25491

تشخيص هويت از روي الكتروانسفالوگرافي با استفاده از شبكه هاي عصبي مصنوعي

كارشناسي ارشد

مهندسي پزشكي

1400

1400/06/29

محمدرضا دليري

-

برق

شناخت افراد بر اساس خصوصيات فيزيولوژيكي يا رفتاري منحصر به فرد خود، با عنوان شناسايي بيومتريك يا احراز هويت، در دهه ي گذشته مورد توجه محققان قرار گرفته است. يك سيستم تشخيص بيومتريك به دنبال شناسايي شخص در يك پايگاه داده است، در ميان مشخصه هاي بيومتريك موجود، سيگنال¬هاي مغزي به دليل حفظ ماهيت منحصر به فرد اشخاص، به عنوان يك ويژگي قدرتمند ظاهر شده اند، كه اين امر جعل يا تقليد آن ها را غيرممكن مي سازد. از بين روش هاي دريافت سيگنال هاي مغزي، الكتروانسفالوگرافي (EEG) به عنوان راحت ترين روش دريافت اين سيگنال، بسيار محبوب و كارآمد است. از آنجا كه فعاليت هاي مغزي مي‌تواند تحت تأثير حالت روحي، استرس و حالت ذهني يك فرد قرار گيرد، ثبت آن تحت فشار عصبي يا تهديد، بسيار دشوار بوده و اين امر امكان دريافت آن در شرايط فوق را غيرممكن مي سازد و مي تواند به عنوان يك مزيت ذكر شود. براي استفاده از بيومتريك مبتني بر EEG در زندگي واقعي نياز به بررسي هاي بسيار و روش هاي متفاوت بوده، كه هدف اين پايان نامه ارزيابي اين موضوع است. در اين پايان نامه از داده ي 109 فرد كه توسط 64 كانال ثبت شده، استفاده مي شود. داده ها در دو گروه چشم باز-بسته و حالت انتظار مورد بررسي قرار مي گيرند. در قدم اول به بررسي اهميت پيش پردازش در تشخص هويت پرداخته شده است كه نشان مي دهد پيش پردازش مي تواند تا 7.5 درصد بر افزايش ميزان صحت مؤثر باشد همچنين در پايداري صحت نهايي تأثير بسيار داشته و از پراكندگي نتايج جلوگيري مي كند. در مراحل بعد با استخراج ويژگي هاي آماري، فركانسي و ويولت به بررسي عملكرد در دو روش كلاس بندي پرداخته شده است. ماشين بردار پشتيبان و شبكه ي عصبي مصنوعي چند لايه دو روش كلاس بندي است كه بررسي مي شوند. بالاترين صحت هاي يافته شده در داده ي انتظار 97.43 درصد توسط شبكه عصبي و در داده ي چشم باز-بسته 99.76 درصد با استفاده از ماشين بردار پشتيبان است. در اين پايان نامه نتايج تشخيص هويت با استفاده از شبكه عصبي بخصوص بر روي داده ي انتظار كه بيشترين شباهت با محيط كاربردي تشخيص هويت را دارد، بسيار موفق است. واژه‌هاي كليدي: تشخيص هويت، بيومتريك، الكتروانسفالوگرافي ، ماشين بردار پشتيبان و شبكه ي عصبي مصنوعي.

1400/08/15

Person Identification from EEG Signals using Artificial Neural Networks

9/20/2022 12:00:00 AM

Recognition of individuals based on their unique physiological or behavioral characteristics as biometric identification has been the focus of researchers in the past decade. A biometric detection system seeks to identify a person in a database. Among the existing biometric features, brain signals have emerged as a powerful feature due to the preservation of the unique nature of individuals, which makes forged or Imitating them impossible. Among the methods of receiving brain signals, Electroencephalography (EEG) is very popular and efficient as the easiest way to receive this signal. Because brain activity can be affected by a person's mood, stress, and mental state, it is very difficult to record it under stress or intimidation, making it impossible to receive it in the above conditions that Can be mentioned as an advantage. To use EEG-based biometrics in real life requires a lot of research and different methods, the purpose of this dissertation is to evaluate this issue. This dissertation uses the data of 109 people registered by 64 channels. Data are examined in two groups: open-closed and waiting. In the first step, the importance of preprocessing in identification is examined, which shows that preprocessing can be effective up to 7.5% in increasing the rate of performance. It also has a great effect on the stability of the final performance and prevents the scattering of results. In the next steps, by extracting statistical, frequency, and wavelet features, the performance in two classification methods is investigated. Support vector machine (SVM) and multilayer artificial neural network are two classification methods that are examined. The highest performance found in the waiting data is 97.43% by the neural network and in the open-closed data is 99.76% by the support vector machine. In this dissertation, the results of authentication using neural networks are very successful, especially on the waiting data, which is most similar to the application environment of authentication. Keywords: Identification, Biometric, Electroencephalography, Support vector machine and multilayer artificial neural network.

بيومتريك , الكتروانسفالوگرافي , ماشين بردار پشتيبان , شبكه ي عصبي مصنوعي

Biometric , Electroencephalography , Support vector machine , multilayer artificial neural network