基于深度学习的稳态视觉诱发脑电身份识别方法及系统技术方案

本发明专利技术属于身份信息识别技术领域，公开了一种基于深度学习的稳态视觉诱发脑电身份识别方法及系统；获取脑电信号；去噪：将采集到的脑电信号通过EMD处理，得到去噪后的脑电信号；提取数据分成三个样本，对每个样本数据进行快速傅里叶变换得到频域下的脑电数据；带通滤波；将滤波后信号用2048Hz频率进行采样后处理；构建深度网络进行训练；身份识别：识别被试者的目的。本发明专利技术适用于具有稳态视觉诱发的脑‑机接口设备，随着系统中录入的人员的增加，训练数据随之增加，基于深度网络的特性，该系统的识别准确率会趋于高识别率的稳定。

A Steady-state Visually Evoked EEG Identity Recognition Method and System Based on Deep Learning

The invention belongs to the field of identity information recognition technology, and discloses a method and system of steady-state visual evoked EEG identity recognition based on deep learning; acquisition of EEG signals; denoising: the collected EEG signals are processed by EMD to obtain denoised EEG signals; extraction data are divided into three samples, and the brain in frequency domain is obtained by fast Fourier transform of each sample data. Electrical data; Band-pass filtering; Sampling and post-processing the filtered signal at 2048Hz frequency; Constructing a deep network for training; Identity recognition: the purpose of identifying the subjects. The invention is suitable for brain-computer interface equipment with steady-state visual induction. With the increase of the input personnel in the system, the training data will increase. Based on the characteristics of depth network, the recognition accuracy of the system will tend to be stable with high recognition rate.

