一种脑电图生物特征核验方法、装置、芯片及终端

技术领域

本发明涉及人工智能技术领域，特别是涉及一种脑电图生物特征核验方法、装置、芯片及存储介质。

背景技术

随着社会发展到数字化时代，生物特征核验与人们的日常生活已经不可分割，如手机，电脑等设备的开启使用，登录网站用户验证，工作打卡等。而且人们对生物特征核验的安全性的要求不断升高，生物特征核验在生活中已经越来越重要。人脸、指纹、虹膜等生物特征暴露在人体外部，存在着容易损毁的问题，且较容易被他人盗取。此外，这些传统生物特征无法进行活体检测，也即用户死亡后，指纹、人脸、虹膜、DNA等生物特征依旧存在，使用这些生物特征的生物特征核验系统存在通过杀害使用者盗取特征的风险。

作为一种新型的生物特征，脑电信号具有高隐蔽、难伪造等优势。因此，基于脑电的生物特征识别系统具备极高的安全性，对于窃取生物特征等犯罪手段都有着良好的防备方法，这使得基于脑电的生物特征识别技术可应用于高安全性要求的权限访问系统。目前的脑电信号识别准确率较低，无法满足生物特征核验的需求。

发明内容

基于此，本发明提供一种脑电图生物特征核验方法、装置、芯片及存储介质，可以提高脑电信号识别的准确率。

第一方面，提供一种脑电图生物特征核验方法，包括：

对待识别脑电图数据进行数据处理，得到目标脑电图数据；

对所述目标脑电图数据进行空间滤波处理及特征提取，得到特征信号矩阵；

将所述特征信号矩阵输入预设的Transformer模型，以使所述Transformer模型根据所述特征信号矩阵的行数及列数对所述特征信号矩阵进行位置编码；

将进行位置编码之后的特征信号矩阵输入编解码组件进行编解码处理；

对所述编解码处理的结果进行线性变换和softmax计算，确定生物特征核验分类。

可选的，所述对所述目标脑电图数据进行空间滤波处理及特征提取，得到特征信号矩阵，包括：

根据信号频段对所述目标脑电图数据进行分割；

利用共空间模式算法对分割后的所述目标脑电图数据进行空间滤波处理；

利用滤波器组共空间模式算法对空间滤波处理后的所述目标脑电图数据进行特征提取提到所述特征信号矩阵。

可选的，所述编解码组件包括一个或多个编解码结构，每个所述编解码结构包括编码器和解码器，所述编码器包括一个多头自注意力层和一个前馈层，所述解码器包括一个遮罩多头自注意力层、一个多头自注意力层和一个前馈层所述前馈层包括两层全连接层。

可选的，所述对待识别脑电图数据进行数据处理，得到目标脑电图数据，包括：

对所述待识别脑电图数据进行预处理，得到预处理数据；

利用滑动窗口对所述预处理数据进行数据增强；

根据所述待识别脑电数据的采集设备通道数对所述数据增强后的预处理数据进行源空间转换，得到所述目标脑电图数据。

可选的，所述对所述待识别脑电图数据进行预处理，得到预处理数据，包括：

利用FIR滤波器对所述待识别脑电图数据进行滤波处理；

对滤波处理后的所述待识别脑电图数据进行分割处理，其中，所述分割处理的分割时间段为2秒；

利用花朵授粉算法对分割处理后的所述待识别脑电图数据进行通道优化处理，得到所述预处理数据。

第二方面，提供一种脑电图生物特征核验装置，包括：

处理模块，用于对待识别脑电图数据进行数据处理，得到目标脑电图数据；

特征提取模块，用于对所述目标脑电图数据进行空间滤波处理及特征提取，得到特征信号矩阵；

执行模块，用于将所述特征信号矩阵输入预设的Transformer模型，以使所述Transformer模型根据所述特征信号矩阵的行数及列数对所述特征信号矩阵进行位置编码；

编解码模块，用于将进行位置编码之后的特征信号矩阵输入编解码组件进行编解码处理；

分类模块，用于对所述编解码处理的结果进行线性变换和softmax计算，确定生物特征核验分类。

可选的，所述脑电图生物特征核验装置还包括：

第一分割子模块，用于根据信号频段对所述目标脑电图数据进行分割；

第一滤波子模块，用于利用共空间模式算法对分割后的所述目标脑电图数据进行空间滤波处理；

第一特征提取子模块，用于利用滤波器组共空间模式算法对空间滤波处理后的所述目标脑电图数据进行特征提取提到所述特征信号矩阵。

可选的，所述编解码组件包括一个或多个编解码结构，每个所述编解码结构包括编码器和解码器，所述编码器包括一个多头自注意力层和一个前馈层，所述解码器包括一个遮罩多头自注意力层、一个多头自注意力层和一个前馈层所述前馈层包括两层全连接层。

