文摘
脑电波信号是一种生物现象在人类大脑反射活动。在本文中,我们首先介绍因而身份识别技术和最先进的大脑工作。然后我们分析脑电波的重要特性,其应用面临的挑战。进一步,我们评估使用的安全性和实用性脑电波在身份识别和anticounterfeiting身份验证和描述用例的几个机器学习方法在脑电波信号处理。后来,我们调查的关键问题特征提取,分类,和选择参与脑电波信号处理。最后,我们提出几个因而身份脑波识别技术进一步的研究和总结。
1。介绍
人类生物学特性包括各种内在生理特征(如指纹)和行为特征(如签名)。移动人群的新兴技术传感(1)和近期兴起的社会机器人(2)增加了燃料的研究基于人体生物特征的身份识别,这是人类的技术验证身份通过使用生物传感器,生物统计学原理,和/或人类生物特征(3- - - - - -6]。一般来说,任何生理或行为特征可以用于身份识别系统,只要它符合下列条件:()普遍性,也就是说,每个人都有这个特性,()独特性,不同的人存在这个特性不同,()稳定,也就是说,它在一段时间内不会改变,,值得收藏,也就是说,它可以定量测量。
传统的身份认证技术,如接入码,密码,或IC(集成电路)卡可能容易受到身份丧失、伪造、盗窃,或妥协,因为他们是人类生物特征分开。这些技术被广泛应用于信息系统或网络环境(7]。然而,他们在处理限制锻造的挑战。生物特性,例如,一个可能使用伪造,如指纹、手的形状,手掌印,脸上,虹膜,和人类的耳朵,破解这些系统(8]。因此,需要做更多的研究和新方法应该研究解决这一挑战,扼杀了发展速度基于人体生物特征的身份识别系统。
脑波是一个独特的生物功能,很难伪造。最近,研究人员试图应用脑波技术在身份识别。脑电波,一般生物电现象,是由不断变化的生物电子生成的字段在人类的大脑。沿头皮脑电图(EEG)记录脑电波。刺激不同的外部信号将导致不同的脑电波。生物领域的研究人员记录可能会改变电极(s)插入大脑或使用一个电极帽在头皮上收集脑电图数据。
在身份识别系统,如图1有多个步骤处理收集到的脑电波数据,如预处理、特征提取和验证。分类特征将匹配特征数据库中的数据。通过计算每个测试样本的后验概率下建立的人体模型,可以实现人类身份识别和验证通过脑电波。
剩下的纸是组织如下。首先,我们引入了先进的因而身份识别技术通过讨论脑波的特性和人类脑电波的电生理基础。然后,我们描述的基本原理和过程收集、提取、选择和分类脑电波特征。然后我们讨论机器学习方法应用于大脑的身份识别系统搪塞过去。最后,我们得出本文对未来的工作。
2。脑电图的电生理基础
人类的大脑是一种中枢神经系统的重要组成部分,包括大脑、小脑和脑干。大脑是最复杂的组件最大的脑容量和最高增长水平。大脑半球表面是不均匀的,充满沟和脑回。几个深沟大脑半球划分为四个区域:额叶、顶叶、颞枕叶。有许多小沟每个叶地区开发,扩展大脑皮层的表面积。不同的皮质区域控制不同的神经中心,承担不同的任务。因此,大脑皮层的每个地区都有自己的功能。研究人员已经标准化的放置电极收集和记录脑电波。10 - 20头皮电极放置的国际标准9)如图2。
不同地区的大脑皮层的神经细胞的分布是不均匀,他们有不同的结构。把电极放在头皮收集的潜力并不是单个神经细胞的潜在变化的反映但合成效果丰富的神经活动。因此,记录脑电波信号的一系列潜力被视为一个重叠的脑电波的不同类型生成在不同的大脑区域。一般特性的潜在系列,如频率、振幅和相位是用来描述脑电波。在不同的大脑活动状态下,脑电波特性会有所不同。如表所示1(5 EEG信号的频段),研究人员分类脑电波为多个类型根据其频率和地点,分别,,,,,波。
在以往的研究中,研究人员测试了不同的收购协议对人类识别任务,比如放松闭着眼睛,脑电图记录基于视觉刺激,和表演心理任务。
的堵塞节奏与运动的就绪状态。例如,人体运动,想象力,意识或行为有很大的影响节奏。的振幅节奏可能控制的训练科目。的使用验证控制节奏已经得到研究者的广泛关注。波的频率相对较高的是另一个常用的波在研究和无处不在的人类大脑特别是中央和额叶区域。它被认为是与人类思维活动密切相关。例如,波可以观察到在EEG信号,当一个人紧张或兴奋。波时产生大量的神经细胞进行密集的认知活动或运动。最高频率和最低幅度在所有类型的脑电波。的出现波表明,人类的大脑是执行复杂的思维活动或经历极端的兴奋。
3所示。国家的艺术
目前,个人身份识别使用脑电图研究仍处于起步阶段。现有的研究大致可以分为两类:脑电图信号识别在静息状态和诱发EEG信号识别。相关研究的概述如图3。
