文摘

在过去的几十年里,识别识别基于脑电图(EEG)的解决安全问题受到了人们的广泛关注,传统的生物系统。在目前的研究中,因为它使得基于脑电图小说识别系统与不同的熵和连续卷积神经网络(CNN)提出了分类器。该方法的性能是通过情感的脑电图数据实验评估。进行的实验表明,该方法方法平均99.7%的惊人的准确性(ACC),可以快速培训和更新DE-CNN模型。然后,不同的情绪的影响,不同时间间隔对识别性能的影响进行了研究。结果表明,不同的情绪影响识别准确性,负面和中性情绪脑电图比积极情绪具有更好的鲁棒性。脑电图兴奋剂的视频信号,结果表明,该方法与0 - 75 Hz比一个更健壮的乐队,虽然15-32赫兹带礼物,减少过度拟合的准确性cross-emotion测试。得出时间间隔降低了精度和15-32赫兹乐队有最好的兼容性的衰减。

1。介绍

标识系统是必不可少的安全系统在许多应用程序中包括支付系统、物联网(物联网),和卫生设备保护个人数据通过验证人的身份。此外,这些系统通常使用过程中人类和机器接口。传统的验证方法包括设置一个密码或使用智能卡进行验证。然而,这些方法受到很多问题,包括忘记甚至盗取密码。随后,通过密码验证方法已经逐渐取代了生物识别验证系统在过去的几年里。生物识别验证系统验证通过生物识别信息。生物信息系统包括生理信号的预处理、机器学习和模式识别。然后,系统与数据库比较这些特性。生理和行为生物识别技术包括指纹、脸模式,步态模型,与心电图(ECG)。

虽然这些生物系统很受欢迎现在,仍有许多未解决的问题。更具体地说,基于面对识别系统(1],虹膜[2)、声音(3),和指纹4可以欺骗识别高质量的图像,声音,和特征提取。此外,由于指纹大量保持普通的表面,他们很容易被犯人。

基于生物特征的身份识别方法,脑电图(EEG)提供了更多的选择识别(5]。许多学者都集中在脑电图波,因为它由无形的和不可侵犯的电子神经振荡。因此,脑电图波高度attack-resilient和不容易欺骗。此外,EEG的思维方式,影响心情,甚至大气,是一个独特的波(6]。受益于深度学习(DL)技术在失眠等各种应用程序诊断、癫痫检测、睡眠研究中,情感识别和脑机接口(BCI) [7- - - - - -10的准确性,以脑波图为基础的ID识别取得了显著的改善。为了确保脑电图可用于识别,大多数研究集中在设计的实验范式。例如,眼睛关闭[11],视觉刺激[12),和多个心理任务13在这方面)进行了调查,所提到的。吴et al。14)提出了眼睛闪烁和自我——或者non-self-rapid连环视觉呈现,然后,他们从脑电图特征提取和眨眼。最后,他们与两个特征融合技术应用于获得最终的评估分数高。研究病例的平均准确率达到97.60%,错误接受率(远)是2.71%,和假废品率(FRR)为2.09%。康等。15开放获取运动表象脑电图数据库用于识别。他们进行网络分析基于相位同步和提取10单通道的特性和多通道特性,然后,他们之间的欧氏距离计算每一个可能的行向量训练和验证数据矩阵。最后,他们发现阈值不同的特性和获得平等的错误率(曾经)和FRR远时设置为1%。他们发现曾经的伯格测试,睁大眼睛(REO)和伯格测试,闭上眼睛(REC),分别是0.73%和1.80%。此外,他们表明FRR 1% REO和REC 1.10%和2.20%,分别。太阳et al。16)使用的最大运动想象脑电图数据集。他们应用the1D-convolutional短期记忆神经网络识别109例,最好的结果是约0.0041的曾经。此外,蒙特祖马et al。17]利用虚构的演讲脑电图27主题和33的五个虚构的单词重复执行西班牙和获得97%的准确性。

尽管审查表模型1产生高精度的结果,这是一个挑战大脑复制同样的脑电图。例如,吴et al。14)显示,随着时间的流逝,人们渐渐习惯了陌生人的面孔,复制原始的视觉冲击记录数据变得非常困难(19]。

