脑纹识别研究综述

汪露雲 孔万增 张昕昱 范巧男

（杭州电子科技大学计算机学院，杭州 310018）

脑纹识别研究综述

汪露雲 孔万增∗张昕昱 范巧男

（杭州电子科技大学计算机学院，杭州 310018）

个人身份识别在当今互联网信息时代有着重要的意义，而传统的身份识别方式在安全上无法得到充分保证。脑电信号作为一种新型的生物特征，在不可窃取、不可伪造、必须活体检测等方面具有独特的优势，能为身份识别提供更安全的生物识别方法。因此，脑纹识别有着广阔的研究前景和应用价值。回顾近年来基于脑电信号的身份识别技术，详细阐述基于静息电位、视觉诱发电位（VEP）、运动想像、事件相关电位（ERP）在脑纹识别过程中的基本原理与方法，并分析各自的优势和局限性；最后就脑纹识别研究现状进行论述，并对其研究前景进行展望。

脑纹识别；静息电位；视觉诱发电位；运动想像；事件相关电位

引言

在当今信息时代，个人身份识别无论对防恐安全还是互联网信息安全都有着重要意义。如何准确鉴定一个人的身份，自古以来都是一个关键性的社会问题。如今，互联网和智慧城市为经济的发展带来了机遇，同时也带来了许多安全隐患，其中部分则与身份信息的识别与验证有关。传统的身份识别方式主要是通过特征物品（如身份证）和特定知识（如密码）进行鉴别的，这些特征存在着可分离性的问题，进而会引起遗失、胁迫、仿制、冒用、破译等现象，在安全上无法得到充分的保证。

原则上，人的任何生理或行为特征只要满足以下条件，就可作为生物特征用于身份识别：普遍性、唯一性、稳定性、可采集性、可接受性以及抗欺骗性。基于生物特征的识别技术，如声纹识别［1］、人脸识别［2］、虹膜识别［3］、DNA 识别［4］、指纹识别［5］、视网膜识别［6］和掌纹识别［7］等，在防伪和防攻破方面相比旧有的身份识别方法有了很大的提升［8］，可以有效地解决传统身份识别中存在的这些问题，但仍然都存在着容易被篡改、被复制、被胁迫使用的缺点，同时不能进行活体检测。研究显示：用明胶制成的假手指，可以轻而易举地骗过指纹识别系统；隐形眼镜上蚀刻出的虚假虹膜特征，可以让虹膜识别系统真假难辨；使用包含特征的部分肢体（即使是从活体上被肢解下来），也可以达到指纹识别的目的［9］。犯罪手段的不断智能化、科技化，使生物特征识别技术面临新的挑战。虽然研究者们已经提出一些活体检测和抗伪造的方法，但是这些系统的防恶意入侵能力仍然较低［10-12］。因此，在一些国防、军工、金融等机密性和安全性要求较高的应用领域，传统生物特征识别系统仍然存在着被攻破的风险。

宾汉顿大学Sarah Laszlo课题组提出了脑纹［13］这一新概念，是指大脑所产生的一种独一无二、具有可采集性和持久性并可用于身份识别和验证的脑电信号特征。脑电信号是一种新型的生物特征识别形式，满足作为生物特征的基本条件。不同于指纹等生物特征易受到外界因素影响，脑电信号具有相对稳定性。由于脑电信号必须来自活体，一旦个体死亡，脑电信号就不复存在，因此它具有良好的抗胁迫性。由于脑电信号来源于大脑的思维活动，从生理角度来说，具有独特的神经路径模式［10］，很难伪造。研究表明，不同的个体对于同一个外部刺激，或者在思考同一事件，又或者在静息态，大脑所产生的脑电信号是不同的［14-17］，这在一定程度上证明了人的脑电信号具有唯一性。主体在不同的思想状态下或者在不同刺激下，大脑所产生的脑电信号与正常状态下的脑电信号有差异，即人的脑电信号可以作为对主体思维异常状态进行监测的一种生物特征，因此它也可以作为是否自愿或者胁迫的有效检测手段［18］。尽管目前科技高度发展，但窃取脑电信号的可实现性仍较低，这在很大程度上保证了脑电信号作为身份识别特征的安全性。因此，在机密性、安全性要求较高的应用场合中，可以使用脑电波进行身份识别，故研究脑电身份识别就显得尤为重要。

