專利名稱：：基于多特征算法的腦紋身份識別認(rèn)證方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于生物醫(yī)學(xué)工程和信息
技術(shù)領(lǐng)域：
，特別是涉及基于多特征算法的腦紋身份識別認(rèn)證方法。
背景技術(shù)：
：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)、安全檢查、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(huì)遺忘或丟失他們的卡片或密碼，但絕對不會(huì)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。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(huì)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。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(l)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(l)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(huì)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(腦紋)；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(huì)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(dòng)，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(huì)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)。目前基于腦紋的身份識別與認(rèn)證研究剛剛起步，基本上都在實(shí)驗(yàn)室研究階段，而且還是通常的信號處理和模式識別方法，存在的主要問題的是穩(wěn)定性不高、不同的方法特異性不同，也就是說，某種方法對于某些人群特別有效，而對其他人群可能就效果不佳。還有可能出現(xiàn)的是，某種方法適用于某個(gè)人的特定時(shí)間段，而對其他時(shí)間段可能效果不佳。這也是制約腦紋身份認(rèn)證系統(tǒng)實(shí)際應(yīng)用的一個(gè)主要因素。
發(fā)明內(nèi)容本發(fā)明的目的是，提供了一種快捷、多特征的個(gè)人身份認(rèn)證系統(tǒng)，采用基于多特征算法來對受試者進(jìn)行腦紋身份識別，受試者產(chǎn)生運(yùn)動(dòng)想象，計(jì)算中只選用與運(yùn)動(dòng)想象有關(guān)的腦電信號進(jìn)行分析，將已用于運(yùn)動(dòng)想象腦電分類的多種信號處理方法綜合起來，借助神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)身份的識別和認(rèn)證。為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案，基于多特征算法的腦紋身份識別認(rèn)證方法，采用腦電信號作為身份識別的輸入信號，其特征在于，包括以下步驟1)在電腦里設(shè)定剌激程序，受試者根據(jù)剌激程序中的實(shí)驗(yàn)要求，做出不同的運(yùn)動(dòng)想象；2)原始腦電信號通過EEG放大器采集；3)對采集的腦電信號進(jìn)行放大和A/D轉(zhuǎn)換；4)將采集的腦電信號按照集成在嵌入式芯片中或電腦軟件系統(tǒng)中的算法提取特征量，對腦電信號進(jìn)行處理，包括公共平均參考、濾波、提取特征量、產(chǎn)生個(gè)性化分類器、建立多特征分類器，將未知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和適合受試者的運(yùn)動(dòng)想象類型，進(jìn)行識別或認(rèn)證；5)設(shè)置閾值變量，對多特征分類器輸出量進(jìn)行判定，高于閾值的視為認(rèn)證成功。所述個(gè)性化分類器是將已知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將每種特征量單獨(dú)應(yīng)用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并針對每位受試者、每個(gè)特征和每種運(yùn)動(dòng)想象類型單獨(dú)設(shè)計(jì)。所述多特征分類器是由不同個(gè)性化分類器匯總形成，可以隨意改變不同的特征量輸入，特征量的個(gè)數(shù)可以調(diào)節(jié)，并根據(jù)分類效果自動(dòng)調(diào)整特征量。