[发明专利]一种脑电身份识别方法及系统

说明书

本发明公开了一种脑电身份识别方法及系统，当有新成员数据被录入时，包括如下过程：对已获取的新成员静息态下的脑电数据进行预处理，得到新成员的片段数据；利用新成员的片段数据微调已训练好的脑电身份识别网络的特征映射方式，使得对特征映射方式进行了微调后的脑电身份识别网络能够对新成员身份的验证和识别。本发明在保证准确率的同时，能够通过微调映射方式，及时对新的被试者进行验证和识别，减少了重新训练模型的时间开销。

技术领域

本发明属于身份识别信息技术领域，具体涉及一种脑电身份识别方法及系统。

背景技术

在现代社会中，各种事物朝着智能化网络化的方向发展，因此需要验证和确认个人身份的情景越来越多，如何高效而准确地验证和识别出个人身份，也成为目前研究的热点问题。

身份识别技术是利用相关信息对被测者身份进行确认的技术，目前身份识别主要包括传统的身份识别方法和基于生物特征的身份识别方法。传统的识别方法利用密码、证件等对人的身份进行核实，但随着需要验证的场合越来越多，且密码、证件等传统工具等不易携带、容易丢失，给使用者个人带来了一定负担。而基于生物特征的身份识别方法如人脸识别、指纹识别、虹膜识别等利用了人固有的生理特性进行识别，且克服了传统方法存在的一些问题，但依然面临着容易被窃取、伪造、胁迫等问题。

在这种情况下，人们考虑利用脑电数据进行身份识别。脑电信号是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映，与个体的认知、感知和思想活动直接相关，并且具有个体间差异性大，个体内差异性小的特点。基于脑电信号的上述特点，利用脑电信号进行身份识别具有难以被窃取、伪造，安全性高的优点，更加符合现代身份识别场景的需要。

然而，目前利用脑电信号的身份识别方法也存在一些问题：

传统方法在原始数据中提取特征然后进行分类，提取的特征包括：信号的时频特征，如功率谱、自回归系数、小波特征、时域信号的波形或统计特征；信号的空域特征：如CSP、ICA等，这种方法需要手动提取特征，往往花费时间长且准确率不理想，无法及时加入新的被试者。

基于深度学习的方法，采用基于卷积神经网络、循环神经网络的深度学习模型自动提取特征，能够实现端到端的效果，但是训练网络的时间会随着数据规模的增加，并且训练出的模型只使用于原来的数据集，当有新的被试者加入时需要花费大量时间重新训练网络。

发明内容

针对现有基于生物特征和脑电信号的身份识别技术所存在的问题，本发明的目的在于提供一种脑电身份识别方法及系统，本发明在保证准确率的同时，能够通过微调映射方式，及时对新的被试者进行验证和识别，减少了重新训练模型的时间开销。

本发明采用的技术方案如下：

一种脑电身份识别方法，当有新成员数据被录入时，包括如下过程：

对已获取的新成员在静息状态下的脑电数据进行预处理，得到新成员的片段数据；

利用新成员的片段数据微调已训练好的脑电身份识别网络的特征映射方式，使得对特征映射方式进行了微调后的脑电身份识别网络能够对新成员身份的验证和识别。

优选的，获取在静息状态下的脑电数据时，使用头戴式单电极传感器进行采集，采集过程将参考电极夹在其中一个耳朵的耳垂中心，将头箍固定在新成员的头顶正上方，同时将传感器头紧贴前额。

优选的，对脑电数据进行预处理的过程包括进行带通滤波、降采样、缺失值处理和片段裁剪，得到新成员的片段数据。

优选的：带通滤波时：对采集的脑电数据用1-48Hz的三阶巴特沃斯滤波器做带通滤波，滤除伪迹干扰；

降采样时：对带通滤波后的脑电数据降采样至128Hz；

缺失值处理时：将降采样后的脑电数据中的缺失值用前后若干个采样点的平均值替换；