工程科学与技术，国际期刊23（2020）903完整文章使用自发眨眼用于人体认证作者：陈德华，陈德华.Mutasimb，M.Raihanul Basharb，[10]杨文辉，李文辉.Ashraful Aminb，Md.Kafiul Islamc，a巴西米纳斯吉拉斯联邦大学计算机科学系b孟加拉国独立大学计算机科学与工程系c孟加拉国独立大学电气和电子工程系阿提奇莱因福奥文章历史记录：2019年6月30日收到2020年4月14日修订2020年5月18日接受在线预订2020年保留字：用户认证眨眼生物识别脑电眼电递归神经网络EEGGRUEOGA B S T R A C T为了提高脑电信号的质量，通常要去除自然眨眼眼电（EOG）信号对脑电信号的污染。本文讨论了使用单独的无意识眨眼信号进行人体认证的可能性。46名受试者在观看一系列不同图片时记录了EEG数据。在实验过程中，受试者没有专注于任何眨眼任务。将眼电信号从脑电中分离出来，提取25个特征，并对数据进行预处理，以处理损坏或丢失的由于自发性和自主性眨眼在运动学变量方面具有不同的特征，并且由于先前研究统计显著性表明，自发性眨眼信号的眨眼特征很可能是由高斯概率密度函数产生的，但与自发性眨眼不同，高斯概率密度函数不能很好地区分自发性眨眼。尽管测试了几种模型，但没有一种模型能够仅使用单个自发眨眼的信息对数据进行分类。因此，我们研究了使用门控递归单元（GRU）学习一系列眨眼模式我们的研究结果表明，可以区分独立的高达98.7%的准确性，只有一个合理的短序列的涉及眨眼信号。©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍由于生物特征识别技术为身份认证提供了一种安全可行的方法，近年来得到了广泛的应用。由于指纹、面部特征、声音和虹膜等生物识别技术暴露于外部世界，它们可以被欺骗和重复使用，这使得他们脆弱[19，13]。许多研究提出使用基于EEG的身份验证，因为与其他生物识别技术不同，它不直接暴露于外部世界，并且不太可能被欺骗和再生[4]。1999年，Poulos等人首次引入了基于EEG的个人身份验证，实现了72%至84%的正确识别实例[23]。使用EEG信号，Pham等人能够对受试者的性别和年龄进行分类，准确率分别为97%和91%[22]。阿什比和同事调查了低成本*通讯作者：Plot 16，Block B，Bashundhara R/A，Dhaka 1229，Bangladesh电子邮件地址：kafiul_islam@iub.edu.bd（M.K.伊斯兰教）。心理意象任务期间的EEG个体认证[6]。使用支持向量机（SVM），他们实现了97.6%的分类准确率。最近，研究人员已经考虑在包括生物测量和通信在内的应用中使用闪烁EOG信号[26Zah-Zahhad等人设计了一项实验，要求25名受试者在8次眨眼中眨眼10次，并使用单电极设备记录EEG信号[3]。对从眨眼数据中提取的23个特征使用高斯分类器，他们发现眨眼EOG信号对每个人都有独特的特征，因此能够以97%的精度区分受试者[24]。在同一作者的另一项工作[4]中，提出了一种利用EEG和EOG信号融合的多级混合认证系统。使用线性判别分析（LDA）使作者能够将分类准确率提高6%，在此过程中达到97%的最高准确率。虽然结果是有希望的，但我们质疑结果受到实验设置（受试者所在位置）影响的可能性。https://doi.org/10.1016/j.jestch.2020.05.0072215-0986/©2020 Karabuk University. 出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch904A. Jalilifard等人/工程科学与技术，国际期刊23（2020）903要求主动眨眼），因为自主眨眼和自发眨眼的运动学变量是完全不同的[9，20]。此外，受试者数量少可能会影响分类结果。受Zah-Zahhad及其同事的启发，Wu等人[25]进行了一项研究，以开发一个多任务身份验证 系 统 。 结 合 EEG 和 自 发 EOG 信 号 与 面 部 快 速 序 列 视 觉 呈 现（RSVP），他们能够达到97.6%的平均准确率。与使用自主眨眼或EEG和非自主EOG信号的混合的先前研究不同，在此我们研究仅使用自发眨眼（自然眨眼）信号的可行性[4，3，25]。