生物識別技術在當今信息社會中發揮著重要作用。腦電信號（EEG）作為一種新型的生物特征，在通用性、持久性和安全性等方面具有獨特優勢，基于腦電信號個體差異性的身份識別研究目前開始受到廣泛的關注。身份特征提取是實現良好識別性能的重要步驟，如何結合腦電數據的特點，更好地提取腦電信號中的差異性信息，是近年來基于腦電信號的身份識別領域的研究熱點。本文綜述了基于腦電信號常用的身份特征提取方法，包括單導聯特征、導聯間特征、深度學習方法以及基于空間濾波的特征提取方法等，并闡述各種特征提取方法的基本原理、應用方式及相關成果，最后歸納目前存在的問題并對發展趨勢進行展望。
引用本文： 鐘文瀟, 安興偉, 狄洋, 張力新, 明東. 基于腦電信號的身份特征提取方法研究綜述. 生物醫學工程學雜志, 2021, 38(6): 1203-1210. doi: 10.7507/1001-5515.202102057 復制
引言
生物特征識別(biometrics)是通過人體固有的生物特征來識別和驗證個人身份的技術。根據特征類型的不同，用于身份鑒別的生物特征可以分為生理特征（指紋、面部、虹膜、掌紋等）和行為特征（步態、聲紋以及筆跡等）兩大類。并且一般具有以下特點[1]：
（1）通用性：每個人都具有生物特征。
（2）唯一性：不同人的生物特征是不同的，可以區分。
（3）持久性：生物特征一直存在且基本穩定，不會隨著年齡的增長或環境的變化有較大改變。
（4）可收集性：這種特點可以通過各種定量定性的測量得到。
近年來，隨著計算機和信息處理技術的進步，生物特征識別技術已取得了長足的進展，并在日常生活和工作中得到廣泛應用。
腦電（electroencephalogram，EEG）信號作為大腦在進行各類神經認知活動時產生的生物電信號，包含了生理和行為兩方面的特征信息，滿足生物特征的基本條件[2]。許多研究表明，在特定的認知功能（例如對音頻或視覺刺激的響應）或精神狀態（例如靜息狀態）下，不同個體之間存在著高度個性化的腦電信號特征，而同一個體的腦電信號特征較穩定，差異性不大[3]。即，腦電信號中存在獨一無二、具有可采集性和持久性的，并可用于身份識別和驗證的信號特征。因此，腦電信號可以作為生物特征用于身份識別和驗證。
相比傳統的生物識別方法，基于腦電信號的生物識別方法具有許多新特點。首先，腦電信號來源于大腦的思維活動，具有獨特的神經路徑模式。相比于指紋，面部等特征，其更加難以竊取和偽造。其次，腦電信號是活體生物特征，而且個體在不同的狀態下的腦電信號存在差異，外部的威脅和壓力會使得腦電信號產生異常，因此抗脅迫性更強。基于腦電信號的生物識別方法可以用于軍事等高安全性應用場合，還可以與腦機接口系統進行集成。
基于腦電信號的生物識別研究最早開始于20世紀80年代，目前已經形成了較為完整的研究體系和處理流程[2]。其在個人識別應用上主要分為兩部分：① 身份驗證系統，用于驗證用戶所聲明的身份是否正確；② 身份識別系統，用于確定待識別用戶的具體身份。盡管目的不同，但兩個系統都根據用戶的腦電信號特征做出決策，因此具有相同的處理流程，如圖1所示，基本的處理流程分為以下幾步：① 腦電數據采集；② 腦電數據庫構建；③ 腦電信號預處理；④ 身份特征提取；⑤ 分類器構建。其中，身份識別系統通常構建一對N（N為腦電數據庫中的用戶數目）分類模型用于確定最佳類別，而身份驗證系統通常基于數據庫中的每個用戶數據構建二分類模型用于驗證用戶身份[4]。
圖1
基于腦電信號的生物識別體系
Figure1.
Architecture of biometrics based on electroencephalo gram signals
腦電信號蘊含著大量的生理信息，但由于容積導體效應的存在，腦電信號中包含大量噪聲干擾，信噪比比較低。因此需要通過結合腦電數據的特點，對原始數據進行選擇、結合和轉換，從而提取能夠有效表征腦電信號特點的特征，從而降低計算量，提升腦電信號分析效果。腦電信號特征提取方法眾多，針對不同的應用場景可選擇相應的腦電信號特征，通常將腦電信號中可用于身份識別和驗證的信號特征稱為身份特征，身份特征提取是基于腦電信號的生物識別研究中的關鍵步驟，有效的身份特征提取方法對于個人識別系統的性能提高具有決定性意義。
本文針對基于腦電信號的常用身份特征提取方法，首先從單導聯特征和導聯間特征兩方面介紹經典算法的基本原理、應用方式及相關成果，然后介紹深度學習、空間濾波器等其他常見方法，最后歸納目前存在的問題并對發展趨勢進行展望。
1 單導聯特征
腦電信號采集時的不同導聯對應了來自不同大腦區域的信號，單導聯特征即不考慮各導聯之間的關系，只對每個導聯的信號進行特征提取。腦電信號身份特征中常用的單導聯特征可以分為時域特征、頻域特征、時頻域特征和非線性動力學特征四種類型。
1.1 時域特征
信號的時域信息，直觀地反映了腦電信號隨時間的變化情況。可以直接分析時域波形得到時域特征。時域波形是信號幅值在時間演進過程中形成的具有固定形狀的電位，可以通過相干平均方法，對不同試次信號疊加平均，使得隨機噪聲趨于零而原始腦電信號保持不變，從背景噪聲中獲得有效腦電信號特征。還可以使用波形信號的統計學特征作為腦電信號特征，比如平均值、最大/最小值、方差、峰度、偏度等[5-6]。
另一種常用的時域特征提取方法是使用線性回歸模型，如自回歸（autoregressive，AR）模型等。自回歸模型是統計學上一種處理時間序列的方法，主要思路是利用一個序列在t時刻之前若干時刻的值，來預測信號在t時刻的表現，并假設它們為一線性關系。自回歸模型是信號分析中常用的方法之一，在基于腦電信號的生物識別中廣泛使用。對于給定信號X（t），其自回歸模型可以用時域線性差分方程描述，如式（1）所示：
 |
其中，P代表模型的參數個數，稱為模型的階數；a(i)稱為模型的自回歸系數；e(t)表示隨機干擾序列，是均值為0，方差為σ2 的白噪聲。在自回歸模型的具體應用中，通常使用自相關法或通過伯格（Burg）算法、萊文森—杜賓（Levinson–Durbin）遞推算法等求解尤爾—沃克（Yule–Walker）方程來確定模型參數，并通過赤池信息量準則(Akaike information criterion，AIC)確定最合適的階數。然后將從不同導聯中提取的系數連接在一起構成特征向量[1]。
