基于视觉诱发脑电vep的身份识别方法

专利名称：：基于视觉诱发脑电vep的身份识别方法
技术领域：
：本发明涉及脑电及身份识别领域，具体讲涉及基于视觉诱发脑电VEP的身份识别方法。
背景技术：
：生物特征识别是通过各种高科技信息检测手段、利用人体所固有的生理或行为特征来进行个人身份鉴定。生物特征主要包括生理特征和行为特征两种生理特征是指与生俱来的，先天性的人体物理特征，如指纹、虹膜、掌形、人脸等；行为特征是指从人所执行的运动中提取出来的特征，多为后天性的，如笔迹、击键、步态等。在2001年的MITTechnologyReview杂志中，生物特征识别技术被列为10项最有可能改变世界的技术之一。并预计在不远的将来，生物认证技术将深入到我们生活的方方面面，其综合影响力将不亚于互联网。从信息科学角度来看，生物特征识别属于传统的模式识别问题，它不依赖各种人造的和附加的物品，认定的是人本身。每个人的生物特征具有与其他人不同的唯一性和在一定时期内不变的稳定性，不易伪造和假冒，所以利用生物识别技术进行身份认定，具有安全、可靠、准确等优点。然而，没有一种生物特征是完美的，各种生物特征的识别方式都有其一定的适用范围和要求，单一的生物特征识别系统在实际应用中显现出各自的局限性。使用较广的指纹、人脸、虹膜及掌形识别等第一代生物识别技术，大多需要被监测对象的配合，有时甚至需要被监测对象完成必要的动作才能实现。这些做法比较烦琐，识别速度较慢且使用不便，不易被用户接受。指纹识别的可靠性比较高但是需要实际的物理接触；人脸与虹膜识别不需要物理接触，然而在实际应用时却受到较多的环境限制。研究显示，用明胶制成的假手指就可以轻而易举地骗过指纹识别系统，患白内障的人虹膜会发生变化，在隐形眼镜上蚀刻出的虚假眼虹膜特征也可以让虹膜识别系统真假难辨等等。随着犯罪手段的不断智能化、科技化，第一代身份识别技术将面临防伪、防盗的挑战。因此迫切的需要新的生物认证方法的提出。较之传统的生物特征识别方法，基于脑电(Electroencephalogram，EEG)的身份识别是一种比较新的思路。其实，早在I960年，神经生理学家和精神病学家就提出并验证了“人的脑电信号与携带的基因信息之间存在某种相关性”的论断。然而早期的大部分研究多致力于病理分析和临床诊断；直到近年来，研究者们才将更多的精力投入到健康人体，试图建立个体的某种脑电特征与其所携带的基因信息之间的一一对应关系，从而将脑电作为一种有效的特征用于身份识别，开启该领域的新思路。作为一种有效的生物特征应至少满足以下几点要求1)普遍性；2)唯一性；3)稳定性；4)可采极性。除此之外，脑电(EEG)还具有其他显著而独特的优势，体现在(1)由于脑电来源于大脑的思维活动，难以在压力或胁迫下重现，因而不容易被复制或仿造，系统鲁棒性强。(2)脑电具有高度的个体依赖性。对于同一个外部刺激或者主体在思考同一件事的时候，不同的个体也会产生不同的脑电信号。(3)脑电存在于每一个具有生理功能的活体中，且受损的可能性很小，相对稳定。与之相比，某些传统的生物特征(如指纹或声音)，可能会由于意外损伤(如手部的皮肤烧伤或失声)而丧失本身具有的识别功能。(4)脑电有且只有在活体中存在，故只能用于在体的检测，相对于指纹等外在的特征更加难以复制和伪造。目前，基于脑电信号的身份识别技术在国内外均属起步阶段。1999年，M.Poulos等人首次提出脑电用于身份识别的设想，并建立AR(Aut0-RegreSSive)模型提取脑电特征参数，通过学习矢量量化(LVQ)的方法对4个样本进行分类，达到了72%-84%的识别结果
发明内容为克服现有技术的不足，提供一种基于视觉诱发脑电VEP的身份识别方法，能够比较有效地描述脑电特征成分，达到提高识别率的要求，本发明采取的技术方案是，基于视觉诱发脑电VEP的身份识别方法，包括下列步骤对受试者施加某种图像刺激，选择适当的头皮导联电极采集受试者的视觉诱发脑电，对原始脑电信号进行去噪预处理后，提取Y波段的功率谱作为脑电特征进行研究；随后利用Fisher线性判别对脑电特征进行处理；最后通过BP神经网络对优化后的特征参数进行分类学习与测试，以实现身份的识别。