基于二阶盲辨识的脑电信号识别方法专利检索-诱发电位解剖与生理专利检索查询-专利查询网

基于二阶盲辨识的脑电 信号识别方法

阅读：815发布：2020-10-13

专利汇可以提供基于二阶盲辨识的脑电信号识别方法专利检索，专利查询，专利分析的服务。并且本发明属于生物医学工程和信息技术领域，该发明实现了通过采集分析人脑脑电信号实现对个体的身份认证和识别。通过不同的刺激模式训练受试者，让受试者适应不同的刺激模式，产生不同的脑电信号，通过二阶盲辨识对刺激产生的脑电信号进行分析，抽提出个体的特征信号进行分类识别，以确定目标特征，训练过程结束。身份识别时，只需将采集的脑电信号提取出目标特征，进行分类，并与每人的模板相比较，即可确定识别结果。研究结果表明，最高识别率88％，平均识别率在83％左右，能够实现个体身份识别和认证。，下面是基于二阶盲辨识的脑电信号识别方法专利的具体信息内容。

权利要求

1、基于二阶盲辨识的脑电信号识别方法，其特征在于：本发明包含以下步骤：
步骤(1)、受试者带上电极帽，原始脑电信号是通过64导符合国际脑电图学会标定的10/20法的EEG 放大器采集，采样率为250Hz，以左侧乳突为参考电极，带通滤波器通频带为1-50Hz，选取6个电极采集脑电信号，6个电极是国际脑电图学会标定的10/20国际标准中的C3，C4，P3，P4，O1和O2 6 个电极位置，采集不同运动想象过程的受试者脑电信号；
步骤(2)、在计算机屏幕上根据设定好的刺激程序，提示受试者开始想象运动，受试者根据实验要求，做出四类不同的运动想象，想象左手运动、右手运动、腿动和舌动，受试者经过训练，熟悉实验过程；
步骤(3)、将采集到的脑电信号进行预处理，首先对获取的脑电信号进行筛选，排除一部分明显异常的脑电信号，然后对剩下的脑电信号进行去眼电、去伪迹、基线校正、线性校正预处理；
步骤(4)、脑电信号处理，经过预处理的脑电信号中仍然包含很多无关的诱发电位和背景噪声，采用盲源分离算法中的二阶盲辨识来对脑电信号进行进一步处理；
步骤(5)、特征提取，采用Fisher距离来确定特征，对每根电极的数据提取8-12个特征点，总共48--72个特征点；
步骤(6)、使用BP神经网络进行分类学习与测试。我们可以确定适合该受试者的运动想象类型；
步骤(7)、将未知的脑电数据输入神经网络进行识别和认证。受试者通过上述步骤1-6后，确定了BP神经网络结构和适合的运动想象类型，此时就可以进行识别和认证了，受试者戴上电极帽，按照步骤2开始运动想象，只需步骤6中确定的最适合的一种运动想象类型，采集脑电信号，预处理后，按照步骤5介绍的算法提取特征量，将提取的特征量输入到步骤6确定的神经网络中。如果是识别，则神经网络输出受试者的编码；如果是认证，则神经网络输出则改为是否该受试者。
2、如权利要求1所述的基于二阶盲辨识的脑电信号识别方法，其特征在于：
步骤(4)、脑电信号处理的具体算法如下：令x(t)的n个列向量对应n 个电极的连续时间脑电信号，则xi(t)对应第i个电极的脑电信号。每一个xi(t) 都可以看成是n个源si(t)的线性瞬时混合，混合矩阵为A，则
x(t)＝As(t)           (1)
SOBI仅仅利用传感器测量得到的脑电信号x(t)，得到近似于A-1分解矩阵W，使得 $\hat{s} (t) = Wx (t) - - - (2)$
为恢复的连续时间源信号，
SOBI算法有两个步骤：首先对脑电信号进行零均值化，如下式所示：
y(t)＝B(x(t)-)         (3)
尖括号<·>表示时间平均，因此y的均值为零。矩阵B的取值使得y的相关矩阵为单位矩阵，其值由下式给出，
$B = diag (λ_{i}^{- 1 / 2}) U^{T} - - - (4)$
其中λi为相关矩阵<(x(t)-)(x(t)-)T>的特征值，U的各列则为其对应的特征向量，
第二步，构造一组对角矩阵：选取一组时间延迟τ，计算信号y(t)和它的时间延迟信号y(t+τ)的对称化相关矩阵：
Rτ＝sym()          (5)
其中sym(M)＝(M+MT)/2              (6)
这是一个将不对称矩阵转变为相关的对称矩阵的函数。对称化的过程丢失了一些信息，但却提供了有效的解决方法，
计算完Rτ，再对Rτ进行对角化：通过旋转矩阵V，运用迭代法，使得
∑τ∑i≠j(VTRτV)ij2             (7)
取得极小值，则分离矩阵的估计
W＝VTB                            (8)。

