本發(fā)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(xiàn)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(nèi)對腦電數(shù)據(jù)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(shù)據(jù)，將擬合后的模型參數(shù)提取作為腦電信號的特征參數(shù)，之后經(jīng)過降維處理，直接簡單的使用如支持向量機、神經(jīng)網(wǎng)絡等單一結構的學習機。并且以上方法存在各種不足：對于ar或bl模型階數(shù)的估計，當前普遍使用aic準則或經(jīng)驗估計。雖然aic準則在模型定階方面有諸多優(yōu)點，但模型研究結果表明如果對數(shù)據(jù)進行自回歸模型擬合，它可能會使階數(shù)p估計過高，同時，aic準則得到的階數(shù)不是相容的。腦電信號中噪聲大小不一，雖然對腦電數(shù)據(jù)濾波后進行特征參數(shù)提取能較好地識別個體的腦電數(shù)據(jù)，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系數(shù)要求較高的場合的身份識別。當對識別率要求較高時，現(xiàn)有技術對于腦電信號的采集要求很高，如2015年論文《基于fawell范式誘發(fā)erp的身份識別研究》，其最高識別率可達98％，但是采集腦電時受試者需專心注視屏幕上多個字符，并且在心中默數(shù)目標字符閃爍的次數(shù)?，F(xiàn)有方法在測試識別率時為閉集驗證，現(xiàn)有方法在測試在閉集驗證時準確率較高，但是對于開集驗證，要么錯誤率過大，要么就是完全不適用。本發(fā)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(xiàn)有技術的不足，并解決以下技術問題：1、克服了傳統(tǒng)方法具有超過10％的可能性將他人的腦電數(shù)據(jù)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于零。2、而且這種具有“排他性”的腦電身份識別方法對于未曾學習訓練過的個體的腦電數(shù)據(jù)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(tǒng)方法難以將腦電識別應用于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(shù)，使得階數(shù)p的估計較低，有效地降低了運算量。5、腦電信號的采集對受試者的動作行為要求較低，便可實現(xiàn)接近100％的“排他性”識別。受試者只需要靜坐于屏幕前觀察顯示屏即可。技術實現(xiàn)要素：該發(fā)明方法具體內(nèi)容步驟如下：1腦電數(shù)據(jù)的采集1.1采集的腦電數(shù)據(jù)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，一次至少采集一個圖案顯示周期的時間長度的數(shù)據(jù)。采集環(huán)境控制光照亮度為適中。其中顏色圖片采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(shù)據(jù)的預處理2.1利用fir濾波器將采集的腦電原始信號截取出α波段(8～12hz)。2.2對于采集到的腦電信號，通過eeglab觀察其波形，將其中信號波形過于紊亂的電極剔除，設剩余電極數(shù)目為k。3利用ar模型提取腦電特征參數(shù)3.1對每個試驗者的每個電極通道的腦電數(shù)據(jù)，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(shù)作為該段腦電信號數(shù)據(jù)的特征參數(shù)來表征這段腦電信號。說明：ar模型的表示如式(1)：其中是εt零均值，方差σ2的平穩(wěn)白噪聲過程。ar模型的階數(shù)p由bic準則確定。bic準則函數(shù)定義如式(2)：bic(p)＝nlnσ2+plnn(2)n是樣本數(shù)據(jù)的長度，p是最優(yōu)階數(shù)。與aic準則相比，bic準則確保了估計的階具有相容性。設剩余的每個電極數(shù)據(jù)的最優(yōu)階數(shù)為pi(1≤i≤k)，取估計的階p＝min(pi)。εt和各階系數(shù)ai就是所要提取的腦電特征參數(shù)，提取后的腦電特征參數(shù)ei,j是一個k×(p+1)的矩陣數(shù)據(jù)。4建立bp神經(jīng)網(wǎng)絡的分類器對提取的腦電特征參數(shù)ei,j的第j列(j＝1,2,...p+1)數(shù)據(jù)，建立第j個bp神經(jīng)網(wǎng)絡(如下圖3所示)，輸入層的節(jié)點數(shù)等于提取后的電極數(shù)，為k個，輸出層節(jié)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(lián)的分類網(wǎng)絡5.1用第4步建立的p+1個bp分類器串聯(lián)形成身份識別的分類網(wǎng)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列腦電特征參數(shù)。5.2由于分類器串聯(lián)的結構，對于最終的身份識別，判斷結果由各個分類器的判斷結果進行邏輯“與”運算后得到，如圖5所示。5.3定閾值：對于分類網(wǎng)絡的身份識別，每份數(shù)據(jù)的識別都是輸出一個[0，1]的結果。定義當輸出結果不接近于1或不接近于0時，對于給定的閾值r(0.1≤r≤0.5),若輸出結果大于r，認為識別為“1”，若小于等于r，認為識別為“0”。6身份識別情況6.1訓練數(shù)據(jù)與測試數(shù)據(jù)的情況對于bp網(wǎng)絡的訓練數(shù)據(jù)集的組成，50％是“本人”的腦電數(shù)據(jù)，50％是“他人”的腦電數(shù)據(jù)；測試的時候，測試數(shù)據(jù)是“本人”腦電數(shù)據(jù)和“他人”腦電數(shù)據(jù)中沒有參與訓練的那部分和開集數(shù)據(jù)組成。6.2分類識別驗證：根據(jù)已確定的r的取值，將“本人”腦電數(shù)據(jù)輸入到分類網(wǎng)絡進行識別，若識別輸出值大于r，則識別成功，確定是本人；若輸出值小于等于r，則識別失敗。與現(xiàn)有技術相比，本發(fā)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(xiàn)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(shù)據(jù)(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幾率達到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”，因而具有應用于門鎖、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(shù)p不會過高可以有效降低運算量。