所述提取Y波段的功率谱作为脑电特征进行研究中脑电特征的提取是基于帕瑟瓦尔Parseval时间-频率定理，分别计算每个通道的Y波段功率谱，计算公式如下<formula>formulaseeoriginaldocumentpage4</formula>GBP是GammaBandPower的缩写，表示Y波段的能量，其中，￡是各通道滤波后的Y波段脑电信号，N是各通道滤波并归一化之后的数据总数；进而对各通道GBP进行归一化，消除数据差异<formula>formulaseeoriginaldocumentpage4</formula>NGBP是NormalisedGammaBandPower的缩写，表示归一化Y波段谱能量。所述BP神经网络的核心是通过一边向后传播误差，一边向前修正误差的方式来不断调整包括权值、阈值的网络参数，以实现或逼近所希望的输入输出矢量关系，对每一个训练都进行两趟传播计算1)前向计算——从输入层开始向后逐层计算输出，产生最终输出，并计算实际输出与目标输出的误差；2)反向计算——从输出层开始向前逐层传播误差信号，修正权值，直到误差小于给定阈值，对于η个输入学习样本，…，an，已知与其对应的输出样本为A1,A2,…\。学习的目的是用网络的实际输出C1,C2,…Cq与目标矢量A1,A2,…Aq之间的误差来修改权值，使Ai(l=1,2,-,q)与期望的C1尽可能地接近，即使网络输出层的误差平方和大到最小，是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标，每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。采取K折交叉验证的办法来测试BP神经网络的识别能力将数据集分成K等份，轮流将其中(K-I)份作为训练数据，1份作为测试数据，进行试验，每次试验都会得出相应的正确率，K次结果正确率的平均值作为对算法精度的估计。本发明其特点在于1、由于本发明采用基于Y波段功率谱的特征提取方法，能够比较有效地描述脑电特征成分，具有很高的识别精度；2、由于本发明采用信号后处理、基于BP神经网络的身份识别技术，因而本发明具有测量准确性高，难以复制；3、基于视觉诱发脑电的身份识别方法，是对传统脑电应用领域，如脑机接口技术的拓展，也为生物特征识别开启新的思路。图1本发明技术流程图。图2SnodgrassandVanderwart图片库的图片示例。图3实验时序设置。图4电极放置方式。图5Fisher线性判别示意图。图6BP网络拓扑结构具体实施例方式与早期的研究多采用静息脑电不同，本发明是基于视觉诱发脑电(VEP)的。视觉诱发电位(VisualEvokedPotential,VEP)是当受试者受到某种特殊的视觉刺激(如观察图片)时所产生的诱发脑电信号。研究表明，、波段(30-50HZ)的VEP是与较高级的大脑功能活动，如记忆、认知等密切相关的。由于记忆、认知水平通常体现着个体差异，因而可以用此波段的VEP信号进行身份识别。本发明提出了一种利用Y波段的视觉诱发脑电(VEP)进行身份识别的方法，所涉及到的关键技术包括脑电信号的采集，信号处理，特征提取以及分类识别等。其技术流程为对受试者施加某种图像刺激，选择适当的头皮导联电极采集受试者的视觉诱发脑电，对原始脑电信号进行去噪等预处理后，提取Y波段的功率谱作为脑电特征进行研究；随后利用Fisher线性判别对脑电特征进行处理，在有效降低特征向量维度的同时提高了识别效率；最后通过BP神经网络对优化后的特征参数进行分类学习与测试，以实现身份的识别。较之其他的生物特征识别技术，基于脑电的身份识别思路新颖，具有独特而显著的优势，是对传统脑电研究的突破，也为今后探索更多元而有效的身份识别方法提供了新思路。基于脑电的身份识别方法包括以下基本步骤脑电信号采集、信号预处理、特征提取、信号后处理以及分类识别等，图1所示为本发明的技术流程图对受试者施加适当的视觉刺激，采集产生的相应视觉诱发脑电，经过去噪等预处理后，提取有效的脑电特征，并对其进行降维操作以优化重组；最后将脑电特征送入分类器进行分类学习与测试，达到身份识别的目的。1视觉诱发脑电信号(VEP)的采集VEP信号是当受试者受到某种视觉刺激时产生的诱发脑电信号。本发明设置的图片刺激来源于SnodgrassandVanderwart图片库。