CN114897071A - 基于单通道脑电的身份识别方法及装置 - Google Patents
基于单通道脑电的身份识别方法及装置 Download PDFInfo
- Publication number
- CN114897071A CN114897071A CN202210502372.9A CN202210502372A CN114897071A CN 114897071 A CN114897071 A CN 114897071A CN 202210502372 A CN202210502372 A CN 202210502372A CN 114897071 A CN114897071 A CN 114897071A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- data
- identity recognition
- channel
- identity
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于单通道脑电的身份识别方法及装置,该方法包括:正确佩戴单通道脑电信号采集装置,采集被试者静息状态下的脑电信号;采用奇异谱分析方法、K‑均值算法和小波变换方法结合的去噪方法对脑电信号进行预处理,去除眼电噪声,得到纯净的脑电信号;使用自回归模型方法和小波变换方法分别提取纯净脑电信号的时域特征和时频域特征;采用机器学习的线性判别分析模型对提取的特征进行身份识别。本发明使用单通道脑电采集装置进行静息状态下信号的采集,提高了采集效率,并针对单通道脑电信号提出了一种预处理方法,提高了脑电信号的信噪比,保留更多的脑电原始信息,并从两个特征域时域和时频域提取身份特征,带来身份识别准确度的提升。
Description
技术领域
本发明涉及身份信息识别技术领域,尤其涉及一种基于单通道脑电的身份识别方法及装置。
背景技术
当今是一个互联网高速发展的信息时代,虽然给人们的日常生活、工作和学习带来了很大的便利性,但是也在隐私保密与财产安全等方面带来了一定的安全隐患。而个人身份识别是保障公共信息安全的重要前提,因此如何准确、便捷、可靠地识别某个人的身份显得尤为重要。
目前在我们日常生活中应用广泛的身份识别方法主要包括两类,一类是基于非生物特征的身份识别方法,另一类是基于生物特征的身份识别方法。其中基于非生物特征的身份识别方法主要有身份证、静态密码、PIN码、短信密码等,主要依靠特征事物和特定信息进行身份识别,但这类方法很容易被他人复制或者冒用,在越来越多的环境中表现出不适用。而基于生物特征的身份识别方法主要依靠人固有的身体特征进行身份识别,包括指纹、声音、虹膜、面部和手部特征等,虽然该方法解决了非生物特征身份识别的某些弊端,但仍存在被伪造或被胁迫的缺点问题。
而脑电信号作为一种新型的生物特征,与传统的生物特征信号相比相对稳定,同时其必须使用活体进行检测,且无法被仿制,因此具有一定的抗伪造性。由于不同个体通过内源性自发产生和外源性刺激诱导产生不同的脑电信号,任何人都不可能模仿他人的思维状态,即人的脑电信号具有个体的唯一性,因此将脑电信号作为身份识别具有一定安全性。除此之外,人体正常状态下与刺激状态下产生的脑电信号大有差距,因此具有一定的抗胁迫性。
目前,基于脑电信号的身份识别的研究有许多方式,主要包括基于静息状态脑电信号的身份识别、基于稳态视觉诱发的身份识别和基于运动想象的身份识别等。而基于运动想象和稳态视觉诱发的身份识别方法都是针对特定任务对诱发的脑电信号进行身份识别,其中基于运动想象的识别方法需要进行一定的训练,且不同的运动想象类型对识别有较大的影响;基于稳态视觉诱发的识别方法复杂且耗时,并不适用视觉功能不正常的受试者。而基于静息状态脑电信号的身份识别无需其他外部刺激,不需要受试者进行任何训练,采集方便,只需在一个相对安静的空间即可完成信号采集。
然而,目前大多数基于脑电信号的身份识别研究主要集中在多通道采集的脑电信号上,这种仪器造价昂贵,并且采集条件苛刻,采集操作繁琐,不能满足脑电信号在各个场所的灵活应用,且仅限于提高分类精度,而在保证准确度的前提下,很少有研究者关注身份识别方法的实用性。而单通道采集装置不需要额外的佩戴时间,采集步骤简单,具有一定的实用性和便携性。
然而相对于多通道采集的脑电数据,单通道采集的脑电数据由于采集电极的减少更容易受到受试者自身和外界环境的影响,导致脑电信号信噪比低,但传统的多通道预处理算法往往在单通道脑电数据处理中并不适用,因此如何使用适当的预处理算法提高单通道脑电数据的信噪比并保留更多的脑电原始信息是亟需解决的问题。除此之外,由于采集电极的减少导致脑电信号数据的减少,进而导致受试者身份特征信息的减少,如何从单通道脑电数据中尽可能地提取出具有个体差异的身份特征,并尽可能保证身份识别的准确性与多通道脑电身份识别的准确性相当。
