一种基于模糊提取器的鲁棒可重用脑电认证方法

1.本发明属于生物特征认证领域，尤其涉及一种基于模糊提取器的鲁棒可重用脑电认证方法。
背景技术：
：：2.生物特征认证通常基于指纹、虹膜、面部识别等特征进行，但这些特征传统上存在着被窃取、仿冒、非法使用等风险。为了解决这些问题，模糊提取器技术应运而生，将生物特征数据进行模糊化处理，使其难以被复原或识别，从而极大提高了隐私保护的安全性。模糊提取器主要基于图像处理技术、数据加密技术等，通过对生物特征数据进行干扰、加噪等处理，从而实现对这些数据的保护。3.但生物特征的模糊提取器技术大多数研究仅停留在理论层面，并未对模糊提取器生物特征编码和特定生物特征的仿真案例进行深入探讨。脑电图(eeg)生物特征作为一种新型的生物特征，具有很多的优势。与其他生物识别技术相比，脑电图生物识别具有独特的优势，包括抵抗欺骗攻击，遵守隐私法规，以及检测生命体征的能力。但目前仍然存在着许多问题，例如存在着操作要求高、鲁棒性不足以及隐私安全等方面问题。技术实现要素：4.本发明目的在于提供一种基于模糊提取器的鲁棒可重用脑电认证方法，以解决eeg信号用于认证过程中的，eeg特征的隐私安全问题以及密钥安全问题。5.为解决上述技术问题，本发明的一种基于模糊提取器的鲁棒可重用脑电认证方法的具体技术方案如下：6.一种基于模糊提取器的鲁棒可重用脑电认证方法，包括如下步骤：7.步骤1：通过非侵入方式采集eeg运动想象信号并进行预处理。8.步骤2：提取预处理后eeg信号中的hjorth特征、小波变换特征以及自回归特征。9.步骤3：对公共参数进行初始化。10.步骤4：注册强提取器，根据初始化的公共参数，从eeg信号中提取出可靠比特串。11.步骤5：由可靠比特串，通过安全草图计算草图向量，并生成公开参数。12.步骤6：可重用鲁棒的密钥生成。13.步骤7：认证强提取器从待认证用户的eeg信号中提取出可靠字符串。14.步骤8：通过公开参数恢复待认证用户eeg信号特征。15.步骤9：恢复可重用鲁棒的密钥，完成认证。16.进一步的，步骤1包括如下具体步骤：17.步骤1.1：通过非侵入的方式，利用64位通道的脑电采集仪采取用户的eeg信号。18.步骤1.2：使用0.5hz到42hz的带通滤波器，从运动想象eeg信号中将主要的eeg信号活动频段提取出来。19.步骤1.3：取所有64位通道的eeg信号平均值作为重参考的依据，对经过滤波之后的eeg信号进行重参考，初步抵消噪声带来的影响。20.步骤1.4：采用独立成分分析算法ica，将重参考之后的eeg信号分成多个独立的源。21.步骤1.5：使用多伪影抑制mara自动去噪算法，去除经步骤1.4处理后的eeg信号中残余的噪声。22.进一步的，步骤2包括如下具体步骤：23.步骤2.1：经步骤1的预处理之后，运动想象eeg信号中的噪声已经被基本去除，留下较为干净的待分析eeg信号。紧接着提取出预处理后eeg信号中的hjorth特征，该hjorth特征包括了活动性、移动性和复杂性。24.步骤2.2：随后，提取出预处理后eeg信号中的小波变换特征，该小波变换特征包括了系数的均值、标准差、能量和熵。25.步骤2.3：再提取出预处理后eeg信号的自回归特征，该自回归特征由自回归系数组成。26.步骤2.4：将步骤2.1、2.2、2.3中提取出来的hjorth特征，小波变换特征以及自回归特征共同组合成eeg特征向量。27.进一步的，步骤3包括如下具体步骤：28.步骤3.1：从高斯分布中随机选取ai，其中i＝1,...,n，组合成向量a＝(a1,a2,...,an)。29.步骤3.2：给定参数r，在区间(0,r]之间随机选取参数b。30.步骤3.3：利用参数a,r,b，根据以下公式构建p-stable局部敏感哈希：[0031][0032]其中，向量w是一个n维的eeg信号特征向量，即步骤2.4中组合而成的eeg特征向量。[0033]步骤3.4：给定参数g,z,t生成一个以t为最小单元，且gt为阈值的一维点坐标系lg,z,t，该坐标系中有z个间隔。