一种基于稳态视觉诱发电位的脑电身份识别方法及装置与流程

1.本说明书涉及脑电信号技术领域，尤其涉及一种基于稳态视觉诱发电位的脑电身份识别方法及装置。


背景技术：

2.随着科学技术的发展，信息安全被更加重视，身份识别则是其中的一个关键问题。早期的身份识别主要基于钥匙和密码等载体进行。科技的发展促进了生物特征的获取，在此基础上，多种生物识别技术被发明和应用。目前常用于身份识别的生物标志物有人脸、声音、虹膜等。这些生物标志物在一定程度上提高了安全性能，但是仍然存在一些缺点，例如容易被模仿和胁迫。
3.研究表明，人脑结构存在差异，同一脑功能对应的大脑活动也有很大差异。因此，脑电图(electroencephalography, eeg) 形式的脑纹被认为是一种新型的生物识别技术，可以根据个体独特的神经反应准确识别个体。而且脑电信号来自活体，使其在抵抗欺骗、攻击和胁迫方面更具优势。而现有的脑电身份识别技术往往需要耗费较长的时间进行用户验证或识别，不能很好地适应实际应用需求。


技术实现要素：

4.本说明书提供一种基于稳态视觉诱发电位的脑电身份识别方法及装置，以部分的解决现有技术存在的上述问题。
5.本说明书采用下述技术方案：本说明书提供了一种基于稳态视觉诱发电位的脑电身份识别方法，包括：通过刺激界面向用户呈现稳态视觉诱发电位（steady-state visual evoked potentials, ssvep）范式的节律性视觉刺激，以采集得到用户在接收所述节律性视觉刺激时的脑电信号eeg数据；对所述eeg数据进行预处理，得到预处理后的eeg数据；将所述预处理后的eeg数据按照位点等效重建方法进行信号重建，得到所述eeg数据中各谐波对应的重建信号，其中，所述各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关；根据所述eeg数据中各谐波对应的重建信号，计算所述用户对应的空频能量特征；根据所述用户对应的空频能量特征，对所述用户进行身份识别。
6.可选地，根据所述用户对应的空频能量特征，对所述用户进行身份识别，具体包括：将所述空频能量特征输入到预先训练的身份识别模型中，以对所述用户进行身份识别。
7.可选地，所述预处理包括：对所述eeg数据进行滤波去噪、降采样、筛选出预设导联的脑电信号数据以及筛选出预设时间窗下的数据中的至少一种，其中，一个导联用于表示
采集所述用户的eeg数据在大脑上安放的采集点位。
8.可选地，将所述预处理后的eeg数据按照位点等效重建方法进行信号重建，得到所述eeg数据中各谐波对应的重建信号，具体包括：针对所述eeg数据中每个待提取的谐波，根据该谐波所对应的阶数，确定出用于提取该谐波的滤波频带，并按照所述滤波频带，使用带通滤波器对所述eeg数据进行带通滤波，得到滤波后的数据，其中，所述滤波频带中包括所述谐波所对应的频率；将所述滤波后的数据按照该谐波所对应的频率，进行周期划分；针对每一轮次，在该轮次，将所述滤波后的数据中不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据，并将所述交换后的信号数据重新按照所述滤波频带，使用带通滤波器进行滤波，得到该轮次中生成的信号；将各轮次中生成的信号进行平均，得到提取出的所述阶数的谐波的重建信号。
9.可选地，所述滤波频带为，其中，n为所述阶数，为所述节律性视觉刺激的频率。
10.可选地，针对每一轮次，在该轮次，将不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据之前，所述方法还包括：确定出按照该谐波所对应的频率进行周期划分后所述eeg数据的周期数量；确定每个周期内的采样点数量，以按照预设的采样频率确定出每个周期内的信号采样点，并根据所述每个周期内的采样点数量，确定每个信号采样点在该信号采样点所在周期的位置。
11.可选地，根据所述eeg数据中各谐波对应的重建信号，计算所述用户对应的空频能量特征，具体包括：根据所述eeg数据中各谐波对应的重建信号，计算所述eeg数据中各导联的脑电信号数据在每个谐波下对应的信号能量，按照以下公式计算：,其中表示导联序号，表示第个导联的第个采样点，为第个导联对应的信号能量；将所述eeg数据中各导联的脑电信号数据在每个谐波下对应的信号能量，按照预设的谐波阶数顺序和导联顺序进行排列，得到所述空频能量特征。
