CN114469139A - 脑电信号识别模型训练、脑电信号识别方法、装置及介质 - Google Patents
脑电信号识别模型训练、脑电信号识别方法、装置及介质 Download PDFInfo
- Publication number
- CN114469139A CN114469139A CN202210097544.9A CN202210097544A CN114469139A CN 114469139 A CN114469139 A CN 114469139A CN 202210097544 A CN202210097544 A CN 202210097544A CN 114469139 A CN114469139 A CN 114469139A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram signal
- electroencephalogram
- sample data
- target
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000004070 electrodeposition Methods 0.000 claims abstract description 140
- 238000010586 diagram Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 210000004556 brain Anatomy 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 239000013589 supplement Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 2
- 238000000537 electroencephalography Methods 0.000 description 41
- 238000013527 convolutional neural network Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例公开了一种脑电信号识别模型训练、脑电信号识别方法、装置及介质。该脑电信号识别模型训练方法具体可以包括：获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据；根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图；根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。本发明实施例的技术方案能够提高脑电信号的识别效率和识别准确率。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种脑电信号识别模型训练、脑电信号识别方法、装置及介质。
背景技术
神经***是影响人类思想和行为的三大生理***之一，它由大量的神经元组成。神经元是大脑中能够产生、传播和处理电信号的细胞。神经元与其他神经元相连，形成功能网络，大脑可以看作是相互作用的神经网络的集合。脑电信号是由这些神经细胞活动产生并始终存在于中枢神经***的自发性电位活动。脑电图通过测量大脑皮层活动引起的头皮上的电压变化记录脑电信号。由于脑电信号是高维度和不稳定的，并且通常混合着各种环境噪音，所以对脑电信号进行识别是一项具有挑战的任务。
目前，随着研究者的不断努力，对脑电信号的识别已经有了许多的方法。基于传统机器学习的脑电信号识别方法，通常是把特征提取和特征分类分成两步来处理，但是该方法的脑电信号识别准确性较差。随着深度学习方法的不断研究，基于深度学习的脑电信号识别方法被广泛应用，该方法通常是直接将脑电信号输入至脑电信号识别模型中进行识别，但是由于脑电信号中通常包含很多无用信息，导致该方法无法快速且准确的对脑电信号进行识别。因此，现有的脑电信号识别方法的识别效率较低，识别准确性较差。
发明内容
本发明实施例提供一种脑电信号识别模型训练、脑电信号识别方法、装置、设备及介质，能够提高脑电信号的识别效率和识别准确率。
根据本发明的一方面，提供了一种脑电信号识别模型训练方法，包括：
获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据；
根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图；
根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。
根据本发明的另一方面，提供了一种脑电信号识别方法，包括：
获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据；
根据所述待识别脑电信号和所述电极位置图像数据生成脑电信号识别模型输入数据；其中，所述脑电信号识别模型输入数据包括待识别脑电信号时域位置图和待识别脑电信号频域位置图；
将所述脑电信号识别模型输入数据输入至所述目标用户匹配的目标脑电信号识别模型，以通过所述目标脑电信号识别模型识别所述目标用户的用户身份。
根据本发明的另一方面，提供了一种脑电信号识别模型训练装置，包括：
样本数据获取模块，用于获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据；
模型输入样本数据生成模块，用于根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图；
目标脑电信号识别模型获取模块，用于根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。
根据本发明的另一方面，提供了一种脑电信号识别装置，包括：
图像获取模块，用于获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据；
脑电信号识别模型输入数据生成模块，用于根据所述待识别脑电信号和所述电极位置图像数据生成脑电信号识别模型输入数据；其中，所述脑电信号识别模型输入数据包括待识别脑电信号时域位置图和待识别脑电信号频域位置图；
用户身份识别模块，用于将所述脑电信号识别模型输入数据输入至所述目标用户匹配的目标脑电信号识别模型，以通过所述目标脑电信号识别模型识别所述目标用户的用户身份。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的脑电信号识别模型训练方法，或者能够执行本发明任一实施例所述的脑电信号识别方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的脑电信号识别模型训练方法，或者实现本发明任一实施例所述的脑电信号识别方法。
本发明实施例的技术方案，通过获取目标用户的脑电信号样本数据以及脑电信号样本数据的电极位置图像样本数据，并根据脑电信号样本数据和电极位置图像样本数据生成包括脑电信号时域位置图和脑电信号频域位置图的脑电信号识别模型输入样本数据，根据脑电信号识别模型输入样本数据训练脑电信号识别模型，以得到目标用户匹配的目标脑电信号识别模型，从而利用训练成功的目标脑电信号识别模型识别目标用户的用户身份，解决了现有的脑电信号识别方法的识别效率较低以及识别准确性较差的问题，能够提高脑电信号的识别效率和识别准确率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种脑电信号识别模型训练方法的流程图；
图2是本发明实施例一提供的电极位置图像样本数据的示意图；
图3是本发明实施例一提供的一种脑电信号识别模型训练方法的示例流程图；
图4是本发明实施例二提供的一种脑电信号识别方法的流程图；
图5是本发明实施例三提供的一种脑电信号识别模型训练装置的示意图；
图6是本发明实施例四提供的一种脑电信号识别装置的示意图；
图7是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例的说明书和权利要求书及附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
