ترکیب ویژگی‌های مختلف سیگنال EEG تک‌کاناله به‌منظور طراحی یک سیستم تأیید هویت

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشجوی مقطع دکتری دانشکده مهندسی برق و کامپیوتر دانشگاه یزد

2 استادیار و عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه یزد

10.22041/ijbme.2012.13097

چکیده

با ظهور دانش بیومتریک، روش‌های متداول تأیید هویت در سیستم‌های بیومتریک دچار دگرگونی شده‌اند و در حال جایگزینی با روش‌هایی بر پایة علایم حیاتی هستند. اخیراً کاربرد سیگنال الکتریکی مغز(EEG) در سیستم‌های بیومتریک به عنوان یک شاخه پژوهشی جذاب و کاربردی مورد توجه محققان قرار گرفته است. پژوهش‌های نسبتاً محدودی در زمینة بیومتریک سیگنال الکتریکی مغز به‌خصوص در سیستم‌های تأیید هویت آن انجام شده است و اکثر تحقیقات بر سیستم‌های تعیین هویت EEGتمرکز داشته‌اند. در این مقاله کارایی سیگنال الکتریکی مغز به عنوان یک سیستم بیومتریک در تأیید هویت افراد نشان داده شده است.در سیستم بیومتریک معرفی شده،‌ از سیگنال الکتریکی پانزده کاربر در حین انجام فعالیت ذهنی استفاده شده است. ترکیبی از ضرایب مدل خود بازگشتی(AR)، توان باندهای فرکانسی سیگنال مغز، چگالی طیف توان، آنتروپی انرژی و آنتروپی نمونه به‌عنوان ویژگی‌های مستخرج از سیگنال مغز و روش Kنزدیک‌ترین همسایه به‌عنوان طبقه‌بند، استفاده شده است. به‌منظور بهبود عملکرد سیستم تأیید هویت، علاوه بر بررسی ادغام در سطح حسگر و فضای ویژگی، امکان به‌کارگیری روش‌ انتخاب ویژگی رفت ‌و برگشتی نیز مطالعه شده است. نتایج آزمایش‌های ما بر روی پایگاه داده Shalkو همکارانش بیانگر این موضوع است که با ترکیب ویژگی‌های متفاوت و با به‌کارگیری سیگنال مغزی تک‌کاناله، عملکرد سیستم در دو روش تک‌بلوک و چند‌بلوک در مقایسه با سایر سیستم‌های تأیید هویت مبتنی بر سیگنال الکتریکی مغز به نحو چشمگیری بهبود می‌یابد و چشم انداز روشنی را از استفادة عملی و تجاری سیگنال الکتریکی مغز در سیستم‌های تأیید هویت آینده  نشان می‌دهد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Person Authentication System Using Feature Level Fusion of a Single Channel EEG Signal

نویسندگان [English]

  • Mohammad Shahab Shahvazian 1
  • Vahid Abootalebi 2
  • Mohammad Taghi Sadeghi 2
1 Ph.D student, Department of Electrical and Computer Engineering, Yazd University
2 Assistant Professor, Department of Electrical and Computer Engineering, Yazd University
چکیده [English]

With the advent of biometric knowledge, conventional methods of authentication are being replaced with biometric based methods. Recently, the use of EEG signal in biometric systems attracted increasing research attention. Only a few works have been done in this emerging of EEG-based biometry mainly focusing on person identification not on person authentication. This paper examines the effectiveness of the EEG as a biometric for person authentication. In this study, the EEG signal from fifteen volunteer recorded during imagination of opening and closing fist was used. A set of AR coefficients, power of spectral bands, Energy Spectral Density, Energy Entropy and Sample Entropy were used as extracted features. The authentication system is fused at the sensor module and features to support a system which can meet more challenging and varying requirements. The utility of the sequential search methods is also experimentally studied. In the extensive experimentation on the Shalk and his colleague’s database, we demonstrate that with combination of features when using single channel EEG, the performance of system is improved in two ways of single block and multi block methods compared to other. Result of this study shows a clear vision of commercial and practical use of the brain's electrical signals in the authentication systems of future.

کلیدواژه‌ها [English]

  • Biometric
  • Authentication
  • EEG
  • AR coefficients
  • power of spectral bands
  • Energy Entropy
  • Sample Entropy
[1]        A. Riera, A. Sorisfrich, M. Caparrini, I.Cester, G. Ruffini, Multimodal Physiological Biometrics Authentication; Published in Biometrics: Theory, Methods, and Applications, 2010; pp: 235-239.

[2]        A. Kale, A. Sundaresan, A. N. Rajagopalan, N.P. Cuntoor, A. K. RoyChowdhury, V. Kruger, R. Chellappa, Identification of Humans Using Gait; presented at IEEE Trans. Image Processing, 2004; 13(9): 1163–1173.

[3]        J. Daugman, Statistical richness of visual phaseinformation: update on recognizing persons by iris patterns; international J. Computer Vision, 2001; 45(1): 25-38.

[4]        NK. Ratha, Advances in Biometrics; Springer Science, 2006.

[5]        H. Berger, Das Elektrenkephalogramm des Menschen; Nora Acta Leopoldina Bd. 6. Nr. 38, 1938.