此外，不限制受试者的自然眨眼功能和收集各种随机情绪中的信号，我们解决了现有的困难，分类不平衡，相关和不同分布的随机变量，已被消除或减少在其他研究。我们还从概率密度函数和特征空间中属性的可区分性的角度研究了自发眨眼信号的性质。这项工作的主要贡献是调查自然眨眼活动作为一种手段，以相当合理的准确性来识别个人。2. 材料和方法2.1. 脑电数据采集使用采样频率为128 Hz的14通道无线耳机EPOC[1]记录EEG数据，以针对两种不同的实验设置创建两个不同的数据集：1）受试者观看视频剪辑[21]和2）要求受试者喜欢或评论计算机屏幕上显示的一系列图像。湿电极电容式EPOC具有位于位置AF3、F7、F3、FC5、T7、P7、O1、O2、P8、T8、FC6、F4、F8和AF4处的16个通道，其中P3和P4作为两个参考信道，按照标准国际10-20系统布置。然而，值得注意的是，虽然EEG记录器有14个通道，但只有一个通道（fp1）的数据用于提取眨眼数据、统计分析和分类任务。在第一个实验设置中，每个受试者坐在电脑显示器前观看6分43秒长的合成视频剪辑，视频剪辑和整个实验过程与[21]相同。对于第二个实验，我们从谷歌下载了150个广告（图像），通过搜索关键字，如广告（s），广告（s），流行的广告等，然后我们根据以下标准过滤出30个图像：a）10个图像，这将更容易被女性喜欢（化妆品，女鞋，皮肤/头发护理产品等）; b）10个更容易被男性喜欢的图像（汽车，香烟，扬声器，男鞋以及c）其余10个广告与性别无关（食品、巧克力、移动电话、旅游等）。这些图像可能刺激了一系列的情绪，模拟了一个人在日常生活中可能经历的各种普通情绪，并可能影响眨眼这个任务很简单，不需要高度的专注力。对于30张图片中的每一张，受试者只有两个选择：要么点击“喜欢”按钮，要么点击“下一步”按钮。如果在点击“喜欢”按钮后一旦他们移动到下一个图像，他们就无法返回到上一个图像。整个实验过程从装置设置到刺激时间演示文稿.一个21.5英寸的LED显示器，刷新率为60 Hz，用于此目的。我们收集了EEG数据，使用网络摄像头和屏幕视频记录参与者的视频记录。受试者在研究前阅读并同意知情同意书后才签署知情同意书，受试者的最小、最大、标准差和平均年龄分别为19岁、28岁、1.80分别为22.10在本工作中所使用的方法的整个过程流程已在1中说明。2.2. 预处理和特征提取BLINKER是一个免费的MATLAB工具箱，已被用于从记录的EEG信号中提取眨眼信号[16]。虽然我们有来自EMOTIV的14通道EEG记录，但我们仅使用AF 3（相当于Neurosky的Fp1电极）通道此外，仅使用AF 3通道的另一个目的是，我们只需要单通道EOG记录进行人体认证，不一定必须是EEG记录，它可以只是EOG记录器。这一选择也将有助于我们与其他使用单通道EEG记录仪（如Neurosky（Fp1））的现有研究进行比较。本小节描述了插件BLINKER的工作过程该算法以任意时间序列的脑电数据为输入，不论是否经过预处理，不论是单通道还是多通道，也不论是否有参考眼电通道。因此，无论输入信号类型如何，它都使用相同的技术来进行初始眨眼检测和初步眨眼参数（例如眨眼开始和结束时间）的计算在闪烁检测之前，输入序列在1和20 Hz之间进行然后，算法确定信号高于总平均值（> 1：5std +平均值）的标准差的1.5倍以上的间隔它仅考虑长于50 ms且彼此间隔至少50 ms该算法能够消除许多小的眼球运动，而不会消除许多实际的眨眼。可以使用该工具箱提取的主要眨眼特征是眨眼率、眨眼持续时间、眨眼的最大和最小幅度以及速度测量。眨眼提取的处理流程如图2所示。我们的最终队列由46名受试者的近2000个眨眼实例组成。每个参与者的实例数量不同，形成不平衡的数据集。这个数字在17个视拍摄对象而定，最多可闪烁162次。对于每次眨眼，基于Kleifges等人提出的眨眼属性提取25个特征。[16]，目的是研究原始眨眼信号的判别信息。在这 些 特 征 中 ， 正 和 负 眨 眼 信 号 的 幅 度 及 其 导 数（posAmpVelRatioBase、PeakMaxTent和PeakMaxBlink）、正和负脉冲的持续时间（durationBase、durationZero和durationTent）、从 正 和 负 脉 冲 开 始 的 正 和 负 峰 值 的 位 置 （ durationHalfBase 、durationHalfZero和durationHalfBase）具有与[3]中相同的定义。