该组图片最初是为研究人的记忆和认知能力而设计的，其中的所有图片均为具有一致性表征的普通黑白线条图，图示的事物都是有着明确含义的、容易辨识的事物，如风筝，门，旗子，信封等，图2为一些图片示例。实验设计如下1)受试者佩戴电极帽，选择舒适的姿势坐在椅子上。2)要求受试者观察距离lm远处的电脑屏幕上播放的图片，辨识并记忆图片中的事物。3)每次图片刺激持续300ms，相邻的两次刺激间隔5s，时序设置如图3所示。每组实验共进行10次图片刺激(图片不重复)。4)在国际标准10/20导联电极放置系统的基础上，增加导联数至64导，其中A1，A2，NZ为参考电极，如图4所示。采样频率是256Hz。5)仅以采集到的300ms刺激过程中的脑电信号作为研究对象。这样每组实验共有768(256*0.3*10)个采样点。2原始脑电信号的预处理在提取特征之前首先对原始脑电信号进行预处理，主要是去除眨眼等引入的噪声。夹杂在原始脑电中的眨眼信号不具备识别能力，属于噪声，应当将其去除。由于眨眼信号通常持续250ms，信号幅值在100-200yV之间，而有用脑电信号的幅值远小于此，故可通过一个100uV的低通滤波器将眨眼信号滤除。3波段的选择研究表明，、波段(30-50HZ)的VEP是与较高级的大脑功能活动，如记忆、认知等密切相关的。而本发明设计的视觉刺激实验所激发的视觉诱发脑电信号正是携带者受试者的记忆、认知等信息的。由于记忆、认知水平通常体现着个体差异，因而可以用此波段的VEP信号进行身份识别。另外，由于脑电信号通过64个电极同时采集，这就使得个体之间大脑活动的差异性体现地更加明显。鉴于此，本发明通过巴特沃斯滤波器对原始脑电信号进行了滤波，仅保留其中最相关的、波段(30-50HZ)进行研究，并将各通道的数据点数归一化为256。4脑电特征的提取脑电特征的提取基于帕瑟瓦尔(Parseval)时间-频率定理，分别计算每个通道的Y波段功率谱，计算公式如下<formula>formulaseeoriginaldocumentpage6</formula>(1)GBP(GammaBandPower)表示、波段的能量。其中，S是各通道滤波后的、波段脑电信号，N是各通道的数据总数(滤波并归一化之后)，如前所述，N=256。进而对各通道GBP进行归一化，消除数据差异<formula>formulaseeoriginaldocumentpage7</formula>(2)NGBP(NormalisedGammaBandPower)表示归一化y波段谱能量。5信号后处理本发明的目标是将提取出的Y波段谱能量作为特征，最终用于分类识别。而通过上述帕瑟瓦尔(Parseval)时间-频率定理并归一化后得到的谱能量特征中包含很多冗余信息，它们并不具有可分性，反而降低了识别效果，因而有必要对这些特征进行优化和筛选。本发明是通过Fisher判别分析的方法来实现特征筛选的。Fisher意义下的判别分析方法的中心思想是设法找出一个最佳投影方向，将P维空间中的点投影到低维空间中，使不同的点尽可能地分开，从而提高数据点的可分性，如图5所示为两类样本的Fisher线性判别示意图。假设一个样本集{X}i，在进行线性Fisher判决分析时，目标是找到线性投影方向，以使训练样本在这些轴上的投影结果表现出类内离散度最小，类间离散度最大。定义各类样本的类内离散度矩阵Sv和类间离散度矩阵Sb分别如下<formula>formulaseeoriginaldocumentpage7</formula>(3)(4)其中C是样本类数；n.d^n,=W为第i类包含的样本个数；,为第i类样本的均值；S为所有样本的均值。Fisher准则函数定义为I(w)=(wTSbw)/(wTSww)(5)那么，寻找最佳投影方向的问题在数学上就转化为寻找最佳变换方向w*的问题。显然，最佳投影方向w*是与特征结构的最大特征值相对应的特征向量Sbw=ASww(6)实际上一个最佳投影方向不能提取充足的判别信息，通常需要将原数据投影到一些正交方向上，即求出1个最佳投影方向^，《2…，巧，具有统计不相关的最佳投影矢量集就是将X向这1个最佳投影方向投影得到1维投影特征Y<formula>formulaseeoriginaldocumentpage7</formula>具体到本发明中，对40个人作分类(类别数C=40)，每类均抽取10个样本，即r^不作区分，均为n=10；经过上述谱能量NGBP计算方法，得到每个样本的特征维数是p=64。