【技术实现步骤摘要】
基于深度学习的稳态视觉诱发脑电身份识别方法及系统
本专利技术属于身份信息识别
，尤其涉及一种基于深度学习的稳态视觉诱发脑电身份识别方法及系统。
技术介绍
目前，业内常用的现有技术是这样的：身份识别系统的研究开发对于社会生活和个人日常生活都非常重要，生物特征识别是一种根据人体自身所固有的生理特征和行为特征来识别身份的技术，即通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性(如手形、指纹、面部特征、虹膜、视网膜等)和行为特征(如笔迹、声音、步态)等来进行个人身份的鉴定生物特征识别有很多优点，比如直接取自于人体，不需要另外携带、记忆，也不会丢失、损坏。脑电信号通过大脑中神经元以电离子的形式传播信息而产生，是人体大脑皮层电信号的反应，是人类的一种基础生理特征，它附带着大脑神经元所表现出的大量生理信息。相比于其它生物特征，脑电在身份识别上具有以下独特的优点:①脑电信号难以伪造；②脑电的采集对人体无害；③对于人的普适性。近年来，基于脑电信号的身份特征识别技术受到了越来越多研究人员的关注，并且进行了大量实践研究。针对脑电信号进行身份识别和认证研究有许多的方式，根据脑电信号的种类大致可以分为：基于静息电位的脑电识别、基于视觉诱发电位的脑电识别、基于运动想象的脑电识别、基于事件相关电位的脑电识别。运动想象脑电就是想象某种肢体运动时的脑电模式。利用运动想象脑电数据进行身份识别具有一定的局限性。在采集脑电信号过程中，需要被试高度配合，并且给予被试的运动想象类型非常重要，不同的实验范式对被试的身份识别有较大的影响。事件相关电位(event-relatedpotential，ERP)是一种特殊的诱发电位，是当人对客体进行认知加工(如注意、记忆、思维)时通过平均叠加从头颅表面记录到的大脑电位，它反映认知过程中大脑的神经电生理改变。在目前相关的实验研究中，基于事件相关电位的脑电识别得到了较高的准确率，但是在采集数据过程中需要被试配合执行额外的认知任务，因此不适用于存在认知功能障碍的被试。视觉诱发电位(visualevokedpotential，VEP)是指神经系统接受视觉刺激(如图形或闪光刺激)所产生的特定活动视觉诱发电位发生在特定的时间和部位，比较容易检测，适用于脑机接口。对被试要求低，只要被试视觉功能正常，就可以利用视觉诱发电位信号实现，并且被试无需训练或者只需要进行少量的训练。稳态视觉诱发脑电，是指使用固定的闪光或图形频率，对被试者进行视觉上的刺激，在一定时间后，采集被试者所产生的脑电信号。在脑电信号的频谱上，所使用的刺激频率，以及该频率的倍数所对应的幅值也会很高。将刺激频率及其倍数频率所产生的波分别称为基波(一次谐波)，二次谐波(2倍的频率)，三次谐波(3倍的频率)等。基于稳态视觉诱发脑电的身份识别，则是在进行多次实验后，发现在多个电极上，每个被试者在相同频率刺激下产生的脑电信号，在频谱上的基波与谐波的幅值都不尽相同，具有差异性；而对于同一频率，同一个被试者而言，其在多次实验下，其基波与谐波幅值变化并不是很明显。现有技术一使用基于视觉诱发电位的脑电信号进行身份特征识别研究，他们记录了20名被试的VEP信号，通过时空滤波器提取特征，然后利用支持向量机和线性判别分析进行分类，识别准确率分别为75％和91％。现有技术二采用小波包分解方法对32名被试的VEP脑电数据进行特征提取，采用人工神经网络作为分类器进行身份特征识别，平均分类准确率为94.4％。深度学习的概念源于人工神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络(Convolutionalneuralnetwork，简称CNN)就是一种深度的监督学习下的机器学习模型。对于卷积神经网络来说，如果简单地增加深度，会导致梯度弥散或梯度爆炸。对于该问题的解决方法是正则化初始化和中间的正则化层(BatchNormalization)，这样的话可以训练几十层的网络。虽然通过上述方法能够训练了，但是又会出现另一个问题，就是退化问题，网络层数增加，但是在训练集上的准确率却饱和甚至下降了。这个不能解释为过拟合，因为过拟合应该表现为在训练集上表现更好才对。而ResNet根据输入将层表示为学习残差函数。实验表明，残差网络更容易优化，并且能够通过增加相当的深度来提高准确率。核心是解决了增加深度带来的副作用(退化问题)，这样能够通过单纯地增加网络深度，来提高网络性能。这为将深度学习应用到稳态视觉诱发在身份识别上的应用提供了理论和实践基础。综上所述，现有技术存在的问题是：(1)脑电信号具有低信噪比、随机性以及随周围环境进行变换的特征的特点，在脑电信号中提取特征有一定困难。因此在一个时间点提取的特征，过一段时间可能就会变换而无法使用。(2)现有技术不能高效的提取脑电信号中的电极空间分布信息和时频信息。因此无法实时的识别脑电信号，大多数文献都只是对单次的离线脑电数据进行的身份识别测试。(3)深度学习能够提取到不同于现有方法的特征，现有技术不能成熟地将深度学习应用于脑电领域。因此无法保证通过手动提取到的特征在跨时间上的稳定性，不能保证基于SSVEP信号做出的身份识别系统在身份识别上的准确率。解决上述技术问题的难度和意义：难度：首先脑电信号信噪比低，因此要从脑电信号中充分提取出其蕴含的信息是必须解决的问题；其次如果能将脑电信号电极信息和时频信息结合提取，那么将极大地增加脑电身份识别的准确率；最后深度学习在图像领域运用已经日渐成熟，但如何运用深度学习更好的提取脑电信号中现如今传统方法无法提取到的特征从而使得身份识别系统识别率增加。意义：脑电信号在加密上有着很大的优势。基于深度学习在脑电在身份识别上的运用，对未来的身份识别技术都有着一定的促进作用，而且由于深度神经网络的特性，可以提取既具有时频信息又具有电极空间分布信息的脑电信号，而且随着所录入的人员信息数据的增加，该系统的识别准确率会趋于高识别率的稳定。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于深度学习的稳态视觉诱发脑电身份识别方法及系统。本专利技术是这样实现的，一种基于深度学习的稳态视觉诱发脑电身份识别方法，所述基于深度学习的稳态视觉诱发脑电身份识别方法包括：首先在采集脑电阶段选用稳态视觉诱发进行脑电刺激；其次将脑电数据根据其电极空间和时频特性转换为图像数据；最后根据脑电信号独有的特征情况构造深度网络，提取脑电数据中所蕴含的信息。进一步，所述基于深度学习的稳态视觉诱发脑电身份识别方法获取脑电信号方法包括：(1)被试者头戴Biosemi64导电极帽；(2)被试者在在开始的第0秒现十字叉提示受试者做好准备，十字叉一直持续到第1.2秒；在第1.2秒屏幕出现观看电脑屏幕上随机产生6HZ、8HZ、10HZ频率闪烁，持续时间为4秒，每次试验后休息2秒；(3)期间通过Biosemi64设备记录下第本文档来自技高网...

