摘要
随着时代的发展，社会对于高敏感信息的保护有着越来越严格的要求。基于面容、指纹、声音等体外生物特征的身份识别技术日渐成熟，已经广泛地应用于日常生活中，但这些暴露于人体外的生物特征已经无法满足某些特殊场合所需要的高度保密性。表面肌电信号作为人体内产生的生物电信号，蕴含肌肉的活动强度、活动时间等与运动相关的信息，被认为是应用于生物医学、运动康复等领域的最佳生物反馈信号。相比于体外生物特征识别模板，它具备着更高的保密性和安全性，但作为身份识别系统的识别模板目前仍然处于理论研究阶段。 高密度表面肌电信号是采用多通道阵列式电极采集的表面肌电信号，提供了更高分辨率的感知点，揭示了目标肌肉对应的动作激活地形图，越来越多的学者将其应用于人机交互领域，也展现出作为身份识别模板的巨大潜力。本文采用自定义手势密码将身份识别系统设置为可更改模式，并提出了一种基于多特征融合肌电图的卷积神经网络用于手势密码识别，以及一种GRA-LSTM神经网络用于身份信息预测。主要研究内容如下： （1）基于多特征融合肌电图卷积神经网络的手势密码识别：采集“八字伸”、“伸拇指”、“握拳”等八种手势的高密度表面肌电信号作为身份识别系统的手势池，对原始信号进行滤波等预处理，根据能量阈值截取肌肉活动段信号；随后提取信号时域、频域和非线性等特征，选择手势识别效果最佳的特征，提取高密度表面肌电信号的空间域分布信息，进行多特征融合；最后采用基于多特征融合肌电图的CNN模型进行手势密码识别，平均准确率和Kappa系数分别为98.23%和97.98%，效果优于BP神经网络、模糊小脑模型神经网络和支持向量机。 （2）基于手势密码GRA-LSTM神经网络的身份信息识别：采集每位用户的五次不同日期的高密度表面肌电信号，从系统手势池中选择三个手势作为账户的自定义手势密码；根据高密度表面肌电信号各通道间的相关系数选取正交性最强的8个通道提取特征，对提取的特征进行分析，构建最佳的身份信息预测特征；将前四次的肌电特征作为该账户“已知”的信息去预测第五次的“未知”信息，对比GRA-LSTM模型与BP神经网络、长短期记忆神经网络和递归小脑模型神经网络的预测结果，验证GRA-LSTM模型的身份信息预测效果最佳；最后根据预测模型的输出结果确定身份信息识别阈值，以判断用户的身份是否正确。
NETL