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]。

纯CNN方法容易损失时域信息，又受目前主流EEG信号分类方法的启发[12]，本课题研究采用卷积神经网络和循环神经网络结合的方式，实现基于EEG信号的用户认证系统。用户使用本系统时，需要先上传自己的EEG信号，将EEG信号转化为模板存在数据库中，完成注册；在登录阶段，重新采集用户的EEG信号，经过非线性变换后与数据库中的模板进行对比，若认证通过，则用户登录成功。本系统在对信号进行简单预处理的同时也保证了EEG识别的准确率。

参考文献：

[1] T.Pham, W. Ma, D. Tran, P. Nguyen, and D. Phung, “A study on the feasibility ofusing EEG signals for authentication purpose,” in Lecture Notes in ComputerScience (including subseries Lecture Notes in Artificial Intelligence andLecture Notes in Bioinformatics), 2013.

[2] M.Poulos, M. Rangoussi, V. Chrissikopoulos, and A. Evangelou, “Parametric personidentification from the EEG using computational geometry,” in Proceedings ofthe IEEE International Conference on Electronics, Circuits, and Systems, 1999.