CN102509103A - 基于视觉诱发p3脑电的身份识别 - Google Patents
基于视觉诱发p3脑电的身份识别 Download PDFInfo
- Publication number
- CN102509103A CN102509103A CN201110294417XA CN201110294417A CN102509103A CN 102509103 A CN102509103 A CN 102509103A CN 201110294417X A CN201110294417X A CN 201110294417XA CN 201110294417 A CN201110294417 A CN 201110294417A CN 102509103 A CN102509103 A CN 102509103A
- Authority
- CN
- China
- Prior art keywords
- identification
- potential
- brain electricity
- average
- brain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于脑电的身份识别技术领域。为提供一种提供一种基于视觉诱发P3脑电的身份识别方法,本发明采取的技术方案是,基于视觉诱发P3脑电的身份识别方法,包括下列步骤:采用相干平均法分离P3信号,记录信号、诱发电位和噪声的关系可表示如下:xi(n)=s(n)+ni(n) i=1,2,......M;n=1,2,......N(1)在反复刺激和叠加的过程中,与刺激有固定锁时关系的诱发电位逐渐增大,而随机背景噪声相互抵消,从而使P3分离出来;将以上分离出的P3波形作为特征,输入支持向量机SVM中进行训练和测试,为了提高识别精度,采用了10折交叉验证的方法。本发明主要应用于身份识别场合。
Description
技术领域
本发明属于脑电的身份识别技术领域,特别是基于视觉诱发P3脑电的身份识别。
背景技术
P3自Sutton等人发现后,便引起了人们广泛的注意,被认为是了解认知神经基础的最主要信息来源和评价脑功能状态的客观指标,是“窥视”心理活动内容的一个“窗口”。因为最初发现是出现在刺激后300ms左右,因而也将这种成分叫做P300。在发现P3之后,人们很快对它的相关心理因素进行了大量研究,使P3成为事件相关电位(ERP)中研究量最大、研究持续时间最长、应用最广的成分。P3最初是由经典的Oddball实验范式诱发产生的,其基本原理是:对同一感觉通路的一系列刺激由两种刺激组成,一种刺激出现的概率较大(如85%),称为标准刺激;另一种刺激出现的概率较小(如15%),称为偏差刺激。两种刺激出现的顺序是随机的。当偏差刺激出现时,让被试记忆其数目,或者尽快按键。此时,偏差刺激就成为了靶刺激,在其后300ms左右观察到一个正波,即为P3。
P3的诱发方式有很多,如视觉、听觉、体感等,本发明的P3脑电是基于视觉诱发的。视觉诱发P3的一个典型应用是字符拼写(P3-Speller),最早由Farwell和Donchin提出并运用于BCI***中。在帮助运动障碍的残疾人完成字符输入、与外界进行交流以及控制外部设备等发面做出了巨大的贡献。但是P3-Speller的研究中,迄今为止鲜有报道用不同人的P3实现准确的字符输入。事实上,这个问题在很早以前就引起了研究者的关注,第III届BCI大赛中具有突出表现的Alain Rakotomamonjy曾在他的文章中提到:为使BCI字符输入技术能够更加有效的服务于病人,实现无需训练的、跨人(inter-subject)的识别是非常重要的。具体来讲,就是用被试A的数据来训练分类器,再用被试B的数据在训练好的分类器上进行测试,如果能得到相似水平的字符识别效果,那将是一个重大的突破。然而遗憾的是,作者坦言,就当时的数据和技术而言,进行这样跨人的识别只能得到26%的正确率,可见难度之大。但是,这个结果也从另一个角度反映了P3显著的个体差异性。正是利用这一特性,本发明提出了基于视觉诱发P3脑电信号来实现身份识别的方法。
传统的身份识别方法主要是通过身份标识物品(如钥匙、证件、银行卡等)和身份标识信息(如用户名和密码)来实现的。一旦这些“身外之物”被盗用或丢失,其身份就容易被他人冒充或取代,较低的可靠性显然已无法满足当今时代发展的需要。于是一种新型的身份识别方法孕育而生,那就是生物特征识别,近年来受到世界各国的普遍关注。生物特征识别的确切定义是:通过计算机利用人体所固有的生理特征或行为特征来进行个人身份识别的一种技术。其中生理特征与身体形态相关,如DNA,指纹,人脸,声音,掌形,手部纹理,虹膜,视网膜,耳廓形状,体味,掌印等;而行为特征与人的外在行为规律相关,比如字迹,步态等,以及近些年来新提出的击键力度和节律等。
