腦紋識(shí)別研究綜述

汪露雲(yún) 孔萬(wàn)增 張昕昱 范巧男

（杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院，杭州 310018）

腦紋識(shí)別研究綜述

汪露雲(yún) 孔萬(wàn)增?張昕昱 范巧男

（杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院，杭州 310018）

個(gè)人身份識(shí)別在當(dāng)今互聯(lián)網(wǎng)信息時(shí)代有著重要的意義，而傳統(tǒng)的身份識(shí)別方式在安全上無(wú)法得到充分保證。腦電信號(hào)作為一種新型的生物特征，在不可竊取、不可偽造、必須活體檢測(cè)等方面具有獨(dú)特的優(yōu)勢(shì)，能為身份識(shí)別提供更安全的生物識(shí)別方法。因此，腦紋識(shí)別有著廣闊的研究前景和應(yīng)用價(jià)值。回顧近年來(lái)基于腦電信號(hào)的身份識(shí)別技術(shù)，詳細(xì)闡述基于靜息電位、視覺(jué)誘發(fā)電位（VEP）、運(yùn)動(dòng)想像、事件相關(guān)電位（ERP）在腦紋識(shí)別過(guò)程中的基本原理與方法，并分析各自的優(yōu)勢(shì)和局限性；最后就腦紋識(shí)別研究現(xiàn)狀進(jìn)行論述，并對(duì)其研究前景進(jìn)行展望。

腦紋識(shí)別；靜息電位；視覺(jué)誘發(fā)電位；運(yùn)動(dòng)想像；事件相關(guān)電位

引言

在當(dāng)今信息時(shí)代，個(gè)人身份識(shí)別無(wú)論對(duì)防恐安全還是互聯(lián)網(wǎng)信息安全都有著重要意義。如何準(zhǔn)確鑒定一個(gè)人的身份，自古以來(lái)都是一個(gè)關(guān)鍵性的社會(huì)問(wèn)題。如今，互聯(lián)網(wǎng)和智慧城市為經(jīng)濟(jì)的發(fā)展帶來(lái)了機(jī)遇，同時(shí)也帶來(lái)了許多安全隱患，其中部分則與身份信息的識(shí)別與驗(yàn)證有關(guān)。傳統(tǒng)的身份識(shí)別方式主要是通過(guò)特征物品（如身份證）和特定知識(shí)（如密碼）進(jìn)行鑒別的，這些特征存在著可分離性的問(wèn)題，進(jìn)而會(huì)引起遺失、脅迫、仿制、冒用、破譯等現(xiàn)象，在安全上無(wú)法得到充分的保證。

原則上，人的任何生理或行為特征只要滿(mǎn)足以下條件，就可作為生物特征用于身份識(shí)別：普遍性、唯一性、穩(wěn)定性、可采集性、可接受性以及抗欺騙性。基于生物特征的識(shí)別技術(shù)，如聲紋識(shí)別［1］、人臉識(shí)別［2］、虹膜識(shí)別［3］、DNA 識(shí)別［4］、指紋識(shí)別［5］、視網(wǎng)膜識(shí)別［6］和掌紋識(shí)別［7］等，在防偽和防攻破方面相比舊有的身份識(shí)別方法有了很大的提升［8］，可以有效地解決傳統(tǒng)身份識(shí)別中存在的這些問(wèn)題，但仍然都存在著容易被篡改、被復(fù)制、被脅迫使用的缺點(diǎn)，同時(shí)不能進(jìn)行活體檢測(cè)。研究顯示：用明膠制成的假手指，可以輕而易舉地騙過(guò)指紋識(shí)別系統(tǒng)；隱形眼鏡上蝕刻出的虛假虹膜特征，可以讓虹膜識(shí)別系統(tǒng)真假難辨；使用包含特征的部分肢體（即使是從活體上被肢解下來(lái)），也可以達(dá)到指紋識(shí)別的目的［9］。犯罪手段的不斷智能化、科技化，使生物特征識(shí)別技術(shù)面臨新的挑戰(zhàn)。雖然研究者們已經(jīng)提出一些活體檢測(cè)和抗偽造的方法，但是這些系統(tǒng)的防惡意入侵能力仍然較低［10-12］。因此，在一些國(guó)防、軍工、金融等機(jī)密性和安全性要求較高的應(yīng)用領(lǐng)域，傳統(tǒng)生物特征識(shí)別系統(tǒng)仍然存在著被攻破的風(fēng)險(xiǎn)。

