文摘
脑机接口技术的快速发展,作为一种新的生物特征,脑电图信号近年来受到广泛关注。脑机接口的安全性和长期生物认证有了一个新的解决方案的不安全感。本文分析EEG信号的生物识别技术,最新的研究涉及到身份验证过程。本文主要介绍了因为它使得基于脑电图的方法因为它使得基于脑电图身份验证和系统地介绍了生物首次密码进行身份验证。在密码学中,关键是认证加密系统的核心基础,和加密技术可以有效地提高生物认证的安全性和保护生物识别技术。因为它使得基于脑电图的可撤销生物密码是一个优势,传统的生物认证没有。最后,身份认证技术存在的问题和未来的发展方向提出了基于EEG信号,为相关研究提供参考。
1。介绍
在计算机科学和密码学,身份验证是指确认用户身份。从身份识别认证是不同的。身份识别标识的用户是谁,虽然身份验证确定用户的身份是否符合系统中宣布。前标识惟一标识符对应用户特征,而后者决定用户是一个合法用户或系统的攻击者。验证包括识别,它需要首先确定用户的标识符对应用户的特征。身份验证是广泛应用于各种安全系统(如访问控制)和计算机网络等信息系统。在现实世界中,每个用户都有一个独特的真实身份,而在网络中,每个用户都需要有一个独特的数字身份。
身份验证方法可分为三类:生物(属于个人),密码(个人),和令牌(个人)所拥有的1]。身份验证基于生物特征(2)有广泛的应用。原则上,只要人的生理或行为特征符合要求的普遍性、唯一性、稳定性、和反欺诈,他们可以作为生物特征进行身份验证,如脸、指纹、虹膜、声音印刷、DNA和步态。然而,这些特性是容易被篡改、伪造、强迫和不可撤销的。基于密码的身份验证技术要求的密码应该是随机的和足够长的时间。密码很容易忘记,除非用户有一个良好的记忆力。同时,个人密码可能被盗,弱密码可以用暴力和攻击猜测。基于令牌的身份验证技术,如数字证书(3),用户在其中持有相应私钥为验证自己的身份,被认为是最安全的加密方法。现实世界的令牌,如身份证和访问卡通常要求用户随身携带,但他们可以复制或被盗。在密码学中,关键是认证加密系统的核心基础。综述,因为它使得基于脑电图的方法因为它使得基于脑电图认证可分为生物因为它使得基于脑电图分类验证和生物密码系统身份验证。以脑波图为基础的身份验证方法如图所示1。
脑电图(EEG)的身份验证以脑电图信号的个体差异为唯一对应的身份和执行身份验证。作为一种新型的生物特征(4),脑电图信号满足认证的基本要求(5]。不同的生物特性,比如指纹和面孔,这很容易受到外部因素的影响,脑电图信号相对稳定。从脑电图信号是由大脑的神经活动,他们有一个独特的神经通路模式和难以伪造的生理理论。研究表明,不同的人产生不同的脑电图信号通过内生自发生成和外生stimuli-induced代(6),确认人类的独特性脑电图信号在一定程度上。EEG信号刺激下不同于那些在正常条件下;EEG信号,可以作为一种生物特性来监视人们的异常状态。当大脑处于强迫状态,它不能产生脑电图信号。这一现象可以作为一种有效的指标差距自愿和恐吓。此外,因为脑电图信号只能由一个活的身体,EEG信号将不再存在个体一旦去世,使其高度压力。
生物特征通常分为生理特征(指纹、虹膜、DNA)和行为特征(步态、签名)。由于其高度依赖任务的行为和情感的敏感性,脑电图信号融合的生理特征和行为特征。与传统的生物特征相比,task-dependent脑电图身份验证的可撤销其他生物特征认证没有。也,其高度依赖任务可以根据任务来显示不同的特征。一旦某些特征丢失或被盗,他们可以及时撤销防止系统免受攻击。因此,脑电图信号可以有效地解决传统的生物功能的不可撤销的问题。
最初的EEG信号的研究集中在医学领域,尤其是大脑异常放电行为如癫痫和其他神经系统疾病。技术发展的脑机接口(7,8)和商业收购设备,EEG信号可以很容易地获得,为大脑神经科学研究提供强大的工具和促进EEG信号的研究提高到一个新的水平。脑-机接口建立大脑和计算机之间的直接交互路径。基于界面,大脑可以直接控制计算机或设备没有经历的神经和肌肉。脑机接口可以解码(9人类的意图,心理状态和情绪变化10),编码控制指令来控制外部设备(11]。同时,它给反馈通过神经接口刺激和调节中枢神经系统。尽管大多数大脑控制技术、意图识别和疾病诊断都是希望被广泛使用在不同的主题来达到良好的兼容性,EEG信号的解码不同主题实际上是一种解码的不同身份。快速发展的消费级的脑机接口设备,如EMOTIV系统[12)和NeuroSky (13),这些设备变得更加便携、商业、和受欢迎的,他们被研究者广泛使用。脑电图和脑机接口面临安全问题(14,15]。例如,设备可能被攻击,所涉及的私人信息可能泄露个人EEG信号(16]。为了解决安全问题,身份验证可以有效地控制访问和EEG信号的脑机接口系统的生物特性无疑是最佳的自然特性进行身份验证。类似于当前的智能终端,只能利用合法用户,脑电图和结果的分析和处理只能访问他们的主人。
脑电图作为生物已被许多研究人员深入研究[17]。Gui et al。17总结了脑电图作为生物,Bidgoly et al。18因为它使得基于脑电图)充分讨论的方法和挑战身份验证。他们的工作的基础上,本文进一步分析并提出了因为它使得基于脑电图把身份验证方法分成生物分类因为它使得基于脑电图的身份验证和生物密码系统认证,这是首次系统地介绍。同时,本文分析了最新的研究成果(如脑电图频率通道位置的影响认证的准确性,相位同步的特点,和多通道组合身份验证)和安全问题。本研究的其余部分组织如下。部分2介绍了脑电图的生理基础,部分3描述了电信号采集方法。部分4介绍了预处理的脑电图生物认证方法。部分5讨论了EEG信号的特征提取方法。部分6介绍了脑电图的身份验证方法。部分7提出了存在的问题和未来的发展方向脑电图认证。最后,部分8总结了纸。
2。脑电图描记器
2.1。脑电图的生理特征
脑电图是使用电子信号的方法来记录大脑活动。这是许多神经元的突触后电位的总和在大脑皮层,这是一个多通道记录主题的应对活动在中央和自主神经系统(5]。中枢神经系统包括脑和脊髓,有意识的外部刺激进行响应。自主神经系统是一个无意识的控制系统来调节身体功能,如心跳、呼吸,瞳孔反应。脑电图信号反映神经活动所产生的内部和外部的刺激。同时,他们代表的生理和行为的信息。
脑电图包含大量的生理特征,包括个人认知能力(19)、性别(20.)、年龄、疾病、情感(21,22),和其他个体差异。在大脑结构有相当大的个体差异和广泛的认知功能。不同的个体具有独特的大脑的不同功能区域之间的连接(23,24]。EEG信号的不同个体执行相同的任务明显不同,但同一个人执行相同的任务的相对稳定和可重复的。因此,脑电图信号具有独特而稳定的特征(18]。脑电图是高度依赖于个人的神经活动,有一个非常复杂和独特的非线性神经通路。在这种情况下,它可以受到外部刺激的影响,个人的情绪、压力,和精神状态。脑电图的收集需要特殊的设备,收集的信息不暴露的脸或指纹,使得攻击者很难伪造假脸或使用明胶伪造指纹(25]。
2.2。脑电图频率
脑电图信号不同的频率在不同的神经状态的大脑活动。研究人员正在试图研究脑电图的频带找到最合适的一个用于身份验证和减少的数据量进行分析。人在不同的物理或心理状态显示不同的脑电图频率。有节奏的活动在一定的频率范围内代表一个特定的大脑活动情况。因此,不同频带的脑电图通常是在有针对性的学习方式,和乐队的特点是列在表中1(17]。
