一种具备排他性的脑电身份识别方法与流程

本发明涉及脑电身份识别领域，具体指一种具备排他性的脑电身份识别方法。
背景技术：
：脑电识别目前还是一个新兴的
技术领域：
，现有的利用脑电信号作身份识别的方法仍然较少，基本是在频域内对脑电数据进行分析，提取某一波段的脑电信号，利用时间序列模型(ar、bl)拟合脑电数据，将拟合后的模型参数提取作为脑电信号的特征参数，之后经过降维处理，直接简单的使用如支持向量机、神经网络等单一结构的学习机。并且以上方法存在各种不足：对于ar或bl模型阶数的估计，当前普遍使用aic准则或经验估计。虽然aic准则在模型定阶方面有诸多优点，但模型研究结果表明如果对数据进行自回归模型拟合，它可能会使阶数p估计过高，同时，aic准则得到的阶数不是相容的。脑电信号中噪声大小不一，虽然对脑电数据滤波后进行特征参数提取能较好地识别个体的脑电数据，但是正确识别率大多为85％～90％。如专利号cn201010193832.1中提出的脑电身份识别方法，其最高识别率为86.7％，这样的识别率尚不可应用在安全系数要求较高的场合的身份识别。当对识别率要求较高时，现有技术对于脑电信号的采集要求很高，如2015年论文《基于fawell范式诱发erp的身份识别研究》，其最高识别率可达98％，但是采集脑电时受试者需专心注视屏幕上多个字符，并且在心中默数目标字符闪烁的次数。现有方法在测试识别率时为闭集验证，现有方法在测试在闭集验证时准确率较高，但是对于开集验证，要么错误率过大，要么就是完全不适用。本发明提供一种具有可靠的“排他性”的脑电身份识别方法以克服上述现有技术的不足，并解决以下技术问题：1、克服了传统方法具有超过10％的可能性将他人的脑电数据识别为“本人”的脑电的错误识别问题，将这样的错误识别概率降低至接近于零。2、而且这种具有“排他性”的脑电身份识别方法对于未曾学习训练过的个体的脑电数据仍然适用。3、上述特点1和特点2使得这种方法克服了传统方法难以将脑电识别应用于对安全要求高的场合这一问题。4、利用bic准则估计ar模型的阶数，使得阶数p的估计较低，有效地降低了运算量。5、脑电信号的采集对受试者的动作行为要求较低，便可实现接近100％的“排他性”识别。受试者只需要静坐于屏幕前观察显示屏即可。技术实现要素：该发明方法具体内容步骤如下：1脑电数据的采集1.1采集的脑电数据是受试者在感知颜色时的脑电信号。受试者静坐在电脑屏幕前，观察电脑所显示的布满整个屏幕的颜色图片，一次至少采集一个图案显示周期的时间长度的数据。采集环境控制光照亮度为适中。其中颜色图片采用以下方案进行提供：红色t1——过渡图片组合t2——绿色t1——过渡图片组合t2——蓝色t1——过渡图片组合t2；过渡图片组合是三原色相等的插图t2/3、黑色t2/3、白色t2/3，其目的是消除观察rgb颜色切换时视野中的颜色残留。2脑电数据的预处理2.1利用fir滤波器将采集的脑电原始信号截取出α波段(8～12hz)。2.2对于采集到的脑电信号，通过eeglab观察其波形，将其中信号波形过于紊乱的电极剔除，设剩余电极数目为k。3利用ar模型提取脑电特征参数3.1对每个试验者的每个电极通道的脑电数据，使用最小二乘估计法得到匹配的ar模型。3.2以匹配的ar模型的参数作为该段脑电信号数据的特征参数来表征这段脑电信号。说明：ar模型的表示如式(1)：其中是εt零均值，方差σ2的平稳白噪声过程。ar模型的阶数p由bic准则确定。bic准则函数定义如式(2)：bic(p)＝nlnσ2+plnn(2)n是样本数据的长度，p是最优阶数。与aic准则相比，bic准则确保了估计的阶具有相容性。设剩余的每个电极数据的最优阶数为pi(1≤i≤k)，取估计的阶p＝min(pi)。εt和各阶系数ai就是所要提取的脑电特征参数，提取后的脑电特征参数ei,j是一个k×(p+1)的矩阵数据。