[6]        F. Vogel, The Genetic Basis of the Normal EEG; Human Genetic, 1970; 10: 91-114.

[7]        A. Anoklin, O. Steinlein, C. Fisher, Y. Mao, P. Vogt, E.Schalt, and F. Vogel, A Genetic Study ofthe Human Low-Voltage Eelectroencephalogram; Human Genetics, 1992; 90:99-112.

[8]        N. Juel-Nielsen, B. Harvand, The Electroenceplalogramin Univular Twins Brought up Apart; Acta genetica, 1958; 8:57-64.

[9]        W. Lennox, E. Gibbs, and F. Gibbs, The Brain-Patern, An Hereditary Trait; The Journal of Heredity, 1945; 36: 233-243.

[10]     H. H. Stassen, G. Bomben, and P. Propping, Genetic Aspects of the EEG: an Investigation into the Withinpair Similarity of Monozygotic and Dizygotic Twins witha New Method of Analysis; Electroencephalography and Clinical Neurophysiology, 1987; 66: 489-501.

[11]     C. He, Z. jane Wang, An Independent Component Analysis (ICA) Based Approach for EEG Person Authentication; 3rdinternational conference on Bioinformatics and Biomedical Engineering , 2009.

[12]     R. Paranjape, J. MahoParanjape sky, L. Benedicenti   and   Z. Koles,   The electroencephalogram as a biometrics; Proceedings of the Canadian Conference on Electrical and Computer Engineering, 2001; 2: 1363-1366.

[13]     S. Marcel, J.D.R. Millan, Person Authentication Using Brainwaves (EEG) and Maximum A Posteriori Model Adaptation; IEEE Trans. Pattern Analysis and Machine Intelligence, 2007; 29: 743-752.

[14]     I. Nakanishi, S. Baba and C. Miyamoto, EEG Based Biometric Authentication Using New Spectral Features; International Symposium on Intelligent Signal Processing and Communication Systems, 2009.

[15]     R. Palaniappan and D. Mandie. Biometrics from brain electricalactivity: A machine learning approach; IEEE Trans. Pattern Analysis and Machine Intelligence, 2007; 29(4): 738-742.

[16]     J. F. Hu, Biometric System Based on EEG Signal: A Nonlinear Model Approach; International Conference on Machine Vision and Human-machine Interface, 2010.

[17]     G.Schalk, D. J. McFarland, T. Hinterberger, N. Birbaumer, J. R. Wolpaw, BCI2000: A General-Purpose Brain-Computer Interface (BCI) System;  IEEE Trans. Biomedical Engineering, 2004; 51(6):1034-1043.

[18]     C. R. Hema, M. P. Paulraj, H. Kaur, Brain signatures: Amodality for biometric authentification; International Conference on Electronic. Design, 2008.

[19]     C. Miyamoto, S. Baba and I. Nakanishi, Biometric Person Authentication Using New Spectral Features of Electroencephalogram; International Symposium on Intelligent Signal Processing and Communication Systems, 2008.

[20]     X. Bao,  J. Wang ,  J.F. Hu, Metod  of individual identification based onelectroencephalogram analysis; international conference on new trends in information and service science, 2009.

[21]     شهوازیان محمدشهاب، ابوطالبی وحید، تعیین هویت با استفاده از ویژگی‌های طیف توان سیگنال مغز؛ هفدهمین کنفرانس مهندسی پزشکی ایران، آبان 1389.

[22]     G .Mohammadi, P .Shoushtari, B. Molaee, and M. B. Shamsollahi, Person Identification by Using AR Model for EEG Signals; in Proc. WASET, 2005.

[23]     J. S. Richman and J R. Moorman, Physiological time series analysis using approximate entropy and sample entropy; Am. J. Physiol. Heart Circ. Physiol, 2000; 278: 2039–2049.

[24]     Pablo F. Diez, Vicente Mut, Eric Laciar and Abel Torres, Application of the Empirical Mode Decomposition to the Extraction of Features from EEG Signals for Mental Task Classification; 31st Annu. Inter. Conf. of the IEEE/EMBS, 2009, pp. 2-6.

[25]     نوشادی س، انتخاب یک فضای ویژگی مناسب برای تفکیک فعالیت‌های ذهنی از روی سیگنال‌های الکتریکی مغز؛ پایان‌نامه کارشناسی ارشد، دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد، 1389.

[26]     C. He, X. Lv, and Z. J. Wang, Hashing the MAR Coefficients from EEG Data for Person Authentication; in Proc. ICASSP, 2009, pp.1445-1448.

[27]     E. Fix and J.L. Hodges, Jr., Discriminatory Analysis: Nonparametric Discrimination: Consistency Properties; Report No. 4, USAF School of Aviation Medicine, Randolph Field, Texas, Feb. 1951.

[28]     V. Vapnik, The Nature of Statistical Learning Theory; Springer, NewYork, 1995.

[29]     C. J. C. Burges, A Tutorial on Support Vector Machines for PatternRecognition; Data Mining and Knowledge Discovery, 1998; 2: 121-167.

[30]     C. R. Hema and A. A. Osman, Single Trial Analysis on EEG Signatures to Identify Individuals;  in Proc. CSPA, 2010; pp.1-4.