賓漢頓大學(xué)Sarah Laszlo課題組提出了腦紋［13］這一新概念，是指大腦所產(chǎn)生的一種獨(dú)一無(wú)二、具有可采集性和持久性并可用于身份識(shí)別和驗(yàn)證的腦電信號(hào)特征。腦電信號(hào)是一種新型的生物特征識(shí)別形式，滿(mǎn)足作為生物特征的基本條件。不同于指紋等生物特征易受到外界因素影響，腦電信號(hào)具有相對(duì)穩(wěn)定性。由于腦電信號(hào)必須來(lái)自活體，一旦個(gè)體死亡，腦電信號(hào)就不復(fù)存在，因此它具有良好的抗脅迫性。由于腦電信號(hào)來(lái)源于大腦的思維活動(dòng)，從生理角度來(lái)說(shuō)，具有獨(dú)特的神經(jīng)路徑模式［10］，很難偽造。研究表明，不同的個(gè)體對(duì)于同一個(gè)外部刺激，或者在思考同一事件，又或者在靜息態(tài)，大腦所產(chǎn)生的腦電信號(hào)是不同的［14-17］，這在一定程度上證明了人的腦電信號(hào)具有唯一性。主體在不同的思想狀態(tài)下或者在不同刺激下，大腦所產(chǎn)生的腦電信號(hào)與正常狀態(tài)下的腦電信號(hào)有差異，即人的腦電信號(hào)可以作為對(duì)主體思維異常狀態(tài)進(jìn)行監(jiān)測(cè)的一種生物特征，因此它也可以作為是否自愿或者脅迫的有效檢測(cè)手段［18］。盡管目前科技高度發(fā)展，但竊取腦電信號(hào)的可實(shí)現(xiàn)性仍較低，這在很大程度上保證了腦電信號(hào)作為身份識(shí)別特征的安全性。因此，在機(jī)密性、安全性要求較高的應(yīng)用場(chǎng)合中，可以使用腦電波進(jìn)行身份識(shí)別，故研究腦電身份識(shí)別就顯得尤為重要。

目前常見(jiàn)的生物特征對(duì)比如表1所示，其中腦電信號(hào)在隱蔽性、不可竊取性、不可偽造性、抗脅迫性以及必須活體等方面具有獨(dú)特的優(yōu)勢(shì)。

1 腦紋識(shí)別生理研究基礎(chǔ)

大腦是人體最復(fù)雜的器官，其上分布著數(shù)千米的樹(shù)突和軸突，以及約1 000億個(gè)神經(jīng)元［19］。神經(jīng)元是神經(jīng)系統(tǒng)的重要組成部分，其電活動(dòng)形式主要有兩種：動(dòng)作電位和突觸后電位。動(dòng)作電位是適當(dāng)刺激作用于神經(jīng)元而產(chǎn)生的離散電壓尖峰，是系列離子通道開(kāi)關(guān)形成離子流動(dòng)而引起的胞體跨膜電位變化；突觸后電位是神經(jīng)遞質(zhì)與突觸后細(xì)胞膜受體結(jié)合時(shí)產(chǎn)生的電壓，是神經(jīng)遞質(zhì)引起離子通道開(kāi)關(guān)帶來(lái)的跨膜電位梯度變化。大腦皮層的大量神經(jīng)元突觸后電位同步總和構(gòu)成的頭皮記錄得到腦電圖（electroencephalogram，EEG）［20］。由此可知，腦電信號(hào)是大腦內(nèi)所有神經(jīng)元活動(dòng)的綜合和大腦一連串連續(xù)電位活動(dòng)的反應(yīng)，是由數(shù)億個(gè)神經(jīng)元活動(dòng)引起的電位變化［21］。生物電現(xiàn)象是生命活動(dòng)的一個(gè)共同基本特征，活體大腦總是伴隨著神經(jīng)元放電，因此大腦時(shí)刻都在產(chǎn)生腦電波，即使人處于深度沉睡或者昏迷中。

表1 生物特征特性對(duì)比［10］Tab.1 Comparison of biological features_

腦電信號(hào)是大腦活躍模式的一種外在表現(xiàn)，然而大腦的活躍模式又根據(jù)外界的刺激、當(dāng)前正在處理的信息類(lèi)型和信息量、身體正在執(zhí)行的動(dòng)作和身體各器官的運(yùn)作狀態(tài)等因素的變化而變化，因此腦電信號(hào)中通常包含了刺激、任務(wù)、動(dòng)作等相關(guān)信息［22］。腦電信號(hào)作為每個(gè)活體都具有的生物信號(hào)［23］，對(duì)于所有生命體而言具有普遍性。由神經(jīng)元構(gòu)成的神經(jīng)組織一旦形成便難以改變，而腦電信號(hào)是大量神經(jīng)組織在同一時(shí)刻發(fā)生突觸電位變化的結(jié)果，因此腦電信號(hào)具有穩(wěn)定性。同時(shí)，腦電信號(hào)是大腦皮層神經(jīng)元活動(dòng)所產(chǎn)生的電信號(hào)，依賴(lài)于個(gè)體的大腦活躍模式，具有高度的個(gè)體依賴(lài)性。并且，每個(gè)個(gè)體的思維狀態(tài)是不同的，不能偽造以及復(fù)制，所以腦電信號(hào)是不可竊取以及偽造的。對(duì)于同樣的外部刺激、同樣的生理活動(dòng)或任務(wù)，甚至是同樣在靜息狀態(tài)下，不同個(gè)體的神經(jīng)活動(dòng)情況也有很大的差異，因此，腦電信號(hào)具有個(gè)體獨(dú)一無(wú)二的特性，具有唯一性［10，24-26］。此外，在醫(yī)學(xué)上定義人死亡也就是腦死亡［27］，因此腦電信號(hào)可以作為個(gè)體的生命指標(biāo)，即活體檢測(cè)的依據(jù)。綜上所述，腦電信號(hào)可應(yīng)用于腦紋識(shí)別［16，28-30］。