Zhang et al。26]EEG信号的余弦相似性计算不同的主题和显示,EEG信号的平均相似性三角洲的乐队是最低的。即信号包含最可区分的特征和最独特的信息进行识别,它是最稳定的波段在不同的州。研究人员认为,更好的稳定三角洲的EEG信号的频带是因为δ频段是最基本的波段生理活动所必需的任何状态(26]。Altahat et al。27王),et al。24),和李et al。28)发现,身份验证准确性EEG信号的β和γ乐队是高于其他频段的脑电图信号。原因是γ的EEG信号频带的主要成分是脑电图信号所产生的视觉信息处理任务,在β频带和EEG信号产生的脑电图信号的主要成分visual-related心理任务。Kumar的研究等。29日),阮et al。30.],托马斯和维诺德(31日)表明,伽玛乐队最高性能。伽玛乐队的原因可能是更多的混乱和复杂的比其他乐队,使其更非线性和不可预知的(32]。
虽然许多研究者把脑电图信号分为不同的频段进行验证,个体差异的特征在大脑神经活动分布在所有频段,并没有单一的频段,可以包含所有标志信息(27]。研究者取得不同的结果在不同的频段,因为他们使用不同的刺激的任务。EEG信号的主要组件由这些刺激任务分布在不同的频段,因此可以实现高精度的频带高度对应的任务。
2.3。脑电图的脑部功能区域的位置
柏格森等的研究。33)指出,大脑有一个正常的背景值,即:,a spontaneous EEG activity pattern that fluctuates throughout the brain. Human cognition and decision-making have a random effect on this spontaneous EEG background level [33]。因此,固有的原始脑电图是由背景EEG, task-awareness脑电图和噪音。脑电图数据的集合通常要求任务感应,和执行任务的对应不同的特定的大脑区域。尽管脑电图具有很高的时间分辨率,其空间分辨率很低,需要相应的电极放置在头皮上的不同位置。因此,理解大脑的反应生成的面积是至关重要的促进最优或次优选择电极的数量和他们的位置。数量和位置的电极由不同的人员不同的任务表中列出2。
Ruiz-Blondet et al。39O2]认为,数据通道是最稳定和有效的在语义诱发的ERP模式。金等。40)认为,身份信息的特点主要是集中在七频道Fz, FC1, FC2, Cz, CP1, CP2, Pz。萨勒姆和Lachiri41相信警察丙,警察丁,O1, Oz, O2携带最适合生物认证的标识信息。由于个体差异,选择一组不同的脑电图渠道每个人将提高验证的准确性(27]。吴et al。34)为每个用户建立一个优化的基于通道模型改进验证准确性和鲁棒性。与此同时,遗传算法可以用来优化认证通道。因此,类似于频段选择、电极位置的选择也高度依赖于刺激的任务。
3所示。在不同的脑电信号采集任务
大脑的神经元活动是高度依赖于人类的精神状态;也就是说,它是非常敏感的外部环境刺激和内生自主调节。因此,有必要设计一种特殊的集合范式有目的地收集脑电图信号。根据是否一个脑电图诱发,脑电图可分为自发生成的脑电图(如静息状态的潜力和睡眠潜力没有任务和刺激)和诱发脑电图与特定刺激协议特定的任务(如电动机的想象力和视觉为特定的成像任务)(18),用于研究脑电图信号时间特色在自然状态下,环境感知和复杂的认知。因为独特的大脑神经通路和思维模式在不同的个体之间,有不同类型的任务的信号。即使在相同类型的任务,EEG在不同的任务也不同。选择一个合适的诱导模式会对识别结果有很大的影响,所以选择应该根据特定的任务。
3.1。静息状态
大脑静息状态的状态中,不执行特定认知任务和保持安静,放松,和清醒。作为最基本的和必要的大脑状态,静止状态不需要对象来执行特定任务或接受任何外部刺激。许多研究人员已经证明,在一个完全不同的人的大脑静息状态产生不同的脑电图信号,这些信号携带独特特点的主题36,42- - - - - -44]。EEG适用于普遍的环境。然而,这种模式很大程度上受到外部世界的影响,很难保证完全沉默在真实的应用程序环境。然而,由于隐蔽的脑电图,研究者不能保证这个话题确实是在一个完全安静的状态,和主题的额外活动将严重影响认证的准确性。
3.2。电动机的想象力
马达成像(MI)诱导任务引发相应的脑电图信号时主题想象某个肢体或舌头运动。现代neuroelectrophysiology研究显示,当肢体运动或运动想象被执行时,脑电图有明显的个体差异(45]。研究表明,静态电位比这少吵的运动想象任务,和脑电图的嘈杂的运动想象任务是低于真实运动的任务(27]。因为运动想象任务的脑电图有更好的个体差异,近年来它被用于身份验证(46]。这种方法适用于所有类型的患者身体残疾和视觉缺陷,并具有良好的适用性。然而,运动想象任务面临失明在某些情况下,电动机的想象力和执行不能产生明显的信号。
近年来,随着技术的发展,一些类似于电动机的想象力想象任务范式也被用于身份验证。例如,演讲想象力是最初应用于人的大脑功能仍能工作,尽管言语肌肉损伤。然而,研究人员发现,演讲的想象力比汽车更自然和简单的想象,它不需要任何外部刺激。此外,相对很难引起疲劳(47]。
3.3。与事件相关的诱发任务
与事件相关电位(ERP)诱发任务是一种特殊的诱发任务(48]。它反映了认知过程的平均和叠加大脑潜力记录头皮当一个人对一个对象执行认知过程。与事件相关电位高时间分辨率、可以衡量短期刺激的即时反应。他们通常是测量的延迟和振幅的变化积极和消极刺激发生后势以毫秒为单位。常见的与事件相关的潜在的组件可以分为P100, N100, N200) N250, P300 [35],N400 [49),等等。
最常见的与事件相关电位是视觉诱发电位。视觉诱发任务意味着特定的神经活动所引起的神经系统和接收外部视觉刺激(如图形或闪光刺激)29日]。产生稳定和强劲的相关信号,外生诱发事件经常使用重复的感官刺激,例如,稳态视觉诱发电位(SSVEP)。同时,个体之间的差异是显而易见的。此外,SSVEP的有更好的信噪比和anti-artifact能力。视觉诱发任务的缺点是,任务需要一个专用的外部设备产生刺激。主题应该有正常的视觉,这是不友好的用户提供视觉问题。此外,强烈的视觉刺激可能会导致视觉疲劳和情感上的阻力,影响识别结果显著。
常见的ERP诱发任务包括语义cognition-based神经活动测量任务,疲劳驾驶任务(50),快速视觉序列表示(RSVP) (51),和稳态听觉诱发电位(52]。例如,阅读缩写和乘法心算的任务,以及一些阅读任务,将产生一个强大和稳定的N400的潜力(53,54]。与事件相关的任务,如语义认知反映大脑的不同反应来熟悉和不熟悉对象刺激。N400的潜力可以得到当受试者面对熟悉的缩写是大于他们的陌生的缩写39]。研究表明,在回复与事件相关的任务,学科提出了连续图像序列的目标和不属预定目标的图像,导致一个强大的个体差异在ERP的潜力。这种差异被广泛用于身份验证。
3.4。多任务和Task-Independent
人们普遍认为,一种类型的任务的脑电图一般验证精度低于多种类型。因此,一些研究人员设计了一个复杂的多任务(48]使脑电图诱发范式包含更多的个人不同的功能组件,从而实现更高的识别准确率。这些模式包括视觉诱发的多任务范式和听觉诱发组合(38),虚构的文本的多任务范式,数学运算,视觉刺激55),视觉刺激的多任务范式,乘法,字母组合,和图形旋转,和其他复杂的多任务处理模式56]。然而,数据同时进行多项任务的人比这更复杂的一个任务,提高解码的困难,也造成精神疲劳和抵抗科目。多任务处理可以在一定程度上提高识别精度,和不同的人员有不同的任务通常使用不同的方法,使该方法不转移到不同的任务。因此,一些研究人员希望不管受试者执行什么任务,他们可以达到一个很好的验证效果,也就是说,task-independent [57]。