自回歸特征是腦電信號生物識別領域應用較早的一種特征。Paranjape等[7]在2001年的早期腦電信號生物識別研究中使用P4導聯的自回歸系數構建身份識別模型，針對40名受試者實現了80%的識別率。Lin等[8]將6階自回歸系數應用于基于事件相關電位（event-related potential，ERP）信號的身份驗證系統中，使用支持向量機（support vector machine，SVM）在包含179名受試者的數據集中實現了95.46%的驗證準確率。身份特征還需要保證時間上的持久性，Maiorana等[9]對此進行了驗證，在一個半月內三次采集的靜息態數據集中，他們使用12階的自回歸系數構建的身份識別模型實現了較高的分類準確率，證明了自回歸系數可以實現較好的跨時間識別。在該課題組另一場時間跨度為三年的腦電數據實驗中，自回歸系數也得到了相同的結論，并發現具有統計學意義的特征差異會隨時間跨度的增加而衰減[10]。
1.2 頻域特征
頻域特征是通過傅里葉變換（Fourier transform，FT）等時頻域轉換方法將腦電信號從時域變換到頻域，對信號頻率、功率、頻率穩定性等頻域信息進行分析后得到的。腦電信號分析中，通常在δ（0.5～4 Hz）、θ（4～8 Hz）、α（8～13 Hz）、β（13～30 Hz）和γ（30～40 Hz）五種特定頻段下分析信號的頻域特征，每個頻段與不同的大腦活動相關，常用的特征有信號的功率譜密度（power spectral density，PSD）、倒頻譜（cepstrum）等。
1.2.1 功率譜密度
功率譜密度是一種常用的頻域分析方法，描述了信號功率隨頻率的變化，反映了頻域中的信號強度分布情況[1]。周期信號在某一時間段[0, T]內的功率譜密度如式(2)所示：
 |
其中，XT(ω)為經傅里葉變換后的信號。
目前最常用的功率譜密度分析方法是韋爾奇（Welch）法，該方法首先通過窗函數將序列分割成若干重疊的片段，然后通過離散傅里葉變換（discrete Fourier transform，DFT）結合式(2)計算每個片段的功率譜密度，并將其均值作為原始信號的功率譜密度，常用的窗函數有漢明（Hamming）窗等。
功率譜密度是腦電信號身份識別中最常用的頻域特征之一，研究表明，不同受試者在同一條件下采集的腦電信號的功率譜密度分布有較大差別。Rocca等[11]的研究中，基于功率譜密度特征的身份驗證系統在包含108名受試者的大樣本靜息態數據集中取得了接近100%的驗證準確率。功率譜密度特征有較好的跨時間穩定性，Di等[12]使用17名受試者睜眼靜息和閉眼靜息兩種狀態下跨時間的腦電數據，計算不同頻帶的功率譜密度值作為特征進行跨時間身份識別研究，結果證明了同一位受試者在不同時間的功率譜密度特征具有較好的跨時間的魯棒性，并發現包含α頻段的特征有更高的分類正確率。
1.2.2 倒頻譜
倒頻譜是一種對頻域信息的二次分析技術，通過將時域信號的功率譜對數化，然后進行傅里葉逆變化后得到。倒頻譜空間在較低的頻率（第一個倒頻譜系數）中編碼頻譜的廣義形狀，在較高的頻率編碼其細節和周期性，通常使用所有計算得到的倒譜系數的前P個數據進行分析(P值根據實際情況選擇)。Delpozo-Banos等[13]使用同一位受試者在不同任務狀態下的數據分別用于訓練和測試，選取腦電信號前20%的倒譜系數作為特征進行身份識別研究，證明了腦電信號的倒頻譜包含與任務無關的特征成分，可以作為身份特征使用。
梅爾頻率倒譜系數（Mel frequency cepstral coefficients，MFCCs）是一種廣泛用于語音識別的倒譜分析方法。計算方法如下：首先使用梅爾濾波器組將線性頻譜映射到基于聽覺感知確定的梅爾非線性頻譜中，然后經對數變換和離散余弦變換后轉換到倒譜上。有研究表明，腦電信號與語音信號存在一定的相似性[14]，因此Piciucco等[15]嘗試使用18個梅爾濾波器處理腦電信號頻譜，并選擇前12個倒譜系數作為特征，在基于跨時間的穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）數據的身份驗證系統中取得了最高99%的準確率。同樣使用12階梅爾頻率倒譜系數，Maiorana等[10]在基于靜息態數據的跨時間身份識別研究中取得了與自回歸系數相似的識別效果。
1.3 時頻域特征
腦電信號頻譜分析中的一個基本假設是腦電信號的頻譜是固定的，不會隨時間變化。但實際上，由于腦電信號是具有顯著頻率特性和強隨機性的非平穩時變信號，因此單純的時域或頻域特征不夠全面反映腦電信號的特性。時頻域分析的方法是對時域和頻域分析的補充和完善，能夠反映腦電信號的某個特性在某些特定頻段內隨時間的變化。
小波變換（wavelet transform，WT）是一種常用的時頻域分析方法，可以提供信號的時間和頻率信息。與傅里葉變換分析不同，小波分析將傅里葉變換使用的無限長的三角函數基換成了有限長的會衰減的小波基，將信號分解成一系列小波函數的疊加，這樣不僅能夠獲取頻率，還可以定位到時間，可以根據特定應用場景選擇不同的小波函數。常用的小波變換算法有小波包分解（wavelet packet decomposition，WPD）、離散小波變換（discrete wavelet transform，DWT）等。小波系數概括了腦電信號時間的特性和頻率特性，許多研究通過對小波系數改進，計算小波系數的統計學特征或利用小波系數計算信號的能量特征，進而作為身份特征以實現對身份信息的識別和驗證[16]。比如Carrión-Ojeda等[17]通過小波系數計算相對小波能量（relative wavelet energy，RWE）作為身份特征用于身份驗證系統，在多個公共數據集上實現了90%以上的分類準確率。小波變換還可以與其他特征提取方法結合使用。比如，有的研究結合小波變換和共空間模式（common spatial pattern，CSP），在獲得時頻特征的同時得到空間信息，使用共空間模式對3級哈爾（Haar）小波分解得到的8個子帶進行空間濾波處理[18]。