2 腦紋識(shí)別研究現(xiàn)狀

近年來(lái)，基于腦電信號(hào)的身份特征識(shí)別技術(shù)受到了越來(lái)越多研究人員的關(guān)注，并且進(jìn)行了大量實(shí)踐研究。針對(duì)腦電信號(hào)進(jìn)行身份識(shí)別和認(rèn)證研究有許多的方式，根據(jù)腦電信號(hào)的種類(lèi)大致可以分為以下四大類(lèi)（見(jiàn)表2）。

表2 基于腦電的身份特征識(shí)別方法發(fā)展Tab.2 Development of identity recognition based on EEG

2.1 基于靜息電位的腦紋識(shí)別

靜息態(tài)是一種大腦不執(zhí)行具體認(rèn)知任務(wù)，保持安靜、放松、清醒的狀態(tài)，是大腦所處的各種復(fù)雜狀態(tài)中最基礎(chǔ)和最本質(zhì)的狀態(tài)［31］。利用核磁共振成像，靜息態(tài)功能不需要被試完成特定的任務(wù)，就能夠直接顯示不同腦區(qū)之間的低頻血氧水平依賴(lài)（blood oxygen level-dependent，BLOD）信號(hào)的同步波動(dòng)，能夠反映基礎(chǔ)狀態(tài)下中樞神經(jīng)系統(tǒng)的自發(fā)活動(dòng)［32］。在完全靜息狀態(tài)下，不同人的大腦所產(chǎn)生的腦電信號(hào)是不同的，即腦電信號(hào)攜帶有主體獨(dú)一無(wú)二的特性，可以對(duì)靜息態(tài)下的腦電信號(hào)進(jìn)行個(gè)人身份的識(shí)別。

靜息電位在很早的時(shí)候就引起了人們的關(guān)注，Paranjape等首次將靜息態(tài)下睜眼和閉眼時(shí)的腦電信號(hào)作為生物特征進(jìn)行身份識(shí)別，利用AR模型對(duì)40名被試進(jìn)行身份識(shí)別，準(zhǔn)確率超過(guò)了80%［14］。劉泉影等提出一種在靜息態(tài)采集環(huán)境下基于單導(dǎo)腦電的身份識(shí)別方法，對(duì)11名被試進(jìn)行腦電采集，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，準(zhǔn)確率可以達(dá)到90%以上［33］。Maiorana等通過(guò)均值主成分分析（principal component analysis，PCA）和多維線(xiàn)性主成分分析（multilinear PCA，MPCA），分別提出本征腦和本征張量腦的概念，在實(shí)驗(yàn)過(guò)程中提取30名被試在靜息態(tài)下的腦電信號(hào)，將其投影到均值PCA和多維線(xiàn)性PCA空間中，再利用線(xiàn)性判別分析（linear discriminant analysis，LDA）進(jìn)行分類(lèi)，分類(lèi)準(zhǔn)確率可達(dá)到87.94%［34］。Bose等采集57位精神分裂癥被試和27位正常被試的靜息態(tài)、過(guò)度通氣和換氣后閉眼條件下的腦電數(shù)據(jù)，利用有限脈沖響應(yīng)濾波器，將腦電信號(hào)濾波到delta、theta、alpha和beta波段，然后alpha波段的腦電信號(hào)使用支持向量機(jī)（support vector machine，SVM）分類(lèi)器進(jìn)行分類(lèi)，分類(lèi)準(zhǔn)確率達(dá)到83.33%［35］。

2.2 基于視覺(jué)誘發(fā)電位的腦紋識(shí)別

視覺(jué)誘發(fā)電位（visual evoked potential，VEP）是指神經(jīng)系統(tǒng)接受視覺(jué)刺激（如圖形或閃光刺激）所產(chǎn)生的特定活動(dòng)［36］。視覺(jué)誘發(fā)電位發(fā)生在特定的時(shí)間和部位，比較容易檢測(cè)，適用于腦機(jī)接口。對(duì)被試要求低，只要被試視覺(jué)功能正常，就可以利用視覺(jué)誘發(fā)電位信號(hào)實(shí)現(xiàn)，并且被試無(wú)需訓(xùn)練或者只需要進(jìn)行少量的訓(xùn)練。

2009年，Das等使用基于視覺(jué)誘發(fā)電位的腦電信號(hào)進(jìn)行身份特征識(shí)別研究，他們記錄了20名被試的VEP信號(hào)，通過(guò)時(shí)空濾波器提取特征，然后利用支持向量機(jī)和線(xiàn)性判別分析進(jìn)行分類(lèi)，識(shí)別準(zhǔn)確率分別為75%和 91%［15］。Paranjape等從102名被試中采集了gamma波段視覺(jué)誘發(fā)電位的腦電信號(hào)，通過(guò)功率譜來(lái)提取特征向量，然后使用K-近鄰算法和Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，平均識(shí)別準(zhǔn)確率分別為96.13%和98.12%［37-38］。Gui等采用小波包分解方法對(duì)32名被試的VEP腦電數(shù)據(jù)進(jìn)行特征提取，采用人工神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器進(jìn)行身份特征識(shí)別，平均分類(lèi)準(zhǔn)確率為94.4%［39］。