图3示出了眨眼EOG信号的示例，以及图3中的一些示例。其属性。缺失值是现实问题中的一种常见现象。K-最近邻估算（KNNI）[5]Fig. 1. 本研究采用的整个方法工艺流程简单。.Σ×þþ.Σ×不j~ j不不J不ø-不-Þ不不t-1不 不不z不zzA. Jalilifard等人 /工程科学与技术，国际期刊23（2020）903-910905其中W，U是参数矩阵，r是logistic S形函数。候选激活由下式计算：h~j<$tanhWXtUrtht1j3图二、从EEG时间序列中提取眨眼的BLINKER工具的流程（采用[16]）。其中，Rt是一组剩余门，并且Rt是逐元素操作。参数参数bh和bz是偏置向量。选择GRU是基于这样一个事实，即与长期-短期相比，内存单元（LSTM）[14]它需要更少的参数，并且在更快的收敛和更好的解决方案方面优于RNN[12]。另一方面，GRU RNN类似于LSTMRNN，尽管在等式中具有较少的外部门控信号。（一）.假设单元状态是n维的，并且输入信号是m维的。LSTM RNN中的总参数等于4n2nmn 而GRU RNN的参数数量等于3×n2<$nm<$n。这意味着与LSTM相比，GRU需要更少的参数。已经提出了几种不同的GRU架构，以进一步减少参数的数量[30]。这些架构基本上保留了Eq的架构。（1）并且集中于等式（1）中的选通信号的结构的（二）、在第一种变体GRU1中，每个门只使用先前的偏置和隐藏状态进行计算。zjrUzht1bzj4图三. 一个眨眼信号提取的例子和它的一些特征。这样，参数的数量减少了2个nm.在第二个变体GRU 2中，仅使用先前的隐藏状态来计算门，这将GRU的参数减少了2×nmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmnmzjrUzht1j5t-轴第三种变体具有最少数量的参数，利用欧氏距离函数对缺失值进行处理。使用该方法，通过考虑与感兴趣实例最相似的K个最近实例来估算每个眨眼的缺失数据。为了选择携带最相关信息的特征子集并集中对最重要的变量进行统计分析，使用了随机森林[10]算法。如图3所示，三个最重要的特征子集是：眨眼的最大幅度、连续眨眼峰值之间的间隔长度（以秒为单位）和帐篷峰值的最大高度在下一节中，研究了[3]中提出的高斯分类器对自发眨眼信号进行分类的能力之后，几个模型进行了检查，旨在找到最好的一个使用由一个单一的眨眼信号所携带的信息的数据进行分类最后，研究了人类识别的任意眨眼序列中的信息的使用2.3. 门控经常性单元（GRU）门控递归单元（GRU）[12]是传统递归神经网络（RNN）的扩展，旨在解决消失梯度问题，并能够通过具有递归隐藏状态来处理可变长度序列作为输入。让我们考虑一个眨眼的向量，X 1 ; X 2 ; X 3 ;…. ;X t.给定这一系列闪烁，GRU通过以下方式更新递归隐藏状态h j：hj1/4。1-zjhjzh仅使用偏置并将参数减少2倍。nm2.0。zj<$rbzj6Rahul等人[30]分析了这些变体与原始GRU相比的性能，并报告说第一和第二变体的性能几乎与原始GRU一样好，而第三变体的性能落后由于这项工作的主要目标是实现最佳性能，因此使用原始GRU来衡量模型的准确性。2.4. 高斯分类器的潜在用途我们通过分析[3]和本研究中使用的特征的多元分布来调查高斯分类器对单次不自主眨眼信号分类的充分性。如上所述，最重要的特征是正脉冲的持续时间、一阶导数的正峰值的幅度、一阶导数的负峰值的幅度以及从正脉冲开始的正峰值的位置（参见图4）。因此，我们只显示了这些特征的统计结果，尽管这些结果对其他变量也有效。通过证明所有的特征都是由高斯密度函数产生的，我们得出结论，自主和自发眨眼信号都是由多元高斯密度函数产生的。提取每个个体的每个变量的分布，并根据分布类型、平均值和方差。 如示于图 5、高斯分布是其中，hj、hj和h~j是在时间t处GRU的激活，不t-1tOUS和候选激活。更新门zj决定单元应该被更新多少，其计算如下：最适合作为最重要特征之一的正峰值的幅度为了量化经验分布函数和累积分布函数之间的距离，zjrWXUhþbÞð2Þ和到决定关于优度其适合，Kolmogorov-Smirnov检验[17]通过使用t-1¼¼906A. Jalilifard等人/工程科学与技术，国际期刊23（2020）903见图4。 变量重要性。与显著性水平A0： 05相关的临界值。 如表1所示，与经验数据的多元分布的临界值Ka相关的概率由高斯分布生成是不显著的，导致零假设的拒绝。考虑到所有受试者的所有特征的Kolmogorov-Smirnov检验的p值，我们确认眨眼数据的生成函数遵循高斯密度函数。在这里，我们讨论了使用高斯分类器进行人体认证的可能性，因为它是在[3]中提出的自愿眨眼。设f 1x;f 2x;. ; f nx是概率密度，p×1向量随机变量X的密度函数群体pi 人口。每个实例i必须被分配给其中一个pn。设Rn是实例被分配到的第n个临界区域 具有高度重叠的地区之间的pn人口，因为它是观察到的图。 6、在使用高斯分类器对实例进行分类时，错误率很高。这个结果是有效的对于自发眨眼信号数据集中的所有25个现有变量。这表明，尽管自主和自发眨眼的信号都是由高斯函数产生的，但考虑到[3]中实现的高分类率，我们可以得出结论，对于非自主眨眼，数据的分布不如自主眨眼那样可分离。因此，应该检查其他模型以找到最佳分类器。3. 结果和讨论每个闪烁信号的实例都标记有代表个体的唯一然后将这些标签视为每次眨眼的类别，并用于分类任务中，以使用从每个信号中提取的特征来识别每个受试者对核方法、树方法、基于距离的方法和贝叶斯模型等多种分类方法中的几种算法进行了测试，并对每种算法的准确性进行了比较。对于所有分类器，使用10倍交叉验证。K-最近邻，作为一个基于距离的算法，与K9，叶大小为30随着欧氏距离测量有最差的准确性与28%。另一方面，最好的结果是由多层感知器实现的42.4%，学习率设置为0.001，梯度下降更新的动量等于0.9和500次迭代随机森林作为一种树模型，采用Gini准则，最大深度为4和8棵树/林，分类准确率为29%。 线性支持向量机图五、随机选择6名受试者的正峰振幅Q-Q图，用于正峰振幅A. Jalilifard等人 /工程科学与技术，国际期刊23（2020）903-910907表1随机选择6名受试者的Kolmogorov-Smirnov检验结果，包括正脉冲持续时间（左上）、一阶导数正峰幅度（右上）、一阶导数负峰幅度（左下）和正脉冲一组中正峰位置（右下）。研究对象的数量，以发现其对准确性的影响。根据模型，观察到受试者数量从31（参与[4]的受试者数量）增加到46，分类率可降低40%。更具体地说，对于LDA和高斯分类器建议由Zahhad等人。在[3]中报告，有可能在当前研究中报告的最相关的变量子集在[3，25]中的重要性较低60.0786650.8449因此，有必要进行进一步调查，10.1080.4753眨眼的顺序为了做到这一点20.160470.2667数据被顺序排序，然后被馈送到GRU。为30.106150.3741优化模型，我们最多训练了256个epoch40.175440.1934使用Adam优化器[15]，学习率为0.00005，如果确认损失在两个连续时期内没有减少，则停止训练脱落概率设定为等于0.5。批量大小和嵌入维数均为30.0835460.6733设置为64。数据集被随机分割，70%进入训练40.0854020.9353设置和30%到测试集。不同尺寸的推拉窗50.114120.8788用于创建一系列眨眼的连续实例，10.5754核和容差因子等于0.001具有第二最好的结果，具有42.2%的准确性。最后，高斯分类器和线性判别分析分别达到37%和35%的分类率。由于以往的研究中被试的人数不同，我们对结果进行了不同的分析，然后用唯一ID标记与每个个体相关的每个系列。然后，分类任务是使用眨眼序列的预测ID来识别个体（其用唯一ID表示）。测试了具有1至3个隐藏层（1 l-3 l）的2、4、6和8次眨眼（2b、4 b、6 b、8b）的序列。如图8所示，随着序列中隐藏层和眨眼的数量增加，分类率变得更准确，并且中值率更接近第三四分位数。当隐藏的数量见图6。 10个随机选择的受试者的四个最重要特征的分布。1Dn;a0.14913p值0.1515[3]，我们观察到准确度分别下降了28%和20%。 如图 所 示 7没有一个测试的模型管理230.123630.102470.62380.4452使用单个自发体的信息来区分个体40.201510.1075准确度高的新眨眼。