一种基于脑电信号类多光谱图像序列的身份识别方法与流程

技术特征：
1.一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤一、建立训练集；训练集中包括多个脑电样本；脑电样本在被试根据运动想象指示进行动作想象时采集；步骤二、对脑电样本进行预处理；步骤三、对每个脑电样本进行样本划分，每段脑电数据作为一个数据单元；将每个数据单元均转化为多光谱图像的结构；每个样本均转换为包含多张三通道多光谱图片的拓扑序列；步骤四、对识别网络进行训练；识别网络包括特征提取网络、长短期记忆网络和三层全连接层；4-1.将拓扑序列中的各多光谱图片依次输入特征提取网络；特征提取网络包括密集层和过渡层；密集层的输入特征与输出特征在通道维度上进行堆叠后归一化输入对应的过渡层；在特征提取网络中，通道注意力机制利用最大池化和平均池化来构造多光谱图片的通道最大注意力向量和通道平均注意力向量，通过对注意力向量归一化后，与原始多光谱图片广播相乘，加权后的图像再相加，得到深层特征；4-2.长短期记忆网络对同一拓扑序列中各多光谱图片经过特征提取网络输出的深层特征提取时序上的融合特征；4-3.长短期记忆网络输出的时序融合特征输入到三层全连接层中，获得预测张量；步骤五、利用步骤四所得识别模型对进行指定运动想象的被测者进行识别，判断被测者身份。2.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤一的具体过程如下：设计由交替排列的n张测试图片和n张全黑色的过渡图片的测试流程；n≥2；n张测试图片分别对应n个不同运动想象指示；每个被试均测试测试多个运动想象周期。3.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤一中所述的脑电样本通过22通道的脑电帽采集得到。4.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤二中所述的预处理具体为利用matlab中的eeglab工具箱来去除脑电信号中的眼电噪声和肌电噪声以及工频干扰，并且利用带通滤波器获取特定频率范围的脑电信号。5.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤三中，每个动作想象对应的脑电数据均划分为六个时段的信号。6.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤三中，将数据单元均转化为多光谱图像的过程如下：利用pwelch函数计算每个数据单元的θ、α、β节律频带的信号功率，将每个数据单元的不同节律的平均功率视为图像的一个通道，结合双线性差值方法获得每个数据单元的多光谱图像。7.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤4.1中，密集层由7层卷积网络和2个最大池化层构成，两个最大池化层分别在第三层卷积网络和第五层卷积网络之后；其中，各卷积网络的卷积核大小均为3*3，填充行列均为1，两方向步长均为1；两个最大池化层的最大池化核大小均为2*2；所述的密集层1和密集层2之后均还包含了一个dropout层，其丢弃率为0.5。
8.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤4.1中，所述过渡层包括非线性激活函数relu和3
×
3最大池化层。9.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：步骤4-3中，在三层全连接层中，第一层全连接层后连接有激活函数relu，并且还有一个丢弃率为0.3的dropout层，第二层全连接层后，神经元的激活函数为tanh；第三层全连接层用于输出预测张量。10.根据权利要求1所述的一种基于脑电信号类多光谱图像序列的身份识别方法，其特征在于：在步骤四的模型训练过程中，使用交叉熵损失函数计算训练损失，使用adam优化器优化模型。

技术总结
本发明公开一种基于脑电信号类多光谱图像序列的身份识别方法，包括以下步骤：设计一个基于运动想象的脑电信号采集实验方案，其中，使用测试图片中不同方向的箭头来诱发对应的运动想象脑电信号。利用带通滤波器来消除原始脑电信号中的眼电伪迹和工频干扰，再利用加窗平均法来得到每一时刻指定节律的平均功率，再结合脑电极的二维分布来生多光谱图像序列，将得到的图像序列视作样本批量送入深度学习模型进行身份识别。本发明选取了运动想象脑电信号进行身份识别，提高了可行性。本发明使用脑电信号构造多光谱图像序列作为样本，充分利用脑电信号的时频域特征和空域特征，同时利用深度学习模型学习各个特征的内在联系，使得模型性能提升和更加鲁棒。型性能提升和更加鲁棒。型性能提升和更加鲁棒。


技术研发人员：孔万增 刘国文 刘栋军 郭继伟 崔岂铨
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.11.02
技术公布日：2022/3/3