1.4 非線性動力學特征
由于腦電信號具有非平穩性和非線性特點，使用非線性特征可以反映腦電信號的某些特性。熵（entroy）是常用的非線性動力學特征之一，最早是熱力學的概念，用于度量隨機變量的不確定性。香農（Shannon）首先將其引入信息論中，提出了香農熵（Shannon entropy，SampEn）的概念，用來表示信道所包含的信息量。一個隨機變量的熵值越高就越不穩定，可能包含的信息量也就越少。
近年來，熵廣泛應用于腦電信號的特征提取中，研究表明其作為身份特征也有較好的表現。熵特征的突出優勢是具有較小的特征維度，可以降低計算量，Phung等[19]使用每個導聯的腦電信號的香農熵用于身份識別系統，在提升計算速度的同時取得了與自回歸系數相近的識別效果。Chang等[20]將腦電信號在不同頻帶內的相位轉移熵（phase transfer entropy，PTE）作為特征用于身份驗證，在包含20名受試者的數據集中實現了90%以上的正確率。此外，由于計算方式的不同，還存在許多基于時域的熵特征可用于身份識別，比如模糊熵（fuzzy entropy，FuEn）、置換熵（permutation entropy，PeEn）、近似熵（approximate entropy，ApEn）等[21-22]。
對于頻域信息，頻譜熵（shannon spectral entropy，ShanEn）可以度量信號功率譜值的復雜性，有研究使用近似熵、香農熵、頻譜熵三種熵和高階統計量（high order statistics，HOS）的組合分析靜息態數據，構建身份驗證系統，相對于使用功率譜密度，該組合特征降低了特征維度，在減輕計算量的情況下實現了最高95.7%的準確率[22]。
除了熵以外，其他基于腦電信號的非線性特征在身份識別領域也有應用，比如，Kang等[21]在對特征提取方式的評價研究中，使用李雅普諾夫（Lyapunov）指數取得了較好的驗證效果。
2 導聯間特征
在身份特征提取中，只考慮單導聯信號的特征，會忽略不同導聯信號之間的互連信息。而且由于一些不可避免的生理或心理因素，例如生理節律、采集環境等，單導聯特征很容易受到腦電信號幅值變化的影響。通過計算不同導聯兩個信號間的耦合關系，獲取腦電信號的導聯間特征，可以降低特征對單個導聯信號變化的敏感性，充分利用腦電信號的時間、空間和頻域信息，從而提高生物識別系統的整體性能。
2.1 頻譜相干
導聯之間的頻譜相干(spectral coherence，COH)是一種常見的反映大腦不同區域之間的相互作用的方式，用于評估特定頻率處兩個固定信號之間的線性關系[23]。給定兩個腦電信號 
和 
，首先進行時頻變換，然后估計兩個信號各自的自功率譜 
和 
和它們的互功率譜 
，頻譜相干，從而可如式(3)所示：
 |
由定義可知，頻譜相干介于0和1之間，當值為0時，表示該頻率f下兩信號沒有同步關系；反之，若頻譜相干等于1，則表示兩信號完全同步。
Rocca 等[11]證明了使用頻譜相干作為身份特征的有效性，通過估計特定大腦區域導聯間的頻譜相干值作為識別系統的身份特征，在包含108名受試者的靜息態數據集中獲得了高于功率譜密度識別結果，并發現相近導聯的頻譜相干特征更具判別性。頻譜相干特征的時間魯棒性和識別性能都比較穩定，Maiorana等[9]在驗證腦電信號身份特征跨時間的穩定性和持久性的研究中，使用19個導聯之間的頻譜相干值作為特征，結果顯示，頻譜相干可以用于跨時間的身份識別研究。
頻譜相干的缺點是其只能評估兩個信號之間的線性相關性，無法檢測它們的非線性關系，而且受到信號幅度和相位的影響，存在實際應用上的局限。
2.2 相位同步
腦電信號的相位同步（phase synchronization，PS）是分離特定的頻率下腦電信號的相位分量和幅度分量后，針對相位的度量方法。基于相位同步的指標可以排除腦電信號相位和幅度的干擾，反映了大腦不同區間信息交流的關鍵特征，因此常用于腦電信號的連通性分析[24] 。如果一段時間內特定頻段兩個信號的相位具有一個恒定的相位差，則可以說存在相位同步，對于腦電信號 
和 
，假設 
和 
分別為其是t時刻的相位時間序列，如果兩個信號的相位差 
滿足如式(4)所示條件，則稱兩個信號滿足相位同步。
 |
其中，M為常數。相位同步的計算，首先需要利用希爾伯特變換等時頻變換方法將腦電信號轉化為幅值和相位兩部分，獲得信號每一時刻的瞬時相位，得到信號的瞬時相位時間序列；然后計算每兩個導聯間信號的相位差；最后通過基于相位同步衡量指標評估信號間的相位同步程度。鎖相值（phase locking value，PLV）是腦電信號生物識別領域最常用的相位同步指標之一。Cox等[25]分析對比了不同受試者之間和同一位受試者在不同時間的鎖相值特征分布情況，證明了鎖相值特征存在良好的個體差異性和跨時間穩定性。有研究計算不同頻帶內各導聯間腦電信號的鎖相值，并通過主成分分析（principal component analysis，PCA）對獲得的特征向量進行降維，最后使用線性判別分析（linear discriminant analysis，LDA）構建身份識別系統。該方法在3個包含不同任務的數據集上均獲得較高的分類準確率，證明了相位同步特征在不同任務數據下的穩定性[26]。另一項研究對基于鎖相值的導聯間特征做了進一步拓展，針對五種頻帶，作者分別計算同頻帶和跨頻帶下導聯對鎖相值，以導聯為節點，鎖相值為邊構造功能連接圖，以圖作為特征用于身份識別，結果表明該方法具有比單導聯特征更明顯的身份差異[27]。
相位滯后指數（phase lag index，PLI）是另外一種常用的相位同步量化標準[23]。Kang等[21]基于五種頻帶下的相位滯后指數構造了十種功能連接網絡，并與十種單導聯特征進行對比，將上述特征分別用于身份驗證系統，結果顯示網絡特征獲得了更好的識別效果，而且較高頻段的網絡表現更佳。
2.3 格蘭杰因果分析
