專利名稱：基于融合特征的想象動作腦電身份識別方法
技術領域：
本發(fā)明涉及腦電身份識別領域，具體涉及基于融合特征的想象動作腦電身份識別方法。
背景技術：
生物特征識別是通過各種高科技信息檢測手段、利用人體所固有的生理或行為特 征來進行個人身份鑒定。生物特征主要包括生理特征和行為特征兩種生理特征是指與生 俱來的，先天性的人體物理特征，如指紋、虹膜、掌形、人臉等；行為特征是指從人所執(zhí)行的 運動中提取出來的特征，多為后天性的，如筆跡、擊鍵、步態(tài)等。在2001年的MIT Technology Review雜志中，生物特征識別技術被列為10項最有可能改變世界的技術之一。并預計在不 遠的將來，生物認證技術將深入到我們生活的方方面面，其綜合影響力將不亞于互聯(lián)網(wǎng)。從信息科學角度來看，生物特征識別屬于傳統(tǒng)的模式識別問題，它不依賴各種人 造的和附加的物品，認定的是人本身。每個人的生物特征具有與其他人不同的唯一性和在 一定時期內(nèi)不變的穩(wěn)定性，不易偽造和假冒，所以利用生物識別技術進行身份認定，具有安 全、可靠、準確等優(yōu)點。然而，沒有一種生物特征是完美的，各種生物特征的識別方式都有其一定的適用 范圍和要求，單一的生物特征識別系統(tǒng)在實際應用中顯現(xiàn)出各自的局限性。使用較廣的指 紋、人臉、虹膜及掌形識別等第一代生物識別技術，大多需要被監(jiān)測對象的配合，有時甚至 需要被監(jiān)測對象完成必要的動作才能實現(xiàn)。這些做法比較煩瑣，識別速度較慢且使用不便， 不易被用戶接受。指紋識別的可靠性比較高但是需要實際的物理接觸；人臉與虹膜識別不 需要物理接觸，然而在實際應用時卻受到較多的環(huán)境限制。研究顯示，用明膠制成的假手指 就可以輕而易舉地騙過指紋識別系統(tǒng)，患白內(nèi)障的人虹膜會發(fā)生變化，在隱形眼鏡上蝕刻 出的虛假眼虹膜特征也可以讓虹膜識別系統(tǒng)真假難辨等等。隨著犯罪手段的不斷智能化、 科技化，第一代身份識別技術將面臨防偽、防盜的挑戰(zhàn)。因此迫切的需要新的生物認證方法 的提出。較之傳統(tǒng)的生物特征識別方法，基于腦電(Flectroenc印halogram，EEG)的身份 識別是一種比較新的思路。其實，早在I960年，神經(jīng)生理學家和精神病學家就提出并驗證 了 “人的腦電信號與攜帶的基因信息之間存在某種相關性”的論斷。然而早期的大部分研 究多致力于病理分析和臨床診斷；直到近年來，研究者們才將更多的精力投入到健康人體， 試圖建立個體的某種腦電特征與其所攜帶的基因信息之間的一一對應關系，從而將腦電作 為一種有效的特征用于身份識別，開啟該領域的新思路。作為一種有效的生物特征應至少滿足以下幾點要求1)普遍性；2)唯一性；3)穩(wěn) 定性；4)可采極性。除此之外，腦電(EEG)還具有其他顯著而獨特的優(yōu)勢，體現(xiàn)在(1)由于腦電來源于大腦的思維活動，難以在壓力或脅迫下重現(xiàn)，因而不容易被復 制或仿造，系統(tǒng)魯棒性強。(2)腦電具有高度的個體依賴性。對于同一個外部刺激或者主體在思考同一件事的時候，不同的個體也會產(chǎn)生不同的腦電信號。(3)腦電存在于每一個具有生理功能的活體中，且受損的可能性很小，相對穩(wěn)定。 與之相比，某些傳統(tǒng)的生物特征(如指紋或聲音)，可能會由于意外損傷(如手部的皮膚燒 傷或失聲)而喪失本身具有的識別功能。(4)腦電有且只有在活體中存在，故只能用于在體的檢測，相對于指紋等外在的特 征更加難以復制和偽造。目前，基于腦電信號的身份識別技術在國內(nèi)外均屬起步階段。