專利名稱：基于二階盲辨識的腦電信號識別方法
技術(shù)領(lǐng)域：
本技術(shù)發(fā)明屬于生物醫(yī)學(xué)工程和信息技術(shù)領(lǐng)域。 技術(shù)背景
身份識別及驗(yàn)證是是保證國家公共安全和信息安全的重要前提。在國家安 全、公安、司法、電子商務(wù)、電子政務(wù)、安全檢査、保安監(jiān)控等應(yīng)用領(lǐng)域，都 需要準(zhǔn)確的身份識別及鑒定。傳統(tǒng)的身份標(biāo)識物品(如鑰匙、證件、銀行卡) 等的驗(yàn)證方法；另一類為基于身份標(biāo)示知識(如用戶名、密碼等)的驗(yàn)證方法。 但是，標(biāo)示物品容易遺失或假冒，標(biāo)示知識容易遺忘或破譯。生物特征識別技 術(shù)給這一愿望帶來了實(shí)現(xiàn)的可能。人們可能會遺忘或丟失他們的卡片或密碼， 但絕對不會遺忘或者丟失自己的生物特征，如人臉、指紋、虹膜、掌紋、腦電 波等。因此，基于生物特征識別技術(shù)的個(gè)人身份識別系統(tǒng)具有更好的安全性、 可靠性和有效性，正越來越受到人們的重視，并開始進(jìn)入我們社會生活的各個(gè) 領(lǐng)域，迎接新時(shí)代的挑戰(zhàn)。自20世紀(jì)80年代末90年代初，隨著信息安全重 要性的日益突出，生物特征識別技術(shù)研究開始成為一個(gè)研究熱點(diǎn)。生物特征識 別技術(shù)(Biometrics)是指通過計(jì)算機(jī)與光學(xué)、聲學(xué)、生物傳感器和生物統(tǒng)計(jì)學(xué)
原理等高科技手段密切結(jié)合，利用人體固有的生理特性(如指紋、人臉、虹膜、 腦電波、脈搏等)或行為特征(如筆跡、語音、步態(tài)等)來進(jìn)行個(gè)人身份的認(rèn)證。 生物特征識別技術(shù)具有不會遺忘、不易偽造或被盜、隨身攜帶和隨時(shí)隨地可用 等優(yōu)點(diǎn)，比傳統(tǒng)的身份認(rèn)證方法更加安全、保密、方便。能夠用來鑒定和認(rèn)證 身份的生物特征應(yīng)該具有普遍性、唯一性、穩(wěn)定性和可采集性等特點(diǎn)。目前， 比較成熟和最具有應(yīng)用前景的幾種生物特征識別技術(shù)包括指紋、人臉、人臉溫 譜圖、虹膜、視網(wǎng)膜、手型、聲紋以及簽名等。其中，虹膜識別和指紋識別被 公認(rèn)為最可靠的兩種生物識別技術(shù)。
人的任何生理或行為特征只要它滿足以下的條件，原則上就可以作為生物 特征用于身份鑒別(1)普遍性，每個(gè)人都有；(2)唯一性，每個(gè)人都不同； (3)穩(wěn)定性，在某一段時(shí)間是不變的；(4)可采集性，可以方便的定量測量。 當(dāng)然，僅僅滿足以上的條件未必可行，實(shí)際的系統(tǒng)還應(yīng)該考慮(1)性能，即 識別的準(zhǔn)確性、速度、魯棒性以及為達(dá)到要求所需要的資源；(2)可接受性， 人們對這種生物識別的接受程度；(3)可欺騙性，能否通過主觀欺詐的方法騙 過系統(tǒng)的難易程度。
目前常用的生物識別技術(shù)存在這樣或那樣的問題，例如人臉識別對于雙胞胎無能為力；聲紋識別容易模仿；指紋識別會受手指受傷的影響，同時(shí)也容易 盜用。腦電(EEG)信號不僅是一個(gè)非常有用的臨床診斷工具，而且也是一種 很好的用于身份認(rèn)證的生物特征識別工具。首先，它具備普遍性，每個(gè)人都有 腦電波；其次由于每個(gè)人的大腦特性、思維方式、記憶等不同造成人與人之間 存在不同的EEG信號；第三，EEG也具備一定的穩(wěn)定性，在一定時(shí)間內(nèi)，EEG 信號可以保持相對的穩(wěn)定性，最后，EEG信號便于采集?；贓EG信號的生物 識別系統(tǒng)能夠達(dá)到一定的準(zhǔn)確性和較快的速度，并且對人體不會產(chǎn)生任何傷 害，人們也能接受。由于EEG信號來源于大腦的思維活動，難以偽造，系統(tǒng)的 魯棒性很高。對人腦的腦電信號研究分析表明，不同個(gè)體在不同的腦區(qū)會產(chǎn)生 不同的神經(jīng)脈沖反應(yīng)，根據(jù)這種腦電信號不同，可以提取出個(gè)體的腦電信號特 征，利用設(shè)定的分類算法，能使得腦電信號具備個(gè)體特異性?；谝陨戏治?， 基于腦電的生物身份識別系統(tǒng)是一種新的有應(yīng)用前景的身份鑒別系統(tǒng)。

