本发明涉及信息、生物识别和量子通信，尤其涉及一种基于量子通信的群体脑纹识别方法及装置。
背景技术：
1、随着信息技术的快速发展，信息安全和身份识别问题日益突出。传统的身份识别方法，如密码、指纹识别等，已经无法满足现代社会的安全需求。近年来，脑纹识别技术作为一种新兴的生物识别技术，因其独特的个体性和不可复制性，受到了广泛关注。然而，传统的脑纹识别方法仍面临着传输速度慢、安全性不高等问题。
2、量子通信作为一种新型通信方式，基于量子力学原理，具有绝对的安全性和高效的传输速度。因此，将量子通信与脑纹识别技术结合，有望解决上述问题，实现更快速、更安全的身份识别。
技术实现思路
1、本发明所要解决的技术问题在于，提供一种基于量子通信的群体脑纹识别方法及装置，利用量子通信的高效性和安全性，实现群体脑纹的快速、安全识别。基于量子通信的群体脑纹识别方法具有广泛的应用领域和前景：
2、首先，在军事领域，由于身份识别对于安全保密至关重要，因此本发明可以应用于军事人员的身份验证和权限管理，确保军事信息的安全性。
3、其次，在金融领域，身份识别和交易安全是金融业务的基石。通过采用本发明的装置和方法，可以实现更高效、更安全的身份认证和交易授权，保护客户的资金安全。
4、此外，在医疗领域，脑纹识别技术可以用于患者的身份确认和病历管理，确保医疗信息的准确性和隐私性。
5、同时，随着物联网和智能设备的普及，对于大规模群体脑纹识别的需求也将逐渐增加。本发明可以应用于大型活动、公共场所或企业组织等场景，实现快速、准确的身份识别和安全管理。
6、为了解决上述技术问题，本发明实施例第一方面公开了一种基于量子通信的群体脑纹识别方法，所述方法包括：
7、s1，获取脑电波信号；所述脑电波信号包括静息态脑电波信号和诱发态脑电波信号；
8、所述诱发态脑电波信号包括第一诱发态脑电波信号、第二诱发态脑电波信号和第三诱发态脑电波信号；
9、s2，对所述脑电波信号进行量子态编码，得到量子态脑电波信号；
10、所述量子态脑电波信号包括量子态静息脑电波信号和量子态诱发脑电波信号；
11、s3，对所述量子态脑电波信号进行识别，得到脑纹识别结果。
12、作为一种可选的实施方式，本发明实施例第一方面中，所述对所述脑电波信号进行量子态编码，得到量子态脑电波信号，包括：
13、s21，对所述静息态脑电波信号进行量子态编码，得到量子态静息脑电波信号；
14、s22，对所述诱发态脑电波信号进行量子态编码，得到量子态诱发脑电波信号；
15、所述量子态诱发脑电波信号包括第一量子态诱发脑电波信号、第二量子态诱发脑电波信号和第三量子态诱发脑电波信号。
16、作为一种可选的实施方式，本发明实施例第一方面中，所述对所述量子态脑电波信号进行识别，得到脑纹识别结果，包括：
17、s31，对所述量子态静息脑电波信号进行特征提取，得到静息态特征信息；
18、s32，对所述量子态诱发脑电波信号进行特征提取，得到诱发态特征信息；
19、s33，对所述静息态特征信息和所述诱发态特征信息进行融合，得到脑纹特征信息；
20、s34，利用所述脑纹特征信息，对预设的脑纹识别模型进行训练，得到优化脑纹识别模型；
21、s35，利用所述优化脑纹识别模型，对待识别的脑纹特征信息进行处理，得到脑纹识别结果。
22、作为一种可选的实施方式，本发明实施例第一方面中，所述对所述量子态静息脑电波信号进行特征提取，得到静息态特征信息，包括：
23、s311，对所述量子态静息脑电波信号进行第一信息熵提取，得到第一信息熵特征信息；
24、所述第一信息熵特征信息的计算公式为：
25、
26、其中，h1为第一信息熵特征信息，第一量子态脑电信号为x＝{xi,i＝1,2,…,n}，n为信号长度，xi为第i个信号样点；
27、s312，对所述量子态静息脑电波信号进行第二信息熵提取，得到第二信息熵特征信息；
