普适环境下基于EEG的身份识别方法
基于深度信念网络的脑电信号疲劳检测系统
基于深度信念网络的脑电信号疲劳检测系统朱龙飞;王鹏程【摘要】传统的疲劳驾驶检测系统,一般采用对面部特征进行识别与信息提取的方式,易受到外界因素干扰,检测效率较低;针对这一问题,提出基于深度信念网络(DBM)的脑电信号(EEG)疲劳检测系统;结合深度信念网络工作原理和系统整体框架,设计系统硬件结构和软件功能;采用SAA7115型号信号解码器对数字化信号进行分离,通过采集模块电路图,将解码器连接到低噪声Video接口处,保证分离后的脑电信号为合成信号;通过TMS320DM642的DSP数字信号处理器对端口1信号进行合成、对端口2信号进行复合信号编码,保证信号采集不受外界因素干扰;将受限玻尔兹曼机在硬件采集模块中提取的信号进行疲劳程度检测,根据脑电信号变化强度,区分疲劳和未疲劳状态下脑电信号特征,完成系统设计;实验结果表明,所设计系统具有较高检测效率,可为疲劳驾驶人员生命安全提供保障.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)005【总页数】5页(P26-29,34)【关键词】深度信念;脑电信号;疲劳;解码器;玻尔兹曼机;脑电波动指数【作者】朱龙飞;王鹏程【作者单位】浙江工业大学经贸管理学院,杭州 330014;浙江工业大学软件学院,杭州 330014【正文语种】中文【中图分类】TP3910 引言疲劳是由长期高强度工作下引起的主观不适感觉，具体表现在注意力难以集中、反应迟钝等症状，给人们正常生活带来不便，严重时甚至会引起慢性疲劳等疾病，因此，对于疲劳状态进行检测可预防该类疾病的发生。
脑电信号是由生物体脑部皮层神经产生的生物电信号，与脑部活动密切相关，可直接反映生物体精神状态，可作为精神疲劳评价指标[1]。
虽然疲劳是主观不适感觉，但是在客观同等条件下会影响原来所从事的正常活动能力。
疲劳主要表现结果是精力不集中、反应迟缓、预测能力下降。
如果人们在正常工作中出现疲劳，不仅会降低工作效率，还容易出现重大交通事故问题，严重威胁人们生命安全。
基于LabVIEW的EEG信号采集与处理系统设计
基于LabVIEW的EEG信号采集与处理系统设计毛丽民;朱培逸;刘叔军;杨自【摘要】In this paper,a method of EEG signal processing based on LabVIEW is proposed based on the EEG signal collected by Emotiv Epoc.The LabVIEW software platform is used to analyze the collected signal and obtain the EEG signal,to capture the current state of the receiver,and save and read the EEG data.Firstly,the Fourier transform is used to analyze the frequency domain information in a certain period of time,then the wavelet analysis is applied to capture the time of a signal appearing in a certain bining these two methods,we can get better analying result of EEG signal.Through a large number of experimental tests,the processing method of EEG signal proposed in this paper can filter out the high recognition rate signal,and provide an effective way for the study of EEG based control.