3.1。因为它使得基于脑电图评估标准的身份识别
有三个主要标准,因为它使得基于脑电图评估性能的身份识别系统。
(1)分类精度。分类精度的定义是准确分类样本的数量比所有样本的数量。它是最常用的评价标准来显示系统的可行性。
(2)Kappa值。Kappa值是一个定量评估评估统计脑电图生物特性的一致性。它考虑样本统计量的准确性和精度的随机分类样本是随机的。此外,卡巴也可以用来评估分类精度、鲁棒性和性能比较。对于多个类别分类,Kappa比分类精度。Kappa测试属于一致性测试方法。利用测试的区别真正的一致性比率和随机一致性比率。被描述为计算公式(1)。在这里,表示真正的速度和一致性是理论上的一致性。
(3)安全识别。脑电图身份识别系统需要从脑电波承认每一个人的身份,这导致了高额的分类精度。识别精度高是很难实现当脑波有较低的信噪比。在这种情况下,将提高身份识别算法的复杂性增加的数量的任务。识别率的脑电图数据是一个重要的指标来测量脑电图身份识别算法的优越性。
3.2。分析
方法提出了引用识别个体的身份通过分析脑电波在她/他的静息状态,利用收集到的脑电波,当个人的特点冷静和放松眼睛关闭或打开。文献[10]利用晶格等效原理模型和莱文森递归生成自回归(AR)模型与3-21订单。非线性分析是用来分析脑电波的四十人睁着眼睛和闭上眼睛休息状态。识别是进行使用收集的数据的一个电极(P4电极)。识别系统的安全评估下的四十人据统计系数不同的订单。白等。11]提出识别一个人通过视觉唤起潜在(VEP)的脑电图信号。在这项工作中,几个技术,如Fisher判别,消除递归特性,遗传算法,介绍了降低电极的减少用户体验。他们用镇定的二十的数据库对象,选择32电极实验的数据。实验结果表明,最佳的标识率是97.25%通过使用支持向量机分类器。此外,在实验分类精度达到85%。在[12),作者使用方差和功率谱密度来创建特征向量。数据来自23个参与者使用的安全评估。最后,它的安全识别率达到79%。在那之后,丙烯酸- et al。13提出了一种改进方案。生物认证技术的一个形态是由使用大脑的脑电图信号记录在三个心理任务的性能确定的六个人。使用一个三层前馈神经网络,它们分类脑电波数据从六个科目根据思维活动分为四个州(乘法任务,阅读任务,法术的任务,和放松的任务)。实验结果表明,平均安全识别率达到94.4%至97.5%,显著改善性能安全识别率。在[14),一个基于脑波的个人身份识别算法设计了使用高斯混合模型。在实验中,受试者需要完成三个重复的身体任务与统一的节奏,包括左手运动,右手运动,或双手的运动。他们的研究结果证实了高斯混合模型可以去除噪音信号比如时眼球运动与肌电图和主题是放松和思考。本文还显示有一些精神的任务比其他人更适合人的身份验证。
诱发脑电波研究的识别技术,提出一种方法(15)识别身份使用视觉诱发电位(VEP)。VEP是生物电活动视觉刺激引起的中枢神经系统。这是一个电信号对视觉刺激的大脑皮层,代表生物电的变化行为后接收外部信息。在[16),作者建议不同VEP信号在时间域将通过展示主题和self-face non-self-face触发。它可以利用人的认可。原型系统简单,识别率较低,表明改进的余地。在[17),作者进行实验基于3560套VEP信号从102人。有至少10并最多50 eye-blink-free信号从每个主题。技术用于功能分类包括k最近的邻居(资讯)、Elman神经网络分类器(新奥集团),和10倍交叉验证分类(CVC)。值得注意的是,它到达最高的识别准确率为98.12%。实验已经注明脑电活动作为生物识别技术的巨大的潜力。在[18),作者综合个人的脑电波的多个任务在脑电波和提取数据特征的身份识别。该方法匹配脑电波与九个人在数据库。最高识别率为95.6%。
在[19],作者使用快速Johnson-Lindenstrauss变换健壮的脑电图mAR系数散列。有前途的结果表明,散列可能开辟新的研究方向和应用因为它使得基于脑电图在新兴生物统计学领域。的作者(20.)采用信号与30 - 50赫兹的频率和实现身份识别的匹配这些信号对二十人的数据库。特征向量利用AR模型系数和功率谱密度的峰值。降维的功能执行使用Fisher线性判别分析。最后,然而,技术是用来分类数据和分析交叉验证方法用于精度评估,导致正确分类率为100% (21]。
4所示。系统分析
4.1。脑电图数据收集