因为，这项研究几乎有一半50.135320.7717与[3，25]相同的特征，使用他们的模型进行自愿60.0767730.8901闪烁降低了具有类似高精度10.180520.399对于我们的自发无意识眨眼数据集或对于混合20.0743640.9772脑电和眼电信号然而，由于没有特征得分，50.0834670.99160.111160.449610.100210.570520.133780.481130.0638430.916540.212120.0670750.0899280.9804nTPiTNiFNiFPi¼XTP¼X908A. Jalilifard等人/工程科学与技术，国际期刊23（2020）903准确度¼XTPi我ð9Þ见图7。 六种不同分类器的分类精度箱形图。其中：TP =真阳性; FP =假阳性; TN =真阴性; FN =假阴性。实验结果表明，8次眨眼的序列携带了足够的信息，每个人都可以以98.7%的准确率，97.5%的微平均精确率和97%的微平均召回率进行分类。另一方面，一系列7次和6次眨眼分别以96.1%和97.8%的准确率、97.5%和95.2%的精确率以及96.8%和94.1%的召回率进行分类。为了估计结果的可靠性，可以给出置信区间，如下所示：zr¼errorconst×perorerror-1=nð10ÞDEN层被设置为4层或更多层，分类率的提高不显著。由于分类器中的类是不完全均衡的，因此采用准确率、精确率和召回率的微平均值来评价分类器的性能。n其中r是标准偏差，const是置信水平。通过将置信水平设置为1.96，对于未见过的群体，真实分类误差为0：018 0.006的可能性为95%模型的解释是基于统一微精密TPiiTPiFPin微召回iiTPið7Þð8Þ建议[18]。如图9（左）所示，在连续眨眼峰值之间的间隔中，眨眼的最大幅度和帐篷峰值的最大高度是当前模型中最相关的特征，并且每个序列的前四次眨眼的特征在增加分类率方面具有最大贡献。然而，对于这个模型，见图8。 GRU的分类精度随每个序列中隐藏层数量和闪烁次数变化的箱形图。见图9。 特征及其值对预测精度的影响。每个特征的索引与实例序列中的眨眼位置相关。A. Jalilifard等人 /工程科学与技术，国际期刊23（2020）903-910909表2目前的工作和以前的研究之间的比较。作者数据类型受试者人数ACC（%）对于自发和自愿眨眼也是结果发现，特征分布不完全相同。测试了几个模型，目的是找到最好的分类器，然而，没有一个模型能够以高精度区分个体。从而Zahhad et al.[3]随意眨眼信号25 97Zahhad et al.[4]随意眨眼信号，EEG 31 98.6从一个单一的渠道Zahhad et al.[2]随意眨眼信号40 93.7Wu等人[25]自发性眨眼信号，EEG4097.6从16个渠道目前的研究只有自发眨眼信号46 98.7如图9（右）所示，先前由随机森林确定的最相关和最不相关特征的贡献之间的差异并不显著。此外，对于所有特征，负值和正值都会导致更高的预测，但这些值中的每一个的影响取决于每个类别。表2提供了我们的结果与基线方法的比较。由于以前的研究使用准确性作为性能指标，因此我们在比较中使用相同的指标。与以前的研究相比，我们的方法在分类性能方面表现出色。与[4]相比，我们的方法实现了更好的准确性，但值得一提的是，Escher-Zahhad等人[3]使用的数据集包含EEG和EOG信号，并且与本工作相比，结果得到了显著较少数量的受试者的验证我们的方法也具有更好的准确性相比，其他研究进行的Zahhad等人。[3，2]。在这些工作中，仅使用EOG信号，尽管在当前研究中获得的数据与自发眨眼有关，并且实验对眨眼任务没有限制，无论是眨眼的质量还是眨眼的总数。考虑到[25]中参与的个体数量，Wu等人实现了有希望的分类率，但在他们的工作中使用了自发眨眼信号和EEG数据。相反，我们的方法取得了更好的准确性，只使用EOG信号。此外，他们在训练阶段为每个受试者使用了1500个数据样本，而在我们的研究中，平均50个样本（每个受试者）被送入GRU进行训练。在时间成本方面，Wu等人提出的方法。[25]比我们的方法性能更好，然而，认证时间高度依赖于实验设置。在我们的实验中，受试者平均每分钟眨眼12.5次。这低眨眼率可能是由个人在数据采集期间执行的视觉任务引起的[8]。因此，应该在其他条件下进行进一步的实验，例如休息和谈话[8]，以便在眨眼率较高的其他任务（平均每分钟眨眼25-30次）中找到当前方法的时间成本人们可能会质疑在诸如访问计算机、手机等的日常任务中使用一系列眨眼进行用户认证的可行性。这里，考虑到我们对使用自发眨眼的强调，该方法的可能应用涉及当他/她停留在特定区域（机场、限制区域或甚至在城市中）时的连续和长期的个人认证。