%针对Emotiv Epoc采集的脑电信号,提出了一种基于LabVIEW的EEG信号的处理方法.应用LabVIEW软件平台,对采集的信号进行解析获取EEG信号,捕捉受试者的当前状态,同时对解析出的EEG数据进行保存与读取.首先利用傅里叶变换进行分析,得出在某段时间范围的频域信息,然后在此基础上进行小波分析,捕捉某一通道的某一信号出现的时间,结合这2种方法,更好地分析EEG信号.通过大量实验测试,提出的基于LabVIEW的EEG 信号处理方法,能筛选出识别率较高的信号,从而对基于脑电控制的研究提供了一种有效途径.【期刊名称】《实验室研究与探索》【年(卷),期】2017(036)008【总页数】6页(P153-157,186)【关键词】LabVIEW;脑电图描访器信号;傅里叶变换;小波分析;识别【作者】毛丽民;朱培逸;刘叔军;杨自【作者单位】常熟理工学院电气与自动化工程学院,江苏常熟215500;常熟理工学院电气与自动化工程学院,江苏常熟215500;常熟理工学院电气与自动化工程学院,江苏常熟215500;常熟理工学院电气与自动化工程学院,江苏常熟215500【正文语种】中文【中图分类】TP242.6人类在脑机接口方面的研究已有40多年，开辟很多生物学与医学的新道路。
基于可穿戴传感器的实时环境情绪感受评价
基于可穿戴传感器的实时环境情绪感受评价陈筝;刘颂【摘要】以审美体验为核心的环境感受一直是国内外风景园林领域的核心问题,但其测量却比较困难.介绍了一种依靠可穿戴生物传感器进行实景环境实时情绪感受评价的新方法.在国际相关实验技术的基础上,依靠实验方法通过心电传感器(EKG/ECG)、脑电传感器(EEG)、皱眉肌肌电传感器(EMG)、皮温传感器(ST)、皮电传感器(SC)和呼吸传感器(resp),记录实时环境行走中的人的情绪体验.数据在matlab里面经降噪、伪迹去除、时频分析、生成采样率为1帧每秒的情绪评价值,再与GPS空间位置做数据融合,生成具有空间属性的情绪评价轨迹.研究发现,结合时空间轨迹的生理情绪数据较好地反映了被试受空间影响的情绪反应,传感器采集的情绪结果与现场试验后访谈中实验者表达的环境体验结果吻合较好.基于可穿戴传感器的情绪体验测量技术,将有助于更好地测量并理解环境体验,为未来设计提供诸多可能.%Environmental experience centered in aesthetics is a vital issue to landscape architecture both in China and globally.However,the measurement of experience is difficult.This paper presents a new method of assessing real-time in-situ environmental affective experience via wearable bio-sensory techniques.Built on existing experimental techniques and findings,the authors designed experiment to calculate environmental affective experience during real-time walking via electrocardiogram (EKG/ECG),electroencephalogram (EEG),corrugator electromyogram (EMG),skin temperature (ST),skin conductance (SC) and respiration (resp.)sensors.Signals were processed via denoising,artifact removal,time-domain and frequency-domain analysis before