28、所述第二信息熵特征信息的计算公式为：
29、
30、其中，h2为第二信息熵特征信息，l为预设的长度，j＝1,2,…,l，δj为矩阵d的奇异值，矩阵
31、s313，对所述量子态静息脑电波信号进行第三信息熵提取，得到第三信息熵特征信息；
32、所述第三信息熵特征信息的计算公式为：
33、
34、其中h3为第三信息熵特征信息，si为xi的傅里叶变换；
35、s314，对所述第一信息熵特征信息、所述第二信息熵特征信息和所述第三信息熵特征信息进行融合，得到静息态特征信息。
36、作为一种可选的实施方式，本发明实施例第一方面中，所述对所述量子态诱发脑电波信号进行特征提取，得到诱发态特征信息，包括：
37、s321，对所述第一量子态诱发脑电波信号进行特征提取，得到第一诱发态特征信息；
38、s322，对所述第二量子态诱发脑电波信号进行特征提取，得到第二诱发态特征信息；
39、s323，对所述第三量子态诱发脑电波信号进行特征提取，得到第三诱发态特征信息；
40、s324，对所述第一诱发态特征信息、所述第二诱发态特征信息和所述第三诱发态特征信息进行融合，得到诱发态特征信息。
41、作为一种可选的实施方式，本发明实施例第一方面中，所述对所述第一量子态诱发脑电波信号进行特征提取，得到第一诱发态特征信息，包括：
42、s3211，利用模糊参数计算模型，对所述第一量子态诱发脑电波信号进行处理，得到模糊参数信息；
43、所述模糊参数计算模型表达式为：
44、
45、其中，x(t)为第一量子态诱发脑电波信号，ax(θ,τ)为模糊参数信息，t为时间变量，τ为位移变量，θ为与τ对应的频率变量，*表示取共轭。
46、s3212，对所述模糊参数信息与预设的核函数进行hadamard积计算，得到优化核函数；
47、所述优化核函数表达式为：
48、k(θ,τ)＝ax(θ,τ)g(θ,τ)
49、其中，k(θ,τ)为优化核函数，g(θ,τ)为预设的核函数，a＝0.001，β＝50；
50、s3213，对所述第一量子态诱发脑电波信号和所述优化核函数进行处理，得到第一诱发态特征信息；
51、所述第一诱发态特征信息计算公式为：
52、
53、其中，cx为第一诱发态特征信息，积分范围为-∞～∞，u,t为时间变量，τ为时移变量，ω为与u对应的频率变量，θ为与τ对应的频率变量。
54、作为一种可选的实施方式，本发明实施例第一方面中，所述对所述静息态特征信息和所述诱发态特征信息进行融合，得到脑纹特征信息，包括：
55、s331，对所述静息态特征信息进行处理，得到静息态协方差矩阵；
56、s332，对所述诱发态特征信息进行处理，得到诱发态协方差矩阵；
57、s333，对所述静息态特征信息和所述诱发态特征信息进行处理，得到第一互协方差矩阵和第二互协方差矩阵；
58、s334，对所述静息态协方差矩阵、所述诱发态协方差矩阵、所述第一互协方差矩阵和所述第二互协方差矩阵进行处理，得到特征融合矩阵；
59、s335，对所述特征融合矩阵进行处理，得到第一奇异向量和第二奇异向量；
60、s336，对所述第一奇异向量和所述第二奇异向量进行处理，得到静息态投影向量和诱发态投影向量；
61、s337，对所述静息态投影向量和所述诱发态投影向量进行处理，得到脑纹特征信息。
62、本发明实施例第二方面公开了一种基于量子通信的群体脑纹识别装置，所述装置包括：
63、脑电波采集模块，用于获取脑电波信号；所述脑电波信号包括静息态脑电波信号和诱发态脑电波信号；
64、所述诱发态脑电波信号包括第一诱发态脑电波信号、第二诱发态脑电波信号和第三诱发态脑电波信号；
65、量子通信模块，用于对所述脑电波信号进行量子态编码，得到量子态脑电波信号；
66、所述量子态脑电波信号包括量子态静息脑电波信号和量子态诱发脑电波信号；
