با استفاده از شبکه عمیق کانولوشنی EEG ارایه یک روش تصویر-محور به منظور احراز هویت

در این پژوهش یک روش نوآورانه برای احراز هویت بیومتریک با استفاده از سیگنال های الکتروانسفالوگرام (EEG) و شبکه عصبی کانولوشنی دوبعدی (۲D-CNN) ارائه شده است. هدف اصلی بهبود دقت و قابلیت اطمینان سیستم های احراز هویت از طریق استخراج ویژگی های منحصر به فرد مغزی است. در روش پیشنهادی سیگنال های تک بعدی EEG از ۶۴ الکترود به تصاویر دوبعدی تبدیل شده اند تا اطلاعات مکانی-زمانی سیگنال ها به صورت بهینه حفظ شود. این تبدیل با استفاده از چیدمان فضایی الکترودها بر اساس موقعیت آناتومیک سر انجام شده است. سپس یک شبکه عصبی کانولوشنی عمیق با ۳۵ لایه طراحی شده تا ویژگی های پیچیده این تصاویر را یادگیری کند. داده های مورد استفاده از پایگاه PhysioNet با ۱۰۹ کاربر سالم و دو حالت چشم باز (EO) و چشم بسته (EC) جمع آوری شده اند. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی به دقت ۱۰۰ در داده های آموزش دست یافته است. نوآوری اصلی این تحقیق در تبدیل سیگنال های EEG به نمایش دوبعدی و استفاده از تمامی کانال ها برای استخراج ویژگی های جامع تر است. این روش در مقایسه با روش های مبتنی بر پردازش یک بعدی امکان تحلیل دقیق تر الگوهای مغزی را فراهم می کند.

Keywords:

احراز هویت بیومتریک , الکتروانسفالوگرام , شبکه عصبی کانولوشنی , تبدیل سیگنال به تصویر , یادگیری عمیق