compressed into affectiveparameters sampled per Is.The affective parameters were then combined with GPS location data via data fusion into geo-referenced routes with affective assessment.Results indicate that geo-referenced affective assessment revealed results consistent with that collected via interviews after walk.Affective experience measurement technique via wearable sensors would improve measurement accuracy and understanding of environmental affective responses,which would expand the possibilities for future design.【期刊名称】《中国园林》【年(卷),期】2018(034)003【总页数】6页(P12-17)【关键词】风景园林;审美体验;环境情绪感受;可穿戴传感器;使用后评价【作者】陈筝;刘颂【作者单位】同济大学建筑与城市规划学院景观学系,高密度人居环境生态与节能教育部重点实验室数字景观实验室上海200092;同济大学建筑与城市规划学院景观学系,高密度人居环境生态与节能教育部重点实验室数字景观实验室上海200092【正文语种】中文【中图分类】TU986以审美体验为核心的环境感受一直是国内外风景园林领域的核心问题[1-3]。
普适环境下基于脑电的身份及上下文状态识别
Ａｂｔａ ｔ Ｉ ｒｅ ｔ ｌ ｎ ｌｃ ｏｎ ｅ ｈｌｇａ ｈ Ｅ Ｇ）ｂ ｓｄｉｄｖｄ ａ ｉｅ ｔ ｃｔ ｎ ｓｓ ｓ ｃ： ｎｏｄ ｒ ｏｉ ｅ ｔ ｅｔ ｅｃｐ ａ ｒｐ ｙ（ Ｅ 一ａｅ ｉｉ ｌ ｄｎｉ ａｉ ｙ — ｒ ｍｐ ｍｅ ｅ ｒ ｏ ｎ ｕ ｉ ｆ ｏ
ｔ ｍ ｎ ｕ ｉ ｕ ｔ ｕ ｎ ｉｏｎ ｎ ，ａ ｅｌａ ｏ ｍ ｅ ｔｔ ｅ ｒ ｑ ｉｅ ｅ ｔ ｆｃ ｎ ｅ ｔ ａ ｔ ｔ ｗ ａｅ ｅ ｓ ｅ ｉ ｂ ｑ ｉｏ ｓｅ ｖ ｒ ｍｅ ｔ ｓｗ ｌ ｓｔ ｅ ｈ ｅ ｕ ｒ ｍ ｎ ｓｏ ｏ ｔ ｘ ｕ ｌｓａ ｅ ａ ｒ ｎ ｓ ，ｗｅ
进行 身份 及 上下 文状 态识别 方 法 的普适 化实 现方 案． 并设 计 了具 体 实验 来测试 该 系统 ． 通过 实验 采集 到 ５个 受试者 安静 闭眼 、 听音乐 闭 眼和玩 游戏 后 闭跟 ３种 上 下文 状 态的脑 电信 号， 分别 得到
９ ．３ 的身 份识别 正确率 ２ ３ ％ 的上下文状 态识别 正确 率 ， 实 了此方案 的可行性． ６４ ％ 和９ ． １ 证 关 键词 ：普适 ； 份识 别 ； 身 上下 文状 态识别 ； 电 脑
Ｖｏ． Hale Waihona Puke １４０Ｓ ｐ Ｉ） ｕ （Ｉ
ＮＯＶ ２ ０ ． ０１
普 适 环 境 下 基 于 脑 电 的 身 份 及 上 下 文 状 态 识 别
刘泉 影 毛承 胜 聂 碧娟 胡 斌
（ 兰 州 大 学 计 算 机 软 件 与 理 论 系 ， 州 ７ ０ ０ ） 兰 ３０ ０ （ 武 汉丁程职业技术学院经贸系 ， 。 武汉 ４ ０ ８ ） ３０ ０
中图分 类号 ： ４ ９ ２ Ｕ ５ ．
： 艾献标 识码 ： Ａ
【毕业论文】基于人工神经网络的人脸识别方法研究
2.1 生物识别技术 .................................................................................................... 7