發(fā)明內(nèi)容
本發(fā)明利用對運(yùn)動想象腦電信號的分類，實(shí)現(xiàn)對受試者的身份識別，只采 用與運(yùn)動想象有關(guān)的電極信號進(jìn)行數(shù)據(jù)分析，采用經(jīng)研究對運(yùn)動想象腦電信號 十分有效的信號處理及特征抽取方^~一二階盲辨識和Fisher距離來提取特 征，借助神經(jīng)網(wǎng)絡(luò)進(jìn)行特征分類，從而實(shí)現(xiàn)身份的識別。該方法適合包括身體 殘疾，視覺缺陷等各類人群，有較好適用性。
本發(fā)明包含以下步驟
步驟l、受試者帶上電極帽，原始腦電(EEG)信號是通過64導(dǎo)符合國際 腦電圖學(xué)會標(biāo)定的10/20法的EEG放大器采集，采樣率為250Hz，以左側(cè)乳突 為參考電極，帶通濾波器通頻帶為l-50Hz，選取6個(gè)電極采集腦電信號(也就 是國際腦電圖學(xué)會標(biāo)定的10/20國際標(biāo)準(zhǔn)中的C3， C4， P3， P4， 01和02共6 個(gè)電極位置)，采集不同運(yùn)動想象過程的受試者腦電信號。
步驟2、在計(jì)算機(jī)屏幕上根據(jù)設(shè)定好的刺激程序(提示受試者開始想象運(yùn) 動)，受試者根據(jù)實(shí)驗(yàn)要求，做出四類不同的運(yùn)動想象(想象左手運(yùn)動、右手 運(yùn)動、腿動和舌動)。受試者經(jīng)過訓(xùn)練，熟悉實(shí)驗(yàn)過程。
因?yàn)槊總€(gè)人對不同運(yùn)動想象的適應(yīng)性是不同的，我們在學(xué)習(xí)過程中讓受試 者嘗試四種不同的運(yùn)動想象類型，通過學(xué)習(xí)和測試，我們就能夠決定哪一種運(yùn) 動想象類型最適合。例如，當(dāng)受試者通過學(xué)習(xí)和測試后，我們發(fā)現(xiàn)想象舌動的 識別率比其他三種運(yùn)動想象類型的識別率要高，我們就認(rèn)為可能這位受試者更 適合與想象舌動，在今后的使用中只需想象舌動即可，無需想象其他運(yùn)動了。
步驟3、將采集到的腦電信號進(jìn)行預(yù)處理。首先對獲取的腦電信號進(jìn)行篩 選，排除一部分明顯異常的腦電信號，然后對剩下的腦電信號進(jìn)行去眼電、去偽跡、基線校正、線性校正等預(yù)處理，經(jīng)過預(yù)處理后的腦電信號將進(jìn)一步的信 號處理。
步驟4、腦電信號處理。經(jīng)過預(yù)處理的腦電信號中仍然包含很多無關(guān)的誘 發(fā)電位和背景噪聲，因此空間分辨率和信噪比很低，為了從背景噪聲中識別有 用的信號，必需進(jìn)行進(jìn)一步處理，本發(fā)明采用一種盲源分離算法——二階盲辨
識來對腦電信號進(jìn)行進(jìn)一步處理，其具體算法如下
令x(t)的n個(gè)列向量對應(yīng)n個(gè)電極的連續(xù)時(shí)間腦電信號，貝l」Xi(t)對應(yīng)第i個(gè) 電極的腦電信號。每一個(gè)Xi(t)都可以看成是n個(gè)源Si(t)的線性瞬時(shí)混合，混合 矩陣為A，則
<formula>formula see original document page 6</formula> SOBI僅僅利用傳感器測量得到的腦電信號x(t)，得到近似于A—汾解矩陣W，
使得<formula>formula see original document page 6</formula>
為恢復(fù)的連續(xù)時(shí)間源信號。
SOBI算法有兩個(gè)步驟首先對腦電信號進(jìn)行零均值化，如下式所示
<formula>formula see original document page 6</formula>
尖括號〈，〉表示時(shí)間平均，因此y的均值為零。矩陣B的取值使得y的相關(guān)矩陣
〈柳w:O為單位矩陣，其值由下式給出