12.可选地，训练所述身份识别模型，具体包括：获取训练样本，所述训练样本包括样本脑电数据以及所述样本脑电数据对应用户的用户标识，所述样本脑电数据是在所述样本脑电数据对应用户接收所述节律性视觉刺激时采集到的脑电信号eeg数据；将所述样本脑电数据进行预处理，得到预处理后的样本脑电数据；将所述预处理后的样本脑电数据按照位点等效重建方法进行信号重建，得到所述样本脑电数据中各谐波对应的重建信号；根据所述样本脑电数据中各谐波对应的重建信号，计算所述样本脑电数据对应的空频能量特征；将所述空频能量特征输入到身份识别模型中，得到身份识别模型输出的预测信
息；以最小化所述预测信息与所述用户标识之间的差异为训练目标，对身份识别模型进行训练。
13.本说明书提供一种基于稳态视觉诱发电位的脑电身份识别装置，包括：采集模块，用于通过刺激界面向用户呈现稳态视觉诱发电位ssvep范式的节律性视觉刺激，以采集得到用户在接收所述节律性视觉刺激时的脑电信号eeg数据；预处理模块，用于对所述eeg数据进行预处理，得到预处理后的eeg数据；重建模块，用于将所述预处理后的eeg数据按照位点等效重建方法进行信号重建，得到所述eeg数据中各谐波对应的重建信号，其中所述各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关；特征提取模块，用于根据所述eeg数据中各谐波对应的重建信号，计算所述用户对应的空频能量特征；识别模块，用于根据所述用户对应的空频能量特征，对所述用户进行身份识别。
14.可选地，所述识别模块具体用于，将所述空频能量特征输入到预先训练的身份识别模型中，以对所述用户进行身份识别。
15.可选地，所述预处理模块具体用于，所述预处理包括：对所述eeg数据进行滤波去噪、降采样、筛选出预设导联的脑电信号数据以及筛选出预设时间窗下的数据中的至少一种，其中，一个导联用于表示采集所述用户的eeg数据在大脑上安放的采集点位。
16.可选地，所述重建模块具体用于，针对所述eeg数据中每个待提取的谐波，根据该谐波所对应的阶数，确定出用于提取该谐波的滤波频带，并按照所述滤波频带，使用带通滤波器对所述eeg数据进行带通滤波，得到滤波后的数据，其中，所述滤波频带中包括所述谐波所对应的频率；将所述滤波后的数据按照该谐波所对应的频率，进行周期划分；针对每一轮次，在该轮次，将所述滤波后的数据中不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据，并将所述交换后的信号数据重新按照所述滤波频带，使用带通滤波器进行滤波，得到该轮次中生成的信号；将各轮次中生成的信号进行平均，得到提取出的所述阶数的谐波的重建信号。
17.可选地，所述滤波频带为，其中，n为所述阶数，为所述节律性视觉刺激的频率。
18.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于稳态视觉诱发电位的脑电身份识别方法。
19.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于稳态视觉诱发电位的脑电身份识别方法。
20.本说明书采用的上述至少一个技术方案能够达到以下有益效果：从上述基于稳态视觉诱发电位的脑电身份识别方法中可以看出，通过刺激界面向用户呈现稳态视觉诱发电位ssvep范式的节律性视觉刺激，以采集得到用户在接收所述节律性视觉刺激时的脑电信号eeg数据，对eeg数据进行预处理，得到预处理后的eeg数据，进而，将预处理后的eeg数据按照位点等效重建方法进行信号重建，得到eeg数据中各谐波对应的重建信号，其中，各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关。根
据eeg数据中各谐波对应的重建信号，计算用户对应的空频能量特征，根据用户对应的空频能量特征，对用户进行身份识别。
21.从上述内容中可以看出，本说明书提供的一种基于稳态视觉诱发电位的脑电身份识别方法，通过检测用户在接收ssvep范式的节律性视觉刺激，从而可以提取出比较稳定的脑纹特征进行身份识别，单次识别只需几秒时间就可以完成，并且，本方法通过位点等效重建方法，能够提取出eeg数据中不同谐波成分的重建信号，基于不同谐波成分的重建信号来计算出表征用户eeg数据的空频能量特征，从而能够更加准确通过eeg数据来对用户进行身份识别。
附图说明