格蘭杰因果分析（Granger causal analysis，GC）最早由格蘭杰（Granger）于1969 年提出，用于判斷兩個信號間是否存在因果關系，目前在腦電信號研究中廣泛應用于有向功能連接的分析[28]。Valizadeh等[29]證明了格蘭杰因果分析在基于靜息態數據的身份識別系統中具有較好的識別準確率和穩定性，作者基于時域和頻域信息使用十二種方法構建功能連接網絡，其中基于時域和頻域得到的兩種格蘭杰因果指標，在識別準確率、穩定性和時間魯棒性方面都獲得了最好的表現。Min等[30]使用在16個大腦區域測量得到的格蘭杰因果指標構建身份識別系統，在20位受試者基于穩態視覺誘發電位的腦電數據集中，獲得了平均98% 的準確率。
除了上述三種類型，常用的基于導聯間關系的身份特征還有互信息（mutual information，MuI）、相關系數（correlation coefficient，COR）、復雜度壓縮比（compression ratio of complexity，CRC）、能量包絡相關（power envelope correlation，PEC）以及基于導聯間特征生成的連通性網絡的網絡特征等[28-31]。
3 其他特征
除了上述特征外，另有一些方法常見于身份特征提取領域，主要包括深度學習和空間濾波方法。
3.1 深度學習
深度學習（deep learning，DL）通過構造不同的網絡結構自動從數據中進行特征提取，由于其良好的魯棒性和較強的高維數據處理能力，被認為有從腦電信號中學習有效特征的巨大潛力[32]。到目前為止，已有多種深度學習策略用于基于腦電信號的生物識別中，如卷積神經網絡（convolutional neural networks，CNN）、循環神經網絡（recurrent neural network，RNN）等。
卷積神經網絡通過卷積計算學習局部非線性特征，可以將不同導聯的信號以幅值和時間矩陣的形式作為卷積神經網絡模型的輸入，直接實現端到端模型。基于卷積神經網絡的身份特征提取在多種不同范式的數據中都有應用，比如靜息態數據[33]、運動想象（motor imagery，MI）數據[34]和穩態視覺誘發電位數據[35]等。循環神經網絡易于提取腦電信號的時序特征。長短期記憶（long short-term memory，LSTM） 是一種特殊的循環神經網絡，用以解決普通循環神經網絡對較長序列訓練過程中的梯度消失或爆炸問題，在腦電信號處理中更為普遍。身份特征提取中，通常將長短期記憶與卷積神經網絡模型結合使用，使用若干層卷積神經網絡提取不同導聯包含的空間信息，然后使用長短期記憶結構提取信號的時序特征[36-37]。
也有方法結合傳統的手工特征提取與深度學習方法共同提取特征，比如自編碼器（autoencoders，AE）結合自回歸系數，使用自回歸系數模型獲得腦電數據之間的時間相關性，然后通過自編碼器對自回歸系數進行編碼獲得最終特征[38]；再如卷積神經網絡結合功率譜密度，將不同導聯的信號以功率譜密度和時間的矩陣形式作為卷積神經網絡模型的輸入[39]。一些常用于圖像等其他領域的深度學習方法也被引入這一領域，比如對抗性深度學習（adversarial deep learning，ADL）[40]、孿生神經網絡（siamese networks，SN）[41]等。
然而，目前深度學習方法并未在該領域表現出明顯優勢。這可能是由于腦電信號的信噪比低，現有深度學習策略不完全適應，也可能是由于數據量比較少，造成神經網絡訓練不充分。
3.2 空間濾波
空間濾波將采集到的不同導聯的腦電信號通過一定的方式進行投影變換，同步利用導聯間的空間相關性，減少信號的冗余信息，變換后得到的結果可直接作為身份特征用于分類識別，主成分分析、共空間模式、典型相關分析（canonical correlation analysis，CCA）、任務相關成分分析（task-related component analysis，TRCA）等是常用的空間濾波策略[42]。
主成分分析將原始數據投影到數據差異性的主方向上，數據在每個主方向上的投影稱為主成分[43]。針對高階張量，又有多元線性主成分分析（multilinear principal component analysis，MPCA）的方法，可以從多個維度對高階張量進行降維。Maiorana等[44]結合空間濾波與頻域特征，使用多元線性主成分分析方法處理功率譜密度特征，結果顯示，這種方法可以在提升準確率的同時有效減少計算量。
空間濾波方法的應用還常根據腦電數據的范式類型進行選擇，比如典型相關分析、任務相關成分分析等常用于基于穩態視覺誘發電位等視覺誘發范式數據的身份識別中[45-46]；共空間模式等方法多見于基于運動想象數據的身份識別中[1]。
4 總結展望
如前所述，腦電信號身份特征的有效提取是實現基于個體間腦電信號差異的生物識別的關鍵步驟，大量研究表明，特征提取方法的改進可以顯著提升個體識別系統的準確率、穩定性和跨時間的魯棒性。
對于單導聯身份特征，時域信號的波形特征常用于基于事件相關電位數據的身份特征提取，而腦電信號生物識別領域最常用的靜息態數據則大量應用了功率譜密度和小波變換等頻域和時頻域特征。單導聯特征主要的發展趨勢集中于對現有基礎方法的針對性改進。對于導聯間特征，目前主要應用頻譜相干和相位同步指標等方法，評估各導聯對腦電信號的耦合關系。近年來，直接利用導聯間特征構建起的功能連接網絡，包括網絡的拓撲特征、鄰接矩陣和構建圖神經網絡等成為身份特征提取新的選擇。深度學習方法是近年來的研究熱點，目前廣泛應用的是卷積神經網絡和長短期記憶，針對這兩種網絡的結合和改進也成為一種發展趨勢。
在最近的基于腦電信號的生物識別研究中，逐漸有一些新的身份特征提取方法出現。包括：① 一些無監督分析方法，如字典學習等[47]；② 使用多種身份特征提取手段的結合，如傳統時頻分析結合深度學習等[48]；③ 除了梅爾倒譜系數外，其他用于語音識別的特征提取方法如x-vector、I-vector等[49]，已證明在基于腦電信號的身份特征提取中的有效性。目前，大多數研究往往多角度出發，將幾種方法結合使用，提取多個不同角度的特征信息，以提升分類效果。
總之，身份特征提取方法的推陳出新推動了基于腦電信號個體差異性的生物識別系統的發展和研究，但是，目前仍需發展全面高效的特征提取方法以進一步解決以下問題：① 腦電信號信噪比低，所提取的特征包含較多的干擾信息；② 需要更為穩定有效的身份特征處理同一位受試者不同時間下存在的腦電信號差異，從而解決身份識別與驗證系統的跨時間魯棒性問題；③ 在包含較多受試者的大樣本數據集中提取個體差異更大的身份特征。
