[发明专利]一种基于卷积神经网络的脑纹识别方法

权利要求书

1.一种基于卷积神经网络的脑纹识别方法，其特征在于，包括以下步骤：

S1、采集原始时序脑电数据，对原始时序脑电数据依次进行傅里叶变换和滤波操作，得到去除伪迹的原始频域脑电数据；

S2、构建卷积神经网络，将去除伪迹的原始频域脑电数据划分为第一数据集和第二数据集，通过第一数据集对卷积神经网络进行训练和测试，以得到训练好的卷积神经网络；

S3、由训练好的卷积神经网络，对第一数据集和第二数据集分别进行特征提取，并将提取的所有特征集合存储为特征集，其中，所述特征为脑电编码向量；

S4、将第二数据集输入训练好的卷积神经网络，以提取出第一特征，通过比较第一特征与存储的特征集内各特征之间的欧式距离，得到脑纹识别结果。

2.根据权利要求1所述的一种基于卷积神经网络的脑纹识别方法，其特征在于，所述步骤S1具体包括以下步骤：

S11、采集原始时序脑电数据，并对原始时序脑电数据进行傅里叶变换，得到原始频域脑电数据；

S12、采用带通滤波器对原始频域脑电数据进行滤波操作，得到去伪迹的原始频域脑电数据。

3.根据权利要求2所述的一种基于卷积神经网络的脑纹识别方法，其特征在于，所述步骤S11中傅里叶变换具体为短时傅里叶变换或快速傅里叶变换，所述频域脑电数据形式为A×B，其中，A表示脑电数据的导联，B表示一个导联上的所有频率。

4.根据权利要求2所述的一种基于卷积神经网络的脑纹识别方法，其特征在于，所述步骤S12中滤波操作具体是去除原始频域脑电数据中的眼电干扰信号。

5.根据权利要求1所述的一种基于卷积神经网络的脑纹识别方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、通过计算感受野，确定卷积神经网络的卷积层数量，以固定卷积神经网络的深度；

S22、确定卷积神经网络的网络结构，并固定该卷积神经网络的输出类别数；

S23、将去除伪迹的原始频域脑电数据划分为第一数据集和第二数据集，其中，第一数据集包括训练集和测试集；

S24、将训练集输入步骤S22中构建的卷积神经网络，以预设的训练论数进行训练；

S25、每完成一次预设的训练轮数，则将测试集输入卷积神经网络，记录一次卷积神经网络输出分类结果的准确率；

S26、重复步骤S25，并判断卷积神经网络输出分类结果的准确率是否收敛，若收敛，则该卷积神经网络已经训练好，否则返回步骤S24。

6.根据权利要求5所述的一种基于卷积神经网络的脑纹识别方法，其特征在于，所述步骤S21中感受野的计算公式为：

其中，r_n表示当前卷积层的感受野大小，r_n-1表示前一个卷积层的感受野大小，k表示当前卷积层的卷积核大小，s_i表示第i个卷积层的步长大小；

当卷积核的感受野与输入数据同等大小时，表明最深层的卷积层已经能够完整观察到脑电数据中所有脑区内的数据，以此确定卷积神经网络的卷积层数量。

7.根据权利要求5所述的一种基于卷积神经网络的脑纹识别方法，其特征在于，所述步骤S22中卷积神经网络的网络结构包括卷积层、最大池化层和softmax分类器，固定卷积神经网络的输出类别数为C，则输入softmax分类器的向量为：

f＝[f₁,f₂,...,f_i,...,f_C] i＝(1,2,...,C)

其中，f_i表示卷积神经网络输出对应第i个类别的得分；

softmax分类器的计算公式为：

其中，表示卷积神经网络输出类别为i的得分求指数，表示所有类别得分的指数和。

8.根据权利要求1所述的一种基于卷积神经网络的脑纹识别方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、将第二数据集输入训练好的卷积神经网络，以提取出第一特征；

S42、依次计算第一特征与存储的特征集内各特征之间的欧式距离，若特征集内包含M个特征，则得到M个欧氏距离，从这M个欧式距离中选出数值最小的，以其对应的特征集内的特征所属类别作为脑纹识别结果。