得出特征量。參會g量熵(EnergyEntropy，EE)能量熵能反映脑电信号频率空间的能量分布信息，同时反映了脑电信号在时域与频域上的能量分布特征。设E丄，E2，…Em为信号x(t)在m个频率段上的能j形成对信号能量的一种划分。在某一时间窗内信号总能量e=1;a，￡,,=i:iz),wi2，Di为频率j上能谱值，设i:分布，则在频域上的能谱可以E等于各分量能量Ej之和，即Ej/E(9)信号内进行滑动，提取特征则EPj=l，于是定义相应的能jt熵为(10)能量熵的计算被定义在某一固定长度窗口范围内，按步长为2在短时傅立叶变换主值。參相位锁定值(PhaseLockingValue,PLV)两个信号同步的量度是相位锁定值PLV，此方法仅考虑此信号的相位。PLV(11)这里，①i(t)，①j(t)是电极i，j的瞬时相位,卜T(12)柳在上式定义中，,^^arctan^是时间序列Xi(t)的Hilbert变换，PV是指柯西x,(,)①,.(f)=aretan柳x々)(13)在本发明中，选用数据描述中的六个电极，左、右三个电极进行两两配对，并对每个配对电极进行相位的锁相值计算，得出特征量。*互信息(MutualInformation,MI)互信息是信息论里一种有用的信息度量，它是指两个事件集合之间的相关性。两个事件x和y的互信息定义为I(x，y)=H(x)+H(y)-H(x，y)(14)其中H(x，y)=-Ep(x，y)logp(x，y)(15)在本发明中，选用数据描述中的六个电极，左、右三个电极进行两两配对，并对每个配对电极进行互信息计算，得出特征量。*互相关(CrossCorrelation,CC)在统计学中，互相关有时用来表示两个随机矢量之间的协方差，是用来表示两个信号之间相似性的一个度量，通常通过与已知信号比较用于寻找未知信号中的特性。它是两个信号之间相对于时间的一个函数。选用数据描述中的六个电极，左、右三个电极进行两两配对，并对每个配对电极进行互相关计算，得出特征量。本发明还建立了多特征分类器，即将每种特征单独应用于训练BP神经网络，并针对每位受试者、每个特征和每种运动想象类型单独设计个性化分类器。算法如下对于某一已知脑电信号(已知受试者和已知运动想象类型)，按照前面描述的七种特征逐个抽取特征(其他特征方法也可以，过程类似。)，作为神经网络的输入集；按照每种运动想象类型、每位受试者单独学习训练神经网络，这样对于每种特征共有3(受试者)X4(运动想象类型)=12个分类器(如有多个受试者，过程类似。)；本发明采用神经网络学习，输入层节点数为特征数目，输出层节点数为l，学习时取值为1。当识别或认证某一未知样本U时，先抽取七种特征，逐个分别输入已训练好的12个分类器中，这样对于每种特征，每个分类器都有输出，如下表表某一未知样本U的分类器输出矩阵。<table>tableseeoriginaldocumentpage8</column></row><table>表中A、B、C为三个受试者，L、R、T、F分别代表想象左手、右手、舌和腿运动。该样本的七种特征量通过相应的个性化分类器输出后，取值平均后再均一化。从表中可以看出，该样本属于受试者A想象左手运动的概率是40.4X，远超过其他受试者运动想象类型的概率。将每个输出结果取平均并均一化后，同时可得到概率分布图，如图4。根据概率分布图，以及事先设定好的阈值，我们就能判断该脑电信号属于谁了。如图4，如果阈值设为25%，只有A-L分类器的输出值超过了阈值，则系统将该样本作为受试者A想象左手运动认证或识别。类似的，对于另一未知样本V，概率分布如图5，假设阈值同样取25X，没有一个分类器的输出值超过阈值，即使将阈值降为15%也没有一个分类器的输出值超过阈值，则样本V不能认证或识别为已知12类的任何一类。本发明引入了阈值的概念。根据不同的安全级别，可设置不同的阈值，如图4，假设阈值设定在50%，则该样本不能认证或识别为任何已知样本，需要重新认证，判对率就会下降；而阈值设在5%，这一样本可能就被认证为多个已知样本，误判率就会提高。所以阈值可以用来调节安全级别，不同阈值对分类效果的影响，如图6。5)将未知的脑电数据输入神经网络进行识别和认证。受试者通过上述步骤l-4后，确定了BP神经网络结构和适合他(她)的运动想象类型，此时就可以进行识别和认证了。