發(fā)布時(shí)間：2022-10-11 11:35

　　目前,個(gè)體的一些生物認(rèn)證技術(shù)已經(jīng)廣泛應(yīng)用在智能門禁等物聯(lián)網(wǎng)系統(tǒng)中。然而,隨著它們安全風(fēng)險(xiǎn)的不斷提升以及應(yīng)用范圍的局限性,找到一種相對(duì)更加普適和值得信賴的認(rèn)證方法是很有必要的。近期,腦電特征憑借其獨(dú)特性、穩(wěn)定性和普遍性獲得廣大科研學(xué)者的青睞,但多電極的有限可用性及大量用戶佩戴不便的因素阻礙了這種新技術(shù)的普及。本文預(yù)先提出了一種新的基于腦電波視聽(tīng)覺(jué)范式的生物認(rèn)證系統(tǒng),不僅能夠在單一誘發(fā)范式基礎(chǔ)上加大刺激強(qiáng)度,同時(shí)對(duì)于視覺(jué)或者聽(tīng)覺(jué)其中之一存在障礙的人群也能夠很好的實(shí)現(xiàn)身份認(rèn)證。在調(diào)研國(guó)內(nèi)外腦電身份認(rèn)證相關(guān)研究基礎(chǔ)上,實(shí)驗(yàn)設(shè)計(jì)了獨(dú)特的視聽(tīng)覺(jué)呈現(xiàn)范式,通過(guò)“EMOTIV EPOC+”便攜式腦電頭戴設(shè)備記錄7位受試者的腦電數(shù)據(jù)。在預(yù)處理階段,使用了參考電極、迭加平均和獨(dú)立成分分析進(jìn)行去偽跡;在特征提取階段,提出了一種最佳通道和最佳時(shí)間間隔的自適應(yīng)選擇方法來(lái)避免提取無(wú)效的特征信息,同時(shí),為了避免盲目搜索,將Best-First和CfsSubsetEval方法應(yīng)用于最優(yōu)特征子集選擇中,識(shí)別出最好的特征子集,接著提出Bagging集成學(xué)習(xí)方法建立最優(yōu)分類模型。在實(shí)驗(yàn)仿真和性能評(píng)估方面,提出了三個(gè)分類指標(biāo)... 

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
        1.1.1 EEG身份認(rèn)證
        1.1.2 10-20國(guó)際標(biāo)準(zhǔn)
        1.1.3 腦電節(jié)律
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 本文組織
第二章 相關(guān)背景知識(shí)介紹
    2.1 事件相關(guān)電位(ERP)
        2.1.1 ERP發(fā)展簡(jiǎn)史
        2.1.2 主要ERP成分
        2.1.3 ERP技術(shù)優(yōu)越性
    2.2 Epoc+相關(guān)技術(shù)介紹
        2.2.1 數(shù)據(jù)傳輸
        2.2.2 眨眼監(jiān)控
        2.2.3 專注度分析
    2.3 EEGLAB插件使用
        2.3.1 數(shù)據(jù)載入
        2.3.2 數(shù)據(jù)處理
    2.4 本章小結(jié)
第三章 基于腦電視聽(tīng)覺(jué)范式的身份認(rèn)證方案
    3.1 方案設(shè)計(jì)
        3.1.1 系統(tǒng)架構(gòu)
        3.1.2 視聽(tīng)覺(jué)范式
    3.2 腦電信號(hào)采集
    3.3 預(yù)處理與數(shù)據(jù)分析
        3.3.1 眼電干擾
        3.3.2 工頻干擾
        3.3.3 肌電與心電信號(hào)
        3.3.4 認(rèn)證腦電數(shù)據(jù)的差異性分析
    3.4 特征選擇
        3.4.1 逐點(diǎn)雙列相關(guān)系數(shù)法
        3.4.2 最優(yōu)特征子集選擇
    3.5 機(jī)器學(xué)習(xí)
        3.5.1 樸素貝葉斯
        3.5.2 邏輯回歸
        3.5.3 BP神經(jīng)網(wǎng)絡(luò)
        3.5.4 Bagging集成學(xué)習(xí)
        3.5.5 分類器性能評(píng)價(jià)
    3.6 本章小結(jié)
第四章 實(shí)驗(yàn)仿真與性能評(píng)估
    4.1 最優(yōu)分類器選擇
        4.1.1 三種基學(xué)習(xí)器與兩類特征集
        4.1.2 ROC曲線與AUC面積
        4.1.3 集成學(xué)習(xí)分類性能
    4.2 實(shí)驗(yàn)范式的比較
    4.3 實(shí)驗(yàn)方法的比較
    4.4 本章小結(jié)
第五章 原型系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    5.1 智能網(wǎng)關(guān)
        5.1.1 E-prime實(shí)驗(yàn)設(shè)計(jì)
        5.1.2 Emotiv ControlPanel信號(hào)監(jiān)測(cè)
        5.1.3 Visual Studio獲取數(shù)據(jù)
        5.1.4 智能分析預(yù)測(cè)結(jié)果
    5.2 下位機(jī)調(diào)控
        5.2.1 STM32控制器
        5.2.2 PWM脈沖調(diào)制
    5.3 系統(tǒng)登錄測(cè)試
    5.4 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專利
附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于腦電和眼電的運(yùn)動(dòng)想象多尺度識(shí)別方法研究[J]. 孫曜,文成林,韋巍.  電子學(xué)報(bào). 2018(03)
[2]運(yùn)動(dòng)想象腦電信號(hào)識(shí)別研究[J]. 肖丹,胡劍鋒.  計(jì)算機(jī)工程與應(yīng)用. 2010(33)



本文編號(hào)：3690499