2.1.1 生物识别的定义 .....................................................................................................7 2.1.2 生物识别技术 ........................................................................................................7
EEG信号的分类算法研究及应用
EEG信号的分类算法研究及应用EEG信号是指脑电图信号，它是研究人脑行为和认知的一种非常重要的生物信号。
在很多领域中，如神经病学、心理学、计算机科学和工程学等，都有着广泛的研究应用。
而分类算法作为一种常用的数据分析方法，在这个领域中也得到了广泛的应用和发展。
EEG信号的分类算法研究主要包括两种方法：基于特征提取的分类和基于深度学习的分类。
基于特征提取的分类方法，是指将EEG信号中的波形和统计学特征提取出来，然后再进行分类。
该方法的主要思想是根据EEG信号的特征来区分不同的行为或状态。
具体来说，它包括以下几个步骤：首先，需要通过一些预处理方法来去除噪声和伪差，然后将信号划分为不同的时间段；接下来，可以选择一些常用的特征提取方法，如小波变换、时域特征或频域特征等，来对每个时间段的信号进行处理；最后，利用一些经典的分类算法如支持向量机、K近邻、决策树等，对这些特征进行分类。
基于深度学习的分类方法，是指通过一些深度神经网络来直接从EEG信号中进行学习和分类。
与传统的分类方法不同，该方法不需要手动选择和提取特征，而是利用深度神经网络来自动学习并提取最优的特征。
该方法主要包括以下几个步骤：首先，将EEG信号直接输入到深度神经网络中；然后，通过多层的卷积和池化层来提取特征，最终用全连接层进行分类。
目前，基于特征提取的分类方法仍然是EEG信号分类研究的主流方法之一。
基于特征提取的算法具有较高的可解释性和易于实现的特点，同时适应的应用领域也非常广泛。
特别是在一些比较小型的数据集上，基于特征提取的分类方法可以达到很好的分类效果。
而基于深度学习的分类方法则更适用于大型数据集和数据复杂性较高的情况。
其在一些应用领域中，如对脑中风患者进行辅助诊断、识别非正常睡眠状态等也取得了较好的分类效果。
除此之外，还有一些基于混合方法的分类算法，其中混合了基于特征提取和基于深度学习的算法。
该方法的主要思想是综合利用两种算法的优点，进而实现更好的分类效果。
基于脑电的情绪识别研究综述
基于脑电的情绪识别研究综述一、本文概述随着和神经科学的深入发展，基于脑电的情绪识别研究已经成为一个备受瞩目的交叉学科领域。
情绪，作为人类心理活动的重要组成部分，不仅影响着我们的日常决策、社交互动，还与心理健康和疾病的发生发展密切相关。
因此，通过技术手段准确识别和理解个体的情绪状态，对于提升人机交互的自然度、改善心理健康治疗以及推动情感计算等领域的发展具有深远的意义。
脑电信号，作为大脑活动的直接反映，蕴含着丰富的情绪信息。
基于脑电的情绪识别研究旨在通过分析脑电信号中蕴含的情绪特征，实现对个体情绪状态的准确分类和识别。
本文旨在综述基于脑电的情绪识别研究的发展历程、主要方法、技术应用以及面临的挑战和未来的发展趋势。
通过对相关文献的梳理和评价，本文旨在为该领域的研究者提供全面的研究视角和深入的理论支撑，推动基于脑电的情绪识别研究的进一步发展和应用。
二、脑电信号与情绪的关系脑电信号，作为大脑活动的直接反映，与情绪状态之间存在着密切的关联。
情绪的产生和变化不仅会影响个体的行为表现，还会在大脑的电生理活动中留下明显的痕迹。
通过脑电信号的分析，可以揭示情绪产生的神经机制，以及情绪在不同脑区的动态变化过程。
在情绪识别的研究中，脑电信号的分析主要关注两个方面：一是脑电信号的频率特性，二是脑电信号的空间分布。
脑电信号的频率特性与情绪状态密切相关。
例如，当人们处于愉悦或兴奋的情绪状态时，脑电信号中的高频成分（如β波）往往会增加；而当人们处于悲伤或恐惧的情绪状态时，低频成分（如α波和θ波）则可能会增加。