4所示。数据预处理
4.1。时域分析
EEG信号的时域分析方法从信号的时域提取有效的信息来减少噪声降低,促进进一步的处理。脑电图信号通常表现为在时域波形,波形的时域分析方法可以分析信息。EEG信号的时域波形包含所有时间维度的特点。它改变随着时间的推移和显示了non-stationarity信号。统计方法和信号平滑等技术的意思是,中位数,方差,标准化常用于从信号中提取必要的信息来获得更高的信噪比。
4.2。频域分析
频域特性使用傅里叶transform-based技术EEG信号转换成频率分布。脑电图功率谱图在频域取决于频率的变化。根据功率谱图,EEG信号的不同频率的分布进行了分析。EEG信号的频域分析主要使用过滤器和频谱估计等分析方法。功率谱估计是一种分析方法,描述了随机EEG信号在频域内的特征。这个方法是其他频域分析方法的基础上,如切比雪夫滤波器、巴特沃斯滤波器和AR参数模型估计。EEG信号的低通滤波的切比雪夫滤波器可以获得特定频带的EEG信号(34,58]。这项研究由Pozo-Banos et al。48)表明,神经功能提取记录脑电图频谱在很大程度上独立于认知任务和实验条件。建议使用此task-independent神经签名精确的生物认证(48]。
4.3。时频域分析
时频域分析方法结合脑电图信号的时域和频域信息进行分析。与此同时,它将一维信号的时间维度和频率维度成一个二维的形式。这种方法有几个优点。首先,它可以避免的损失频率信息在时域分析和信号波形在频域瞬态分析的损失。此外,它可以同时提取特性,无法表达在一个领域,比如频率信息包含在每一刻。目前,使用最广泛的时频域分析方法包括短时傅里叶变换、小波变换、小波包分解(17]。
4.4。空间域分析
收集足够的信息认证的EEG信号,研究人员通常使用多个电极收集信号,和不同的任务需要不同的大脑区域和相应的电极之间的关联信息。空间域分析可以减少噪声,检测和去除工件,并分析信号组件的重要特征。常用的空间域分析方法包括常见的平均引用(汽车)59),主成分分析(PCA),独立分量分析(ICA) [38,60],拉普拉斯算子空间滤波器。汽车计算平均值的电极和消除噪声通过删除所有电极的平均值。然后,它获得最重要的信息在EEG信号,消除了工件在信号37]。
4.5。非线性动力学方法
非线性动力学方法分析大脑的功能活动状态结合混沌和分形理论和其他非线性动力学原理和方法。现代生理学的研究认为,大脑是一个混乱的动态系统,和振幅展品随时间随机变化32]。EEG信号包含成千上万的神经元活动的信息。同时,神经元的相互连接和解雇行为是非线性的。因此,它被认为是潜在的神经子系统生成的EEG信号是非线性61年]。近年来,随着研究大脑不同区域之间的相关性和神经元的连接,非线性方法,如相位同步和大脑连接网络。研究者关注非线性特征如发射过程和程度的协调和异步的大脑神经元参与神经活动。通过这种方式,相关的信息可以提取时频域。
5。特征提取
5.1。AR参数模型
AR参数模型是最早的和最常用的特征提取方法对脑电图信号(36,47]。它利用傅里叶transform-based方法来计算信号的频谱。关键是一个线性回归模型,结合过去的随机变量来描述随机变量在后期,这通常会导致更好的结果。AR谱估计精度的模型有较高的相关模型。如果模型秩序不够高,频谱估计会模糊,如果模型秩序太高,频谱将表现出一个虚假的峰值。模型的顺序取决于信号谱内容和采样率。早在1999年,Poulos et al。62年)利用快速傅里叶变换预处理EEG信号,他们使用信号来构造一个订单AR模型进行验证。
5.2。功率谱密度
功率谱密度(PSD)定义的分布与频率信号时间序列的力量,这是一个衡量一个随机变量的均方值。PSD用于指示信号功率的分布在各频率点上。虽然随机信号的总能量是无限的,其平均功率是有限的。基于EEG信号的随机特征,EEG信号的频域功率谱密度可以分析和功率谱密度特征提取分类和编码(31日]。
5.3。常见的空间模式
常见的空间模式(CSP)是一种空间域滤波两个分类任务的特征提取算法,可以从多通道提取每个类别的空间分布组件脑电图信号。通过寻找最佳投影方向区分这两种类型的信号,特征向量可以获得很高的歧视。贝格et al。63年)首先使用CSP算法提取特性集的左手和右手运动想象。然后,特征子集被送到了SVM分类器构建分类模型。通过这种方式,平均分类精度超过95%。然而,这种算法不适合智能化问题。
5.4。相位同步
EEG信号组成的振幅和相位信息。由于缺少阶段信息测量和计算方法,传统的研究侧重于单个电极的振幅分析而忽略了相位信息。大脑中的认知活动整合每一个大脑区域和连续的功能脑区之间的相互作用。与此同时,神经生物学的同步调整振荡神经元同步相关神经元的放电。相位同步描述对不同通道之间的瞬时相位关系,反映之间的交互通道双和个人白质结构的差异。由于相位同步的外部表现个人的内在同一性,它的测量可以提供一个更稳定的估计的大脑功能连接23比时域测量)。大脑功能连接关系表示为通道的位置信息。因此,相位同步和之间的关系可以利用大脑的生理特点来分析每个通道的相位同步特性。与此同时,一个相位同步矩阵或大脑连接网络(64年可以构造。香港et al。65年]认为每个通道是大脑中一个节点网络,和他们使用的相位同步节点之间的连接强度。相位同步锁相测量的价值生成的连接矩阵,和边缘连接到节点的数量(即。大脑网络的节点度)是合成的。在此基础上,建设功能用于身份验证(65年]。王等人。24)提出了一种图像特征分析方法基于brain-connected网络拓扑。通过调查多通道脑网络结构节点的相互作用机理,特别主观的大脑网络的定义。不同的连接的影响指标,地图的特点,和脑电图信号频带生物特征识别的性能进行了分析,揭示了巨大的个体差异在大脑功能连接网络由相位同步(24]。
6。身份验证方法
6.1。EEG-Based生物分类验证
特征提取的目的是提取特性,可以区分每个人。把每个人当作一个类别分类的方法,和提取的特征分为类别可以对应于每个人。通过监督学习训练分类模型实现之间的一一对应的特性和身份进行身份验证。
但是。浅的分类
(1)线性判别分析(LDA)。LDA是一个典型的线性学习方法,试图发现不同类别之间的线性组合特征描述或区分它们。样品都投影到一条直线,使同一类别的样本尽可能和不同类别的样本尽可能远。在此基础上,可以实现分类的样本。LDA是使用最广泛的浅之一因为它使得基于脑电图分类器在身份验证(58,66年]。香港et al。65年)测量了相位同步锁相值通过计算(PLV)。然后,他们建造了一个相干矩阵获得加权无向网络和使用大脑网络的节点度生成特征向量,实现了LDA分类精度95%。Koike-Akino et al。35)收集的P300成分的ERP模式数据集组成的25个主题和通过主成分分析和偏最小二乘法提取特征。利用LDA,精度可以达到96.7%。Seha和Hatzinakos5240]记录EEG信号对象的刺激下多个听觉音调调制40赫兹和80赫兹频段的基于稳态听觉诱发的任务。然后,他们用典型相关分析(CCA)提取特性和输入成片状。通过这种方式,分类精度为96.46%。