则第i类样本的原始特征矩阵可表示为<formula>formulaseeoriginaldocumentpage8</formula>具体实施步骤如下<formula>formulaseeoriginaldocumentpage8</formula>(8)计算每类中10个样本的均值T=，(i=l,-,40)；计算所有样本的均值s=云E「=\r-；分别按(3)、⑷计算各类的类内离散度和类间离散度矩阵；构造(5)中定义的Fisher准则函数I(w)，通过求其极值得到1个最佳投影方Wj(1<p)；原样本特征集{X}i通过(7)的变换得到投影特征集{Y}i，其中<formula>formulaseeoriginaldocumentpage8</formula>(9)经实验验证，当1=36时达到的效果最好，实现了特征的降维和优化重组。很容易证明，舍弃的部分特征并不具有可分性，而保留的特征则在降维的同时使得不同类的点尽可能分开，从而提高数据点的可分性，提高识别准确率。6基于BP神经网络的身份识别人工神经网络(ArtificialNeuralNetwork，ANN)是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，具有高度的非线性。本发明选用多层前馈神经网络及误差逆传播学习算法(ErrorBackPropagation)，简称为BP网络。BP人工神经网络按有导师的学习规则进行监督训练学习，当一对学习模式提供给网络后，神经元的激活值从输入层经过中间层向输出层传播，在输出层的各种神经元均获得网络的输入响应。并按照减小期望输出值与实际输出值之间误差的方向，从输出层经过中间层逐层修正各层的连接权值，最后回到输入层，所以称作“误差逆传播算法”。随着这种误差逆传播修正的不断进行，网络对输入模式响应的正确率也不断上升。最后在达到允许的误差范围内，网络达到平衡状态后自动收敛。如图6所示为基本BP网络的拓扑结构。BP网络算法的核心是通过一边向后传播误差，一边向前修正误差的方式来不断调整网络参数(权值，阈值)，以实现或逼近所希望的输入输出矢量关系。它对每一个训练都进行两趟传播计算1)前向计算——从输入层开始向后逐层计算输出，产生最终输出，并计算实际输出与目标输出的误差；2)反向计算——从输出层开始向前逐层传播误差信号，修正权值，直到误差小于给定阈值。对于n个输入学习样本，…，an，已知与其对应的输出样本为AnA2，…Aq。学习的目的是用网络的实际输出Q，C2，…(；与目标矢量A2，之间的误差来修改权值，使=1,2,…，q)与期望的(^尽可能地接近；即使网络输出层的误差平方和大到最小。它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。将上述降维并优化后的特征向量{Y}i作为输入，样本本身所属的类别标号作为目标矢量，由神经网络系统实现分类识别。为了准确测试BP神经网络的识别能力，防止因局部数据坏点而影响识别效果，本发明采取了K折交叉验证的办法。将数据集分成K等份，轮流将其中(K1)份作为训练数据，1份作为测试数据，进行试验。每次试验都会得出相应的正确率，K次结果正确率的平均值作为对算法精度的估计。有益效果将本发明在40个类别共40*10个样本组成的数据库上进行了测试，首先计算滤波后脑电信号的Y波段功率谱作为脑电特征；然后经过Fisher判别分析将原始的64维特征经筛选后简化为36维；最后通过BP神经网络实现分类识别。采用不同折数的交叉验证，分别得到以下识别结果，如表1表140位受试者识别结果<table>tableseeoriginaldocumentpage9</column></row><table>表1所示的结果表明，视觉诱发脑电信号中携带着个体可分性的信息，能够作为一种生物特征用于身份识别。本实验提出的基于Y波段功率谱的特征提取方法，能够比较有效得描述脑电特征成分，结果满足识别率的要求。