22.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：图1为本说明书提供的一种基于稳态视觉诱发电位的脑电身份识别方法的流程示意图；图2为本说明书中提供的一种位点等效重建方法的流程示意图；图3为本说明书提供的两个被试的空频能量特征示意图；图4为本说明书中提供的一种基于稳态视觉诱发电位的脑电身份识别装置的结构示意图；图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
23.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
24.以下结合附图，详细说明本说明书各实施例提供的技术方案。
25.在本说明书的实施例中，可以采集用户在接收节律性视觉刺激时的脑电信号数据，并对脑电信号数据进行一系列的预处理，以及提取出某些阶数谐波，来计算出脑电信号数据的特征，从而基于计算出的脑电信号数据的特征，识别出用户的身份，下面通过图1，逐步介绍本说明书中的基于稳态视觉诱发电位的脑电身份识别方法。
26.图1为本说明书提供的一种基于稳态视觉诱发电位的脑电身份识别方法的流程示意图，具体包括以下步骤：s100：通过刺激界面向用户呈现稳态视觉诱发电位ssvep范式的节律性视觉刺激，以采集得到用户在接收所述节律性视觉刺激时的脑电信号eeg数据。
27.s102：对所述eeg数据进行预处理，得到预处理后的eeg数据。
28.在实际应用中，在身份识别的场景中，可以采集用户的脑电信号（electroencephalogram,eeg）数据，即eeg数据，来对用户进行身份识别，例如，在保险箱的身份验证场景中，可以在保险箱处设置采集用户eeg数据的装置，然后通过用户的eeg数据，
来对用户进行身份识别，以验证用户是否可以开启保险箱。
29.本说明书中提供的基于稳态视觉诱发电位的脑电身份识别方法，可以用于通过用户的eeg数据进行身份识别的各种场景中。
30.在本说明书中的一种实施例中，服务器可以通过刺激界面向用户呈现稳态视觉诱发电位（steady-state visual evoked potentials，ssvep）范式的节律性视觉刺激，已采集得到用户在接收所述节律性视觉刺激时的脑电信号eeg数据，并对该eeg数据进行预处理，得到预处理后的eeg数据，这里提到的预处理方式可以包括对eeg数据进行滤波去噪、降采样、筛选出预设导联的脑电信号数据以及筛选出预设时间窗下的数据等。
31.这里提到的刺激界面可以是电脑界面等电子设备的界面，通过该刺激界面展示节律性视觉刺激的画面。筛选出预设导联的脑电信号数据可以是指与节律性视觉刺激相关的导联的脑电信号数据。筛选出预设时间窗下的数据可以是指筛选出较为准确的该节律性视觉刺激产生的时间阶段的脑电信号数据。
32.为了便于描述，上述内容中将执行一种基于稳态视觉诱发电位的脑电身份识别方法的执行主体作为服务器来描述，在此不对执行该方法的执行主体进行限定，服务器、台式电脑和大型的服务平台均可。
33.s104：将所述预处理后的eeg数据按照位点等效重建方法进行信号重建，得到所述eeg数据中各谐波对应的重建信号，其中所述各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关。
34.对eeg数据进行预处理，得到预处理后的数据后，可以将该预处理后的数据按照位点等效重建方法（point-position equivalent reconstruction, pper）进行信号重建，以得到该eeg数据中各谐波对应的重建信号，其中，各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关。
35.也就是说，可以按照pper方法对该eeg数据中每个不同的谐波成分进行信号重建（或称提取），从而得到每个谐波对应的重建信号，例如，可以通过pper方法确定出eeg数据中1~k阶的谐波。
36.其中，对于eeg数据中的一种谐波来说。pper方法是基于同一谐波中的同相位采样点的物理意义是等效的，即，同一谐波中同相位采样点的幅值是相同的，来按照这一原理来提取出每个谐波。
37.下面是一种位点等效重建方法的具体示例，具体步骤如图2所示。
38.图2为本说明书中提供的一种位点等效重建方法的流程示意图，具体包括以下步骤：s200：针对所述eeg数据中每个待提取的谐波，根据该谐波所对应的阶数，确定出用于提取该谐波的滤波频带，并按照所述滤波频带，使用带通滤波器对所述eeg数据进行带通滤波，得到滤波后的数据，其中，所述滤波频带中包括所述谐波所对应的频率。