表1
文献综述的摘要。

因此,问题是如何指定的内容影响身份?文献回顾表明,很少有研究执行身份验证的脑电图基于不同的刺激。Zhang et al。9情感脑电图)用于识别和发现情感的识别没有影响12 s脑电图。然而,该方法的鲁棒性不同的情绪没有得到证实。本研究旨在选择种子数据集,一个公共情感脑电图数据集,消除不同内容对大脑的影响通过观看视频。相信只有在看视频,基本特征和节奏的人可以被发现。

许多研究调查从EEG节律特征的收购。康等。15]提取10多通道特性和单通道特性,包括七个光谱,和三个非线性,基于主题的相位同步网络分析识别。分析表明,Maxlyp有突出的结果与其他特性。施等。20.)提出了微分熵(DE)以脑波图为基础的警报估计,该方法适用于测量脑电图信号的复杂性。进一步的研究(21,22)表明,德是一个适合情绪解码的方案。此外,蒙特祖马et al。17)应用功率谱密度(PSD)和自回归(AR)模型系数的分类和研究情况下获得了99.76%的准确率。深度学习的方法,18]应用情感脑电图独立于任何传统特性预测的ID,取得了94%的准确性。因此,剩下的问题是“如何选择最合适的特性和分类方法的模式。”

为了解决这个问题,最初的计算费用特性比较。在这方面,两个特性分类的选择。之后,一种新的预处理算法和相应的数据是切成小片段,这样四波段数据计算得到,每个乐队的特性。最后,模型设计和所有特性和识别开始。总之,种子数据集是在目前的研究中,利用盾牌EEG之间的关系和具体内容找到稳定的节奏和脑电图特点。此外,提出了一种新颖的方法,所得算法精度更高的算法。本研究包含三个主要强调如下:(我)与其他算法相比,我们的算法需要更少的计算费用,虽然它与传统算法相比具有更高的准确性(2)该方法比其他方法更好的兼容不同的情绪(3)第一次脑电图的因素身份验证间隔被认为是,被证明是一个强大的衰减与我们的算法

本文的其余部分组织如下。设计提取特征的文献综述和深度上优于脑电图生物识别技术提出了部分2。此外,提出的详细信息和方法论脑电图生物特征识别系统进行了部分3。然后在部分实验结果和评价4。讨论部分中提供的性能和相应的潜力5,紧随其后的是结论和未来工作的简要描述在最后的部分。

2.1。情感和脑电图

各种心理生理学的研究已经证明了人类的情感和脑电图信号之间的相关性(23,24]。马提尼et al。25]发现P300增加积极的潜力,增加后期放射性在观看时不愉快的图片比较是用中性图片。张先生和陆26)表明,β和γ乐队的能量增加积极情绪和减少中性和负面情绪。此外,神经科学研究(27,28]表明,脑电图α乐队反映注意处理,而β频带反映大脑的情感和认知过程。考虑情感分类的最新改进,ACC已达到约91%,识别一个人为86%,认识不同的人29日,30.]。因此,不同的情绪影响情感的鲁棒性的脑电图,所以这个问题应该解决之前应用脑电图作为无效的和可靠的身份验证方法。根据(31日),记录EEG节律可以分为五个不同的节奏按照他们的频率范围。这些节奏,展示在表2,如下:δ(0.5 4赫兹),θ(4 - 8 Hz),α(Hz) 8 - 15日,β(15-32 Hz),γ(32-40 Hz),和其他乐团(40 - 75赫兹)。δ波总是出现在人在深度睡眠。此外,θ波遇到在早期睡眠阶段和嗜睡。α和β节律是典型的节奏在放松的状态闭着眼睛和突出的节奏在压力状态下,分别。最后,γ节奏总是涉及到大脑的高阶函数等特性绑定的感知形象。因此,最适合乐队可以识别的探索。