雖然視覺(jué)誘發(fā)腦電的識(shí)別率比自發(fā)腦電要高，但是視覺(jué)誘發(fā)腦電需要不斷顯示圖片以刺激視覺(jué)，容易引發(fā)被試視覺(jué)疲勞，并且要求精力非常集中。同時(shí)，利用視覺(jué)誘發(fā)腦電進(jìn)行身份識(shí)別不能應(yīng)用于有視覺(jué)功能障礙的被試。

2.3 基于運(yùn)動(dòng)想像的腦紋識(shí)別

運(yùn)動(dòng)想像腦電就是想像某種肢體運(yùn)動(dòng)時(shí)的腦電模式。現(xiàn)代神經(jīng)電生理學(xué)研究表明［40］：當(dāng)進(jìn)行肢體運(yùn)動(dòng)或運(yùn)動(dòng)想像時(shí)，將對(duì)應(yīng)激活初級(jí)感覺(jué)運(yùn)動(dòng)區(qū)，在想像準(zhǔn)備運(yùn)動(dòng)或者想像運(yùn)動(dòng)時(shí)都會(huì)出現(xiàn)μ波和β波的減小，腦區(qū)EEG成分在功率譜上出現(xiàn)事件相關(guān)（去）同步（ERD/ERS）現(xiàn)象［41］。不同運(yùn)動(dòng)想像任務(wù)時(shí)所激活的腦區(qū)不同，不同任務(wù)的運(yùn)動(dòng)想像腦電在特征頻段上也有所差別，因此運(yùn)動(dòng)想像腦電信號(hào)具有空間特性。該方法適合身體殘疾、視覺(jué)缺陷的各類(lèi)病人，有較好的適用性。

Marcel等利用9名被試執(zhí)行運(yùn)動(dòng)想像任務(wù)時(shí)的腦電信號(hào)進(jìn)行身份認(rèn)證研究，提出了一種基于高斯混合模型和最大后驗(yàn)概率模型的統(tǒng)計(jì)框架，對(duì)錯(cuò)誤接受率和錯(cuò)誤拒絕率兩種情況進(jìn)行統(tǒng)計(jì)，平均錯(cuò)誤率為7.1%［16］。胡劍鋒等使用自回歸模型、信號(hào)功率譜、復(fù)雜度等方法，對(duì)運(yùn)動(dòng)想像腦電信號(hào)進(jìn)行特征提取，最后用BP神經(jīng)網(wǎng)絡(luò)對(duì)降維后的特征向量進(jìn)行身份識(shí)別，想像左手、右手、腿和舌頭運(yùn)動(dòng)的平均識(shí)別率分別為81.2%、82.1%、82.8%和 90.6%［42-43］。

然而，利用運(yùn)動(dòng)想像腦電數(shù)據(jù)進(jìn)行身份識(shí)別具有一定的局限性。在采集腦電信號(hào)過(guò)程中，需要被試高度配合，并且給予被試的運(yùn)動(dòng)想像類(lèi)型非常重要，不同的實(shí)驗(yàn)范式對(duì)被試的身份識(shí)別有較大的影響。

2.4 基于事件相關(guān)電位的腦紋識(shí)別

事件相關(guān)電位（event-related potential，ERP）是一種特殊的誘發(fā)電位，是當(dāng)人對(duì)客體進(jìn)行認(rèn)知加工（如注意、記憶、思維）時(shí)通過(guò)平均疊加從頭顱表面記錄到的大腦電位，它反映認(rèn)知過(guò)程中大腦的神經(jīng)電生理改變［44］。與感覺(jué)密切相關(guān)的ERP是BCI系統(tǒng)自主意識(shí)信息轉(zhuǎn)化的經(jīng)典范式之一，通過(guò)視覺(jué)、聽(tīng)覺(jué)、體感等刺激誘發(fā)，ERP不僅體現(xiàn)大腦的單純生理活動(dòng)，并反映心理活動(dòng)的某些方法內(nèi)容［45］，不同個(gè)體間的特異性更強(qiáng)。在目前相關(guān)的實(shí)驗(yàn)研究中，ERP特征被應(yīng)用于腦電身份識(shí)別。

