[发明专利]一种具备排他性的脑电身份识别方法

说明书

技术领域

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CN 201010193832.1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。

发明内容

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ε_t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p_i(1≤i≤k)，取估计的阶p＝min(p_i)。