(2)支持向量机(SVM)。支持向量机是一个two-classification模型分类样本的最大间隔超平面。使用不同的内核函数实现非线性分类。目前,因为它使得基于脑电图广泛用于身份验证(67年]。Keshishzadeh et al。36)使用基于“增大化现实”技术的静息状态脑电信号的提取特征104人闭着眼睛。然后,他们使用标准化的指数归一化法提取的特征基于增强现实模型两个步骤。接下来,特性映射到[0,1]在分类之前生产更加稳定和更好的结果。使用支持向量机分类模型,该方法实现了97.43%的准确性(36]。布里格姆和库马尔47]使用AR参数特征提取,利用支持向量机分类模型在想象演讲和身份验证数据集组成的六个科目。这种方法实现了平均99.76%的准确性47]。巴沙尔et al。42)首先用带通滤波器进行预处理EEG信号去除噪音,然后,这些信号被分成线性无关的部分。接下来,三种特征提取方法被应用,包括多尺度形状描述(MSD)、多尺度小波包统计(WPS)和多尺度小波包能量统计(wp)。这些特性终于用来训练监督纠错输出编码多级模型(ECOC)使用支持向量机分类。模型通过了初步测试9脑电图记录的九个科目,取得了94.44%的准确性。此外,股份,支持向量机等支持向量数据描述(SVDD)也用于身份验证。SVDD是一个单一的分类算法,可以区分目标样本和不属预定目标的样本。2008年的格拉茨数据集B BCI竞争,范教授et al。46]了信号的AR参数和PSD组件功能和使用SVDD分类,实现了高达99.9%的准确性。
(3)煤稀疏分解。提出的稀疏低秩分解方法是香港et al。65年),它有别于传统的肤浅的分类方法。现有的研究表明,固有的原始脑电图是由背景EEG, task-consciousness脑电图和噪音。在[65年),背景部分的叠加原理和task-consciousness脑电图研究的一部分。同时,固有的背景EEG用于身份验证通过脑电图信号的稀疏低秩分解。香港et al。65年)利用高戴克+算法低秩EEG信号的稀疏分解并提取煤背景EEG信号从原始的脑电图数据。每个主题的背景EEG信号子空间构造和组装成一个整体空间,和测试样本匹配来实现高效的分类。在此基础上,提取背景EEG进行身份验证的可行性验证了在不同的数据集和具体任务,并达成了超过95%的准确性。对于包含不同的任务的一个数据集,最高精度达到99.95%。因为低秩丢弃任务相关的信号稀疏分解方法,它可以用于各种任务理论上的数据集。
(4)其他分类。Zeynali et al。67年)使用了七门课程的五个心理活动数据集(325个样本)。通过离散傅里叶变换、离散小波变换、基于“增大化现实”技术的建模,和熵特征提取,贝叶斯网络(BN) [68年)可以达到85.97%的准确性(67年]。王等人。24)提出了一种图像特征分析方法与brain-connected网络拓扑特性和分类特点的基础上,而距离。与传统的单变量方法相比,提出的基于改进方法的稳定性验证有效(24]。Gui et al。17)使用总体平均和低通滤波来减少EEG信号的噪声。然后,根据五个主要频率分解后的脑电图信号,小波包分解(WPD)是利用EEG信号的提取特征。基于人工神经网络(ann),实现了分类精度约为90% (17]。吴et al。34)使用基于self-face和non-self-face视觉诱发脑电的信号,他们多通道脑电图信号压缩成一个单通道的信号。然后,进行逻辑回归分析提取时域特征。最后,分类与分级判别进行了成分分析(HDCA),达到91.46%的精度。除了常用的浅因为它使得基于脑电图分类认证,学习矢量量化(LVQ) [62年),再邻居(资讯)49,55),隐马尔科夫模型(HMM),随机森林(RF) (60,69年)等,也用于分类。
由于收集脑电图信号的复杂性,大脑区域之间的差异,从而诱导兴奋和EEG信号的任务,常用的特征提取方法有其局限性。例如,它是困难的为特征提取方法和分类在所有个人取得好结果。浅分类可以结合使用来达到更好的分类结果。肤浅的脑电图分类方法验证表中列出3。
6.1.2。深度学习
浅分类分类边界时通常可以达到良好的分类效果相对明显。这就要求获得的特性集特征提取有高度的歧视。虽然可以设计为脑电图信号特征提取和分类方法的具体任务,很难适用于其他任务的EEG信号的方法有很好的性能。传统的机器学习的数据处理是容易失去信息。与此同时,特定的特征提取方法一般需要领域专家的专业知识,和提取的特征是单一和不足。除此之外,大多数现有的机器学习方法重点研究静态数据,不能分类时变脑电图信号准确。
因此,拟使用深度学习模型解码EEG信号,因为模型可以有效地捕获的高维特征表示信号和内部通过非线性特性的潜在关系的深层结构。EEG信号的复杂的信息内容和强烈的时变和不显眼的特性,它可以提取深度维度和显著特征表示。Maiorana et al。57暹罗CNN学习深度特性)用于task-independent身份验证。此外,深度学习模型对原始数据直接执行复杂的预处理和特征提取的过程。这些模型可以用于特征提取、分类器,首先或特征提取和分类。
(1)卷积神经网络(CNN)。深入学习网络模型通常有很多层,和更深层的内部特性可以通过更深层次的结构。在这种情况下,深入学习网络的结构是复杂的,大量的参数。如果深度学习所需的数据是足够的,学习的过程将是漫长和复杂。CNN是一个深度与卷积神经网络内核。由于卷积核,卷积层部分连接到上一层和股票参数,大大降低了网络参数的数量。CNN已广泛应用于图像识别和其他应用程序中,并取得了巨大的成功。它被认为是能够提取特征与特定的和可能的未知的内部结构。近年来,美国有线电视新闻网也被研究者用来分析和解码脑电图信号(34,43,67年]。
毛等。50)直接输入100名受试者在疲劳驾驶的原始脑电图数据到CNN。CNN的完全连接层可以准确地识别对象的准确性达97% (50]。Das et al。37]二手车空间滤波器进行预处理电动机上的收集脑电图信号成像数据集组成的40名健康受试者的数据以减少潜在的不恰当的EEG信号的工件。然后,获得的数据是可怕地过滤得到α频段被认为包含EEG信号的最重要的信息这一任务。经过多次脑电图信号相同的刺激是平均,有四个卷积的CNN层,两层最大池,一个ReLU,和一个softmax损失层,200次迭代后达到99.3%的准确性(37]。朱et al。70年)提出了残余多尺度时空卷积神经网络RAMST-CNN验证,从而高效地利用不同层次的信息。通过不同尺度的卷积核,数据的时域和空间域特征是习得的。与此同时,通过全球平均池、网络参数的数量减少。模型提取的深层功能从原来的EEG信号,取得了99.96%的稳定精度在多个数据集(70年]。陈提出了一种新的CNN (GSLT-CNN)与全球当地时间空间和过滤器。GSLT-CNN是直接利用过程157名受试者的原始寿命及其回复EEG信号,实现了99%的准确性。因为CNN处理图片的能力更强,EEG信号可以转换成图像分类的CNN。
解决大问题的模型参数和训练样本不足,金等。40)提出了卷积神经网络(CTNN)张量。CTNN我使用CNN EEG信号的局部特性的时间和空间域脑电图,和它使用CTNN深度方面分离卷积机制提取大脑局部时空特征的图像。然后,张网络(TN)被用来捕捉多线性的相关信息,和当地有限的信息整合到全球信息参数。最后,少量的参数张量的神经网络用于卷积的地方特色融合输出分类。实验结果表明,数据集的CTNN具有很大的性能优势和大量的个人和少量的个体样本(40]。