发明内容
为了解决上述问题,本发明提供了一种基于单通道脑电的身份识别方法,其提高脑电身份识别在生活中的实用性,最大限度地简化实验过程,提高采集效率,减少时间消耗,保留了更多的脑电原始信息,并达到较高的分类准确度。
根据本发明的一个方面,一种基于单通道脑电的身份识别方法,包括以下步骤:
S1:通过单通道脑电信号采集设备采集被试者处于静息状态下的脑电信号;
S2:对采集的脑电信号进行预处理,去除眼电伪迹和工频干扰,得到纯净脑电信号;
S3:提取纯净脑电信号的时域和时频域的身份特征信息,并组合形成多组特征矩阵;
S4:使用机器学习的方法建立身份识别模型,并根据多组特征矩阵对已知被试者进行身份识别。
优选地,步骤S1包括:
正确佩戴采集电极位于前额叶的单通道脑电信号采集设备,采集被试者处于静息状态下的脑电信号。
优选地,步骤S1包括:
单通道脑电采集设备选择位于前额处的任一电极以一定的采样频率进行信号采集,通过蓝牙将采集到的脑电信号传输至PC端;实验环境选择一个相对安静的地方,并移除被试者的智能设备,以减少电磁环境对记录信号的干扰;在数据采集过程中,要求受试者处于静息状态下放松,但不要睡觉,并尽量避免咬人、吞咽、交叉双腿和其他运动。
优选地,步骤S2包括:
S21:使用带通滤波器保留预设频率范围之内的脑电信号,保留更多的脑电原始信息,滤除预设频率范围之外的脑电信号,包括对工频干扰的滤除和基线漂移的校正,得到原始一维脑电信号;
S22:使用奇异谱分析方法、K-均值算法和小波变换方法结合的去噪方法去除脑电信号的眼电伪迹,得到纯净脑电信号。
优选地,步骤S22包括:
S221:使用奇异谱分析方法的嵌入步骤对一维的脑电信号进行滞后排列得到多维矩阵;
S222:计算多维矩阵中每列数据的时域特征峰度、能量和极差,使用K-均值算法将多维矩阵的多列数据聚类成两类;
S223:根据聚类效果使用奇异谱分析方法的对角平均重构步骤将多维矩阵重构为两组一维数据,并从两组一维数据中区分出眼电伪迹的那一组一维数据;
S224:使用小波变换方法中的小波分解步骤将区分出来的眼电伪迹数据进行多层分解,并使用软阈值函数去除小波系数中的脑电信号残余,使用小波重构得到不包含脑电数据的眼电伪迹;
S225:将原始一维脑电信号减去重构得到的眼电伪迹得到纯净脑电信号。
优选地,步骤S3包括:
S31:分别从纯净脑电信号中取出中间段较为平稳的脑电数据,并将其按照一定的时间间隔划分为单独的数据段;
S32:使用自回归模型方法分别提取每段数据的时域身份特征信息,自回归模型的参数选择N阶,每组数据得到N个模型参数;
S33:使用小波变换方法提取每段数据的时频域身份特征信息,使用小波分解得到M层小波系数,并计算其每层小波系数的统计信息;
S34:将所有的特征组合形成多组特征矩阵。
优选地,步骤S4包括:
S41:使用机器学习方法中的线性判别分析方法搭建身份识别模型;
S42:从多组特征矩阵中随机提取部分特征矩阵作为训练数据,将训练数据输入身份识别模型进行训练,将剩余的特征矩阵作为测试数据输入身份识别模型中进行已知被试者的身份识别。
根据本发明的第二方面,一种基于单通道脑电的身份识别装置,包括以下模块:
单通道脑电信号采集模块,用于通过单通道脑电信号采集设备采集被试者处于静息状态下的脑电信号;
脑电信号预处理模块,用于对采集的脑电信号进行预处理,去除眼电伪迹和工频干扰,得到纯净脑电信号;
脑电身份特征提取模块,用于提取纯净脑电信号的时域和时频域的身份特征信息,并组合形成多组特征矩阵;
身份识别模块,用于使用机器学习的方法建立身份识别模型,并根据多组特征矩阵对已知被试者进行身份识别。
本发明提供的技术方案具有以下有益效果:
采用单通道脑电采集设备采集静息状态下的脑电信号,减少了佩戴时间,达到了快速方便的日常使用要求;针对多通道预处理算法在单通道脑电数据处理中不适用的问题,本发明使用奇异谱分析方法、K-均值算法和小波变换方法结合的去噪方法去除脑电数据的眼电伪迹,提高了脑电信号的信噪比,保留了更多的脑电原始信息;针对单通道脑电数据中身份特征不足的问题,选择从两个特征域时域和时频域提取身份特征,保证了较好的身份识别准确性。
附图说明
下面将结合附图及实施例对本发明的具体效果作进一步说明,附图中:
图1是本发明实施例中基于单通道脑电的身份识别方法流程图;
图2是本发明实施例的预处理方法流程图。
图3是本发明实施例的预处理结果对比图。
图4是本发明实施例的不同分类模型的身份识别分类准确率对比图;
图5是本发明实施例中基于单通道脑电的身份识别装置结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
请参考图1,图1是本发明实施例中基于单通道脑电的身份识别方法流程图,包括以下步骤:
步骤S1:通过单通道脑电信号采集设备采集被试者处于静息状态下的脑电信号;