目前常见的生物特征对比如表1所示，其中脑电信号在隐蔽性、不可窃取性、不可伪造性、抗胁迫性以及必须活体等方面具有独特的优势。

1 脑纹识别生理研究基础

大脑是人体最复杂的器官，其上分布着数千米的树突和轴突，以及约1 000亿个神经元［19］。神经元是神经系统的重要组成部分，其电活动形式主要有两种：动作电位和突触后电位。动作电位是适当刺激作用于神经元而产生的离散电压尖峰，是系列离子通道开关形成离子流动而引起的胞体跨膜电位变化；突触后电位是神经递质与突触后细胞膜受体结合时产生的电压，是神经递质引起离子通道开关带来的跨膜电位梯度变化。大脑皮层的大量神经元突触后电位同步总和构成的头皮记录得到脑电图（electroencephalogram，EEG）［20］。由此可知，脑电信号是大脑内所有神经元活动的综合和大脑一连串连续电位活动的反应，是由数亿个神经元活动引起的电位变化［21］。生物电现象是生命活动的一个共同基本特征，活体大脑总是伴随着神经元放电，因此大脑时刻都在产生脑电波，即使人处于深度沉睡或者昏迷中。

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

脑电信号是大脑活跃模式的一种外在表现，然而大脑的活跃模式又根据外界的刺激、当前正在处理的信息类型和信息量、身体正在执行的动作和身体各器官的运作状态等因素的变化而变化，因此脑电信号中通常包含了刺激、任务、动作等相关信息［22］。脑电信号作为每个活体都具有的生物信号［23］，对于所有生命体而言具有普遍性。由神经元构成的神经组织一旦形成便难以改变，而脑电信号是大量神经组织在同一时刻发生突触电位变化的结果，因此脑电信号具有稳定性。同时，脑电信号是大脑皮层神经元活动所产生的电信号，依赖于个体的大脑活跃模式，具有高度的个体依赖性。并且，每个个体的思维状态是不同的，不能伪造以及复制，所以脑电信号是不可窃取以及伪造的。对于同样的外部刺激、同样的生理活动或任务，甚至是同样在静息状态下，不同个体的神经活动情况也有很大的差异，因此，脑电信号具有个体独一无二的特性，具有唯一性［10，24-26］。此外，在医学上定义人死亡也就是脑死亡［27］，因此脑电信号可以作为个体的生命指标，即活体检测的依据。综上所述，脑电信号可应用于脑纹识别［16，28-30］。

2 脑纹识别研究现状

近年来，基于脑电信号的身份特征识别技术受到了越来越多研究人员的关注，并且进行了大量实践研究。针对脑电信号进行身份识别和认证研究有许多的方式，根据脑电信号的种类大致可以分为以下四大类（见表2）。

表2 基于脑电的身份特征识别方法发展Tab.2 Development of identity recognition based on EEG

2.1 基于静息电位的脑纹识别

静息态是一种大脑不执行具体认知任务，保持安静、放松、清醒的状态，是大脑所处的各种复杂状态中最基础和最本质的状态［31］。利用核磁共振成像，静息态功能不需要被试完成特定的任务，就能够直接显示不同脑区之间的低频血氧水平依赖（blood oxygen level-dependent，BLOD）信号的同步波动，能够反映基础状态下中枢神经系统的自发活动［32］。在完全静息状态下，不同人的大脑所产生的脑电信号是不同的，即脑电信号携带有主体独一无二的特性，可以对静息态下的脑电信号进行个人身份的识别。

