腦紋識別研究綜述

汪露雲(yún) 孔萬增 張昕昱 范巧男

（杭州電子科技大學計算機學院，杭州 310018）

腦紋識別研究綜述

汪露雲(yún) 孔萬增?張昕昱 范巧男

（杭州電子科技大學計算機學院，杭州 310018）

個人身份識別在當今互聯(lián)網(wǎng)信息時代有著重要的意義，而傳統(tǒng)的身份識別方式在安全上無法得到充分保證。腦電信號作為一種新型的生物特征，在不可竊取、不可偽造、必須活體檢測等方面具有獨特的優(yōu)勢，能為身份識別提供更安全的生物識別方法。因此，腦紋識別有著廣闊的研究前景和應用價值。回顧近年來基于腦電信號的身份識別技術，詳細闡述基于靜息電位、視覺誘發(fā)電位（VEP）、運動想像、事件相關電位（ERP）在腦紋識別過程中的基本原理與方法，并分析各自的優(yōu)勢和局限性；最后就腦紋識別研究現(xiàn)狀進行論述，并對其研究前景進行展望。

腦紋識別；靜息電位；視覺誘發(fā)電位；運動想像；事件相關電位

引言

在當今信息時代，個人身份識別無論對防恐安全還是互聯(lián)網(wǎng)信息安全都有著重要意義。如何準確鑒定一個人的身份，自古以來都是一個關鍵性的社會問題。如今，互聯(lián)網(wǎng)和智慧城市為經濟的發(fā)展帶來了機遇，同時也帶來了許多安全隱患，其中部分則與身份信息的識別與驗證有關。傳統(tǒng)的身份識別方式主要是通過特征物品（如身份證）和特定知識（如密碼）進行鑒別的，這些特征存在著可分離性的問題，進而會引起遺失、脅迫、仿制、冒用、破譯等現(xiàn)象，在安全上無法得到充分的保證。

原則上，人的任何生理或行為特征只要滿足以下條件，就可作為生物特征用于身份識別：普遍性、唯一性、穩(wěn)定性、可采集性、可接受性以及抗欺騙性。基于生物特征的識別技術，如聲紋識別［1］、人臉識別［2］、虹膜識別［3］、DNA 識別［4］、指紋識別［5］、視網(wǎng)膜識別［6］和掌紋識別［7］等，在防偽和防攻破方面相比舊有的身份識別方法有了很大的提升［8］，可以有效地解決傳統(tǒng)身份識別中存在的這些問題，但仍然都存在著容易被篡改、被復制、被脅迫使用的缺點，同時不能進行活體檢測。研究顯示：用明膠制成的假手指，可以輕而易舉地騙過指紋識別系統(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），也可以達到指紋識別的目的［9］。犯罪手段的不斷智能化、科技化，使生物特征識別技術面臨新的挑戰(zhàn)。雖然研究者們已經提出一些活體檢測和抗偽造的方法，但是這些系統(tǒng)的防惡意入侵能力仍然較低［10-12］。因此，在一些國防、軍工、金融等機密性和安全性要求較高的應用領域，傳統(tǒng)生物特征識別系統(tǒng)仍然存在著被攻破的風險。

賓漢頓大學Sarah Laszlo課題組提出了腦紋［13］這一新概念，是指大腦所產生的一種獨一無二、具有可采集性和持久性并可用于身份識別和驗證的腦電信號特征。腦電信號是一種新型的生物特征識別形式，滿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，腦電信號具有相對穩(wěn)定性。由于腦電信號必須來自活體，一旦個體死亡，腦電信號就不復存在，因此它具有良好的抗脅迫性。由于腦電信號來源于大腦的思維活動，從生理角度來說，具有獨特的神經路徑模式［10］，很難偽造。研究表明，不同的個體對于同一個外部刺激，或者在思考同一事件，又或者在靜息態(tài)，大腦所產生的腦電信號是不同的［14-17］，這在一定程度上證明了人的腦電信號具有唯一性。主體在不同的思想狀態(tài)下或者在不同刺激下，大腦所產生的腦電信號與正常狀態(tài)下的腦電信號有差異，即人的腦電信號可以作為對主體思維異常狀態(tài)進行監(jiān)測的一種生物特征，因此它也可以作為是否自愿或者脅迫的有效檢測手段［18］。盡管目前科技高度發(fā)展，但竊取腦電信號的可實現(xiàn)性仍較低，這在很大程度上保證了腦電信號作為身份識別特征的安全性。因此，在機密性、安全性要求較高的應用場合中，可以使用腦電波進行身份識別，故研究腦電身份識別就顯得尤為重要。