39.s202：将所述滤波后的数据按照该谐波所对应的频率，进行周期划分。
40.s204：针对每一轮次，在该轮次，将所述滤波后的数据中不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据，并将所述交换后的信号数据重新按照所述滤波频带，使用带通滤波器进行滤波，得到该轮次中生成的信号。
41.s206：将各轮次中生成的信号进行平均，得到提取出的所述阶数的谐波的重建信
号。
42.从上述步骤中可以看出，在位点等效重建方法中，可以针对eeg数据中每个待提取的谐波，确定该谐波所对应的阶数。而后，根据该谐波所对应的阶数，确定出滤波频带，并按照该滤波频带，使用带通滤波器对eeg数据进行带通滤波，得到滤波后的数据，其中，所述滤波频带中包括该谐波所对应的频率。
43.假设上述ssvep的节律性视觉刺激试验的视觉刺激频率为8hz，所需提取出的谐波的阶数为2阶，则该谐波的频率为16hz，上述滤波频带可以为包含频率16hz的频带。例如，所需提取出的谐波为16hz，那么滤波频带可以为[11hz~21hz]，从而带通滤波出eeg中[11hz~21hz]的数据。后续需要从[11hz~21hz]的数据中，对16hz的谐波进行重建。
[0044]
其中，上述滤波频带可以为，其中，n为谐波的阶数，为节律性视觉刺激的频率。当然，滤波频带可以自行进行设置，使滤波频带包含谐波的频率。
[0045]
而后，可以将滤波后的数据按照该谐波所对应的频率，进行周期划分。
[0046]
针对每一轮次，在该轮次中将不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据，并将所述交换后的信号数据重新按照上述滤波频带，使用带通滤波器进行滤波，得到该轮次中生成的信号，最后，可以将各轮次中生成的信号进行平均，得到提取出的谐波。这里提到的位置是指信号采样点在其所处周期上的位置。
[0047]
也就是说，需要将滤波后的数据划分出与所需提取出的谐波频率一致的周期，那么，在不同的周期内，信号的走向大致相同的即是所需提取出的谐波，因此，需要过滤掉滤波频带中其余频率下的信号。上述做法是按照所需提取出的谐波的频率在原始脑电信号数据上划分周期，然后将不同周期上的信号采样点进行交换，从而使得尽量将不需要的频率成分下的信号打乱变为白噪声。
[0048]
在划分周期时，第个周期的近似起始点为：，需要确定出每个周期中所包含的采样点数量为：，并计算eeg数据中包含的周期数量：，之后确定每个信号采样点在所在周期中的位置。其中，为原信号采样点数量。表示采样频率，n为谐波的阶数。
[0049]
其中，确定周期内的采样点数量是为了在一个周期内取得该采样点数量的信号采样点，使得不同周期内的信号采样点的数量固定，从而便于将不同周期内的信号采样点进行交换。计算eeg数据包含的周期数量用于划分周期，周期内的采样点数量是用于确定每个周期中信号采样点在所在周期中的位置，便于在后续中将不同周期内的信号采样点进行交换。
[0050]
因此，划分出周期后可以将不同周期内处于相同位置的信号采样点进行随机交换，其余采样点的位置不变，这样的目的是将除了所需要的谐波的频率的信号留下，将其余频率成分的信号变为白噪声，再通过原有的带通滤波器进行滤波，尽量得到仅包含有这个谐波的信号，但是，这样一次确定出的信号，包含的白噪声较多。
[0051]
因此，可以通过多轮的随机交换，确定出每一轮中通过带通滤波器滤波出的信号，作为该轮次中生成的信号，而后，将各轮中生成的信号叠加平均，从而得到提取出的这个谐
波。
[0052]
s106：根据所述eeg数据中各谐波对应的重建信号，计算所述用户对应的空频能量特征。
[0053]
s108：根据所述用户对应的空频能量特征，对所述用户进行身份识别。
[0054]
确定出eeg数据中各谐波对应的重建信号后，可以根据每个谐波的重建信号，计算出该用户对应的空频能量特征，并根据该用户对应的空频能量特征，对该用户进行身份识别。
[0055]
其中，可以根据eeg数据中各谐波对应的重建信号，计算出eeg数据中各导联的脑电信号数据在每个谐波下对应的信号能量，进而，将eeg数据中各导联的脑电信号数据在每个谐波下对应的信号能量，按照预设的谐波阶数顺序和导联顺序进行排列，从而得到该空频能量特征。
[0056]