[0034]进一步的，步骤4包括如下具体步骤：[0035]步骤4.1：注册时采集nr次用户的eeg信号，将前nr-1个作为预采集集合，从该集合中计算出每一个比特位的可靠值。[0036]步骤4.2：随后，将用户第nr次采样的eeg信号特征向量作为输入，通过k近邻(knn)分类器对进行分类，得到分类标签y。[0037]步骤4.3：利用步骤3.3中所构造的p-stable局部敏感哈希，将映射成一串长度为l*的哈希值[0038]步骤4.4：根据4.1中计算得到的可靠值，对中每一个比特位依照的大小进行降序排序；[0039]步骤4.5：给定阈值γ，选取经排序后的的前nc个比特，使得每一位比特的可靠值，并且随机选择l个比特，组成可靠比特串b，并记录选择的比特的位置集合i。[0040]步骤4.6：将步骤4.5中得到的可靠比特串b同步骤4.2中得到的分类标签y拼接，得到。[0041]进一步的，步骤5包括如下具体步骤：[0042]步骤5.1：将步骤4.6中的到的同用户的eeg信号特征向量w作为安全草图算法的输入。[0043]步骤5.2：在安全草图中，首先通过坐标系lg,z,t找出w中每一分量wi的中心点ci。[0044]步骤5.3：然后计算出si＝wi-ci，得到草图向量s＝(s1,...,sn)，计算草图向量s的哈希值h(s)，并保存。[0045]步骤5.4：紧接着，将草图向量s同进行异或，得到安全值θ，即公开参数。[0046]进一步的，步骤6包括如下具体步骤：[0047]步骤6.1：用户注册时，获取用户注册时的时间戳ts，并且利用随机数生成器生成一个随机数q。[0048]步骤6.2：将时间戳ts与随机数q进行拼接得到字符串r。[0049]步骤6.3：将字符串r拆分成两部分，分别为认证密钥k和证据v。[0050]步骤6.4：利用二值化方法将用户的eeg信号特征向量w二值化，得到二值模板t。[0051]步骤6.5：对字符串r进行bch编码，bch编码的容错率为ε，并与二值模板t异或得到m。[0052]步骤6.6：将步骤4.5中的i，步骤5.4中的θ，步骤6.3中的v以及步骤6.5中的m组成公共信息p＝(θ,i,m,v)。使用椭圆曲线签名(ecdsa)算法生成一对私钥sk和公钥pk，利用私钥sk对公共信息p签名，并将私钥sk存储在用户的智能卡上，公钥pk则保存。[0053]进一步的，步骤7包括如下具体步骤：[0054]步骤7.1：采集待认证用户的eeg信号，进行步骤1中的预处理去除信号中的噪声，并提取出eeg信号特征向量w′。[0055]步骤7.2：对eeg信号特征向量w′其进行knn分类，得到分类标签为y′。[0056]步骤7.3：通过p-stable局部敏感哈希h*生成eeg信号特征向量w′的哈希值h*(w′)。[0057]步骤7.3：利用步骤4.5中生成的位置集合i，从h*(w′)中抽取可靠比特串b′。[0058]步骤7.4：拼接可靠比特串b′与标签y′得到。[0059]进一步的，步骤8包括如下具体步骤：[0060]步骤8.1：安全草图将步骤5.4中的θ与步骤7.4中的进行异或得到s′。[0061]步骤8.2：将s′的哈希值h(s′)同h(s)进行比较，如果相等，则进行下一步。如果不相等，则认证失败。[0062]步骤8.3：根据步骤3.4中的参数g,z,t重构一个坐标系lg,z,t，并找到w′i在该坐标系中所在区域的中心点c′i。[0063]步骤8.4：计算，组成恢复后的eeg信号特征向量[0064]进一步的，步骤9包括如下具体步骤：[0065]步骤9.1：利用公钥pk校验公共信息p的签名是否正确，确保公共信息p没有被篡改过；如果校验通过则进行下一步，如果校验不通过则认证失败。[0066]步骤9.2：利用二值化算法将恢复后的eeg特征向量二值化，得到t′。[0067]步骤9.3：将经过校验后的公共信息p中的m与上一步得到的t′异或，得到字符串r′。[0068]步骤9.4：同样用容错率为ε的bch编码对r′编码，生成。[0069]步骤9.5：将拆分成两部分，分别为k′,v′。[0070]步骤9.6：比对v′与步骤6.3中生成的v，如果相同，则返回认证密钥k。如果不同，则认返回空，认证失败。[0071]本发明的一种基于模糊提取器的鲁棒可重用脑电认证方法具有以下优点：本发明可以通过模糊提取器的处理，对eeg信号特征数据进行加密，并保护其在处理过程中的隐私性。此外，本发明还是一种基于eeg信号特征的认证机制，以确保只有授权用户才能访问数据和信息。该方法具有不需要记忆密钥的优点，这可以减少用户负担并提高安全性。除此之外，本发明还提供了一个完整的实施计划，这为实际应用提供了可行性和方便性，可以为eeg信号特征数据的安全处理和管理提供有效的保障。附图说明[0072]图1为本发明的一种基于模糊提取器的鲁棒可重用脑电认证方法流程框架图；[0073]图2为64位eeg信号采集通道图；[0074]图3为采集的eeg信号示意图；[0075]图4为预处理后的eeg信号示意图；[0076]图5为强提取器从高维脑电特征向量中提取出可靠比特串；[0077]图6安全草图向量计算示意图；[0078]图7可重用鲁棒密钥的生成；[0079]图8可重用鲁棒密钥的恢复。具体实施方式[0080]为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于模糊提取器的鲁棒可重用脑电认证方法做进一步详细的描述。[0081]如图1所示，本发明的一种基于模糊提取器的鲁棒可重用脑电认证方法包括如下步骤：[0082]步骤1，eeg信号采集及预处理。[0083]通过非侵入的方式，利用脑电采集仪采取用户的运动想象脑电波。非侵入式eeg采集技术不会对被测试者的身体和器官造成任何损伤，也不会对身体健康产生负面的影响。非侵入式eeg采集技术完全可以在各种环境中进行，而不像传统侵入性脑电所使用的机器比较大，通常需要较为严格的使用条件。因此对于本发明来说使用非侵入式eeg采集技术是比较方便有效的。随后，使用0.5hz到42hz的带通滤波器将主要的脑电活动频段提取出来。由于大脑的电信号主要分为五个波段，其中δ波的主要频段为0.5hz-4hz，θ波的主要频段为4hz-8hz，α波的主要频段为8hz-13hz，β波的主要频段为13hz-30hz，γ波的主要频段为30hz-42hz。因此可以初略的剔除噪声频段，留下需要的eeg信号频段。紧接着，取所有通道的平均值作为重参考的依据，采用独立成分分析ica算法将脑电信号分成多个独立的源，使用多伪影抑制mara自动去噪算法，去除脑电信号残余的噪声。本发明在采集时采用的64位通道的eeg采集仪，通道参照图2，其通道主要参照国际10-20标准。采得的信号示意图如图3，预处理后的信号如图4。可以发现处理过后的信号相较处理前的信号来说变得平缓了，说明其中的噪音被有效的去除了。[0084]步骤2，eeg特征提取。[0085]eeg信号在频域和时域中均包含大量的信息，包括eeg波形的形态、频率、幅度等，以及各种时域和频域上的特征。但是，完整的eeg信号往往包含很多无用信息和冗余信息，需要选取其中能够反映个体或群体差异的有效信息，通过特征提取的方式将其提取出来，减少信息量，提高信息处理的效率和准确性。通过eeg信号的特征提取，可以将复杂的eeg信号转换为结构化的数学形式，形成一个特征向量。这个特征向量能够以统一的方式对多个身份进行比较和分类，从而实现身份认证和分类的目的。同时，也便于对eeg信号的处理和分析。本发明在提取脑电特征的时候主要从采取了三个方面的特征，分别包括了hjorth特征，小波变换特征以及自回归特征。[0086]步骤3，公共参数初始化。[0087]方法初始化主要为为了后续认证生成必要的参数，但是即使恶意用户拥有这些参数也不能获取到有用信息。在初始化过程中，主要构建一个p-stable局部敏感哈希h*以及一维点坐标系lg,z,t。p-stable局部敏感哈希h*用于将eeg信号特征向量w映射成哈希值，以便提取出可靠比特串。而一维点坐标系lg,z,t则用于安全草图中计算草图向量s。需要注意的是所构建的一维点坐标系lg,z,t的每个区间的间隔不宜过大，也不宜过小。如果过大容易造成一个用户的eeg信号特征被其他用户错误恢复，如果过小容易造成同一用户可能无法恢复生物特征。[0088]步骤4，注册强提取器。