静息电位在很早的时候就引起了人们的关注，Paranjape等首次将静息态下睁眼和闭眼时的脑电信号作为生物特征进行身份识别，利用AR模型对40名被试进行身份识别，准确率超过了80%［14］。刘泉影等提出一种在静息态采集环境下基于单导脑电的身份识别方法，对11名被试进行脑电采集，利用BP神经网络进行分类，准确率可以达到90%以上［33］。Maiorana等通过均值主成分分析（principal component analysis，PCA）和多维线性主成分分析（multilinear PCA，MPCA），分别提出本征脑和本征张量脑的概念，在实验过程中提取30名被试在静息态下的脑电信号，将其投影到均值PCA和多维线性PCA空间中，再利用线性判别分析（linear discriminant analysis，LDA）进行分类，分类准确率可达到87.94%［34］。Bose等采集57位精神分裂症被试和27位正常被试的静息态、过度通气和换气后闭眼条件下的脑电数据，利用有限脉冲响应滤波器，将脑电信号滤波到delta、theta、alpha和beta波段，然后alpha波段的脑电信号使用支持向量机（support vector machine，SVM）分类器进行分类，分类准确率达到83.33%［35］。

2.2 基于视觉诱发电位的脑纹识别

视觉诱发电位（visual evoked potential，VEP）是指神经系统接受视觉刺激（如图形或闪光刺激）所产生的特定活动［36］。视觉诱发电位发生在特定的时间和部位，比较容易检测，适用于脑机接口。对被试要求低，只要被试视觉功能正常，就可以利用视觉诱发电位信号实现，并且被试无需训练或者只需要进行少量的训练。

2009年，Das等使用基于视觉诱发电位的脑电信号进行身份特征识别研究，他们记录了20名被试的VEP信号，通过时空滤波器提取特征，然后利用支持向量机和线性判别分析进行分类，识别准确率分别为75%和 91%［15］。Paranjape等从102名被试中采集了gamma波段视觉诱发电位的脑电信号，通过功率谱来提取特征向量，然后使用K-近邻算法和Elman神经网络进行分类，平均识别准确率分别为96.13%和98.12%［37-38］。Gui等采用小波包分解方法对32名被试的VEP脑电数据进行特征提取，采用人工神经网络作为分类器进行身份特征识别，平均分类准确率为94.4%［39］。

虽然视觉诱发脑电的识别率比自发脑电要高，但是视觉诱发脑电需要不断显示图片以刺激视觉，容易引发被试视觉疲劳，并且要求精力非常集中。同时，利用视觉诱发脑电进行身份识别不能应用于有视觉功能障碍的被试。

2.3 基于运动想像的脑纹识别

运动想像脑电就是想像某种肢体运动时的脑电模式。现代神经电生理学研究表明［40］：当进行肢体运动或运动想像时，将对应激活初级感觉运动区，在想像准备运动或者想像运动时都会出现μ波和β波的减小，脑区EEG成分在功率谱上出现事件相关（去）同步（ERD/ERS）现象［41］。不同运动想像任务时所激活的脑区不同，不同任务的运动想像脑电在特征频段上也有所差别，因此运动想像脑电信号具有空间特性。该方法适合身体残疾、视觉缺陷的各类病人，有较好的适用性。

Marcel等利用9名被试执行运动想像任务时的脑电信号进行身份认证研究，提出了一种基于高斯混合模型和最大后验概率模型的统计框架，对错误接受率和错误拒绝率两种情况进行统计，平均错误率为7.1%［16］。胡剑锋等使用自回归模型、信号功率谱、复杂度等方法，对运动想像脑电信号进行特征提取，最后用BP神经网络对降维后的特征向量进行身份识别，想像左手、右手、腿和舌头运动的平均识别率分别为81.2%、82.1%、82.8%和 90.6%［42-43］。

然而，利用运动想像脑电数据进行身份识别具有一定的局限性。在采集脑电信号过程中，需要被试高度配合，并且给予被试的运动想像类型非常重要，不同的实验范式对被试的身份识别有较大的影响。

2.4 基于事件相关电位的脑纹识别

事件相关电位（event-related potential，ERP）是一种特殊的诱发电位，是当人对客体进行认知加工（如注意、记忆、思维）时通过平均叠加从头颅表面记录到的大脑电位，它反映认知过程中大脑的神经电生理改变［44］。与感觉密切相关的ERP是BCI系统自主意识信息转化的经典范式之一，通过视觉、听觉、体感等刺激诱发，ERP不仅体现大脑的单纯生理活动，并反映心理活动的某些方法内容［45］，不同个体间的特异性更强。在目前相关的实验研究中，ERP特征被应用于脑电身份识别。