CNN也可以用于特征提取有效地提取目标特征。萨勒姆和Lachiri41)认为,有独特的个体差异在EEG信号中包含的情感状态。在此基础上,他们利用深度学习方法如CNN从EEG信号中提取神经功能。同时,功能被认为是作为一个可重复的判别功能,然后,采用多项式核函数支持向量机对特征进行分类。在MANHOB-HCI VEP视觉诱发的数据集,可以实现99.99%的准确性(41]。
(2)递归神经网络(RNN)。尽管CNN可以提取空间特征,EEG信号具有时变和含有丰富的定时功能。EEG信号的主要特征之一,时间特征反映了大脑活动的变化随着时间的推移,当受试者执行任务。而CNN未能处理的时间序列特性,RNN具有良好的时间表达能力。因此,RNN优势处理时变脑电图信号(26]。Zhang et al。26)首先输入δ频段分解成一种引起RNN结构不同关注权重分配到不同的脑电图信号通道根据它们的重要性。基于关注成绩或通过各种机器学习算法,如强化学习、关注机制自动重新分配权重根据环境因素的变化来提取最鲜明的特点。关注分数可以推断出从输入数据和用作重量模型关注关注分数高的一部分。强化学习已经表明,可以通过战略搜索找到最有价值的部分。基于学习的特性引起RNN,采用增加分类进行身份验证。方法是评估在三个数据集(两个镇定的数据集和一个公共数据集),达到98.2%的准确性,分别为98.82%和99.89%,(26]。此外,RNN可用于结合CNN有效提取时域和空间域特性。Wilaiprasitporn et al。71年)提出了一种结合CNN和RNN深度学习模型,在CNN被用来处理空间信息的脑电图信号和RNN被用来提取时间信息。与此同时,长期和短期记忆(CNN-LSTM)和封闭的重复单位(CNN-GRU)。情感上的数据集,DEAP、CNN-GRU和CNN-LSTM可以实现身份验证在不同的情绪状态,实现平均精度为99.90 -100%71年]。
RNN-based变体,如LSTM格勒乌,也常用来解码脑电图信号。EEG信号的空间分辨率不高,很难被准确的单个神经元水平基于现有电极的数量。然而,电极之间的空间关系和相互影响代表的内在神经特征在执行任务时大脑区域。这些特性可以有效地捕获LSTM。太阳et al。72年)提出了一种新的一维卷积LSTM网络提取EEG信号的时空特征。与CNN和LSTM个人方法相比,该方法实现更高精度的99.58%生理网数据集(72年]。Kumar et al。29日]使用一个序列分类基于双向长期和短期记忆神经网络(BLSTM-NN)模型在视觉诱发记录序列数据的在线实时系统的58个科目进行身份验证。伽玛乐队,BLSTM-NN实现了97.57%的准确性(29日]。
(3)图卷积神经网络(GCNN)。GCNN CNN延伸到图域。王等人。73年)提出了一个模型的脑电图生物特征识别不同的任务。估计基于EEG信号映射intra-frequency cross-frequency功能连通性,GCNN是利用自动捕获深EEG信号的内部结构表示地图。EEG信号的GCNN可以生成图形化表示,并自动从动态EEG信号中提取深度结构特点进行身份验证。同时,功能之间的耦合信号采用解决问题,依赖于单变量特征,这有助于GCNN提取内部结构特点。在此基础上,平均准确率能达到99.98%的生理网数据集(73年]。
尽管的认证方法的深度学习有很大优势,可以看出不同的深度学习模型已经使用由于数据的差异,如不同数量的电极位置,不同的数据维度,不同的特点,不同的框架。同时,深度学习需要大量的训练数据模型,因此一个贫穷的泛化可以获得数据集的其他任务。因为它使得基于脑电图的深度学习方法验证表中列出4。
虽然深度学习表现很好,也有同样的问题和其他深度学习应用。一是它需要大量的训练数据训练模型,另一个是训练需要大量的时间和成本,甚至是高性能计算机,第三,过度拟合的问题很严重。很难一个模型有良好的实际测试性能在所有数据库或应用程序场景。第四是可怜的迁移。这也是深入学习的方向。研究人员希望,一个模型可以更好地解决大多数相同的问题。
6.2。EEG-Based生物密码系统身份验证
生物分类的方法将对应于每个人的独特特征视为一个类别,区分每个分类来实现身份验证的目的。这个身份验证过程实际上是在脑机接口EEG信号的解码过程。然而,验证基于特征分类面临着一些问题。例如,假的EEG信号的特征提取产生的生殖对抗网络(GAN)将导致误分类。敌对的样本攻击也能导致误分类。是不明智的,仅仅依靠高安全级别的不同情况进行生物特性,特别是在生物识别功能是成熟和广泛使用。提出了生物密码。研究人员希望结合生物识别技术和加密技术来提高现有攻击方法(身份验证安全性和有效地抵制74年]。
加密技术是信息安全的基础,关键是认证加密系统的核心基础和关键的安全加密系统的依赖。在一个通用的加密系统,拥有解密密钥是一个充足的证据来证实用户的真实性,但关键不是用户的身份密切相关,所以很容易被偷或丢失。是否它是一个合法用户或攻击者,只要关键是拥有,它可以解密。生物有效地解决了这一问题,但它不够灵活。一旦偷来的生物识别技术,他们永远不能使用。因此,提出了生物识别密码,因为密码技术和生物识别技术有很好的互补性。生物识别技术密切相关身份信息提供了一个良好的身份依赖加密,加密可以保护生物特征数据,同时保护用户隐私,或使用生物特征数据的密钥生成。生物密码机制可分为关键结合生物密码机制,密钥生成生物密码和密钥绑定生物密码(59]。
与传统的生物认证技术相比,因为它使得基于脑电图的最大优势生物密码系统身份验证是可撤销。至于传统的生物认证技术,一旦用户的特征信息丢失或被盗,不再可以使用特征。至于以脑波图为基础的身份验证,因为脑电图信号的高依赖的任务(6)和灵敏度等心理状态情绪,引起脑电图信号的任务可以改变提取个人任务对应的独特特征生成不同的键实现生物可撤销。相比,它具有更高的灵活性比分类认证方法,及其反攻击能力大大提高了由于其可撤销。攻击者很难猜哪个州合法用户在当收集脑电图和任务。即使它可以猜到,模仿EEG信号的特征提取有个体差异。此外,还可以通过一些算法可撤销在生物识别密码,如模糊金库或BioHash。
6.2.1。因为它使得基于脑电图主要结合生物密码
最简单的方法实现生物密码系统是将生物识别技术和密码学。用户需要生物认证和密钥身份验证成功75年]。虽然这是比一个更安全的身份验证,很明显,这两个还没有绑定。这两个不删除的缺点。系统仍将攻击的风险。
Bajwa和丹徒76年)第一次使用传统脑电图生物分类验证和使用的关键在第二阶段产生的脑电图进行身份验证。第一个数据集是基于五个心理活动7主题,第二个是基于三个视觉诱发,120名被试者的任务。因为它使得基于脑电图在传统的生物分类阶段,他们获得了平均98.46%和91.05%的主题分类数据集,数据集,分别使用SVM和BN。密钥生成阶段,他们使用相同的脑电图在分类阶段。根据相似度得分,选择特征向量具有最高程度的歧视。然后,特征向量是关键。从脑电图的平均键生成生物是230位/活动。键的长度可以改变通过结合不同的活动。经过适当的选择的特性,意味着生成密钥的一半总错误率为3.05%,数据集我为4.53%,数据集二世。脑电图的密钥生成的生物识别验证了NIST统计的随机性测试套件。 The average entropy for their system was 82 bits. If the user’s biometric information is leaked, the task can be changed to achieve revocability.