1999年，M. Poulos 等人首次提出腦電用于身份識別的設想，采集受試者靜息狀態(tài)的腦電信號，并建立 AR(Auto-Regressive)模型提取腦電特征參數(shù)，通過學習矢量量化(LVQ)的方法對4個樣 本進行分類，達到了 12% -84%的識別結果。雖然靜息狀態(tài)的腦電信號的確具有個體差異 性，但是往往不夠明顯，于是隨后的研究中引入了各種類型的刺激或者任務，希望能獲得更 具可分性的腦電特征。想象動作模式廣泛應用于腦機接口系統(tǒng)中。然而腦機接口系統(tǒng)面臨 的一個很大的瓶頸就是腦電的個體差異性，這必然會導致系統(tǒng)設計復雜程度的增加。

發(fā)明內(nèi)容
為克服現(xiàn)有技術的不足，提供一種可實現(xiàn)將想象動作模式下的腦電信號作為一種 生物特征來實現(xiàn)身份識別，準確性高，迅速快捷。為達到上述目的，本發(fā)明采用的技術方案 是基于融合特征的想象動作腦電身份識別方法，包括下列步驟在受試者執(zhí)行想象動作 的過程中，采集相應的腦電信號；經(jīng)過去噪等預處理后，分別提取單一通道的腦電特征和大 腦半球?qū)?cè)跨通道腦電特征，將二者進行融合；隨后對融合特征進行降維操作以優(yōu)化重組； 最后送入分類器進行分類學習與測試，達到身份識別的目的。所述在受試者執(zhí)行想象動作的過程中，采集相應的腦電信號，包括下列步驟(1)受試者佩戴電極帽，選擇舒適的姿勢坐在椅子上；(2)受試者共進行四種不同的想象動作，分別是A.數(shù)學計算，給受試者一道普通的乘法計算題，如56*78，要求受試者在心中默算 其結果，此過程中不能發(fā)聲或有任何其他身體運動；B.幾何圖像旋轉(zhuǎn)，給受試者30s的時間去觀察一個特殊的三維幾何體，之后移除 圖像，讓受試者想象該幾何體沿著某一個軸去旋轉(zhuǎn)，采集這個想象過程中的腦電信號；C.打腹稿，讓受試者想象給一位朋友寫信，不能發(fā)出聲音，只在心里默默撰寫，每 次實驗可從上次中止的地方開始，也就是要保證內(nèi)容不重復；D.視覺計數(shù)，受試者想象有一個黑板，在上面計數(shù)，寫完前一個數(shù)字后擦去，接著 寫下一個，整個過程受試者不能發(fā)出聲音，均為想象動作；(3)在國際標準10/20導聯(lián)電極放置系統(tǒng)定義下，選取C3，C4，P3，P4，01，02六個 導聯(lián)采集腦電信號，C3，P3，01分布于大腦半球一側(cè)，C4，P4，02對稱的分布于大腦半球另一 側(cè)，外加Al，A2作為參考電極；(4)對于四種不同的想象動 作，分別采集持續(xù)IOs內(nèi)的腦電信號，采樣頻率是 256Hz ；每組實驗重復10次，保證充足的數(shù)據(jù)量。所述分別提取單一通道的腦電特征和大腦半球?qū)?cè)跨通道腦電特征，將二者進行 融合，進一步的細化步驟是
單一通道的特征提取步驟為對經(jīng)過去噪等預處理后的腦電信號采用簡化的 BL(p，0，k，m)模型進行描述 其中，xt是由有用信號，{et}是噪聲，Iai, i = 1，2，…，ρ}，Ici, i = 1，2，…，q} 以及Ibij, i = 1，2，…，k;j = l，2，…，m}是未知的隨時間變化的系數(shù)，也是所要提取的 特征參數(shù)；采用的AIC 準則，AIC 為 Akaike Information Criterion 的縮寫，表述如下
其中，
