一种基于脑电相位同步的身份识别方法

摘要

本发明涉及一种基于脑电相位同步的身份识别方法。本发明主要采用相位锁定值来计算脑电信号的相位同步特征，并通过线性判别分析来实现不同个体的识别。本发明包括数据采集、数据预处理、滤波、相位同步特征计算、特征向量降维、特征向量分类以及分类准确率计算。分类结果表明：采用脑电信号的相位同步作为生物识别特征，得到了较好的分类结果，能够有效识别不同个体的身份。与传统的生物识别特征相比，基于脑电信号的相位同步特征更加安全和隐蔽，且能够应用于某些身体残疾或受伤的人群。

主权项

1.一种基于脑电相位同步的身份识别方法，其特征在于该方法包括以下步骤：步骤1、脑电信号采集：使用多通道脑电采集设备采集实验过程中被试者的脑电信号，完成被试者信息录入和脑电数据采集；步骤2、数据预处理：对原始脑电信号进行数据预处理，包括带通滤波和去平均参考；步骤3、滤波：创建滤波器，将预处理后的脑电信号滤波到计算相位同步特征所需的频段；步骤4、相位同步特征计算：采用相位锁定值PLV来计算两个通道之间的相位关系，具体的相位锁定值PLV计算公式如下：PLV＝|<exp(j{Φ_x(t)-Φ_y(t)})>|其中Φ_x(t)和Φ_y(t)分别为脑电信号x(t)和y(t)的瞬时相位；采用希尔伯特变换来计算信号的相位值，信号x(t)的希尔伯特变换定义如下：$\tilde{x}\left(t\right)=\frac{1}{\pi }P{\int }_{-\infty }^{+\infty }\frac{x\left(\tau \right)}{t-\tau }\mathrm{d\tau }$公式中的P为柯西主值；由此可以定义x(t)的解析信号为：$Z_x\left(t\right)=x\left(t\right)+j\tilde{x}\left(t\right)=A_x\left(t\right)e^{{\mathrm{j\Phi }}_x\left(t\right)}$其中A_x(t)和Φ_x(t)分别为信号x(t)的瞬时振幅以及瞬时相位；同样地，可以定义信号y(t)的解析信号，并计算瞬时相位Φ_y(t)；采用合适的时间窗口来计算特定频段的PLV值；假设每个实验阶段存在N个不重叠的时间片段，这N个片段的PLV均值计算如下：$\mathrm{PLVavg}=\frac{1}{N}|\underset{n=1}{\overset{N}{\Sigma }}<\exp \left(\mathrm{j\Delta \Phi }\right)>|$其中ΔΦ为信号x(t)和y(t)的瞬时相位差；设选定的脑电通道数为M，利用两两通道构建不同的通道对，计算所有通道对在某一实验阶段的PLV均值，并放置为一个M×M的上三角矩阵A$A=\left[\begin{array}{ccccc}0& a_{12}& a_{13}& ...& a_{1M}\\ 0& 0& a_{23}& ...& a_{2M}\\ ·& ·& ·& & ·\\ ·& ·& ·& & ·\\ ·& ·& ·& & ·\\ 0& 0& 0& ...& a_{(M-1)M}\\ 0& 0& 0& 0& 0\end{array}\right]$该矩阵不仅包含了不同脑电通道两两之间的相位关系，还包含了脑电通道的空间信息；接下来，将上三角矩阵除零值以外的数据拉直为一个列向量B，作为身份识别的相位同步特征，B＝[a₁₂,...,a_1M,a₂₃,...,a_(M-1)M]^T；最后，用同样的方法计算所有实验阶段的相位同步特征向量；步骤5、分类：在利用上述过程计算的相位同步特征向量进行身份识别之前，首先对特征向量进行降维；采用主成分分析PCA来减少特征向量的维度；假设特征向量的原始数据集为z，则z的协方差矩阵R＝E(zz^T)；计算矩阵R特征向量的正交矩阵V和特征值的对角矩阵D，D＝diag(d₁,d₂,...,d_n)；则主成分的计算公式如下：y＝V^Tz^T；选取特征值超过一定阈值的主成分对相位同步特征向量进行重建，具体公式如下：$\tilde{z}=\hat{V}\hat{y}$其中分别对应选取的主成分以及它们的特征向量；然后，采用线性判别分析LDA对降维后的相位同步特征向量进行分类；从每个被试的相位同步特征中随机选取一定数量已知类别的特征向量作为训练样本，剩下的特征向量作为测试样本；通过训练样本的训练可以得到分类所需的判别函数：$F=\underset{i=1}{\overset{D}{\Sigma }}{x}_i{w}_i+a$其中{x_i|i＝1,2,...,D}为相位同步特征向量，D为特征向量的维度；参数wi和a的计算准则为：使不同类别间的距离最大，类别内的距离最小，即使不同的类别尽可能的分开；假设X＝{x₁,x₂,...,x_M}为给定D维训练样本的数据集，数据集中的每个特征向量分别对应类别{X₁,...,X_c,...,X_C}中的一个类别，则类间离散度矩阵S_b和类内离散度矩阵S_w分别为：$S_b=\underset{c=1}{\overset{C}{\Sigma }}{M}_c(m_c-m){(m_c-m)}^T$$S_w=\underset{c=1}{\overset{C}{\Sigma }}\underset{x\in X_c}{\Sigma }(x-m_c){(x-m_c)}^T$其中M_c为类别X_c的向量数量，m_c为类均值向量，m为所有样本的整体均值；计算矩阵W使类间离散度矩阵和类内离散度矩阵的比值最大：$W_{\mathrm{opt}}=\arg \underset{w}{\max }\frac{\left|W^T{S}_{b}W\right|}{\left|W^T{S}_{w}W\right|}=[w_1,w_2,...,w_N]$即可求得所需的判别函数；利用这些训练样本所得到的判别函数对未知类别的测试样本进行分类，就可以实现对不同个体的身份识别。