6.2.2。因为它使得基于脑电图键生成生物密码
传统的加密密钥的缺点之一是,他们显然不能与个人身份。相比之下,生成的密钥编码EEG信号特征直接对应于个人身份。近年来,传统的生物统计和密码学的结合提出了生成的密钥。这需要独特的和可重复的生物信息的提取的生物特性。这些生物功能是采集技术或环境条件的限制,他们本质上是吵了。此外,信号本身往往是不同的测量值相同的用户。这种差异是由固有的自然不一致引起的人体生理或行为表现出的外部影响,但关键需求必须是正确的和可重复的。例如,虹膜被认为是最准确的特点,传统的生物特性,但区别两种不同的虹膜图像相同的可能高达30%77年]。因此,克服内部不同的生物功能的主要挑战是利用生物特征加密系统。同时,考虑到生物特性的可能损失等问题,希望可以改变的关键是避免密钥泄漏和改善安全,关键可以用于不同的加密和认证场景。然而,传统的生物功能通常是不变的。例如,指纹和虹膜很难改变一个人的生活,不满足可撤销。EEG信号的隐蔽性和伪造的难度可以提高生成的密钥的安全性。此外,EEG信号的随机性,高度依赖的精神和时间相关(78年)使脑电图信号在不同任务生成不同的键。
因为它使得基于脑电图键生成生物密码的关键技术是使用脑电图信号产生一个独特的和可重复的关键。一些研究人员已经证明脑电图信号可以生成随机数。和EEG信号也可以作为伪随机数生成器(79年)生成加密密钥(80年)或身份验证(81年]。测量脑电图生物学科之间就有很高的一致性。关键的不确定性的数量从攻击者的角度很大。然而,大多数的研究仍停留在阶段生成密钥,以及一些研究使用生成的密钥进行身份验证。然而,这并不影响脑电图信号的可行性和广阔的应用前景产生认证密钥。密钥生成的EEG信号是列在表中5。
生物密码的另一个研究重点是解决biometric-based关键计划应如何处理问题的生物的变化表示。使生成的关键脑电图信号可用、可重复的功能需要从EEG信号中提取准确生成重复的关键。因此,有必要反复生成足够的随机密钥为同一个人。从本质上说,研究人员正在寻找个体差异或任务的差异。为此,他们提取最大可能的不同个体之间的差异特征执行相同的任务,尽可能最小的区别特征之间的同一个人执行相同的任务。编码的不同特性,一些加密协议可以适应认证比分类安全认证。根据混沌理论,底层子系统生成EEG信号的神经系统是一个非线性动力学系统,所以EEG信号是混乱的86年]。基于EEG信号的非线性和混沌特征,EEG信号可以转换为一个随机二进制序列通过数学变换(78年]。这样,脑电图信号可以被认为是不同的。生成重复的键在认证阶段,量子化方法和模糊器是用来产生相同的结果略有不同的输入信号。
(1)量化方法。量化方法是另一种常用的方法,从脑电图信号,生成密钥,它设置一个全局阈值为每个特性。使用量化方法,关键可以通过模量、不同(87年),或XOR之间用户的测量值和阈值。拉维et al。85年)61年与事件相关的EEG信号中提取电极通道,通过一个单一的刺激诱发来自10个科目。然后,椭圆有限脉冲响应带通滤波器是用来过滤脑电图信号从30到50赫兹。接下来,过滤后的脑电图信号的能量计算和除以总能量的通道。这些值被规范化,积极的归一化值转换为二进制数字1,而负的值转换为二进制数字0。因为每个通道对应一个二进制字符,电极的61个频道数据生成一个62位的密钥(85年]。阮et al。30.)第一频带滤波进行脑电图信号。然后,过滤信号分为若干子分段,输出的平均功率估计的功率谱密度估计每个亚节。接下来,生成每个乐队的关键。随后,32通道从GrazIIIa随机选择的数据集,和随机选择重复10次获得结果的平均功率值。这样,生成一个256位的密钥,密钥随机性被NIST测试证明(30.]。Akhila et al。88年)收集脑电图信号通过特定的任务,他们利用PCA提取相关特征向量量化的关键一代(88年]。类似于虹膜图像的加密77年和脸图像的加密89年),脑电图的地形图图像转换成二进制0和1生成的关键,但这种方法尚未验证的可靠性。
值得一提的是,分类方法用于生成密钥。Tuiri et al。84年EEG信号的特征提取的八个科目。是由支持向量机分类的特性。然后,分类功能生成一个230位的密钥由二值化。关键是两个用户之间用于加密和解密数据。从本质上讲,认证决定了通信双方的身份(84年]。
(2)模糊器。处理生成的密钥不一致,可能是由于内部同一个人的差异,使用模糊器使输出结果符合输入数据有一定的偏差。模糊器需要一个最小熵值高的生物特性。虽然产生的脑电图信号同一个人执行相同的任务在不同的时间不同,模糊器可以从类似提取相同的均匀随机字符串输入特性差异的容许范围内。
他和王(81年)利用模糊器生成一个键和一个辅助随机字符串对于一个给定的脑电图信号特性。当用户进行身份验证时,这个随机字符串和EEG信号的特征可以使用用户在同样的任务。模糊器生成相同的密钥,实现可重复性和准确性的关键。禁止使用逻辑,提出验证方案被证明是有效的和实用的(81年]。Singandhupe et al。80年)用模糊器生成一个128位AES加密密钥的EEG信号β频带。
6.2.3。因为它使得基于脑电图密钥绑定生物密码
这个计划是基于误差修正代码。纠错码是用来恢复错误的关键。脑电图生物识别技术将首先量化,然后绑定由用户通过一些算法的关键。这个方案是非常灵活的。研究人员可以使用成熟的方案(如模糊承诺和模糊金库)或独立设计方案进行身份验证。的关键可以持有的个人用户或产生的脑电图。阮et al。30.]发达、误差修正技术,可以处理EEG信号与个体内部的差异。与此同时,生物特征模板设计,模板需要用户密码,具体特定于任务的EEG信号的特性集,和一个随机的字符串。在身份验证、预定义的任务是生成EEG信号,执行和伯格方法被用于执行基于“增大化现实”技术分析在短数据段获得信号的平均功率谱密度特征。这个特性的特点之一,就是设置模板中,这可以增加攻击者猜测正确的键的复杂性和减少识别错误在某种程度上。用户输入密码进入模板后,密码是量化结合生成的关键特性和随机字符串进行身份验证30.]。
这个方案不仅更安全,还能有效地保护脑电图生物。如果攻击者可以访问存储的模板,脑电图使用生物识别技术的安全会受到影响。因此,它是非常重要的保护计划设计一个合适的模板来生成可撤销的生物识别技术。在这个方案中,密钥和脑电图绑定作为安全模板。当任何键和脑电图的生物识别技术具有潜在的脆弱,任何一个或所有人都可以撤销。BioHash技术将随机数和生物特征向量与可撤销认证。随机数字也可以是一个关键。阈值设置为量化生物特征向量的内积值和随机矩阵,和身份验证是通过比较量化的值在注册和认证。可撤销可以通过更新随机矩阵或脑电图生物特性。它能增强组内的变化,同时保持内部类变化。 When dealing with high-dimensional and large amounts of data, it has a faster calculation speed than traditional algorithms and is widely used in various security systems, but as far as we know, this algorithm has not been applied to EEG biometric.