4建立bp神经网络的分类器对提取的脑电特征参数ei,j的第j列(j＝1,2,...p+1)数据，建立第j个bp神经网络(如下图3所示)，输入层的节点数等于提取后的电极数，为k个，输出层节点1个，输出为“1”时代表识别为“本人”，输出为“0”时代表识别为“他人”。5构建bp分类器串联的分类网络5.1用第4步建立的p+1个bp分类器串联形成身份识别的分类网络(如图4所示)。即第j(j＝1,2,...,p+1)个分类器负责训练学习第j列脑电特征参数。5.2由于分类器串联的结构，对于最终的身份识别，判断结果由各个分类器的判断结果进行逻辑“与”运算后得到，如图5所示。5.3定阈值：对于分类网络的身份识别，每份数据的识别都是输出一个[0，1]的结果。定义当输出结果不接近于1或不接近于0时，对于给定的阈值r(0.1≤r≤0.5),若输出结果大于r，认为识别为“1”，若小于等于r，认为识别为“0”。6身份识别情况6.1训练数据与测试数据的情况对于bp网络的训练数据集的组成，50％是“本人”的脑电数据，50％是“他人”的脑电数据；测试的时候，测试数据是“本人”脑电数据和“他人”脑电数据中没有参与训练的那部分和开集数据组成。6.2分类识别验证：根据已确定的r的取值，将“本人”脑电数据输入到分类网络进行识别，若识别输出值大于r，则识别成功，确定是本人；若输出值小于等于r，则识别失败。与现有技术相比，本发明的有益效果是：1、虽然此方法对“本人”的脑电信号的识别率相对现有技术有所降低，但是其可以大大降低将“他人”脑电信号误识为“本人”的概率。在多次实验中，这种误识的概率为0％。2、此方法对未曾训练学习过的个体的脑电数据(即开集)仍然适用。在足够多次的实验中，该方法正确识别出没有训练学习过的样本的脑电信号的几率达到100％。3、对以上两种“非本人”脑电的准确识别说明该方法具有非常可靠的“排他性”，因而具有应用于门锁、保险柜等安全要求较高的场合的可能性。4、bic准则的定阶能给出相容估计，估计的阶数p不会过高可以有效降低运算量。5、脑电信号采集对于受试者的动作行为要求较低，便可实现接近100％的“排他性”识别。受试者只需要静坐于屏幕前观察显示屏即可。附图说明图1是本发明的脑电身份识别方法流程图。图2是本发明的屏幕颜色图片显示方案以及过渡图片组合的显示方案示意图。图3是本发明使用的bp神经网络示意图。图4是本发明使用的bp分类器串联而成的分类网络示意图。图5是本发明的串联bp分类器形成的分类网络的身份识别原理图。具体实施方式下面结合图1-5对本发明做进一步的说明：1脑电数据的采集a.实验仪器为brainproduct,brainampmrplus型放大器,采用64导电极帽连续记录脑电。b.采集的脑电数据是试验者在感知颜色时的脑电信号：试验者静坐在电脑屏幕前，观察电脑所显示的布满整个屏幕的颜色图片，一次至少采集一个图案显示周期的时间长度的数据，采集环境控制光照亮度为适中。c.屏幕上颜色图片的显示方案是：(1)红色6s——过渡图片组合3s——绿色6s——过渡图片组合3s——蓝色6s——过渡图片组合3s。一个周期长度为27s；(2)其中实验时一个周期中红色、绿色和蓝色图片出现的顺序是随机的；(3)过渡图片组合是三原色相等的插图1s、黑色1s、白色1s，这样做的目的是消除观察rgb颜色切换时视野中的颜色残留。屏幕颜色的显示以及过渡图片组合的显示如图所示(红绿蓝的顺序是随机的)。2脑电信号预处理2.1利用fir滤波器将采集的脑电原始信号截取出α波段(8～12hz)。2.2对于采集到的脑电信号，通过eeglab对波形进行分析，将其中信号波形过于紊乱的电极剔除，总计剔除eeg电极o1、o2、fz、veou、heol、heor和m2这7个通道的数据。3利用ar模型提取脑电特征参数3.1自回归(ar)模型是常用的时间序列模型，对每个试验者的每个电极通道的脑电数据，使用最小二乘估计法得到匹配的ar模型。