未來，針對個體腦電信號間差異的身份特征提取將會有更多的研究方法，對基于腦電信號的生物識別系統性能的提高發揮更大的作用。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
生物特征識別(biometrics)是通過人體固有的生物特征來識別和驗證個人身份的技術。根據特征類型的不同，用于身份鑒別的生物特征可以分為生理特征（指紋、面部、虹膜、掌紋等）和行為特征（步態、聲紋以及筆跡等）兩大類。并且一般具有以下特點[1]：
（1）通用性：每個人都具有生物特征。
（2）唯一性：不同人的生物特征是不同的，可以區分。
（3）持久性：生物特征一直存在且基本穩定，不會隨著年齡的增長或環境的變化有較大改變。
（4）可收集性：這種特點可以通過各種定量定性的測量得到。
近年來，隨著計算機和信息處理技術的進步，生物特征識別技術已取得了長足的進展，并在日常生活和工作中得到廣泛應用。
腦電（electroencephalogram，EEG）信號作為大腦在進行各類神經認知活動時產生的生物電信號，包含了生理和行為兩方面的特征信息，滿足生物特征的基本條件[2]。許多研究表明，在特定的認知功能（例如對音頻或視覺刺激的響應）或精神狀態（例如靜息狀態）下，不同個體之間存在著高度個性化的腦電信號特征，而同一個體的腦電信號特征較穩定，差異性不大[3]。即，腦電信號中存在獨一無二、具有可采集性和持久性的，并可用于身份識別和驗證的信號特征。因此，腦電信號可以作為生物特征用于身份識別和驗證。
相比傳統的生物識別方法，基于腦電信號的生物識別方法具有許多新特點。首先，腦電信號來源于大腦的思維活動，具有獨特的神經路徑模式。相比于指紋，面部等特征，其更加難以竊取和偽造。其次，腦電信號是活體生物特征，而且個體在不同的狀態下的腦電信號存在差異，外部的威脅和壓力會使得腦電信號產生異常，因此抗脅迫性更強。基于腦電信號的生物識別方法可以用于軍事等高安全性應用場合，還可以與腦機接口系統進行集成。
基于腦電信號的生物識別研究最早開始于20世紀80年代，目前已經形成了較為完整的研究體系和處理流程[2]。其在個人識別應用上主要分為兩部分：① 身份驗證系統，用于驗證用戶所聲明的身份是否正確；② 身份識別系統，用于確定待識別用戶的具體身份。盡管目的不同，但兩個系統都根據用戶的腦電信號特征做出決策，因此具有相同的處理流程，如圖1所示，基本的處理流程分為以下幾步：① 腦電數據采集；② 腦電數據庫構建；③ 腦電信號預處理；④ 身份特征提取；⑤ 分類器構建。其中，身份識別系統通常構建一對N（N為腦電數據庫中的用戶數目）分類模型用于確定最佳類別，而身份驗證系統通常基于數據庫中的每個用戶數據構建二分類模型用于驗證用戶身份[4]。
圖1
基于腦電信號的生物識別體系
Figure1.
Architecture of biometrics based on electroencephalo gram signals
腦電信號蘊含著大量的生理信息，但由于容積導體效應的存在，腦電信號中包含大量噪聲干擾，信噪比比較低。因此需要通過結合腦電數據的特點，對原始數據進行選擇、結合和轉換，從而提取能夠有效表征腦電信號特點的特征，從而降低計算量，提升腦電信號分析效果。腦電信號特征提取方法眾多，針對不同的應用場景可選擇相應的腦電信號特征，通常將腦電信號中可用于身份識別和驗證的信號特征稱為身份特征，身份特征提取是基于腦電信號的生物識別研究中的關鍵步驟，有效的身份特征提取方法對于個人識別系統的性能提高具有決定性意義。
本文針對基于腦電信號的常用身份特征提取方法，首先從單導聯特征和導聯間特征兩方面介紹經典算法的基本原理、應用方式及相關成果，然后介紹深度學習、空間濾波器等其他常見方法，最后歸納目前存在的問題并對發展趨勢進行展望。
1 單導聯特征
腦電信號采集時的不同導聯對應了來自不同大腦區域的信號，單導聯特征即不考慮各導聯之間的關系，只對每個導聯的信號進行特征提取。腦電信號身份特征中常用的單導聯特征可以分為時域特征、頻域特征、時頻域特征和非線性動力學特征四種類型。
1.1 時域特征
信號的時域信息，直觀地反映了腦電信號隨時間的變化情況。可以直接分析時域波形得到時域特征。時域波形是信號幅值在時間演進過程中形成的具有固定形狀的電位，可以通過相干平均方法，對不同試次信號疊加平均，使得隨機噪聲趨于零而原始腦電信號保持不變，從背景噪聲中獲得有效腦電信號特征。還可以使用波形信號的統計學特征作為腦電信號特征，比如平均值、最大/最小值、方差、峰度、偏度等[5-6]。
另一種常用的時域特征提取方法是使用線性回歸模型，如自回歸（autoregressive，AR）模型等。自回歸模型是統計學上一種處理時間序列的方法，主要思路是利用一個序列在t時刻之前若干時刻的值，來預測信號在t時刻的表現，并假設它們為一線性關系。自回歸模型是信號分析中常用的方法之一，在基于腦電信號的生物識別中廣泛使用。對于給定信號X（t），其自回歸模型可以用時域線性差分方程描述，如式（1）所示：
|
其中，P代表模型的參數個數，稱為模型的階數；a(i)稱為模型的自回歸系數；e(t)表示隨機干擾序列，是均值為0，方差為σ2 的白噪聲。在自回歸模型的具體應用中，通常使用自相關法或通過伯格（Burg）算法、萊文森—杜賓（Levinson–Durbin）遞推算法等求解尤爾—沃克（Yule–Walker）方程來確定模型參數，并通過赤池信息量準則(Akaike information criterion，AIC)確定最合適的階數。然后將從不同導聯中提取的系數連接在一起構成特征向量[1]。