说明书全文

技术领域

本技术发明属于生物医学工程和信息技术领域。

技术背景：

身份识别及验证是是保证国家公共安全和信息安全的重要前提。在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。传统的身份标识物品(如钥匙、证件、银行卡) 等的验证方法；另一类为基于身份标示知识(如用户名、密码等)的验证方法。但是，标示物品容易遗失或假冒，标示知识容易遗忘或破译。生物特征识别技术给这一愿望带来了实现的可能。人们可能会遗忘或丢失他们的卡片或密码，但绝对不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹、脑电波等。因此，基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入我们社会生活的各个领域，迎接新时代的挑战。自20世纪80年代末90年代初，随着信息安全重要性的日益突出，生物特征识别技术研究开始成为一个研究热点。生物特征识别技术(Biometrics)是指通过计算机与光学、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(如指纹、人脸、虹膜、脑电波、脉搏等)或行为特征(如笔迹、语音、步态等)来进行个人身份的认证。生物特征识别技术具有不会遗忘、不易伪造或被盗、随身携带和随时随地可用等优点，比传统的身份认证方法更加安全、保密、方便。能够用来鉴定和认证身份的生物特征应该具有普遍性、唯一性、稳定性和可采集性等特点。目前，比较成熟和最具有应用前景的几种生物特征识别技术包括指纹、人脸、人脸温谱图、虹膜、视网膜、手型、声纹以及签名等。其中，虹膜识别和指纹识别被公认为最可靠的两种生物识别技术。

人的任何生理或行为特征只要它满足以下的条件，原则上就可以作为生物特征用于身份鉴别：(1)普遍性，每个人都有；(2)唯一性，每个人都不同； (3)稳定性，在某一段时间是不变的；(4)可采集性，可以方便的定量测量。当然，仅仅满足以上的条件未必可行，实际的系统还应该考虑：(1)性能，即识别的准确性、速度、鲁棒性以及为达到要求所需要的资源；(2)可接受性，人们对这种生物识别的接受程度；(3)可欺骗性，能否通过主观欺诈的方法骗过系统的难易程度。

目前常用的生物识别技术存在这样或那样的问题，例如人脸识别对于双胞胎无能为力；声纹识别容易模仿；指纹识别会受手指受伤的影响，同时也容易盗用。脑电(EEG)信号不仅是一个非常有用的临床诊断工具，而且也是一种很好的用于身份认证的生物特征识别工具。首先，它具备普遍性，每个人都有脑电波；其次由于每个人的大脑特性、思维方式、记忆等不同造成人与人之间存在不同的EEG信号；第三，EEG也具备一定的稳定性，在一定时间内，EEG 信号可以保持相对的稳定性，最后，EEG信号便于采集。基于EEG信号的生物识别系统能够达到一定的准确性和较快的速度，并且对人体不会产生任何伤害，人们也能接受。由于EEG信号来源于大脑的思维活动，难以伪造，系统的鲁棒性很高。对人脑的脑电信号研究分析表明，不同个体在不同的脑区会产生不同的神经脉冲反应，根据这种脑电信号不同，可以提取出个体的脑电信号特征，利用设定的分类算法，能使得脑电信号具备个体特异性。基于以上分析，基于脑电的生物身份识别系统是一种新的有应用前景的身份鉴别系统。