(5)N是數(shù)據(jù)的長度，M是模型的最大階數(shù)，(N-M)是用來計算似然函數(shù)的樣本數(shù)，r是 BL(p，0，k，m)模型中的獨立參數(shù)，最優(yōu)階數(shù)r*是使得AIC(r)達最小時對應的階數(shù)，進而得 到BL(p，0，k，m)模型的最優(yōu)階數(shù)組合，然后借助標準最小二乘法的線性最小化來估計模型 參數(shù){ ，、}；大腦半球?qū)?cè)跨通道腦電特征線性復雜度提取采取的步驟是，所述在受試者執(zhí)行 想象動作的過程中，采集相應的腦電信號，是在國際標準10/20導聯(lián)電極放置系統(tǒng)定義下， 選取C3，C4，P3，P4，01，02六個導聯(lián)采集腦電信號，C3，P3，01分布于大腦半球一側(cè)，C4，P4， 02對稱的分布于大腦半球另一側(cè)，對于C通道信號，線性復雜度的定義如下 其中4=入:/工入: 即ε i是對Xi的標準化，而Xi是由C通道腦電信號協(xié)方差矩陣計算出的特征值，這里取C = 2，即衡量來自對側(cè)大腦半球的兩個通道腦電信號的線性復雜度；將上述單一通道的特征和跨通道特征連接起來，構成維數(shù)是單一通道的特征維數(shù) 與跨通道特征的維數(shù)之和的融合特征。所述降維操作以優(yōu)化重組包括如下步驟(1)原始數(shù)據(jù)標準化矩陣中的每個元素減去所在列的均值，然后除以所在列的標準差，使得每個變量 標準化為均值為0，方差為1的矩陣X，即X= [XijX2, ...XJt = [XiJ] (nXp)(8)
其中， (2)計算相關系數(shù)矩陣 R是實對稱矩陣(即Aj = rji)，其中rij(i，j = 1，2，...，ρ)是標準化后的變量 Xi, Xj的相關系數(shù)，其定義是變量協(xié)方差除以變量的標準差(方差)，計算公式為 式中-分別表示原矩陣中Xi和Xj列各向量的均值；(3)特征分解，求特征值與特征向量解特征方程lR-λΕ = 0，求出相關系數(shù)矩陣R的特征值XiG = 1，2，...ρ)，并 將其按從大到小的順序排列，即X1Sλρ然后分別得到每個特征值Xi對應的 特征向量^(1 = 1，2，...ρ)，(4)通過累計貢獻率確定主成分累計貢獻率的計算公式為 當累計貢獻率達到某一閾值(本發(fā)明取95% )時，將此時所有前m個特征值λ A2,... Am(m^p)以及它們對應的特征向量保留下來，作為主成分，其余的均舍棄；(5)計算得分矩陣主成分特征值所對應的特征向量U = [UijU2,.. . UJ構成新的矢量空間，作為新變 量(主成分)的坐標軸，又稱為載荷軸。利用下式計算得分矩陣
(13)其中，X是原數(shù)據(jù)矩陣，U是主成分載荷，得分矩陣F即為PCA降維后所得到的最終結果。本發(fā)明具有如下特點1、想象動作腦電與個體的思維活動密切相關，攜帶著個體可分性的信息，實驗得 到的識別率結果驗證了其能夠作為一種生物特征用于身份識別的可行性。由于個體的思維 活動存在差異，對于不同的想象動作表現(xiàn)出不同的敏感程度，所以將多種想象動作結合起 來會進一步改善識別效果；2、本發(fā)明提出一種新的基于想象動作腦電的身份識別方法，是對傳統(tǒng)腦電應用領 域(如腦機接口技術)的拓展，也為生物特征識別開啟新的思路；
3、本發(fā)明可彌補傳統(tǒng)生物特征識別技術的不足，因其高精度和難以復制等顯著優(yōu) 勢，作為一種有力的補充，可集成應用于軍事領域或某些高安全性要求的機構和場所，創(chuàng)造 更為安全和諧的社會生活環(huán)境，并有望獲得可觀的社會效益和公共安全服務的提升。


圖1本發(fā)明技術流程圖。圖2腦電電極放置示意圖。
具體實施方式
