论文部分内容阅读
利用脑电信号(Electroencephalogram,EEG)进行身份识别以其抗伪造性、抗胁迫性、活体检测性和易于更新性等特点,在提高识别安全性和准确性方面有着广阔的发展空间。在以往的脑电信号身份识别中,大多数需要较为复杂的设备及实验流程以获取用于分类的多电极脑电信号,给实际的规模化应用带来了许多不便。因此,本研究主要集中于探究如何利用单电极脑电信号完成基于脑电信号的身份识别。脑电信号身份识别是脑电信号分类问题中的一种类型,因此在方法上与其他脑电信号分类问题有许多共通性。在以往的研究中,脑电信号分类问题通常由数据预处理、特征提取、分类器分类三个步骤组成。本文利用了神经网络独特的结构和强大的拟合能力,将这三个阶段统一起来直接利用时序信息对脑电信号进行分类,应用于基于脑电信号的身份识别中。本文的成果主要包括:1.根据不同的实验目的及研究内容,设计并采集了 53人的脑电信号数据以扩充现有数据集。其中,40人的录制状态为静息态,13人的录制状态包括静息、积极和消极三种状态。2.探讨了一维和二维脑电信号表征方式对身份识别准确率的影响。根据实验结果,基于一维信号表征方式,将神经网络尤其是深度残差网络(ResidualNetwork,ResNet)思想应用于脑电信号身份识别中,构建了 ResNet-EEG算法,实验结果表明该算法的准确率超过了传统方法的准确率。3.对包括循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)、ResNet-EEG在内的多种前层网络,利用模型融合的方法,实现了基于长短时记忆网络(Long short-term memory,LSTM)的变长脑电信号身份识别算法。该算法减少了获取身份识别结果所需脑电信号长度,并可随着脑电信号长度的增加,获取多次实时的识别结果,提高脑电信号身份识别的实用性。4.在现有及本研究扩充的多个脑电信号数据集上,采用量化分析的方式,探究包括生活状态、思维状态、疲劳状态、情绪状态和时间推移等多种因素对脑电信号身份识别准确率的影响,并对脑电信号身份识别系统的实际应用提供指导和建议。