一种面向网络环境的脑电信号身份识别系统及识别方法[0002]社会的信息化和网络化进程对身份识别技术提出了新的要求。近年来发生的多起针对网络身份数据库的攻击，对用户的隐私、企业的权益乃至社会的稳定造成了严重的影响。因此，新的身份识别技术不仅要满足安全可靠的基本要求，更需要适应网络环境。目前常见的身份识别技术可分为三类:基于密码、口令等特定知识的身份识别技术、基于身份证、护照等特定持有物的身份识别技术和基于指纹、虹膜等生物性状的身份识别技术。前两者较为常见，技术也相对成熟，但较易被外界非法窃取信息、恶意盗用。基于生物性状的身份识别技术以其较高的特异性和安全性成为近年来的研究热点，例如指纹识别技术广泛应用于全国各地驾校训练时间的测量、脸相识别技术用于电脑开机用户识别等。生物性状识别技术具有不易被盗、可用性强、更加安全方便等特点。理论上，人的任意生理或行为特征在满足以下条件的基础上均可用于身份识别:1)可用性，易于采集和测量；2)普遍性，每个人均具备；3)唯一性，每个人的特征不同；4)稳定性，不随时间地点的变化而变化。虽然通过使用新型电学、光学、声学生物传感器结合计算机科学、统计学等手段，基于生物性状的身份识别技术的可靠性和实用性逐步提高，但基于指纹、脸相等传统生物性状的身份识别技术依然存在无法解决的问题，例如:脸相识别无法区别长相相似的双胞胎且易受环境光照等影响；指纹识别易受手指受伤的影响，且指纹样本容易被恶意窃取；声音识别可以通过计算机声音处理技术仿制波形等。[0003] 脑电(Electroencephalograph, EEG)信号身份识别是一种新的基于生物性状的身份识别技术。脑电身份识别通过测量、提取、比对不同个体脑电信号的特征信息区分不同个体。与基于其他生物性状的身份识别技术相比，脑电信号身份识别由于人类思维认知信号的特异性和隐蔽性，更难被破解和盗用，且已开始在安防领域尝试应用。Poulos等最先系统描述了脑电信号身份识别机制。Huang等使用64通道医学脑电测量设备和复杂的脑电测量任务达到了 100%的识别准确率，验证了脑电信号身份识别的理论可行性。Matthias等削减脑电采集通道数，使用自制的简单测量设备完成身份认证与识别过程。Marcel等对脑电测量的任务进行了简化。随着可穿戴测量计算技术的发展，以身体为物理支撑、通过头带、头蓝、耳机等支撑物穿戴在被测个体身上的脑电测量成为研究热点。Corey等和Chuang等开始尝试使用消费级无线通信的可穿戴脑电测量头盔实现针对安防领域的身份识别认证。实际应用背景和技术发展趋势要求脑电身份识别不再使用传统的大型湿电极脑电测量设备，而是在实现可穿戴脑电测量系统结构的同时，简化脑电测量任务，并采用高可靠的特征提取、模式识别算法保证识别精度。在已有的可穿戴脑电身份识别研究中采用的脑电测量任务的形式复杂、耗时长，无法满足网络环境下脑电识别的如下需求:1)可靠性:可靠性是身份识别机制的基础，包括前端测量系统识别精度、无线网络传输安全性以及后端数据处理及远程控制的鲁棒性；2)实时性:需要在确保精度的情况下采用稀疏测量等方法削减数据量，缩短脑电测量任务耗时；3)可穿戴:脑电身份识别过程需要设计可穿戴、便携式、无线通信的硬件架构，以适应不同网络测量环境，优化脑电身份识别方案的实用性；4)稀疏和低开销:网络脑电身份认证需要结合网络环境，减少不必要的测量环节和硬件设备，降低时间、能量以及制作成本的开销。[0004] 为满足以上网络脑电身份认证的需求，需重新设计稀疏可穿戴脑电测量软硬件系统、精简脑电测量任务，更需配套改进现有特征提取模式识别方法。支持向量机(SupportVector Machine, SVM)是一种基于统计学习理论的机器学习方法,适于针对小样本、非线性和高维特征向量的模式识别。可穿戴脑电测量设备获取的脑电信号样本容量有限，且提取的特征向量维度高，所以目前主要采取支持向量机分类算法完成脑电身份识别任务。但是，稀疏脑电数据测量数据量少、极易受外界噪声影响等特点、网络不稳定的数据传输环境以及支持向量机本身对输入训练样本噪声的敏感性，使得传统的支持向量机方法也无法适应网络环境下脑电数据分类的需要。
