基于脑网络连通性的个体识别方法、系统及存储介质与流程

[0001]
本发明涉及脑电身份识别领域，具体涉及一种基于脑网络连通性的个体识别方法、系统及存储介质。


背景技术：

[0002]
生物特征识别是通过各种高科技信息检测手段、利用人体所固有的生理或行为特征来进行个人身份鉴定。生物特征主要包括生理特征和行为特征两种：生理特征是指与生俱来的，先天性的人体物理特征，如指纹、虹膜、掌形、人脸等；然而，没有一种生物特征是完美的，各种生物特征的识别方式都有其一定的适用范围和要求，单一的生物特征识别系统在实际应用中显现出各自的局限性。使用较广的指纹、人脸、虹膜及掌形识别等第一代生物识别技术，大多需要被监测对象的配合，有时甚至需要被监测对象完成必要的动作才能实现。
[0003]
这些做法比较烦琐，识别速度较慢且使用不便，不易被用户接受。指纹识别的可靠性比较高但是需要实际的物理接触；人脸与虹膜识别不需要物理接触，然而在实际应用时却受到较多的环境限制。研究显示，用明胶制成的假手指就可以轻而易举地骗过指纹识别系统，患白内障的人虹膜会发生变化，在隐形眼镜上蚀刻出的虚假眼虹膜特征也可以让虹膜识别系统真假难辨等等。随着犯罪手段的不断智能化、科技化，第一代身份识别技术将面临防伪、防盗的挑战。因此迫切的需要新的生物认证方法的提出。
[0004]
近年来，研究者们才将更多的精力投入到健康人体，试图建立个体的某种脑电特征与其所携带的基因信息之间的一一对应关系，从而将脑电作为一种有效的特征用于身份识别，开启该领域的新思路。
[0005]
目前，基于脑电信号的身份识别技术在国内外均属起步阶段，虽然已有一些研究者做了许多相关的研究，但还没有一种稳定可靠的基于脑电的身份识别方案。