实施例一
图1是本发明实施例一提供的一种脑电信号识别模型训练方法的流程图，本实施例可适用于提高脑电信号识别效率和准确率的情况，该方法可以由脑电信号识别模型训练装置执行，该装置可以通过软件和/或硬件的方式实现，并一般可以直接集成在执行本方法的电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对执行脑电信号识别模型训练方法的电子设备的类型进行限定。具体的，如图1所示，该脑电信号识别模型训练方法具体可以包括如下步骤：
S110、获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据。
其中，目标用户可以是任意用户，例如可以是办理银行业务的用户，也可以是进行交通安检的用户，或者还可以是配合相关部门查验的用户等，本发明实施例对此并不进行限制。可以理解的是，通过对目标用户的脑电信号进行识别可以识别目标用户的用户身份。脑电信号样本数据可以是目标用户的能够用作样本的脑电信号数据。电极位置图像样本数据可以是能够用作样本的脑电电极的位置图像数据。
在本发明实施例中，获取目标用户的脑电信号样本数据以及脑电信号样本数据的电极位置图像样本数据，以根据脑电信号样本数据和电极位置图像样本数据生成脑电信号识别模型输入样本数据。具体的，获取目标用户的脑电信号样本数据可以是通过脑电信号采集设备获取。可以理解的是，通过脑电信号采集设备获取目标用户的脑电信号样本数据，可以是通过脑电信号采集设备上的电极获取，脑电信号采集设备上的不同电极可以对应不同的大脑脑区，也即不同电极可以读取不同大脑脑区的信号，脑电电极的位置可以用于表征大脑脑区的位置，每个电极在物理上可以与多个电极相邻。
可选的，获取目标用户的脑电信号样本数据，可以包括：将预设展示图像展示给目标用户；获取目标用户观看预设展示图像时生成的脑电信号样本数据。
其中，预设展示图像可以是预先设置的展示给目标用户的任意图像，可以用于向目标用户展示以获取目标用户的脑电信号样本数据。
具体的，将预设展示图像展示给目标用户，以获取目标用户观看预设展示图像时生成的脑电信号样本数据。可选的，预设展示图像可以包括一张目标用户人脸图像和九张其他任意图像。在将预设展示图像展示给目标用户时，可以将预设展示图像中的每张图像进行随机展示，且每张图像的展示时间可以是300毫秒。可以理解的是，通过盲源分类方法进行类比，脑电信号样本数据可以被认为是从几个“麦克风”(与脑电电极相关)获得的多通道“语音”信号，这些“麦克风”记录来自多个“扬声器”(对应于皮层区域的活动)的信号。也即，脑电信号样本数据可以是一系列一维向量，每个向量可以代表某一时刻的电极读数。
可选的，获取脑电信号样本数据的电极位置图像样本数据可以是二维图像。在一个具体示例中，图2是本发明实施例一提供的电极位置图像样本数据的示意图，脑电电极分布在头皮的三维空间，可以通过等距方位投影(Azimuthal Equidistant Projection，AEP)将电极位置从三维空间投影到二维表面，以得到如图2所示的二维图像的电极位置图像样本数据。可以理解的是，佩戴在人头部上电极帽形状可以与球体近似，而且可以通过同样的方法来确定在与头部的顶点相切的2D表面上的电极位置的投影。通过使用等距方位投影的方法将三维空间投影到二维图像，能够使投影中心到任何其他点的距离都保持不变，也即能够保持相邻电极之间的相对距离。
S120、根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图。
其中，脑电信号识别模型输入样本数据可以是输入至脑电信号识别模型的样本数据。脑电信号时域位置图可以是脑电信号样本数据中的时域值和电极位置图像样本数据相结合得到的图像。脑电信号频域位置图可以是脑电信号样本数据中的频域值与电极位置图像样本数据相结合得到的图像。
在本发明实施例中，在获取目标用户的脑电信号样本数据以及脑电信号样本数据的电极位置图像样本数据之后，可以进一步根据脑电信号样本数据和电极位置图像样本数据生成脑电信号识别模型输入样本数据。具体的，脑电信号识别模型输入样本数据可以包括脑电信号时域位置图和脑电信号频域位置图。可以理解的是，脑电信号不仅随时间变化，而且脑电信号的频率和相位也包含了丰富的信息，因此，可以根据脑电信号样本数据和电极位置图像样本数据生成脑电信号频域位置图，以将脑电信号频域位置图输入至脑电信号识别模型，从而提高脑电信号的识别准确性。
可选的，在根据脑电信号样本数据和电极位置图像样本数据生成脑电信号识别模型输入样本数据之前，还可以对脑电信号样本数据进行降噪处理。
可以理解的是，脑电信号在采集的过程中很容易因为各种干扰而受到污染，例如脑电信号采集设备本身产生的工频干扰以及眨眼、肌肉活动等产生的伪迹信号。这些噪声不可避免的对脑电信号的特征造成干扰从而影响识别准确性。因此在获取脑电信号样本数据后需要进行降噪处理，以提高脑电信号的质量，增强脑电信号的信噪比。
可选的，根据脑电信号样本数据和电极位置图像样本数据生成脑电信号时域位置图，可以包括：确定电极位置图像样本数据中的目标电极和目标电极在电极位置图像样本数据中的目标电极位置；根据脑电信号样本数据确定目标电极的目标电极时刻信号数据；根据目标电极时刻信号数据和目标电极位置生成多个连续的初始脑电信号时刻时域位置图；通过线性插值法对初始脑电信号时刻时域位置图进行图像补充处理，得到脑电信号时刻时域位置图；将预设时间段内的各脑电信号时刻时域位置图作为脑电信号时域位置图。
其中，目标电极可以是能够获取脑电信号样本数据的任意电极。目标电极位置可以是目标电极在电极位置图像样本数据中的位置。预设时间段可以是预先设置的时间段。可以理解的是，脑电信号样本数据可以是预设时间段内的脑电信号。目标电极时刻信号数据可以是目标电极在预设时间段内的某个具体时刻的脑电信号数据，也即目标电极在预设时间段内的某个具体时刻的电极读数。初始脑电信号时刻时域位置图可以是预设时间段内的某个具体时刻的脑电信号时域位置图的初始图像。脑电信号时刻时域位置图可以是预设时间段内的某个具体时刻的脑电信号的时域位置图。
具体的，在获取目标用户的脑电信号样本数据以及脑电信号样本数据的电极位置图像样本数据之后，可以进一步确定电极位置图像样本数据中的目标电极和目标电极在电极位置图像样本数据中的目标电极位置，并根据脑电信号样本数据确定目标电极的目标电极时刻信号数据，以根据目标电极时刻信号数据和目标电极位置生成多个连续的初始脑电信号时刻时域位置图，并通过线性插值法对初始脑电信号时刻时域位置图进行图像补充处理，得到脑电信号时刻时域位置图，从而将预设时间内的各脑电信号时刻时域位置图作为脑电信号时域位置图。可选的，根据目标电极时刻信号数据和目标电极位置生成多个连续的初始脑电信号时刻时域位置图，可以是将目标电极位置填入目标电极时刻信号数据生成多个连续的初始脑电信号时刻时域位置图。
上述技术方案，通过线性插值法对初始脑电信号时刻时域位置图进行图像补充处理，能够防止初始脑电信号时刻时域位置图过于稀疏影响脑电信号识别模型的识别效率，从而确保脑电信号识别模型的识别效率。
可选的，根据脑电信号样本数据和电极位置图像样本数据生成脑电信号频域位置图，可以包括：确定电极位置图像样本数据中的目标电极和目标电极在电极位置图像样本数据中的目标电极位置；根据脑电信号样本数据确定目标电极的目标电极时刻信号数据；通过离散短时傅里叶变换根据目标电极时刻信号数据生成目标电极的目标电极时刻频域信号数据；根据目标电极时刻频域信号数据和目标电极位置生成多个连续的脑电信号时刻频域位置图；将预设时间段内的各脑电信号时刻频域位置图作为脑电信号频域位置图。
其中，目标电极时刻频域信号数据可以是目标电极在预设时间段内的某个具体时刻的脑电信号的频域数据。脑电信号时刻频域位置图可以是预设时间段内的某个具体时刻的脑电信号的频域位置图。
具体的，在获取目标用户的脑电信号样本数据以及脑电信号样本数据的电极位置图像样本数据之后，可以进一步确定电极位置图像样本数据中的目标电极和目标电极在电极位置图像样本数据中的目标电极位置，并根据脑电信号样本数据确定目标电极的目标电极时刻信号数据，以通过离散短时傅里叶变换根据目标电极时刻信号数据生成目标电极的目标电极时刻频域信号数据，并根据目标电极时刻频域信号数据和目标电极位置生成多个连续的脑电信号时刻频域位置图，从而将预设时间段内的各脑电信号时刻频域位置图作为脑电信号频域位置图。