5、腦電信號采集對于受試者的動作行為要求較低，便可實現(xiàn)接近100％的“排他性”識別。受試者只需要靜坐于屏幕前觀察顯示屏即可。附圖說明圖1是本發(fā)明的腦電身份識別方法流程圖。圖2是本發(fā)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(fā)明使用的bp神經(jīng)網(wǎng)絡示意圖。圖4是本發(fā)明使用的bp分類器串聯(lián)而成的分類網(wǎng)絡示意圖。圖5是本發(fā)明的串聯(lián)bp分類器形成的分類網(wǎng)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(fā)明做進一步的說明：1腦電數(shù)據(jù)的采集a.實驗儀器為brainproduct,brainampmrplus型放大器,采用64導電極帽連續(xù)記錄腦電。b.采集的腦電數(shù)據(jù)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，一次至少采集一個圖案顯示周期的時間長度的數(shù)據(jù)，采集環(huán)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(xiàn)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濾波器將采集的腦電原始信號截取出α波段(8～12hz)。2.2對于采集到的腦電信號，通過eeglab對波形進行分析，將其中信號波形過于紊亂的電極剔除，總計剔除eeg電極o1、o2、fz、veou、heol、heor和m2這7個通道的數(shù)據(jù)。3利用ar模型提取腦電特征參數(shù)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(shù)據(jù)，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(shù)作為該段腦電信號數(shù)據(jù)的特征參數(shù)來表征這段腦電信號。ar模型的表示如下：其中是εt零均值，方差σ2的平穩(wěn)白噪聲過程。ar模型的階數(shù)由bic準則確定。bic準則函數(shù)定義為：bic(p)＝nlnσ2+plnnn是樣本數(shù)據(jù)的長度，p是最優(yōu)階數(shù)。與aic準則相比，bic準則確保了估計的階具有相容性。設剩余的每個電極數(shù)據(jù)的最優(yōu)階數(shù)為pi(1≤i≤57)，取估計的階p＝min(pi)。εt和各階系數(shù)ai就是所要提取的腦電特征參數(shù)，提取后的腦電特征參數(shù)ei,j是一個57×(p+1)的矩陣數(shù)據(jù)，如下所示：實驗驗證中，對于采集到的樣本，由bic準則得到的階數(shù)取4，所以每個份數(shù)據(jù)提取的腦電特征參數(shù)有5個。至此，對于某個采集者的一份樣本數(shù)據(jù)，經(jīng)過提取后的腦電特征參數(shù)ei,j構成一個57×5的矩陣：4建立bp神經(jīng)網(wǎng)絡的分類器對于提取的腦電特征參數(shù)ei,j的5列數(shù)據(jù)建立5個bp神經(jīng)網(wǎng)絡的分類器。對于第j(j＝1,2,...,5)個bp分類器(如圖3所示)，輸入層的節(jié)點數(shù)等于提取后的電極數(shù)，為57個，隱含層節(jié)點數(shù)取10個，輸出層節(jié)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(lián)的分類網(wǎng)絡接下來提供一種由分類器串聯(lián)而成的分類結構。5.1將第4步建立的5個bp神經(jīng)網(wǎng)絡的分類器串聯(lián)起來形成身份識別的分類網(wǎng)絡。這5個bp神經(jīng)網(wǎng)絡各自負責訓練學習ei,j的1列數(shù)據(jù)。5.2由于分類器串聯(lián)的結構，對于最終的身份識別，判斷結果由各個分類器的判斷結果進行邏輯“與”運算后得到，如圖5所示：5.3定閾值：對于分類網(wǎng)絡的身份識別，每份數(shù)據(jù)的識別都是輸出一個[0，1]的結果。定義當輸出結果不接近于1或不接近于0時，若輸出結果大于r(0.1≤r≤0.5)，認為識別為“1”，若小于等于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(shù)據(jù)與測試數(shù)據(jù)的情況a.對于bp網(wǎng)絡的訓練數(shù)據(jù)集的組成，50％是“本人”的腦電數(shù)據(jù)，50％是“他人”的腦電數(shù)據(jù)；實驗測試的時候，測試數(shù)據(jù)是“本人”腦電數(shù)據(jù)和“他人”腦電數(shù)據(jù)中沒有參與訓練的那部分和開集數(shù)據(jù)組成。b.每個樣本有59份數(shù)據(jù)。實驗重復進行多次，樣本每次分配為訓練集和測試集的數(shù)據(jù)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(shù)據(jù)樣本份數(shù)總占比(％)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(shù)據(jù)情況份數(shù)總占比(％)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：在多次重復實驗中，隨著r取值的不同，分類網(wǎng)絡對“本人”的識別正確率有所不同，對“他人”腦電數(shù)據(jù)成功識別為“不是本人”的概率都是100％。對于二號到七號樣本，分類網(wǎng)絡識別的輸出結果都小于0.001，足見分類網(wǎng)絡“排他性”的可靠度。當取r＝0.2時，該方法對“本人”的腦電數(shù)據(jù)具有87.58％的識別率，同時對“他人”腦電數(shù)據(jù)具有100％的正確判定率。在對本人數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)46.32％“他人”的測試數(shù)據(jù)0％不參與bp網(wǎng)絡訓練的樣本的數(shù)據(jù)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(shù)據(jù)65.58％“他人”的測試數(shù)據(jù)0％不參與bp網(wǎng)絡訓練的樣本的數(shù)據(jù)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(shù)據(jù)87.58％“他人”的測試數(shù)據(jù)0％不參與bp網(wǎng)絡訓練的樣本的數(shù)據(jù)0％當前第1頁12