[0089]注册时采集nr次用户的eeg信号特征，将前nr-1作为预采集集合，从该集合中计算出每一个比特位的可靠值。将用户第nr次采样的eeg信号特征向量作为输入，通过knn对进行分类，得到分类标签y；利用所构造的p-stable局部敏感哈希，将映射成一串长度为l*的哈希值；根据可靠值，对中每一个比特位依照的大小进行降序排序；给定阈值γ，使得并且在排序后的的前nc个比特位中，随机选择l个比特，组成可靠比特串b，并记录选择的比特的位置集合i，如图5所示；将可靠比特串b同分类标签y拼接，得到在步骤4中需要注意的是，一个好的预训练集，也就是knn分类器的训练集，可以使得分类效果更佳的突出，可以提高eeg信号认证的识别准确率。强提取器的任务主要是从高维脑电特征向量中提取出可靠比特串，参照图5。图5左为可视化后的eeg信号特征原始空间分布。图5(左)中是通过t-sne降维算法将高维eeg信号特征向量分布进行二维呈现。可以发现高维eeg信号特征向量的分布是散乱的。通过注册强提取器可以同eeg信号特征向量中生成哈希值，这些哈希值是一系列比特串。[0090]步骤5，草图生成。[0091]安全草图的目的主要是为了纠错，使得利用二次采取的eeg信号特征，可以恢复出原始注册时的eeg信号特征。本发明草图的计算简单，因此相对复杂的计算过程来说，计算效率高。在一维坐标lg,z,t中，会划分出多个区域，每个区域都有中心点。而每个中心点可以近似的代表其所在的区域。安全草图向量s是用户的eeg信号特征向量w同eeg信号特征每个分量wi所对应的中心点集c的差值。计算示意图可见图6，图6为一个一维坐标lg,z,t的示例图，图6中的wj＝-gt,cj＝-3gt/2，因此sj＝wj-cj＝-gt-(-3gt/2)＝gt/2。[0092]步骤6，可重用鲁棒的密钥生成。[0093]用户注册时，获取用户注册时的时间戳ts，并且利用随机数生成器生成一个随机数q。将时间戳ts与随机数q进行拼接得到字符串r并将其拆分成认证密钥k和证据v。利用二值化方法将用户的eeg信号特征向量w二值化。其中，二值化方法为将每个wi实数乘上10e(e为可选参数)取整后将其转换为二进制字符串，并将所有二进制字符串都连接起来，然后通过将其切割为τ长后异或得到二值模板t。对字符串r进行bch编码，bch编码的容错率为ε，并与二值模板t异或得到m。容错率ε不宜选择太大，也不宜选择太小。如果容错率ε选的太大的话会导致非法用户被误识为合法用户，造成信息泄露。如果容错率ε选的太小的话会造成在一定情况下合法用户无法被识别的问题。将i,θ,v,m组成公共信息p＝(θ,i,m,v)。使用ecdsa算法生成一对私钥sk和公钥pk，利用私钥sk对公共信息p签名，并将私钥sk存储在用户的智能卡上，如图7所示。[0094]步骤7，认证强提取器。[0095]认证强提取器在提取用户eeg信号特征向量为可靠比特串时，不需要再次计算只需依照保存的位置索引i，直接生成可靠比特串。首先，在认证时需要采集待认证用户的eeg运行想象信号，进行预处理去除信号中的噪声，并提取出特征向量w′。对eeg信号特征向量w′其进行knn分类，得到分来标签为y′。此处的knn分类器与注册强提取器中的knn分类器为同一分类器。通过p-stable局部敏感哈希h*生成eeg信号特征向量w′的哈希值h*(w′)。利用保存好的位置索引i，从h*(w′)中抽取可靠比特串b′。拼接可靠比特串b′与标签y′得到。在认证提取可靠比特串时可以多次进行提取，以增加eeg认证的准确率。只要一个可靠比特串配对成功，即可进行下一步。[0096]步骤8，eeg信号特征恢复。[0097]安全草图将θ与进行异或得到s′，随后，比较s′的哈希值h(s′)同h(s)。如果相等，则进行下一步。如果不相等，则认证失败。根据参数g,z,t重构一个坐标系lg,z,t，并找到w′i在该坐标系中所在区域的中心点c′i。计算，组成恢复后的eeg特征向量。恢复相对生成草图向量是逆向的。[0098]步骤9，可重用鲁棒的密钥恢复。[0099]在密钥恢复前需先对待认证用户的公共参数的签名进行验证，如果签名验证通过，则进行下一步。