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。同时,它很大程度的依赖于计算机技术,所以可以很方便地集成为计算机***,实现计算机管理,大大节省了人力资源。
然而,生物特征识别技术也面临着一些挑战,比如指纹、声音、视网膜等,在严格意义上讲并不具备普遍性,而且可能会遭到有形损害。如手部烧伤可能造成指纹破坏;人脸图像无法实现双胞胎的识别;声音很容易被仿真;视网膜脱落导致其识别功能丧失等。而且使用较广的指纹、人脸、虹膜及掌形识别等生物识别技术,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,不易被用户接受。
此外,生物特征伪造成为现今普遍的犯罪活动之一,造成巨大的财产损失和严重的安全隐患。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***,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虹膜特征也可以让虹膜识别***真假难辨等等。犯罪手段的不断智能化、科技化,对传统生物特征识别技术提出新的挑战,同时也需要不断探索新的生物特征识别手段。
作为一种新型的生物特征,脑电具有自身独特的优势,体现在:
(1)普遍性强。每一个活体和具有生命功能的个体都能记录到脑电信号,只要大脑不停歇,脑电信号每时每刻都在产生,因而脑电具有较高的普遍性;
(2)相对稳定。脑损伤的发生率极低,因而脑电是一种在相对较长的时期内稳定存在的特征;
(3)特异性强。据估计,人类的大脑中包含有多达1011个神经元和1015个突触,因而可以说每个人的大脑构造各不相同,产生的脑电也千差万别,符合个体间差异性大的要求。
(4)难以复制和伪造。脑电是依赖于个体内部心理任务的映射,与精神活动密切相关,具有高度的个体依赖性。脑电的精确复制是一个极其复杂甚至几乎不可能实现的任务,这一观点得到绝大多数研究者的认可,至今还没有在任何文献中被否认过;
(5)仅存在于活体中,避免体外模仿。目前已有“假指纹”、“假虹膜”等的相关报道,严重威胁着生物特征识别的可靠性。这类仿造之所以容易实现,是因为这些特征都暴露于身体外部或表层。与之相反,脑电是由大脑皮层神经元电活动产生的,存在于活体内部,避免了上述问题。
(6)只能用于活体识别。以上暴露与身体之外的特征还有一个潜在的缺陷:用包含特征的部分肢体(即使从活体上被肢解下来)同样可以达到识别的目的。而脑电则不存在这样的问题,因为它只对活体才有意义,从而增加了***的安全性和可靠性。
(7)可实现连续识别。传统的生物特征识别都建立在“一次性”识别的假设之上,例如门禁***,银行监控,通行关卡等。但是换一个角度,从使用者的需求来看,这种一次性的认证方式的安全度是较低的。与之相对,脑电可以自发的、无意识地产生,不需要使用者有的主动参与,因而可以实现连续的记录和识别。
(8)规避性强。脑电容易受到压力和情绪的干扰,人在压力和强迫之下产生的脑电与正常情况相差甚远。从这个意义上能够有效保护使用者的安全并提高识别的可靠性。
尽管基于脑电的身份识别技术有很多潜在的优势,但是目前对于它的研究在国内外均属于起步阶段,这与脑电信号本身的复杂性有关。1999年,Poulos等人首先开始了以脑电作为一种生物特征的开创性研究,提取静息状态下脑电的AR模型参数特征,用学习矢量量化神经网络(LVQ-NN)的方法进行分类,得到72%-84%的识别结果。考虑到脑电中的非线性成分,他改用双线性模型(包括线性和非线性两部分)代替原来的线性模型,在相同数据的基础上得到76%-88%识别结果。在另一项研究中,Poulos等人尝试使用基于计算几何学的分类方法,识别率有所改善,达到95%。2001年,Paranjape等人提取不同阶数的AR模型参数特征,对来自40人的349个样本进行分类,得到80%左右的识别结果。
总的说来,以上开展的这些早期工作中,用以分析的脑电信号大多来自于静息状态(睁眼或闭眼)。而随着研究的不断深入,人们对于脑电的个体差异性有了新的认识。2003年,有人开始尝试采用与任务相关的诱发脑电进行身份识别,结果显示较之静息态脑电效果有明显的改善。在Palaniappan和Ravi的研究中,数据来自于20名被试61导的视觉诱发电位,使用SFA神经网络对γ波段的功率谱特征进行分类,平均识别率达到94.18%。对上述方法加以改进,Palaniappan和Mandic同样采用视觉诱发电位,对40个人进行分类,达到98%的识别结果。为了寻找更适合的特征提取算法,除了AR模型,功率谱以外,还有人提出同侧脑半球功率谱差,对侧脑半球线性复杂度等多种特征提取方法。2007年,Marcel和Mill′an采用一种基于多任务诱发脑电(包括运动想象和思维活动)对9个人进行分类,得到93.4%的识别结果。胡剑锋等人用6通道的运动想象电位(想象左右手、舌动、脚动)做分类,得到75%-78.3%的识别结果。Bao等人也对运动想象电位的身份识别潜能进行了研究,数据来自于2003年BCI竞赛中带有反馈的运动想象诱发实验,作者融合了AR模型系数、相位同步值、能量谱密度等脑电特征,用神经网络进行分类,最终得到81.2%-90.6%的识别结果。