自回歸特征是腦電信號生物識別領域應用較早的一種特征。Paranjape等[7]在2001年的早期腦電信號生物識別研究中使用P4導聯的自回歸系數構建身份識別模型，針對40名受試者實現了80%的識別率。Lin等[8]將6階自回歸系數應用于基于事件相關電位（event-related potential，ERP）信號的身份驗證系統中，使用支持向量機（support vector machine，SVM）在包含179名受試者的數據集中實現了95.46%的驗證準確率。身份特征還需要保證時間上的持久性，Maiorana等[9]對此進行了驗證，在一個半月內三次采集的靜息態數據集中，他們使用12階的自回歸系數構建的身份識別模型實現了較高的分類準確率，證明了自回歸系數可以實現較好的跨時間識別。在該課題組另一場時間跨度為三年的腦電數據實驗中，自回歸系數也得到了相同的結論，并發現具有統計學意義的特征差異會隨時間跨度的增加而衰減[10]。
1.2 頻域特征
頻域特征是通過傅里葉變換（Fourier transform，FT）等時頻域轉換方法將腦電信號從時域變換到頻域，對信號頻率、功率、頻率穩定性等頻域信息進行分析后得到的。腦電信號分析中，通常在δ（0.5～4 Hz）、θ（4～8 Hz）、α（8～13 Hz）、β（13～30 Hz）和γ（30～40 Hz）五種特定頻段下分析信號的頻域特征，每個頻段與不同的大腦活動相關，常用的特征有信號的功率譜密度（power spectral density，PSD）、倒頻譜（cepstrum）等。
1.2.1 功率譜密度
功率譜密度是一種常用的頻域分析方法，描述了信號功率隨頻率的變化，反映了頻域中的信號強度分布情況[1]。周期信號在某一時間段[0, T]內的功率譜密度如式(2)所示：
|
其中，XT(ω)為經傅里葉變換后的信號。
目前最常用的功率譜密度分析方法是韋爾奇（Welch）法，該方法首先通過窗函數將序列分割成若干重疊的片段，然后通過離散傅里葉變換（discrete Fourier transform，DFT）結合式(2)計算每個片段的功率譜密度，并將其均值作為原始信號的功率譜密度，常用的窗函數有漢明（Hamming）窗等。
功率譜密度是腦電信號身份識別中最常用的頻域特征之一，研究表明，不同受試者在同一條件下采集的腦電信號的功率譜密度分布有較大差別。Rocca等[11]的研究中，基于功率譜密度特征的身份驗證系統在包含108名受試者的大樣本靜息態數據集中取得了接近100%的驗證準確率。功率譜密度特征有較好的跨時間穩定性，Di等[12]使用17名受試者睜眼靜息和閉眼靜息兩種狀態下跨時間的腦電數據，計算不同頻帶的功率譜密度值作為特征進行跨時間身份識別研究，結果證明了同一位受試者在不同時間的功率譜密度特征具有較好的跨時間的魯棒性，并發現包含α頻段的特征有更高的分類正確率。
1.2.2 倒頻譜
倒頻譜是一種對頻域信息的二次分析技術，通過將時域信號的功率譜對數化，然后進行傅里葉逆變化后得到。倒頻譜空間在較低的頻率（第一個倒頻譜系數）中編碼頻譜的廣義形狀，在較高的頻率編碼其細節和周期性，通常使用所有計算得到的倒譜系數的前P個數據進行分析(P值根據實際情況選擇)。Delpozo-Banos等[13]使用同一位受試者在不同任務狀態下的數據分別用于訓練和測試，選取腦電信號前20%的倒譜系數作為特征進行身份識別研究，證明了腦電信號的倒頻譜包含與任務無關的特征成分，可以作為身份特征使用。
梅爾頻率倒譜系數（Mel frequency cepstral coefficients，MFCCs）是一種廣泛用于語音識別的倒譜分析方法。計算方法如下：首先使用梅爾濾波器組將線性頻譜映射到基于聽覺感知確定的梅爾非線性頻譜中，然后經對數變換和離散余弦變換后轉換到倒譜上。有研究表明，腦電信號與語音信號存在一定的相似性[14]，因此Piciucco等[15]嘗試使用18個梅爾濾波器處理腦電信號頻譜，并選擇前12個倒譜系數作為特征，在基于跨時間的穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）數據的身份驗證系統中取得了最高99%的準確率。同樣使用12階梅爾頻率倒譜系數，Maiorana等[10]在基于靜息態數據的跨時間身份識別研究中取得了與自回歸系數相似的識別效果。
1.3 時頻域特征
腦電信號頻譜分析中的一個基本假設是腦電信號的頻譜是固定的，不會隨時間變化。但實際上，由于腦電信號是具有顯著頻率特性和強隨機性的非平穩時變信號，因此單純的時域或頻域特征不夠全面反映腦電信號的特性。時頻域分析的方法是對時域和頻域分析的補充和完善，能夠反映腦電信號的某個特性在某些特定頻段內隨時間的變化。
小波變換（wavelet transform，WT）是一種常用的時頻域分析方法，可以提供信號的時間和頻率信息。與傅里葉變換分析不同，小波分析將傅里葉變換使用的無限長的三角函數基換成了有限長的會衰減的小波基，將信號分解成一系列小波函數的疊加，這樣不僅能夠獲取頻率，還可以定位到時間，可以根據特定應用場景選擇不同的小波函數。常用的小波變換算法有小波包分解（wavelet packet decomposition，WPD）、離散小波變換（discrete wavelet transform，DWT）等。小波系數概括了腦電信號時間的特性和頻率特性，許多研究通過對小波系數改進，計算小波系數的統計學特征或利用小波系數計算信號的能量特征，進而作為身份特征以實現對身份信息的識別和驗證[16]。比如Carrión-Ojeda等[17]通過小波系數計算相對小波能量（relative wavelet energy，RWE）作為身份特征用于身份驗證系統，在多個公共數據集上實現了90%以上的分類準確率。小波變換還可以與其他特征提取方法結合使用。比如，有的研究結合小波變換和共空間模式（common spatial pattern，CSP），在獲得時頻特征的同時得到空間信息，使用共空間模式對3級哈爾（Haar）小波分解得到的8個子帶進行空間濾波處理[18]。
1.4 非線性動力學特征
由于腦電信號具有非平穩性和非線性特點，使用非線性特征可以反映腦電信號的某些特性。熵（entroy）是常用的非線性動力學特征之一，最早是熱力學的概念，用于度量隨機變量的不確定性。香農（Shannon）首先將其引入信息論中，提出了香農熵（Shannon entropy，SampEn）的概念，用來表示信道所包含的信息量。一個隨機變量的熵值越高就越不穩定，可能包含的信息量也就越少。