上述提到的导联可以是指采集用户的eeg数据的采集装置在用户的大脑上设置的采集点位，一个采集点位为一个导联，上述提到的信号能量可以是指，将每个导联对应的脑电信号数据下所提取出的各谐波相应的能量值，按照一定顺序进行排序，得到一个特征向量，作为该空频能量特征，而后，可以根据该空频能量特征，来对该用户进行身份识别。
[0057]
具体的，可以通过预先训练的身份识别模型，来对用户进行身份识别。
[0058]
例如，在对一个需要验证的用户进行身份验证的场景中，可以通过在该身份识别模型中输入空频能量特征来识别出该用户的用户标识，进而根据识别结果和预设的阈值进行比较来确定是否使该用户通过验证。
[0059]
需要说明的是，需要预先通过有监督的训练方式对该身份识别模型进行训练，在训练过程中，需要获取训练样本，训练样本中包括样本脑电数据以及样本脑电数据对应用户的用户标识，样本脑电数据是在样本脑电数据对应用户接收上述ssvep范式的节律性视觉刺激时所采集到的脑电信号eeg数据。
[0060]
而后，可以将样本脑电数据进行预处理，得到预处理后的样本脑电数据，并将预处理后的样本脑电数据按照上述位点等效重建方法进行信号重建，得到样本脑电数据中各谐波对应的重建信号，进而根据样本脑电数据中各谐波对应的重建信号，计算该样本脑电数据对应的空频能量特征。
[0061]
可以将空频能量特征输入到身份识别模型中，得到身份识别模型输出的预测信息，并以最小化该预测信息与该样本脑电数据对应的用户的用户标识之间的差异为训练目标，对身份识别模型进行训练。预测信息可以是身份识别模型预测出的该样本脑电数据所需用户的用户标识。
[0062]
在对用户通过eeg数据进行身份识别时，身份识别模型可以对用户输出身份识别结果，该身份识别结果可以表示该用户是否为身份库中的用户，并输出“可以访问”或“拒绝访问”等指令，身份库可以是指在身份识别场景中用户预先录入了eeg数据以及对应用户标识的身份库。
[0063]
从上述内容中可以看出，本说明书提供的实施例中，可以通过检测用户在接收ssvep范式的节律性视觉刺激，从而可以提取出比较稳定的脑纹特征进行身份识别，单次识别只需几秒时间就可以完成。并且，本方法通过位点等效重建方法，能够提取出eeg数据中不同谐波成分的重建信号，基于不同谐波成分的重建信号来计算出表征用户eeg数据的空
频能量特征，从而能够更加准确通过eeg数据来对用户进行身份识别。
[0064]
并且，模型训练和通过模型识别时可以采用不同频率的刺激所得到的脑电信号数据，使得对测试脑纹的预判更加困难，提高了安全性能。这两点增加了身份识别系统的交互友好性，可以促进该技术向应用成果转化。
[0065]
示例性地，本说明书还提供了两个被试的空频能量特征，如图3所示。
[0066]
图3为本说明书提供的两个被试的空频能量特征示意图。
[0067]
图3中的a 和图3中的b分别表示被试a和被试b针对在40个刺激目标的 5s 时间窗内的ssvep的空频能量特征，从左至右的5个子图分别代表了基频、二次、三次、四次、五次谐波，颜色灰度值表示当前通道在所选通道中的能量占比。结果表明对单个被试（被试者）来说不同刺激目标的所诱发响应的空间分布是相对一致的。无论激励频率如何，一个主体的空间频率能量分布在相同的谐波次序中是相似的。但是，在同一个谐波次序中，每个主体的能量分布是不同的。表明ssvep的空频能量特征可以用来做身份识别。
[0068]
基于上述基于稳态视觉诱发电位的脑电身份识别方法，本说明书还提供一种基于稳态视觉诱发电位的脑电身份识别装置，如图4所示。
[0069]
采集模块401，用于通过刺激界面向用户呈现稳态视觉诱发电位ssvep范式的节律性视觉刺激，以采集得到用户在接收所述节律性视觉刺激时的脑电信号eeg数据；预处理模块402，用于对所述eeg数据进行预处理，得到预处理后的eeg数据；重建模块403，用于将所述预处理后的eeg数据按照位点等效重建方法进行信号重建，得到所述eeg数据中各谐波对应的重建信号，其中所述各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关；特征提取模块404，用于根据所述eeg数据中各谐波对应的重建信号，计算所述用户对应的空频能量特征；识别模块405，用于根据所述用户对应的空频能量特征，对所述用户进行身份识别。
[0070]
可选地，所述识别模块405具体用于，将所述空频能量特征输入到预先训练的身份识别模型中，以对用户进行身份识别。
[0071]