以上这些工作,在研究脑电的个体差异性和验证脑电用于身份识别的可行性方面做出了巨大的贡献。从静息脑电到诱发脑电,研究者们不断的探索更加适用于身份识别的脑电成分,这也是该领域的研究重点。但截止目前普遍处于试验阶段,识别装置复杂,存在尚未进入实用化阶段的不足。
发明内容
为克服现有技术的不足,提供一种基于视觉诱发P3脑电的身份识别方法,具有实用性,有望获得可观的社会效益和经济效益,并为今后生物特征识别拓展新的思路。为达到上述目的,本发明采取的技术方案是,基于视觉诱发P3脑电的身份识别方法,包括下列步骤:
采用相干平均法分离P3信号,记录信号、诱发电位和噪声的关系可表示如下:
xi(n)=s(n)+ni(n)i=1,2,......M;n=1,2,......N (1)
其中,i表示记录次数,n表示该次记录中的第n个采样值,经过M次相干平均后,诱发响应s(n)的估计值为:
根据假设条件:
因此,在反复刺激和叠加的过程中,与刺激有固定锁时关系的诱发电位逐渐增大,而随机背景噪声相互抵消,从而使P3分离出来;
将以上分离出的P3波形作为特征,输入支持向量机SVM中进行训练和测试,为了提高识别精度,采用了10折交叉验证的方法。
采用相干平均法分离P3信号的具体步骤为,首先对实验数据进行0.5-40Hz的滤波处理,以去除基线漂移,然后将每一个刺激之后1s的数据分段从连续脑电中提取出来,并按照时间锁定事件将这些脑电信号进行分段排列,最后以点对点的方式进行叠加平均,从而得到P3成分。
本发明具有如下特点:
用视觉诱发P3脑电进行身份识别能够得到较为理想的识别结果,除此之外,与现有的用于身份识别的脑电类型相比,P3成分的优势还体现在其实验诱发范式方面:
1)对被试而言,Oddball实验范式执行起来相对容易,不需要任何的训练即可轻松完成,能够被使用者更好的接受;
2)此外,该范式还有另一个潜在的优势:实验的过程中,目标刺激可以不事先给定,而是根据被试的兴趣自行选择,这样输入的一串字符就如同是一串“密码”,相当于在脑电本身特异性的基础上又加了一层双保险。不仅如此,这个“密码”还可以随意更换,这在Oddball范式中很容易做到,却是指纹、虹膜等任何其他生物特征识别手段所无法实现的。
附图说明
图1示出本发明采集传输节点的主要功能框图。
图2不同被试的P3脑地形图比较图。
图3P3波形对比图,图中(a)同一被试的P3波形对比,(b)不同被试的P3波形对比。
具体实施方式
本发明提出了一种利用脑电事件相关电位(ERP)中的P3成分来实现身份识别的方法,所涉及到的关键技术包括:P3脑电信号的诱发和采集,信号处理,特征提取,脑电个体差异性分析以及分类识别等。其技术流程为:首先对采集到的原始脑电信号进行预处理,然后从混杂着背景噪声的脑电中分离出所要研究的P3成分,并对其个体差异性进行分析,最后通过支持向量机(SVM)对P3波形特征进行分类训练与测试,以实现身份的识别。较之传统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。
本发明不同于以往的静息脑电、视觉诱发电位、运动想象电位等,本发明提出了一种新型的利用脑电中的P3成分来实现身份识别的方法,无论从实验范式的可行性,还是识别结果的可靠性方面都体现出显著的优势。
1.1P3诱发方式和信号描述
本发明使用的P3数据来源于天津大学神经工程与康复实验室的“P3-Speller数据库”,该数据库包含8名健康被试的P3脑电数据。P3诱发实验在传统Oddball范式的基础上做了改进,界面的字符闪烁采用一种空间编码的方式,实现64位的字符输入,如错误!未找到引用源。1所示:
1.2信号处理与P3特征提取
单试次下的P3信号十分微弱,通常湮没在噪声中,需要特殊的技术手段使其分离出来,目前国内外应用比较普遍的方法有相干平均法、自适应平均法、ARMA滤波法、分段匹配滤波法、小波分析法、维纳滤波法等等。本发明采用相干平均法分离P3信号,这是目前提取强噪声背景下微弱信号最为常用的方法,主要优点是:速度快,方法简单,易于实现。
记录信号、诱发电位和噪声的关系可表示如下:
xi(n)=s(n)+ni(n) i=1,2,......M;n=1,2,......N (1)
其中,i表示记录次数,n表示该次记录中的第n个采样值。经过M次相干平均后,诱发响应s(n)的估计值为:
根据假设条件:
因此,在反复刺激和叠加的过程中,与刺激有固定锁时关系的诱发电位逐渐增大,而随机背景噪声相互抵消,从而使我们所要研究的P3分离出来。