目前常見的生物特征對比如表1所示，其中腦電信號在隱蔽性、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特的優(yōu)勢。

1 腦紋識別生理研究基礎

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

表1 生物特征特性對比［10］Tab.1 Comparison of biological features_

腦電信號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、當前正在處理的信息類型和信息量、身體正在執(zhí)行的動作和身體各器官的運作狀態(tài)等因素的變化而變化，因此腦電信號中通常包含了刺激、任務、動作等相關信息［22］。腦電信號作為每個活體都具有的生物信號［23］，對于所有生命體而言具有普遍性。由神經元構成的神經組織一旦形成便難以改變，而腦電信號是大量神經組織在同一時刻發(fā)生突觸電位變化的結果，因此腦電信號具有穩(wěn)定性。同時，腦電信號是大腦皮層神經元活動所產生的電信號，依賴于個體的大腦活躍模式，具有高度的個體依賴性。并且，每個個體的思維狀態(tài)是不同的，不能偽造以及復制，所以腦電信號是不可竊取以及偽造的。對于同樣的外部刺激、同樣的生理活動或任務，甚至是同樣在靜息狀態(tài)下，不同個體的神經活動情況也有很大的差異，因此，腦電信號具有個體獨一無二的特性，具有唯一性［10，24-26］。此外，在醫(yī)學上定義人死亡也就是腦死亡［27］，因此腦電信號可以作為個體的生命指標，即活體檢測的依據(jù)。綜上所述，腦電信號可應用于腦紋識別［16，28-30］。

2 腦紋識別研究現(xiàn)狀

近年來，基于腦電信號的身份特征識別技術受到了越來越多研究人員的關注，并且進行了大量實踐研究。針對腦電信號進行身份識別和認證研究有許多的方式，根據(jù)腦電信號的種類大致可以分為以下四大類（見表2）。

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

2.1 基于靜息電位的腦紋識別

靜息態(tài)是一種大腦不執(zhí)行具體認知任務，保持安靜、放松、清醒的狀態(tài)，是大腦所處的各種復雜狀態(tài)中最基礎和最本質的狀態(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，就能夠直接顯示不同腦區(qū)之間的低頻血氧水平依賴（blood oxygen level-dependent，BLOD）信號的同步波動，能夠反映基礎狀態(tài)下中樞神經系統(tǒng)的自發(fā)活動［32］。在完全靜息狀態(tài)下，不同人的大腦所產生的腦電信號是不同的，即腦電信號攜帶有主體獨一無二的特性，可以對靜息態(tài)下的腦電信號進行個人身份的識別。

靜息電位在很早的時候就引起了人們的關注，Paranjape等首次將靜息態(tài)下睜眼和閉眼時的腦電信號作為生物特征進行身份識別，利用AR模型對40名被試進行身份識別，準確率超過了80%［14］。劉泉影等提出一種在靜息態(tài)采集環(huán)境下基于單導腦電的身份識別方法，對11名被試進行腦電采集，利用BP神經網(wǎng)絡進行分類，準確率可以達到90%以上［33］。Maiorana等通過均值主成分分析（principal component analysis，PCA）和多維線性主成分分析（multilinear PCA，MPCA），分別提出本征腦和本征張量腦的概念，在實驗過程中提取30名被試在靜息態(tài)下的腦電信號，將其投影到均值PCA和多維線性PCA空間中，再利用線性判別分析（linear discriminant analysis，LDA）進行分類，分類準確率可達到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)，利用有限脈沖響應濾波器，將腦電信號濾波到delta、theta、alpha和beta波段，然后alpha波段的腦電信號使用支持向量機（support vector machine，SVM）分類器進行分類，分類準確率達到83.33%［35］。

2.2 基于視覺誘發(fā)電位的腦紋識別

視覺誘發(fā)電位（visual evoked potential，VEP）是指神經系統(tǒng)接受視覺刺激（如圖形或閃光刺激）所產生的特定活動［36］。視覺誘發(fā)電位發(fā)生在特定的時間和部位，比較容易檢測，適用于腦機接口。對被試要求低，只要被試視覺功能正常，就可以利用視覺誘發(fā)電位信號實現(xiàn)，并且被試無需訓練或者只需要進行少量的訓練。

2009年，Das等使用基于視覺誘發(fā)電位的腦電信號進行身份特征識別研究，他們記錄了20名被試的VEP信號，通過時空濾波器提取特征，然后利用支持向量機和線性判別分析進行分類，識別準確率分別為75%和 91%［15］。Paranjape等從102名被試中采集了gamma波段視覺誘發(fā)電位的腦電信號，通過功率譜來提取特征向量，然后使用K-近鄰算法和Elman神經網(wǎng)絡進行分類，平均識別準確率分別為96.13%和98.12%［37-38］。Gui等采用小波包分解方法對32名被試的VEP腦電數(shù)據(jù)進行特征提取，采用人工神經網(wǎng)絡作為分類器進行身份特征識別，平均分類準確率為94.4%［39］。

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

2.3 基于運動想像的腦紋識別

運動想像腦電就是想像某種肢體運動時的腦電模式?，F(xiàn)代神經電生理學研究表明［40］：當進行肢體運動或運動想像時，將對應激活初級感覺運動區(qū)，在想像準備運動或者想像運動時都會出現(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（去）同步（ERD/ERS）現(xiàn)象［41］。不同運動想像任務時所激活的腦區(qū)不同，不同任務的運動想像腦電在特征頻段上也有所差別，因此運動想像腦電信號具有空間特性。該方法適合身體殘疾、視覺缺陷的各類病人，有較好的適用性。

Marcel等利用9名被試執(zhí)行運動想像任務時的腦電信號進行身份認證研究，提出了一種基于高斯混合模型和最大后驗概率模型的統(tǒng)計框架，對錯誤接受率和錯誤拒絕率兩種情況進行統(tǒng)計，平均錯誤率為7.1%［16］。胡劍鋒等使用自回歸模型、信號功率譜、復雜度等方法，對運動想像腦電信號進行特征提取，最后用BP神經網(wǎng)絡對降維后的特征向量進行身份識別，想像左手、右手、腿和舌頭運動的平均識別率分別為81.2%、82.1%、82.8%和 90.6%［42-43］。

然而，利用運動想像腦電數(shù)據(jù)進行身份識別具有一定的局限性。在采集腦電信號過程中，需要被試高度配合，并且給予被試的運動想像類型非常重要，不同的實驗范式對被試的身份識別有較大的影響。

2.4 基于事件相關電位的腦紋識別

事件相關電位（event-related potential，ERP）是一種特殊的誘發(fā)電位，是當人對客體進行認知加工（如注意、記憶、思維）時通過平均疊加從頭顱表面記錄到的大腦電位，它反映認知過程中大腦的神經電生理改變［44］。與感覺密切相關的ERP是BCI系統(tǒng)自主意識信息轉化的經典范式之一，通過視覺、聽覺、體感等刺激誘發(fā)，ERP不僅體現(xiàn)大腦的單純生理活動，并反映心理活動的某些方法內容［45］，不同個體間的特異性更強。在目前相關的實驗研究中，ERP特征被應用于腦電身份識別。

Yeom等提出了一種對自身人臉圖片具有特殊反應的腦電身份識別范式，對10名被試（包括一對同卵雙胞胎）進行實驗并采集腦電信號，利用N170和N250事件相關電位成分進行身份識別，平均準確率為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行身份識別［46］。課題組利用45名被試的ERP成分（N400）進行身份識別，準確率為82% ～97%，6個月后部分參與者的腦電識別準確率依然保持不變。天津大學的劉晶等采集了55名被試的腦電數(shù)據(jù)，對Farwell范式［47］誘發(fā)事件相關電位的身份識別可行性進行驗證，結果顯示靶刺激及非靶刺激的ERP特征（P300）正確率分別可達到92.50% 和93.27%［48］。中南民族大學的官金安等設計模擬閱讀ERP實驗，采用非監(jiān)督特征學習方法對多名被試者的腦電信號進行特征提取并分類。實驗結果表明：采用人工神經網(wǎng)絡對5名被試的特征向量進行分類，正確率高于90%［49］。Touyama等利用事件相關電位的P300特征進行身份識別，將9張照片作為視覺刺激隨機呈現(xiàn)給5名被試，被試選擇目標刺激，不同的被試選擇不同的目標刺激，通過PDA和LDA進行分類識別，準確率可達到87.2%和97.6%，次數(shù)越多，識別越準確［50］。

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

3 展望

作為具有廣泛應用背景的研究領域，對基于生物特征的身份識別系統(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特的優(yōu)勢，很大程度上彌補了傳統(tǒng)生物特征的缺陷［18］。作為一個交叉學科領域［35］，腦電的身份識別有著廣闊的研究前景和應用價值，主要從以下幾個方面對腦電身份識別的未來發(fā)展進行展望。

1）盡管各課題組對腦電身份識別進行了廣泛的研究，也在現(xiàn)實應用中做了一些嘗試，但是還存在一定的缺陷。例如，基于視覺誘發(fā)電位和事件相關電位的腦電身份識別，在腦電信號采集過程中，必須使用額外的設備進行視覺刺激或者需要被試執(zhí)行額外的認知任務，因此不能應用于視覺功能障礙或者認知功能缺陷的人群?；谶\動想像的腦電識別方法，需要采集被試想像左手、右手、腿、舌頭等4種運動的EEG信號，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。如果將其應用于犯罪身份識別中，犯罪分子不但可能不配合有關部門的測試任務，還可能會千方百計地偏離任務要求以躲避身份識別，所以該類方法將會面臨巨大挑戰(zhàn)，即被試需要在特定的任務情況下進行腦電信號的采集，實用性不足。另外，各課題組提出的腦電身份識別方法只針對一種任務狀態(tài)進行腦紋識別，不能做到普適性，即只能針對各自任務對應的腦電信號進行身份識別，一種身份識別方法只能針對一種認知任務狀態(tài)，這就對腦電身份識別的推廣造成了很大的障礙。綜上所述，研究一種任務無關的腦電信號身份特征識別方法，對在不同任務狀態(tài)下所產生的腦電信號都能進行身份特征識別尤為重要。

2）各課題組在不同任務狀態(tài)下，利用傳統(tǒng)腦電設備采集腦電信號進行身份識別研究（見表2）。然而，傳統(tǒng)腦電采集設備價格昂貴、體積大，操作過程比較復雜，采集過程耗時費力，不能很好地滿足個人身份識別的應用需求。隨著技術的不斷發(fā)展與進步，腦電采集方式變得越來越簡單，如出現(xiàn)了干電極技術（無需抹膠）。另外，由于腦-機接口領域的發(fā)展，一些實用的小型和輕型腦電信號采集設備已出現(xiàn)［18］。例如，Emotiv、Neurosky、Mindo 等可穿戴的腦電采集設備正逐漸呈現(xiàn)在人們的視野中。戴逸翔等利用可穿戴設備采集腦電信號，提出了一種基于EEG壓縮感知進行網(wǎng)頁在線身份識別的方法，對EEG數(shù)據(jù)進行壓縮以應對大規(guī)模腦電數(shù)據(jù)造成的識別誤差，對16名被試進行身份識別，分類準確率達到93.73%［52］。因此，在未來的腦電身份識別的實驗中，腦電采集過程將盡量做到簡單方便。

3）醫(yī)學和研究表明，對于健康成年人而言，EEG的幅度和頻率隨著人的狀態(tài)和年齡的改變而改變［53］。研究中需要關注腦電信號的持續(xù)時間，通過分析比較不同時期獲取的EEG信號來推測EEG特征的穩(wěn)定性［54］。目前，研究中采集腦電信號的間隔時間都較為短，所以對于間隔時間更長（如采集時間間隔為10年）的腦電信號是否仍然可以用于身份識別，暫時還不能給出結論。因此，在未來的研究中，可以有針對性地采集相同志愿者10年后的腦電信號進行分析，進一步研究時間對腦電信號識別的影響。

4 結語

文中分析了腦紋識別生理研究基礎以及腦電信號用于身份識別的可行性，接著介紹了基于靜息電位、視覺誘發(fā)電位、運動想像、事件相關電位的腦電信號進行身份識別的國內外研究現(xiàn)狀，并且對腦電信號身份識別的未來發(fā)展進行展望。腦電信號作為一種新型的生物特征，在信息社會安全需求日益加劇的背景下，腦紋識別有廣闊的研究價值和應用前景。隨著可穿戴便攜式設備的快速發(fā)展，腦電信號的采集方式越來越簡單，這為腦紋識別奠定了技術基礎。同時，基于任務無關的腦電信號識別方法將是未來的研究熱點。

［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.基于腦電信號的身份認證［D］.北京：北京郵電大學，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.基于腦電波信號的身份識別技術［D］.北京：北京郵電大學，2011.

［19］ 鄭德高. 神經元和神經網(wǎng)絡模型［J］. 科學，1992（6）：34-36.

［20］ 夏陽，堯德中.神經信息學基礎［M］.成都：電子科技大學出版社，2015：79-80.

［21］ 堯德中.腦信息科學：概念、內容與挑戰(zhàn)［J］.中國生物醫(yī)學工程學報，2016，35（2）：129-132.

［22］ 林偉成.基于EEG信號的認知任務模式分類研究［D］.杭州：杭州電子科技大學，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)生部腦死亡判定標準起草小組.腦死亡判定標準（成人）［J］. 現(xiàn)代實用醫(yī)學，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，陳書燊，皇甫浩然，等.靜息態(tài)腦電信號動態(tài)功能連接分析［J］. 物理學報，2015，64（5）：374-383.

［32］ 李珈含，王欣，成立立，等.不同動機特質在靜息態(tài)下腦功能的相關研究［J］.國際醫(yī)學放射學雜志，2016，39（5）：468-472.

［33］ 劉泉影.普適環(huán)境下基于靜息態(tài)腦電的身份識別研究［D］.蘭州：蘭州大學，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.基于視覺誘發(fā)電位的腦機接口實驗研究［D］.重慶：重慶大學，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，包學才.基于EEG信號的身份識別方法［J］.中國組織工程研究與臨床康復，2009，13（17）：3260-3264.

［43］ 胡劍鋒，包學才.基于腦電密碼的新型生物識別方法［J］.中國組織工程研究與臨床康復，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.用于腦機接口的感覺刺激事件相關電位研究進展［J］. 電子測量與儀器學報，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的身份識別研究［J］.電子測量與儀器學報，2015（2）：221-226.

［49］ 官金安，高煒，周到，等.非監(jiān)督特征學習方法在腦電身份識別中的應用［J］.中南民族大學學報（自然科學版），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 文獻標志碼：A 文章編號：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

國家自然科學基金（61671193）；國家國際科技合作專項資助項目（2014DFG12570）

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