可选地，所述预处理包括：对所述eeg数据进行滤波去噪、降采样、筛选出预设导联的脑电信号数据以及筛选出预设时间窗下的数据中的至少一种，其中，一个导联用于表示采集所述用户的eeg数据在大脑上安放的采集点位。
[0072]
可选地，所述重建模块403具体用于，针对所述eeg数据中每个待提取的谐波，根据该谐波所对应的阶数，确定出用于提取该谐波的滤波频带，并按照所述滤波频带，使用带通滤波器对所述eeg数据进行带通滤波，得到滤波后的数据，其中，所述滤波频带中包括所述谐波所对应的频率；将所述滤波后的数据按照该谐波所对应的频率，进行周期划分；针对每一轮次，在该轮次，将所述滤波后的数据中不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据，并将所述交换后的信号数据重新按照所述滤波频带，使用带通滤波器进行滤波，得到该轮次中生成的信号；将各轮次中生成的信号进行平均，得到提取出的所述阶数的谐波的重建信号。
[0073]
可选地，所述滤波频带为，其中，n为所述阶数，为所述节律性视觉刺激的频率。
[0074]
可选地，针对每一轮次，在该轮次，将不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据之前，所述重建模块403还用于：确定出按照该谐波所对应的频率进行周期划分后所述eeg数据的周期数量；确定每个周期内的采样点数量，以按照预设的采样频率确定出每个周期内的信号采样点，并根据所述每个周期内的采样点数量，确定每个信号采样点在该信号采样点所在周期的位置。
[0075]
可选地，所述特征提取模块404具体用于，根据所述eeg数据中各谐波对应的重建信号，计算所述eeg数据中各导联的脑电信号数据在每个谐波下对应的信号能量，按照以下公式计算：,其中表示导联序号，表示第个导联的第个采样点，为第个导联对应的信号能量；将所述eeg数据中各导联的脑电信号数据在每个谐波下对应的信号能量，按照预设的谐波阶数顺序和导联顺序进行排列，得到所述空频能量特征。
[0076]
可选地，所述装置还包括：训练模块406，用于获取训练样本，所述训练样本包括样本脑电数据以及所述样本脑电数据对应用户的用户标识，所述样本脑电数据是在所述样本脑电数据对应用户接收所述节律性视觉刺激时采集到的脑电信号eeg数据；将所述样本脑电数据进行预处理，得到预处理后的样本脑电数据；将所述预处理后的样本脑电数据按照位点等效重建方法进行信号重建，得到所述样本脑电数据中各谐波对应的重建信号；根据所述样本脑电数据中各谐波对应的重建信号，计算所述样本脑电数据对应的空频能量特征；将所述空频能量特征输入到身份识别模型中，得到身份识别模型输出的预测信息；以最小化所述预测信息与所述用户标识之间的差异为训练目标，对身份识别模型进行训练。
[0077]
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于稳态视觉诱发电位的脑电身份识别方法。
[0078]
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述基于稳态视觉诱发电位的脑电身份识别方法。
[0079]
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0080]
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（programmable logic device, pld）（例如现场可编程门阵列（field programmable gate array，fpga））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员
自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（hardware description language，hdl），而hdl也并非仅有一种，而是有许多种，如abel（advanced boolean expression language）、ahdl（altera hardware description language）、confluence、cupl（cornell university programming language）、hdcal、jhdl（java hardware description language）、lava、lola、myhdl、palasm、rhdl（ruby