The invention discloses a recognition method based on brain waves, belonging to the neighborhood of biometric technology. Based on the deep learning framework, the invention directly matches the original EEG signal with the user, and at the same time realizes the recognition of the user's action EEG signal, removes the existing signal for preprocessing and feature extraction, greatly simplifies the previous EEG identity authentication model, and adopts the cut EEG signal. As a model input, the number reduces the depth and dimension of the data entry model. Because the EEG signal is unstable, in order to reduce the bad influence of the unstable EEG signal on the performance of the algorithm, the adaptive moment estimation optimization algorithm is selected as the optimization algorithm. In the deep learning framework, the long-term and short-term memory model of cyclic neural network is introduced to realize user association matching, and the convolutional neural network model is used to realize the action classification of EEG. The invention greatly reduces the computational complexity of EEG authentication on the premise of guaranteeing the accuracy of recognition.
【技术实现步骤摘要】
一种基于脑电波的识别方法
本专利技术涉及生物识别认证与人工智能的
,具体涉及一种基于脑电波识别认证的实现方法。
技术介绍
随着社会的发展,人类活动也越来越多元化、智能化,与此同时,信息泄露、身份伪造等事件频频出现,从而准确无误的识别认证显得尤为重要。传统的身份验证技术,如使用访问码、密码或者IC(集成电路)卡,虽然不一定能获取更可靠的人类生物特性,但由于丢失、伪造、偷窃或妥协,使得身份验证易受影响。作为可利用的生物识别技术已经广泛应用于信息系统或者网络环境,包括指纹、人脸(光学和红外)、虹膜、DNA、按键输入模式甚至步态等。然而这些技术仅有有限的处理能力。例如,研究已经表明,用凝胶做成的假手指能很容易的骗过指纹识别认证系统。蜡烛雕刻的隐形眼镜上的错误虹膜特征也能轻易完成虹膜验证。有时为了获取用户的生物特征,甚至可以违法从人体上直接获得。在科学领域,备受关注的基于脑电波(EEG)的生物识别系统,是一个可靠的、不易窃取且和人类的大脑密切相关的生物信号。一方面,EEG是一种由大脑产生的自发的电信号并记录到人脑的头皮里。因为每一个个体都拥有独一无二的脑部结构,应用到每个人身上是不同的。另一方面,EEG信号不仅依赖DNA,而且依赖他们的生活经历,这样脑电信号EEG更加具有独特性,因此基于此EEG的生物识别系统会更加可靠。目前,常见的基于脑电波的生物识别系统包括EEG获取模块、EEG预处理模块、特征提取模块、识别模型训练模块和EGG匹配模块,其中EEG获取模块用于采集EEG信号并送入EEG预处理模块,进行过滤、标准差处理及噪点去除处理等;再通过特征提取模块过对预 ...
【技术保护点】
1.一种基于脑电波的识别方法,其特征在于,包括下列步骤:构建能进行身份认证和动作分类识别的脑电波识别模型,所述脑电波识别模型包括用于身份认证的长短期记忆LSTM网络结构,和用于动作分类识别的卷积神经CNN网络结构,其中LSTM网络结构为:5层LSTM网络,每层512个神经元节点,输出为1个全连接层;CNN网络结构为:5层网络,每层网络包含2个卷积层和1个池化层,其中每个卷积层接1个ReLU激活函数,卷积核大小为3*3,滑动步长为1;池化层的池化核大小为2*2,滑动步长为1,池化方式为最大值池化;最后输出为1个全连接层;采集脑电波信号,对所述脑电波识别模型进行模型训练:将电极设置在人脑头皮上采集脑电波信号,包括用户在不同动作、不同情感下的脑电波数据,用k表示采集通道数,即信号的维数,用L表示采集的时间长度,m表示每个用户的采集次数,则每次采集到的脑电波信号的维度为k×L;对每个用户每次采集到的脑电波信号进行两种方式的分割,第一分割方式为:按采集传感器通道进行切割;第二分割方式为:按采集时间序列进行切割;并将按照第一分割方式得到的数据作为CNN网络结构的训练数据,将按照第二分割方式得到的数 ...
【技术特征摘要】
1.一种基于脑电波的识别方法,其特征在于,包括下列步骤:构建能进行身份认证和动作分类识别的脑电波识别模型,所述脑电波识别模型包括用于身份认证的长短期记忆LSTM网络结构,和用于动作分类识别的卷积神经CNN网络结构,其中LSTM网络结构为:5层LSTM网络,每层512个神经元节点,输出为1个全连接层;CNN网络结构为:5层网络,每层网络包含2个卷积层和1个池化层,其中每个卷积层接1个ReLU激活函数,卷积核大小为3*3,滑动步长为1;池化层的池化核大小为2*2,滑动步长为1,池化方式为最大值池化;最后输出为1个全连接层;采集脑电波信号,对所述脑电波识别模型进行模型训练:将电极设置在人脑头皮上采集脑电波信号,包括用户在不同动作、不同情感下的脑电波数据,用k表示采集通道数,即信号的维数,用L表示采集的时间长度,m表示每个用户的采集次数,则每次采集到的脑电波信号的维度为k×L;对每个用户每次采集到的脑电波信号进行两种...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。