一种基于脑电波的识别方法技术

本发明专利技术公开了一种基于脑电波的识别方法，属于生物识别技术邻域。本发明专利技术基于深度学习框架直接实现用原始脑电波信号与用户匹配，并且同时也实现了对用户动作的脑电信号识别，去除了现有的信号做预处理和特征提取，极大的简化了以往的脑电波身份认证模型；同时采用切割后的脑电波信号作为模型输入，降低了数据输入模型的深度和维度。由于脑电波信号是不稳定信号，为了降低由于不稳定的脑电波信号对算法性能的不良影响，选用自适应力矩估计优化算法作为优化算法。深度学习框架中引入循环神经网络中的长短期记忆模型实现用户关联匹配，采用卷积神经网络模型实现脑电波的动作分类。本发明专利技术在保证识别准确率的前提下极大的降低了脑电认证的计算复杂度。

A recognition method based on brain wave

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处理后的EEG信号进行特征提取，主要是进行时、频域转换后，提取对应的复合特征，再送入识别模型训练模块完成识别模型的训练，再基于训练好的模型，在EGG匹配模块中实时完成对待识别的EEG信号匹配识别处理。由于现有的生物识别系统在学习识别处理时，采用的是一般的机器学习分类算法，这就使得在进行信号处理时，必须提取信号的时域和频域的特征，否则会由于信号维度太高，现有的生物识别系统所采用的机器学习分类算法不能进行训练。此外，现有的基于脑电波的生物识别系统对EEG信号的采集还存在诸多限制，例如局限于简单的采集背景，忽略大脑休息状态、以及排除生理变化所引起的信号变化，其识别的稳健型和识别处理的复杂度有待于提高。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提供一种通过深度学习法实现基于脑电波的识别方法，在保证识别准确率的前提下降低现有基于脑电波的生物识别技术的识别处理复杂度。本专利技术的基于脑电波的识别方法，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，每层包含2个卷积层和1个池化层，其中每个卷积层接1个ReLU(RectifiedLinearUnits)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据作为LSTM网络结构的训练数据；基于采集到的分割后的训练数据分别对脑电波识别模型的CNN网络结构、LSTM网络结构进行深度学习模型训练，得到训练好的脑电波识别模型；采集待识别对象的脑电波信号，同样的采集m次脑电波信号，每次的脑电波信号的维度为k×L，并分别采用第一、第二分割方式进行分割，并将第一分割方式的结果作为训练好的脑电波识别模型的CNN网络结构的输入，将第二分割方式的结果作为训练好的脑电波识别模型的LSTM网络结构的输入；基于CNN网络结构的输出得到待识别对象的身份认证的识别结果，基于LSTM网络结构的输出得到待识别对象的动作分类识别结果。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：基于本专利技术所构建的深度神经网络进行训练，从而使得可以用原始的脑电信号进行训练分类器，极大的简化了以往的脑电认证方式，避免了以往的信号预处理和特征提取的过程；并且使用原始信号进行分类训练可以最大化的代表个体的生物信息，不存在特征提取而带来的信息损失问题，而且本专利技术所提供的学习框架运行效果稳定可靠。附图说明图1是本专利技术提出的一种基于脑电波识别认证方法的处理过程示意图。图2是本专利技术模型的算法模型示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本专利技术作进一步地详细描述。实施例基于惯用的深度学习框架构建满足认证需求的脑电波识别认证模型，其中，对于身份认证识别，则采用循环神经网络(RNN)中的长短期记忆(LSTM，LongShort-TermMemory)网络模型构建本专利技术的脑电波识别认证模型，其中所采用的LSTM的网络结构为：5层LSTM网络，每层512个神经元节点，输出为1个全连接层(Softmax层)；而对于用户动作分类识别(例如睁眼和闭眼，张开和握紧拳头，伸直和收缩双腿等)，则采用卷积神经(CNN)网络模型构建本专利技术的脑电波识别认证模型。其中所采用的CNN的网络结构为：5层网络，每层包含2个卷积层，每个卷积层接1个ReLU(RecitifiedLinearUnit)激活函数，卷积核(filter)大小为3*3，滑动步长(stride)为1，每层网络包含1个池化层，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(Softmax)。将本专利技术的基于脑电波的识别方法用于对脑电波信号的分类(人体在不同状态下的脑电波信号分类)处理中，来具体说明本专利技术的实现过程，参见图1，其具体包括下列步骤：步骤101、脑电波信号获取。将电极放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表示采集的信号的维数(即采集通道，本具体实施方式中，采用的优选值为64)，用L表示采集的时间长度(本具体实施方式中，采用的优选值为9600)；每个用户采集m(本具体实施方式中，采用的优选值为14)次，每次采集为一次task，每一个task就由k×L矩阵构成。步骤102、切割脑电波信号。采用不同的切割方式，对每一个任务(task)的脑电波数据进行分割，分成一个个子序列，如图2所示，图中的表示对应不同切割方式后得到的子序列，k表示切割后对应的行，L表示切割后对应的列，即不同的切割方式主要指保持task的行或列进行矩阵块分割。S＝{s1,s2,…,sn}表示n个对象(用户)的脑电波信号，A＝{a1,a2,…,aq}表示每个对象本文档来自技高网...

【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据作为LSTM网络结构的训练数据；基于采集到的分割后的训练数据分别对脑电波识别模型的CNN网络结构、LSTM网络结构进行深度学习模型训练，得到训练好的脑电波识别模型；采集待识别对象的脑电波信号，采集m次脑电波信号，每次的脑电波信号的维度为k×L，并分别采用第一、第二分割方式进行分割，并将第一分割方式的结果作为训练好的脑电波识别模型的CNN网络结构的输入，将第二分割方式的结果作为训练好的脑电波识别模型的LSTM网络结构的输入；基于CNN网络结构的输出得到待识别对象的身份认证的识别结果，基于LSTM网络结构的输出得到待识别对象的动作分类识别结果。...

【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...

【专利技术属性】
技术研发人员：秦臻，许瑾，何薇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51