Yeom等提出了一种对自身人脸图片具有特殊反应的脑电身份识别范式，对10名被试（包括一对同卵双胞胎）进行实验并采集脑电信号，利用N170和N250事件相关电位成分进行身份识别，平均准确率为86.1%［17］。随着脑纹概念［1］的提出，Armstrong等将ERP成分作为生物特征进行身份识别［46］。课题组利用45名被试的ERP成分（N400）进行身份识别，准确率为82% ～97%，6个月后部分参与者的脑电识别准确率依然保持不变。天津大学的刘晶等采集了55名被试的脑电数据，对Farwell范式［47］诱发事件相关电位的身份识别可行性进行验证，结果显示靶刺激及非靶刺激的ERP特征（P300）正确率分别可达到92.50% 和93.27%［48］。中南民族大学的官金安等设计模拟阅读ERP实验，采用非监督特征学习方法对多名被试者的脑电信号进行特征提取并分类。实验结果表明：采用人工神经网络对5名被试的特征向量进行分类，正确率高于90%［49］。Touyama等利用事件相关电位的P300特征进行身份识别，将9张照片作为视觉刺激随机呈现给5名被试，被试选择目标刺激，不同的被试选择不同的目标刺激，通过PDA和LDA进行分类识别，准确率可达到87.2%和97.6%，次数越多，识别越准确［50］。

虽然这些研究都得到了较高的准确率，但是利用事件相关电位进行脑电身份识别，在采集数据过程中需要被试配合执行额外的认知任务，因此不适用于存在认知功能障碍的被试。

3 展望

作为具有广泛应用背景的研究领域，对基于生物特征的身份识别系统的安全性能的要求也在不断提高。然而，作为一种新型的生物特征，脑电信号在隐蔽性、不可窃取性、不可仿制性以及必须活体等方面具有独特的优势，很大程度上弥补了传统生物特征的缺陷［18］。作为一个交叉学科领域［35］，脑电的身份识别有着广阔的研究前景和应用价值，主要从以下几个方面对脑电身份识别的未来发展进行展望。

1）尽管各课题组对脑电身份识别进行了广泛的研究，也在现实应用中做了一些尝试，但是还存在一定的缺陷。例如，基于视觉诱发电位和事件相关电位的脑电身份识别，在脑电信号采集过程中，必须使用额外的设备进行视觉刺激或者需要被试执行额外的认知任务，因此不能应用于视觉功能障碍或者认知功能缺陷的人群。基于运动想像的脑电识别方法，需要采集被试想像左手、右手、腿、舌头等4种运动的EEG信号，另外基于静息态的方法也需要被试精神状态放松，这都需要被试的高度配合。如果将其应用于犯罪身份识别中，犯罪分子不但可能不配合有关部门的测试任务，还可能会千方百计地偏离任务要求以躲避身份识别，所以该类方法将会面临巨大挑战，即被试需要在特定的任务情况下进行脑电信号的采集，实用性不足。另外，各课题组提出的脑电身份识别方法只针对一种任务状态进行脑纹识别，不能做到普适性，即只能针对各自任务对应的脑电信号进行身份识别，一种身份识别方法只能针对一种认知任务状态，这就对脑电身份识别的推广造成了很大的障碍。综上所述，研究一种任务无关的脑电信号身份特征识别方法，对在不同任务状态下所产生的脑电信号都能进行身份特征识别尤为重要。

2）各课题组在不同任务状态下，利用传统脑电设备采集脑电信号进行身份识别研究（见表2）。然而，传统脑电采集设备价格昂贵、体积大，操作过程比较复杂，采集过程耗时费力，不能很好地满足个人身份识别的应用需求。随着技术的不断发展与进步，脑电采集方式变得越来越简单，如出现了干电极技术（无需抹胶）。另外，由于脑-机接口领域的发展，一些实用的小型和轻型脑电信号采集设备已出现［18］。例如，Emotiv、Neurosky、Mindo 等可穿戴的脑电采集设备正逐渐呈现在人们的视野中。戴逸翔等利用可穿戴设备采集脑电信号，提出了一种基于EEG压缩感知进行网页在线身份识别的方法，对EEG数据进行压缩以应对大规模脑电数据造成的识别误差，对16名被试进行身份识别，分类准确率达到93.73%［52］。因此，在未来的脑电身份识别的实验中，脑电采集过程将尽量做到简单方便。