可选的，通过离散短时傅里叶变换根据目标电极时刻信号数据生成目标电极的目标电极时刻频域信号数据，可以通过以下离散短时傅里叶变换公式根据目标电极时刻信号数据生成目标电极的目标电极时刻频域信号数据：
其中，Ti表示脑电信号中的第i通道，x表示时域上的离散值，K表示频域上的离散值，L表示电极数据点的个数。
上述技术方案，根据目标电极位置分别将脑电信号时域值和脑电信号频域值转化为二维图像的脑电信号时域位置图和脑电信号频域位置图，以保留电极的空间结构，从而通过预设时间段内的图像序列来表征大脑活动的时间演变。
S130、根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。
其中，脑电信号识别模型可以是对脑电信号进行识别的模型。目标脑电信号识别模型可以是与目标用户相匹配的目标脑电信号识别模型。可以理解的是，每个用户的脑电信号不同，因此，根据不同用户的脑电信号识别模型输入样本数据训练得到的脑电信号识别模型的模型参数都不同，也即不同目标用户匹配的目标脑电信号识别模型不同。
在本发明实施例中，在根据脑电信号样本数据和电极位置图像样本数据生成脑电信号识别模型输入样本数据之后，可以进一步根据脑电信号识别模型输入样本数据训练脑电信号识别模型，以得到目标用户匹配的目标脑电信号识别模型。
可选的，根据脑电信号识别模型输入样本数据训练脑电信号识别模型，可以包括：将脑电信号时域位置图输入至脑电信号识别模型的第一卷积神经网络，并将脑电信号频域位置图输入至脑电信号识别模型的第二卷积神经网络，以通过第一卷积神经网络提取脑电信号时域位置图的脑电信号时域特征，并通过第二卷积神经网络提取脑电信号频域位置图的脑电信号频域特征；将脑电信号时域特征和脑电信号频域特征进行特征拼接融合，得到脑电信号融合特征；将脑电信号融合特征输入至脑电信号识别模型的循环神经网络，得到脑电信号隐层信息；通过脑电信号识别模型的线性分类器对脑电信号隐层信息进行分类识别，得到脑电信号识别模型输入样本数据的用户身份识别结果；根据用户身份识别结果和脑电信号识别模型输入样本数据的用户身份标记结果进行对比，以确定脑电信号识别模型的训练效果。
其中，第一卷积神经网络可以是脑电信号识别模型中的一个卷积神经网络。第二卷积神经网络可以是脑电信号识别模型中的另一个卷积神经网络。可以理解的是，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络。其有三个重要特征：局部感受野，权值共享，下采样。局部感受野是指在两层网络之间的神经元的连接是局部连接而非全连接，这种结构能极大的减少权值的数量、降低模型复杂度从而使网络更容易收敛。权值共享指的是在同一层的神经元间的连接权重相同，由于权值相同，则可以减少权值的数量。下采样是由于一般输入比较大，实际中没必要对原图进行分析，有效的获取图像特征才是重点，下采样的过程可以用来调整图像大小。卷积神经网络的网络结构包括卷积层，池化层和全连接层。
其中，脑电信号时域特征可以是在脑电信号时域位置图中提取到的特征。脑电信号频域特征可以是在脑电信号频域位置图中提取到的特征。脑电信号融合特征可以是将脑电信号时域特征和脑电信号频域特征进行特征融合得到的特征。脑电信号隐层信息可以是脑电信号识别模型的循环神经网络输出的隐藏状态信息。用户身份识别结果可以是对用户的脑电信号进行识别得到的结果。用户身份标记结果可以是用户身份的标记结果。
具体的，在根据脑电信号样本数据和电极位置图像样本数据生成脑电信号识别模型输入样本数据之后，可以进一步将脑电信号时域位置图输入至脑电信号识别模型的第一卷积神经网络，并将脑电信号频域位置图输入至脑电信号识别模型的第二卷积神经网络，以通过第一卷积神经网络提取脑电信号时域位置图的脑电信号时域特征，并通过第二卷积神经网络提取脑电信号频域位置图的脑电信号频域特征，以将脑电信号时域特征和脑电信号频域特征进行特征拼接融合得到脑电信号融合特征，再将脑电信号融合特征输入至脑电信号识别模型的循环神经网络得到脑电信号隐层信息，以通过脑电信号识别模型的线性分类器对脑电信号隐层信息进行分类识别得到脑电信号识别模型输入样本数据的用户身份识别结果，从而根据用户身份识别结果和脑电信号识别模型输入样本数据的用户身份标记结果进行对比，进而确定脑电信号识别模型的训练效果。
可以理解的是，可以通过模型损失函数根据用户身份识别结果和用户身份标记结果计算模型的损失值，以根据损失值情况对脑电信号识别模型进行训练。可选的，可以将交叉熵损失作为模型损失函数。如果损失值满足训练需求，如趋于平稳或始终小于设定阈值，说明脑电信号识别模型训练成功，则可以将训练成功的脑电信号识别模型作为目标脑电信号识别模型，以通过目标脑电信号识别模型对目标用户的用户身份进行识别。
可选的，循环神经网络可以是长短期记忆网络(Long Short-term MemoryNetworks,LSTM)。脑电信号隐层信息可以是最后一层LSTM单元输出的隐藏状态信息。第一卷积神经网络和第二卷积神经网络的第一卷积层都可以采用条件参数卷积结构，而且第一卷积层和第二卷积层之间可以包括挤压激励模块。
可以理解的是，长短期记忆网络是针对传统的RNN训练时可能会出现梯度消失或者梯度***从而导致不能处理较远的序列而失去对较远时刻的感知能力的问题提出的改进的循环神经网络。
上述技术方案，通过采用条件参数卷积结构能够使脑电信号识别模型拥有针对具体用户进行分析的能力；通过在第一卷积层和第二卷积层之间加入挤压激励模块，能够使脑电信号识别模型充分利用全局信息，对用户的信息进行全面的判断，从而提高脑电信号的识别准确率。
在一个具体示例中，图3是本发明实施例一提供的一种脑电信号识别模型训练方法的示例流程图，如图3所示，该方法具体包括以下内容：
(1)确定目标用户对应的图像序列(也即预设展示图像)；其中，图像序列可以包括一张用户人脸图像和九张从图像库中随机选择的任意图像。获取目标用户观看图像序列时的脑电信号样本数据；其中，图像序列中的图像顺序随机呈现，且每个图像持续时间为300毫秒。
(2)通过等距方位投影将电极位置从三维空间投影到二维表面，以获取电极位置图像样本数据。
(3)根据电极位置分别将时域、频域值转化为二维图像，也即脑电信号时域位置图和脑电信号频域位置图。具体的，电极位置填入电极读数得到脑电信号时域位置图，通过离散短时傅里叶变换(DSTFT)得到频域信号填入电极位置得到脑电信号频域位置图。
(4)将脑电信号时域位置图和脑电信号频域位置图分别输入脑电信号识别模型的卷积神经网络进行特征提取，得到脑电信号时域特征和脑电信号频域特征，将脑电信号时域特征和脑电信号频域特征进行融合后输入到脑电信号识别模型的长短期记忆网络中，通过脑电信号识别模型的线性层(也即线性分类器)对最后一层长短期记忆网络单元的隐层信息进行分类识别，以得到脑电信号的分类结果。
(5)根据脑电信号的分类结果通过模型损失函数对脑电信号识别模型进行训练。具体的，可以将交叉熵损失作为模型损失函数。
上述技术方案，通过将传统的一维矢量脑电信号格式转换为二维网格状脑电信号层次结构，将电极读数与电极位置信息进行映射，能够使脑电信号与相应脑区之间的相关性保持一致。
本实施例的技术方案，通过获取目标用户的脑电信号样本数据以及脑电信号样本数据的电极位置图像样本数据，并根据脑电信号样本数据和电极位置图像样本数据生成包括脑电信号时域位置图和脑电信号频域位置图的脑电信号识别模型输入样本数据，以根据脑电信号识别模型输入样本数据训练脑电信号识别模型，从而得到目标用户匹配的目标脑电信号识别模型，解决了现有的脑电信号识别方法的识别效率较低以及识别准确性较差的问题，能够提高脑电信号的识别效率和识别准确率。
实施例二
图4是本发明实施例二提供的一种脑电信号识别方法的流程图，本实施例可适用于提高脑电信号识别效率和准确率的情况，该方法可以由脑电信号识别装置执行，该装置可以通过软件和/或硬件的方式实现，并一般可以直接集成在执行本方法的电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对执行脑电信号识别方法的电子设备的类型进行限定。具体的，如图4所示，该脑电信号识别方法具体可以包括如下步骤：
S410、获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据。
其中，待识别脑电信号可以是需要进行识别的脑电信号。电极位置图像数据可以是脑电电极的位置图像数据。
在本发明实施例中，获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据，以根据待识别脑电信号和电极位置图像数据生成脑电信号识别模型输入数据。
可选的，获取目标用户的待识别脑电信号，可以包括：将预设展示图像展示给目标用户；获取目标用户观看预设展示图像时生成的待识别脑电信号。
具体的，获取目标用户的待识别脑电信号，可以将预设展示图像展示给目标用户，以获取目标用户观看预设展示图像时生成的待识别脑电信号。
S420、根据所述待识别脑电信号和所述电极位置图像数据生成脑电信号识别模型输入数据；其中，所述脑电信号识别模型输入数据包括待识别脑电信号时域位置图和待识别脑电信号频域位置图。
其中，脑电信号识别模型输入数据可以是输入至脑电信号识别模型的数据。待识别脑电信号时域位置图可以是待识别脑电信号中的时域值和电极位置图像数据相结合得到的图像。待识别脑电信号频域位置图可以是待识别脑电信号中的频域值和电极位置图像数据相结合得到的图像。
在本发明实施例中，在获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据之后，可以进一步根据待识别脑电信号和电极位置图像数据生成脑电信号识别模型输入数据。具体的，脑电信号识别模型输入数据可以包括待识别脑电信号时域位置图和待识别脑电信号频域位置图。
可选的，根据待识别脑电信号和电极位置图像数据生成待识别脑电信号时域位置图，可以包括：确定电极位置图像数据中的目标电极和目标电极在电极位置图像数据中的目标电极位置；根据待识别脑电信号确定目标电极的目标电极时刻待识别信号数据；根据目标电极时刻待识别信号数据和目标电极位置生成多个连续的初始待识别脑电信号时刻时域位置图；通过线性插值法对初始待识别脑电信号时刻时域位置图进行图像补充处理，得到待识别脑电信号时刻时域位置图；将预设时间段内的各待识别脑电信号时刻时域位置图作为待识别脑电信号时域位置图。
其中，目标电极时刻待识别信号数据可以是目标电极在预设时间段内的某个具体时刻的待识别脑电信号数据，也即目标电极在预设时间段内的某个具体时刻的待识别的电极读数。初始待识别脑电信号时刻时域位置图可以是预设时间段内的某个具体时刻的待识别脑电信号时域位置图的初始图像。待识别脑电信号时刻时域位置图可以是预设时间段内的某个具体时刻的待识别脑电信号的时域位置图。
具体的，在获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据之后，可以进一步确定电极位置图像数据中的目标电极和目标电极在电极位置图像数据中的目标电极位置，根据待识别脑电信号确定目标电极的目标电极时刻待识别信号数据，并根据目标电极时刻待识别信号数据和目标电极位置生成多个连续的初始待识别脑电信号时刻时域位置图，以通过线性插值法对初始待识别脑电信号时刻时域位置图进行图像补充处理得到待识别脑电信号时刻时域位置图，从而将预设时间段内的各待识别脑电信号时刻时域位置图作为待识别脑电信号时域位置图。
可选的，根据待识别脑电信号和电极位置图像数据生成待识别脑电信号频域位置图，可以包括：确定电极位置图像数据中的目标电极和目标电极在电极位置图像数据中的目标电极位置；根据待识别脑电信号确定目标电极的目标电极时刻待识别信号数据；通过离散短时傅里叶变换根据目标电极时刻待识别信号数据生成目标电极的目标电极时刻待识别频域信号数据；根据目标电极时刻待识别频域信号数据和目标电极位置生成多个连续的待识别脑电信号时刻频域位置图；将预设时间段内的各待识别脑电信号时刻频域位置图作为待识别脑电信号频域位置图。
其中，目标电极时刻待识别频域信号数据可以是目标电极在预设时间段内的某个具体时刻的待识别脑电信号的频域数据。待识别脑电信号时刻频域位置图可以是预设时间段内的某个具体时刻的待识别脑电信号的频域位置图。
具体的，在获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据之后，可以进一步确定电极位置图像数据中的目标电极和目标电极在电极位置图像数据中的目标电极位置，根据待识别脑电信号确定目标电极的目标电极时刻待识别信号数据，并通过离散短时傅里叶变换根据目标电极时刻待识别信号数据生成目标电极的目标电极时刻待识别频域信号数据，以根据目标电极时刻待识别频域信号数据和目标电极位置生成多个连续的待识别脑电信号时刻频域位置图，从而将预设时间段内的各待识别脑电信号时刻频域位置图作为待识别脑电信号频域位置图。
S430、将所述脑电信号识别模型输入数据输入至所述目标用户匹配的目标脑电信号识别模型，以通过所述目标脑电信号识别模型识别所述目标用户的用户身份。
在本发明实施例中，在根据待识别脑电信号和电极位置图像数据生成脑电信号识别模型输入数据之后，可以进一步将脑电信号识别模型驶入数据输入至目标用户匹配的目标脑电信号识别模型，以通过目标脑电信号识别模型识别目标用户的用户身份。
可选的，将脑电信号识别模型输入数据输入至目标用户匹配的目标脑电信号识别模型，以通过目标脑电信号识别模型识别目标用户的用户身份，可以包括：将待识别脑电信号时域位置图输入至目标脑电信号识别模型的第一目标卷积神经网络，并将待识别脑电信号频域位置图输入至目标脑电信号识别模型的第二目标卷积神经网络，以通过第一目标卷积神经网络提取待识别脑电信号时域位置图的待识别脑电信号时域特征，并通过第二目标卷积神经网络提取待识别脑电信号频域位置图的待识别脑电信号频域特征；将待识别脑电信号时域特征和待识别脑电信号频域特征进行特征拼接融合，得到待识别脑电信号融合特征；将待识别脑电信号融合特征输入至目标脑电信号识别模型的目标循环神经网络，得到待识别脑电信号隐层信息；通过目标脑电信号识别模型的线性分类器对待识别脑电信号隐层信息进行分类识别，得到脑电信号识别模型输入数据的用户身份识别结果，以识别目标用户的用户身份。
其中，第一目标卷积神经网络可以是目标脑电信号识别模型中的一个卷积神经网络。第二目标卷积神经网络可以是目标脑电信号识别模型中的另一个卷积神经网络。待识别脑电信号时域特征可以是在待识别脑电信号时域位置图中提取到的特征。待识别脑电信号频域特征可以是在待识别脑电信号频域位置图中提取到的特征。待识别脑电信号融合特征可以是将待识别脑电信号时域特征和待识别脑电信号频域特征进行特征融合得到的特征。待识别脑电信号隐层信息可以是目标脑电信号识别模型的循环神经网络输出的隐藏状态信息。
具体的，在根据待识别脑电信号和电极位置图像数据生成脑电信号识别模型输入数据之后，可以进一步将待识别脑电信号时域位置图输入至目标脑电信号识别模型的第一目标卷积神经网络，并将待识别脑电信号频域位置图输入至目标脑电信号识别模型的第二目标卷积神经网络，以通过第一目标卷积神经网络提取待识别脑电信号时域位置图的待识别脑电信号时域特征，并通过第二目标卷积神经网络提取待识别脑电信号频域位置图的待识别脑电信号频域特征。再将待识别脑电信号时域特征和待识别脑电信号频域特征进行特征拼接融合得到待识别脑电信号融合特征，并将待识别脑电信号融合特征输入至目标脑电信号识别模型的目标循环神经网络得到待识别脑电信号隐层信息，并通过目标脑电信号识别模型的线性分类器对待识别脑电信号隐层信息进行分类识别，以得到脑电信号识别模型输入数据的用户身份识别结果，从而识别目标用户的用户身份。
可选的，目标循环神经网络可以是长短期记忆网络。待识别脑电信号隐层信息可以是最后一层LSTM单元输出的隐藏状态信息。第一目标卷积神经网络和第二目标卷积神经网络的第一卷积层都可以采用条件参数卷积结构，而且第一卷积层和第二卷积层之间可以包括挤压激励模块。