这种频率特性的变化，可以为情绪识别提供重要的线索。
脑电信号的空间分布也是情绪识别研究中的重要内容。
不同情绪状态下，大脑活动的空间分布模式会有所不同。
例如，当人们感到愉悦时，大脑的额叶和颞叶区域的活动可能会增强；而当人们感到悲伤时，大脑的顶叶和枕叶区域的活动可能会增加。
这种空间分布模式的变化，可以为我们提供关于情绪状态的更多信息。
EEG信号的特征提取和分类算法研究
EEG信号的特征提取和分类算法研究随着科技的不断发展和进步，脑-机接口技术成为了许多科研学者的研究重点。
在这个领域中，脑电图(EEG)成为了一种广泛应用的信号采集方式，被用来研究人类大脑的神经网络。
在使用EEG信号的过程中，信号的特征提取和分类算法起到了至关重要的作用。
本文将介绍EEG信号的特征提取和分类算法研究，并探讨其在脑-机接口技术中的应用。
一、EEG信号的特征提取EEG信号是一种反映大脑神经活动的信号，是通过头皮上的电极，测量脑部的电信号而得到的。
由于脑电图信号具有高度的非定常性、非线性、时变性和噪声污染等特点，所以在进行分类或识别等操作之前，需要进行特征提取。
通常采用的EEG信号特征包括时间域、频域和时频域特征。
1. 时间域特征时间域特征是指EEG信号在时间上的基本统计量，如均值、方差、偏度、峰度等。
在这些统计量中，EEG的幅度均值和方差是最广泛使用的时间域特征。
幅度均值反映了EEG信号的平均水平，而方差反映了EEG信号的变化程度。
2. 频域特征频域特征是指通过傅里叶变换等方法，将EEG信号转换为频域信号后，提取其中的信息量。
通常采用的特征包括能量谱、功率谱密度和自相关函数等。
能量谱指EEG信号在不同频率上的能量分布情况，功率谱密度则指在单位频带上所具有的平均功率。
根据此类特征，可以进一步分析EEG信号的频率变化规律，以及与不同状态或行为的关系。
3. 时频域特征时频域特征是指将EEG信号在时间域和频域上同时进行分析的特征。
常见的时频域分析方法包括小波变换、连续小波变换和短时傅里叶变换等。
时频域特征综合考虑了EEG信号在不同时间和频率上的特征，更加全面且有利于提高EEG信号的分类精度。
二、EEG信号的分类算法EEG信号的分类是指根据信号的特征，将其分为不同的状态或类型。
分类算法通常可以分为有监督学习和无监督学习两大类。
下面将介绍一些常用的分类算法。
1. 基于线性判别分析(LDA)的分类算法LDA是一种基于统计建模的分类算法，其目的是最大程度地区分不同类别的分布，使得类间距最大，类内距最小。
普适环境下基于EEG的身份识别方法
普适环境下基于EEG的身份识别方法毛承胜1胡斌21兰州大学信息科学与工程学院，兰州7300002兰州大学信息科学与工程学院，兰州730000摘 要：身份识别在我们的生活中无处不在，银行、军队、政府等安全部门在进入之前都必须进行身份验证。
现有的身份识别方法如身份证、口令等已经表现出明显的不足。
随着脑科学的发展，基于脑电（Electroencephalogram，EEG）的身份识别方法以之无法复制、无法丢弃、无法窃取等特点被广泛关注。
随着网络的发展和无线传感技术的不断成熟，人们可以随时随地获取想要的信息，包括脑电信号。
本文针对用户的普适需求提出了一种基于EEG的身份识别方法，EEG数据是从大脑顶部的Cz点采集得到的，并且测试时受试者只需要安静闭眼。
初始的EEG信号经过去噪、信号处理、特征提取和分类等过程，计算出身份识别的准确率。
实验结果发现，对10个对象的平均识别率有93.39%。
这为基于EEG的身份识别提供了实验基础。
而且，整过过程中都可以实时控制，算法时间复杂度较低，可应用于普适环境。
关键词：身份识别；EEG；分类；普适环境1．引言随着信息化社会的进步，身份识别技术在隐私保护、信息安全等方面发挥着越来越重要的作用。
在日常生活中，人们常常需要知道周围人的身份，以防止个人权利被侵犯。
比如在进入银行时，必须进行身份识别，确保身份可信之后才准入。
和陌生人交流之前也可以进行身份识别，这样就可以有效的防止身份骗子。
因此，进行普适环境下的身份识别的研究是非常必要的。