(1)模糊的承诺。生物识别技术绑定密码的难度在于数字键是准确的,而生物识别技术是模糊,模糊的承诺是解决这个问题的方式。一般来说,生物序列是二进制,并应用模糊承诺,量化必须首先完成。K的关键是一个二进制脑电图生物特征向量纠正了一个错误检查代码。纠错代码可以正确的使用造成的误比特错误输入脑电图生物识别和克服脑电图生物的可变性。通过这种方式,即使对象执行相同的任务需要不同的场景和情绪,他们仍然可以成功通过身份验证。用户选择一个秘密消息C键K之间的差别向量表示从用户的生物特征和生成C, d。由d和加密的消息y=哈希(C)。当解密,生物特征模板用于解码。在这个方案中,C的撤销和脑电图诱发不同的任务可以实现系统的可撤销。
通过梳理模糊承诺Bose-Chaudhuri-Hocquenghem BCH纠错编码,Damaševičius et al。82年生成一个400位的关键从42个受试者的EEG信号的协方差矩阵进行身份验证。生物密码系统的性能是一个真阳性率(TPR)为0.9974。杨et al。83年)使用两个MI活动脑电图信号通过C通道从10主题,过滤用汽车移除所有的平均潜在电极,并进一步规范化获得最初的脑电图数据。特征向量与基于“增大化现实”技术获得。他们相信生物特性的二进制量化是一个艰难的决定,这将失去功能的细节,所以他们使用等概率的量化,这是一个多级量化方案。结果是编码到一个二进制字符串。他们使用的方法模糊承诺实现曾经= 1.87%左右的性能与有效的21位的密钥。
然而,模糊承诺方案的一个主要缺点是,它需要对应的生物表示是显而易见的。所需的代码长度,优化纠错编码是很难获得的。纠错码的使用可能会增加非法用户的身份验证成功的可能性。使用这段代码,攻击者还将拥有真正的比赛。
(2)模糊金库。基于生物识别技术的模糊金库是最为经典实用的方案领域的生物密码系统。模糊金库模式是一种改进的模糊的承诺。在锁相(注册阶段),它使用秘密信息构造一个特征多项式p(x),然后形成一个无序集F(脑电图生物特征点,这是映射到一个真正的特征点集V通过特征多项式,然后随机散列点补充道。它结合用户的脑电图生物和秘密信息生成真正的分和生成一个金库数据库通过添加大量的散列点。解锁(身份验证阶段)时,匹配生物重建多项式需要恢复秘密信息。如果EEG特征不匹配,那么多项式不能重建。这个方案被广泛用于生物特征模板保护和认证。生物模板是用来构造一个模糊金库,库是可撤销的通过更新的随机矩阵,使得攻击者很难获得真正的点库中的信息通过相关的攻击,提高系统的可靠性和生物特征模板的安全。
Albermany和Baqer90年CZ)选择C3, C4三频道的左手和右手MI BCI竞争2008 -格拉茨数据集的数据作为他们的脑电图数据集。EEG信号过滤8至30 HZ。PSD估计使用韦尔奇方法计算提取特征。五个特征选择和量化的整数。他们选择特征多项式p(x)= 5X2+ 2X+ 1映射特性值,使用帐篷糠点为随机点构建库。9主题之间的真阳性率高达99%,假阴性率高达9%。
以脑波图为基础的生物密码有更高的安全性,但我们不得不承认仍然有相对较少的研究在这一领域,这将是未来研究的重点。它还具有一定的局限性。虽然理论上认为,EEG信号所产生的不同的人执行相同的任务是不同的,也就是说,提取的任务相关特性的个体差异。因此,功能代码可以作为身份认证的唯一键。然而,赵的实验等。91年)表明,攻击者可以通过模仿合法用户的任务执行模拟攻击(91年]。这表明不同的人之间的相关特性相同的任务非常相似,所以键的唯一性由不同的人在大数据集仍然需要证明。此外,关键必须准确、合法用户需要生成重复的和准确的键面临一些问题。每次用户穿着收集装置,电极的位置可能不是完全相同的,这可能会导致输入偏差。即使用户执行相同的任务,用户的当前状态,例如心理条件(如恐惧、压力)和生理条件(如酒醉,冷),也可能导致输入偏差(75年]。
7所示。存在的问题和发展方向以脑波图为基础的身份验证
7.1。独特性
根据现有的研究,当前的数据集通常是小,很少有学科参与数据集(通常几十个科目)。虽然每个主题可以区分数据集,验证精度降低受试者的数量增加(92年),这可能是相关的分类和特征提取方法。同时,可能是因为还没有实验或理论证明了EEG信号有足够的特色(如指纹签名人独特的70亿年)区分人类从每个其他。Tangkraingkij et al。93年)显示系统的精度甚至可以减少高达9%的只增加10科目。虽然理论上证明每个人的脑电图信号是不同的,它仍然是一个问题是否EEG信号可以用于身份验证大规模甚至在人类93年]。
7.2。稳定
人类大脑的状态变化,并受到认知能力和精神状态的影响。它仍然是不确定的EEG信号是否稳定其他生物学特性。Das et al。37)收集了两个不同的数据集在一个间隔一个星期的同一组受试者,和CNN被用于训练和测试。结果证实了假设脑电图数据永久区别特征,提供未来使用大脑信号的基础生物认证系统(37]。Ruiz-Blondet et al。39)表明,六个月后,一些人仍然可以准确确定的认证系统。实验由吴et al。34)发现,EEG信号诱导的脸是相对稳定后30天。然而,EEG信号的稳定时间较长和稳定的个体差异与人们的认知无法保证。因此,稳定仍然需要证明。
7.3。数据增强
昂贵,很难收集高质量的EEG信号,但大量的数据是必不可少的训练模型,特别是深度学习模型。少量的的结果数据是模型的泛化能力差。因此,增强可以增加训练数据的数据生成人工的数据不包括在原始数据集,但原始数据集的数据分布特征。越来越多的证据表明,从生成模型合成数据中提取可用于数据增强改善后的性能分类任务(94年]。被刺et al。95年甘]提出了一种新的模型学习深EEG信号的统计特征,和他们使用生成的样本扩大数据集来提高分类模型的性能(95年]。哈特曼et al。96年)表明,它可以生成人工脑电信号与氮化镓。通过改进的瓦瑟斯坦GAN培训(97年甘),可以通过训练逐渐生成人工信号稳定。生成的人工信号类似于单通道脑电图信号在时间和频率域(96年]。Aznan et al。98年]利用有限的脑电图数据从不同的学科训练现代neural-based生成模型生成辅助合成脑电图信号向量。生成的向量被用来训练SSVEP的分类。广泛的实验分析表明,生成的数据可以提高真实的脑电图数据的分类,从多个主题并记录下各种条件和会话。同时,合成脑电图数据的分析表明,使用可以提高分类模型的收敛速度。通过这种方式,只需要一个小的训练数据量(98年]。同时,它是想要找到一个可以实现的一般学习模型在不同的任务数据集验证精度高。
