【技术实现步骤摘要】
本专利技术属于跨时段单源域适应脑纹识别，具体涉及一种单源域适应跨时段脑纹识别方法。
技术介绍
1、生物特征识别技术作为一种用于信息安全的先进手段，受到越来越多的关注。然而，传统的生物特征识别技术仍然存在一些挑战。指纹、虹膜、面部等生理特征容易被盗窃、复制和篡改。同时，在公共场所的监控环境下行为特征易被模仿和攻击。相对于现有传统生物识别技术，基于脑电的脑纹特征具有高隐蔽性、不可仿造性、持续认证性、必须活体的特性。得益于上述特性，脑纹识别技术能够适用于具有高安全性需求的如军事、金融、医疗安全等应用领域。
2、脑电身份识别在实际应用中面临多项技术和实际问题的挑战，一是跨时段数据泛化能力较弱。由于每次采集数据时佩戴脑电帽的位置不同，存在通道位置偏移现象，即电极位置在不同时间和场景下会变化，导致脑电信号不一致。除此之外，脑电信号会随着时间、情绪、疲劳程度等因素的变化而变化，导致同一被测试者在不同时间点采集的信号存在较大差异，影响识别的稳定性和准确性。这样，训练数据和测试数据的时间段之间可能不服从相同的分布，进而影响身份识别的准确性。二是脑电标记数据的不足。跨时段的脑电标记数据非常有限，获得大量标记数据的成本过高且费时。为了应付有限的标记训练数据，许多人试图将在一个源域上训练的模型直接应用于另一个未标记目标域。不幸的是，由于存在域偏移或数据集偏差，源域和目标域之间存在分布差异会导致模型在目标域上的性能下降，跨域的直接迁移通常效果不佳。而域适应技术通过各种方法来减小这种分布差异，使得在源域上训练的模型能够更好地泛化到目标域上。p>
3、此外，对于复杂的脑电信号，传统的深度学习网络通常只采用一种固定的卷积核进行处理。这种方法存在一定的局限性，因为它忽视了不同被试者之间的个体差异以及不同时间段内数据分布的变化。这种不考虑数据分布差异的方法，可能导致模型在实际应用中难以适应多变的信号，进而影响识别和分类的准确性。因此，如何设计更加灵活和自适应的卷积核，来处理和捕捉这些复杂的信号变化，是当前研究的一大挑战。
技术实现思路
1、本专利技术针对现有技术的不足，提出一种单源域适应跨时段脑纹识别方法来学习稳定域不变特征，通过新采集的被测者脑电数据，在预先设定多个目标对象身份中预测出被测者的身份信息。
2、本专利技术提出的一种单源域适应跨时段脑纹识别方法，包括以下步骤：
3、步骤一、采集多个受试者的脑电数据，并添加标签作为源域；再采集与源域不同时间段的脑电数据作为目标域；目标域不需要标签。
4、步骤二、构建跨时段脑纹识别模型。跨时段脑纹识别模型包括多尺度特征提取模块、域鉴别器对抗模块、关联域自适应模块和线性分类模块；特征提取模块包括依次连接的时间卷积层、空间卷积层、深度可分离卷积层和注意力机制模块；通过时间卷积层、空间卷积层、深度可分离卷积层提取特征，获取初始特征并输入注意力机制模块获取最终输出特征。将最终输出特征分别输入域鉴别器对抗模块、关联域自适应模块和线性分类模块；域鉴别器对抗模块用于对源域和目标域的最终输出特征进行对抗训练；关联域自适应模块用于将相同类别的源域样本在特征空间中聚集。
5、步骤三、使用步骤一获取的数据集训练步骤二构建的跨时段脑纹识别模型。
6、步骤四、采集受试者的脑电数据，并输入训练完成的跨时段脑纹识别模型中，对受试者的身份进行识别。
7、作为优选，所述的步骤一中，数据对齐的方法如下：
8、获取受试者的n段eeg样本xi的协方差矩阵的均值矩阵r，均值矩阵r的表达式为：
9、
10、其中，为eeg样本xi的转置；i=1,2,...,n。
11、根据均值矩阵r获取对齐后的eeg样本：
12、
13、作为优选，所述的步骤三中，训练跨时段脑纹识别模型的损失函数l的表达式为：
14、
15、其中，lcls为交叉熵损失；ldomain为域鉴别器损失；lassociation为关联域自适应损失。
16、作为优选，所述的交叉熵损失lcls、域鉴别器损失ldomain和交叉熵损失lcls的表达式分别为：
17、
18、
19、
20、其中，和分别为源域和目标域的域鉴别器损失；lvisit和lwalker分别为访问者损失和步行者损失；α为步行者损失的权重，α=0.6；为交叉熵损失；y为真实受试者标签；为预测的受试者标签；n为受试者数量。
21、域鉴别器损失和的表达式为：
22、
23、
24、其中，ns和nt分别是源域样本数量与目标域样本数量；ds和dt分别为训练集的源域与测试集的目标域；gd为域鉴别器；gf为特征提取模块；di为输入样本xi对应的域标签。
25、访问者损失lvisit和步行者损失lwalker的表达式为：
26、
27、
28、其中，；；ai和bj分别为源域样本和目标域样本经过特征提取网络的输出特征；class(·)为输出特征对应的受试者类别标签；为从输出特征ai转移到输出特征bj的转移概率；为从输出特征ai转移到输出特征bj再返回输出特征ai的概率（两步往返概率）。
29、转移概率和两步往返概率的表达式为：