所述識別或認(rèn)證是以概率分布的形式對出現(xiàn)的每類結(jié)果進(jìn)行選定。本發(fā)明的優(yōu)點(diǎn)在于，l)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)使用了多特征分類器，并且對每位受試者單獨(dú)訓(xùn)練，建立個(gè)性化分類器；3)對每段EEG數(shù)據(jù)進(jìn)行認(rèn)證時(shí)，不再是單純的100%或0%，而是一個(gè)概率分布；4)根據(jù)安全級別設(shè)置了閾值；5)采用了主動(dòng)的運(yùn)動(dòng)想象EEG信號，使得腦紋成為主觀可控的密碼，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)；6)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；7)通過不同受試者的特點(diǎn)，自動(dòng)選擇適合受試者的運(yùn)動(dòng)想象類型。本發(fā)明適合身體殘疾，視覺缺陷等各類人群，有較好適用性。圖1本發(fā)明的電極的選取位置圖圖2本發(fā)明的特征提取流程圖圖3本發(fā)明的身份識別流程圖圖4本發(fā)明的未知樣本U(a)的概率分布圖圖5本發(fā)明的未知樣本V(b)的概率分布圖、圖6本發(fā)明的不同閾值對分類率的影響曲線圖具體實(shí)施例方式以下結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步說明，參見附圖l-6，基于多特征算法的腦紋身份識別認(rèn)證方法，包括以下步驟1)在電腦里設(shè)定剌激程序，受試者根據(jù)剌激程序中的實(shí)驗(yàn)要求，做出不同的運(yùn)動(dòng)想象；2)原始腦電信號通過EEG放大器采集；3)對采集的腦電信號進(jìn)行放大和A/D轉(zhuǎn)換；4)將采集的腦電信號按照集成在嵌入式芯片中或電腦軟件系統(tǒng)中的算法提取特征量，對腦電信號進(jìn)行處理，包括公共平均參考、濾波、提取特征量、產(chǎn)生個(gè)性化分類器、建立多特征分類器，將未知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和適合受試者的運(yùn)動(dòng)想象類型，進(jìn)行識別或認(rèn)證；5)設(shè)置閾值變量，對多特征分類器輸出量進(jìn)行判定，高于閾值的視為認(rèn)證成功。所述個(gè)性化分類器是將已知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將每種特征量單獨(dú)應(yīng)用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并針對每位受試者、每個(gè)特征和每種運(yùn)動(dòng)想象類型單獨(dú)設(shè)計(jì)。所述多特征分類器是由不同個(gè)性化分類器匯總形成，可以隨意改變不同的特征量輸入，特征量的個(gè)數(shù)可以調(diào)節(jié)，并根據(jù)分類效果自動(dòng)調(diào)整特征量。所述識別或認(rèn)證是以概率分布的形式對出現(xiàn)的每類結(jié)果進(jìn)行選定。具體實(shí)施例1)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(huì)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(huì)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(dòng)想象過程的受試者腦電信號。依照的原理人的大腦在沒有處理感覺輸入或沒有產(chǎn)生運(yùn)動(dòng)輸出的時(shí)候，大腦中的EEG活動(dòng)集中在運(yùn)動(dòng)皮層為ii波，集中在視覺皮層就表現(xiàn)為13波。實(shí)驗(yàn)表明想象運(yùn)動(dòng)或者準(zhǔn)備運(yùn)動(dòng)都會(huì)伴隨著P波和P波型的減小。這個(gè)減小叫做事件相關(guān)去同步化(ERD);與此相反，在運(yùn)動(dòng)完成并且放松的時(shí)候，波形便會(huì)增大，這一現(xiàn)象叫事件相關(guān)同步化(ERS)。并且，ERD和ERS并不需要產(chǎn)生實(shí)際的動(dòng)作，在運(yùn)動(dòng)想象中就會(huì)產(chǎn)生，我們選擇的6個(gè)電極都是與運(yùn)動(dòng)想象相關(guān)的。2)在計(jì)算機(jī)屏幕上根據(jù)設(shè)定好的剌激程序(提示受試者開始想象運(yùn)動(dòng))，受試者根據(jù)實(shí)驗(yàn)要求，做出運(yùn)動(dòng)想象包括肢體運(yùn)動(dòng)想象或器官運(yùn)動(dòng)想象，選擇四類不同的運(yùn)動(dòng)想象(想象左手運(yùn)動(dòng)、右手運(yùn)動(dòng)、腿動(dòng)和舌動(dòng))，受試者經(jīng)過訓(xùn)練，熟悉實(shí)驗(yàn)過程，能夠產(chǎn)生特異腦電。