备注识别指的是从若干个受试者中选择这段脑电信号是哪一个受试者的，多选一；而认证过程则为确定这段脑电信号是否是某位受试者的，"是"还是"不是"，二选一。本发明只需添加一套脑电信号采集装置(例如Neuroscan脑电记录系统)即可实施。并将算法集成在嵌入式芯片中或电脑软件系统中。具体实施方式按附图1、2、3。可以通过下列步骤实现1)对受试者进行训练，通过剌激模式训练，采集不同运动想象过程的受试者脑电信号特征，采集符合10/20国际标准6个电极的信号；具体电极位置如图1所示(电极的数目和位置是可以改变的，变化后结果可能会有不同)。2)将采集到的脑电信号进行预处理(具体算法如前所示)后输入特征提取系统。3)参见图2，脑电信号特征提取系统，提取每个受试者的脑电信号特征，通过BP神经网络学习和识别，产生个性化神经网络分类器，训练过程结束。4)参见图3，根据提取的每个受试者的脑电信号特征，确定的个性化神经网络分类器，对每个受试者的身份进行识别或认证。本发明以运动想象脑电信号作为身份识别，在方法上，没有用单一的信号处理方法进行分析，而采用当前提取脑电信号特征的多种信号处理方法。实验结果显示，选择合适的阈值，识别率可超过90%。本发明中的脑纹生物身份认证技术能够改变生物特征(通过想象不同运动)，这和其他的生物识别技术不同，受试者只需想象某种运动，即可将它作为密码储存，应用时不需要钥匙、密码和其它工具，只需想想他们的密码，就可以完成操作。今后，甚至可以用梦想、习惯或回忆作为密码。本发明旨在通过多特征融合，将不同特征的优点集中在一起，而且特征算法不仅限于本文中的这几种，可能增减。预实验结果也证明，本发明基本解决了以往脑纹身份认证系统稳定性不高的缺点。当然，特征也不是越多越好，特征数目越多，计算越复杂，时间越长；特征越少，融合的效果就越差。只要选择适当的特征，就可能得到非常满意的效果。脑纹身份认证系统可以应用于对于身份识别和认证要求较高的场所，比如国家安全、公安司法、金融等。由于脑电信号具备难以仿造、不可强迫、活体存在、特定重复等特点，一旦脑电采样设备小型化、简单化和便携化后，本发明的应用前景将非常光明。权利要求一种基于多特征算法的脑纹身份识别认证方法，采用脑电信号作为身份识别的输入信号，其特征在于，包括以下步骤1)在电脑里设定刺激程序，受试者根据刺激程序中的实验要求，做出不同的运动想象；2)原始脑电信号通过EEG放大器采集；3)对采集的脑电信号进行放大和A/D转换；4)将采集的脑电信号按照集成在嵌入式芯片中或电脑软件系统中的算法提取特征量，对脑电信号进行处理，包括公共平均参考、滤波、提取特征量、产生个性化分类器、建立多特征分类器，将未知的脑电数据输入神经网络，确定BP神经网络结构和适合受试者的运动想象类型，进行识别或认证；5)设置阈值变量，对多特征分类器输出量进行判定，高于阈值的视为认证成功。2.根据权利要求1所述的基于多特征算法的脑纹身份识别认证方法，其特征在于所述个性化分类器是将已知的脑电数据输入神经网络进行学习，确定BP神经网络结构，将每种特征量单独应用于训练BP神经网络，并针对每位受试者、每个特征和每种运动想象类型单独设计。3.根据权利要求1所述的基于多特征算法的脑纹身份识别认证方法，其特征在于所述多特征分类器是由不同个性化分类器汇总形成，可以随意改变不同的特征量输入，特征量的个数可以调节，并根据分类效果自动调整特征量。4.根据权利要求1所述的基于多特征算法的脑纹身份识别认证方法，其特征在于所述识别或认证是以概率分布的形式对出现的每类结果进行选定。全文摘要本发明属于生物医学工程和信息
技术领域：
，特别是涉及基于多特征算法的脑纹身份识别认证方法。充分利用特征融合，通过不同的刺激模式训练受试者，从而产生不同的脑电信号，通过多元特征抽提方法对刺激产生的脑电信号进行分析，抽提出个体的特征信号产生个性化分类器，身份识别或认证时，只需将采集的脑电信号提取出目标特征，输入到相应的个性化分类器中，将输出结果均一化即可判断结果，判定结果以概率分布方式出现。选择合适的阈值，识别率可超过90％。脑纹生物身份认证技术能够改变生物特征，受试者只需想象某种运动，即可将它作为密码储存，应用时不需要钥匙、密码和其它工具，只需想想他们的密码，就可以完成操作。文档编号A61B5/117GK101716079SQ200910186789公开日2010年6月2日申请日期2009年12月23日优先权日2009年12月23日发明者胡建峰申请人:江西蓝天学院