本发明中,首先对实验数据进行0.5-40Hz的滤波处理,以去除基线漂移,然后将每一个刺激之后1s的数据分段从连续脑电中提取出来,并按照时间锁定事件将这些脑电信号进行分段排列,最后以点对点的方式进行叠加平均,从而得到我们所要研究的P3成分。
1.3P3个体差异性的验证
为了验证P3脑电可用于身份识别的可行性,本发明首先对于P3的个体差异性进行了分析,如图2所示为刺激出现后0-700ms(700ms足以包含全部P3成分)脑电数据绘制的脑地形图,时间间隔为100ms。其中Subject A和Subject B是随机挑选的两名被试,每名被试各抽取两个样本。很显然,不同个体的P3脑地形图,无论从时序上还是导联位置分布上,都存在着巨大的差异;而相同个体内P3的脑地形图分布却保持高度的一致性,说明相同个体内的P3是相对稳定的。
从P3的时域波形的比较中可以得到相同的结论。错误!未找到引用源。3(a)是一名被试3个样本的P3波形,错误!未找到引用源。3(b)是两名被试P3波形的对比。不难看出,P3时域波形的个体差异性是十分显著的,而个体内部的差异性则相对较小,且保持着高度的稳定性。这些结论为P3作为一种生物特征用于身份识别的潜力提供了有力的依据。
1.4基于支持向量机(SVM)的身份识别
SVM以结构风险最小化准则为理论基础,通过适当地选择函数子集及其子集中的判别函数,使学***台上实现的,LibSVM是台湾大学林智仁(Chin-Jen Lin)副教授等开发设计的一个操作简单且快速有效的SVM模式识别与回归的软件包。
将以上分离出的P3波形作为特征,输入SVM中进行训练和测试,为了提高识别精度,采用了10折交叉验证的方法。表1是对8名被试分类识别的结果:
随着叠加平均次数的增加,分类正确率随之增加,当叠加次数为40时,正确率已经达到97.50%,在与同类方法的比较中处于较高的水平。当然随着叠加次数的增加,也会导致运算量的增大,在实际应用中需要根据情况在二者之间权衡考量。总之,实验结果表明,视觉诱发P3电位具有显著的个体差异性,能够实现身份的识别,具备作为生物特征的潜力。
表1P3分类识别结果
用视觉诱发P3脑电进行身份识别能够得到较为理想的识别结果,如表1所示。除此之外,与现有的用于身份识别的脑电类型相比,P3成分的优势还体现在其实验诱发范式方面:
3)对被试而言,Oddball实验范式执行起来相对容易,不需要任何的训练即可轻松完成,能够被使用者更好的接受;
4)此外,该范式还有另一个潜在的优势:实验的过程中,目标刺激可以不事先给定,而是根据被试的兴趣自行选择,这样输入的一串字符就如同是一串“密码”,相当于在脑电本身特异性的基础上又加了一层双保险。不仅如此,这个“密码”还可以随意更换,这在Oddball范式中很容易做到,却是指纹、虹膜等任何其他生物特征识别手段所无法实现的。
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。作为脑电中的一种典型成分,P3具有重要的研究价值,且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P3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,在很多领域有着潜在的应用前景:
(1)信息安全方面,基于脑电的信息编码和解码以及资源的安全传递,如同给脑电“加密”。尤其适用于安全性要求较高的场合。
(2)多媒体访问、远程家电控制等方面。在日常生活中,EEG口令可以作为一把“钥匙”,可以根据个人需要来定制,开启任何涉及安全性的“开关”。
(3)军事领域。
(4)娱乐游戏中的用户识别。目前已经成功研制了多种基于脑电的娱乐游戏方式,用脑电来实现游戏操作。结合脑电的身份识别技术,在未来可以轻松的通过脑电波自动获取和识别用户信息,无需用户名和密码。
综上所述,基于脑电的身份识别技术能够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。
Claims (2)
1.一种基于视觉诱发P3脑电的身份识别方法,其特征是,包括下列步骤:
采用相干平均法分离P3信号,记录信号、诱发电位和噪声的关系可表示如下:
xi(n)=s(n)+ni(n) i=1,2,.....M;n=1,2,......N (1)
其中,i表示记录次数,n表示该次记录中的第n个采样值,经过M次相干平均后,诱发响应s(n)的估计值为:
根据假设条件:
因此,在反复刺激和叠加的过程中,与刺激有固定锁时关系的诱发电位逐渐增大,而随机背景噪声相互抵消,从而使P3分离出来;
将以上分离出的P3波形作为特征,输入支持向量机SVM中进行训练和测试,为了提高识别精度,采用了10折交叉验证的方法。