Yeom等提出了一種對(duì)自身人臉圖片具有特殊反應(yīng)的腦電身份識(shí)別范式，對(duì)10名被試（包括一對(duì)同卵雙胞胎）進(jìn)行實(shí)驗(yàn)并采集腦電信號(hào)，利用N170和N250事件相關(guān)電位成分進(jìn)行身份識(shí)別，平均準(zhǔn)確率為86.1%［17］。隨著腦紋概念［1］的提出，Armstrong等將ERP成分作為生物特征進(jìn)行身份識(shí)別［46］。課題組利用45名被試的ERP成分（N400）進(jìn)行身份識(shí)別，準(zhǔn)確率為82% ～97%，6個(gè)月后部分參與者的腦電識(shí)別準(zhǔn)確率依然保持不變。天津大學(xué)的劉晶等采集了55名被試的腦電數(shù)據(jù)，對(duì)Farwell范式［47］誘發(fā)事件相關(guān)電位的身份識(shí)別可行性進(jìn)行驗(yàn)證，結(jié)果顯示靶刺激及非靶刺激的ERP特征（P300）正確率分別可達(dá)到92.50% 和93.27%［48］。中南民族大學(xué)的官金安等設(shè)計(jì)模擬閱讀ERP實(shí)驗(yàn)，采用非監(jiān)督特征學(xué)習(xí)方法對(duì)多名被試者的腦電信號(hào)進(jìn)行特征提取并分類(lèi)。實(shí)驗(yàn)結(jié)果表明：采用人工神經(jīng)網(wǎng)絡(luò)對(duì)5名被試的特征向量進(jìn)行分類(lèi)，正確率高于90%［49］。Touyama等利用事件相關(guān)電位的P300特征進(jìn)行身份識(shí)別，將9張照片作為視覺(jué)刺激隨機(jī)呈現(xiàn)給5名被試，被試選擇目標(biāo)刺激，不同的被試選擇不同的目標(biāo)刺激，通過(guò)PDA和LDA進(jìn)行分類(lèi)識(shí)別，準(zhǔn)確率可達(dá)到87.2%和97.6%，次數(shù)越多，識(shí)別越準(zhǔn)確［50］。

雖然這些研究都得到了較高的準(zhǔn)確率，但是利用事件相關(guān)電位進(jìn)行腦電身份識(shí)別，在采集數(shù)據(jù)過(guò)程中需要被試配合執(zhí)行額外的認(rèn)知任務(wù)，因此不適用于存在認(rèn)知功能障礙的被試。

3 展望

作為具有廣泛應(yīng)用背景的研究領(lǐng)域，對(duì)基于生物特征的身份識(shí)別系統(tǒng)的安全性能的要求也在不斷提高。然而，作為一種新型的生物特征，腦電信號(hào)在隱蔽性、不可竊取性、不可仿制性以及必須活體等方面具有獨(dú)特的優(yōu)勢(shì)，很大程度上彌補(bǔ)了傳統(tǒng)生物特征的缺陷［18］。作為一個(gè)交叉學(xué)科領(lǐng)域［35］，腦電的身份識(shí)別有著廣闊的研究前景和應(yīng)用價(jià)值，主要從以下幾個(gè)方面對(duì)腦電身份識(shí)別的未來(lái)發(fā)展進(jìn)行展望。

1）盡管各課題組對(duì)腦電身份識(shí)別進(jìn)行了廣泛的研究，也在現(xiàn)實(shí)應(yīng)用中做了一些嘗試，但是還存在一定的缺陷。例如，基于視覺(jué)誘發(fā)電位和事件相關(guān)電位的腦電身份識(shí)別，在腦電信號(hào)采集過(guò)程中，必須使用額外的設(shè)備進(jìn)行視覺(jué)刺激或者需要被試執(zhí)行額外的認(rèn)知任務(wù)，因此不能應(yīng)用于視覺(jué)功能障礙或者認(rèn)知功能缺陷的人群。基于運(yùn)動(dòng)想像的腦電識(shí)別方法，需要采集被試想像左手、右手、腿、舌頭等4種運(yùn)動(dòng)的EEG信號(hào)，另外基于靜息態(tài)的方法也需要被試精神狀態(tài)放松，這都需要被試的高度配合。如果將其應(yīng)用于犯罪身份識(shí)別中，犯罪分子不但可能不配合有關(guān)部門(mén)的測(cè)試任務(wù)，還可能會(huì)千方百計(jì)地偏離任務(wù)要求以躲避身份識(shí)別，所以該類(lèi)方法將會(huì)面臨巨大挑戰(zhàn)，即被試需要在特定的任務(wù)情況下進(jìn)行腦電信號(hào)的采集，實(shí)用性不足。另外，各課題組提出的腦電身份識(shí)別方法只針對(duì)一種任務(wù)狀態(tài)進(jìn)行腦紋識(shí)別，不能做到普適性，即只能針對(duì)各自任務(wù)對(duì)應(yīng)的腦電信號(hào)進(jìn)行身份識(shí)別，一種身份識(shí)別方法只能針對(duì)一種認(rèn)知任務(wù)狀態(tài)，這就對(duì)腦電身份識(shí)別的推廣造成了很大的障礙。綜上所述，研究一種任務(wù)無(wú)關(guān)的腦電信號(hào)身份特征識(shí)別方法，對(duì)在不同任務(wù)狀態(tài)下所產(chǎn)生的腦電信號(hào)都能進(jìn)行身份特征識(shí)別尤為重要。