可选的，所述脑电图生物特征核验装置还包括：

第一处理子模块，用于对所述待识别脑电图数据进行预处理，得到预处理数据；

第一增强子模块，用于利用滑动窗口对所述预处理数据进行数据增强；

第一转换子模块，用于根据所述待识别脑电数据的采集设备通道数对所述数据增强后的预处理数据进行源空间转换，得到所述目标脑电图数据。

可选的，所述脑电图生物特征核验装置还包括：

第二滤波子模块，用于利用FIR滤波器对所述待识别脑电图数据进行滤波处理；

第二分割子模块，用于对滤波处理后的所述待识别脑电图数据进行分割处理，其中，所述分割处理的分割时间段为2秒；

第二处理子模块，用于利用花朵授粉算法对分割处理后的所述待识别脑电图数据进行通道优化处理，得到所述预处理数据。

第三方面，提供一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如上述任一项所述的脑电图生物特征核验方法的各个步骤。

第四方面，提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任一项所述的脑电图生物特征核验方法的步骤。

上述脑电图生物特征核验方法、装置、芯片及存储介质，通过对待识别脑电图数据进行数据处理，并在空间滤波之后进行特征提取，提高特征信号矩阵表征信息的有效性，然后利用Transformer模型进行位置编码，并使用编解码组件进行处理，根据编解码处理的结果进行生物特征核验，利用编解码组件可以有效缩短网络的计算时间，提高了Transformer模型的生物特征核验效率，并提高了脑电图生物特征核验的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本实施例脑电图生物特征核验方法的基本流程示意图；

图2为本申请实施例的单个编解码结构的示意图；

图3为滑动窗口进行数据增强的示意图；

图4为本发明实施例脑电图生物特征核验装置的基本结构框图；

图5为本发明实施例提供的一种终端的基本结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(AI：Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

具体地请参阅图1，图1为本实施例脑电图生物特征核验方法的基本流程示意图。

如图1所示，一种脑电图生物特征核验方法，包括：

S11、对待识别脑电图数据进行数据处理，得到目标脑电图数据；

通过获取待识别脑电图(Electroencephalogram，EEG)数据，并对待识别EEG数据进行预处理，提高数据的有效性，得到目标脑电图数据。

预处理的方法包括频域/时域滤波、分割、通道优化、数据增强、空间转换等，但不限于此。

待识别脑电图数据可以通过设备采集，或者从其他存储区域获取，本实施例中，在训练或测试模型时需要用到的大量EEG样本，可以通过Physionet EEG数据集获取。

S12、对所述目标脑电图数据进行空间滤波处理及特征提取，得到特征信号矩阵；

对目标脑电图数据进分割成不同频段的内容，然后利用CSP(Common SpatialPattern，共空间模式)算法进行空间滤波，利用FBCSP(Filter Bank Common SpatialPattern，滤波器组共空间模式)算法进行特征提取，将目标脑电图数据中较为明显的特征进行捕捉以形成特征信号矩阵。

S13、将所述特征信号矩阵输入预设的Transformer模型，以使所述Transformer模型对所述特征信号矩阵进行位置编码；

将特征信号矩阵记为

其中，pos表示该数据在整个频段内的位置，且pos＝0，1，2，…，N-1；i表示数据特征在当前组数据内的位置，index对2求模，d

S14、将进行位置编码之后的特征信号矩阵输入编解码组件进行编解码处理；

本实施例的编解码组件包括一个或多个编解码结构，每个所述编解码结构包括编码器和解码器，所述编码器包括一个多头自注意力层和一个前馈层，所述解码器包括一个遮罩多头自注意力层、一个多头自注意力层和一个前馈层，所述前馈层包括两层全连接层。

具体的，如图2所示，图2为本申请实施例的单个编解码结构的示意图。单个编码器包括一个多头自注意力层和一个前馈层，编码器的多头自注意力层的输入为经过位置编码后的特征信号矩阵，或是上一个编码器的前馈层输出的结果，即若该编码器为第一个编码器时输入为位置编码后的特征信号矩阵，其他编码器的输入即为上一个编码器的输出。单个解码器包括一个遮罩多头自注意力层、一个多头自注意力层和一个前馈层，解码器的遮罩多头自注意力层输入与编码器的相似，为位置编码后的特征信号矩阵，或为上一个解码器的输出。