以下4.4.1。脑电图数据采集硬件传感器系统
一般来说,脑电图信号收集方法可以分为三类:嵌入,semiembedding, nonembedding [22]。一个集合嵌入方法插入微电极(s)或微电极阵列到大脑皮层,收集神经细胞的电活动聚合,称为局部场电位(联赛)。该方法可以实现精度高但可能导致神经细胞损伤。在semiembedding方法,电极放置在大脑皮质的表面。与嵌入方法相比它没有破坏神经细胞。但嵌入和semiembedding方法侵入性主题的身体。因此,两种方法通常适用于研究BCI技术与受试者使用动物或人类严重的脑损伤。Nonembedding方法使用头皮的电极表面,没有侵入性操作是必要的。它没有损害神经细胞和具有使用方便和设备负担能力。这些优势使nonembedding在BCI研究方法受欢迎。 However, the drawbacks of nonembedding methods are obvious as well. For example, electrical signals of nerve cells which are detected at the scalp surface are weak due to signal attenuations across cerebral tissues, endocranium, skull, soft tissues, and so forth. The signals in different encephalic regions are mixed with interference signals, such as electromyography (EMG), electronystagmogram (ENG), and electrocardiogram (ECG). Thus the signal noise ratio of the collected EEG signals decreases, causing difficulty in extracting the useful EEG signals.
4.1.2。可用的脑电图数据集
(我)脑电图实验可以在网站上进行了脑电图数据集的基础上(23,24]。EEGLAB是一个开放的MATLAB工具箱开发了神经计算研究所的加州大学圣地亚哥,美国。用户可以使用独立分量分析或时间/谱域分析在这个工具箱分析EEG信号。(2)斯雷德宝脑电图数据分析和建模中心大学的德国,提供了许多原始的脑电图基准(http://www.fdm.uni-freiburg.de/EpilepsyData)[25]。基准套装包含了许多关于动态脑电图分析数据和预测癫痫。
4.2。脑电图数据处理
脑电图信号处理可分为三个步骤:预处理、特征提取和分类(26]。预处理是用来减少噪声干扰,提高信号噪声比,其中包括带通滤波器,等等。处理过的信号将用于特征提取,提取特征从脑电图信号来反映主题的意图。脑电图的分类器分类特性的信号。
原始的脑电图数据包含干扰信号从大脑活动以外的来源。因此,有必要处理原始脑电图信号降噪和信噪比的改善。在不同的脑电图描记器系统,有各种预处理算法利用,主要是抗噪音的筛选和优化电极组合。
4.2.1。准备抗噪音的干扰
EEG信号的过程集合很容易影响眼部的工件,包括nonphysiological和生理干扰。前者是干扰造成的环境或设备,如工频干扰、环境干扰,电极之间的接触电阻变化和头皮,相对滑移。可以消除工频干扰50 Hz陷波滤波器或低通滤波器。环境干扰噪声干扰主题或电磁辐射在空间。此外,当脑电图信号收集的湿电极、导电胶电极与头皮之间需要降低接触电阻,实验过程中可能会发生变化。在这种情况下,研究人员引入anti-contact-resistance和anti-ocular-artifact方法来解决这个问题。nonphysiological眼部工件的干涉,包括相对滑移引起的头部运动,可以控制通过改进实验方法,可以消除大部分nonphysiological干扰过滤技术(27]。
4.2.2。优化电极组合
头皮脑电图信号采集由多个电极在不同地点的科目。每个铅数据反映出不同的神经活动(28]。然而,并不是每个领导数据有助于提高身份识别系统的性能。例如,在一个视觉诱发脑电实验,导致数据的视觉皮层不能用来识别身份。此外,有可能存在冗余的脑电图之间信息脑电图数据集。因此,研究人员利用电极选择算法优化电极组合来减少所需的电极数量,准备时间的实验,实验的成本,脑电图数据大小,计算复杂度的脑电图信号处理(29日]。