现有的身份识别方法有很多，比如指纹识别[1]、脸部特征识别[2]和虹膜识别[3]等。
虽然这些身份验证方法在某些方面能起一定的作用，但是这些方法都有共同的不足之处：（1）这些生物特征都能被复制而使识别失效；（2）携带这些特征的部位一旦被损坏，识别就无法进行，比如失去手指的残疾人就不能用指纹识别，盲人就不能通过虹膜识别，不适用于普适环境。
为了解决这些问题，基于脑电信号的身份识别方法就被提出来了。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
普适环境下基于EEG的身份识别方法毛承胜1胡斌21兰州大学信息科学与工程学院，兰州7300002兰州大学信息科学与工程学院，兰州730000摘 要：身份识别在我们的生活中无处不在，银行、军队、政府等安全部门在进入之前都必须进行身份验证。
现有的身份识别方法如身份证、口令等已经表现出明显的不足。
随着脑科学的发展，基于脑电（Electroencephalogram，EEG）的身份识别方法以之无法复制、无法丢弃、无法窃取等特点被广泛关注。
随着网络的发展和无线传感技术的不断成熟，人们可以随时随地获取想要的信息，包括脑电信号。
本文针对用户的普适需求提出了一种基于EEG的身份识别方法，EEG数据是从大脑顶部的Cz点采集得到的，并且测试时受试者只需要安静闭眼。
初始的EEG信号经过去噪、信号处理、特征提取和分类等过程，计算出身份识别的准确率。
实验结果发现，对10个对象的平均识别率有93.39%。
这为基于EEG的身份识别提供了实验基础。
而且，整过过程中都可以实时控制，算法时间复杂度较低，可应用于普适环境。
关键词：身份识别；EEG；分类；普适环境1．引言随着信息化社会的进步，身份识别技术在隐私保护、信息安全等方面发挥着越来越重要的作用。
在日常生活中，人们常常需要知道周围人的身份，以防止个人权利被侵犯。
比如在进入银行时，必须进行身份识别，确保身份可信之后才准入。
和陌生人交流之前也可以进行身份识别，这样就可以有效的防止身份骗子。
因此，进行普适环境下的身份识别的研究是非常必要的。
现有的身份识别方法有很多，比如指纹识别[1]、脸部特征识别[2]和虹膜识别[3]等。
虽然这些身份验证方法在某些方面能起一定的作用，但是这些方法都有共同的不足之处：（1）这些生物特征都能被复制而使识别失效；（2）携带这些特征的部位一旦被损坏，识别就无法进行，比如失去手指的残疾人就不能用指纹识别，盲人就不能通过虹膜识别，不适用于普适环境。
为了解决这些问题，基于脑电信号的身份识别方法就被提出来了。
首先，脑电信号是从大脑里面产生的，目前还不可能被复制或者窃取；其次，只要生命不终止，产生信号的部位大脑就会一直产生脑电信号。
因此，基于脑信号的身份识别方法相对于传统的身份识别方法具有相当大的优势。
虽然在目前阶段，脑电信号的采集过程非常复杂，但是随着网络技术和电子工艺的发展，脑电信号的采集将越来越方便，基于EEG的身份识别方法的应用将越来越广泛。
1目前，基于EEG的身份识别研究还处于起步阶段。
Poulos[4]、Palaniappan[5]和胡剑锋[6]联系作者：毛承胜，E-mail：chshmao@等都做过相关研究。
但是Poulos研究的对象个数较少，并且识别率也相对较低；Palaniappan 的研究需要61个电极进行数据采集并且受试者需要给于图片刺激；胡剑锋的研究需要受试者进行运动想象。
他们的方法都不适合用于普适环境。
本文提供了一种普适环境下基于EEG的身份识别方法。
在我们的方法中，初始的EEG 信号是从头顶的Cz电极点获得的，测试过程中受试者只需处于安静闭眼状态。
这些初始EEG信号经过40Hz低通滤波器滤掉高频信号干扰，再用FastICA算法从中提取出alpha 波（8-13Hz），这样就完成了去噪和alpha波的提取过程。
然后，我们从处理过的alpha波中提取各种特征用于分类。
本实验我们使用了kNN分类方法，当k=1时，实验测得分类的平均准确率可达93.39%，并且kNN算法效率也较高。
这表明这种方法可以用于设计一种单一的身份验证系统或者结合其他生物识别方法形成一种多级身份识别系统。
2．设计方法本文的主要目的是提供一种基于EEG的身份识别方法。
在我们的方法中，首先，我们得从大脑枕顶部Cz点提取EEG信号，这是我们研究的基础。
初始EEG信号会有很多噪声，所以我们必须经过去噪，然后进行信号处理提取出alpha波段。
接下来我们要做的工作就是特征提取，从我们得到的alpha波中提取出各种特征。
最后，我们根据提取出来的特征用分类算法把这些EEG数据分到相应的类中，然后计算准确率，测试分类效果。
实验过程可以用图1来表示。
图1 实验过程2.1 数据获取我们实验的受试者是10个没有血缘关系的健康的学生（4个女生，6个男生），年龄段都在20到23岁之间。
测试之前，受试者需要尽量放松。
测试是一个一个的进行的，每个人测试的时候都坐在一个安静的小房间里面安静闭眼直到测试结束。
现在常用的电极安放系统是扩展的10-20国际标准电极放置系统[7]，这个标准包含61个有效电极和3个参考电极。
但是在我们的实验中，为了简化数据采集过程以便应用于实际，所以我们只选取了一个有效电极Cz和耳垂的两个参考电极（A1，A2）。
每个受试者需要在不同的时间段测试5次，即采集5段EEG信号。
每次EEG数据采集过程持续30秒。
本实验的采样频率是256Hz，所以每段EEG信号有7680个点记录。
我们从这7680个点选取出独立的两个部分，每部分包含3000个点。
然后把这3000个点分成连续的3段，这样每段就有1000个点，我们的每组数据就是对这1000个点进行分析的。
这样每个人每次测试就会产生6条数据，10个人5次测试总共就有300条数据。
2.2 信号处理获取的初始EEG数据会含有很多噪声，不方便研究分析，或对分析结果有影响。
因此在进行下一步的工作之前，信号必须经过预处理。
去噪是信号预处理过程最重要的一步。
噪声的产生有外部的和内部的原因，外部噪声主要来源于周围设备静电场和电磁场的干扰；内部噪声主要来源于人体内部的其他电信号，眼电信号是最重要的一种干扰，此外还有肌电和心电等干扰。
以前就有研究[8-12]来探测EEG中含有身份信息的部分，结果证实这些信息包含在EEG 的alpha波段。
alpha波是从原始EEG信号中提取出的8-13Hz的频段。
alpha波主要是从大脑的顶枕部（即Cz电极点）收集的。
因此我们仅仅考虑EEG的alpha波段.为了滤掉噪声获得alpha波，初始EEG信号经过一个40Hz的低通滤波器滤掉高频干扰和一些人为噪声。
然后通过FastICA（Independent Component Analysis，独立成分分析）算法从处理之后的信号中提取alpha波[13]。
就这样，EEG中的alpha波就被提取出来了，这就为我们下一步的工作，建模和谱分析奠定了基础。
alpha波的时域和频域的波形如图2所示。
图2 从初始EEG提取出来的alpha波形时域（上）和频域（下）特性2.3 特征提取如果EEG信号能表征人的身份特征，那么同一个人在不同时间段测得的EEG信号之间一定有某种关系，我们的主要目的就是找出这种关系。
因此我们必须尽可能多的提取那些能反映个人身份的特征，然后通过数据挖掘方法或其他方法找出这些关系。
信号处理之后，EEG信号的alpha波在短时间可被看着是平稳的随机信号[14]，这样我们就可以从这些信号中提取特征。
这些特征的某一个子集就可以作为个人身份特征的唯一描述。
用这些特征作为分类依据就可以比较准确的识别人的身份。
参数模型是研究分析随机信号的主要方法，我们采用6阶AR（autoregressive，自回归）模型[15]来分析EEG信号。
通过AR模型我们可以计算出各种频率范围的功率谱，在本实验中我们选用的alpha波的以下特征：中心频率、最大能量、alpha能量在整个波段上的比率和平均幅值。
2.4 分类特征提取之后，给一段EEG 信号，我们就能知道这段信号包含的各种特征的值，但是我们怎样根据这些特征知道这段EEG 信号是属于谁的呢？我们可以用分类算法来解决这个问题。