【技术保护点】
1.一种基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法包括：首先在采集脑电阶段选用稳态视觉诱发进行脑电刺激；其次将脑电数据根据其电极空间和时频特性转换为图像数据；最后根据脑电信号独有的特征情况构造深度网络，提取脑电数据中所蕴含的信息。

【技术特征摘要】
1.一种基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法包括：首先在采集脑电阶段选用稳态视觉诱发进行脑电刺激；其次将脑电数据根据其电极空间和时频特性转换为图像数据；最后根据脑电信号独有的特征情况构造深度网络，提取脑电数据中所蕴含的信息。2.如权利要求1所述的基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法获取脑电信号方法包括：(1)被试者头戴Biosemi64导电极帽；(2)被试者在在开始的第0秒现十字叉提示受试者做好准备，十字叉一直持续到第1.2秒；在第1.2秒屏幕出现观看电脑屏幕上随机产生6HZ、8HZ、10HZ频率闪烁，持续时间为4秒，每次试验后休息2秒；(3)期间通过Biosemi64设备记录下第k次实验下被试i的第j次脑电信号采集；采集实验共进行了3次，第一次对12人进行60次的脑电信号采集，第二次对相同的12人进行30次的脑电信号采集，第三次对其中9人进行48次的脑电信号采集，每次采样间隔为5个月。3.如权利要求2所述的基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述脑电信号的处理方法包括：步骤一，将采集到的脑电信号通过EMD处理，得到去噪后的脑电信号；步骤二，对于被试者i的第j次实验所对应的10HZ频率闪烁产生的脑电数据，提取0～4s的数据分成0～2s、1～3s、2～4s三个样本记为Aij、Bij、Cij，分别对每个样本数据进行快速傅里叶变换，得到频域下的脑电数据A′ij、B′ij、C′ij；步骤三，带通滤波：分别对脑电信号A′ij、B′ij、C′ij进行0.5Hz-36Hz带通滤波，记滤波后的数据为A″ij、B″ij、C″ij。4.如权利要求1所述的基于深度学习的稳态视觉诱发脑电身份识别方法，其特征在于，所述基于深度学习的稳态视觉诱发脑电身份识别方法转换为图像数据包括：(1)将A″ij、B″ij、C″ij用2048Hz频率进行采样，记各点所对应的幅值为该点像素，去掉其中易造成短路的8个电极并将剩余56个电极按空间情况重新排列为7*8的数据如图中所示电极情况，以上电极重排为任一频率所对应的数据；(2)将频率重新排列为9*8的矩阵，该矩阵中每一个元素对应一个7*8的数据，每个数据最终转换成63*64的图像数据，此时记为A″′ij、B″′ij、C″′ij，将A″′ij、B″′ij、C″′ij三个单通道...

【专利技术属性】
技术研发人员：赵恒，胡煜，汪旭震，陈博武，宋松，李军，刘鹏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61