30、
31、
32、其中，mij为输出特征ai和bj的点积；为输出特征bj返回到输出特征ai的概率。
33、作为优选，所述的步骤三中，训练跨时段脑纹识别模型输入跨时段脑纹识别模型的为带标签的源域样本和不带标签的目标域样本。
34、作为优选，所述的步骤二中，时间卷积层使用三种不同长度的卷积核提取时间特征，三种卷积核的高度均为1，长度分别为样本时间点数量×0.5、样本时间点数量×0.25、样本时间点数量×0.125。
35、作为优选，所述的步骤二中，注意力机制模块包括依次相连的一个全局池化层和两个全连接层。
36、作为优选，所述的步骤二中，时间卷积层、空间卷积层和深度可分离卷积层后均添加 batchnorm层、elu层、avgpool层和dropout层。
37、第二方面，本专利技术提供一种计算机设备，其包括存储器、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，所述存储器存储计算机程序；所述处理器执行前述的一种单源域适应跨时段脑纹识别方法。
38、第三方面，本专利技术提供一种可读存储介质，其存储有计算机程序；所述计算机程序被处理器执行时用于实现前述的一种单源域适应跨时段脑纹识别方法。
39、本专利技术具有的有益效果是：
40、1、本专利技术通过数据对齐处理受试者的数据，并使用域鉴别器对抗模块和关联域自适应模块来构建跨时段脑纹识别模型，与传统脑纹识别中需要多个时段的脑电数据作为源域相比，本专利技术能够在只有一个时段的脑电数据作为源域的情况下，仍能识别不同时段的脑电本文档来自技高网...
【技术保护点】
1.一种单源域适应跨时段脑纹识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤一中，数据对齐的方法如下：
3.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤三中，训练跨时段脑纹识别模型的损失函数L的表达式为：
4.根据权利要求3所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的交叉熵损失Lcls、域鉴别器损失Ldomain和交叉熵损失Lcls的表达式分别为：
5.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤三中，训练跨时段脑纹识别模型输入跨时段脑纹识别模型的为带标签的源域样本和不带标签的目标域样本。
6.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤二中，时间卷积层使用三种不同长度的卷积核提取时间特征，三种卷积核的高度均为1，长度分别为样本时间点数量×0.5、样本时间点数量×0.25、样本时间点数量×0.125。
7.根据权利要求1所述的一种单
8.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤二中，时间卷积层、空间卷积层和深度可分离卷积层后均添加 BatchNorm层、ELU层、AvgPool层和Dropout层。
9.一种计算机设备，其特征在于：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，所述存储器存储计算机程序；所述处理器执行权利要求1所述的一种单源域适应跨时段脑纹识别方法。
10.一种可读存储介质，其特征在于：存储有计算机程序；所述计算机程序被处理器执行时用于实现权利要求1所示的一种单源域适应跨时段脑纹识别方法。
...【技术特征摘要】
1.一种单源域适应跨时段脑纹识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤一中，数据对齐的方法如下：
3.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤三中，训练跨时段脑纹识别模型的损失函数l的表达式为：
4.根据权利要求3所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的交叉熵损失lcls、域鉴别器损失ldomain和交叉熵损失lcls的表达式分别为：
5.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤三中，训练跨时段脑纹识别模型输入跨时段脑纹识别模型的为带标签的源域样本和不带标签的目标域样本。
6.根据权利要求1所述的一种单源域适应跨时段脑纹识别方法，其特征在于：所述的步骤二中，时间卷积层使用三种不同长度的卷积核提取时间特征，三种...
【专利技术属性】
技术研发人员：孔万增，陈美如，金宣妤，刘栋军，周斐炜，马迪，
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。