2.如权利要求1所述方法,其特征是,采用相干平均法分离P3信号的具体步骤为,首先对实验数据进行0.5-40Hz的滤波处理,以去除基线漂移,然后将每一个刺激之后1s的数据分段从连续脑电中提取出来,并按照时间锁定事件将这些脑电信号进行分段排列,最后以点对点的方式进行叠加平均,从而得到P3成分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110294417XA CN102509103A (zh) | 2011-09-29 | 2011-09-29 | 基于视觉诱发p3脑电的身份识别 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110294417XA CN102509103A (zh) | 2011-09-29 | 2011-09-29 | 基于视觉诱发p3脑电的身份识别 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102509103A true CN102509103A (zh) | 2012-06-20 |
Family
ID=46221184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110294417XA Pending CN102509103A (zh) | 2011-09-29 | 2011-09-29 | 基于视觉诱发p3脑电的身份识别 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509103A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536572A (zh) * | 2014-12-30 | 2015-04-22 | 天津大学 | 一种基于事件相关电位的跨个体通用型脑机接口方法 |
CN105303631A (zh) * | 2015-09-22 | 2016-02-03 | 江西科技学院 | 一种利用脑电信号进行小型办公室打卡考勤的方法 |
CN105389494A (zh) * | 2015-11-04 | 2016-03-09 | 上海大学 | 基于脑电波的生物识别密码验证***和方法 |
CN105411580A (zh) * | 2015-10-27 | 2016-03-23 | 中国航天员科研训练中心 | 一种基于触听觉诱发电位的脑控轮椅*** |
CN107067519A (zh) * | 2017-05-12 | 2017-08-18 | 广东工业大学 | 一种基于脑电身份识别的保险箱 |
CN107291247A (zh) * | 2017-07-11 | 2017-10-24 | 昆明理工大学 | 一种基于运动想象脑机接口的智能保险柜及其控制方法 |
WO2017201972A1 (zh) * | 2016-05-26 | 2017-11-30 | 华为技术有限公司 | 基于脑电信号的身份识别的方法和装置 |
CN107516452A (zh) * | 2017-08-17 | 2017-12-26 | 北京航空航天大学 | 一种通用型模拟飞行仿真环境测评*** |
CN107644566A (zh) * | 2017-08-17 | 2018-01-30 | 北京航空航天大学 | 一种基于脑电的模拟飞行器的脑电测评*** |
CN109784027A (zh) * | 2019-01-11 | 2019-05-21 | 西安电子科技大学 | 基于双重脑电信号特征的身份验证方法 |
CN110121711A (zh) * | 2016-12-21 | 2019-08-13 | 华为技术有限公司 | 一种基于视觉诱发电位的身份识别方法和设备 |
CN110811613A (zh) * | 2019-11-22 | 2020-02-21 | 河北工业大学 | 基于欧德保和dmst范式融合提高事件相关电位信噪比的方法 |
CN112137611A (zh) * | 2020-10-14 | 2020-12-29 | 山东平伟医疗技术有限公司 | 心电信号波形的检测研究方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008144174A1 (en) * | 2007-05-21 | 2008-11-27 | Ut-Battelle, Llc | Methods for using a biometric parameter in the identification of persons |
CN101491441A (zh) * | 2009-02-26 | 2009-07-29 | 江西蓝天学院 | 基于脑电信号的身份识别方法 |
CN101828921A (zh) * | 2010-06-13 | 2010-09-15 | 天津大学 | 基于视觉诱发脑电vep的身份识别方法 |