3.2以匹配的ar模型的参数作为该段脑电信号数据的特征参数来表征这段脑电信号。ar模型的表示如下：其中是εt零均值，方差σ2的平稳白噪声过程。ar模型的阶数由bic准则确定。bic准则函数定义为：bic(p)＝nlnσ2+plnnn是样本数据的长度，p是最优阶数。与aic准则相比，bic准则确保了估计的阶具有相容性。设剩余的每个电极数据的最优阶数为pi(1≤i≤57)，取估计的阶p＝min(pi)。εt和各阶系数ai就是所要提取的脑电特征参数，提取后的脑电特征参数ei,j是一个57×(p+1)的矩阵数据，如下所示：实验验证中，对于采集到的样本，由bic准则得到的阶数取4，所以每个份数据提取的脑电特征参数有5个。至此，对于某个采集者的一份样本数据，经过提取后的脑电特征参数ei,j构成一个57×5的矩阵：4建立bp神经网络的分类器对于提取的脑电特征参数ei,j的5列数据建立5个bp神经网络的分类器。对于第j(j＝1,2,...,5)个bp分类器(如图3所示)，输入层的节点数等于提取后的电极数，为57个，隐含层节点数取10个，输出层节点1个，输出为“1”时代表识别为“本人”，输出为“0”时代表识别为“他人”。5构建bp分类器串联的分类网络接下来提供一种由分类器串联而成的分类结构。5.1将第4步建立的5个bp神经网络的分类器串联起来形成身份识别的分类网络。这5个bp神经网络各自负责训练学习ei,j的1列数据。5.2由于分类器串联的结构，对于最终的身份识别，判断结果由各个分类器的判断结果进行逻辑“与”运算后得到，如图5所示：5.3定阈值：对于分类网络的身份识别，每份数据的识别都是输出一个[0，1]的结果。定义当输出结果不接近于1或不接近于0时，若输出结果大于r(0.1≤r≤0.5)，认为识别为“1”，若小于等于r，认为识别为“0”。实验中分别取r＝0.2、r＝0.3、r＝0.4以及r＝0.5。6身份识别情况6.1训练数据与测试数据的情况a.对于bp网络的训练数据集的组成，50％是“本人”的脑电数据，50％是“他人”的脑电数据；实验测试的时候，测试数据是“本人”脑电数据和“他人”脑电数据中没有参与训练的那部分和开集数据组成。b.每个样本有59份数据。实验重复进行多次，样本每次分配为训练集和测试集的数据是随机的。每次实验中训练集与测试集情况如下表1和表2：表1.训练集情况数据样本份数总占比(％)第一号样本40份50％第二号～第五号样本各10份50％表2.测试集情况：数据情况份数总占比(％)第一号样本19份5.71％第二号～第五号样本各49份58.86％六号、七号样本各59份35.43％6.2实验验证的情况：在多次重复实验中，随着r取值的不同，分类网络对“本人”的识别正确率有所不同，对“他人”脑电数据成功识别为“不是本人”的概率都是100％。对于二号到七号样本，分类网络识别的输出结果都小于0.001，足见分类网络“排他性”的可靠度。当取r＝0.2时，该方法对“本人”的脑电数据具有87.58％的识别率，同时对“他人”脑电数据具有100％的正确判定率。在对本人数据保持较高的识别率的同时有效地达到了“排他性”的效果。随着r取值的增大，该方法对“本人”脑电数据的识别率有所降低，但是能达到更强的“排他性”。r的各取值对应实验情况如下面各表所示：a.r＝0.5样本实验中判定为“是本人”的概率“本人”的测试数据46.32％“他人”的测试数据0％不参与bp网络训练的样本的数据0％b.r＝0.4样本实验中判定为“是本人”的概率“本人”的测试数据65.58％“他人”的测试数据0％不参与bp网络训练的样本的数据0％c.r＝0.3d.r＝0.2样本实验中判定为“是本人”的概率“本人”的测试数据87.58％“他人”的测试数据0％不参与bp网络训练的样本的数据0％当前第1页12