在一个具体示例中，以办理银行业务时用户身份识别的应用场景为例进行说明。身份认证是银行业务的基本安全防范措施。常规身份验证***基于使用键盘、触摸屏或鼠标输入的密码，这些身份识别方法密码很容易丢失、遗忘和被盗。随着安全风险的不断增大和传统模式的局限性，生物识别机制特别是基于神经活动的方法相继出现。虽然这些认证方法可以利用独特的生物识别技术来提高安全性，但它们仍然面临以下挑战：生物特征可以复制；具有这些特征的身体部位损坏后，不能继续进行识别；对不同类型的人群使用有一定的限制，例如，没有手臂的残疾人不能使用指纹识别，盲人不能由虹膜识别。对于银行的各项业务，如转账汇款等，如果银行卡密码被盗取或者破解，指纹被复制，都会造成用户的巨大损失。与传统的生物识别技术(如人脸、指纹或DNA)相比，脑电信号不能被当前技术复制和窃取，不能从死者那里获得，此外，也很难胁迫或暴力获取，人们在危险中产生的巨大压力将会对大脑活动造成剧烈影响。因此，银行业务办理使用基于脑电信号的身份识别技术可以对客户的财产安全提供更大的保障。
目前广泛使用的脑电信号识别方法依赖于手工构建的特征，在进行识别之前需要对脑电信号进行大量的预处理。传统方法一般分为两个阶段：特征处理阶段和特征分类阶段。其中，特征处理阶段是极为重要的部分，优异的特征提取能够极大程度提高模型的特征分类精度。然而，传统方法通常使用人工设计的数据特征，导致脑电信号识别过程繁杂，而且容易出错，降低识别效率以及准确性。
通过识别脑电信号对办理银行业务的用户进行身份识别，可以具体包括：获取目标用户观看图像序列时的待识别脑电信号，并获取电极位置图像数据。确定电极位置图像数据中的目标电极和目标电极在电极位置图像数据中的目标电极位置，并根据待识别脑电信号确定目标电极的目标电极时刻待识别信号数据。将目标电极时刻待识别信号数据输入至目标电极位置，得到多个连续的初始待识别脑电信号时刻时域位置图，并通过线性插值法对初始待识别脑电信号时刻时域位置图进行图像补充处理，得到待识别脑电信号时刻时域位置图，从而将预设时间段内的各待识别脑电信号时刻时域位置图作为待识别脑电信号时域位置图。通过离散短时傅里叶变换根据目标电极时刻待识别信号数据生成目标电极的目标电极时刻待识别频域信号数据，以根据目标电极时刻待识别频域信号数据和目标电极位置生成多个连续的待识别脑电信号时刻频域位置图，从而将预设时间段内的各待识别脑电信号时刻频域位置图作为待识别脑电信号频域位置图。将待识别脑电信号时域位置图输入至目标脑电信号识别模型的第一目标卷积神经网络，并将待识别脑电信号频域位置图输入至目标脑电信号识别模型的第二目标卷积神经网络，以通过第一目标卷积神经网络提取待识别脑电信号时域位置图的待识别脑电信号时域特征，并通过第二目标卷积神经网络提取待识别脑电信号频域位置图的待识别脑电信号频域特征。将待识别脑电信号时域特征和待识别脑电信号频域特征进行特征拼接融合，得到待识别脑电信号融合特征，并将待识别脑电信号融合特征输入至目标脑电信号识别模型的目标循环神经网络得到待识别脑电信号隐层信息，以通过目标脑电信号识别模型的线性分类器对待识别脑电信号隐层信息进行分类识别得到脑电信号识别模型输入数据的用户身份识别结果，从而识别目标用户的用户身份。
上述技术方案，通过将脑电信号的识别与金融业务办理结合起来，能够保障金融业务的安全性，为金融业务办理提供方便。
本实施例的技术方案，通过获取目标用户的待识别脑电信号以及待识别脑电信号的电极位置图像数据，并根据待识别脑电信号和电极位置图像数据生成包括待识别脑电信号时域位置图和待识别脑电信号频域位置图的脑电信号识别模型输入数据，以将脑电信号识别模型输入数据输入至目标用户匹配的目标脑电信号识别模型，从而通过目标脑电信号识别模型识别目标用户的用户身份，解决了现有的脑电信号识别方法的识别效率较低以及识别准确性较差的问题，能够提高脑电信号的识别效率和识别准确率。
实施例三
图5是本发明实施例三提供的一种脑电信号识别模型训练装置的示意图，如图5所示，所述装置包括：样本数据获取模块510、模型输入样本数据生成模块520以及目标脑电信号识别模型获取模块530，其中：
样本数据获取模块510，用于获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据；
模型输入样本数据生成模块520，用于根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图；
目标脑电信号识别模型获取模块530，用于根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。
本实施例的技术方案，通过获取目标用户的脑电信号样本数据以及脑电信号样本数据的电极位置图像样本数据，并根据脑电信号样本数据和电极位置图像样本数据生成包括脑电信号时域位置图和脑电信号频域位置图的脑电信号识别模型输入样本数据，以根据脑电信号识别模型输入样本数据训练脑电信号识别模型，从而得到目标用户匹配的目标脑电信号识别模型，解决了现有的脑电信号识别方法的识别效率较低以及识别准确性较差的问题，能够提高脑电信号的识别效率和识别准确率。
可选的，样本数据获取模块510可以具体用于：将预设展示图像展示给目标用户；获取目标用户观看预设展示图像时生成的脑电信号样本数据。
可选的，模型输入样本数据生成模块520可以具体用于：确定电极位置图像样本数据中的目标电极和目标电极在电极位置图像样本数据中的目标电极位置；根据脑电信号样本数据确定目标电极的目标电极时刻信号数据；根据目标电极时刻信号数据和目标电极位置生成多个连续的初始脑电信号时刻时域位置图；通过线性插值法对初始脑电信号时刻时域位置图进行图像补充处理，得到脑电信号时刻时域位置图；将预设时间段内的各脑电信号时刻时域位置图作为脑电信号时域位置图。
可选的，模型输入样本数据生成模块520可以具体用于：确定电极位置图像样本数据中的目标电极和目标电极在电极位置图像样本数据中的目标电极位置；根据脑电信号样本数据确定目标电极的目标电极时刻信号数据；通过离散短时傅里叶变换根据目标电极时刻信号数据生成目标电极的目标电极时刻频域信号数据；根据目标电极时刻频域信号数据和目标电极位置生成多个连续的脑电信号时刻频域位置图；将预设时间段内的各脑电信号时刻频域位置图作为脑电信号频域位置图。
可选的，目标脑电信号识别模型获取模块530可以具体用于：将脑电信号时域位置图输入至脑电信号识别模型的第一卷积神经网络，并将脑电信号频域位置图输入至脑电信号识别模型的第二卷积神经网络，以通过第一卷积神经网络提取脑电信号时域位置图的脑电信号时域特征，并通过第二卷积神经网络提取脑电信号频域位置图的脑电信号频域特征；将脑电信号时域特征和脑电信号频域特征进行特征拼接融合，得到脑电信号融合特征；将脑电信号融合特征输入至脑电信号识别模型的循环神经网络，得到脑电信号隐层信息；通过脑电信号识别模型的线性分类器对脑电信号隐层信息进行分类识别，得到脑电信号识别模型输入样本数据的用户身份识别结果；根据用户身份识别结果和脑电信号识别模型输入样本数据的用户身份标记结果进行对比，以确定脑电信号识别模型的训练效果。
上述脑电信号识别模型训练装置可执行本发明任意实施例所提供的脑电信号识别模型训练方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的脑电信号识别模型训练方法。
由于上述所介绍的脑电信号识别模型训练装置为可以执行本发明实施例中的脑电信号识别模型训练方法的装置，故而基于本发明实施例中所介绍的脑电信号识别模型训练方法，本领域所属技术人员能够了解本实施例的脑电信号识别模型训练装置的具体实施方式以及其各种变化形式，所以在此对于该脑电信号识别模型训练装置如何实现本发明实施例中的脑电信号识别模型训练方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中脑电信号识别模型训练方法所采用的装置，都属于本申请所欲保护的范围。
实施例四
图6是本发明实施例四提供的一种脑电信号识别装置的示意图，如图6所示，所述装置包括：图像获取模块610、模型输入数据生成模块620以及用户身份识别模块630，其中：
图像获取模块610，用于获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据；