2）各課題組在不同任務(wù)狀態(tài)下，利用傳統(tǒng)腦電設(shè)備采集腦電信號(hào)進(jìn)行身份識(shí)別研究（見(jiàn)表2）。然而，傳統(tǒng)腦電采集設(shè)備價(jià)格昂貴、體積大，操作過(guò)程比較復(fù)雜，采集過(guò)程耗時(shí)費(fèi)力，不能很好地滿(mǎn)足個(gè)人身份識(shí)別的應(yīng)用需求。隨著技術(shù)的不斷發(fā)展與進(jìn)步，腦電采集方式變得越來(lái)越簡(jiǎn)單，如出現(xiàn)了干電極技術(shù)（無(wú)需抹膠）。另外，由于腦-機(jī)接口領(lǐng)域的發(fā)展，一些實(shí)用的小型和輕型腦電信號(hào)采集設(shè)備已出現(xiàn)［18］。例如，Emotiv、Neurosky、Mindo 等可穿戴的腦電采集設(shè)備正逐漸呈現(xiàn)在人們的視野中。戴逸翔等利用可穿戴設(shè)備采集腦電信號(hào)，提出了一種基于EEG壓縮感知進(jìn)行網(wǎng)頁(yè)在線(xiàn)身份識(shí)別的方法，對(duì)EEG數(shù)據(jù)進(jìn)行壓縮以應(yīng)對(duì)大規(guī)模腦電數(shù)據(jù)造成的識(shí)別誤差，對(duì)16名被試進(jìn)行身份識(shí)別，分類(lèi)準(zhǔn)確率達(dá)到93.73%［52］。因此，在未來(lái)的腦電身份識(shí)別的實(shí)驗(yàn)中，腦電采集過(guò)程將盡量做到簡(jiǎn)單方便。

3）醫(yī)學(xué)和研究表明，對(duì)于健康成年人而言，EEG的幅度和頻率隨著人的狀態(tài)和年齡的改變而改變［53］。研究中需要關(guān)注腦電信號(hào)的持續(xù)時(shí)間，通過(guò)分析比較不同時(shí)期獲取的EEG信號(hào)來(lái)推測(cè)EEG特征的穩(wěn)定性［54］。目前，研究中采集腦電信號(hào)的間隔時(shí)間都較為短，所以對(duì)于間隔時(shí)間更長(zhǎng)（如采集時(shí)間間隔為10年）的腦電信號(hào)是否仍然可以用于身份識(shí)別，暫時(shí)還不能給出結(jié)論。因此，在未來(lái)的研究中，可以有針對(duì)性地采集相同志愿者10年后的腦電信號(hào)進(jìn)行分析，進(jìn)一步研究時(shí)間對(duì)腦電信號(hào)識(shí)別的影響。

4 結(jié)語(yǔ)

文中分析了腦紋識(shí)別生理研究基礎(chǔ)以及腦電信號(hào)用于身份識(shí)別的可行性，接著介紹了基于靜息電位、視覺(jué)誘發(fā)電位、運(yùn)動(dòng)想像、事件相關(guān)電位的腦電信號(hào)進(jìn)行身份識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀，并且對(duì)腦電信號(hào)身份識(shí)別的未來(lái)發(fā)展進(jìn)行展望。腦電信號(hào)作為一種新型的生物特征，在信息社會(huì)安全需求日益加劇的背景下，腦紋識(shí)別有廣闊的研究?jī)r(jià)值和應(yīng)用前景。隨著可穿戴便攜式設(shè)備的快速發(fā)展，腦電信號(hào)的采集方式越來(lái)越簡(jiǎn)單，這為腦紋識(shí)別奠定了技術(shù)基礎(chǔ)。同時(shí)，基于任務(wù)無(wú)關(guān)的腦電信號(hào)識(shí)別方法將是未來(lái)的研究熱點(diǎn)。

［1］ Beranek B.Voice biometrics：success stories，success factors and what′s next［J］.Biometric Technol Today，2013，2013（7）：9-11.

［2］ Ramon M，Vizioli L，Liushuang J，et al. Neural microgenesis of personally familiar face recognition［J］.Proc Nati Acad Sci，2015，112（35）：4835-4844.

［3］ Marsico MD，Petrosino A，Ricciardi S.Iris Recognition through Machine Learning Techniques：a Survey［J］.Pattern Recogn Lett，2016，82：106-115.

［4］ Goodwin WH，Simmons T.Disaster Victim Identification［J］.Encycl Foren Sci，2013，23（2）：332-338.

［5］ Soweon Y，Jain AK.Longitudinal study of fingerprint recognition［J］.Proc Nati Acad Sci，2015，112（28）：8555-8560.

［6］ Malathy C，Sadiq AK，Annapurani K.An innovative approach for person identification by detection and extraction of optic disc from retina and concha from ear［J］.J Comput Sci，2015，11（1）：153-165.

［7］ Hong Danfeng，Liu Wanquan，Su Jian，etal. A novel hierarchical approach for multispectral palmprint recognition［J］.Neurocomputing，2015，151：511-521.

［8］ Jain AK，F(xiàn)lynn P，Ross A.Handbook of Biometrics［M］.Berlin：Springer，2007.

［9］ 李鵬宇.基于腦電信號(hào)的身份認(rèn)證［D］.北京：北京郵電大學(xué)，2015.

［10］ Brunelli R，Poggio T. Face recognition：Featuresversus templates［J］.IEEE Trans Pattern Anal Mach Intell，1993，15（10）：1042-1052.

［11］ Piotrowski Z，Gajewski P.Voice spoofing as an impersonation attack and the way of protection ［J］.J Inform Assur Secur，2007，2（3）：223-225.

