应用思维活动脑电波进行两阶段生物认证的方法（概括）

原题目：two-stage biometric authentication method using thought activity brain waves

摘要：该途径是一种基于最小化错误接受率（FAE）和错误拒绝率（FRE）的两阶段生物认证方法。在该研究中实验者们都进行相同的多项思维活动，脑电设备在这个过程中记录实验者的脑电。通过提取五种脑电特征作为该认证方法的特征向量，分别是autoregressive coefficients, channel spectral powers, inter-hemispheric channel spectral power differences, inter-hemispheric channel linear complexity and non-linear complexity(approximate entropy)，同时进行四折交叉验证。结果显示，当实验者进行物体旋转想象实验时，FAE和FRE都为0，其他实验时FAE都为0，但是FRE有些偏差，说明系统安全性很高，但是可用性就降低了。而且本研究是小范围内进行实验，若实验对象很多时就不知道效果如何了。

1、引言

ref.10 用alpha节律脑电信号分类四个 实验对象。

ref.11 实验者进行眼睛的眨眼动作，文章分析了EEG的自回归模型作为一种生物特征

ref.12 视觉诱发电位记录即实验对象在实验过程在获取到一张图片，被用来验证实验对象的身份。

这些研究都需要用到61个信道。并且都需要实验者接收到视觉刺激。

ref.13 同样的方法但是采用不用的特征提取和分类方法用于验证实验对象的个人身份。

ref.14 该研究表明通过思维活动的EEG信号分类对于脑机接口设计是一种很合适的技术

2、数据

五个实验对象，数据来自ref.15 和 ref.16。

数据描述：实验环境为噪声控制室。10-20电极位置系统设计的电极帽，用来记录C3、C4、P3、P4、O1和O2.

数据采样率为250Hz，12位精度。

每个实验对象每组有五个试验任务，分别在不同的时间段进行采集。每个实验对象共采集十组。

数据将从每个实验任务中获取10s的信号段作为实验数据。

实验一：空想，实验对象进行放松，进入空想状态。

实验二：要求实验对象在不打草稿和任何肢体动作的情况下进行心算数学运算。

实验三：给实验对象呈现一个方块物体30s，过后拿开物体，让实验对象进行想象按照某一边进行物体旋转，同时不能有任何肢体动作。

实验四：让实验对象想象写一封信给自己的朋友。

实验五：想象大脑中呈现出一块黑板，在黑板上写数字，然后统计所写数字的个数。

ref.15选择这些实验是因为这些思维活动都涉及到左右脑脑波不对称。（除了空想活动）

3、特征提取

    3.1自回归系数。自回归系数的估算方法采用ref.17中Burg 的方法。计算过程中用到六阶回归，因为其他研究者（ref.14、15、18）都建议进行思维活动脑电分类计算AR时使用到六阶。

    3.2功率谱，未提到参考文献

    3.3左右脑间信道功率谱差异，未提到参考文献

    3.4左右脑间信道线形复杂度。对于多个信道信号，线性复杂度定义参考ref.19。

    3.5非线性复杂度（近似熵） 。非线性复杂度一般采用ref.20中的Delay Vector Variance method。  但是本研究采用近似熵方法，该方法是一种成功的用于度量EEG信号复杂度的方法。其中的参数设置参考ref.21和ref.22中的研究结果。

以上特征提取共得到126个特征值。

     3.6进行主成分分析，特征值减少到11个。

4、两阶段认证

      4.1 初始化数据设置

       共有1000个特征向量（每个实验任务200个*5个实验对象，每个特征向量长度为126.其中一个实验对象为合法用户，即200个特征向量作为用户数据。其余四个为非法用户，即剩下的800个特征向量作为非法用户数据。

      200个特征向量被分为：

      随机选择50个作为训练模型；

      再随机选择50个作为验证模型；

      剩下的100个和非法用户数据作为测试模型。

     4.2 阈值计算

        Th1用于减小FAE，即减小错误地将非法用户当作合法用户接受进入系统的事件比例；

        Th2用于减小FRE，即减小错误地将合法用户当作非法用户拒绝进入系统的事件比例。

       计算过程：

        计算50个训练模型数据与50个验证模型数据相互之间的Manhattan距离，共得到50个validation-training距离向量，求这每个向量中的最大和最小值（Dmax和Dmin）。

        Th1 = min(Dmin), 

        Th2= max(Dmax)

        4.3 认证阶段

       求50个训练数据与每个测试数据之间的Manhattan距离，得到Dmin和 Dmax。

 按照图示流程进行认证：

     4.5  FRE和FAE计算

FRE= （被错误的判断为非法用户的合法用户数据数量/测试集合法用户数据100）*100%

FAE= （被错误的判断为合法用户的非法用户数据数量/测试集非法用户数据800）*100%

为了保证结果的可靠性，采用四折交叉验算，让其余每个实验对象都做一次合法用户，重复前面步骤计算FRE和FAE。最终取五组数据的平均值。

       

5 结果和讨论

结构表明，该方法有可能使合法用户无法进入系统，但是非法用户是肯定不能进入系统。这一点在保证系统安全上更加重要。结果最好的是想象旋转物体的实验任务。造成其他试验任务结果不是那么好的原因可能是：数据采集过程和特征提取过程中造成数据独特性的损失。

参考文献：

1、J.Wayman, A.Jain, Biometric Systems: Technology, Design and Performance Evaluation(Springer- Verlag, 2004).