-
2011
- 2011-09-29 CN CN201110294417XA patent/CN102509103A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008144174A1 (en) * | 2007-05-21 | 2008-11-27 | Ut-Battelle, Llc | Methods for using a biometric parameter in the identification of persons |
CN101491441A (zh) * | 2009-02-26 | 2009-07-29 | 江西蓝天学院 | 基于脑电信号的身份识别方法 |
CN101828921A (zh) * | 2010-06-13 | 2010-09-15 | 天津大学 | 基于视觉诱发脑电vep的身份识别方法 |
Non-Patent Citations (1)
Title |
---|
王振: "基于SVM的BCI***中P300信号识别技术研究", 《中国优秀硕士学位论文全文数据库》, 18 November 2008 (2008-11-18) * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536572A (zh) * | 2014-12-30 | 2015-04-22 | 天津大学 | 一种基于事件相关电位的跨个体通用型脑机接口方法 |
CN104536572B (zh) * | 2014-12-30 | 2017-12-05 | 天津大学 | 一种基于事件相关电位的跨个体通用型脑机接口方法 |
CN105303631A (zh) * | 2015-09-22 | 2016-02-03 | 江西科技学院 | 一种利用脑电信号进行小型办公室打卡考勤的方法 |
CN105411580B (zh) * | 2015-10-27 | 2018-05-11 | 中国航天员科研训练中心 | 一种基于触听觉诱发电位的脑控轮椅*** |
CN105411580A (zh) * | 2015-10-27 | 2016-03-23 | 中国航天员科研训练中心 | 一种基于触听觉诱发电位的脑控轮椅*** |
CN105389494A (zh) * | 2015-11-04 | 2016-03-09 | 上海大学 | 基于脑电波的生物识别密码验证***和方法 |
WO2017201972A1 (zh) * | 2016-05-26 | 2017-11-30 | 华为技术有限公司 | 基于脑电信号的身份识别的方法和装置 |
CN110121711A (zh) * | 2016-12-21 | 2019-08-13 | 华为技术有限公司 | 一种基于视觉诱发电位的身份识别方法和设备 |
CN107067519A (zh) * | 2017-05-12 | 2017-08-18 | 广东工业大学 | 一种基于脑电身份识别的保险箱 |
CN107291247A (zh) * | 2017-07-11 | 2017-10-24 | 昆明理工大学 | 一种基于运动想象脑机接口的智能保险柜及其控制方法 |
CN107644566A (zh) * | 2017-08-17 | 2018-01-30 | 北京航空航天大学 | 一种基于脑电的模拟飞行器的脑电测评*** |
CN107516452A (zh) * | 2017-08-17 | 2017-12-26 | 北京航空航天大学 | 一种通用型模拟飞行仿真环境测评*** |
CN109784027A (zh) * | 2019-01-11 | 2019-05-21 | 西安电子科技大学 | 基于双重脑电信号特征的身份验证方法 |
CN109784027B (zh) * | 2019-01-11 | 2022-03-22 | 西安电子科技大学 | 基于双重脑电信号特征的身份验证方法 |
CN110811613A (zh) * | 2019-11-22 | 2020-02-21 | 河北工业大学 | 基于欧德保和dmst范式融合提高事件相关电位信噪比的方法 |
CN112137611A (zh) * | 2020-10-14 | 2020-12-29 | 山东平伟医疗技术有限公司 | 心电信号波形的检测研究方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102509103A (zh) | 基于视觉诱发p3脑电的身份识别 | |
Wilaiprasitporn et al. | Affective EEG-based person identification using the deep learning approach | |