提出了一種利用融合特征的想象動作腦電進行身份識別的方法，所涉及到的關鍵 技術包括腦電信號的采集，信號處理，特征提取以及分類識別等。其技術流程為讓受試 者執(zhí)行某種想象動作，在此過程中選擇適當?shù)念^皮導聯(lián)電極采集受試者的腦電信號，本發(fā) 明選用兩兩對稱的六個導聯(lián)采集腦電信號(如圖2所示)，并對原始腦電信號進行了去噪等 預處理。為了充分考慮各導聯(lián)腦電信號的特性和相關性，本發(fā)明不僅提取了單一導聯(lián)的腦 電特征，還對位于大腦半球?qū)?cè)的兩個對稱導聯(lián)的腦電信號進行了研究，并提取相應的相 關性特征；隨后將兩種特征進行了融合。主成分分析算法(PCA)被用來對融合特征進行降 維處理，在降低特征向量維度的同時有效的提高了識別效率。最后通過支持向量機(SVM) 對優(yōu)化后的特征進行分類學習與測試，以實現(xiàn)身份的識別。較之其他的生物特征識別技術， 基于腦電的身份識別思路新穎，具有獨特而顯著的優(yōu)勢，是對傳統(tǒng)腦電研究的突破，也為今 后探索更多元而有效的身份識別方法提供了新思路?；谀X電的身份識別方法包括以下基本步驟腦電信號采集、信號預處理、特征提 取、信號后處理以及分類識別等，圖1所示為本發(fā)明的技術流程圖在受試者執(zhí)行想象動作 的過程中，采集相應的腦電信號；經(jīng)過去噪等預處理后，分別提取單一通道的腦電特征和大 腦半球?qū)?cè)跨通道腦電特征，將二者進行融合；隨后對融合特征進行降維操作以優(yōu)化重組； 最后送入分類器進行分類學習與測試，達到身份識別的目的。1腦電信號的采集本發(fā)明采用的想象動作模式是由Keirn和Aimon設計的，選擇這些想象模式的理 由是它們涉及半球腦電波的不對稱性，同時也體現(xiàn)著個體間的差異性，可用作身份識別。實驗設計與數(shù)據(jù)采集(5)受試者佩戴電極帽，選擇舒適的姿勢坐在椅子上。(6)受試者共進行四種不同的想象動作，分別是E.數(shù)學計算。給受試者一道普通的乘法計算題，如56*78，要求受試者在心中默算 其結果，此過程中不能發(fā)聲或有任何其他身體運動。需要說明的是，題目不能有重復，也就 意味著受試者不能在短時間內(nèi)迅速給出答案。經(jīng)過實驗驗證，受試者均不能在IOs內(nèi)給出 正確答案；F.幾何圖像旋轉(zhuǎn)。給受試者30s的時間去觀察一個特殊的三維幾何體，之后移除 圖像，讓受試者想象該幾何體沿著某一個軸去旋轉(zhuǎn)，采集這個想象過程中的腦電信號；G.打腹稿。讓受試者想象給一位朋友寫信，不能發(fā)出聲音，只在心里默默撰寫。每次實驗可從上次中止的地方開始，也就是要保證內(nèi)容不重復；H.視覺計數(shù)。受試者想象有一個黑板，在上面計數(shù)，寫完前一個數(shù)字后擦去，接著 寫下一個。整個過程受試者不能發(fā)出聲音，均為想象動作。(7)在國際標準10/20導聯(lián)電極放置系統(tǒng)定義下，選取C3，C4，P3，P4，01，02六個 導聯(lián)采集腦電信號，它們對稱的分布于大腦半球兩側(cè)。外加Al，A2作為參考電極，如圖2所 示。(8)對于四種不同的想象動作，分別采集持續(xù)IOs內(nèi)的腦電信號，采樣頻率是 256Hz。每組實驗重復10次，保證充足的數(shù)據(jù)量。2原始腦電信號的預處理在提取特征之前對原始腦電信號進行預處理分為兩個步驟(1)去噪，即去除眨眼等引入的噪聲。夾雜在原始腦電中的眨眼信號不具備識別能 力，屬于噪聲，應當將其去除。由于眨眼信號通常持續(xù)250ms，信號幅值在100-200 μ V之間， 而有用腦電信號的幅值遠小于此，故可通過一個100 μ V的低通濾波器將眨眼信號濾除。(2)濾波，即特定波段的選擇。本發(fā)明通過巴特沃斯濾波器對原始腦電信號進行了 濾波，僅保留其中與想象動作等思維活動最相關的α與β波段(8-30ΗΖ)進行研究。3腦電特征的提取與融合5. 3. 1單一通道特征提取——雙線性模型腦電信號中既有線性成分也有非線性成分。描述線性成分通常采用基于
ARMA (Auto-Regression and Moving Average)的模型