4.3。因为它使得基于脑电图的应用机器学习在身份识别
如图1预处理后,脑电图信号,例如,通过部分中描述的方法4所示。2脑电图特征选择,因为它使得基于脑电图提取和分类的下一个步骤是身份识别,详细图4。
如图4,最初的脑电图信号和隐藏数据集初始化。功能是有效地提取并利用机器学习中分类算法分类。分类特征匹配和分析脑电图测试数据库。最后,以脑波图为基础的身份验证是通过比较来实现的。
在本节中,我们重点讨论应用程序的机器学习方法基于鸡蛋的身份识别,特征信号预处理,选择、提取、分别和分类。
4.3.1。脑电图信号预处理
有大量高维数据收集脑电图信号,包括噪声、表达谱和波数据。高维数据要求更高需求的硬件存储和分类器的选择。降维技术可以用来处理维度灾难,提高分类算法的精度。它也有助于改善可视化和数据压缩比。一般来说,降维需要保留原始数据的有效表达。现有的降维算法大致可以分为特征选择算法和特征提取(子空间学习)算法。前者直接从原始数据中删除无关的数据,而后者项目高维度数据到低维空间,实现降维变换。
在现有脑电图降维方法,数据特征空间的样本在线性或非线性的数据集通常投射在低维空间。降维的子集学习算法可以分为线性算法和非线性算法。线性学习算法是基于传统数据子集优化方法和获得的数据总是单一的变异。然而,脑电图降维正则化框架下应该考虑融合多种特征。非线性降维,传统算法主要专注于流的研究学习。常规非线性降维技术通常专注于内核的方法。在[30.),作者实现降维学习方法通过使用一个稀疏的子集。正交歧视信息添加到稀疏的社区保护项目。它使降维后的数据与稀疏保持类似的局部调整的关系社区保护项目。同时,利润最大化和部分可重构的关系可以利用处理脑电图的样品相同。
4.3.2。脑电图特征提取
脑电图是大脑皮层负责的电信号刺激和中枢神经系统的生物活性变化后接收外部信息。然而,由于接受刺激产生EEG信号的延迟,脑电图幅度和宽度对于每个人都是不同的。因此可以获得时域特征。脑电图以来持续时间短,信号长度不足以评估频率特性。
脑电图特征提取是身份识别系统的关键问题之一。通过测量或计算,对象识别或分类通常产生许多原始功能。在这种情况下,样品需要一个高维空间特征提取的过程。换句话说,样品将在低维空间表示通过预测。在这个过程中,最有效的类似的特性将从原来的脑电图特征提取。由于不同类别的特点通常是彼此不同,噪声消除和降维技术可以根据脑电图研究时域和频域特性,以及它们的应用条件。消除噪声后,脑电图信号记录振幅期间,不能用于身份识别。在这种情况下,有必要进行分类和变换时域信号为了获得稳定而独特的特性,自回归模型系数和功率谱密度。脑电图的共同特征的身份识别系统。
另一个场景是我高通EEG信号的数据。以前的特征选择算法主要采用统计方法和边界信息。文献[31日]提出了选择特征利用稀疏准则和演示了旋转不变性的常态。作者在32)提出一个广义函数法来解决助理结构稀疏。这种方法极大地提高了求解的效率结构稀疏问题,通过利用并行化。作者在33)利用全球结构和局部结构中数据的特征选择。它表明,这种方式可以提高识别效果监督或无监督模式识别大小。文献[34)表明,基于两部分边界识别性能结构和全球边界结构是令人鼓舞的。然而,部分结构的仿真参数需要手动设置。结果在35]表明,2:1基于结构稀疏的特征子集规范低冗余。
在脑电图特征选择,可以考虑高效的特征选择算法。一个可用的方法是结合多目标回归和图嵌入使用统一的优化模型。此法适用于脑电图特征选择,因为结构稀疏约束规范。该方法不同于其他方法和有两个优势:()它认为全球边界信息的特点和部分结构的脑电图特征数据在选择脑电图特征子集。因此,全球结构和部分结构可以有效地维护在脑电图特征选择。因此,特征匹配在脑电图可以有效地完成身份识别。()之间的相互交互数据特性的过程被认为是降低维度的脑电图特征。因此,减少避免贪婪造成的处理效率的方法。批处理方法可以引入脑电图特点,为了提高处理速度和降低时间复杂度。
4.3.3。脑电图特征选择
特征选择是选择一组区别特征子集从原始特征集合根据一些优化测量(s)。通常,脑电图数据multifeatures。特征选择的目的是找到最有效的功能从原来的脑电图的特性集。的特性在不同的分类也可以使用聚类方法聚合。例如,广泛研究脑电图特征数据,作者的36)考虑特征之间的相关性和响应之间的冗余功能。选择标准算法提出了基于相关性和冗余,它最大化之间的相关性和响应特征子集。