[0005]针对上述问题，本发明的目的是提供一种可靠、实时的基于可穿戴脑电测量装置的面向网络环境的脑电信号身份识别系统及识别方法。[0006]为实现上述目的，本发明采取以下技术方案:一种面向网络环境的脑电信号身份识别系统，其特征在于:它包括若干可穿戴的脑电测量装置、一个以上移动网络终端和一脑电数据处理装置；所述可穿戴的脑电测量装置将测量到的被测个体的脑电信号处理成脑电数据后传输至所述移动网络终端，所述移动网络终端对接收到的脑电数据进行存储，并将存储的脑电数据传输至所述脑电数据处理装置，所述脑电数据处理装置对接收到的网络脑电数据进行处理后输出识别结果，并将识别结果传输至所述移动网络终端进行显示。[0007]所述可穿戴的脑电测量装置包括若干脑电测量干电极、一放大滤波模块、一模数转换模块和一蓝牙串口模块；若干所述脑电测量干电极通过导线将测量到的脑电模拟信号传输至所述放大滤波模块，经放大滤波后的脑电模拟信号传输至所述模数转换模块，并转换为待传输的脑电数字信号，脑电数字信号经所述蓝牙串口模块传输至所述移动网络终端。
[0008]所述移动网络终端包括蓝牙接收模块、数据存储模块、无线网卡和显示模块；所述蓝牙接收模块将接收到的脑电数字信号传输至所述数据存储模块进行存储，所述数据存储模块存储的脑电数据通过所述无线网卡传输至所述脑电数据处理装置，所述脑电数据处理装置对接收到的脑电数据进行处理后，将识别结果通过所述无线网卡传输至显示模块进行显不O
[0009]所述移动网络终端采用手机、平板电脑和笔记本电脑中的一种。
[0010]所述脑电数据处理装置包括高速网卡、数据分段与特征提取模块、信誉计算模块和身份识别模块；所述移动网络终端发送的脑电数据通过所述高速网卡传输至所述数据分段与特征提取模块，所述数据分段与特征提取模块对接收到的脑电数据进行分段处理并提取脑电特征信息后，得到脑电特征向量训练样本并传输至所述信誉计算模块，所述信誉计算模块对接收到的脑电特征样本进行信誉值评估，筛选出可靠的脑电特征样本，所述信誉计算模块将筛选出的可靠脑电特征样本及其信誉值传输至所述身份识别模块，所述身份识别模块对被测个体的身份进行识别并输出识别结果，识别结果通过所述高速网卡传输至所述移动网络终端进行显示。
[0011]一种采用身份识别系统的面向网络环境的脑电信号身份识别方法，其包括以下步骤:1)设置一包括若干可穿戴的脑电测量装置、一个以上移动网络终端和一脑电数据处理装置的面向网络环境的脑电信号身份识别系统；其中，可穿戴的脑电测量装置包括脑电测量干电极、放大滤波模块、模数转换模块和蓝牙串口模块；移动网络终端包括蓝牙接收模块、数据存储模块、无线网卡和显示模块；脑电数据处理装置包括高速网卡、数据分段与特征提取模块、信誉计算模块和身份识别模块；2)使用脑电测量干电极对被测个体的脑电信号进行感知测量，测量到的脑电模拟信号经放大滤波模块和模数转换模块处理后输出脑电数字信号，脑电数字信号通过蓝牙串口模块传输至移动网络终端；3)在移动网络终端中，蓝牙接收模块将接收到的脑电数字信号传输至数据存储模块，数据存储模块将存储的脑电数据通过无线网卡传输至脑电数据处理装置；4)脑电数据处理装置对接收到的脑电信号进行处理，完成对被测个体的身份识别并输出识别结果，其具体包括以下步骤:(I)数据分段与特征提取模块对通过高速网卡接收到的网络脑电数据进行分段处理并提取脑电特征信息后，将得到的脑电特征向量训练样本集传输至信誉计算模块；(2)在信誉计算模块中，计算接收到的脑电特征向量训练样本集中各样本的信誉值，并设置信誉阈值，对脑电特征向量训练样本进行筛选，并将经过筛选的脑电特征向量训练样本及其信誉值传输至身份识别模块；(3)根据接收到的经过筛选的脑电特征向量训练样本及其信誉值，身份识别模块确定模糊支持向量机的输入样本和隶属度参数，完成对被测个体的身份识别并输出识别结果；5)身份识别模块输出的身份识别结果通过高速网卡反馈给移动网络终端进行显示。
[0012]所述步骤4)中，数据分段与特征提取模块对接收到的网络脑电数据进行分段处理并提取脑电特征信息，其具体包括以下步骤:(I )预设数据分段与特征提取模块接收到
的第is个被测个体的网络脑电数据&为:
[0013],e2,is，,"，eN￡.1s ’
[0014]式中，Ne为被测个体脑电波原始幅值序列的数据长度，is = 1,2,...Ns, Ns为被测个体的个数；(II )数据分段与特征提取模块将第is个被测个体的网络脑电数据&等分为
Ni段，在各等分脑电数据段中随机选取开始点，对网络脑电数据￡；进行不等分分段，获得Nd
个不等分脑电数据段，分段过程中需要满足以下原则:第一个不等分脑电数据段的首端和最后一个不等分脑电数据段的末端分别与数据长度为凡的脑电波原始幅值序列的首端和末端相同；各不等分脑电数据段的长度大于等分脑电数据段的长度，且不超出脑电波原始幅值序列的首末端；(III)分别对Ns个被测个体不等分分段后的Nd个脑电数据段进行特征提取，初步构建脑电特征向量训练样本集: