摘要
传统生物特征识别系统易受伪造攻击，凸显了对更安全替代方案的需求。脑电图（EEG）在活体检测和防伪方面具有固有优势，但通常需要外部刺激。本研究提出了一种新范式，利用内源性呼吸诱发的EEG信号进行身份认证，在需要无创监测的临床环境中具有应用潜力。
1 引言
生物特征识别系统利用生物传感器，基于独特的生物特征对个体进行认证，涵盖生理属性（如指纹、面部特征、DNA图谱）和行为特征（如声音模式、笔迹签名、步态特征）。从理论角度看，任何生物特征只要满足普遍性、独特性、稳定性和可采集性这四个基本标准，都可用于身份识别。然而，当代生物特征模态仍然容易受到伪造和胁迫利用。EEG信号为生物特征应用提供了独特优势，如活体依赖性和不可复制性。这些特性——可隐藏性、不可窃取性、不可伪造性、不可胁迫性和活体依赖性——使EEG成为一种能够克服传统系统局限性的新型生物特征模态。
2 方法论
2.1 系统架构概述
提出的识别框架将呼吸-大脑相互作用分析与多模态生物特征验证相结合。该系统包含三个核心模块：神经生理信号采集、信号处理管道和深度认证引擎。采用可穿戴EEG系统（64通道，500Hz采样率）在受控呼吸范式下捕获高保真EEG信号。
2.2 EEG采集放大器
本研究展示了一种模块化EEG采集放大器。神经生理传感器阵列采用64通道柔性EEG帽，电极按照10-20国际系统分布。EEG信号采集系统经过精心设计，具有超高输入阻抗（1GΩ）、卓越的共模抑制比（CMRR > 110 dB）和极低的输入噪声基底（<0.4 μVrms）。
2.3 信号采集
本研究招募了13名健康成年人，他们在标准化条件下完成了所有实验任务。参与者执行了四种不同的呼吸范式：口腔呼吸、鼻腔呼吸、慢速鼻腔呼吸和快速鼻腔呼吸。每个30秒的任务块之间间隔10秒，以减轻疲劳效应。
2.4 数据处理
在分析过程中排除了休息间隔，以分离任务特定的神经活动。64通道生物传感器数据被构建成一个二维矩阵（64个电极 × 时间采样点），并带有同步时间戳。随后，应用带通滤波（0.1–30 Hz）以消除低频漂移和高频噪声，同时保留事件相关电位（ERP）。为了减轻EEG信号幅度的个体间变异性，进行了通道级的min-max归一化。
2.5 模型评估
使用准确率、精确率、召回率、特异性和F1分数等指标评估模型性能。
2.6 提出的方法——多模态融合神经网络架构
本研究通过整合ResNet和Swin Transformer的优势，提高了模型的特征提取能力。详细步骤如下：
2.6.1 初始特征提取
ResNet-50作为主要特征提取器，利用其深度残差架构，通过堆叠的卷积层、池化操作和残差块，分层捕获局部图像属性。
2.6.2 特征融合
在完成前两个阶段后，使用特征融合算法整合从两个模型提取的特征。具体来说，将ResNet最终层输出和Swin Transformer的特征拼接，创建一个新的特征向量。
2.6.3 全连接层
融合后的特征被送入全连接层，执行最终的分类、回归等任务。
2.6.4 模型结构
本研究介绍了一种新颖的多模态融合神经网络架构，结合了Swin Transformer和ResNet的优势，以增强呼吸活动识别性能。
2.6.5 训练策略
为了确保集成模型的稳定收敛和最佳性能，我们采用了以下训练程序：使用预训练模型、正则化、优化和数据增强。
3 结果
3.1 口腔呼吸与鼻腔呼吸比较
通过呼吸模式的EEG分析，我们观察到使用Swin Transformer作为基线模型时，口腔呼吸和鼻腔呼吸之间存在明显的性能差异。口腔呼吸达到91.9%的准确率，而鼻腔呼吸达到90.1%的准确率。我们集成的ResNet & Swin Transformer模型表现出更优越的性能，口腔呼吸达到97.1%的准确率，鼻腔呼吸达到97.6%的准确率。
3.2 鼻腔呼吸流速分析
不同鼻腔呼吸强度下的分类性能显示出关键差异。快速呼吸的准确率为95.2%，慢速呼吸为95.9%，正常呼吸为90.1%。ResNet & Swin Transformer融合模型显著提高了识别率。快速呼吸准确率提高到98.3%，慢速呼吸提高到97.8%，正常呼吸提高到97.6%。
3.3 模型间的呼吸分类
Swin Transformer表现出这些特征。口腔呼吸分类大部分是正确的，但鼻腔类型之间存在混淆——大约12.3%的正常鼻腔试验被误分类为慢速鼻腔呼吸，而8.7%的快速鼻腔试验与正常呼吸混淆。ResNet & Swin Transformer表现出更优越的性能：口腔呼吸分类准确率显著提高，而鼻腔呼吸混淆明显减少——正常与慢速误分类降至约3.3%，快速-正常区分能力增强。
4 讨论
4.1 鼻腔呼吸与口腔呼吸的神经生理学基础
鼻腔呼吸和口腔呼吸诱导的脑电图（EEG）信号差异一直是理解呼吸模式如何影响大脑活动和认知功能的关注点。研究表明，鼻腔呼吸能显著影响大脑振荡和连接性，特别是在与认知处理和情绪调节相关的区域。相比之下，口腔呼吸与不同的大脑活动模式相关。
4.2 呼吸流速对EEG特征的影响
快速呼吸已被证明能显著影响脑电图（EEG）信号特征，使其与正常和慢速呼吸模式区分开来。这在脑振荡的调节和神经网络同步方面尤为明显。呼吸对EEG信号的影响是一个日益受到关注的课题，因为它为了解呼吸模式与大脑功能之间的相互作用提供了见解。
4.3 模型架构优势与性能比较
从模型架构的角度来看，ResNet-Swin融合设计显示出突破性优势。虽然多尺度卷积（16×/8×/4×）准确捕捉了局部呼吸运动的特征，但7×7窗口注意力机制成功建模了全脑网络的动态特性。这种协同作用解决了传统方法对局部细节或全局上下文建模不足的瓶颈，实现了更广泛的时空覆盖。
4.4 临床转化与意义
尽管本研究提出的呼吸-EEG生物特征范式展示了显著的技术优势（98.3%的准确率），但其临床转化仍需解决临床工作流程兼容性、人工智能技术瓶颈以及伦理和治理框架等问题。
4.5 开放研究问题与未来方向
本研究为呼吸诱发的EEG生物特征识别建立了一个有前景的范式，但不可避免地提出了几个开放的研究问题（ORQs），这些问题为未来的研究指明了方向。这些问题涵盖社会技术集成、AI模型开发和伦理治理。
4.6 研究局限性
当然，我们的研究也存在一些不足之处。我们使用了64通道的EEG信号，这在一定程度上是冗余的，尤其增加了模型训练时间。
5 结论
在本研究中，我们开发了一套64通道无线EEG采集系统和事件同步器。基于此技术，我们开发并实施了由各种呼吸模式产生的EEG的实验范式，以及一种基于ResNet和Swin Transformer的EEG身份识别方法。结果表明，使用ResNet & Swin Transformer模型，快速鼻腔呼吸的识别准确率达到98.3%。这意味着基于快速呼吸诱发的EEG信号来识别个体是可行的。