4.3.4。脑电图分类
分类器的设计是一个热门话题在脑电图数据处理和应用程序(37- - - - - -40]。传统脑电图分类器设计方法面临着挑战造成的高维度的脑电图数据集,因此分类结果可能大的偏差。小样本量的问题脑电图可能导致过度拟合现象,这限制了传统分类器的应用程序。为了解决这个问题,41)设计了一个无参数的稀疏表达分类器通过使用一个正则化方法。这个分类器有很好的鲁棒性和不需要手动设置稀疏参数。在脑电图收集不同的个体,研究人员可以设计有效的交叉验证方法根据不同的稀疏参数和选择最优参数模型来解决小样本问题。
作者的42)机密数据特性数据库的癫痫患者的大脑疾病。提出了一种分类方法来区分正常和异常脑电图(癫痫)。数据挖掘癫痫脑电图和复杂的信号处理是实现通过使用混乱等理论,最近的邻居,和系统的统计分析。结果表明,该方法可以正确地分类正常和异常脑电图数据的敏感性为81.29%,特异性为72.86%。如图5,K神经网络方法在测试点的训练数据查询。未知的测试点时将红色。在这种情况下,我们可以看到“训练”数据收集测试点。最佳测试点的位置可以迅速找到。此外,脑电图分类的性能也可以大大提高。
4.3.5。讨论
脑电图信号属于生物形态,这可能是受到多种因素的影响。仅是不够的准确率代表性能等指标。为了解决这些生物脑电图的问题,可以建立一个优化模型对脑电图的身份识别。在这个问题上的研究已经开发出几款。模型及其优化不仅可以为数据处理提供理论证据在脑电图的身份识别,也可以提供一个好的实用参考检测部门对活体进行身份识别。在脑电图分类方法的研究,高通技术使脑电图样本的收集变得容易。然而,在实际样品分析及应用、低相关和灵活性仍然存在于样本数据。原因在于两个方面。一方面,偏差的技术、硬件和软件减少疾病的可靠性数据,从而大大削弱了EEG数据的相关性。另一方面,生化实验通常是昂贵的, thus only a small number of samples are used for mark. This issue raises a higher requirement for EEG data selection. Consequently, it becomes a key issue to select typical EEG samples for sample label design. A mathematical model for EEG sample selection is proposed.
让表示脑电图的特征函数模型,表示样本数据集和分别表示样本和特征尺寸的数量;数学模型可以建立最初的问题如下: 在哪里,,,。是一个线性组合系数向量。优化模型(2)已经引入了松弛变量。的特点规范使向量和稀疏。否则,优化过程将失败。
表示在这个模型中,(2)是一个凸优化问题。另一个和迭代方法可以用来解决这个问题。然而,方法不能直接应用于特征降维的脑电图由于其较低的收敛速度。在这方面,为了提高原始模型的扩展能力,助理功能应该发现并进一步优化,以避免过度的梯度信息的计算。
5。结论和前景
随着EEG信号的独特性的理解增加,脑电图描记器应用于越来越多的领域。它不仅可以实现anticounterfeiting和生物测定也克服传统biometric-based身份识别的安全问题。在本文中,我们强调了以下观点。()关于脑电图处理,我们回顾了许多脑电图预处理技术和确定现有方法的局限性。我们还讨论了如何最大限度地保护脑电图特征时去除噪音如肌电图和小城镇。()关于特征选择和提取,报告脑电图的各种常见特征。我们还阐述了监督和非监督选择方法的优点在脑电图数据降维特性。()我们有强调的描述脑电图的各种分类器的设计。讨论了机器学习对脑电图的身份识别系统。总之,身份识别基于脑电图仍处于起步阶段,还有许多工作要做。虽然提出了各种算法,仍有重大改进的空间在这两种理论和实践,以满足人的性能和成本要求身份验证使用脑电图在不同州或从不同的设备。
相互竞争的利益
作者宣称没有利益冲突。
确认
这项工作是由美国国家科学基金会支持的中国(格兰特61572188),湖南省自然科学基金(批准2016 jj2058),中国博士后科学基金资助项目(140778年格兰特),湖南科技大学科研项目(E51697),湖南省级教育部门和科研基金(授予14 a047和10 c0689)。