<formula>formula see original document page 6</formula> 其中入i為相關(guān)矩陣<formula>formula see original document page 6</formula>的特征值，U的各列則為其對應(yīng)的 特征向量。
第二步，構(gòu)造一組對角矩陣選取一組時(shí)間延遲t，計(jì)算信號y(t)和它的 時(shí)間延遲信號y (t+ t )的對稱化相關(guān)矩陣
<formula>formula see original document page 6</formula>
其中
<formula>formula see original document page 6</formula>這是一個(gè)將不對稱矩陣轉(zhuǎn)變?yōu)橄嚓P(guān)的對稱矩陣的函數(shù)。對稱化的過程丟失 了一些信息，但卻提供了有效的解決方法。
計(jì)算完RT，再對RT進(jìn)行對角化通過旋轉(zhuǎn)矩陣V，運(yùn)用迭代法，使得
<formula>formula see original document page 6</formula>
取得極小值，則分離矩陣的估計(jì)
<formula>formula see original document page 6</formula>步驟5、特征提取為了進(jìn)行分類，首先要進(jìn)行特征提取。特征提取，就是要在所有數(shù)據(jù)中提
取出能區(qū)分樣本類型的數(shù)據(jù)點(diǎn)，即特征點(diǎn)，本發(fā)明采用Fisher距離來確定特征。 在分類研究中，F(xiàn)isher距離常常被用來表示類型間的差異，F(xiàn)isher距離的大小 與類型間的區(qū)分度成正比，若是類型間區(qū)分度較大，即差異明顯，則fisher距 離較大，否則，F(xiàn)isher距離較小。
兩類間的Fisher距離計(jì)算公式如下
i^(、，)2 (9)
其中F表示Fisher距離，//和a分別為均(^^y方差，下標(biāo)l、 2則分別代表兩個(gè)不 同的類。
對于三類或以上的情況，可以將Fisher距離公式進(jìn)行推廣，如下
F — (A - A)2 +C"i - A"十…+ d -/Q2 (10)
對于每一個(gè)數(shù)據(jù)點(diǎn)，F(xiàn)isherSfi+商^小^fe了該數(shù)據(jù)點(diǎn)作為特征對分類的 貢獻(xiàn)度，F(xiàn)isher距離越大的點(diǎn)，在分類中的貢獻(xiàn)越大。
特征點(diǎn)個(gè)數(shù)的多少與最終識別率、算法復(fù)雜程度和識別速率密切相關(guān)，特 征點(diǎn)過多或過少，都會影響識別率，使識別率降低，另外特征點(diǎn)越多，算法越 復(fù)雜，識別越慢；反之，特征點(diǎn)越少，算法越簡單，識別越快。因此，特征點(diǎn) 的數(shù)量對最終的性能影響非常大。經(jīng)過反復(fù)測試發(fā)現(xiàn)，特征提取，采用Fisher 距離來確定特征，對每根電極的數(shù)據(jù)提取8-12個(gè)特征點(diǎn)，總共48—72個(gè)特征 點(diǎn)；能夠達(dá)到較高的識別率，而且識別速度也不慢，算法復(fù)雜度一般。
步驟6、使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類學(xué)習(xí)與測試。BP神經(jīng)網(wǎng)絡(luò)輸入層共60 個(gè)單元，隱含層10個(gè)單元，輸出層l個(gè)單元。將上述60個(gè)特征作為BP神經(jīng) 網(wǎng)絡(luò)的輸入層，把每個(gè)受試者每次運(yùn)動想象的腦電信號通過步驟5提取出的特 征輸入到輸入層，每個(gè)受試者學(xué)習(xí)過程有20個(gè)數(shù)據(jù)(四種運(yùn)動想象類型各5 個(gè))，通過學(xué)習(xí)過程我們確定了神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù)。測試過程也有20個(gè)數(shù)據(jù)， 通過測試過程，我們可以確定適合該受試者的運(yùn)動想象類型(識別率最高)。