3)將采集到的腦電信號進(jìn)行預(yù)處理后輸入特征提取系統(tǒng)。預(yù)處理包括對信號進(jìn)行公共平均參考，用嚴(yán)格線性相位的FIR濾波器對信號進(jìn)行8-30Hz濾波。4)腦電信號特征提取系統(tǒng)，提取每個(gè)受試者的腦電信號特征。將采集的腦電信號按照按照集成在嵌入式芯片中或電腦軟件系統(tǒng)中的下列算法提取特征量。這里的特征可以是任何信號處理方法，本發(fā)明以兩類特征量為例說明。一類特征量為單個(gè)電極所具備的特征，例如自回歸系數(shù)、線性復(fù)雜度、能量譜密度、能量熵；另一類特征量為兩根電極信號之間的關(guān)聯(lián)度，例如相位鎖定值、互相關(guān)和互信息量。具體算法如下*自回歸(AutoRegression,AR)系數(shù)初始預(yù)測誤差e。n=b。n=xnn=0，l，...，N-l(1)反射系數(shù)"=^r^-"1,2,…w(2)Z=1,2,...，A:—1W=(i-1"卩)"L預(yù)測誤差ekn—ek-l,n+akkbk-l,n-1H,"+"k—i,"(4)求得apl，ap2，...，app和op2以后，按下式計(jì)算xn的功率譜密度尸(/)=.。>〃e信號傅立葉變換量值的平方，計(jì)算如下(3)(5)系數(shù)a作為特征量。參線性復(fù)雜度(LinearComplexity,LC)對于確實(shí)的L個(gè)電極導(dǎo)聯(lián)信號，那么線性復(fù)雜度的定義為Q=exp(-D,log。,=i其中L=A〃EJi，LXn矩陣協(xié)方差矩陣為(6)(7)那么Ai是協(xié)方差矩陣C的特征值。對頻帶范圍8-13Hz，14-20Hz，21-30Hz波段計(jì)算線性復(fù)雜度作為特征量。參會(huì)g量譜密度(energyspectrumdensity,ESD)能量譜密度描述信號能量，如果x(t)是有限能量信號，這個(gè)信號譜密度①(o)是(8)(D(w)=|^i=「-,|,力;r"2;r其中X(")是X(t)的傅立葉變換，X、")是它的復(fù)共軛。對頻帶范圍8-13Hz，14-20Hz，21-30Hz波段進(jìn)行能量譜密度計(jì)算得出特征量。參會(huì)g量熵(EnergyEntropy，EE)能量熵能反映腦電信號頻率空間的能量分布信息，同時(shí)反映了腦電信號在時(shí)域與頻域上的能量分布特征。設(shè)E丄，E2，…Em為信號x(t)在m個(gè)頻率段上的能j形成對信號能量的一種劃分。在某一時(shí)間窗內(nèi)信號總能量e=1;a，￡,,=i:iz),wi2，Di為頻率j上能譜值，設(shè)i:分布，則在頻域上的能譜可以E等于各分量能量Ej之和，即Ej/E(9)信號內(nèi)進(jìn)行滑動(dòng)，提取特征則EPj=l，于是定義相應(yīng)的能jt熵為(10)能量熵的計(jì)算被定義在某一固定長度窗口范圍內(nèi)，按步長為2在短時(shí)傅立葉變換主值。參相位鎖定值(PhaseLockingValue,PLV)兩個(gè)信號同步的量度是相位鎖定值PLV，此方法僅考慮此信號的相位。PLV(11)這里，①i(t)，①j(t)是電極i，j的瞬時(shí)相位,卜T(12)柳在上式定義中，,^^arctan^是時(shí)間序列Xi(t)的Hilbert變換，PV是指柯西x,(,)①,.(f)=aretan柳x々)(13)在本發(fā)明中，選用數(shù)據(jù)描述中的六個(gè)電極，左、右三個(gè)電極進(jìn)行兩兩配對，并對每個(gè)配對電極進(jìn)行相位的鎖相值計(jì)算，得出特征量。*互信息(MutualInformation,MI)互信息是信息論里一種有用的信息度量，它是指兩個(gè)事件集合之間的相關(guān)性。兩個(gè)事件x和y的互信息定義為I(x，y)=H(x)+H(y)-H(x，y)(14)其中H(x，y)=-Ep(x，y)logp(x，y)(15)在本發(fā)明中，選用數(shù)據(jù)描述中的六個(gè)電極，左、右三個(gè)電極進(jìn)行兩兩配對，并對每個(gè)配對電極進(jìn)行互信息計(jì)算，得出特征量。*互相關(guān)(CrossCorrelation,CC)在統(tǒng)計(jì)學(xué)中，互相關(guān)有時(shí)用來表示兩個(gè)隨機(jī)矢量之間的協(xié)方差，是用來表示兩個(gè)信號之間相似性的一個(gè)度量，通常通過與已知信號比較用于尋找未知信號中的特性。它是兩個(gè)信號之間相對于時(shí)間的一個(gè)函數(shù)。選用數(shù)據(jù)描述中的六個(gè)電極，左、右三個(gè)電極進(jìn)行兩兩配對，并對每個(gè)配對電極進(jìn)行互相關(guān)計(jì)算，得出特征量。