如果签名验证不通过则认为公共参数遭到恶意用户的篡改，则拒绝认证，以确保用户eeg生物特征隐私及数据安全。在恢复密钥的时候进行多次认证，以降低错误拒绝率。利用二值化算法将恢复后的eeg特征向量二值化，得到t′，将其与m异或，得到字符串r′。同样用容错率为ε的bch编码对r′编码，生成。并将拆分成两部分，分别为k′,v′。比对v′与步骤6.3中生成的v，如果相同，则返回认证密钥。如果不同，则认返回空，认证失败。具体步骤参考图8。[0100]可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。当前第1页12当前第1页12
技术特征：
1.一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，包括如下步骤：步骤1：通过非侵入方式采集脑电图eeg信号，并进行预处理；步骤2：提取预处理后eeg信号中的hjorth特征、小波变换特征以及自回归特征；步骤3：对公共参数进行初始化；步骤4：注册强提取器，根据初始化的公共参数，从eeg信号中提取出可靠比特串；步骤5：由可靠比特串，通过安全草图计算草图向量，并生成公开参数；步骤6：可重用鲁棒的密钥生成；步骤7：认证强提取器，从待认证用户的eeg信号中提取出可靠字符串；步骤8：通过公开参数，恢复待认证用户eeg信号特征；步骤9：恢复可重用鲁棒的密钥，完成认证。2.根据权利要求1所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，步骤1具体过程如下：1.1：通过非侵入方式，利用64位通道的脑电采集仪采取用户的eeg信号；1.2：使用0.5hz到42hz的带通滤波器，对eeg信号进行滤波；1.3：取所有64位通道的eeg信号平均值作为重参考的依据，对经过滤波之后的eeg信号进行重参考；1.4：采用独立成分分析算法ica，将重参考之后的eeg信号分成多个独立的源，初步去噪；1.5：使用多伪影抑制mara自动去噪算法，去除经步骤1.4处理后的eeg信号中残余的噪声。3.根据权利要求2所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，步骤2具体过程如下：2.1：提取出预处理后eeg信号中的hjorth特征，该hjorth特征包括了活动性、移动性和复杂性；2.2：提取出预处理后eeg信号中的小波变换特征，该小波变换特征包括了系数的均值、标准差、能量和熵；2.3：再提取出预处理后eeg信号的自回归特征，该自回归特征由自回归系数组成；2.4：将hjorth特征、小波变换特征以及自回归特征，组合成eeg信号特征向量w。4.根据权利要求3所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，步骤3具体过程如下：3.1：从高斯分布中随机选取a
i
，其中i＝1,...,n，组合成向量a＝(a1,a2,...,a
n
)；3.2：给定参数r，在区间(0,r]之间随机选取参数b；3.3：利用参数a,r,b，根据以下公式构建p-stable局部敏感哈希：其中，向量w是一个n维的eeg信号特征向量；3.4：给定参数g,z,t生成一个以t为最小单元，且gt为阈值的一维点坐标系l
g,z,t
，该坐标系中有z个间隔。5.根据权利要求4所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，
步骤4具体过程如下：4.1：注册时采集n
r
次用户的eeg信号，将前n
r-1个作为预采集集合，从该集合中计算出每一个比特位的可靠值4.2：将用户第n
r
次采样的eeg信号特征向量作为输入，通过k近邻knn分类器对进行分类，得到分类标签y；4.3：利用p-stable局部敏感哈希，将映射成一串长度为l
*
的哈希值4.4：根据可靠值对中每一个比特位依照的大小进行降序排序；4.5：给定阈值γ，选取经排序后的的前n
c