步驟7、將未知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行識別和認(rèn)證。受試者通過上 述步驟l-6后，確定了 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和適合他(她)的運(yùn)動想象類型，此 時(shí)就可以進(jìn)行識別和認(rèn)證了。受試者戴上電極帽，按照步驟2開始運(yùn)動想象(只 需步驟6中確定的最適合的一種運(yùn)動想象類型)，采集腦電信號，預(yù)處理后， 按照步驟5介紹的算法提取60個(gè)特征量，將提取的特征量輸入到步驟6確定 的神經(jīng)網(wǎng)絡(luò)中。如果是識別，則神經(jīng)網(wǎng)絡(luò)輸出受試者的編碼；如果是認(rèn)證，則 神經(jīng)網(wǎng)絡(luò)輸出則改為是否該受試者(0或1)。
本發(fā)明所述的識別指的是從若干個(gè)受試者中選擇這段腦電信號是哪一個(gè) 受試者的；而認(rèn)證過程則為確定這段腦電信號是否是某位受試者的，前者是選擇題，而后者是判斷題。
本發(fā)明使用的是腦電信號，是對腦電信號進(jìn)行信息特征提取，使用的方法 是通過大腦想象各種不同的運(yùn)動方式，對其進(jìn)行特征提取和分類，從而實(shí)現(xiàn)通 過腦電信號對個(gè)體身份進(jìn)行識別或認(rèn)證的過程。把腦電信號作為身份識別，提 供一種新型的密碼系統(tǒng)，既能解決某些殘疾人不能完成日常身份識別的問題， 也可以用于在對身份識別有較高要求的場合。
本方法的創(chuàng)新點(diǎn)有
1、 采用腦電信號作為身份識別的輸入信號，不同于以往的指紋、虹膜 等。
2、 采集了基于運(yùn)動想象的腦電信號，也就是受試者在想象四種運(yùn)動時(shí) 所產(chǎn)生的腦電信號，當(dāng)然也適用于其他腦電信號(比如視覺誘發(fā)電位、 事件誘發(fā)電位等)。
3、 采用了二階盲辨識及Fisher距離對腦電信號進(jìn)行信息提取。
4、 同時(shí)實(shí)現(xiàn)了識別和認(rèn)證功能。識別指的是從若干個(gè)人的腦電信號中 判斷是誰的腦電信號，而認(rèn)證指的是判斷某一腦電信號是否是目標(biāo)者的 腦電信號。
5、 針對不同受試者的特點(diǎn)，自動選擇適合受試者的運(yùn)動想象類型。


圖l電極的選取示意圖，
圖2基于腦電信號的身份識別系統(tǒng)特征提取流程圖， 圖3基于腦電信號的身份識別流程圖。
具體實(shí)施例方式
本發(fā)明方法，在腦電信號身份識別系統(tǒng)中，用來實(shí)現(xiàn)對個(gè)體身份的識別， 按附圖1、 2、 3?？梢酝ㄟ^下列步驟實(shí)現(xiàn)-
步驟l、受試者帶上電極帽，原始腦電(EEG)信號是通過64導(dǎo)符合國際 腦電圖學(xué)會標(biāo)定的10/20法的EEG放大器采集，采樣率為250Hz,以左側(cè)乳突 為參考電極，帶通濾波器通頻帶為l-50Hz,選取6個(gè)電極采集腦電信號，具體 電極位置如圖1所示。也就是國際腦電圖學(xué)會標(biāo)定的10/20國際標(biāo)準(zhǔn)中的C3， C4， P3， P4， 01和02共6個(gè)電極位置，采集不同運(yùn)動想象過程的受試者腦電 信號。
步驟2、在計(jì)算機(jī)屏幕上根據(jù)設(shè)定好的刺激程序(提示受試者開始想象運(yùn) 動)，受試者根據(jù)實(shí)驗(yàn)要求，做出四類不同的運(yùn)動想象(想象左手運(yùn)動、右手 運(yùn)動、腿動和舌動)。受試者經(jīng)過訓(xùn)練，熟悉實(shí)驗(yàn)過程。
步驟3、將采集到的腦電信號進(jìn)行預(yù)處理。首先對獲取的腦電信號進(jìn)行篩
8選，排除一部分明顯異常的腦電信號，然后對剩下的腦電信號進(jìn)行去眼電、去 偽跡、基線校正、線性校正等預(yù)處理，經(jīng)過預(yù)處理后的腦電信號將進(jìn)一步的信 號處理。
步驟4、腦電信號處理。經(jīng)過預(yù)處理的腦電信號中仍然包含很多無關(guān)的誘 發(fā)電位和背景噪聲，因此空間分辨率和信噪比很低，為了從背景噪聲中識別有 用的信號，必需進(jìn)行進(jìn)一步處理，本發(fā)明采用一種盲源分離算法一二階盲辨 識來對腦電信號進(jìn)行進(jìn)一步處理，其具體算法如下