hardware description language）等，目前最普遍使用的是vhdl（very-high-speed integrated circuit hardware description language）与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0081]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（application specific integrated circuit，asic）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20 以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0082]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0083]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0084]
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0085]
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器
以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0086]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
[0087]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0088]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0089]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0090]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0091]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0092]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0093]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0094]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0095]
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

技术特征：
1.一种基于稳态视觉诱发电位的脑电身份识别方法，其特征在于，包括：通过刺激界面向用户呈现稳态视觉诱发电位ssvep范式的节律性视觉刺激，以采集得到用户在接收所述节律性视觉刺激时的脑电信号eeg数据；对所述eeg数据进行预处理，得到预处理后的eeg数据；将所述预处理后的eeg数据按照位点等效重建方法进行信号重建，得到所述eeg数据中各谐波对应的重建信号，其中，所述各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关；根据所述eeg数据中各谐波对应的重建信号，计算所述用户对应的空频能量特征；根据所述用户对应的空频能量特征，对所述用户进行身份识别。2.如权利要求1所述的方法，其特征在于，根据所述用户对应的空频能量特征，对所述用户进行身份识别，具体包括：将所述空频能量特征输入到预先训练的身份识别模型中，以对所述用户进行身份识别。3.如权利要求1所述的方法，其特征在于，所述预处理包括：对所述eeg数据进行滤波去噪、降采样、筛选出预设导联的脑电信号数据以及筛选出预设时间窗下的数据中的至少一种，其中，一个导联用于表示采集所述用户的eeg数据在大脑上安放的采集点位。4.