(1)即將采集的腦電信號視為有用信號和隨機噪聲的疊加，其中Ctl = 1，{ej表示噪 聲，Iai, i = 1，2，…，ρ}是未知的隨時間變化的系數(shù)。為了進一步挖掘腦電信號中可能存在的非線性成分，可將上述模型稍作引申，得 到如下表達形式
(2)其中，C。=1，IeJ 是噪聲，Iai, i = 1，2，…，ρ}，Ici, i = 1，2，…，q}以及 Ibij, i = 1,2, -,k;j = 1,2, -,m}是未知的隨時間變化的系數(shù)，也是我們所要提取的特征參 數(shù)?？梢钥吹?，⑵式是在⑴式的基礎上增加了
項，于是構成包含線性和 非線性成分的復合模型，記為BL(p，q, k，m)。為了簡化參數(shù)估計，本發(fā)明去掉了 MA部分，即采用以下簡化的BL(p，0，k, m)模 型
模型階數(shù)的確定通常利用信息理論準則，如本發(fā)明采用的AIC準則(Akaike InformationCriterion),表述如下
· 其中，
(5)N是數(shù)據(jù)的長度，M是模型的最大階數(shù)，(N-M)是用來計算似然函數(shù)的樣本數(shù)，r是 模型中的獨立參數(shù)。最優(yōu)階數(shù)r*是使得AIC (r)達最小時對應的階數(shù)。由此得到本發(fā)明所建立的模型的最優(yōu)階數(shù)組合為ρ = 8，k = 2，m = 3。對于給定 的(P，k，m)，借助標準最小二乘法的線性最小化來估計模型參數(shù){ai，bu}。這樣，通過ARMA 模型得到的特征參數(shù)共有84維(14*6)，其中每個通道的特征維數(shù)為14(8+2*3)。5. 3. 2跨(大腦半球)通道特征提取——線性復雜度對于C通道信號，線性復雜度的定義如下

‘ 其中
(7)即ε i是對Xi的標準化，而Xi是由C通道腦電信號協(xié)方差矩陣計算出的特征值。這里取C = 2，即衡量來自對側(cè)大腦半球的兩個通道腦電信號的線性復雜度。Ω 可以粗略的作為一種空間同步性的度量，Ω越大，表示通道之間信號的相關性程度越低，反 之亦然。對于本發(fā)明而言，六個腦電電極兩兩對稱，共有9種不同的組合(C〗 < C31),故該特 征維數(shù)為9。5. 3. 2特征融合策略將上述單一通道的特征和跨通道特征連接起來，構成93維(84+9)的融合特征，從 而更加全面的描述腦電信號中包含的具有可分性的個體信息。4信號后處理主成分分析(PCA)廣泛應用于數(shù)據(jù)降維算法中，作為一種有效的手段，它能夠在 保留原始大部分信息量的基礎上優(yōu)化重組。由原始腦電信號提取的特征維度較高，且包含 很多冗余信息，這些信息并不具有可分性，反而降低了識別效果，因而有必要對這些特征進 行篩選和優(yōu)化重組。
PCA降維過程的具體步驟可歸納如下(6)原始數(shù)據(jù)標準化為了消除數(shù)據(jù)間不同量綱、不同數(shù)量級的影響，需要對原始數(shù)據(jù)進行標準化處理， 使其具有可比性。本發(fā)明標準化的方法為矩陣中的每個元素減去所在列的均值，然后除以 所在列的標準差，使得每個變量標準化為均值為0，方差為1的矩陣X，即X = [X1, X2, . . . XJt = [XiJ] (nXp)(8)其中， γ、:= ·Γ<:· “ i = 1,2, ... η, j = 1,2, ... ρ (7)計算相關系數(shù)矩陣
(10) R是實對稱矩陣(即、.=1^)，其中rij(i，j = 1,2,...ρ)是標準化后的變量Xi, Xj的相關系數(shù)。其定義是變量協(xié)方差除以變量的標準差(方差)，計算公式為
( 11)式中
分別表示原矩陣中Xi和Xj列各向量的均值。(8)特征分解，求特征值與特征向量解特征方程lR-λΕ =0，求出相關系數(shù)矩陣R的特征值XJi = 1，2，...p)，并 將其按從大到小的順序排列，即X1Sλp;然后分別得到每個特征值Xi對應的 特征向量^(1 = l，2，...p)。(9)通過累計貢獻率確定主成分累計貢獻率的計算公式為 當累計貢獻率達到某一閾值(本發(fā)明取95%)時，將此時所有前m個特征值λ A2,... Am(m^p)以及它們對應的特征向量保留下來，作為主成分，其余的均舍棄。(10)計算得分矩陣主成分特征值所對應的特征向量U= [U1, U2，... UJ構成新的矢量空間，作為新變 量(主成分)的坐標軸，又稱為載荷軸。利用下式計算得分矩陣
(13)其中，X是原數(shù)據(jù)矩陣，U是主成分載荷，得分矩陣F即為PCA降維后所得到的最終 結果。它的每一行相當于原數(shù)據(jù)矩陣的所有行(即原始變量構成的向量)在主成分坐標軸 (載荷軸)上的投影，這些新的投影構成的向量就是主成分得分向量。通過上面的步驟可以看出，PCA算法通過幾個最大的主成分得分來近似反映原始數(shù)據(jù)陣的全部信息。這樣做不僅達到降維的目的，而且大大減小了數(shù)據(jù)間的相關性，使數(shù)據(jù) 得到優(yōu)化重組。經(jīng)PCA降維后，本發(fā)明提取的特征由原來的93維降到了 36維。5基于支持向量機(SVM)的身份識別 支持向量機(Support Vector Machines, SVM)通過結構風險最小化原則建模，將 期望風險降至最低，使其模型識別力顯著提高。該識別方法在解決小樣本、非線性及高維模 式識別問題中表現(xiàn)出許多特有的優(yōu)勢。支持向量機的主要思想是尋找一個滿足分類要求 的最優(yōu)分類超平面，使得該超平面在保證分類精度的同時，能夠使超平面的間隔最大化。從 理論上說，支持向量機能夠?qū)崿F(xiàn)對線性可分數(shù)據(jù)的最優(yōu)分類。步態(tài)識別是一個多類別的分類問題，支持向量機方法是針對二類別的分類而提出 的，不能直接應用于多類別分類問題。對于多類模式識別問題，支持向量機方法可通過兩類 問題的組合來實現(xiàn)。本發(fā)明采用“一對一”策略，即一個分類器每次完成二選一，該方法對N 類訓練數(shù)據(jù)兩兩組合，構建= A^V-l)/2個支持向量機。最后分類時采取“投票”方式?jīng)Q 定分類結果。假設待識別的步態(tài)有m類，記為S1, S2,…，Sm，每一類中隨機選取其中一個樣 本Su(其中i為類別，j為該類中的樣本序號)進行訓練，其它樣本Sit (j Φ t)用于測試。 測試時，將測試樣本Sit輸入到經(jīng)過訓練得到的分類器中，如果輸出為i，則將該樣本判為第 i類；如果輸出為j，則判定為識別錯誤。有益效果本發(fā)明提出的方案在40個樣本組成的數(shù)據(jù)庫上進行了測試，表1所示 為單一想象動作實驗的識別率結果表1單一想象動作 幾何圖像旋轉(zhuǎn) 87.2% 82.9% 85.6%~
打腹稿92.4% 88.3% 90.2%~
視覺計數(shù) 89. 7% 85. 8% 87. 5%結果表明，四種想象動作以“打腹稿”的識別效果最好。表2所示為四中想象動作 結合起來得到的識別率結果表2四種想象動作結合 結果表明，多種想象動作結合起來識別效果較之單一想象動作有顯著的提高。想象動作腦電與個體的思維活動密切相關，攜帶著個體可分性的信息，實驗得到 的識別率結果驗證了其能夠作為一種生物特征用于身份識別的可行性。由于個體的思維活 動存在差異，對于不同的想象動作表現(xiàn)出不同的敏感程度，所以將多種想象動作結合起來會進一步改善識別效果。腦電不僅能用于病理分析和醫(yī)療診斷，而且作為一種有效的生物特征，它的產(chǎn)生 與人的思維活動密切相關，表現(xiàn)出高度的個體依賴性。作為腦電中的一種，想象動作腦電 是在個體想象某種動作或進行特定的思維活動時產(chǎn)生的腦電信號，體現(xiàn)著明顯的個體差異 性。
