[发明专利]基于深度学习的脑电身份识别方法、系统及信息更新方法

权利要求书

1.一种基于深度学习的脑电身份识别方法，其特征在于，包括以下步骤：

S101：使用稳态视觉诱发范式刺激待录入系统者，采集由刺激产生的脑电信号；

S102：采用带通滤波结合独立成分分析法对脑电数据预处理，将预处理后的脑电数据进行单个裁剪，扩大脑电数据集；

S103：通过裁剪后的时序脑电信号训练深度学习多分类网络模型；深度学习多分类网络模型包括相互独立的卷积神经网络DNet和卷积神经网络SNet，两个所述卷积神经网络均在前两层先对脑电信息进行压缩，增强时域信息；卷积神经网络DNet和卷积神经网络SNet的最后一层均通过卷积层替代全连接层；计算所需反向传播梯度大小并进行反向传播，通过小批量随机梯度下降法对权值参数进行优化，训练深度学习多分类网络模型；

S104：通过裁剪训练方法同时计算多个被裁剪样本的输出，将多个相邻子样本放在一起，通过膨胀卷积方式，对中间卷积的结果进行保存；通过添加惩罚函数修改权值参数优化函数，提取被裁剪样本的脑电信号共同特征；

S105：身份识别；将待识别的脑电数据输入已训练的深度学习多分类网络模型，当输出值O≥O_threshold，此时输出该值所对应标签，并提示人员识别成功，当OO_threshold时表示该系统暂未录入该人员，疑似入侵者，提示识别失败重新输入；当连续多次输入失败，系统发出警报提示有入侵者；O_threshold为设定的阈值。

2.根据权利要求1所述的一种基于深度学习的脑电身份识别方法，其特征在于，所述步骤S101中，被试者平视距离其1米的第一显示器(1)，在开始的第0秒第一显示器(1)出现十字叉提示受试者做好准备，十字叉出现的时间为0～1.2秒；在第1.2秒开始观看第一显示器(1)上随机产生红、黄、蓝三个颜色，每个颜色分别对应10Hz、12Hz频率，选六种状态中的一种进行闪烁刺激，持续时间从1.2～5.2秒，每次试验后从5.2～10.2秒休息，以上为一次闪烁刺激实验。

3.根据权利要求2所述的一种基于深度学习的脑电身份识别方法，其特征在于，所述被试者头戴32导的脑电采集设备，其中1个电极为参考电极，其余31个电极采集数据，期间通过脑电采集设备内部的软件记录被试者脑电信号数据集。

4.根据权利要求1所述的一种基于深度学习的脑电身份识别方法，其特征在于，所述步骤S102中，扩大脑电数据集具体包括：

脑电数据集标记：预处理后的脑电数据表示成单通道二维序列，其中电极数作为高度，任一电极所对应时间采样点数作为宽度；预处理后的脑电数据记为N代表第k次采集实验中采集到的所有人的脑电数据总量，第k次采集实验中任一脑电数据的记录形式为其中1≤j≤N，R^E×W表示二维数据矩阵集合，E代表的是采集脑电数据使用的电极数量，W代表的是该脑电数据记录时间内的采样点个数；每个脑电数据对应的身份标签用表示，其中与一个G类集合L中元素对应，集合L表示系统人员的身份标签，G为被试者总人数；

密集裁剪：针对脑电数据集中每一个脑电样本设置一个窗口进行滑动，该窗口宽度参数记为W'，脑电信号输入总宽度参数W＝采样率×单个脑电数据记录时间，对于任一脑电数据以所述窗口在该脑电信号上进行滑动密集裁剪，产生如下数据：表示裁剪后每个产生的脑电数据集合，即对于任一脑电数据进行裁剪产生W-W+1个数据，并且裁剪后脑电数据具有与裁剪前脑电数据相同的标签