令x(t)的n個(gè)列向量對應(yīng)n個(gè)電極的連續(xù)時(shí)間腦電信號，貝ljx,(t)對應(yīng)第i個(gè) 電極的腦電信號。每一個(gè)Xi(t)都可以看成是n個(gè)源Si(t)的線性瞬時(shí)混合，混合 矩陣為A，則
柳=鄉(xiāng)) (1) SOBI僅僅利用傳感器測量得到的腦電信號x(t〉，得到近似于廣分解矩陣W，
使得
柳=, (2)
為恢復(fù)的連續(xù)時(shí)間源信號。
SOBI算法有兩個(gè)步驟首先對腦電信號進(jìn)行零均值化，如下式所示
贈=5 )》 (3) 尖括號〈，〉表示時(shí)間平均，因此y的均值為零。矩陣B的取值使得y的相關(guān)矩陣 〈W)W)"為單位矩陣，其值由下式給出
5^flg(義廣， (4) 其中入i為相關(guān)矩陣〈(x(0-^)》wo-〈w)〉)0的特征值，U的各列則為其對應(yīng)的 特征向量。
第二步，構(gòu)造一組對角矩陣選取一組時(shí)間延遲T，計(jì)算信號y(t)和它的
時(shí)間延遲信號7(1+ t )的對稱化相關(guān)矩陣
& ,附((y(輔+ i"f〉) (5)
其中
，(M) = (M + Mr)/2 (6) 這是一個(gè)將不對稱矩陣轉(zhuǎn)變?yōu)橄嚓P(guān)的對稱矩陣的函數(shù)。對稱化的過程丟失 了一些信息，但卻提供了有效的解決方法。
計(jì)算完RT，再對RT進(jìn)行對角化通過旋轉(zhuǎn)矩陣V，運(yùn)用迭代法，使得
s;(r及,)〗. (7) 取得極小值，則分離矩陣的估計(jì)
『=(8)步驟5、特征提取
為了進(jìn)行分類，首先要進(jìn)行特征提取。特征提取，就是要在所有數(shù)據(jù)中提 取出能區(qū)分樣本類型的數(shù)據(jù)點(diǎn)，即特征點(diǎn)，本發(fā)明采用Fisher距離來確定特征。 在分類研究中，F(xiàn)isher距離常常被用來表示類型間的差異，F(xiàn)isher距離的大小 與類型間的區(qū)分度成正比，若是類型間區(qū)分度較大，即差異明顯，則fisher距 離較大，否則，F(xiàn)isher距離較小。
兩類間的Fi sher距離計(jì)算公式如下
jt,C)2 (9) 其中F表示Fisher距離，//和c7分別為均^lf方差，下標(biāo)l、 2則分別代表兩個(gè)不 同的類。
對于三類或以上的情況，可以將Fisher距離公式進(jìn)行推廣，如下
對于每一個(gè)數(shù)據(jù)點(diǎn)，F(xiàn)isher足fi，^小y^了該數(shù)據(jù)點(diǎn)作為特征對分類的 貢獻(xiàn)度，F(xiàn)isher距離越大的點(diǎn)，在分類中的貢獻(xiàn)越大。
特征點(diǎn)個(gè)數(shù)的多少與最終識別率、算法復(fù)雜程度和識別速率密切相關(guān)，特 征點(diǎn)過多或過少，都會影響識別率，使識別率降低，另外特征點(diǎn)越多，算法越 復(fù)雜，識別越慢；反之，特征點(diǎn)越少，算法越簡單，識別越快。因此，特征點(diǎn) 的數(shù)量對最終的性能影響非常大。經(jīng)過反復(fù)測試發(fā)現(xiàn)，特征提取，采用Fisher 距離來確定特征，對每根電極的數(shù)據(jù)提取10個(gè)特征點(diǎn)，總共60個(gè)特征點(diǎn)；能 夠達(dá)到較高的識別率，而且識別速度也不慢，算法復(fù)雜度一般。