基于此，本發(fā)明提出一種新的基于想象動作腦電的身份識別方法，是對傳統(tǒng)腦電 應用領域(如腦機接口技術)的拓展，也為生物特征識別開啟新的思路。該項發(fā)明可彌補 傳統(tǒng)生物特征識別技術的不足，因其高精度和難以復制等顯著優(yōu)勢，作為一種有力的補充， 可集成應用于軍事領域或某些高安全性要求的機構和場所，創(chuàng)造更為安全和諧的社會生活 環(huán)境，并有望獲得可觀的社會效益和公共安全服務的提升。最佳實施方案擬采用專利轉(zhuǎn)讓、 技術合作或產(chǎn)品開發(fā)。
權利要求
一種基于融合特征的想象動作腦電身份識別方法，其特征是，包括下列步驟在受試者執(zhí)行想象動作的過程中，采集相應的腦電信號；經(jīng)過去噪等預處理后，分別提取單一通道的腦電特征和大腦半球?qū)?cè)跨通道腦電特征，將二者進行融合；隨后對融合特征進行降維操作以優(yōu)化重組；最后送入分類器進行分類學習與測試，達到身份識別的目的。
2.根據(jù)權利要求1所述的一種基于融合特征的想象動作腦電身份識別方法，其特征 是，所述在受試者執(zhí)行想象動作的過程中，采集相應的腦電信號，包括下列步驟(1)受試者佩戴電極帽，選擇舒適的姿勢坐在椅子上；(2)受試者共進行四種不同的想象動作，分別是A.數(shù)學計算，給受試者一道普通的乘法計算題，如56*78，要求受試者在心中默算其結 果，此過程中不能發(fā)聲或有任何其他身體運動；B.幾何圖像旋轉(zhuǎn)，給受試者30s的時間去觀察一個特殊的三維幾何體，之后移除圖像， 讓受試者想象該幾何體沿著某一個軸去旋轉(zhuǎn)，采集這個想象過程中的腦電信號；C.打腹稿，讓受試者想象給一位朋友寫信，不能發(fā)出聲音，只在心里默默撰寫，每次實 驗可從上次中止的地方開始，也就是要保證內(nèi)容不重復；D.視覺計數(shù)，受試者想象有一個黑板，在上面計數(shù)，寫完前一個數(shù)字后擦去，接著寫下 一個，整個過程受試者不能發(fā)出聲音，均為想象動作；(3)在國際標準10/20導聯(lián)電極放置系統(tǒng)定義下，選取C3，C4，P3，P4，01，02六個導聯(lián) 采集腦電信號，C3，P3，01分布于大腦半球一側(cè)，C4，P4，02對稱的分布于大腦半球另一側(cè)， 外加A1，A2作為參考電極；(4)對于四種不同的想象動作，分別采集持續(xù)10s內(nèi)的腦電信號，采樣頻率是256Hz；每 組實驗重復10次，保證充足的數(shù)據(jù)量。
3.根據(jù)權利要求1所述的一種基于融合特征的想象動作腦電身份識別方法，其特征 是，所述分別提取單一通道的腦電特征和大腦半球?qū)?cè)跨通道腦電特征，將二者進行融合， 進一步的細化步驟是單一通道的特征提取步驟為對經(jīng)過去噪等預處理后的腦電信號采用簡化的BL(p，0， k，m)模型進行描述其中，&是由有用信號，{et}是噪聲，{ ，i = 1，2，…，p}，{Ci，i = 1，2，…，q}以及 {b^., i = 1,2,…，k ； j = 1,2,…，m}是未知的隨時間變化的系數(shù)，也是所要提取的特征 參數(shù)；采用的AIC準則，AIC為Akaike Information Criterion的縮寫，表述如下 AJL.:,;';= ；A — .