表2
应用的范围不同。
2.2。比较不同的特性

康等。15]表明,三种类型的非线性脑电图特点,包括最大李雅普诺夫指数(Maxlyp),样本熵,并排列熵,因为它使得基于脑电图有更高的影响生物识别技术比传统的光谱特性。应用Maxlyp方案可以达到0.043的无论何时取得最好的结果,所以,许多研究人员应用不同的熵方法在EEG分类32,33]。此外,PSD脑电图数据是最常见的特征。在下一节中,它旨在比较这三个特性的耗时的观点。

2.2.1。最大李雅普诺夫指数

研究表明,非线性方法,主要集中在检测时间序列的动态变化的特点,可用于临床和科学应用脑电图(34,35]。Maxlyp,单通道时间序列数据 被认为是, 表示数据的长度。为了计算的最大李雅普诺夫指数,必须嵌入到一个采用时间序列空间 。

李雅普诺夫指数特征的时间序列的内在不稳定性量化的平均速率附近在相空间轨迹发散或收敛22,36]。这种不稳定性是基于初始条件的敏感依赖。两个初始分阶段接近彼此的空间 和 , 被定义为在相空间点之间的距离 ,在不同的距离 一段时间后 。 。之间的相关性 和 可以用一个指数函数来表示如下:

常数项的指数 描述变化的速度,可以用以下形式:

每一个 有一个 ,的最大 最大李雅普诺夫指数。

2.2.2。微分熵(反)

因为它使得基于脑电图微分熵方案申请警惕估计测量脑电图信号的复杂性(20.,37]。德方案数学表达形式如下: 在哪里X是一个随机变量, 表示的概率密度函数 。系列的高斯分布( ,相应的微分熵可以表示为

2.2.3。PSD副标题

周期性的PSD估计方法是用来简单地找到离散时间傅里叶变换和规模的振幅值的结果。在这个方案中,l被定义为信号x(n)长度和F分别是采样频率。事实上,PSD值应该是计算点N。PSD的周期估计方法表达如下:

表3显示了一个比较的三个特性,表明尽管Maxlyp是最好的功能,它消耗12.591年代的计算,如此高的时间不能合理的消费。与此同时,PSD的复杂性和ED计划低于Maxlyp方案。

表3
计算的时间三个特性。
2.3。归一化

EEG信号 应用频道作为输入神经网络训练的建议。当所有的剪辑DE值获得,正常化加班需要每个通道。正常化进行如下: 在哪里 ,和 参考信号的位置、通道位置和标准差的德德的一个位置序列,分别。

2.4。改变数据从1 d, 2 d

以脑波图为基础的BCI系统使用可穿戴耳机与多个电极捕捉脑电图信号。国际10 - 20体系是国际公认的方法描述和应用头皮电极的位置和底层的大脑皮层区域。应该指出,“10”和“20”的数字表明,相邻电极之间的实际距离是总数的10%或20%正反面或左边/右边距离的头骨38]。尽管所有职位有意义的数据,样本脑电图数据后仍然是一个序列DE特性计算,从左向右进行组织。为了获得的空间特性,数据转换为二维数据的图1。当没有信号的矩阵,它将替换为零。


图1
将一维数据转化为二维数据的示意图。

3所示。材料和方法

3.1。数据

因为它使得基于脑电图的算法开发生物识别技术,种子1数据库(26)是利用在这一节中,这是最大的情感脑电图公开可用的数据库。在这个数据表,记录62 -通道脑电图信号从15人看十五4分钟时情感的视频剪辑。脑电图数据的每个人记录三次不同的周,在每次包含15个交易日。表4礼物标签分配每人三种情绪,包括中性、积极和消极情绪。执行将采样数据在200赫兹的频率,在0 - 75 Hz过滤器。

表4
每人的情绪。
3.1.1。系统概述

图2因为它使得基于脑电图显示了建议的概述识别系统组成的培训周期和识别阶段。在此系统中,所有用户的脑电图特征学习和存储在DE-CNN模型在培训期间。应该指出,EEG数据,在训练阶段或在识别阶段,预处理。进行预处理包括将数据分割到1000 -样本长度,计算特性,和正常化之前喂到CNN模型中。识别阶段的结果三个CNN层和一个完全连接(FC)网络Softmax激活函数。在剩下的方法论部分,数据分割,计算功能,正常化和多通道CNN模型将详细描述。