技术实现要素：

[0006]
鉴于以上所述现有技术的不足，本发明的目的在于：提供一种基于脑网络连通性的个体识别方法，能够准确地识别个体身份。
[0007]
为实现上述发明目的，本发明提供以下技术方案：
[0008]
一种基于脑网络连通性的个体识别方法，其包括以下步骤：
[0009]
获取待识别个体的多通道的脑电数据，并通过计算脑电数据的因果连通性，得到编码特征；以及将待识别个体的编码特征输入分类器中，得到待识别个体所属的类别；
[0010]
其中，通过所述分类器计算待识别个体的编码特征分别与分类特征库中多个类别的编码特征的空间距离，并记录与待识别个体的编码特征的空间距离满足设定条件的各个类别编码特征对应的类别序号；以及将记录的类别序号中出现次数最多的类别序号作为待识别个体的类别序号。
[0011]
根据一种具体的实施方式，本发明基于脑网络连通性的个体识别方法中，待识别
个体的多通道的脑电数据的数据长度至少为4秒以上。
[0012]
根据一种具体的实施方式，本发明基于脑网络连通性的个体识别方法中，待识别个体的多通道的脑电数据为大脑处于静息态时采集的数据。
[0013]
根据一种具体的实施方式，本发明基于脑网络连通性的个体识别方法中，采用k近邻分类算法计算所述空间距离。
[0014]
本发明的另一方面，还提供一种基于脑网络连通性的个体识别系统，其包括：
[0015]
数据获取模块，用于获取待识别个体的多通道的脑电数据；
[0016]
编码特征计算模块，用于计算脑电数据的因果连通性，而得到编码特征；
[0017]
分类器模块，用于计算待识别个体的编码特征分别与分类特征库中多个类别的编码特征的空间距离，并记录与待识别个体的编码特征的空间距离满足设定条件的各个类别编码特征对应的类别序号；以及将记录的类别序号中出现次数最多的类别序号作为待识别个体的类别序号，以确定待识别个体所属的类别。
[0018]
本发明的另一方面，还提供一种可读存储介质，其上存储有一个或多个程序，其特征在于，该一个或多个程序被一个或多个处理器执行时实现如本发明所述的基于脑网络连通性的个体识别方法。
[0019]
与现有技术相比，本发明的有益效果：
[0020]
本发明基于脑网络连通性的个体识别方法，通过计算所获取到的待识别个体的脑电数据的因果连通性，得到编码特征；并将待识别个体的编码特征输入分类器中，得到待识别个体所属的类别；其中，通过分类器计算待识别个体的编码特征分别与分类特征库中多个类别的编码特征的空间距离，并记录与待识别个体的编码特征的空间距离满足设定条件的各个类别编码特征对应的类别序号，最后将记录的类别序号中出现次数最多的类别序号作为待识别个体的类别序号。因此，本发明基于个体间脑电因果连通性的不同来编码个体的特征，从而实现个体的可靠识别。
附图说明
[0021]
图1为本发明方法的流程示意图；
[0022]
图2为本发明系统的架构示意图。
具体实施方式
[0023]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0024]
如图1所示，本发明基于脑网络连通性的个体识别方法，其包括以下步骤：
[0025]
获取待识别个体的多通道的脑电数据，并通过计算脑电数据的因果连通性，得到编码特征；以及将待识别个体的编码特征输入分类器中，得到待识别个体所属的类别；
[0026]
其中，通过所述分类器计算待识别个体的编码特征分别与分类特征库中多个类别的编码特征的空间距离，并记录与待识别个体的编码特征的空间距离满足设定条件的各个类别编码特征对应的类别序号；以及将记录的类别序号中出现次数最多的类别序号作为待
识别个体的类别序号。
[0027]
其中，个体脑电数据的采集需要在预先设定好的状态下进行。在进行脑电数据采集之前需要确保个体处于相对稳定的生理状态(一般为清醒且放松的状态)。混乱的生理状态通常会导致采集到的数据出现波幅异常，交互性紊乱的现象，致使个体编码特征偏离既定的特征范围。
[0028]
个体的脑电数据可以采集自不同的大脑活动状态，以增强个体编码特征的多样性以及复杂性。大脑的活动状态可以在一定范围内人为设定，以满足不同个体的使用习惯。具体来说，可以采集不同个体在稳定的生理状态下静息态、大脑中想象左右手运动和简单的认知行为等既定状态的全脑脑电信号，并以此作为数据源提取个体的特征。其中静息态或者想象左右手运动等大脑活动状态可以由用户预先设定。另外，这些状态可以单独使用，也可以依据个体的使用习惯进行联合使用。例如，既可以只采集个体大脑处于静息态下的脑电信号作为个体的特征，也可以先后采集大脑处于静息态和想象左手运动时的脑电信号共同作为个体的特征。值得说明的是，理论上联合多种大脑状态的数据将产生更加复杂的编码特征，提高不同个体间的特异性。
[0029]
而脑电信号的采集方法可以参考bci2000脑电采集系统。参照国际10-10脑电电极放置标准采集16通道脑电信号，或者参照国际10-20脑电电极放置标准采集64通道脑电信号。更加便捷的方式是，利用设计定型的标准脑电电极帽进行脑电采集。使用脑电电极帽时，采集者只需按照规范佩戴组装好的脑电电极帽便可以立即开始采集脑电信号，无需繁琐的脑电电极定位过程。值得说明的是，充足的电极数量往往会带来更好的采集效果。不过，在实际应用中，64通道的电极数量足以满足数据采集的需求。
[0030]
本发明在实施时，选择处于静息态进行脑电数据采集，而且采集的脑电数据长度为4秒以上。
[0031]
具体的，本发明通过计算脑电信号的不同通道的两两间的因果连通性(granger因果连通性)来进行特征编码。例如，若采集得到是16通道的脑电信号，经过因果连通性计算就可以得到一个16
×
16的编码特征。而对于使用32通道以上的脑电采集设备的情况，考虑到数据存储容量的因素，可以通过数据降维方法降低所得的脑网络编码特征的维度以减小存储消耗。
[0032]
为了适应使用场景的不同，对于该系统中的运算设备的选择也具有相当大的灵活性。基本需要满足较高精度的运算以及一定量的存储功能。常规的8位或者16位微型计算机并且附带一定量的存储器就能够满足运算及存储的需求。
[0033]
本发明在实施时，本发明采用运算逻辑较简单的k近邻分类算法；k近邻分类算法属于一种有监督的分类算法，该算法的思路是：在特征空间中，如果一个样本数据附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。因此，对于k近邻分类算法，需要预先给定一个带标签的训练数据集，对新的输入数据样本，在训练数据集中找到与该样本最邻近的k个数据实例，这k个实例的多数属于某个类，就把该输入实例分类到这个类中。
[0034]
k近邻分类算法的适配与分类识别过程如下：
[0035]
第一步：将多个个体的特征数据以及每个特征数据的个体序号导入分类特征库并保存，此时就完成了算法适配
[0036]
第二步：将新得到的特征数据输入分类算法，计算该特征数据与其他预先保存的各个个体的特征数据的空间距离(欧式距离)
[0037]
第三步：从第二步中选取k个与新得到的特征数据的空间距离最近的预先保存在分类特征库中的数据样例，并记录它们对应的表征其类别的个体序号
[0038]
第四步：通过投票的机制，选取k个个体中出现次数最多的个体类别为新得到的特征数据所属的类别。
[0039]
如图2所示，本发明基于脑网络连通性的个体识别系统，其包括：
[0040]
数据获取模块，用于获取待识别个体的多通道的脑电数据；
[0041]
编码特征计算模块，用于计算脑电数据的因果连通性，而得到编码特征；
[0042]
分类器模块，用于计算待识别个体的编码特征分别与分类特征库中多个类别的编码特征的空间距离，并记录与待识别个体的编码特征的空间距离满足设定条件的各个类别编码特征对应的类别序号；以及将记录的类别序号中出现次数最多的类别序号作为待识别个体的类别序号，以确定待识别个体所属的类别。
[0043]
本发明的另一方面，还提供一种可读存储介质，其上存储有一个或多个程序，其特征在于，该一个或多个程序被一个或多个处理器执行时实现本发明的区块链共识网络动态扩展方法。
[0044]
应该理解到，本发明所揭露的系统，可通过其它的方式实现。例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，模块之间的通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0045]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0046]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。