发明内容

本发明利用对运动想象脑电信号的分类，实现对受试者的身份识别，只采用与运动想象有关的电极信号进行数据分析，采用经研究对运动想象脑电信号十分有效的信号处理及特征抽取方法——二阶盲辨识和Fisher距离来提取特征，借助神经网络进行特征分类，从而实现身份的识别。该方法适合包括身体残疾，视觉缺陷等各类人群，有较好适用性。
本发明包含以下步骤：
步骤1、受试者带上电极帽，原始脑电(EEG)信号是通过64导符合国际脑电图学会标定的10/20法的EEG 放大器采集，采样率为250Hz，以左侧乳突为参考电极，带通滤波器通频带为1-50Hz，选取6个电极采集脑电信号(也就是国际脑电图学会标定的10/20国际标准中的C3，C4，P3，P4，O1和O2共6 个电极位置)，采集不同运动想象过程的受试者脑电信号。
步骤2、在计算机屏幕上根据设定好的刺激程序(提示受试者开始想象运动)，受试者根据实验要求，做出四类不同的运动想象(想象左手运动、右手运动、腿动和舌动)。受试者经过训练，熟悉实验过程。
因为每个人对不同运动想象的适应性是不同的，我们在学习过程中让受试者尝试四种不同的运动想象类型，通过学习和测试，我们就能够决定哪一种运动想象类型最适合。例如，当受试者通过学习和测试后，我们发现想象舌动的识别率比其他三种运动想象类型的识别率要高，我们就认为可能这位受试者更适合与想象舌动，在今后的使用中只需想象舌动即可，无需想象其他运动了。
步骤3、将采集到的脑电信号进行预处理。首先对获取的脑电信号进行筛选，排除一部分明显异常的脑电信号，然后对剩下的脑电信号进行去眼电、去伪迹、基线校正、线性校正等预处理，经过预处理后的脑电信号将进一步的信号处理。
步骤4、脑电信号处理。经过预处理的脑电信号中仍然包含很多无关的诱发电位和背景噪声，因此空间分辨率和信噪比很低，为了从背景噪声中识别有用的信号，必需进行进一步处理，本发明采用一种盲源分离算法——二阶盲辨识来对脑电信号进行进一步处理，其具体算法如下：
令x(t)的n个列向量对应n个电极的连续时间脑电信号，则xi(t)对应第i个电极的脑电信号。每一个xi(t)都可以看成是n个源si(t)的线性瞬时混合，混合矩阵为A，则
x(t)＝As(t) (1)
SOBI仅仅利用传感器测量得到的脑电信号x(t)，得到近似于A-1分解矩阵W，使得

\hat{s} (t) = Wx (t) - - - (2)

为恢复的连续时间源信号。
SOBI算法有两个步骤：首先对脑电信号进行零均值化，如下式所示：
y(t)＝B(x(t)-) (3)
尖括号<·>表示时间平均，因此y的均值为零。矩阵B的取值使得y的相关矩阵为单位矩阵，其值由下式给出

B = diag (λ_{i}^{- 1 / 2}) U^{T} - - - (4)

其中λi为相关矩阵<(x(t)-)(x(t)-)T>的特征值，U的各列则为其对应的特征向量。
第二步，构造一组对角矩阵：选取一组时间延迟τ，计算信号y(t)和它的时间延迟信号y(t+τ)的对称化相关矩阵：
Rτ＝sym()    (5)
其中
sym(M)＝(M+MT)/2    (6)
这是一个将不对称矩阵转变为相关的对称矩阵的函数。对称化的过程丢失了一些信息，但却提供了有效的解决方法。
计算完Rτ，再对Rτ进行对角化：通过旋转矩阵V，运用迭代法，使得
∑τ∑i≠j(VTRτV)ij2    (7)
取得极小值，则分离矩阵的估计
W＝VTB    (8)
步骤5、特征提取
为了进行分类，首先要进行特征提取。特征提取，就是要在所有数据中提取出能区分样本类型的数据点，即特征点，本发明采用Fisher距离来确定特征。在分类研究中，Fisher距离常常被用来表示类型间的差异，Fisher距离的大小与类型间的区分度成正比，若是类型间区分度较大，即差异明显，则fisher距离较大，否则，Fisher距离较小。
两类间的Fisher距离计算公式如下：

F = \frac{{(μ_{1} - μ_{2})}^{2}}{σ_{1}^{2} + σ_{2}^{2}} - - - (9)

其中F表示Fisher距离，μ和σ分别为均值和方差，下标1、2则分别代表两个不同的类。
对于三类或以上的情况，可以将Fisher距离公式进行推广，如下：

F = \frac{{(μ_{1} - μ_{2})}^{2} + {(μ_{1} - μ_{3})}^{2} + . . . + {(μ_{n - 1} - μ_{n})}^{2}}{σ_{1}^{2} + σ_{2}^{2} + . . . + σ_{n}^{2}} - - - (10)