如权利要求1所述的方法，其特征在于，将所述预处理后的eeg数据按照位点等效重建方法进行信号重建，得到所述eeg数据中各谐波对应的重建信号，具体包括：针对所述eeg数据中每个待提取的谐波，根据该谐波所对应的阶数，确定出用于提取该谐波的滤波频带，并按照所述滤波频带，使用带通滤波器对所述eeg数据进行带通滤波，得到滤波后的数据，其中，所述滤波频带中包括所述谐波所对应的频率；将所述滤波后的数据按照该谐波所对应的频率，进行周期划分；针对每一轮次，在该轮次，将所述滤波后的数据中不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据，并将所述交换后的信号数据重新按照所述滤波频带，使用带通滤波器进行滤波，得到该轮次中生成的信号；将各轮次中生成的信号进行平均，得到提取出的所述阶数的谐波的重建信号。5.如权利要求4所述的方法，其特征在于，所述滤波频带为 ，其中，n为所述阶数， 为所述节律性视觉刺激的频率。6.如权利要求4所述的方法，其特征在于，针对每一轮次，在该轮次，将不同周期中处于相同位置上的信号采样点进行随机交换，得到交换后的信号数据之前，所述方法还包括：确定出按照该谐波所对应的频率进行周期划分后所述eeg数据的周期数量；确定每个周期内的采样点数量，以按照预设的采样频率确定出每个周期内的信号采样点，并根据所述周期数量，确定每个信号采样点在该信号采样点所在周期的位置。7.如权利要求1所述的方法，其特征在于，根据所述eeg数据中各谐波对应的重建信号，计算所述用户对应的空频能量特征，具体包括：根据所述eeg数据中各谐波对应的重建信号，计算所述eeg数据中各导联的脑电信号数据在每个谐波下对应的信号能量，按照以下公式计算：,
其中 表示导联序号， 表示第 个导联的第 个采样点， 为第 个导联对应的信号能量；将所述eeg数据中各导联的脑电信号数据在每个谐波下对应的信号能量，按照预设的谐波阶数顺序和导联顺序进行排列，得到所述空频能量特征。8.如权利要求2所述的方法，其特征在于，训练所述身份识别模型，具体包括：获取训练样本，所述训练样本包括样本脑电数据以及所述样本脑电数据对应用户的用户标识，所述样本脑电数据是在所述样本脑电数据对应用户接收所述节律性视觉刺激时采集到的脑电信号eeg数据；将所述样本脑电数据进行预处理，得到预处理后的样本脑电数据；将所述预处理后的样本脑电数据按照位点等效重建方法进行信号重建，得到所述样本脑电数据中各谐波对应的重建信号；根据所述样本脑电数据中各谐波对应的重建信号，计算所述样本脑电数据对应的空频能量特征；将所述空频能量特征输入到身份识别模型中，得到身份识别模型输出的预测信息；以最小化所述预测信息与所述用户标识之间的差异为训练目标，对身份识别模型进行训练。9.一种基于稳态视觉诱发电位的脑电身份识别装置，其特征在于，包括：采集模块，用于通过刺激界面向用户呈现稳态视觉诱发电位ssvep范式的节律性视觉刺激，以采集得到用户在接收所述节律性视觉刺激时的脑电信号eeg数据；预处理模块，用于对所述eeg数据进行预处理，得到预处理后的eeg数据；重建模块，用于将所述预处理后的eeg数据按照位点等效重建方法进行信号重建，得到所述eeg数据中各谐波对应的重建信号，其中所述各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关；特征提取模块，用于根据所述eeg数据中各谐波对应的重建信号，计算所述用户对应的空频能量特征；识别模块，用于根据所述用户对应的空频能量特征，对所述用户进行身份识别。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~8任一项所述的方法。11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~8任一项所述的方法。

技术总结
本说明书公开了一种基于稳态视觉诱发电位的脑电身份识别方法及装置，通过刺激界面向用户呈现稳态视觉诱发电位SSVEP范式的节律性视觉刺激，以采集得到用户在接收所述节律性视觉刺激时的脑电信号EEG数据，对EEG数据进行预处理，得到预处理后的EEG数据，进而，将预处理后的EEG数据按照位点等效重建方法进行信号重建，得到EEG数据中各谐波对应的重建信号，其中，各谐波包括不同阶的谐波，谐波所对应的频率与谐波的阶数相关。根据EEG数据中各谐波对应的重建信号，计算用户对应的空频能量特征，根据用户对应的空频能量特征，对用户进行身份识别，从而能够更加准确通过EEG数据来对用户进行身份识别。进行身份识别。进行身份识别。


技术研发人员：魏依娜 王丽婕 唐弢 冯琳清
受保护的技术使用者：之江实验室
技术研发日：2023.08.11
技术公布日：2023/9/13