67、脑纹识别模块，用于对所述量子态脑电波信号进行识别，得到脑纹识别结果。
68、作为一种可选的实施方式，本发明实施例第二方面中，所述对所述脑电波信号进行量子态编码，得到量子态脑电波信号，包括：
69、s21，对所述静息态脑电波信号进行量子态编码，得到量子态静息脑电波信号；
70、s22，对所述诱发态脑电波信号进行量子态编码，得到量子态诱发脑电波信号；
71、所述量子态诱发脑电波信号包括第一量子态诱发脑电波信号、第二量子态诱发脑电波信号和第三量子态诱发脑电波信号。
72、作为一种可选的实施方式，本发明实施例第二方面中，所述对所述量子态脑电波信号进行识别，得到脑纹识别结果，包括：
73、s31，对所述量子态静息脑电波信号进行特征提取，得到静息态特征信息；
74、s32，对所述量子态诱发脑电波信号进行特征提取，得到诱发态特征信息；
75、s33，对所述静息态特征信息和所述诱发态特征信息进行融合，得到脑纹特征信息；
76、s34，利用所述脑纹特征信息，对预设的脑纹识别模型进行训练，得到优化脑纹识别模型；
77、s35，利用所述优化脑纹识别模型，对待识别的脑纹特征信息进行处理，得到脑纹识别结果。
78、作为一种可选的实施方式，本发明实施例第二方面中，所述对所述量子态静息脑电波信号进行特征提取，得到静息态特征信息，包括：
79、s311，对所述量子态静息脑电波信号进行第一信息熵提取，得到第一信息熵特征信息；
80、所述第一信息熵特征信息的计算公式为：
81、
82、其中，h1为第一信息熵特征信息，第一量子态脑电信号为x＝{xi,i＝1,2,…,n}，n为信号长度，xi为第i个信号样点；
83、s312，对所述量子态静息脑电波信号进行第二信息熵提取，得到第二信息熵特征信息；
84、所述第二信息熵特征信息的计算公式为：
85、
86、其中，h2为第二信息熵特征信息，l为预设的长度，j＝1,2,…,l，δj为矩阵d的奇异值，矩阵
87、s313，对所述量子态静息脑电波信号进行第三信息熵提取，得到第三信息熵特征信息；
88、所述第三信息熵特征信息的计算公式为：
89、
90、其中h3为第三信息熵特征信息，si为xi的傅里叶变换；
91、s314，对所述第一信息熵特征信息、所述第二信息熵特征信息和所述第三信息熵特征信息进行融合，得到静息态特征信息。
92、作为一种可选的实施方式，本发明实施例第二方面中，所述对所述量子态诱发脑电波信号进行特征提取，得到诱发态特征信息，包括：
93、s321，对所述第一量子态诱发脑电波信号进行特征提取，得到第一诱发态特征信息；
94、s322，对所述第二量子态诱发脑电波信号进行特征提取，得到第二诱发态特征信息；
95、s323，对所述第三量子态诱发脑电波信号进行特征提取，得到第三诱发态特征信息；
96、s324，对所述第一诱发态特征信息、所述第二诱发态特征信息和所述第三诱发态特征信息进行融合，得到诱发态特征信息。
97、作为一种可选的实施方式，本发明实施例第二方面中，所述对所述第一量子态诱发脑电波信号进行特征提取，得到第一诱发态特征信息，包括：
98、s3211，利用模糊参数计算模型，对所述第一量子态诱发脑电波信号进行处理，得到模糊参数信息；
99、所述模糊参数计算模型表达式为：
100、
101、其中，x(t)为第一量子态诱发脑电波信号，ax(θ,τ)为模糊参数信息，t为时间变量，τ为位移变量，θ为与τ对应的频率变量，*表示取共轭。
102、s3212，对所述模糊参数信息与预设的核函数进行hadamard积计算，得到优化核函数；
103、所述优化核函数表达式为：
104、k(θ,τ)＝ax(θ,τ)g(θ,τ)
105、其中，k(θ,τ)为优化核函数，g(θ,τ)为预设的核函数，a＝0.001，β＝50；