近年來，熵廣泛應用于腦電信號的特征提取中，研究表明其作為身份特征也有較好的表現。熵特征的突出優勢是具有較小的特征維度，可以降低計算量，Phung等[19]使用每個導聯的腦電信號的香農熵用于身份識別系統，在提升計算速度的同時取得了與自回歸系數相近的識別效果。Chang等[20]將腦電信號在不同頻帶內的相位轉移熵（phase transfer entropy，PTE）作為特征用于身份驗證，在包含20名受試者的數據集中實現了90%以上的正確率。此外，由于計算方式的不同，還存在許多基于時域的熵特征可用于身份識別，比如模糊熵（fuzzy entropy，FuEn）、置換熵（permutation entropy，PeEn）、近似熵（approximate entropy，ApEn）等[21-22]。
對于頻域信息，頻譜熵（shannon spectral entropy，ShanEn）可以度量信號功率譜值的復雜性，有研究使用近似熵、香農熵、頻譜熵三種熵和高階統計量（high order statistics，HOS）的組合分析靜息態數據，構建身份驗證系統，相對于使用功率譜密度，該組合特征降低了特征維度，在減輕計算量的情況下實現了最高95.7%的準確率[22]。
除了熵以外，其他基于腦電信號的非線性特征在身份識別領域也有應用，比如，Kang等[21]在對特征提取方式的評價研究中，使用李雅普諾夫（Lyapunov）指數取得了較好的驗證效果。
2 導聯間特征
在身份特征提取中，只考慮單導聯信號的特征，會忽略不同導聯信號之間的互連信息。而且由于一些不可避免的生理或心理因素，例如生理節律、采集環境等，單導聯特征很容易受到腦電信號幅值變化的影響。通過計算不同導聯兩個信號間的耦合關系，獲取腦電信號的導聯間特征，可以降低特征對單個導聯信號變化的敏感性，充分利用腦電信號的時間、空間和頻域信息，從而提高生物識別系統的整體性能。
2.1 頻譜相干
導聯之間的頻譜相干(spectral coherence，COH)是一種常見的反映大腦不同區域之間的相互作用的方式，用于評估特定頻率處兩個固定信號之間的線性關系[23]。給定兩個腦電信號 和 ，首先進行時頻變換，然后估計兩個信號各自的自功率譜 和 和它們的互功率譜 ，頻譜相干，從而可如式(3)所示：
|
由定義可知，頻譜相干介于0和1之間，當值為0時，表示該頻率f下兩信號沒有同步關系；反之，若頻譜相干等于1，則表示兩信號完全同步。
Rocca 等[11]證明了使用頻譜相干作為身份特征的有效性，通過估計特定大腦區域導聯間的頻譜相干值作為識別系統的身份特征，在包含108名受試者的靜息態數據集中獲得了高于功率譜密度識別結果，并發現相近導聯的頻譜相干特征更具判別性。頻譜相干特征的時間魯棒性和識別性能都比較穩定，Maiorana等[9]在驗證腦電信號身份特征跨時間的穩定性和持久性的研究中，使用19個導聯之間的頻譜相干值作為特征，結果顯示，頻譜相干可以用于跨時間的身份識別研究。
頻譜相干的缺點是其只能評估兩個信號之間的線性相關性，無法檢測它們的非線性關系，而且受到信號幅度和相位的影響，存在實際應用上的局限。
2.2 相位同步
腦電信號的相位同步（phase synchronization，PS）是分離特定的頻率下腦電信號的相位分量和幅度分量后，針對相位的度量方法。基于相位同步的指標可以排除腦電信號相位和幅度的干擾，反映了大腦不同區間信息交流的關鍵特征，因此常用于腦電信號的連通性分析[24] 。如果一段時間內特定頻段兩個信號的相位具有一個恒定的相位差，則可以說存在相位同步，對于腦電信號 和 ，假設 和 分別為其是t時刻的相位時間序列，如果兩個信號的相位差 滿足如式(4)所示條件，則稱兩個信號滿足相位同步。
|
其中，M為常數。相位同步的計算，首先需要利用希爾伯特變換等時頻變換方法將腦電信號轉化為幅值和相位兩部分，獲得信號每一時刻的瞬時相位，得到信號的瞬時相位時間序列；然后計算每兩個導聯間信號的相位差；最后通過基于相位同步衡量指標評估信號間的相位同步程度。鎖相值（phase locking value，PLV）是腦電信號生物識別領域最常用的相位同步指標之一。Cox等[25]分析對比了不同受試者之間和同一位受試者在不同時間的鎖相值特征分布情況，證明了鎖相值特征存在良好的個體差異性和跨時間穩定性。有研究計算不同頻帶內各導聯間腦電信號的鎖相值，并通過主成分分析（principal component analysis，PCA）對獲得的特征向量進行降維，最后使用線性判別分析（linear discriminant analysis，LDA）構建身份識別系統。該方法在3個包含不同任務的數據集上均獲得較高的分類準確率，證明了相位同步特征在不同任務數據下的穩定性[26]。另一項研究對基于鎖相值的導聯間特征做了進一步拓展，針對五種頻帶，作者分別計算同頻帶和跨頻帶下導聯對鎖相值，以導聯為節點，鎖相值為邊構造功能連接圖，以圖作為特征用于身份識別，結果表明該方法具有比單導聯特征更明顯的身份差異[27]。
相位滯后指數（phase lag index，PLI）是另外一種常用的相位同步量化標準[23]。Kang等[21]基于五種頻帶下的相位滯后指數構造了十種功能連接網絡，并與十種單導聯特征進行對比，將上述特征分別用于身份驗證系統，結果顯示網絡特征獲得了更好的識別效果，而且較高頻段的網絡表現更佳。
2.3 格蘭杰因果分析
格蘭杰因果分析（Granger causal analysis，GC）最早由格蘭杰（Granger）于1969 年提出，用于判斷兩個信號間是否存在因果關系，目前在腦電信號研究中廣泛應用于有向功能連接的分析[28]。Valizadeh等[29]證明了格蘭杰因果分析在基于靜息態數據的身份識別系統中具有較好的識別準確率和穩定性，作者基于時域和頻域信息使用十二種方法構建功能連接網絡，其中基于時域和頻域得到的兩種格蘭杰因果指標，在識別準確率、穩定性和時間魯棒性方面都獲得了最好的表現。Min等[30]使用在16個大腦區域測量得到的格蘭杰因果指標構建身份識別系統，在20位受試者基于穩態視覺誘發電位的腦電數據集中，獲得了平均98% 的準確率。
