[发明专利]基于集成学习的脑电身份认证方法

说明书

本发明提出了一种基于集成学习的脑电身份认证方法，用于解决现有技术存在的稳定性不足的问题。实现步骤为：获取训练样本集和测试样本集；构建集成学习算法Bagging分类模型；对集成学习算法Bagging分类模型进行迭代训练；获取身份认证结果。本发明利用集成学习方法来提高脑电身份认证系统的稳定性，同时降低了超参数调节的难度，降低了需要耗费的人力物力。

技术领域

本发明属于身份信息识别技术领域，涉及一种基于集成学习的脑电身份认证方法，可用于个体身份识别。

背景技术

日常生活中的各种场合下都需要对自己的身份信息进行准确的核验，小到手机解锁、移动支付，大到银行业务、军事系统等，身份认证都扮演着举足轻重的角色。现如今，信息安全是一个无法回避的话题，而身份认证扮演着“看门人”的角色，其重要性不言而喻。常见的身份认证方式有字符密码、短信密码、二级密码等方式，但是都发生过被盗取、拦截的情况。近几年基于生物信息的身份认证方式越来越流行，例如，指纹、面部、虹膜。基于指纹的身份认证方式是根据不同个体的手指末端皮肤的凹凸的不同来识别个体的。基于面部的身份认证方式根据不同个体的面部五官的差异来识别个体。基于虹膜的身份认证方式是根据不同个体虹膜的斑点、细丝、条纹、皱纹等生物特征的不同来识别个体。但是这些生物信息也存在容易伪造、复制等缺陷。脑电信号作为一种新兴生物信息具有如下特点：①脑电信号具有个体唯一性，即高度依赖于个体思维活动；②脑电信号具有时变性，每时每刻都在变化。即便是相同的思维活动、相同的外界刺激，所产生的脑电信号也是不一样的；③任何个体均存在脑电信号，且通过专用的采集设备可以采集量化，具有普适性；④脑电信号具有生物活性，即与个体的生命状态紧密相连，当个体死亡时脑电信号立刻消失；⑤脑电信号由众多神经元共同产生，且其产生于大脑的思维状态，导致脑电信号无法人工制造；⑥当个体受到威胁、恐吓等情形时，脑电信号会发生强烈的变化。因为脑电信号的上述特点，所以逐渐被引入到身份认证中。脑电信号具有个体特异性，故可以根据不同个体的脑电信号对个体进行识别。

基于脑电信号的身份认证方法有匹配法、模式识别方法等。脑电身份认证中传统的模式识别方法一般流程为：①脑电信号采集；②脑电信号预处理；③脑电信号特征提取；④构建训练样本集；⑤构建模式识别模型；⑥训练模式识别模型；⑦利用训练好的模式识别模型进行预测。其中，脑电信号的特征提取与分类模型的构建是重要的两步，决定整个认证方法的性能。一般度量脑电身份认证方法的指标有识别准确率。脑电信号的质量、脑电信号的特征提取都会影响识别准确率。传统的模式识别方法是基于单模型的，即只训练一个模型来完成身份认证。使用不同个体的脑电信号训练一次单模型，由训练好的单模型进行识别。而单模型的识别性能往往会出现波动，不够稳定。而且对单个模型进行超参数调节以获得微弱的性能提升，往往非常困难，需要不断调试，耗费大量人力物力。属于人工智能的机器学习中，深度学习近几年非常流行。深度学习类似一个黑盒子，其模型本质是由权重参数和偏置参数控制，当这两项参数确定时，深度学习模型也就唯一确定。这两项参数是通过对训练样本集的学习而得到的。深度学习模型是一个端到端系统，只需要设置好模型结构，给定训练样本集后，模型即可开始学习。

例如，申请公布号为CN 109784023A，名称为“基于深度学习的稳态视觉诱发脑电身份识别方法及系统”，公开了一种基于深度学习的稳态视觉诱发脑电身份识别方法。该方法包括获取脑电信号、去噪、时频转换、带通滤波、训练神经网络、身份识别。该方法存在的不足之处是：使用单个分类模型构建的脑电身份认证方法的识别稳定性较差。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于集成学习的脑电身份认证方法，旨在保证具有较高识别准确率的前提下，提高识别的稳定性。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取训练样本集和测试样本集：