3）医学和研究表明，对于健康成年人而言，EEG的幅度和频率随着人的状态和年龄的改变而改变［53］。研究中需要关注脑电信号的持续时间，通过分析比较不同时期获取的EEG信号来推测EEG特征的稳定性［54］。目前，研究中采集脑电信号的间隔时间都较为短，所以对于间隔时间更长（如采集时间间隔为10年）的脑电信号是否仍然可以用于身份识别，暂时还不能给出结论。因此，在未来的研究中，可以有针对性地采集相同志愿者10年后的脑电信号进行分析，进一步研究时间对脑电信号识别的影响。

4 结语

文中分析了脑纹识别生理研究基础以及脑电信号用于身份识别的可行性，接着介绍了基于静息电位、视觉诱发电位、运动想像、事件相关电位的脑电信号进行身份识别的国内外研究现状，并且对脑电信号身份识别的未来发展进行展望。脑电信号作为一种新型的生物特征，在信息社会安全需求日益加剧的背景下，脑纹识别有广阔的研究价值和应用前景。随着可穿戴便携式设备的快速发展，脑电信号的采集方式越来越简单，这为脑纹识别奠定了技术基础。同时，基于任务无关的脑电信号识别方法将是未来的研究热点。

［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，Flynn P，Ross A.Handbook of Biometrics［M］.Berlin：Springer，2007.

［9］ 李鹏宇.基于脑电信号的身份认证［D］.北京：北京邮电大学，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.基于脑电波信号的身份识别技术［D］.北京：北京邮电大学，2011.

［19］ 郑德高. 神经元和神经网络模型［J］. 科学，1992（6）：34-36.

［20］ 夏阳，尧德中.神经信息学基础［M］.成都：电子科技大学出版社，2015：79-80.

［21］ 尧德中.脑信息科学：概念、内容与挑战［J］.中国生物医学工程学报，2016，35（2）：129-132.

［22］ 林伟成.基于EEG信号的认知任务模式分类研究［D］.杭州：杭州电子科技大学，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］ 卫生部脑死亡判定标准起草小组.脑死亡判定标准（成人）［J］. 现代实用医学，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］ 杨剑，陈书燊，皇甫浩然，等.静息态脑电信号动态功能连接分析［J］. 物理学报，2015，64（5）：374-383.

［32］ 李珈含，王欣，成立立，等.不同动机特质在静息态下脑功能的相关研究［J］.国际医学放射学杂志，2016，39（5）：468-472.

［33］ 刘泉影.普适环境下基于静息态脑电的身份识别研究［D］.兰州：兰州大学，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］ 何庆华.基于视觉诱发电位的脑机接口实验研究［D］.重庆：重庆大学，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，Fh LDS. Event-related EEG/MEG synchronization and desynchronization：basic principles［J］.Clin Neurophysiol，1999，110（11）：1842-1857.

［42］ 胡剑锋，包学才.基于EEG信号的身份识别方法［J］.中国组织工程研究与临床康复，2009，13（17）：3260-3264.

［43］ 胡剑锋，包学才.基于脑电密码的新型生物识别方法［J］.中国组织工程研究与临床康复，2010（43）：8081-8085.

［44］ Steven J. An Introduction to the Event-Related Potential Technique［M］.London：The MIT Press，2005：1-35.

［45］ 明东.用于脑机接口的感觉刺激事件相关电位研究进展［J］. 电子测量与仪器学报，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］ 刘晶，白艳茹，许敏鹏，等.基于Farwell范式诱发ERP的身份识别研究［J］.电子测量与仪器学报，2015（2）：221-226.

［49］ 官金安，高炜，周到，等.非监督特征学习方法在脑电身份识别中的应用［J］.中南民族大学学报（自然科学版），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 文献标志码：A 文章编号：0258-8021（2017）05-0602-06

10.3969 /j.issn.0258-8021.2017.05.013

2017-03-10，录用日期：2017-04-21

国家自然科学基金（61671193）；国家国际科技合作专项资助项目（2014DFG12570）

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