在编码时，通过多头自注意力层的输出矩阵使用残差神经网络的模式将其和目标矩阵相加并进行批量标准化，最后将结果传输至前馈网络层。前馈网络层的实质是由两层全连接层构成，并使用ReLU(Rectified Linear Unit，线性整流函数)作为激活函数增加非线性关系。前馈网络层的输出结果一方面是传输至下一个编码器中，另一方面是传输至对应解码器的多头自注意力层中。

具体的，经过位置编码后的特征信号矩阵作为编码器多头自注意力层的输入矩阵：

其中每一行是一维特征矩阵，d

其中权重矩阵W

d

则第i次形成的一组查询向量Q

基于多头自注意力层对Q、K、V进行投影的本质是将向量矩阵投影到不同的表示子空间。多头自注意力层的具体公式如下：

head

MultiHead(Q，K，V)＝Concat(head

其中：softmax()表示softmax映射，Concat是连接函数，

对于权重矩阵

在权重矩阵修正的过程中，损失函数loss的选取一般是均方损失或者是交叉熵损失且对其求偏导并更新权重参数的过程常会利用优化算法，如Adam算法(Adamoptimization algorithm，自适应运动估计算法)和SGD算法(Stochastic gradientdescent，随机梯度下降算法)，从而进行反向修正。

解码的过程与编码类似，在此不再赘述，将最后一个解码器的输出作为整个编解码组件的输出，即编解码处理结果。

S15、对所述编解码处理的结果进行线性变换和softmax计算，确定生物特征核验分类。

将编解码组件的输出经过线性变换和softmax计算，得到最终的分类结果，作为微分识别分类。

通过对待识别脑电图数据进行数据处理，并在空间滤波之后进行特征提取，提高特征信号矩阵表征信息的有效性，然后利用Transformer模型进行位置编码，并使用编解码组件进行处理，根据编解码处理的结果进行生物特征核验，利用编解码组件可以有效缩短网络的计算时间，提高了Transformer模型的生物特征核验效率，并提高了脑电图生物特征核验的准确率。

在一些实施方式中，S12具体包括：

S121、根据信号频段对所述目标脑电图数据进行分割；

S122、利用共空间模式算法对分割后的所述目标脑电图数据进行空间滤波处理；

S123、利用滤波器组共空间模式算法对空间滤波处理后的所述目标脑电图数据进行特征提取，提到所述特征信号矩阵。

对目标脑电图数据进分割成不同频段的内容，然后利用CSP(Common SpatialPattern，共空间模式)算法进行空间滤波处理，利用FBCSP(Filter Bank Common SpatialPattern，滤波器组共空间模式)算法进行特征提取，将目标脑电图数据中较为明显的特征进行捕捉以形成特征信号矩阵。

在一些实施方式中，S11具体包括：

S111、对所述待识别脑电图数据进行预处理，得到预处理数据；

处理包括三个操作：滤波处理、分割处理、通道优化。

S112利用滑动窗口对所述预处理数据进行数据增强；

因为脑电图数据的样本量较小，在使用深度学习方法进行学习和识别时存在过拟合的问题，由于静息态EEG数据在采集过程中没有脑电触发范式，因此静息态EEG数据非常适合采用滑动窗口的思想做数据增强。基于此，本实施例使用滑动窗口的数据增强方案，在预处理后的脑电图数据上进行基于滑动窗口的数据增强。对比数据增强前的数据，经过数据增强后的数据在生物特征核验的准确率明显提高。

具体的，利用滑动窗口滑动过程中，一个数据点存在于多个窗口的特点，将窗口内的数据作为样本数据，通过重叠窗口达到扩充识别样本的目的。如图3所示，图3为滑动窗口进行数据增强的示意图，图3中展示的是抽象的脑电信号波形被滑动窗口不断向右滑动切割的过程。曲线是脑电信号的波形，选定的窗口不断右移分割单次采集到的脑电信号，由于窗口长度大于移动的步长，窗口滑动的过程中产生重叠部分，所以滑动窗口分割的单次采集的脑电信号产生的识别样本数量大于固定窗口分割产生的样本数量，可以产生更多的识别样本。

S113、根据所述待识别脑电数据的采集设备通道数对所述数据增强后的预处理数据进行源空间转换，得到所述目标脑电图数据人类的大脑是一个大型网络，其功能一路来空间上分布的脑区之间的动态交互，EEG成像方法具有超高的时间分辨率，但是空间分辨率比较低，是因为EEG采集设备在采集脑电信号的时候，会有容积传导问题(volume-conduction problem)。