［12］ Lee SJ，Kang RP，Kim J.Robust Fake Iris Detection Based on Variation of the Reflectance Ratio Between the IRIS and the Sclera［C］ //2006 Biometrics Symposium：Special Session on Research at the Biometric Consortium Conference.Baltimore：IEEE，2006：1-6.

［13］ Armstrong BC，Ruiz-Blondet MV，Khalifian N，et al.Brainprint：Assessing the uniqueness，collectability，and permanence of a novel method for ERP biometrics［J］.Neurocomputing，2015，166：59-67.

［14］ Paranjape RB，Mahovsky J，BenedicentiL，etal. The electroencephalogram as a biometric［C］ //2001 Canadian Conference on Electrical and Computer Engineering（CCECE）.Toronto：IEEE，2001，2：1363-1366.

［15］ Das K，Zhang S，Giesbrecht B，et al.Using rapid visually evoked EEG activity for person identification［C］ //International Conference of the IEEE Engineering in Medicine and Biology Society（EMBS）.Minneapolis：IEEE，2009：2490-2493.

［16］ Marcel S，Millan JR.Person authentication using brainwaves（EEG）and maximum a posteriori model adaptation［J］.IEEE Trans Pattern Anal mach intell，2007，29（4）：743-752.

［17］ Yeom SK，Suk HI，Lee SW.Person authentication from neural activity of face-specific visual self-representation［J］.Pattern Recogn，2013，46（4）：1159-1169.

［18］ 夏立文.基于腦電波信號(hào)的身份識(shí)別技術(shù)［D］.北京：北京郵電大學(xué)，2011.

［19］ 鄭德高. 神經(jīng)元和神經(jīng)網(wǎng)絡(luò)模型［J］. 科學(xué)，1992（6）：34-36.

［20］ 夏陽(yáng)，堯德中.神經(jīng)信息學(xué)基礎(chǔ)［M］.成都：電子科技大學(xué)出版社，2015：79-80.

［21］ 堯德中.腦信息科學(xué)：概念、內(nèi)容與挑戰(zhàn)［J］.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2016，35（2）：129-132.

［22］ 林偉成.基于EEG信號(hào)的認(rèn)知任務(wù)模式分類(lèi)研究［D］.杭州：杭州電子科技大學(xué)，2013.

［23］ Sanei S，Chambers JA.EEG signal processing ［M］ //The Fernow Watershed Acidification Study.Netherlands：Springer，2007：207-236.

［24］ Palaniappan R，Mandic DP.Biometrics from brain electrical activity：a machine learning approach［J］.IEEE Trans Pattern Anal Mach Intell，2007，29（4）：738-742.

［25］ Thorpe J，Van Oorschot PC，Somayaji A. Pass-thoughts：authenticating with our minds［J］.Proc New Secur Parad Arrow，2005，2005：45-56.

［26］ Palaniappan R，Ravi KVR.Improving visual evoked potential feature classification for person recognition using PCA and normalization［J］.Pattern Recogn Lett，2006，27（7）：726-733.

［27］ 衛(wèi)生部腦死亡判定標(biāo)準(zhǔn)起草小組.腦死亡判定標(biāo)準(zhǔn)（成人）［J］. 現(xiàn)代實(shí)用醫(yī)學(xué)，2004，16（4）：241-241.

［28］ Shedeed HA.A new method for person identification in a biometric security system based on brain EEG signal processing［C］ //2011 5th International Conference on Application of Information and Communication Technologies（AICT）.Baku：IEEE，2011：1205-1210.

［29］ Mohammadi G，Shoushtari P，Molaee-Ardekani B，et al.Person identification by using AR modelforEEG signals［J］.Enformatika，2006，11：281-285.

［30］ Abdullah MK，Subari KS，Loong JLC，et al.Analysis of the EEG signal for a practical biometric system［J］.World Acad Sci Eng Technol，2010（68）：364-368.

［31］ 楊劍，陳書(shū)燊，皇甫浩然，等.靜息態(tài)腦電信號(hào)動(dòng)態(tài)功能連接分析［J］. 物理學(xué)報(bào)，2015，64（5）：374-383.

［32］ 李珈含，王欣，成立立，等.不同動(dòng)機(jī)特質(zhì)在靜息態(tài)下腦功能的相關(guān)研究［J］.國(guó)際醫(yī)學(xué)放射學(xué)雜志，2016，39（5）：468-472.

［33］ 劉泉影.普適環(huán)境下基于靜息態(tài)腦電的身份識(shí)別研究［D］.蘭州：蘭州大學(xué)，2013.

［34］ Maiorana E，Rocca DL，Campisi P. EigenBrains and EigenTensorBrains：Parsimonious bases for EEG biometrics［J］.Neurocomputing，2016，171：638-648.

［35］ Bose T，Sivakumar SD，Kesavamurthy B.Identification of schizophrenia using EEG alpha band power during hyperventilation and post-hyperventilation［J］.J Med Biol Eng，2016：1-11.

［36］ 何慶華.基于視覺(jué)誘發(fā)電位的腦機(jī)接口實(shí)驗(yàn)研究［D］.重慶：重慶大學(xué)，2003.