本發(fā)明還建立了多特征分類器，即將每種特征單獨(dú)應(yīng)用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并針對每位受試者、每個(gè)特征和每種運(yùn)動(dòng)想象類型單獨(dú)設(shè)計(jì)個(gè)性化分類器。算法如下對于某一已知腦電信號(已知受試者和已知運(yùn)動(dòng)想象類型)，按照前面描述的七種特征逐個(gè)抽取特征(其他特征方法也可以，過程類似。)，作為神經(jīng)網(wǎng)絡(luò)的輸入集；按照每種運(yùn)動(dòng)想象類型、每位受試者單獨(dú)學(xué)習(xí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，這樣對于每種特征共有3(受試者)X4(運(yùn)動(dòng)想象類型)=12個(gè)分類器(如有多個(gè)受試者，過程類似。)；本發(fā)明采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，輸入層節(jié)點(diǎn)數(shù)為特征數(shù)目，輸出層節(jié)點(diǎn)數(shù)為l，學(xué)習(xí)時(shí)取值為1。當(dāng)識別或認(rèn)證某一未知樣本U時(shí)，先抽取七種特征，逐個(gè)分別輸入已訓(xùn)練好的12個(gè)分類器中，這樣對于每種特征，每個(gè)分類器都有輸出，如下表表某一未知樣本U的分類器輸出矩陣。<table>tableseeoriginaldocumentpage8</column></row><table>表中A、B、C為三個(gè)受試者，L、R、T、F分別代表想象左手、右手、舌和腿運(yùn)動(dòng)。該樣本的七種特征量通過相應(yīng)的個(gè)性化分類器輸出后，取值平均后再均一化。從表中可以看出，該樣本屬于受試者A想象左手運(yùn)動(dòng)的概率是40.4X，遠(yuǎn)超過其他受試者運(yùn)動(dòng)想象類型的概率。將每個(gè)輸出結(jié)果取平均并均一化后，同時(shí)可得到概率分布圖，如圖4。根據(jù)概率分布圖，以及事先設(shè)定好的閾值，我們就能判斷該腦電信號屬于誰了。如圖4，如果閾值設(shè)為25%，只有A-L分類器的輸出值超過了閾值，則系統(tǒng)將該樣本作為受試者A想象左手運(yùn)動(dòng)認(rèn)證或識別。類似的，對于另一未知樣本V，概率分布如圖5，假設(shè)閾值同樣取25X，沒有一個(gè)分類器的輸出值超過閾值，即使將閾值降為15%也沒有一個(gè)分類器的輸出值超過閾值，則樣本V不能認(rèn)證或識別為已知12類的任何一類。本發(fā)明引入了閾值的概念。根據(jù)不同的安全級別，可設(shè)置不同的閾值，如圖4，假設(shè)閾值設(shè)定在50%，則該樣本不能認(rèn)證或識別為任何已知樣本，需要重新認(rèn)證，判對率就會(huì)下降；而閾值設(shè)在5%，這一樣本可能就被認(rèn)證為多個(gè)已知樣本，誤判率就會(huì)提高。所以閾值可以用來調(diào)節(jié)安全級別，不同閾值對分類效果的影響，如圖6。5)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-4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(dòng)想象類型，此時(shí)就可以進(jìn)行識別和認(rèn)證了。備注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，多選一；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，"是"還是"不是"，二選一。本發(fā)明只需添加一套腦電信號采集裝置(例如Neuroscan腦電記錄系統(tǒng))即可實(shí)施。并將算法集成在嵌入式芯片中或電腦軟件系統(tǒng)中。具體實(shí)施方式按附圖1、2、3?？梢酝ㄟ^下列步驟實(shí)現(xiàn)1)對受試者進(jìn)行訓(xùn)練，通過剌激模式訓(xùn)練，采集不同運(yùn)動(dòng)想象過程的受試者腦電信號特征，采集符合10/20國際標(biāo)準(zhǔn)6個(gè)電極的信號；具體電極位置如圖1所示(電極的數(shù)目和位置是可以改變的，變化后結(jié)果可能會(huì)有不同)。2)將采集到的腦電信號進(jìn)行預(yù)處理(具體算法如前所示)后輸入特征提取系統(tǒng)。3)參見圖2，腦電信號特征提取系統(tǒng)，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，產(chǎn)生個(gè)性化神經(jīng)網(wǎng)絡(luò)分類器，訓(xùn)練過程結(jié)束。4)參見圖3，根據(jù)提取的每個(gè)受試者的腦電信號特征，確定的個(gè)性化神經(jīng)網(wǎng)絡(luò)分類器，對每個(gè)受試者的身份進(jìn)行識別或認(rèn)證。