一种基于集成学习的多维度EEG信号身份识别的方法和系统技术方案

本发明专利技术公开一种基于集成学习的多维度EEG信号身份识别的方法和系统，该方法包括：将原始脑电信号转换为时频图和脑电地形图，并使用生成对抗网络进行数据增强；分别针对时频图和脑电地形图设计不同分类网络，提取时频空特征，进而进行身份识别；将不同分类网络的身份识别结果通过加权投票的集成策略进行整合，得到最终的身份识别结果。本发明专利技术充分利用了不同分类网络的优势，通过适应性的权重调整实现更为鲁棒和精确的整体分类性能，同时能够处理同一被试的不同形式数据集，从而有效学习脑电信号的时间、频谱和空间结构等多维度的特征信息，显著提升身份识别准确性。

【技术实现步骤摘要】

本专利技术涉及脑电信号数据增强与身份识别，尤其涉及一种基于集成学习的多维度eeg信号身份识别的方法和系统。

技术介绍

1、脑电信号是由大脑运动引起的非平稳信号，其受各种干扰噪声影响。这些信号利用头皮表面部署的传感器阵列捕获，通过计算传感器之间的电压差得到。然而，这种方式采集的eeg信号存在噪声，难以直接应用于实际的身份识别场景。此外，公开可用的eeg数据量有限，使用不兼容的eeg设备采集的数据集(包括通道数量、采样率、传感器类型等不同)会降低身份识别模型的通用性能。

2、脑电信号的个体识别的特征信息涵盖了时域、频域和空间域等多个维度，对这些特征进行合理的表示和提取对于身份识别准确性至关重要。在时域中，主要表现脑电信号的动态变化模式，可以通过波形形态、振幅特征、潜在时间和相位等来识别个体之间的差异；在频域分析中则着重于脑电信号在不同频率带上的能量分布和频谱特征；从空间域的角度来看，脑电信号在每个空间位置的电势分布图形和电极之间的空间关系都可以为身份识别提供有用的信息。在传统的特征聚合方法中，每个电极的测量数据仅用一个数值来表示，从而形成了特征向量本文档来自技高网...

【技术保护点】

1.一种基于集成学习的多维度EEG信号身份识别的方法，其特征在于，包括：

2.根据权利要求1所述的一种基于集成学习的多维度EEG信号身份识别的方法，其特征在于，所述步骤1中，通过连续小波变换将原始脑电信号转换为时频图，包括：

3.根据权利要求1所述的一种基于集成学习的多维度EEG信号身份识别的方法，其特征在于，所述步骤1中，通过傅里叶变换将原始脑电信号转换为脑电地形图，包括：

4.根据权利要求1所述的一种基于集成学习的多维度EEG信号身份识别的方法，其特征在于，所述步骤2中，对于时频图，使用CNN提取幅值特征，并借助双向长短期记忆网络学习时频特征的动态...

【技术特征摘要】

1.一种基于集成学习的多维度eeg信号身份识别的方法，其特征在于，包括：

2.根据权利要求1所述的一种基于集成学习的多维度eeg信号身份识别的方法，其特征在于，所述步骤1中，通过连续小波变换将原始脑电信号转换为时频图，包括：

3.根据权利要求1所述的一种基于集成学习的多维度eeg信号身份识别的方法，其特征在于，所述步骤1中，通过傅里叶变换将原始脑电信号转换为脑电地形图，包括：

4.根据权利要求1所述的一种基于集成学习的多维度eeg信号身份识别的方法，其特征在于，所述步骤2中，对于时频图，使用cnn提取幅值特征，并借助双向长短期记忆网络学习时频特征的动态变化。

5.根据权利要求1所述的一种基于集成学习的多维度eeg信号身份识别的方法和系统，其特征在于，所述步骤2中，对于脑电地形图，采用cnn提取幅值特征，结合自注意力机制关注全局特...

【专利技术属性】
技术研发人员：孙磊，赵敏，毛秀青，张帅，胡玉蝶，郭松，戴乐育，赵锟，张婷，李瑞锋，李楠，丁瑞阳，张翰洋，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：