106、s3213，对所述第一量子态诱发脑电波信号和所述优化核函数进行处理，得到第一诱发态特征信息；
107、所述第一诱发态特征信息计算公式为：
108、
109、其中，cx为第一诱发态特征信息，积分范围为-∞～∞，u,t为时间变量，τ为时移变量，ω为与u对应的频率变量，θ为与τ对应的频率变量。
110、作为一种可选的实施方式，本发明实施例第二方面中，所述对所述静息态特征信息和所述诱发态特征信息进行融合，得到脑纹特征信息，包括：
111、s331，对所述静息态特征信息进行处理，得到静息态协方差矩阵；
112、s332，对所述诱发态特征信息进行处理，得到诱发态协方差矩阵；
113、s333，对所述静息态特征信息和所述诱发态特征信息进行处理，得到第一互协方差矩阵和第二互协方差矩阵；
114、s334，对所述静息态协方差矩阵、所述诱发态协方差矩阵、所述第一互协方差矩阵和所述第二互协方差矩阵进行处理，得到特征融合矩阵；
115、s335，对所述特征融合矩阵进行处理，得到第一奇异向量和第二奇异向量；
116、s336，对所述第一奇异向量和所述第二奇异向量进行处理，得到静息态投影向量和诱发态投影向量；
117、s337，对所述静息态投影向量和所述诱发态投影向量进行处理，得到脑纹特征信息。
118、本发明第三方面公开了另一种基于量子通信的群体脑纹识别装置，所述装置包括：
119、存储有可执行程序代码的存储器；
120、与所述存储器耦合的处理器；
121、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的基于量子通信的群体脑纹识别方法中的部分或全部步骤。
122、本发明第四方面公开了一种计算机可存储介质，所述计算机可存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的基于量子通信的群体脑纹识别方法中的部分或全部步骤。
123、与现有技术相比，本发明实施例具有以下有益效果：
124、本发明实现了一种基于量子通信的群体脑纹识别方法，利用量子通信的高效性，实现群体脑纹的快速识别；利用量子通信的绝对安全性，保证脑纹识别的安全性；本发明方法适用于大规模群体脑纹识别场景，可以实现对群体脑纹的快速、安全识别，提高了识别效率和准确性。
1.一种基于量子通信的群体脑纹识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于量子通信的群体脑纹识别方法，其特征在于，所述对所述脑电波信号进行量子态编码，得到量子态脑电波信号，包括：
3.根据权利要求1所述的基于量子通信的群体脑纹识别方法，其特征在于，所述对所述量子态脑电波信号进行识别，得到脑纹识别结果，包括：
4.根据权利要求3所述的基于量子通信的群体脑纹识别方法，其特征在于，所述对所述量子态静息脑电波信号进行特征提取，得到静息态特征信息，包括：
5.根据权利要求3所述的基于量子通信的群体脑纹识别方法，其特征在于，所述对所述量子态诱发脑电波信号进行特征提取，得到诱发态特征信息，包括：
6.根据权利要求5所述的基于量子通信的群体脑纹识别方法，其特征在于，所述对所述第一量子态诱发脑电波信号进行特征提取，得到第一诱发态特征信息，包括：
7.根据权利要求3所述的基于量子通信的群体脑纹识别方法，其特征在于，所述对所述静息态特征信息和所述诱发态特征信息进行融合，得到脑纹特征信息，包括：
8.一种基于量子通信的群体脑纹识别装置，其特征在于，所述装置包括：
9.一种基于量子通信的群体脑纹识别装置，其特征在于，所述装置包括：
10.一种计算机可存储介质，其特征在于，所述计算机可存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于量子通信的群体脑纹识别方法。