模型输入数据生成模块620，用于根据所述待识别脑电信号和所述电极位置图像数据生成脑电信号识别模型输入数据；其中，所述脑电信号识别模型输入数据包括待识别脑电信号时域位置图和待识别脑电信号频域位置图；
用户身份识别模块630，用于将所述脑电信号识别模型输入数据输入至所述目标用户匹配的目标脑电信号识别模型，以通过所述目标脑电信号识别模型识别所述目标用户的用户身份。
本实施例的技术方案，通过获取目标用户的待识别脑电信号以及待识别脑电信号的电极位置图像数据，并根据待识别脑电信号和电极位置图像数据生成包括待识别脑电信号时域位置图和待识别脑电信号频域位置图的脑电信号识别模型输入数据，以将脑电信号识别模型输入数据输入至目标用户匹配的目标脑电信号识别模型，从而通过目标脑电信号识别模型识别目标用户的用户身份，解决了现有的脑电信号识别方法的识别效率较低以及识别准确性较差的问题，能够提高脑电信号的识别效率和识别准确率。
上述脑电信号识别装置可执行本发明任意实施例所提供的脑电信号识别方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的脑电信号识别方法。
由于上述所介绍的脑电信号识别装置为可以执行本发明实施例中的脑电信号识别方法的装置，故而基于本发明实施例中所介绍的脑电信号识别方法，本领域所属技术人员能够了解本实施例的脑电信号识别装置的具体实施方式以及其各种变化形式，所以在此对于该脑电信号识别装置如何实现本发明实施例中的脑电信号识别方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中脑电信号识别方法所采用的装置，都属于本申请所欲保护的范围。
实施例五
图7是本发明实施例五提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器16，存储器28，连接不同***组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及***组件互连(Peripheral Component Interconnect，PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、(Redundant Arrays of Independent Disks，RAID)***、磁带驱动器以及数据备份存储***等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，实现本发明实施例一所提供的脑电信号识别模型训练方法：获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据；根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图；根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。
或者实现本发明实施例二所提供的脑电信号识别方法：获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据；根据所述待识别脑电信号和所述电极位置图像数据生成脑电信号识别模型输入数据；其中，所述脑电信号识别模型输入数据包括待识别脑电信号时域位置图和待识别脑电信号频域位置图；将所述脑电信号识别模型输入数据输入至所述目标用户匹配的目标脑电信号识别模型，以通过所述目标脑电信号识别模型识别所述目标用户的用户身份。
实施例六
本发明实施例六还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例一所述的脑电信号识别模型训练方法：获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据；根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图；根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。
或者所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例二所述的脑电信号识别方法：获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据；根据所述待识别脑电信号和所述电极位置图像数据生成脑电信号识别模型输入数据；其中，所述脑电信号识别模型输入数据包括待识别脑电信号时域位置图和待识别脑电信号频域位置图；将所述脑电信号识别模型输入数据输入至所述目标用户匹配的目标脑电信号识别模型，以通过所述目标脑电信号识别模型识别所述目标用户的用户身份。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory，ROM)、可擦式可编程只读存储器((Erasable Programmable Read OnlyMemory，EPROM)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种脑电信号识别模型训练方法，其特征在于，包括：
获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据；
根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图；
根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。
2.根据权利要求1所述的方法，其特征在于，获取目标用户的脑电信号样本数据，包括：
将预设展示图像展示给所述目标用户；
获取所述目标用户观看所述预设展示图像时生成的脑电信号样本数据。
3.根据权利要求1所述的方法，其特征在于，根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号时域位置图，包括：
确定所述电极位置图像样本数据中的目标电极和所述目标电极在所述电极位置图像样本数据中的目标电极位置；
根据所述脑电信号样本数据确定所述目标电极的目标电极时刻信号数据；
根据所述目标电极时刻信号数据和所述目标电极位置生成多个连续的初始脑电信号时刻时域位置图；
通过线性插值法对所述初始脑电信号时刻时域位置图进行图像补充处理，得到脑电信号时刻时域位置图；
将预设时间段内的各所述脑电信号时刻时域位置图作为所述脑电信号时域位置图。
4.根据权利要求1所述的方法，其特征在于，根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号频域位置图，包括：
确定所述电极位置图像样本数据中的目标电极和所述目标电极在所述电极位置图像样本数据中的目标电极位置；
根据所述脑电信号样本数据确定所述目标电极的目标电极时刻信号数据；
通过离散短时傅里叶变换根据所述目标电极时刻信号数据生成所述目标电极的目标电极时刻频域信号数据；
根据所述目标电极时刻频域信号数据和所述目标电极位置生成多个连续的脑电信号时刻频域位置图；
将预设时间段内的各所述脑电信号时刻频域位置图作为所述脑电信号频域位置图。
5.根据权利要求1所述的方法，其特征在于，所述根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，包括：
将所述脑电信号时域位置图输入至所述脑电信号识别模型的第一卷积神经网络，并将所述脑电信号频域位置图输入至所述脑电信号识别模型的第二卷积神经网络，以通过所述第一卷积神经网络提取所述脑电信号时域位置图的脑电信号时域特征，并通过所述第二卷积神经网络提取所述脑电信号频域位置图的脑电信号频域特征；
将所述脑电信号时域特征和所述脑电信号频域特征进行特征拼接融合，得到脑电信号融合特征；
将所述脑电信号融合特征输入至所述脑电信号识别模型的循环神经网络，得到脑电信号隐层信息；
通过所述脑电信号识别模型的线性分类器对所述脑电信号隐层信息进行分类识别，得到所述脑电信号识别模型输入样本数据的用户身份识别结果；
根据所述用户身份识别结果和所述脑电信号识别模型输入样本数据的用户身份标记结果进行对比，以确定所述脑电信号识别模型的训练效果。
6.一种脑电信号识别方法，其特征在于，包括：