2、S.Pankanti, S.Prabhakar and A.K.Jain,On the individuality of fingerprints, IEEE Transactions o Pattern Analysis and Machine Intelligence 24(8)(2002)1010-1025

3、N.Duta,  Matching of palmprints, Pattern Recognition Letters 23(4)(2002)477-485

4、A. K. Jain, A. Ross and S. Pankanti, A prototype hand geometry-based verification system, in Proceedings of 2 nd International Conference on Audio and Video-Based Biometric Person Identification 1 (1999) 166–171.

5、J. Daugman, Recognizing persons by their iris patterns, in Biometrics: Personal Identification in Networked Society, eds. A. K. Jain, R. Bolle and S. Pankanti (Kluwer Academic, 1999).

6、 A. Samal and P. Iyengar, Automatic recognition and analysis of human faces and facial expressions: a survey, Pattern Recognition 25 (1) (1992) 65–77.

7、D. Hurley, M. Nixon and J. Carter, Force field feature extraction for ear biometrics, Computer Vision and Image Understanding 98 (3) (2005) 491–512.

8、 L. Biel, O. Pettersson, L. Philipson and P. Wide, ECG analysis: a new approach in human identification, IEEE Transactions on Instrumentation and Measurement 50 (3) (2001) 808–812.

9.、Z. Korotkaya, Biometric Person Authentication: Odor. Available: http://www.it.lut.fi/kurssit/03-04/ 010970000/seminars/Korotkaya.pdf (2003).

10. M. Poulos, M. Rangoussi, V. Chrissikopoulos and A. Evangelou, Person identification based on parametric processing of the EEG, in Proceedings of the 6th IEEE International Conference on Electronics, Circuits, and Systems 1 (1999) 283–286.

11.、R. B. Paranjape, J. Mahovsky, L. Benedicenti and Z. Koles, The electroencephalogram as a biometric, in Proceedings of Canadian Conference on Electrical and Computer Engineering 2 (2001) 1363–1366.

12.、R. Palaniappan, Method of identifying individuals using VEP signals and neural network, IEE Proceedings - Science, Measurement and Technology Journal 151(1) (2004) 16–20.

13、R. Palaniappan, Electroencephalogram signals from imagined activities: a novel biometric identifier for a small population, in Intelligent Data Engineering and Automated Learning (IDEAL), Lecture Notes in Computer Science, eds. E. Corchadoet al. (Springer-Verlag, Berlin Heidelberg, 2006) 4224, 604–611.

14、R. Palaniappan, R. Paramesran, S. Nishida and N. Saiwaki, A new brain-computer interface design using fuzzy ARTMAP, IEEE Transactions on Neural System and Rehabilitation Engineering 10 (2002) 140–148.

15、Z. A. Keirn and J. I. Aunon, A new mode of communication between man and his surroundings, IEEE Transactions on Biomedical Engineering 37(12) (1990) 1209–1214. 16、Colorado State University EEG data,http://www.cs.colostate.edu/eeg/index.html#Data (accessed: 2006).

17、R. Shiavi, Introduction to Applied Statistical Signal Analysis,2nd edn. (Academic Press, 1999).

18. C. W. Anderson, E. A. Stolz, and S. Shamsunder, Multivariate autoregressive models for classification of spontaneous electroencephalogram during mental activities, IEEE Transactions on Biomedical Engineering 45(3) (1998) 277–286.

19、 J. Wackermann, Towards a quantitative characterization of functional states of the brain: from the non-linear methodology to the global linear description, International Journal of Psychophysiology 34 (1999) 65–80.

20、 T. Balli, R. Palaniappan, and D. P. Mandic, On the linearity/non-linearity of mental activity EEG for brain-computer interface design, in Proceedings of 3rd Kuala Lumpur International Conference on Biomedical Engineering. (IFBME, 2006) 10(15), 451–454.

21、J. Bhattacharya, Complexity analysis of spontaneous EEG, Acta Neurobiol. Exp. 60 (2000) 495–501.

22、 K. Natarajan, R. Acharya, F. Alias, T. Tiboleng and S. K. Puthusserypady, Nonlinear analysis of EEG signals at different mental states, BioMedical Engineering OnLine, Available:http://www.biomedicalengineering-online.com/content/3/1/7 (2004).