图2
因为它使得基于脑电图的概述。
3.1.2。准备数据集

种子数据集,每个人的情感脑电图记录三次。在目前的研究中,两个三个记录被认为是为研究数据,而最后记录将被测试的其他用途。表4表明有三种情绪状态的数据,并且每个情感具有相同数量的五个脑电图小径。Wilaiprasitporn [39)使用12年代长情感脑电图测试数据,证明了情绪不影响结果,脑电图数据可用于识别。它的目的是探索一种方法实现减少识别时间。在这方面,识别时间设置to1000样品(五秒钟的×200)反映了思维的节奏。因此,每个脑电图审判只是划分为48次级样本,这样720次级样本(48次级样本×15试验或剪辑)获得了每个参与者的一个记录。总之,实验参与者标签id。本研究的数据和标签可以描述如下:(1)数据:2×15××720 (1000×62)(2)标签:2××720×1

3.1.3。预处理

图3表明,预处理的主要流程有五个步骤。在步骤1中,为了获得细粒的特点,分为五个一秒钟序列的数据。此外,功能是分开提取序列最终合并。在步骤2中,脑电图信号分解成四个频段 巴特沃斯滤波器,已被证明是更有用的比整个数据在多种研究[18]。分解后,一个视频脑电图数据转换从200×200×62×5×4×62。在步骤3中,德是一个非常好的特性,它的输出是一个混乱的程度的序列。因此,经过计算每个乐队的通道特性,数据转换为5×1×4×62。在步骤4中,为了保持空间信息在多个相邻频道,62年的维德特征向量长度的2 d平面(9×9)转换根据电极分布地图。数据大小是5×4×9×9。在步骤5中,为了加快模型的收敛性,最后执行规范化。这最大限度保存所有的信息。


图3
流的主要步骤预处理:切割、分解、计算、映射和规范化。
3.1.4。卷积神经网络

图4显示一个连续卷积神经网络有四个褶积层用于从输入数据集提取特征。此外,一个完全连接层与辍学操作添加特征融合和将Softmax层用于最终的分类。它应该显示没有池层卷积两个相邻层之间。卷积在每一层,应用零填充,防止信息丢失的多维数据集的边缘。更具体地说,卷积前三层,内核大小设置为4×4步设置为一个。卷积运算后,RELU激活函数添加到赋予模型与非线性特性转换功能。开始与64年第一次卷积层特征图谱的特征图谱以下两个卷积层增加了一倍。因此,128年和256年在第二和第三层特征图。为了融合不同的特征图谱和降低计算成本,一个接一个卷积层64添加特征图。这四个连续卷积后层,一层完全连接添加到649×9特征图映射到最后一个特征向量 。然后,以下Softmax层接收f预测人类的情绪状态。


图4
四层的分类器模型。4×4内核为每一层的数量是64,128,256,64。

4所示。结果与讨论

4.1。比较

表5显示了该方法的比较结果,因为它使得基于脑电图的识别方法。中提到的方法,两个深度学习方法存在。首先介绍了(9],CNN + STML适用于分类五种运动想象和该方法的精度可以达到99%。此外,在[40),作者应用相同的方法来探索情感影响识别DEAP数据集相同的方法。得到的结果可以达到95%的精度为12。为了比较该方法与目前的研究的方法,参数调整到适合本研究的数据集。在CNN + LSTM,三层3×3的2 d CNN使用内核。过滤器的数量从128年的第一层,继续64和32,分别。应该指出,ReLu非线性。批规范化卷积和辍学后应用每一层。复发性层,2层32和16经常性的使用单位,分别。此外,经常性辍学。每个部分的辍学率模型是固定在0.5。 The RMSprop optimizer is used with a learning rate of 0.0005 and a batch size of 30.