7.4。安全问题
Unforgeability是EEG信号的优点之一。然而,近年来,随着氮化镓的发展技术,非可以人工生成的数据,如图像,声音,和脑电图信号。一些研究人员使用氮化镓生成伪造的脑电图数据。生成的假脑电图信号可以成功被系统真正的脑电图信号。Piplani et al。99年]证明了假脑电图信号所产生的氮化镓可以欺骗系统识别合法用户的信号一样真实信号。减轻这个安全漏洞,研究人员使用假数据与真实数据作为训练数据训练分类模型,使之更强大的攻击,和模型的分类精度高于之前(99年]。通过增加对抗干扰,Zhang et al。One hundred.)控制了脑机接口的打字机夯所期望的角色受到攻击者所期望的人物。这表明,人为地增加对抗干扰能使原来的脑电图信号有攻击者所期望的特征One hundred.]。添加一些对抗干扰合法用户或入侵者的脑电图信号可能导致合法用户无法成功进行身份验证或入侵者能够成功进行身份验证。
此外,脑电图信号可能被偷14因为脑电图信号包含大量的个人识别信息。大部分信息是私人信息,人们不希望别人知道,如年龄、性别、疾病认知能力。如果EEG信号采集通道是攻击和被盗,用户的原始脑电图信号通过传输通道(可能是偷来的101年]。在这种情况下,信号可以直接用来攻击系统获得的。尽管活性测试可以用来验证是否复制或伪造的EEG信号,目前还没有具体和可行的方法。因此,它是必要的加密传输通道和EEG信号的存储,防止攻击者窃取EEG信号的合法用户。等解决缺陷的目的精度低、时间复杂度高,或处理速度慢,刘等人。102年)使用Paillier加密算法加密脑电图数据。神经网络用于加密的脑电图数据的分类和识别(102年]。与此同时,脑电图信号存储在本地应该加密,以防止攻击者窃取(103年]。
7.5。多通道
而single-modal生物认证系统、多通道系统可以提供更好的安全性。在这样的系统中,攻击者很难建立多个生物特性同时,从而增加系统的安全性。执行身份验证的多通道系统梳理脑电图信号特征和其他身份验证方法可以有效提高系统的基础能力。当其他生物特征相结合进行验证,EEG信号的独特特点弥补其他生物特征进行身份验证的安全漏洞,从而提高安全级别的身份验证。
Zhang et al。26)利用双重认证系统基于EEG信号和步态信号克服的局限性传统single-modal生物认证系统,提高了生物认证的准确性和预防风险在更大程度上。用户接收到信号后,系统只需要0.39秒完成身份验证,完全满足实际应用的需求的系统延迟(26]。研究表明,虽然眼电图工件会影响认证EEG信号的准确性,眼电图信号也有个体差异。因此,眼电图特征和脑电图特征可以有效地利用多通道身份验证系统(34]。Kumar et al。29日)提出了一种多通道系统,可以同时捕捉动态签名和脑电图信号来开发一个移动用户身份验证系统。基于行为的动态签名被广泛用于身份验证的属性。使用双向长期和短期记忆神经网络(BLSTM-NN)分类、single-modal和多通道方法提出了进行身份验证(29日]。Klonovs et al。104年)使用EMOTIV EPOC脑电图信号采集设备和面部检测确保受试者在一个相对安静状态收集ERP脑电图信号。同时,成熟的技术,如射频识别身份证采用基于近场通信(NFC)实现实时移动生物身份验证(104年]。拉赫曼et al。69年结合脑电图和击键力学信号电平的身份验证。他们的数据集是由收购击键力学和脑电图信号同时从10个用户。99.6%是通过使用随机森林分类器的精度。Moreno-Rodriguez et al。105年使用混合]融合语音和脑电图signal-level-decision-level融合方案,嗯第一分类阶段,多数投票选出最终的分类结果,考虑50用户。83.43%的准确率达到了80%的声音- 20%脑电图混合信号。
多通道认证系统可以有效克服身份验证方法的局限性,提高系统的安全性和反攻击能力。然而,融合的多峰性也降低了身份验证的效率,提高系统的冗余。
7.6。用户友好的
应该便携式数据采集设备进行身份验证(49)和高容错和抗干扰能力。此外,它通常是不干扰需要。现有的数据收集方法通常是基于任务的要求受试者执行任务在很长一段时间内获得足够的数据来训练模型。对于一些科目,任务可能不愉快,从而导致心理疲劳的受试者与实验本身,甚至冲突。在这种情况下,应用程序的身份验证技术基于EEG信号是极其有限的。因此,有必要设计一个合理、高效和用户友好的实验范式。一个不友好的实验范式的另一个后果是,受试者可能产生数据不有用的实验,甚至由于心理因素严重影响实验结果。因此,EEG信号收集特定任务不是完全可信的。如果受试者不遵循所需的任务实验范式,收集到的数据会显著影响实验结果的准确性。因此,研究对象的情感反馈实验范式应考虑用户感兴趣的设计任务。
繁琐的穿着和调整的信号采集,采集设备也无法忍受的受试者。研究人员实现高精度验证几个甚至一个电极电极(5]。在这种情况下,它是方便收集信号从主题44),减少了成本和EEG信号分析和解码的复杂性。通过减少脑电通道的数量,Zeynali和Seyedarabi67年实现高性能和确定最佳的电极安排不同的心理活动。神经网络分类的平均精度达到97 - 98%的单通道认证系统与大脑活动电极的最佳位置。壮族et al。55)利用单通道脑电图信号来实现身份验证的准确性为99%。
8。结论
本文分析EEG信号的生理特征,证明了它们的有效性和优势作为身份验证功能。根据脑电图信号的验证步骤,不同的任务收集脑电图信号被首次引入的范例。EEG信号的解码,常用的数据预处理和特征提取方法进行了分析。类似于频段选择、电极位置的选择也高度依赖于刺激的任务。接下来,因为它使得基于脑电图的身份验证方法进行了总结,包括生物因为它使得基于脑电图分类验证和生物密码系统身份验证。值得一提的是,研究人员可以使用相结合的方法在不同的步骤进行身份验证。当前生物密码机制的研究相对较少,但这是一个非常有价值的研究方向。最后,验证提出了存在的问题和解决方案和发展方向进行了讨论。
我们发现,在以脑波图为基础的生物密码,是否因为它使得基于脑电图主要结合生物识别密码,因为它使得基于脑电图键生成生物识别密码,因为它使得基于脑电图或键绑定生物密码机制,密钥生成从脑电图生物。我们考虑使用深度学习来提取深特性和使用多级量化的损失降到最低功能细节来生成所需的加密密钥在我们未来的工作。一旦我们有钥匙,我们可以实现生物密码或使用其他加密的密钥场景。
的利益冲突
作者宣称没有利益冲突有关这项研究的出版物。