在我们的试验中，分类的目的就是找出当前分析的EEG 信号是属于谁的。
在将来的研究中，我们将会找出EEG 和身份之间更确切的关系。
在本实验中，我们用kNN 算法[16,17]对EEG 数据进行分类。
kNN 算法是基于类比的学习方法，即通过给定的检验元组与和它相似的训练元组进行比较来学习。
训练元组用n 个属性描述，每个元组代表n 维空间的一个点。
这样所有训练元组都存放在n 维模式空间中。
当给定一个未知元组时，kNN 算法搜索该模式空间，找出最接近未知元组的k 个训练元组。
这k 个训练元组就是未知元组的k 个最近邻。
未知元组被分配到它的k 个最近邻中的多数类中。
邻近性是用距离度量的，本实验中的距离选用欧氏距离。
两个元组),...,,(112111n x x x X =和),...,,(222212n x x x X =之间的欧氏距离用下式表示：∑=−=n i i i x xX X dist 122121)(),( （1）在使用式（1）之前需要将每个属性的值规范化，这有助于防止属性度量不同带来的差别。
我们通过下式规范化：AA A v v min max min '−−=（2） 其中v 是属性A 的实际值，A min 和A max 分别是属性A 的最大值和最小值。
我们的实验中，特征提取步骤中提取的特征就作为分类元组的属性，根据这些属性，kNN 算法可以将一段EEG 信号分到一个类中，这个类包含了它的k 个近邻中大多数。
当k=1时，就分到它的最近邻所在的类。
在本实验中，我们试了k 的几种取值，发现k=1时，分类效果最好。
因此，我们就采用最近邻分类法进行分类。
4．实验结果分析我们的实验总共有300条EEG 数据，每条数据以2/3的概率被选择为训练数据，否则就被选为测试数据，这样就有大约200条数据作为训练集，其他大约100条数据作为测试集。
kNN 算法根据训练集将测试数据分配到目标类中（即10个不同的受试者）。
然后计算被正确分类的测试数据个数和总的测试数据个数，算出准确率。
这个过程进行10次，每次都随机选择不同的训练集和测试集。
我们对这10次准确率求平均值，得出的平均准确率就能反应身份识别的效果。
通过这种方法，我们得到了93.39%的平均准确率，这证明了这种身份识别方法的可行性。
我们也分析了10个受试者各自识别的准确性，k=1时，kNN 算法的识别矩阵如表1所示，从中我们看出，除了LYC 外其他人都能被正确识别，而LYC 有17.65%的可能性被识别为FDP 。
表1 kNN（k=1）算法的识别矩阵DQX FDP LLL LQY ZGQ LYC QYB MHY ZW ZXW Identify as →Real person ↓0.0%0.0%0.0%0.0% 0.0%0.0% 0.0% 0.0%0.0%DQX 100%0.0%0.0%0.0%0.0% 0.0%0.0% 0.0% 0.0%100%FDP 0.0%LLL 0.0% 0.0% 100%0.0%0.0%0.0% 0.0%0.0% 0.0% 0.0%0.0%100%0.0%0.0% 0.0%0.0% 0.0% 0.0%0.0%LQY 0.0%0.0%0.0%100%0.0% 0.0%0.0% 0.0% 0.0%0.0%ZGQ 0.0%17.65%0.0%0.0%0.0%82.35%0.0%0.0% 0.0% 0.0%LYC 0.0%0.0%0.0%0.0%0.0%0.0% 100%0.0% 0.0% 0.0%QYB 0.0%0.0%0.0%0.0%0.0% 0.0%100% 0.0% 0.0%MHY 0.0%0.0%ZW 0.0% 0.0% 0.0%0.0%0.0%0.0% 0.0%0.0% 100% 0.0% ZXW 0.0%0.0%0.0%0.0%0.0% 0.0%0.0% 0.0% 100%0.0%4．结论本文提出了一种普适环境下基于EEG的身份识别方法，用kNN分类算法对EEG中alpha波的特征进行分析，分类准确率可达93.39%，在一定程度上验证了EEG用于身份识别的可行性。