对于每一个数据点，Fisher距离的大小表示了该数据点作为特征对分类的贡献度，Fisher距离越大的点，在分类中的贡献越大。
特征点个数的多少与最终识别率、算法复杂程度和识别速率密切相关，特征点过多或过少，都会影响识别率，使识别率降低，另外特征点越多，算法越复杂，识别越慢；反之，特征点越少，算法越简单，识别越快。因此，特征点的数量对最终的性能影响非常大。经过反复测试发现，特征提取，采用Fisher 距离来确定特征，对每根电极的数据提取8-12个特征点，总共48--72个特征点；能够达到较高的识别率，而且识别速度也不慢，算法复杂度一般。
步骤6、使用BP神经网络进行分类学习与测试。BP神经网络输入层共60 个单元，隐含层10个单元，输出层1个单元。将上述60个特征作为BP神经网络的输入层，把每个受试者每次运动想象的脑电信号通过步骤5提取出的特征输入到输入层，每个受试者学习过程有20个数据(四种运动想象类型各5 个)，通过学习过程我们确定了神经网络的各项参数。测试过程也有20个数据，通过测试过程，我们可以确定适合该受试者的运动想象类型(识别率最高)。
步骤7、将未知的脑电数据输入神经网络进行识别和认证。受试者通过上述步骤1-6后，确定了BP神经网络结构和适合他(她)的运动想象类型，此时就可以进行识别和认证了。受试者戴上电极帽，按照步骤2开始运动想象(只需步骤6中确定的最适合的一种运动想象类型)，采集脑电信号，预处理后，按照步骤5介绍的算法提取60个特征量，将提取的特征量输入到步骤6确定的神经网络中。如果是识别，则神经网络输出受试者的编码；如果是认证，则神经网络输出则改为是否该受试者(0或1)。
本发明所述的识别指的是从若干个受试者中选择这段脑电信号是哪一个受试者的；而认证过程则为确定这段脑电信号是否是某位受试者的，前者是选择题，而后者是判断题。
本发明使用的是脑电信号，是对脑电信号进行信息特征提取，使用的方法是通过大脑想象各种不同的运动方式，对其进行特征提取和分类，从而实现通过脑电信号对个体身份进行识别或认证的过程。把脑电信号作为身份识别，提供一种新型的密码系统，既能解决某些残疾人不能完成日常身份识别的问题，也可以用于在对身份识别有较高要求的场合。
本方法的创新点有：
1、采用脑电信号作为身份识别的输入信号，不同于以往的指纹、虹膜等。
2、采集了基于运动想象的脑电信号，也就是受试者在想象四种运动时所产生的脑电信号，当然也适用于其他脑电信号(比如视觉诱发电位、事件诱发电位等)。
3、采用了二阶盲辨识及Fisher距离对脑电信号进行信息提取。
4、同时实现了识别和认证功能。识别指的是从若干个人的脑电信号中判断是谁的脑电信号，而认证指的是判断某一脑电信号是否是目标者的脑电信号。
5、针对不同受试者的特点，自动选择适合受试者的运动想象类型。
附图说明
图1电极的选取示意图，
图2基于脑电信号的身份识别系统特征提取流程图，
图3基于脑电信号的身份识别流程图。

具体实施方式

本发明方法，在脑电信号身份识别系统中，用来实现对个体身份的识别，按附图1、2、3。可以通过下列步骤实现：
步骤1、受试者带上电极帽，原始脑电(EEG)信号是通过64导符合国际脑电图学会标定的10/20法的EEG放大器采集，采样率为250Hz，以左侧乳突为参考电极，带通滤波器通频带为1-50Hz，选取6个电极采集脑电信号，具体电极位置如图1所示。也就是国际脑电图学会标定的10/20国际标准中的C3， C4，P3，P4，O1和O2共6个电极位置，采集不同运动想象过程的受试者脑电信号。
步骤2、在计算机屏幕上根据设定好的刺激程序(提示受试者开始想象运动)，受试者根据实验要求，做出四类不同的运动想象(想象左手运动、右手运动、腿动和舌动)。受试者经过训练，熟悉实验过程。
步骤3、将采集到的脑电信号进行预处理。首先对获取的脑电信号进行筛选，排除一部分明显异常的脑电信号，然后对剩下的脑电信号进行去眼电、去伪迹、基线校正、线性校正等预处理，经过预处理后的脑电信号将进一步的信号处理。
步骤4、脑电信号处理。经过预处理的脑电信号中仍然包含很多无关的诱发电位和背景噪声，因此空间分辨率和信噪比很低，为了从背景噪声中识别有用的信号，必需进行进一步处理，本发明采用一种盲源分离算法——二阶盲辨识来对脑电信号进行进一步处理，其具体算法如下：
令x(t)的n个列向量对应n个电极的连续时间脑电信号，则xi(t)对应第i个电极的脑电信号。每一个xi(t)都可以看成是n个源si(t)的线性瞬时混合，混合矩阵为A，则
x(t)＝As(t) (1)
SOBI仅仅利用传感器测量得到的脑电信号x(t)，得到近似于A-1分解矩阵W，使得

