任务无关脑纹识别的若干关键技术研究

The advantages of brainprint recognition lie in high concealment, non-stealing, non-imitability and being living object. So it has prospective applications in the fields of high requirements in confidentiality and security. Currently, brainprint methods require subjects under the state of a specific task which usually need external stimulus or carried out with specific thinking. Hence, brainprint was hindered for the application and promotion of in reality. Aim to how to explore task-free brainprint recognition, this project is carried out the following research:(1)Decomposing the EEG signal into inherent background EEG and task awareness EEG by use the low-rank and sparse matrix decomposition; (2) Extracting brainprint feature by fusing the amplitude and phase of two attributes of EEG, and forming the augmented amplitude - phase brainprint feature; (3) Optimizing procedures of task-free brainprint feature selection and dimension reduction synchronously through the L2,1 norm regularization joint learning;(4)Using Sparse Representation Classifier for identification. Task-free brainprint recognition in the project will lay the technical foundation for the brainprint practical application. Meanwhile, the key techniques of this project such as low rank and sparse decomposition, amplitude-phase augmented feature extraction and synchronous optimization for feature selection and dimension reduction will provide a new researching method for brain and cognitive science. Above all, the project is provided with both significant social meaning and scientific value.

脑纹识别具有高隐蔽性、不可窃取性、不可仿制性以及必须活体等方面的独特优势，在机密性和安全性要求较高领域具有巨大的应用前景。目前脑纹识别方法通常需要外部刺激或者需要被试配合执行特定思维任务，阻碍了其在现实中的应用与推广。针对上述问题，本项目提出任务无关脑纹识别这一新课题，主要研究内容如下：1）利用矩阵低秩稀疏分解思想，把脑电信号分解成低秩的固有背景信号和稀疏的任务意识信号两个部分；2）融合信号的幅值与相位两方面属性进行脑纹特征提取，形成幅-相增广脑纹特征；3）经过L2,1范数正则化联合学习，实现任务无关脑纹特征选择与降维的同步优化；4）利用稀疏表达分类进行身份识别。任务无关脑纹识别研究将为脑纹的实际应用奠定技术基础，同时本项目中的脑电信号低秩稀疏分解、幅-相增广特征提取以及特征选择与降维的同步优化等关键技术也将为脑认知科学研究提供新的理念与方法。因此本项目具有重要的社会意义与科学价值。

脑纹识别具有高隐蔽性、不可窃取性、不可仿制性以及必须活体等方面的独特优势，在机密性和安全性要求较高领域具有巨大应用前景。但目前脑纹识别通常需要外部刺激或需要被试配合执行特定思维任务，阻碍了其在现实中的应用推广。因此，提取不同任务状态下产生的脑纹本征信息进行身份识别，是亟待解决的问题。.本项目对任务无关脑纹识别开展下列研究：1）对于脑电信号分解，本项目提出了基于矩阵低秩稀疏分解的新型脑电信号处理方法，将原始脑电信号分解为固有背景脑电、任务意识脑电和噪声。实验结果表明，低秩背景脑电的身份识别率优于原始脑电，证明了脑电低秩稀疏分解有去任务化作用。2）对于脑电幅-相脑纹特征提取，有机融合脑电相位与幅值特征，或用相位同步特征构建脑网络，准确提取脑电的本征脑纹信息。实验表明，相位同步能有效刻画任务无关脑纹特征。3）对于任务无关脑纹特征与降维的同步优化，提出了联合低秩子空间学习方法，将包含复杂信息的高维脑电数据投影到低维子空间中，在保留脑纹相关特征的同时降低数据的维数，能够有效完成任务无关脑纹特征提取，在多个数据集上都验证了其有效性。4）基于稀疏表达分类的身份识别，采用张量链等稀疏表达结构，并利用深度学习提取高层次特征和潜在依赖关系，在多个小样本数据库上均取得了出色的效果，为脑纹识别的现实应用提供思路。.项目在执行期内，对应用于任务无关脑纹识别方面的相关基础理论、算法、技术进行研究并获得了较为丰富的成果。目前已经发表论文30篇，其中SCI期刊论文17篇，CCF推荐B类论文5篇，中文核心期刊3篇；授权专利8项，软著5项；主持获得奖项3项。部分成果发表在国内外重要期刊与学术会议如IEEE Transactions on Neural Systems and Rehabilitation Engineering、Neurocomputing、BIBM、中国生物医学工程学报等。本项目在国内率先系统地对任务无关脑纹识别任务进行了一系列研究，并且发现了可用于任务无关脑纹识别的一系列脑电生物特征，在任务无关脑纹识别领域开辟了一个具有现实意义的新方向，具有重要的科学意义。

内容获取失败，请点击重试