此外，值得一提的是，只有第一次认证可能需要更长的时间，一旦用户被识别，下一次认证只需要一次眨眼。4. 结论在本文中，我们研究了使用自发眨眼信号的人的识别。46名受试者的数据记录在一个图片可视化任务。在对数据进行预处理后，提取了在下一步中，分析变量的分布，以检查生成函数是否研究了使用序列模型进行人认证的可能性，并测试了几个序列。 虽然通过将一系列8次眨眼所携带的信息馈送到门控递归单元神经网络来实现最佳准确度（98.7%），但我们的方法能够使用更少的眨眼次数进行准确的人体认证。对于未来的工作，建议的方法应复制在其他任务，如阅读，休息和对话。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认我们要感谢Renato Assuncão教授在这项研究过程中与我们分享他的智慧。引用[1] 14通道无线脑电耳机。https://www.emotiv.com/epoc/.粤ICP备16018888号-1[2] 谢里夫·N阿巴斯，M. E-Zahhad，作为生物识别技术的眨眼EOG信号，在：生物识别安全和隐私，施普林格，2017年，pp. 121- 140[3] 穆罕默德·萨巴赫·扎哈德谢里夫·艾哈迈德陈文辉，一种利用眨眼信号进行身份验证的生物识别方法，北京大学学报，2001。Lett. 22（7）（2015）876-880。[4] 穆罕默德·萨巴赫·扎哈德谢里夫·艾哈迈德阿巴斯，一种新的多层次的方法，以脑电为基础的人类身份验证使用眨眼，模式图。Lett. 82（2016）216-225。[5] EdgarAcuna，Caroline Rodriguez，缺失值的处理及其对分类器准确性的影响，分类，聚类和数据挖掘应用，Springer，2004，pp. 639- 647[6] Corey Ashby，Amit Bhatia，Francesco Tenore，Jacob Vogelstein，基于低成本 脑 电 图 的 身 份 验 证 。 在 神 经 工 程 （ NER ） ， 在 ： 2011 年 第 五 届 国 际IEEE/EMBS会议上，IEEE，2011年，第101页。 442- 445[7] Marie T.作者：Heather N. Taussig，人类惊吓眨眼情感调制中恐惧/威胁的显着性，Biol。心理学。 38（2 -3）（1994）117-131。[8] 安 娜 · 丽 塔 · 本 蒂 沃 利 奥 ， 苏 珊 ·B Bressman ， Emanuele Cassetta ，DonatellaCarretta，Pietro Tonali，Alberto Albanese，正常受试者眨眼率模式的分析，Mov.2004，第10页。混乱 12（6）（1997）1028-1034。[9] MatteoBologna ， RoccoAgostino ， BrunoGregori ， DanieleBelvisi ，DonatellaOttaviani，Carlo Colosimo，Giovanni Fabbrini，Alfredo Berardelli，临床可能进行性核上性麻痹患者的自愿，自发和反射性眨眼，脑132（2）（2008）502[10] Leo Breiman，随机森林，马赫。学习. 45（1）（2001）5-32。[11] 诉 BrZézinová，R.E. Kendell ，精神分裂症患者和正常人在压力下的平 滑追踪 眼动，Br。 J. 精神病学130（1）（1977）59-63。[12] Junyoung Chung，Caglar Gulcehre，KyungHyun Cho，Yoonybengio，门控递归神经网络对序列建模的经验评估。arXiv预印本arXiv：1412.3555，2014..[13] Javier Galbally，Riccardo Satta，使用三维打印模型的三维和二维半人脸识别欺骗，IET Biometrics 5（2）（2016）83[14] Sepp Hochreiter，Jürgen Schmidhuber，长短期记忆，神经计算。第9卷第8期（1997年）， 第 1735-1780页。[15] Diederik P. Kingma，Jimmy Ba，Adam：A Method for Stochastic Optimization.arXiv预印本arXiv：1412.6980，2014..[16] 放大图片创作者：David E.