\hat{s} (t) = Wx (t) - - - (2)

B = diag (λ_{i}^{- 1 / 2}) U^{T} - - - (4)

F = \frac{{(μ_{1} - μ_{2})}^{2}}{σ_{1}^{2} + σ_{2}^{2}} - - - (9)

其中F表示Fisher距离，μ和σ分别为均值和方差，下标1、2则分别代表两个不同的类。
对于三类或以上的情况，可以将Fisher距离公式进行推广，如下：

F = \frac{{(μ_{1} - μ_{2})}^{2} + {(μ_{1} - μ_{3})}^{2} + . . . + {(μ_{n - 1} - μ_{n})}^{2}}{σ_{1}^{2} + σ_{2}^{2} + . . . + σ_{n}^{2}} - - - (10)

对于每一个数据点，Fisher距离的大小表示了该数据点作为特征对分类的贡献度，Fisher距离越大的点，在分类中的贡献越大。
特征点个数的多少与最终识别率、算法复杂程度和识别速率密切相关，特征点过多或过少，都会影响识别率，使识别率降低，另外特征点越多，算法越复杂，识别越慢；反之，特征点越少，算法越简单，识别越快。因此，特征点的数量对最终的性能影响非常大。经过反复测试发现，特征提取，采用Fisher 距离来确定特征，对每根电极的数据提取10个特征点，总共60个特征点；能够达到较高的识别率，而且识别速度也不慢，算法复杂度一般。
步骤6、按照图2所示的流程提取每个受试者的脑电信号特征，通过BP 神经网络学习和识别，确定神经网络结构和运动想象类型，训练过程结束。BP 神经网络输入层共60个单元，隐含层10个单元，输出层1个单元。将上述60 个特征作为BP神经网络的输入层，把每个受试者每次运动想象的脑电信号通过步骤5提取出的特征输入到输入层，每个受试者学习过程有20个数据(四种运动想象类型各5个)，通过学习过程我们确定了神经网络的各项参数。测试过程也有20个数据，通过测试过程，我们可以确定适合该受试者的运动想象类型(识别率最高)。
步骤7、按照图3所示的流程对每个受试者的身份进行识别和认证。将未知的脑电数据输入神经网络进行识别和认证。受试者通过上述步骤1-6后，确定了BP神经网络结构和适合他(她)的运动想象类型，此时就可以进行识别和认证了。受试者戴上电极帽，按照步骤2开始运动想象(只需步骤6中确定的最适合的一种运动想象类型)，采集脑电信号，预处理后，按照步骤5介绍的算法提取60个特征量，将提取的特征量输入到步骤6确定的神经网络中。如果是识别，则神经网络输出受试者的编码；如果是认证，则神经网络输出则改为是否该受试者(0或1)。
目前国外的一些研究主要以视觉刺激或肌电作为特征源，本研究以运动想象脑电信号作为身份识别，能适合残疾等各种人群，有较好的适应性。在方法上，采用二阶盲辨识进行信号处理，并采用Fisher距离来提取特征。从结果可以看出，想象舌动脑电信号识别率最高，达到88.1％，四种想象运动脑电信号平均识别率在82.8％，识别率较国外的其它方法高出5个百分点左右。

标题	发布/更新时间	阅读量
一种基于云服务的肌电图诱发电位仪	2020-05-12	753
一种适用于肌电图诱发电位仪的高电导率电极	2020-05-19	486
一种基于触听觉诱发电位的脑控轮椅系统	2020-05-19	139
一种听觉诱发电位测试装置	2020-05-13	508
体感诱发电位波形的分类器	2020-05-13	822
诱发电位检测系统的刺激器手持件	2020-05-13	748
肌电诱发电位图仪抗干扰电路	2020-05-15	820
诱发电位检测系统的刺激器手持件	2020-05-16	820
一种动物前庭诱发电位的获取系统	2020-05-11	647
新型肌电图诱发电位仪	2020-05-17	761

基于二阶盲辨识的脑电信号识别方法

技术领域

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：