大脑可以看作是一个容积导体，由于容积导体的存在，大脑内部源的电活动不仅向正上方传导，也会向其他位置传导，导致其他大脑源的活动也会对采集设备所记录到的活动有着不同程度的贡献。所以采集下来的头皮表面的脑电信号并不能简单的对应采集位置的信息。为了进一步优化面向EEG的生物特征核验的准确率，需要将有容积传导问题的脑电信号数据转换到大脑源空间的原始脑电信号。

具体的，以n为采集脑电信号数据的采集设备通道数，t为经过分割处理后一个识别样本的数据点个数，k为大脑潜在源的个数，输入数据即为t×n大小的矩阵，每个采集通道感应的数据为多个大脑潜在源发出脑电信号的融合，如公式：

其中，X

源空间转换为神经网络的输入层训练一组空间过滤器W，每一列W

在一些实施方式中，S111具体包括：

S1111、利用FIR滤波器对所述待识别脑电图数据进行滤波处理；

大脑产生的脑电信号提供的有效信息主要集中在0.5Hz-45Hz的范围内，所以在进行生物特征核验之前，需要对脑电图数据进行一定程度的滤波处理，滤除有用信息之外的频段。

针对于EEG数据的波形携带重要信息，对线性相位要求较高的特点，我们将选用FIR滤波器(Finitelmpulse Response Filter，有限冲激响应滤波器)对EEG数据集进行滤波操作保留脑电信号提供的有效信息部分。

对于FIR滤波器，冲激响应在有限的时间内衰减为0其输出仅取决于当前和过去的信号值，差分函数表示方法公式：

其中，x(n)是输入序列，y(n)是输出序列。

从FIR的差分函数可以看出该滤波器就是把当前时刻和前n个点的输入值加权平均求和得到当前时刻的输出y(n)，这些加权值作为滤波器的系数。

FIR的系统函数/传递函数表示法如公式：

z的负幂的最高阶数字称为阶数，从系统函数可以看出只有z＝0这一个极点，没有原点之外的极点。

根据傅里叶变换可知，该函数是一个时域采样函数。但是采样函数是对一个无限的采样序列进行采样，无法进行计算。所以需要切断这个采样函数。添加一个窗口函数，将时域采样序列乘以窗函数，将无限时域采样序列截断为有限个序列值。然而，增加窗口函数后，会对采样序列的频域产生影响，此时滤波器的频域不再是理想的矩形窗口，而是具有过渡带和波动抑制带的低通滤波器。通常根据增加的窗口函数的不同，在频域得到的低通滤波器的阻带衰减也不同。通常情况下，根据阻带衰减情况选择合适的窗口函数，如矩形窗、汉宁窗汉明窗、BLACKMAN窗、Caesar窗等。选择好特定的窗口函数后，根据所设计滤波器的参数计算出相应的阶数和窗口函数的表达式。然后利用计算出的窗口函数与采样序列相乘，得到设计好的滤波器的脉冲响应。

S1112、对滤波处理后的所述待识别脑电图数据进行分割处理，其中，所述分割处理的分割时间段为2秒；

由于采集到的原始数据的数据表现形式为一段多通道连续时长的离散数据采样点，即为矩阵，需要根据相应的触发范式进行分割处理，形成多个识别样本，即为分割处理。

对于有外界刺激的诱发脑电信号数据，将刺激时间点设置为零点，对于运动想象型的自发脑电信号将想象时间点设置为零点，目前的分割处理方式是截取零点前后固定时长的脑电数据段后，作数据归一化处理，得到一个识别样本。

而对于静息态类型的脑电信号数据，由于没有外界的刺激源或自发想象活动，所以没有可以指定的时间点作为基准进行截取分割，例如，分析静息态的脑电信号取2s为一个时间段进行分割，得到识别数据。在实际应用时，分割时长可以根据需求进行调整，例如可以为1.5s、1s、0.5s、0.3s等，在此不作限定。

S1113、利用花朵授粉算法对分割处理后的所述待识别脑电图数据进行通道优化处理，得到所述预处理数据。

基于传感位置信息的考虑，在一些任务下，大脑中只有部分神经元参与活动，位置与活动神经元相近的传感器提供了更多的信息，对于位置较远的传感器，在生物特征核验时不使用这些传感器数据，若取得的效果接近使用所有传感器数据的效果，可以节约成本，增强采集设备便携性。对于传感器数据的选择，这一步为通道优化。本实施例中使用二进制花朵授粉算法(Flower Pollination Algorithm，FPA)作为通道优化算法，对于分割处理后的待识别脑电图数据选取频次最高的若干个通道组成通道优化后的数据，即预处理数据。

