【技术实现步骤摘要】
本专利技术属于基于脑电信号的生物特征识别，具体涉及一种范式自适应解耦的跨时段脑纹识别方法及其系统。
技术介绍
1、脑电信号作为一种具有高度可辨识性的生理特征，在生物识别领域具有巨大潜力。随着消费级穿戴设备的持续发展和普及，用户可以通过设备中的传感器获取脑电数据，实现无接触式身份识别。相较于传统的生物识别技术(如面部识别和指纹识别)，脑电信号识别具有更高的机密性、更难以被窃取，且可撤销和修改。另一方面，与常规生物特征相比，脑电信号识别在某些特定场景中具有显著优势，比如一些高度保密和安全性场合，或者在一些新型技术的使用场景，如虚拟现实(vr)和增强现实(ar)。
2、然而，脑电信号收集方式的多样性导致脑电信号的特征和表现形式有所差异，这给模型的泛化识别能力提出了挑战。此外，脑电信号对内外噪音非常敏感，比如生理状态、心理状态、环境噪声等，这使得模型在不同时段的稳定性和可靠性难以保证。因此，大多数工作都是在单一范式或局限于单一时段收集脑电信号，这与实际应用场景并不相符。
3、为了克服这些挑战，本专利技术提出一种范式自适应解耦跨时段脑纹识别方法，该方法能够从高度耦合的脑电信息中有效地分离出身份相关特征和脑电采集范式任务相关特征，并通过域对抗训练进一步学习到具有身份识别能力的域不变特征。本专利技术能在跨时段的条件下自适应各种范式采集而来的脑电信号，在实际应用场景中具有较高的实用价值，为生物特征识别、身份验证等领域提供了创新性的解决方案。
技术实现思路
1、本专利技术根据
2、第一方面，本专利技术提供一种范式自适应解耦的跨时段脑纹识别方法，包括如下步骤：
3、步骤1、脑电数据采集
4、在不同时段采集多名被试的脑电数据；
5、步骤2、脑电数据进行预处理，并打上所属被试的身份标签，然后按照采集时段的先后划分为源域和目标域，其中，源域为已知被试者身份标签的数据集，目标域为待预测身份标签的数据集。
6、步骤3、构建范式自适应解耦的特征提取模块，并对其训练和测试；
7、所述范式自适应解耦的特征提取模块包括多尺度卷积模块、图卷积模块和注意力嵌入模块；
8、所述多尺度卷积模块包括多个并行的一维卷积层、拼接层、融合层、过滤层；多个一维卷积层具有不同尺寸的卷积核；所述多尺度卷积模块接收源域和目标域数据，通过多个并行的不同尺寸的一维卷积核，在多时间维度上处理，输出不同层级的特征，并作为拼接层的输入；所述拼接层将不同层级的一维卷积层的输出进行拼接，作为融合层的输入；所述融合层将所述拼接层输出的不同卷积核学习到的特征进行融合，展平后作为过滤层的输入；
9、所述图卷积模块，包括多个并行图卷积网络，通过数据驱动的方式挖掘通道之间的拓扑关系和空间信息；
10、所述注意力嵌入模块，作用于不同层级图卷积的输出，通过注意力机制将图结构转化为嵌入向量，作为解耦器的输入；
11、步骤4、构建用于特征解耦的解耦模块及其相应的分类器，并对其训练和测试；
12、所述用于特征解耦的解耦模块包括域内特有身份信息解耦器、域间不变身份信息解耦器、范式任务信息解耦器、第一互信息网络、第二互信息网络；
13、所述域内特有身份信息解耦器用于将特征提取模块提取出的特征表示hout解耦为域特有的身份特征表示hsped-id；
14、所述域间不变身份信息解耦器用于将特征提取模块提取出的特征表示hout解耦为域不变身份特征表示hinv-id；
15、所述范式任务信息解耦器用于将特征提取模块提取出的特征表示hout解耦为范式任务相关的特征表示htask；
16、所述第一互信息网络用于计算范式任务相关的特征表示htask和域不变身份特征表示hinv-id之间的第一互信息损失；所述第二互信息网络用于计算域特有的身份特征表示hsped-id和域不变身份特征表示hinv-id之间的第二互信息损失；
17、通过第一互信息损失和第二互信息损失对解耦模块的网络参数进行更新，从而减少解耦出的特征之间的互信息，以获得更好的解耦效果；
18、所述域内特有身份信息解耦器、域间不变身份信息解耦器、范式任务信息解耦器、第一互信息网络、第二互信息网络各自由全连接层网络组成，三类解耦出的特征表示即htask，hinv-id和hsped-id将作为各个分类器的输入，互信息网络旨在计算互信息损失，通过该损失对网络参数进行更新，从而减少解耦出来的特征之间的互信息，获得更好的特征解耦效果；
19、所述分类器包括域分类器、身份分类器、范式任务分类器；
20、所述域分类器，用于域对抗训练，目的在于减少不同域之间分布的差异，得到域不变特征；将域不变身份特征表示hinv-id作为输入，由全连接层和softmax激活函数组成；
21、所述身份分类器，目的在于得到准确的分类信息；将域特有的身份特征表示hsped-id和域不变身份特征表示hinv-id作为输入，由全连接层和softmax激活函数组成；