除了上述三種類型，常用的基于導聯間關系的身份特征還有互信息（mutual information，MuI）、相關系數（correlation coefficient，COR）、復雜度壓縮比（compression ratio of complexity，CRC）、能量包絡相關（power envelope correlation，PEC）以及基于導聯間特征生成的連通性網絡的網絡特征等[28-31]。
3 其他特征
除了上述特征外，另有一些方法常見于身份特征提取領域，主要包括深度學習和空間濾波方法。
3.1 深度學習
深度學習（deep learning，DL）通過構造不同的網絡結構自動從數據中進行特征提取，由于其良好的魯棒性和較強的高維數據處理能力，被認為有從腦電信號中學習有效特征的巨大潛力[32]。到目前為止，已有多種深度學習策略用于基于腦電信號的生物識別中，如卷積神經網絡（convolutional neural networks，CNN）、循環神經網絡（recurrent neural network，RNN）等。
卷積神經網絡通過卷積計算學習局部非線性特征，可以將不同導聯的信號以幅值和時間矩陣的形式作為卷積神經網絡模型的輸入，直接實現端到端模型。基于卷積神經網絡的身份特征提取在多種不同范式的數據中都有應用，比如靜息態數據[33]、運動想象（motor imagery，MI）數據[34]和穩態視覺誘發電位數據[35]等。循環神經網絡易于提取腦電信號的時序特征。長短期記憶（long short-term memory，LSTM） 是一種特殊的循環神經網絡，用以解決普通循環神經網絡對較長序列訓練過程中的梯度消失或爆炸問題，在腦電信號處理中更為普遍。身份特征提取中，通常將長短期記憶與卷積神經網絡模型結合使用，使用若干層卷積神經網絡提取不同導聯包含的空間信息，然后使用長短期記憶結構提取信號的時序特征[36-37]。
也有方法結合傳統的手工特征提取與深度學習方法共同提取特征，比如自編碼器（autoencoders，AE）結合自回歸系數，使用自回歸系數模型獲得腦電數據之間的時間相關性，然后通過自編碼器對自回歸系數進行編碼獲得最終特征[38]；再如卷積神經網絡結合功率譜密度，將不同導聯的信號以功率譜密度和時間的矩陣形式作為卷積神經網絡模型的輸入[39]。一些常用于圖像等其他領域的深度學習方法也被引入這一領域，比如對抗性深度學習（adversarial deep learning，ADL）[40]、孿生神經網絡（siamese networks，SN）[41]等。
然而，目前深度學習方法并未在該領域表現出明顯優勢。這可能是由于腦電信號的信噪比低，現有深度學習策略不完全適應，也可能是由于數據量比較少，造成神經網絡訓練不充分。
3.2 空間濾波
空間濾波將采集到的不同導聯的腦電信號通過一定的方式進行投影變換，同步利用導聯間的空間相關性，減少信號的冗余信息，變換后得到的結果可直接作為身份特征用于分類識別，主成分分析、共空間模式、典型相關分析（canonical correlation analysis，CCA）、任務相關成分分析（task-related component analysis，TRCA）等是常用的空間濾波策略[42]。
主成分分析將原始數據投影到數據差異性的主方向上，數據在每個主方向上的投影稱為主成分[43]。針對高階張量，又有多元線性主成分分析（multilinear principal component analysis，MPCA）的方法，可以從多個維度對高階張量進行降維。Maiorana等[44]結合空間濾波與頻域特征，使用多元線性主成分分析方法處理功率譜密度特征，結果顯示，這種方法可以在提升準確率的同時有效減少計算量。
空間濾波方法的應用還常根據腦電數據的范式類型進行選擇，比如典型相關分析、任務相關成分分析等常用于基于穩態視覺誘發電位等視覺誘發范式數據的身份識別中[45-46]；共空間模式等方法多見于基于運動想象數據的身份識別中[1]。
4 總結展望
如前所述，腦電信號身份特征的有效提取是實現基于個體間腦電信號差異的生物識別的關鍵步驟，大量研究表明，特征提取方法的改進可以顯著提升個體識別系統的準確率、穩定性和跨時間的魯棒性。
對于單導聯身份特征，時域信號的波形特征常用于基于事件相關電位數據的身份特征提取，而腦電信號生物識別領域最常用的靜息態數據則大量應用了功率譜密度和小波變換等頻域和時頻域特征。單導聯特征主要的發展趨勢集中于對現有基礎方法的針對性改進。對于導聯間特征，目前主要應用頻譜相干和相位同步指標等方法，評估各導聯對腦電信號的耦合關系。近年來，直接利用導聯間特征構建起的功能連接網絡，包括網絡的拓撲特征、鄰接矩陣和構建圖神經網絡等成為身份特征提取新的選擇。深度學習方法是近年來的研究熱點，目前廣泛應用的是卷積神經網絡和長短期記憶，針對這兩種網絡的結合和改進也成為一種發展趨勢。
在最近的基于腦電信號的生物識別研究中，逐漸有一些新的身份特征提取方法出現。包括：① 一些無監督分析方法，如字典學習等[47]；② 使用多種身份特征提取手段的結合，如傳統時頻分析結合深度學習等[48]；③ 除了梅爾倒譜系數外，其他用于語音識別的特征提取方法如x-vector、I-vector等[49]，已證明在基于腦電信號的身份特征提取中的有效性。目前，大多數研究往往多角度出發，將幾種方法結合使用，提取多個不同角度的特征信息，以提升分類效果。
總之，身份特征提取方法的推陳出新推動了基于腦電信號個體差異性的生物識別系統的發展和研究，但是，目前仍需發展全面高效的特征提取方法以進一步解決以下問題：① 腦電信號信噪比低，所提取的特征包含較多的干擾信息；② 需要更為穩定有效的身份特征處理同一位受試者不同時間下存在的腦電信號差異，從而解決身份識別與驗證系統的跨時間魯棒性問題；③ 在包含較多受試者的大樣本數據集中提取個體差異更大的身份特征。
未來，針對個體腦電信號間差異的身份特征提取將會有更多的研究方法，對基于腦電信號的生物識別系統性能的提高發揮更大的作用。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