步驟6、按照圖2所示的流程提取每個(gè)受試者的腦電信號特征，通過BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和識別，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和運(yùn)動想象類型，訓(xùn)練過程結(jié)束。BP 神經(jīng)網(wǎng)絡(luò)輸入層共60個(gè)單元，隱含層10個(gè)單元，輸出層1個(gè)單元。將上述60 個(gè)特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入層，把每個(gè)受試者每次運(yùn)動想象的腦電信號通 過步驟5提取出的特征輸入到輸入層，每個(gè)受試者學(xué)習(xí)過程有20個(gè)數(shù)據(jù)(四 種運(yùn)動想象類型各5個(gè))，通過學(xué)習(xí)過程我們確定了神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù)。測 試過程也有20個(gè)數(shù)據(jù)，通過測試過程，我們可以確定適合該受試者的運(yùn)動想 象類型(識別率最高)。
步驟7、按照圖3所示的流程對每個(gè)受試者的身份進(jìn)行識別和認(rèn)證。將未 知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行識別和認(rèn)證。受試者通過上述步驟l-6后，確 定了 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和適合他(她)的運(yùn)動想象類型，此時(shí)就可以進(jìn)行識別 和認(rèn)證了。受試者戴上電極帽，按照步驟2開始運(yùn)動想象(只需步驟6中確定 的最適合的一種運(yùn)動想象類型)，采集腦電信號，預(yù)處理后，按照步驟5介紹 的算法提取60個(gè)特征量，將提取的特征量輸入到步驟6確定的神經(jīng)網(wǎng)絡(luò)中。
10如果是識別，則神經(jīng)網(wǎng)絡(luò)輸出受試者的編碼；如果是認(rèn)證，則神經(jīng)網(wǎng)絡(luò)輸出則 改為是否該受試者(0或1)。
目前國外的一些研究主要以視覺剌激或肌電作為特征源，本研究以運(yùn)動想 象腦電信號作為身份識別，能適合殘疾等各種人群，有較好的適應(yīng)性。在方法 上，采用二階盲辨識進(jìn)行信號處理，并采用Fisher距離來提取特征。從結(jié)果 可以看出，想象舌動腦電信號識別率最高，達(dá)到88. 1%，四種想象運(yùn)動腦電信 號平均識別率在82. 8%，識別率較國外的其它方法高出5個(gè)百分點(diǎn)左右。
權(quán)利要求
1、基于二階盲辨識的腦電信號識別方法，其特征在于本發(fā)明包含以下步驟步驟(1)、受試者帶上電極帽，原始腦電信號是通過64導(dǎo)符合國際腦電圖學(xué)會標(biāo)定的10/20法的EEG放大器采集，采樣率為250Hz，以左側(cè)乳突為參考電極，帶通濾波器通頻帶為1-50Hz，選取6個(gè)電極采集腦電信號，6個(gè)電極是國際腦電圖學(xué)會標(biāo)定的10/20國際標(biāo)準(zhǔn)中的C3，C4，P3，P4，O1和O2 6個(gè)電極位置，采集不同運(yùn)動想象過程的受試者腦電信號；步驟(2)、在計(jì)算機(jī)屏幕上根據(jù)設(shè)定好的刺激程序，提示受試者開始想象運(yùn)動，受試者根據(jù)實(shí)驗(yàn)要求，做出四類不同的運(yùn)動想象，想象左手運(yùn)動、右手運(yùn)動、腿動和舌動，受試者經(jīng)過訓(xùn)練，熟悉實(shí)驗(yàn)過程；步驟(3)、將采集到的腦電信號進(jìn)行預(yù)處理，首先對獲取的腦電信號進(jìn)行篩選，排除一部分明顯異常的腦電信號，然后對剩下的腦電信號進(jìn)行去眼電、去偽跡、基線校正、線性校正預(yù)處理；步驟(4)、腦電信號處理，經(jīng)過預(yù)處理的腦電信號中仍然包含很多無關(guān)的誘發(fā)電位和背景噪聲，采用盲源分離算法中的二階盲辨識來對腦電信號進(jìn)行進(jìn)一步處理；步驟(5)、特征提取，采用Fisher距離來確定特征，對每根電極的數(shù)據(jù)提取8-12個(gè)特征點(diǎn)，總共48--72個(gè)特征點(diǎn)；步驟(6)、使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類學(xué)習(xí)與測試。我們可以確定適合該受試者的運(yùn)動想象類型；步驟(7)、將未知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行識別和認(rèn)證。