［37］ Palaniappan R，Mandic DP.Biometrics from brain electrical activity：A machine learning approach［J］.IEEE Trans Pattern Anal Mach Intell，2007，29（4）：738-742.

［38］ Das R，Piciucco E，Maiorana E，et al.Visually evoked potentials for EEG biometrie recognition［C］ //2016 First International Workshop on Sensing，Processing and Learning for Intelligent Machines（SPLINE）.New York：IEEE，2016：1-5.

［39］ Gui Qiong，Jin Zhanpeng，Xu Wenyao.Exploring EEG-based biometrics for user identification and authentication［C］ //The IEEE Signal Processing in Medicine and Biology Symposium（SPMB）.Philadelphia：IEEE，2015：1-6.

［40］ Wan Baikun，Liu Yangang，Ming Ding，etal. Feature recognition of multi-class imaginary movements in brain-computer interface［C］ //IEEE InternationalConferenceon Virtual Environments，Human-Computer Interfaces and Measurements Systems（VECIMS）.Hong Kong：IEEE，2009：250-254.

［41］ Pfurtscheller G，F(xiàn)h LDS. Event-related EEG/MEG synchronization and desynchronization：basic principles［J］.Clin Neurophysiol，1999，110（11）：1842-1857.

［42］ 胡劍鋒，包學(xué)才.基于EEG信號(hào)的身份識(shí)別方法［J］.中國(guó)組織工程研究與臨床康復(fù)，2009，13（17）：3260-3264.

［43］ 胡劍鋒，包學(xué)才.基于腦電密碼的新型生物識(shí)別方法［J］.中國(guó)組織工程研究與臨床康復(fù)，2010（43）：8081-8085.

［44］ Steven J. An Introduction to the Event-Related Potential Technique［M］.London：The MIT Press，2005：1-35.

［45］ 明東.用于腦機(jī)接口的感覺(jué)刺激事件相關(guān)電位研究進(jìn)展［J］. 電子測(cè)量與儀器學(xué)報(bào)，2009，23（6）：1-6.

［46］ Ruiz-Blondet M，Khalifian N，Armstrong BC，et al.Brainprint：Identifying unique features of neural activity with machine learning［C］ //The 36th Annual Conference of the Cognitive Science Society.Quebec：Phil Papers，2014：827-832.

［47］ Krusienski DJ，Sellers EW，Cabestaing F，et al.A comparison of classification techniques for the P300 Speller［J］.J Neural Eng，2006，3（4）：299-305.

［48］ 劉晶，白艷茹，許敏鵬，等.基于Farwell范式誘發(fā)ERP的身份識(shí)別研究［J］.電子測(cè)量與儀器學(xué)報(bào)，2015（2）：221-226.

［49］ 官金安，高煒，周到，等.非監(jiān)督特征學(xué)習(xí)方法在腦電身份識(shí)別中的應(yīng)用［J］.中南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（4）：85-89.

［50］ Touyama H，Hirose M.Non-target photo images in oddball paradigm improve EEG-based personal identification rates［C］ //International Conference of the IEEE Engineering in Medicine and Biology Society（EMBS）.Vancouver：IEEE，2008：4118-4121.

［51］ Xiao Dan，Hu Jianfeng.Identification of motor imagery EEG signal［J］.Comput Eng Appl，2010：1-4.

［52］ Dai Yixiang，Wang Xue，Li Xuanping，et al.Sparse EEG compressive sensing for web-enabled person identification［J］.Measurement，2015，74：11-20.

［53］ Brunori M，Colosimo A，Wilson MT.EEG signal processing［J］.Comput Intel Neurosci，2007，2007（2）：1178-1181.

［54］ Maiorana E，Rocca DL，Campisi P.On the permanence of EEG signals for biometric recognition ［J］. IEEE Trans Inform Forensics Secur，2016，11（1）：163-175.

The Survey of EEG Fingerprints Identification

Wang Luyun Kong Wanzeng?Zhang Xinyu Fan Qiaonan
（School of Computer Science and Technology，Hangzhou Dianzi University，Hangzhou310018，China）

Personal identification is particularly important in information security.The traditional way of identification is not sufficient in terms of security.As a new type of biometrics，electroencephalogram（EEG）signals has unique advantages of unstolenness，unforgeability andin vivodetection.It provides a more secure biometric method for identification.Therefore，EEG fingerprints is promising both in terms of scientific research and real-world application.In this paper，the state of art of the identification technologies based on EEG signals are reviewed.It also introduces the principles and methods of EEG fingerprints identification with regarding to resting state，visual evoked potential（VEP），motor imagery and event-related potential（ERP）.Meanwhile，both advantages and limitations of these methods are discussed.Finally，research direction is summarized.

EEG fingerprints identification；resting potential；visual evoked potential；motor imagery；eventrelated potential

R318 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：0258-8021（2017）05-0602-06

10.3969 /j.issn.0258-8021.2017.05.013

2017-03-10，錄用日期：2017-04-21

國(guó)家自然科學(xué)基金（61671193）；國(guó)家國(guó)際科技合作專(zhuān)項(xiàng)資助項(xiàng)目（2014DFG12570）

?通信作者（Corresponding author），E-mail：kongwanzeng@hdu.edu.cn