获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据；
根据所述待识别脑电信号和所述电极位置图像数据生成脑电信号识别模型输入数据；其中，所述脑电信号识别模型输入数据包括待识别脑电信号时域位置图和待识别脑电信号频域位置图；
将所述脑电信号识别模型输入数据输入至所述目标用户匹配的目标脑电信号识别模型，以通过所述目标脑电信号识别模型识别所述目标用户的用户身份。
7.一种脑电信号识别模型训练装置，其特征在于，包括：
样本数据获取模块，用于获取目标用户的脑电信号样本数据以及所述脑电信号样本数据的电极位置图像样本数据；
模型输入样本数据生成模块，用于根据所述脑电信号样本数据和所述电极位置图像样本数据生成脑电信号识别模型输入样本数据；其中，所述脑电信号识别模型输入样本数据包括脑电信号时域位置图和脑电信号频域位置图；
目标脑电信号识别模型获取模块，用于根据所述脑电信号识别模型输入样本数据训练脑电信号识别模型，得到所述目标用户匹配的目标脑电信号识别模型。
8.一种脑电信号识别装置，其特征在于，包括：
图像获取模块，用于获取目标用户的待识别脑电信号以及所述待识别脑电信号的电极位置图像数据；
模型输入数据生成模块，用于根据所述待识别脑电信号和所述电极位置图像数据生成脑电信号识别模型输入数据；其中，所述脑电信号识别模型输入数据包括待识别脑电信号时域位置图和待识别脑电信号频域位置图；
用户身份识别模块，用于将所述脑电信号识别模型输入数据输入至所述目标用户匹配的目标脑电信号识别模型，以通过所述目标脑电信号识别模型识别所述目标用户的用户身份。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的脑电信号识别模型训练方法，或者执行权利要求6所述的脑电信号识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的脑电信号识别模型训练方法，或者实现权利要求6所述的脑电信号识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210097544.9A CN114469139A (zh) | 2022-01-27 | 2022-01-27 | 脑电信号识别模型训练、脑电信号识别方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210097544.9A CN114469139A (zh) | 2022-01-27 | 2022-01-27 | 脑电信号识别模型训练、脑电信号识别方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114469139A true CN114469139A (zh) | 2022-05-13 |
Family
ID=81477139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210097544.9A Pending CN114469139A (zh) | 2022-01-27 | 2022-01-27 | 脑电信号识别模型训练、脑电信号识别方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114469139A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117994636A (zh) * | 2024-04-03 | 2024-05-07 | 华中科技大学同济医学院附属协和医院 | 基于交互学习的穿刺目标识别方法、***及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013100576A4 (en) * | 2013-04-23 | 2013-06-06 | Huang, Xu PROF | Human Identification with Electroencephalogram (EEG) for the Future Network Security |
| US20180161123A1 (en) * | 2016-12-12 | 2018-06-14 | Cadwell Laboratories, Inc. | System and Method for High Density Electrode Management |
| CN108985029A (zh) * | 2018-06-05 | 2018-12-11 | 中国科学院半导体研究所 | 基于视觉刺激的脑电身份识别方法 |
| CN109472194A (zh) * | 2018-09-26 | 2019-03-15 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
| CN109924990A (zh) * | 2019-03-27 | 2019-06-25 | 兰州大学 | 一种基于emd算法的脑电信号抑郁症识别*** |
| MX2018006188A (es) * | 2018-05-18 | 2019-11-19 | Benemerita Univ Autonoma De Puebla Star | Sistema de identificacion y autenticacion de sujetos basado en habla imaginada a partir de señales de electroencefalograma (eeg). |
| CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别***、终端及存储介质 |
| CN112401902A (zh) * | 2020-12-04 | 2021-02-26 | 山东大学 | 基于神经网络时频分析相结合的心电身份识别方法及*** |
| KR20210051525A (ko) * | 2019-10-30 | 2021-05-10 | 고려대학교 산학협력단 | 뇌전도 신호의 tdp와 상관관계 계수를 이용한 운동 심상 분류 장치 및 방법 |
| US20210307672A1 (en) * | 2020-04-05 | 2021-10-07 | Epitel, Inc. | Eeg recording and analysis |
| WO2021226778A1 (zh) * | 2020-05-11 | 2021-11-18 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别***、终端及存储介质 |
-
2022
- 2022-01-27 CN CN202210097544.9A patent/CN114469139A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013100576A4 (en) * | 2013-04-23 | 2013-06-06 | Huang, Xu PROF | Human Identification with Electroencephalogram (EEG) for the Future Network Security |
| US20180161123A1 (en) * | 2016-12-12 | 2018-06-14 | Cadwell Laboratories, Inc. | System and Method for High Density Electrode Management |
| MX2018006188A (es) * | 2018-05-18 | 2019-11-19 | Benemerita Univ Autonoma De Puebla Star | Sistema de identificacion y autenticacion de sujetos basado en habla imaginada a partir de señales de electroencefalograma (eeg). |