为解决上述技术问题，本发明实施例还提供一种脑电图生物特征核验装置。具体请参阅图4，图4为本实施脑电图生物特征核验装置的基本结构框图，包括：

处理模块，用于对待识别脑电图数据进行数据处理，得到目标脑电图数据；

特征提取模块，用于对所述目标脑电图数据进行空间滤波处理及特征提取，得到特征信号矩阵；

执行模块，用于将所述特征信号矩阵输入预设的Transformer模型，以使所述Transformer模型根据所述特征信号矩阵的行数及列数对所述特征信号矩阵进行位置编码；

编解码模块，用于将进行位置编码之后的特征信号矩阵输入编解码组件进行编解码处理；

分类模块，用于对所述编解码处理的结果进行线性变换和softmax计算，确定生物特征核验分类。

通过对待识别脑电图数据进行数据处理，并在空间滤波之后进行特征提取，提高特征信号矩阵表征信息的有效性，然后利用Transformer模型进行位置编码，并使用编解码组件进行处理，根据编解码处理的结果进行生物特征核验，利用编解码组件可以有效缩短网络的计算时间，提高了Transformer模型的生物特征核验效率，并提高了脑电图生物特征核验的准确率。

可选的，所述脑电图生物特征核验装置还包括：

第一分割子模块，用于根据信号频段对所述目标脑电图数据进行分割；

第一滤波子模块，用于利用共空间模式算法对分割后的所述目标脑电图数据进行空间滤波处理；

第一特征提取子模块，用于利用滤波器组共空间模式算法对空间滤波处理后的所述目标脑电图数据进行特征提取提到所述特征信号矩阵。

可选的，所述编解码组件包括一个或多个编解码结构，每个所述编解码结构包括编码器和解码器，所述编码器包括一个多头自注意力层和一个前馈层，所述解码器包括一个遮罩多头自注意力层、一个多头自注意力层和一个前馈层所述前馈层包括两层全连接层。

可选的，所述脑电图生物特征核验装置还包括：

第一处理子模块，用于对所述待识别脑电图数据进行预处理，得到预处理数据；

第一增强子模块，用于利用滑动窗口对所述预处理数据进行数据增强；

第一转换子模块，用于根据所述待识别脑电数据的采集设备通道数对所述数据增强后的预处理数据进行源空间转换，得到所述目标脑电图数据。

可选的，所述脑电图生物特征核验装置还包括：

第二滤波子模块，用于利用FIR滤波器对所述待识别脑电图数据进行滤波处理；

第二分割子模块，用于对滤波处理后的所述待识别脑电图数据进行分割处理，其中，所述分割处理的分割时间段为2秒；

第二处理子模块，用于利用花朵授粉算法对分割处理后的所述待识别脑电图数据进行通道优化处理，得到所述预处理数据。

为解决上述技术问题，本发明实施例还提供一种芯片，该芯片可以为通用处理器，也可以为专用处理器。该芯片包括处理器，处理器用于支持终端执行上述相关步骤，例如从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行，以实现上述各个实施例中的脑电图生物特征核验方法。

可选的在一些示例下，该芯片还包括收发器，收发器用于接受处理器的控制，用于支持终端执行上述相关步骤，以实现上述各个实施例中的脑电图生物特征核验方法。

可选的，该芯片还可以包括存储介质。

需要说明的是，该芯片可以使用下述电路或者器件来实现：一个或多个现场可编程门阵列(field programmable gate array，FPGA)、可编程逻辑器件(programmablelogicdevice，PLD)、控制器、状态机、门逻辑、分立硬件部件、任何其他适合的电路、或者能够执行本申请通篇所描述的各种功能的电路的任意组合。

本发明还提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现各个实施例中的脑电图生物特征核验方法。

具体请参阅图5，图5为示出的一种终端的基本结构框图，该终端包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该终端的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种脑电图生物特征核验方法。该终端的处理器用于提供计算和控制能力，支撑整个终端的运行。该终端的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种脑电图生物特征核验方法。该终端的网络接口用于与终端连接通信。本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的电子设备。这种电子设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal DigitalAssistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile InternetDevice，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述脑电图生物特征核验方法的步骤。

本实施例还提供了一种计算机程序，该计算机程序可以分布在计算机可读介质上，由可计算装置来执行，以实现上述介绍的脑电图生物特征核验方法的至少一个步骤；并且在某些情况下，可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。

本实施例还提供了一种计算机程序产品，包括计算机可读装置，该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。