作为优选的实施方式,正确佩戴采集电极位于前额叶的单通道脑电信号采集设备,采集被试者处于静息状态下的脑电信号,可选的电极包括:FPz、FP1、 FP2、Fz,在实验过程中,其中FPz处的效果最好,故本实施例中选择FPz处。
本实施例中,脑电采集设备选择位于前额处的FPz电极进行信号采集,该采集设备的采样频率为512Hz,通过蓝牙或其他通信方式将采集到的脑电数据传输至PC端;实验环境选择一个相对安静的地方,并移除受试者的智能设备,以减少电磁环境对记录信号的干扰。在数据采集过程中,要求受试者处于静息状态下放松,但不要睡觉,并尽量避免咬人、吞咽、交叉双腿和其他运动。
步骤S2:对采集的脑电信号进行预处理,去除眼电伪迹和工频干扰,得到纯净脑电信号;
步骤S2中,脑电信号预处理具体包括:
S21:对采集的静息状态下的脑电信号使用带通滤波器保留预设频率范围之内的脑电信号,保留更多的脑电原始信息,滤除预设频率范围之外的脑电信号,包括对工频干扰的滤除和基线漂移的校正;这里的预设范围优选0.5Hz-45Hz。
S22:使用奇异谱分析方法、K-均值算法和小波变换方法结合的去噪方法去除脑电数据的眼电伪迹,预处理方法流程如图2,步骤S22包括以下步骤:
使用奇异谱分析方法的嵌入步骤对原始一维脑电信号进行滞后排列得到多维的矩阵数据;
计算矩阵每列数据的时域特征峰度、能量和极差,使用K-均值算法将矩阵的多列数据聚类成两类;
根据聚类效果使用奇异谱分析方法的对角平均重构步骤将多维矩阵重构为两组一维数据,并从两组一维数据中区分出眼电伪迹的那一组一维数据;
使用小波变换方法中的小波分解步骤将区分出来的眼电伪迹数据进行多层分解(优选7层),并使用软阈值函数去除小波系数中的脑电信号残余,使用小波重构得到不包含脑电数据的眼电伪迹,将原始一维脑电信号减去重构得到的眼电伪迹得到纯净的脑电信号,预处理脑电信号波形结果前后对比如图3所示,提高脑电信号的信噪比,保留了更多的脑电信号身份特征的原始信息。
步骤3:提取被试者纯净脑电信号的时域和时频域的身份特征,并组合得到多组特征矩阵;
本实施例中,步骤S3具体如下:
在对采集的脑电数据进行预处理之后,分别从中取出中中间段较为平稳的脑电数据,并将其按照一定时间间隔(优选5s)划分为单独的数据段,由于优选地采集频率为512Hz,每段包括2560个数据点;
使用自回归模型方法分别提取每段数据的时域身份特征信息,可选地,自回归模型的参数选择18阶,每组数据得到18个模型参数;使用小波变换方法提取每段数据的时频域身份特征信息,可选地,使用小波分解得到9层小波系数,并计算其每层小波系数的统计信息;
将所有的特征组合形成多组特征矩阵。
步骤4:使用机器学习的方法建立身份识别模型,并根据多组特征矩阵对已知被试者进行身份识别。
本实施例中,步骤S4具体如下:
身份识别模型建立中,使用机器学习方法中的线性判别分析方法搭建身份识别模型,线性判别分析方法的原理将样本特征投影到一个向量上,并且希望同类样本的投影点越近越好,异类样本的投影点越远越好;根据步骤3得到的多组特征矩阵中随机提取部分特征矩阵作为训练数据,将训练数据输入线性判别分析方法中构建身份识别模型,将剩余的特征矩阵作为测试数据输入身份识别模型中进行已知被试者的身份识别,可选地,使用50倍交叉验证方法验证该模型的泛化能力,得到整体身份识别的分类准确率,50倍交叉验证身份识别准确率达到了 92%,结果如图4所示。
在一些实施方式中,还提供了一种基于单通道脑电的身份识别装置,参考图 5,该装置包括:
单通道脑电信号采集模块1,用于通过单通道脑电信号采集设备采集被试者处于静息状态下的脑电信号;
脑电信号预处理模块2,用于对采集的脑电信号进行预处理,去除眼电伪迹和工频干扰,得到纯净脑电信号;
脑电身份特征提取模块3,用于提取纯净脑电信号的时域和时频域的身份特征信息,并组合形成多组特征矩阵;
身份识别模块4,用于使用机器学习的方法建立身份识别模型,并根据多组特征矩阵对已知被试者进行身份识别。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于单通道脑电的身份识别方法,其特征在于,包括以下步骤:
S1:通过单通道脑电信号采集设备采集被试者处于静息状态下的脑电信号;
S2:对采集的脑电信号进行预处理,去除眼电伪迹和工频干扰,得到纯净脑电信号;
S3:提取纯净脑电信号的时域和时频域的身份特征信息,并组合形成多组特征矩阵;
S4:使用机器学习的方法建立身份识别模型,并根据多组特征矩阵对已知被试者进行身份识别。
2.如权利要求1所述的基于单通道脑电的身份识别方法,其特征在于,步骤S1包括:
正确佩戴采集电极位于前额叶的单通道脑电信号采集设备,采集被试者处于静息状态下的脑电信号。
3.如权利要求1所述的基于单通道脑电的身份识别方法,其特征在于,步骤S1包括:
单通道脑电采集设备选择位于前额处的任一电极以一定的采样频率进行信号采集,将采集到的脑电信号传输至PC端。
4.如权利要求1所述的基于单通道脑电的身份识别方法,其特征在于,步骤S2包括:
S21:使用带通滤波器保留预设频率范围之内的脑电信号,滤除预设频率范围之外的脑电信号,包括对工频干扰的滤除和基线漂移的校正;
S22:使用奇异谱分析方法、K-均值算法和小波变换方法结合的去噪方法去除脑电信号的眼电伪迹,得到纯净脑电信号。
5.如权利要求4所述的基于单通道脑电的身份识别方法,其特征在于,步骤S22包括:
S221:使用奇异谱分析方法的嵌入步骤对原始一维脑电信号进行滞后排列得到多维矩阵;
S222:计算多维矩阵中每列数据的时域特征峰度、能量和极差,使用K-均值算法将多维矩阵的多列数据聚类成两类;
S223:根据聚类效果使用奇异谱分析方法的对角平均重构步骤将多维矩阵重构为两组一维数据,并从两组一维数据中区分出眼电伪迹的那一组一维数据;
S224:使用小波变换方法中的小波分解步骤将区分出来的眼电伪迹数据进行多层分解,并使用软阈值函数去除小波系数中的脑电信号残余,使用小波重构得到不包含脑电数据的眼电伪迹;
S225:将原始一维脑电信号减去重构得到的眼电伪迹得到纯净脑电信号。
6.如权利要求1所述的基于单通道脑电的身份识别方法,其特征在于,步骤S3包括:
S31:分别从纯净脑电信号中取出中间段相对平稳的脑电数据,并将其按照一定的时间间隔划分为单独的数据段;
S32:使用自回归模型方法分别提取每段数据的时域身份特征信息,自回归模型的参数选择N阶,每组数据得到N个模型参数;
S33:使用小波变换方法提取每段数据的时频域身份特征信息,使用小波分解得到M层小波系数,并计算其每层小波系数的统计信息;
S34:将所有的特征组合形成多组特征矩阵。
7.根据权利要求1所述的基于单通道脑电的身份识别方法,其特征在于,步骤S4包括:
S41:使用机器学习方法中的线性判别分析方法搭建身份识别模型;
S42:从多组特征矩阵中随机提取部分特征矩阵作为训练数据,将训练数据输入身份识别模型进行训练,将剩余的特征矩阵作为测试数据输入身份识别模型中进行已知被试者的身份识别。
8.一种基于单通道脑电的身份识别装置,其特征在于,包括以下模块:
单通道脑电信号采集模块,用于通过单通道脑电信号采集设备采集被试者处于静息状态下的脑电信号;
脑电信号预处理模块,用于对采集的脑电信号进行预处理,去除眼电伪迹和工频干扰,得到纯净脑电信号;
脑电身份特征提取模块,用于提取纯净脑电信号的时域和时频域的身份特征信息,并组合形成多组特征矩阵;
身份识别模块,用于使用机器学习的方法建立身份识别模型,并根据多组特征矩阵对已知被试者进行身份识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502372.9A CN114897071A (zh) | 2022-05-10 | 2022-05-10 | 基于单通道脑电的身份识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502372.9A CN114897071A (zh) | 2022-05-10 | 2022-05-10 | 基于单通道脑电的身份识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897071A true CN114897071A (zh) | 2022-08-12 |
Family
ID=82722073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210502372.9A Pending CN114897071A (zh) | 2022-05-10 | 2022-05-10 | 基于单通道脑电的身份识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897071A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117064409A (zh) * | 2023-10-12 | 2023-11-17 | 杭州般意科技有限公司 | 经颅直流电干预刺激效果实时评估方法、装置及终端 |
-
2022
- 2022-05-10 CN CN202210502372.9A patent/CN114897071A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117064409A (zh) * | 2023-10-12 | 2023-11-17 | 杭州般意科技有限公司 | 经颅直流电干预刺激效果实时评估方法、装置及终端 |
CN117064409B (zh) * | 2023-10-12 | 2024-01-30 | 深圳般意科技有限公司 | 经颅直流电干预刺激效果实时评估方法、装置及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abo-Zahhad et al. | A new multi-level approach to EEG based human authentication using eye blinking | |
CN109784023B (zh) | 基于深度学习的稳态视觉诱发脑电身份识别方法及*** | |
CN111329474B (zh) | 基于深度学习的脑电身份识别方法、***及信息更新方法 | |
Thomas et al. | Toward EEG-based biometric systems: The great potential of brain-wave-based biometrics | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
Campisi et al. | EEG for automatic person recognition | |
Bashar et al. | Human identification from brain EEG signals using advanced machine learning method EEG-based biometrics | |
Abdullah et al. | Analysis of effective channel placement for an EEG-based biometric system | |
CN114781465B (zh) | 一种基于rPPG的非接触式疲劳检测***及方法 | |
Belgacem et al. | Person identification system based on electrocardiogram signal using LabVIEW | |
Alyasseri et al. | The effects of EEG feature extraction using multi-wavelet decomposition for mental tasks classification | |
CN109766751B (zh) | 基于频域编码的稳态视觉诱发脑电身份识别方法及*** | |
CN110135285B (zh) | 一种使用单导设备的脑电静息态身份认证方法及装置 | |
CN111580643B (zh) | 一种基于稳态不对称视觉诱发电位的脑-机接口方法 | |
Bugeja et al. | A novel method of EEG data acquisition, feature extraction and feature space creation for early detection of epileptic seizures | |
Dan et al. | An identification system based on portable EEG acquisition equipment | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及*** | |
Hu et al. | A real-time electroencephalogram (EEG) based individual identification interface for mobile security in ubiquitous environment | |
CN111616702A (zh) | 一种基于认知负荷增强的测谎分析*** | |
Kuila et al. | Feature extraction of electrocardiogram signal using machine learning classification | |
CN114897071A (zh) | 基于单通道脑电的身份识别方法及装置 | |
Ravi et al. | Recognising individuals using their brain patterns | |
CN111144450A (zh) | 一种构建基于不同长度名字刺激的erp范式的方法 | |
CN114081505A (zh) | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 | |
CN117332259A (zh) | 基于信息融合的运动想象脑机接口时频组合优化方法 |
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 |