22、所述范式任务分类器，目的在于促进解耦效果减少干扰信息对于身份识别任务的影响；将范式任务相关的特征表示htask作为输入，由全连接层和softmax激活函数组成；
23、步骤5、利用训练和验证好的特征提取模块、解耦模块、分类器，实现跨时段脑纹识别。
24、作为优选，步骤2中，脑电数据的预处理具体是：对步骤1采集到的脑电数据进行过滤和降采样，再进行分割，得到样本长度为l的多个片段；
25、作为优选，步骤2中，所述按照采集时段的先后划分源域和目标域具体是指：在时间顺序上，先采集的时段数据作为有身份标签的源域，记为ns表示源域中的样本数，表示一段时间的脑电数据片段，表示源域中第i个被试的身份标签，c表示被试数量；后采集的时段数据作为待预测身份的无标签目标域，记为表示一段时间的脑电数据片段，nt表示该目标域中的样本数；
26、作为优选，步骤3中，每类一维卷积层的核大小由比例系数和样本时长l决定，该比例系数为人为设定值，其中k表示第k类一维卷积层的卷积核；
27、在本专利技术中，αk＝[0.1，0.2，0.5]，即有三类不同尺寸的一维卷积核；
28、将第k类的时间卷积核尺度记为并定义为：
29、
30、作为优选，步骤3中，所述多尺度一维卷积层具体表示为：
31、
32、其中，表示为多尺度一维卷积层的输入，即预处理后的脑电数据，n是经过预处理之后的脑电数据样本片段数量，c是脑电采集设备的通道数，l是所设定的脑电数据在时间维度上的长度；表示多本文档来自技高网...
【技术保护点】
1.一种范式自适应解耦的跨时段脑纹识别方法，其特征在于包括如下步骤：
2.根据权利要求1所述方法，其特征在于步骤2中，脑电数据的预处理具体是：对步骤1采集到的脑电数据进行过滤和降采样，再进行分割，得到样本长度为L的多个片段。
3.根据权利要求1所述方法，其特征在于步骤2中，所述按照采集时段的先后划分源域和目标域具体是指：在时间顺序上，先采集的时段数据作为有身份标签的源域，记为ns表示源域中的样本数，表示一段时间的脑电数据片段，表示源域中第i个被试的身份标签，C表示被试数量；后采集的时段数据作为待预测身份的无标签的目标域，记为表示一段时间的脑电数据片段，nt表示该目标域中的样本数。
4.根据权利要求1所述方法，其特征在于步骤3中，所述范式自适应解耦的特征提取模块包括多尺度卷积模块、图卷积模块和注意力嵌入模块；
5.根据权利要求1所述方法，其特征在于训练过程中，域内特有身份信息解耦器、域间不变身份信息解耦器、范式任务信息解耦器分别将hout解耦成域特有的身份特征表示hsped-id、域不变身份特征表示hinv-id、和范式任务相关的特征
6.根据权利要求1所述方法，其特征在于所述域内特有身份特征hspec-id和域间不变身份特征hinv-id通过L1范数进行约束。
7.根据权利要求1所述方法，其特征在于通过第一互信息网络计算域间不变身份特征hinv-id和范式任务相关的特征htask之间的第一互信息损失通过第二互信息网络计算域间不变身份特征hinv-id和域内特有身份特征hspec-id之间的第二互信息损失具体而言，可以表示为：
8.一种实现权利要求1-7任一项所述方法的跨时段脑纹识别系统，其特征在于包括：
9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7任一项所述的方法。
10.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种范式自适应解耦的跨时段脑纹识别方法，其特征在于包括如下步骤：
2.根据权利要求1所述方法，其特征在于步骤2中，脑电数据的预处理具体是：对步骤1采集到的脑电数据进行过滤和降采样，再进行分割，得到样本长度为l的多个片段。
3.根据权利要求1所述方法，其特征在于步骤2中，所述按照采集时段的先后划分源域和目标域具体是指：在时间顺序上，先采集的时段数据作为有身份标签的源域，记为ns表示源域中的样本数，表示一段时间的脑电数据片段，表示源域中第i个被试的身份标签，c表示被试数量；后采集的时段数据作为待预测身份的无标签的目标域，记为表示一段时间的脑电数据片段，nt表示该目标域中的样本数。
4.根据权利要求1所述方法，其特征在于步骤3中，所述范式自适应解耦的特征提取模块包括多尺度卷积模块、图卷积模块和注意力嵌入模块；
5.根据权利要求1所述方法，其特征在于训练过程中，域内特有身份信息解耦器、域间不变身份信息解耦器、范式任务信息解耦器分别将hout解耦成域特有的身份特征表示hsped-id、域不变身...
【专利技术属性】
技术研发人员：孔万增，刘鸿刚，刘栋军，金宣妤，朱莉，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。