CN108776788B (zh) | 一种基于脑电波的识别方法 | |
Edla et al. | Classification of EEG data for human mental state analysis using Random Forest Classifier | |
Damaševičius et al. | Combining cryptography with EEG biometrics | |
Zhang | Automated biometrics: Technologies and systems | |
CN109784023B (zh) | 基于深度学习的稳态视觉诱发脑电身份识别方法及*** | |
Thomas et al. | Toward EEG-based biometric systems: The great potential of brain-wave-based biometrics | |
CN101862194B (zh) | 基于融合特征的想象动作脑电身份识别方法 | |
Komeili et al. | Feature selection for nonstationary data: Application to human recognition using medical biometrics | |
El-Fiqi et al. | Convolution neural networks for person identification and verification using steady state visual evoked potential | |
CN101828921A (zh) | 基于视觉诱发脑电vep的身份识别方法 | |
Zhang et al. | Review on EEG‐Based Authentication Technology | |
Liang et al. | SIRSE: A secure identity recognition scheme based on electroencephalogram data with multi-factor feature | |
Sharma et al. | Individual identification based on neuro-signal using motor movement and imaginary cognitive process | |
CN101843491A (zh) | 基于双线性模型的静息脑电身份识别方法 | |
Hu et al. | A pervasive EEG-based biometric system | |
Su et al. | Evaluation of recording factors in EEG-based personal identification: A vital step in real implementations | |
Lai et al. | Arrangements of resting state electroencephalography as the input to convolutional neural network for biometric identification | |
Liang et al. | Identity recognition using biological electroencephalogram sensors | |
Riera et al. | STARFAST: A wireless wearable EEG/ECG biometric system based on the ENOBIO sensor | |
Tatar | Biometric identification system using EEG signals | |
Jianfeng et al. | Multi-feature authentication system based on event evoked electroencephalogram | |
Ruiz-Blondet et al. | Brainprint: Identifying unique features of neural activity with machine learning | |
Bak et al. | User biometric identification methodology via eeg-based motor imagery signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120620 |