1. 研究目的与意义（文献综述）

近年来，基于脑电图(electroencephalograph, eeg)的用户认证系统在生物特征识别的研究中取得了长足的发展，引起了越来越多的关注。eeg信号作为一种新的生物特征，与传统的生物识别技术相比，具有不可见性、不可克隆性和非强制性等优点，因此以eeg信号为代表的脑电波模式被认为是一种很有前途的生物特征方法[1]。poulos等人于1999年第一次提出了基于eeg的用户认证系统[2]，此后这方面的研究一直未停歇。同时由于rocca等人研究证明eeg的身份信息具有一定稳定性[3]，此方面的研究由此开阔起来。

传统的eeg认证技术大多需要选择信号类型、特征提取、分类这几个步骤[4]。采用的信号有放松状态的睁眼信号(rec)和闭眼信号(reo)[5]，快速序列视觉呈现刺激产生的信号(rsvp)[6][7]以及有意识的认知行为产生的信号等。典型的特征提取有采用功率谱密度(powerspectral density, psd)或是自回归模型（ar）等作为识别特征[8]。目前较为有效的分类方式主要有支持向量机(svm)、线性判别分析(lda)以及卷积神经网络(cnn)[9]循环神经网络(rnn)[10]等，他们往往需要对eeg信号进行复杂的预处理，同时识别率也有很大的提升空间，因而亟需寻找新的eeg识别技术，在减少信号预处理步骤的同时，提高识别准确率。例如ma lan等人于15年提出的无须预处理的放松状态信号的cnn处理方法[5]，获得了不错的精度。thomas等人也对cnn、rnn和传统方法进行了比较，cnn获得了最高精度，lstm次之[11]。

2. 研究的基本内容与方案

基本内容：

1）通过阅读文献，了解脑电波识别各个过程；

2）研究现有脑电波识别方法，同时分析比较当前脑电波识别技术的识别率与识别速度以及其适用范围，重点研究基于神经网络的脑电波识别技术。

3. 研究计划与安排

第一阶段（第1周—第2周）：查阅有关的参考资料并完成开题报告；翻译英文资料（不少于5000汉字），并交予指导教师检查。(2019.1.19-2019.2.28)

第二阶段（第3周—第6周）：熟悉所选用的实现平台，运用所学的编程技术，完成整个实验实现的前期设计工作。(2019.3.1-2019.4.1)

第三阶段（第7周—第13周）：进行实验的编码、调试、训练、测试工作。(2019.4.2-2019.4.30)其中第10周左右(2019.5.4-5.8)进行毕业设计中期检查，需要提交论文前三章和毕业设计框架。

4. 参考文献（12篇以上）

[1] 作者: 周志华, 机器学习, 北京：清华大学出版社,2016.

[2] he k, zhang x, ren s, et al. deepresidual learning for image recognition[c]//proceedings of the ieee conferenceon computer vision and pattern recognition. 2016: 770-778.

[3] wu q, zeng y, lin z, et al. real-time eeg-based person authenticationsystem using face rapid serial visual presentation[c]//neural engineering(ner), 2017 8th international ieee/embs conference on. ieee, 2017: 564-567.