表5
因为它使得基于脑电图比较该方法与一些先进的识别方法。

此外,1 d-convolution [16]1 d-convolution长短期记忆神经网络申请以脑波图为基础的用户识别。相同的参数应用于本研究提出的数据集。发现该模型收敛是不同的。因此,三层和内核使用的1 d-convolution大小是128、256年和512年辍学。然后,结果喂下两层LSTM内核的192。最后,一个辍学和一个完全连接网络Softmax激活应用于预测的概率ID。过去的两种方法的特点是手动选择。此外,相同的框架算法相比基于PSD。预处理,PSD的平均值用于一秒而不是德。然而,DE-CNN的其他部分是一样的。

在所有的实验中,训练、验证和测试的结果是得到10倍交叉验证。应该指出,90%的数据作为训练和左作为测试数据集。火车时间是计算的总时间一个时代NVIDIA GEFDRCE RTX 2080 ti。表5显示1 d-lstm无法找到足够的信息识别或overfit测试数据集。尽管CNN + LSTM精度高,等于错误率(曾经),它需要278秒培训32361999名参数在一个时代。当系统添加一个新用户时,它可能会花很多时间来更新。本研究的方法获得更高等级1的0.997和0.00184的曾经和它适合高需求的安全系统。虽然PSD是最常用的功能之一,其结果为PSD-CNN 0.93比DE-CNN低。所有的代码比较算法中可以找到https://github.com/heibaipei/DE-CNN。

4.2。因为它使得基于脑电图的比较情感ID在四个乐队

为了探索最好的乐队来减少噪音,只有两个方法在四乐队比较积极的情绪。图5显示结果。所有的参数都是一样的作为上述参数。培训时期的数量是50。1级的 乐队和4-40赫兹乐队是略高于其他乐队,虽然4-40赫兹乐队低于14-31赫兹乐队。可以解释的,β频带与注意力和警觉高度相关。此外,它应该显示更广泛的乐队可能有更多的噪音。

(一)
(一)
(b)
(b)
图5
训练曲线的身份识别基于三种情绪不同的算法:(a) DE-CNN算法和(b) CNN-LSTM算法。

发现两种方法的结果14-31赫兹和4-40赫兹在最后的精度几乎没有区别,而训练的过程有显著差异。DE-CNN结果四个乐队比CNN-LSTM平滑和更快。图6显示了流程的培训。应该表明,β波工作最好的身份认证与表的内容一致6。

(一)
(一)
(b)
(b)
图6
测试曲线的身份识别基于不同的乐队:(a)的结果CNN-LSTM DE-CNN算法的算法和(b)的结果。
表6
基于四个脑电图乐队的识别结果。
4.3。因为它使得基于脑电图的比较情感ID在三种情绪状态

许多人质疑脑电图对身份验证的性能。此外,因为它使得基于脑电图的稳定性方法吸引了许多学者。由于不同的情绪做出不同的脑电图,火车一个健壮的模型是具有十分重要的意义。表7显示三个情绪对识别与DE-CNN几乎没有影响,货币和曾经方法0.99和0.001,分别在应用CNN-LSTM中性情绪收益率最坏的结果,在相应的曾经只有0.06。表7表明,两种方法有不同的情感脑电图数据集几乎有相同的结果的火车。事实上,有一个小的影响之间的1级三个情绪。图的左边5DE-CNN显示了测试结果,右侧显示CNN-LSTM的结果。可以看出比CNN-LSTM训练过程更加稳定,而DE-CNN收敛更快。为了测试稳定性影响识别基于不同的情绪,情感模型是用来预测的其他两个情绪状态的身份。它应该显示所有测试方法是使用默认设置。因为执行所有测试不足以找到最强大的情感,一个情感模型也适用于其他两个情绪。表8因为它使得基于脑电图显示了结果的同情ID检测。Neu-pos和Neg-pos代表中性和负面情绪数据测试基于积极的模型,分别。此外,Pos-neu和Neg-neu表示积极和消极情感数据测试基于中性脑电图数据集,分别。此外,Pos-neg和Neu-neg表示积极和中性情绪数据测试基于消极脑电图数据集,分别。身份验证的结果比较两个不同的乐队,DE-RNN比CNN + LSTM。也观察到,不同的情绪影响识别的识别和减少1级。比较两种方法的结果表明,积极的情感产生更大的影响比其他身份认证的情绪。换句话说,积极的模型更容易overfit。发现中性情绪更健壮。因此,当识别系统基于EEG的设置,提出了中性情绪。 Considering both the CNN-LSTM and the DE-CNN methods, beta waves (15–32 Hz) have worse results compared with 0–75 Hz. When robustness is required, the model needs wider EEG frequency band.