作者：Kay A.罗宾斯，Blinker：从脑电图中自动提取眼指数，实现大规模分析。Neurosci. 11（2017）12.[17] 休伯特·W·Lilliefors，关于均值和方差未知的kolmogorov-smirnov正态性检验，J。Am. Stat. Assoc. 62（318）（1967）399-402。[18] 斯科特·M Lundberg，Su-In Lee，解释模型预测的统一方法，在：神经信息处理系统的进展，2017年，pp. 4765- 4774[19] Tsutomu Matsumoto，Hiroyuki Matsumoto，Koji Yamada，Satoshi Hoshino，人工橡胶手指对指纹系统的影响，光学安全和防伪技术IV，第4677卷，国际光学和光子学学会，2002年，pp. 275-290。910A. Jalilifard等人/工程科学与技术，国际期刊23（2020）903[20] 伊莎贝拉Araujo莫塔，奥塔维奥戈麦斯林，Bereitschaftspotential前自发和自愿眼睑眨眼在正常人，临床. 神经生理学128（1）（2017）100-105。[21] 奥诺湾 放大图片作 者： Rayhan Sardar Tipu ，M.Raihanul Bashar ，Md KafiulIslam，M. Ashraful Amin，用于EEG信号模式识别的计算智能，在：用于模式识别的计算智能，Springer，2018年，pp. 291-320。[22] TienPham，Wanli Ma，Dat Tran，Nguyen，Dinh Phung，Multi-factor eeg-baseduserauthentication ， in ： NeuralNetworks （ IJCNN ） 2014InternationalJoint Conference on，IEEE，2014，pp. 4029- 4034[23] M. Poulos，M. Rangoussi，V. Chrissikopoulos，A.基于脑电参数化处理的身份识别。电子、电路与系统，1999年。ICECS'99会议记录。第六届IEEE国际会议，第1卷，IEEE，1999年，pp。283-286..[24] Carl Edward Rasmussen，机器学习中的高斯过程。在机器学习的高级讲座中，Springer，2004年，pp。 63比71[25] 吴Qunjian，Ying Zeng，Chi Zhang，Li Tong，Bin Yan，一种基于EEG的人员身份验证系统，具有结合眨眼信号的开放集功能，传感器18（2）（2018）335。[26] Seha，Sherif，Georgios Papangelakis，Dimitrios Hatzinakos，Ali Shahidi Zandi，Felix JE Comeau，使用眨眼模式的远程注册来改善眼动生物特征，在：ICASSP 2019-2019 IEEE国际声学会议，演讲和信号处理（ICASSP），IEEE，2019年，pp。2562-2566..[27] JuliánEspinosa ， Begoña Domenech ， Carmen Vázquez ， Jorge Pérez ，David Mas，高速视频记录的闪烁特征。应用于生物识别认证，PLoS one 13（5）（2018）。[28] A.N. Belkacem ， H. Hirose ，N. Yoshimura， D. 申 ，Y 。 Koike， Classification ofFourEyeDirectionsfromEEGSignalsforEye-movement-basedCommunicationSystems，J. Med. Biol. Eng. 34（6）（2014）581-588.[29] A.N. Belkacem，D.申，H. Kambara，N. Yoshimura，Y. Koike，使用两个时 间E E G 传 感 器 的基于眼动的通信系统的在线分类算法，Biomed。信号处理。Control 16（2015）40-47.[30] Rahul Dey，Fathi M. Salemt，门控递归单元（GRU）神经网络的门变体，2017年IEEE第60届国际中西部电路与系统研讨会（MWSCAS），IEEE，2017年，pp。公元1597-1600年。
我的内容管理
展开