本發(fā)明以運(yùn)動(dòng)想象腦電信號作為身份識別，在方法上，沒有用單一的信號處理方法進(jìn)行分析，而采用當(dāng)前提取腦電信號特征的多種信號處理方法。實(shí)驗(yàn)結(jié)果顯示，選擇合適的閾值，識別率可超過90%。本發(fā)明中的腦紋生物身份認(rèn)證技術(shù)能夠改變生物特征(通過想象不同運(yùn)動(dòng))，這和其他的生物識別技術(shù)不同，受試者只需想象某種運(yùn)動(dòng)，即可將它作為密碼儲(chǔ)存，應(yīng)用時(shí)不需要鑰匙、密碼和其它工具，只需想想他們的密碼，就可以完成操作。今后，甚至可以用夢想、習(xí)慣或回憶作為密碼。本發(fā)明旨在通過多特征融合，將不同特征的優(yōu)點(diǎn)集中在一起，而且特征算法不僅限于本文中的這幾種，可能增減。預(yù)實(shí)驗(yàn)結(jié)果也證明，本發(fā)明基本解決了以往腦紋身份認(rèn)證系統(tǒng)穩(wěn)定性不高的缺點(diǎn)。當(dāng)然，特征也不是越多越好，特征數(shù)目越多，計(jì)算越復(fù)雜，時(shí)間越長；特征越少，融合的效果就越差。只要選擇適當(dāng)?shù)奶卣?，就可能得到非常滿意的效果。腦紋身份認(rèn)證系統(tǒng)可以應(yīng)用于對于身份識別和認(rèn)證要求較高的場所，比如國家安全、公安司法、金融等。由于腦電信號具備難以仿造、不可強(qiáng)迫、活體存在、特定重復(fù)等特點(diǎn)，一旦腦電采樣設(shè)備小型化、簡單化和便攜化后，本發(fā)明的應(yīng)用前景將非常光明。權(quán)利要求一種基于多特征算法的腦紋身份識別認(rèn)證方法，采用腦電信號作為身份識別的輸入信號，其特征在于，包括以下步驟1)在電腦里設(shè)定刺激程序，受試者根據(jù)刺激程序中的實(shí)驗(yàn)要求，做出不同的運(yùn)動(dòng)想象；2)原始腦電信號通過EEG放大器采集；3)對采集的腦電信號進(jìn)行放大和A/D轉(zhuǎn)換；4)將采集的腦電信號按照集成在嵌入式芯片中或電腦軟件系統(tǒng)中的算法提取特征量，對腦電信號進(jìn)行處理，包括公共平均參考、濾波、提取特征量、產(chǎn)生個(gè)性化分類器、建立多特征分類器，將未知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和適合受試者的運(yùn)動(dòng)想象類型，進(jìn)行識別或認(rèn)證；5)設(shè)置閾值變量，對多特征分類器輸出量進(jìn)行判定，高于閾值的視為認(rèn)證成功。2.根據(jù)權(quán)利要求1所述的基于多特征算法的腦紋身份識別認(rèn)證方法，其特征在于所述個(gè)性化分類器是將已知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將每種特征量單獨(dú)應(yīng)用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并針對每位受試者、每個(gè)特征和每種運(yùn)動(dòng)想象類型單獨(dú)設(shè)計(jì)。3.根據(jù)權(quán)利要求1所述的基于多特征算法的腦紋身份識別認(rèn)證方法，其特征在于所述多特征分類器是由不同個(gè)性化分類器匯總形成，可以隨意改變不同的特征量輸入，特征量的個(gè)數(shù)可以調(diào)節(jié)，并根據(jù)分類效果自動(dòng)調(diào)整特征量。4.根據(jù)權(quán)利要求1所述的基于多特征算法的腦紋身份識別認(rèn)證方法，其特征在于所述識別或認(rèn)證是以概率分布的形式對出現(xiàn)的每類結(jié)果進(jìn)行選定。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：
，特別是涉及基于多特征算法的腦紋身份識別認(rèn)證方法。充分利用特征融合，通過不同的刺激模式訓(xùn)練受試者，從而產(chǎn)生不同的腦電信號，通過多元特征抽提方法對刺激產(chǎn)生的腦電信號進(jìn)行分析，抽提出個(gè)體的特征信號產(chǎn)生個(gè)性化分類器，身份識別或認(rèn)證時(shí)，只需將采集的腦電信號提取出目標(biāo)特征，輸入到相應(yīng)的個(gè)性化分類器中，將輸出結(jié)果均一化即可判斷結(jié)果，判定結(jié)果以概率分布方式出現(xiàn)。選擇合適的閾值，識別率可超過90％。腦紋生物身份認(rèn)證技術(shù)能夠改變生物特征，受試者只需想象某種運(yùn)動(dòng)，即可將它作為密碼儲(chǔ)存，應(yīng)用時(shí)不需要鑰匙、密碼和其它工具，只需想想他們的密碼，就可以完成操作。文檔編號A61B5/117GK101716079SQ200910186789公開日2010年6月2日申請日期2009年12月23日優(yōu)先權(quán)日2009年12月23日發(fā)明者胡建峰申請人:江西藍(lán)天學(xué)院