■ ]；.C2C； _(4)其中， 2 (5)N是數(shù)據(jù)的長度，M是模型的最大階數(shù)，(N-M)是用來計算似然函數(shù)的樣本數(shù)，r是BL(p， 0，k，m)模型中的獨立參數(shù)，最優(yōu)階數(shù)r*是使得AIC(r)達最小時對應的階數(shù)，進而得到 BL(p, 0，k，m)模型的最優(yōu)階數(shù)組合，然后借助標準最小二乘法的線性最小化來估計模型參 數(shù){aj, bij}；大腦半球?qū)?cè)跨通道腦電特征線性復雜度提取采取的步驟是，所述在受試者執(zhí)行想象 動作的過程中，采集相應的腦電信號，是在國際標準10/20導聯(lián)電極放置系統(tǒng)定義下，選取 C3，C4，P3，P4，01，02六個導聯(lián)采集腦電信號，C3，P3，01分布于大腦半球一側(cè)，C4，P4，02 對稱的分布于大腦半球另一側(cè)，對于C通道信號，線性復雜度的定義如下 其中弋 即I是對、的標準化，而\ i是由C通道腦電信號協(xié)方差矩陣計算出的特征值， 這里取C = 2，即衡量來自對側(cè)大腦半球的兩個通道腦電信號的線性復雜度； 將上述單一通道的特征和跨通道特征連接起來，構成維數(shù)是單一通道的特征維數(shù)與跨 通道特征的維數(shù)之和的融合特征。
4.根據(jù)權利要求1所述的一種基于融合特征的想象動作腦電身份識別方法，其特征 是，所述降維操作以優(yōu)化重組包括如下步驟 (1)原始數(shù)據(jù)標準化矩陣中的每個元素減去所在列的均值，然后除以所在列的標準差，使得每個變量標準 化為均值為0，方差為1的矩陣X，即 其中， (2)計算相關系數(shù)矩陣 R是實對稱矩陣(即= rji)，其中rij(i，j = 1，2，...，p}是標準化后的變量X” Xj 的相關系數(shù)，其定義是變量協(xié)方差除以變量的標準差(方差)，計算公式為 式中 分別表示原矩陣中xi和Xj列各向量的均值；(3)特征分解，求特征值與特征向量解特征方程|R-入E| =0，求出相關系數(shù)矩陣R的特征值、(i = 1，2，...p)，并將其 按從大到小的順序排列，即、>然后分別得到每個特征值、對應的特征向量 Ui(i = 1,2, ... p),(4)通過累計貢獻率確定主成分 累計貢獻率的計算公式為 當累計貢獻率達到某一閾值(本發(fā)明取95%)時，將此時所有前m個特征值入” 入2，... Affl(m^p)以及它們對應的特征向量保留下來，作為主成分，其余的均舍棄； (5)計算得分矩陣主成分特征值所對應的特征向量U= U2，. . . UJ構成新的矢量空間，作為新變量 (主成分)的坐標軸，又稱為載荷軸，利用下式計算得分矩陣F{nXm} = X{nXp}，U{pXm}(13)其中，X是原數(shù)據(jù)矩陣，U是主成分載荷，得分矩陣F即為PCA降維后所得到的最終結果。
全文摘要
本發(fā)明涉及腦電身份識別領域。為提供一種可實現(xiàn)將想象動作模式下的腦電信號作為一種生物特征來實現(xiàn)身份識別，準確性高，迅速快捷。為達到上述目的，本發(fā)明采用的技術方案是基于融合特征的想象動作腦電身份識別方法，包括下列步驟在受試者執(zhí)行想象動作的過程中，采集相應的腦電信號；經(jīng)過去噪等預處理后，分別提取單一通道的腦電特征和大腦半球?qū)?cè)跨通道腦電特征，將二者進行融合；隨后對融合特征進行降維操作以優(yōu)化重組；最后送入分類器進行分類學習與測試，達到身份識別的目的。本發(fā)明主要應用于腦電身份識別。
文檔編號A61B5/117GK101862194SQ20101020075
公開日2010年10月20日 申請日期2010年6月17日 優(yōu)先權日2010年6月17日
發(fā)明者萬柏坤, 任玥, 明東, 白艷茹, 綦宏志, 許敏鵬 申請人:天津大學