| CN108985029A (zh) * | 2018-06-05 | 2018-12-11 | 中国科学院半导体研究所 | 基于视觉刺激的脑电身份识别方法 |
| CN109472194A (zh) * | 2018-09-26 | 2019-03-15 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
| CN109924990A (zh) * | 2019-03-27 | 2019-06-25 | 兰州大学 | 一种基于emd算法的脑电信号抑郁症识别*** |
| KR20210051525A (ko) * | 2019-10-30 | 2021-05-10 | 고려대학교 산학협력단 | 뇌전도 신호의 tdp와 상관관계 계수를 이용한 운동 심상 분류 장치 및 방법 |
| US20210307672A1 (en) * | 2020-04-05 | 2021-10-07 | Epitel, Inc. | Eeg recording and analysis |
| CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别***、终端及存储介质 |
| WO2021226778A1 (zh) * | 2020-05-11 | 2021-11-18 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别***、终端及存储介质 |
| CN112401902A (zh) * | 2020-12-04 | 2021-02-26 | 山东大学 | 基于神经网络时频分析相结合的心电身份识别方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| XIAOWEI LI. ET AL: "EEG-based mild depression recognition using convolutional neural network", MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING, 19 February 2019 (2019-02-19), pages 1342 - 1352 * |
| 王一等: "基于自发性脑电信号身份识别的方法", 现代计算机, 31 August 2017 (2017-08-31), pages 22 - 26 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117994636A (zh) * | 2024-04-03 | 2024-05-07 | 华中科技大学同济医学院附属协和医院 | 基于交互学习的穿刺目标识别方法、***及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Faundez-Zanuy et al. | Handwriting biometrics: Applications and future trends in e-security and e-health | |
| Mason et al. | An investigation of biometric authentication in the healthcare environment | |
| Ali et al. | Edge-centric multimodal authentication system using encrypted biometric templates | |
| Chen et al. | EEG-based biometric identification with convolutional neural network | |
| CN107545241A (zh) | 神经网络模型训练及活体检测方法、装置及存储介质 | |
| CN108429619A (zh) | 身份认证方法和*** | |
| Fong et al. | A biometric authentication model using hand gesture images | |
| Blanco‐Gonzalo et al. | Performance evaluation of handwritten signature recognition in mobile environments | |
| CN107609463B (zh) | 活体检测方法、装置、设备及存储介质 | |
| Moctezuma et al. | Multi-objective optimization for EEG channel selection and accurate intruder detection in an EEG-based subject identification system | |
| EP3685288B1 (en) | Apparatus, method and computer program product for biometric recognition | |
| KR20160098960A (ko) | 심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치 | |
| CN105117708A (zh) | 人脸表情识别的方法和装置 | |
| CN108847941B (zh) | 身份认证方法、装置、终端及存储介质 | |
| Hu et al. | A pervasive EEG-based biometric system | |
| Mane et al. | StressNet: Hybrid model of LSTM and CNN for stress detection from electroencephalogram signal (EEG) | |
| Jiang et al. | Analytical comparison of two emotion classification models based on convolutional neural networks | |
| Ghosh et al. | Symptoms-based biometric pattern detection and recognition | |
| CN114469139A (zh) | 脑电信号识别模型训练、脑电信号识别方法、装置及介质 | |
| Niu et al. | Discriminative video representation with temporal order for micro-expression recognition | |
| Delgado-Santos et al. | SwipeFormer: Transformers for mobile touchscreen biometrics | |
| Vasani et al. | Introduction to Emotion Detection and Predictive Psychology in the Age of Technology | |
| Soldek et al. | Image analysis and pattern recognition in biometric technologies | |
| Kisku et al. | Design and Implementation of Healthcare Biometric Systems | |
| Kumar et al. | Facial Gesture Recognition for Emotion Detection: A Review of Methods and Advancements |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |