[发明专利]一种基于频空指标的脑纹识别方法

摘要

本发明涉及一种基于频空指标的脑纹识别方法。本发明主要采用频空指标来计算脑电信号的特征，并通过Fisher线性判别来实现不同个体的识别。本发明包括数据采集、数据预处理、频空特征向量计算、频空特征向量降维、频空特征向量分类。分类结果表明：采用频空指标作为生物识别特征，得到了较好的分类结果，能够有效得对不同个体进行脑纹识别。与传统的生物识别特征相比，基于脑电的频空特征更为安全和隐蔽，是一种很有前景的生物特征模态。

主权项

1.一种基于频空指标的脑纹识别方法，其特征在于该方法包括以下步骤：步骤(1)、数据预处理：对C个类别的原始脑电信号均进行数据预处理，以减少伪迹的干扰，提高信噪比；步骤(2)、将时空域的信号变换到频空域：步骤(1)得到的脑电数据共有S个样本，一个样本包含有L个短序列，取一定时间间隔的步骤(1)预处理后的脑电数据作为一个短序列，则一个样本包含了L个长度为N的短序列；设定其中一个长度为N的短序列为x(n)，采样值为x(0),x(1),…,x(N‑1)，时间域的函数为f(x)，将频率域的函数F(ω)表示为f(x)的积分形式：其中i为虚数单位，ω为频率；由于采集到的脑电信号是数字信号，脑电信号x(n)的离散傅里叶变换(DFT)为X(k)，由上式(1)进一步得到不同频率下的傅里叶变换幅值：其中N表示短序列长度，k是频率决定因子；由于傅里叶变换同时在实数域和虚数域上进行变换，取个点的幅值；设原始脑电信号的脑电通道数为m，将各个通道时空域上的信号转到频空域上，用一个的矩阵A表示：a(N/2)(m‑1)表示第m个通道傅里叶变换后的值；接下来，将矩阵A数据拉直为一个行向量b：b＝[a00,…,a0(m‑1),a10,…,a1(m‑1),...,a(N/2)0,…,a(N/2)(m‑1)]   (4)由于一个样本含有L个短序列，其他短序列按照同样的方法进行操作，得到L个行向量b；将得到的L个行向量放置为矩阵B，矩阵B各列求平均，得到行向量c；将向量c作为脑纹识别一个样本的频空特征向量，同理可得其余样本的频空特征向量，脑电信号数据集共包含S个样本，则可以得到S个向量c；全部样本用一个S×D的样本矩阵X表示：X有S行数据，有D个特征维度，S表示C个类别的样本总量；步骤(3)、降维：将步骤(2)得到的频空特征用主成分分析方法构造另外一个特征空间V，然后将样本矩阵X在新的特征空间V上投影进行降维，得到新的特征向量，具体是：样本矩阵X的协方差矩阵S为样本数，T表示转置算子；得到的矩阵R为实对称矩阵，计算矩阵R的特征向量的正交矩阵U，使得其中Λ表示一个对角矩阵；把Λ中的特征值按照从大到小排序，将特征向量的正交矩阵U根据对应的特征值进行排序，取其中前p个特征值对应的特征向量，即矩阵U的前p行子矩阵组成矩阵V，p的值远远小于D，矩阵V即是主成分分析方法构造的一个特征空间；降维后的样本矩阵Z：Z＝XV  (7)其中X是S×D的矩阵，V是D×p的矩阵，Z是S×p的矩阵；步骤(4)、分类：采用Fisher线性判别对降维后的样本Z进行分类从步骤(3)每个类别的降维后样本中随机选取q个样本作为训练样本，则所有类别的训练样本数为H＝C×q，矩阵Q表示所有类别的训练样本矩阵，其余S‑H个样本作为测试样本；C个类别的训练样本集表示为其中，H表示训练样本总数量，p表示样本的维度，T表示转置算子；通过训练样本的训练可以得到分类最佳投影方向W，具体是：首先计算C个类别的均值向量为q表示类别t的样本数量，∑表示求和符号，z∈ζt表示样本z属于类别t，ζt表示类别t的样本集，ζt∈Q，mt为类别t的均值，由上式可以得到各个类别的均值；各类的类内离散度矩阵为∑表示求和符号，z∈ζt表示样本z属于类别t，T表示转置算子，St为类别t的类内离散度矩阵；由各个类别的类内离散度，得到总类内离散度矩阵为Sw表示为C个类别的类内离散度之和；类间离散度矩阵定义为其中，q表示类别t的样本数量，H为训练样本总数量，m是所有训练样本的均值；由于最佳投影方向W是矩阵的本征向量，故而首先将矩阵进行特征值分解，求出其特征值和特征向量，然后取前K个特征向量组成投影矩阵W；最终根据分类最佳投影方向W，获得所需的判别函数y＝WTz；步骤(5)、利用判别函数对未知类别样本进行分类，实现对不同个体的脑纹识别。