31、基于脑电波频率变化与语音信号特征的身份识别研究

基于脑电波频率变化与语音信号特征的身份识别研究

在当今科技飞速发展的时代，生物识别技术成为了备受关注的研究领域。其中，基于脑电波频率变化的人类身份识别以及语音信号的法医鉴定，展现出了巨大的潜力和应用前景。

基于脑电波频率变化的人类身份识别

在对30名受试者的输入数据实例进行分析时，发现预测得分相当不错，处于70%的范围。通过图4和图5中的混淆矩阵，可以评估所得到的分类模型的有效性。这些矩阵包含了AlexNet和Mobile Net 2模型在测试数据上的真阳性、真阴性、假阳性和假阴性的数量，呈现出从12到38不同的个体分类水平，这是由于采用了两种不同的神经网络模型进行分类。

为了评估这些基于卷积神经网络（CNN）的分类模型的充分性，研究人员运用主成分分析（PCA）和t - SNE算法对实验数据的代表性进行了双重可视化评估。

主成分提取的经典方法包括以下步骤：
1. 对d维数据集进行标准化。
2. 构建协方差矩阵。
3. 将协方差矩阵分解为其特征向量和特征值。
4. 按降序排列特征值，对相应的特征向量进行排序。
5. 选择与k个最大特征值对应的k个特征向量，其中k是新特征子空间的维度。
6. 构建“顶级”k个特征向量的投影矩阵W。
7. 使用投影矩阵W变换d维输入数据集X，以获得新的k维特征子空间。

在本研究中，利用两个训练好的分类模型应用PCA算法，得到了一个正交线性变换，将数据从原始的多维特征空间映射到新的二维空间，从而实现可视化。从图6中可以观察到特征以颜色组的形式分布，特征组相互嵌套并在二维空间中分层。然而，PCA图中簇的可分离性并不明显，因为PCA方向对数据缩放极为