脑电不仅能用于病理分析和医疗诊断，而且作为一种有效的生物特征，它的产生与人的思维活动密切相关，表现出高度的个体依赖性。作为脑电中的一种，视觉诱发脑电是在个体受到某种图像刺激时产生的脑电信号，它与人的记忆和认知等能力有关，而这些能力体现着明显的个体差异性。基于此，本发明提出一种新的基于视觉诱发脑电的身份识别方法，是对传统脑电应用领域(如脑机接口技术)的拓展，也为生物特征识别开启新的思路。该项发明可弥补传统生物特征识别技术的不足，因其高精度和难以复制等显著优势，作为一种有力的补充，可集成应用于军事领域或某些高安全性要求的机构和场所，创造更为安全和谐的社会生活环境，并有望获得可观的社会效益和公共安全服务的提升。最佳实施方案拟采用专利转让、技术合作或产品开发。权利要求一种基于视觉诱发脑电VEP的身份识别方法，其特征是，包括下列步骤对受试者施加某种图像刺激，选择适当的头皮导联电极采集受试者的视觉诱发脑电，对原始脑电信号进行去噪预处理后，提取γ波段的功率谱作为脑电特征进行研究；随后利用Fisher线性判别对脑电特征进行处理；最后通过BP神经网络对优化后的特征参数进行分类学习与测试，以实现身份的识别。2.根据权利要求1所述的一种基于视觉诱发脑电VEP的身份识别方法，其特征是，所述提取、波段的功率谱作为脑电特征进行研究中脑电特征的提取是基于帕瑟瓦尔Parseval时间-频率定理，分别计算每个通道的、波段功率谱，计算公式如下<formula>formulaseeoriginaldocumentpage2</formula>GBP是GammaBandPower的缩写，表示、波段的能量，其中，5是各通道滤波后的、波段脑电信号，N是各通道滤波并归一化之后的数据总数；进而对各通道GBP进行归一化，消除数据差异<formula>formulaseeoriginaldocumentpage2</formula>NGBP是NormalisedGammaBandPower的缩写，表示归一化Y波段谱能量。3.根据权利要求1所述的一种基于视觉诱发脑电VEP的身份识别方法，其特征是，所述BP神经网络的核心是通过一边向后传播误差，一边向前修正误差的方式来不断调整包括权值、阈值的网络参数，以实现或逼近所希望的输入输出矢量关系，对每一个训练都进行两趟传播计算前向计算——从输入层开始向后逐层计算输出，产生最终输出，并计算实际输出与目标输出的误差；反向计算——从输出层开始向前逐层传播误差信号，修正权值，直到误差小于给定阈值，对于n个输入学习样本a1，a2…，an，已知与其对应的输出样本为A1，A2，…Aq。学习的目的是用网络的实际输出C1，C2…Cq；与目标矢量A1，A2…Aq，之间的误差来修改权值，使A1(l=1,2,…,q)与期望的(^尽可能地接近；即使网络输出层的误差平方和大到最小，是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标，每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。4.根据权利要求1所述的一种基于视觉诱发脑电VEP的身份识别方法，其特征是，采取K折交叉验证的办法来测试BP神经网络的识别能力将数据集分成K等份，轮流将其中(K-1)份作为训练数据，1份作为测试数据，进行试验，每次试验都会得出相应的正确率，K次结果正确率的平均值作为对算法精度的估计。全文摘要本发明脑电及身份识别领域。为提供能够比较有效地描述脑电特征成分、达到提高识别率的要求的身份识别方法，本发明采取的技术方案是，基于视觉诱发脑电VEP的身份识别方法，包括下列步骤对受试者施加某种图像刺激，选择适当的头皮导联电极采集受试者的视觉诱发脑电，对原始脑电信号进行去噪预处理后，提取γ波段的功率谱作为脑电特征进行研究；随后利用Fisher线性判别对脑电特征进行处理；最后通过BP神经网络对优化后的特征参数进行分类学习与测试，以实现身份的识别。本发明主要应用于身份识别。文档编号A61B5/117GK101828921SQ20101019982公开日2010年9月15日申请日期2010年6月13日优先权日2010年6月13日发明者万柏坤,任玥,徐瑞,明东,白艳茹,綦宏志申请人:天津大学