表7
1级和曾经在三情感识别。
表8
1级cross-emotion验证的身份识别。
4.4。讨论
4.1.1。分离数据集的识别结果

在种子数据集,每个主题执行三次脑电图信号集合不同的时间间隔。最长的时间间隔是4个月,最短的时间间隔是三天。前两个实验的每一个脑电图信号作为训练数据集,而最后实验脑电图信号作为测试数据集。然后的长度最长间隔建议识别记录。此外,最好的兼容分类乐队将探索。发现脑电图从不同时期有不同的等级1,表中给出的细节9和图7。它表明,时间间隔1级低于noninterval。应该表明NT代表测试1级的前两个数据集,而区间代表最后一集基于前火车模型的准确性。此外,不同波段影响精度,15-32赫兹乐队给最好的结果。当时间间隔从表中获得的准确性,发现随着频率的增加,恶化的结果。在本节中,结果并不与32 - 75 Hz乐队,因为高频很少出现在健康的人。

表9
1级的时间间隔情感分类结果。

图7
1级的间隔和noninterval验证。前面的图每个乐队代表间隔的结果,而后者代表noninterval结果。红色代表积极的情绪,而绿色和蓝色的颜色代表中性和负面情绪。

5。结论

为了评估基于EEG的身份认证,需要确认每个人都有一个独特的大脑的节奏。在目前的研究中,人类的脑电图描记器根据不同的内容被用来识别身份。结果表明,该方法能准确识别身份。

目前,在处理识别有两个范例,展示在表细节10。在第一范式,受试者看到相同的诱导刺激,它反映出一个人的不同的认知基础。在第二个范例中,受试者诱导刺激看到不同的内容,再脑电图的每个人应该分成不同部分,消除造成的变化不同的内容。在个人识别个人特征提取。之间有很多相似之处的脑波和声音波验证。在这方面提出了两种主要的方法。在第一种方法,提取的声学特性最初是与特定的探测单元,功能是投射到一个较低的线性空间,然后演讲者的信息是已被敌军布上了地雷。凭直觉,”之间的区别不同的人在相同的语气(41- - - - - -44”可以被理解为挖掘。第一种方法利用一些语音知识使用的单元分类网络语音识别。然而,第二种方法“基于端到端深学习认证”是一个纯粹的数据驱动的方法。通过大量的数据样本和很深的卷积神经网络,机器自动探索发言者在声学特性差异信息提取信息表示在声学特性。

表10
两个ID识别模式。

更具体地说,深卷积神经网络是由大量的训练语音波数据和输出类别被定义为演讲者ID。在实际训练中,成千上万的网络训练所需ID。因此,一个基本的网络能够有效地描述演讲者。然而,脑电图并不容易获得大量的样品由于设备限制。但脑电图识别为身份认证提供了更多的选择。

在身份验证第二个最重要的特性是稳定。在目前的研究中,第二种方法是进行身份认证。在稳定性方面,情感因素和时间因素主要考虑。情感因素,发现不同的情感与DE-CNN分类结果几乎没有影响。而积极的情绪健壮性是最糟糕的相互迁移、中性三情绪情感的鲁棒性是最好的。从不同的频率的角度分类结果,15-32赫兹的频带是优于其他频段分类和迁移。的间隔尺寸,15-32赫兹乐队比另一个更适合乐队的脑电图和在不同的点期间表现良好。

基于我们目前的研究中,我们将探讨交叉身份识别方法下和设计模型,消除时间在个人脑电图的影响,这是非常重要的,这是关键的脑电图成为日常身份认证。

数据可用性

种子数据用于支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的重点项目(没有国家重点研发项目。2017 yfc1703303),中国福建省自然科学基金(没有。2019 j01846,没有。2018 j01555,没有。2017 j01773,没有。2016 j01674),福建省对外合作项目,中国(没有。2019 i0001),科学和技术指导项目福建省,中国(2019 y0046)。