受試者通過上述步驟1-6后，確定了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和適合的運(yùn)動想象類型，此時(shí)就可以進(jìn)行識別和認(rèn)證了，受試者戴上電極帽，按照步驟2開始運(yùn)動想象，只需步驟6中確定的最適合的一種運(yùn)動想象類型，采集腦電信號，預(yù)處理后，按照步驟5介紹的算法提取特征量，將提取的特征量輸入到步驟6確定的神經(jīng)網(wǎng)絡(luò)中。如果是識別，則神經(jīng)網(wǎng)絡(luò)輸出受試者的編碼；如果是認(rèn)證，則神經(jīng)網(wǎng)絡(luò)輸出則改為是否該受試者。
2、如權(quán)利要求1所述的基于二階盲辨識的腦電信號識別方法，其特征在于步驟(4)、腦電信號處理的具體算法如下令x(t)的n個(gè)列向量對應(yīng)n個(gè)電極的連續(xù)時(shí)間腦電信號，則Xi(t)對應(yīng)第i個(gè)電極的腦電信號。每一個(gè)Xi(t)都可以看成是n個(gè)源Si(t)的線性瞬時(shí)混合，混合矩陣為A，則x(0 = W) (1) SOBI僅僅利用傳感器測量得到的腦電信號x(t)，得到近似于A—t分解矩陣W， 使得 <formula>formula see original document page 3</formula>為恢復(fù)的連續(xù)時(shí)間源信號，SOBI算法有兩個(gè)步驟首先對腦電信號進(jìn)行零均值化，如下式所示<formula>formula see original document page 3</formula>尖括號〈，〉表示時(shí)間平均，因此y的均值為零。矩陣B的取值使得y的相關(guān)矩陣 〈洲W)。為單位矩陣，其值由下式給出，<formula>formula see original document page 3</formula>其中入i為相關(guān)矩陣〈(剛-〈x(O〉)0^)-〈柳〉f〉的特征值，U的各列則為其對應(yīng)的 特征向量，第二步，構(gòu)造一組對角矩陣選取一組時(shí)間延遲t，計(jì)算信號y(t)和它的 時(shí)間延遲信號y (t+ t )的對稱化相關(guān)矩陣<formula>formula see original document page 3</formula> 其中 ，<formula>formula see original document page 3</formula>這是一個(gè)將不對稱矩陣轉(zhuǎn)變?yōu)橄嚓P(guān)的對稱矩陣的函數(shù)。對稱化的過程丟失 了一些信息，但卻提供了有效的解決方法，計(jì)算完RT，再對RT進(jìn)行對角化通過旋轉(zhuǎn)矩陣V，運(yùn)用迭代法，使得<formula>formula see original document page 3</formula>取得極小值，則分離矩陣的估計(jì)
全文摘要
本發(fā)明屬于生物醫(yī)學(xué)工程和信息技術(shù)領(lǐng)域，該發(fā)明實(shí)現(xiàn)了通過采集分析人腦腦電信號實(shí)現(xiàn)對個(gè)體的身份認(rèn)證和識別。通過不同的刺激模式訓(xùn)練受試者，讓受試者適應(yīng)不同的刺激模式，產(chǎn)生不同的腦電信號，通過二階盲辨識對刺激產(chǎn)生的腦電信號進(jìn)行分析，抽提出個(gè)體的特征信號進(jìn)行分類識別，以確定目標(biāo)特征，訓(xùn)練過程結(jié)束。身份識別時(shí)，只需將采集的腦電信號提取出目標(biāo)特征，進(jìn)行分類，并與每人的模板相比較，即可確定識別結(jié)果。研究結(jié)果表明，最高識別率88％，平均識別率在83％左右，能夠?qū)崿F(xiàn)個(gè)體身份識別和認(rèn)證。
文檔編號G06F19/00GK101558997SQ20091011543
公開日2009年10月21日 申請日期2009年5月27日 優(yōu)先權(quán)日2009年5月27日
發(fā)明者丹 肖, 胡劍鋒 申請人:江西藍(lán)天學(xué)院