个比特，使得每一位比特的可靠值并且随机选择l个比特，组成可靠比特串b，并记录选择的比特的位置集合i；4.6：将可靠比特串b同分类标签y拼接，得到6.根据权利要求5所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，步骤5具体过程如下：5.1：将同用户的eeg信号特征向量w作为安全草图算法的输入；5.2：在安全草图中，通过坐标系l
g,z,t
找出w中每一分量w
i
的中心点c
i
；5.3：计算出s
i
＝w
i-c
i
，得到草图向量s＝(s1,...,s
n
)，计算草图向量s的哈希值h(s)，并保存；5.4：将草图向量s同进行异或，得到安全值θ，即公开参数。7.根据权利要求6所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，步骤6具体过程如下：6.1：用户注册时，获取用户注册时的时间戳ts，并且利用随机数生成器生成一个随机数q；6.2：将时间戳ts与随机数q进行拼接，得到字符串r；6.3：将字符串r拆分成两部分，分别为认证密钥k和证据v；6.4：利用二值化方法将用户eeg信号特征向量w二值化，得到二值模板t；6.5：对字符串r进行bch编码，bch编码的容错率为ε，并与二值模板t异或得到m；6.6：构建公共信息p＝(θ,i,m,v)，使用椭圆曲线签名算法生成一对私钥sk和公钥pk，利用私钥sk对公共信息p签名，并将私钥sk存储在用户的智能卡上。8.根据权利要求7所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，步骤7具体过程如下：7.1：采集待认证用户的eeg信号，进行步骤1中的预处理，去除信号中的噪声，并提取出eeg信号特征向量w
′
；7.2：对eeg信号特征向量w
′
其进行knn分类，得到分类标签为y
′
；7.3：通过p-stable局部敏感哈希h
*
，生成eeg特征向量w
′
的哈希值h
*
(w
′
)；7.3：利用位置集合i，从h
*
(w
′
)中抽取可靠比特串b
′
；7.4：拼接可靠比特串b
′
与标签y
′
得到9.根据权利要求8所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，步骤8具体过程如下：
8.1：安全草图将步骤5.4中的θ与进行异或，得到s
′
；8.2：将s
′
的哈希值h(s
′
)同h(s)进行比较，如果相等，则进行下一步，如果不相等，则认证失败；8.3：根据步骤3.4中的参数g,z,t重构一个坐标系l
g,z,t
，并找到w
′
i
在该坐标系中所在区域的中心点c
′
i
；8.4：计算组成恢复后的eeg信号特征向量10.根据权利要求9所述一种基于模糊提取器的鲁棒可重用脑电认证方法，其特征在于，步骤9具体过程如下：9.1：利用公钥pk校验公共信息p的签名是否正确，如果校验通过则进行下一步，如果校验不通过则认证失败；9.2：利用二值化算法将恢复后的eeg特征向量二值化，得到t
′
；9.3：将经过校验后的公共信息p中的m与t
′
异或，得到字符串r
′
；9.4：用容错率为ε的bch编码对r
′
编码，生成9.5：将拆分成两部分，分别为k
′
,v
′
；9.6：比对v
′
与步骤6.3中生成的v，如果相同，则返回认证密钥k，如果不同，则认返回空，认证失败。

技术总结
本发明公开了一种基于模糊提取器的鲁棒可重用脑电认证方法，该方法首先通过非侵入方式采集EEG信号并进行预处理，并提取出EEG信号中的Hjorth特征、小波变换特征以及自回归特征。其次对公共参数进行初始化，注册强提取器，从EEG信号中提取出可靠比特串，并安全草图计算草图向量，并生成公开参数。然后生成可重用鲁棒的密钥，认证强提取器从EEG信号中提取出可靠字符串。最后通过公开参数恢复EEG信号特征，并恢复可重用鲁棒的密钥。本发明不需要记忆密钥，可以减少用户负担并提高安全性，为EEG信号特征数据的安全处理和管理提供有效的保障。障。障。


技术研发人员：游林 林传旭 梁伟彪 饶志远 陆逸 胡耿然
受保护的技术使用者：杭州电子科技大学
技术研发日：2023.07.11
技术公布日：2023/10/19