30811

احراز هويت كاربر مبتني بر سيگنال الكتروانسفالوگرام با استفاده از روش هاي يادگيري عميق

كارشناسي ارشد

مهندسي برق- سيستم‌هاي الكترونيك ديجيتال

1400

1403/1/27

احمد آيت اللهي

مهندسي برق

سيگنال‌هاي EEG ثبت فعاليت‌هاي الكتريكي مغز در امتداد سطح پوست سر است كه حاصل فعاليت‌هاي سيناپسي نورون‌هاي مغز مي‌باشد. احراز هويت و امنيت يك موضوع بسيار مهم در زندگي ما است و احراز هويت مبتني بر امواج مغزي روشي نو در سامانه‌هاي احراز هويت بيومتريك به شمار مي‌رود كه مزاياي زيادي نسبت به سايرين دارد. در سال‌هاي اخير نشان داده شده است كه EEG سيگنال مناسبي براي احراز هويت بيومتريك است و داراي ويژگي‌هاي مهمي مانند مقاومت در برابر حملات جعل و عدم امكان استفاده در شرايط فشار و اجبار است. در اين پايان‌نامه از مجموعه داده BCI IV 2a استفاده شده است كه در آن كاربران وظيفه تصور حركت چهار عضو بدن (دست راست، دست چپ، هر دو پا و زبان) خود را دارند. براي طبقه‌بندي افراد، از يك مدل CNN دو بعدي با 6 لايه كانولوشني استفاده كرده‌ايم. تمامي حالات ممكن با توجه به نوع وظيفه، طول سيگنال ورودي، باند فركانسي سيگنال و تعداد كانال‌هاي EEG در نظر گرفته شده و نتايج آن‌ها نشان داده شده است. با توجه به نتايج به دست آمده و تحليل‌هاي انجام شده، بهترين نتايج مربوط به حالتي است كه از تركيب باندهاي فركانسي و با حداكثر ميزان كانال‌هاي EEG براي احراز هويت استفاده مي‌كنيم. در اين پايان‌نامه دو حالت ورودي سيگنال با طول‌هاي 4 ثانيه و 1 ثانيه را مورد بررسي قرار داده‌ايم كه بهترين نتيجه كسب شده براي سيگنال با طول 4 ثانيه برابر صحت 100 درصد و همچنين براي سيگنال ورودي با طول 1 ثانيه نيز برابر صحت 99.42 درصد است هنگامي كه كاربران در حال تصور حركت دست چپ خود بودند. احراز هويت كاربر مبتني بر سيگنال EEG با وجود تحقيقات گسترده در سال‌هاي اخير، همچنان داراي برخي چالش‌هاي برطرف نشده است كه نيازمند بررسي بيشتري است تا بتوان از آن به عنوان يك عامل بيومتريك بسيار مطمئن و امن (همانند اثرانگشت) ياد كرد و در سامانه‌هاي موجود دنياي واقعي به كار برد.

1403/02/03

EEG-based user authentication using deep learning methods

1/1/1900 12:00:00 AM

EEG signals are recordings of electrical brain activity, typically measured along the surface of the scalp, resulting from synaptic activity in brain neurons. Authentication and security are critical issues in our lives, and brainwave-based authentication is an addition to biometric authentication systems that offers numerous advantages over others. Recent studies have demonstrated that EEG is a viable signal for biometric authentication, boasting important features such as resistance to spoofing attacks and immunity to coercion or pressure. In this thesis, the BCI IV 2a dataset is utilized, where participants are instructed to imagine the movement of four body parts: right hand, left hand, both feet, and tongue. To classify individuals, a two-dimensional CNN model with 6 convolutional layers was utilized. All potential states were taken into account based on the task type, input signal length, signal frequency band, and the number of EEG channels, with their results presented. According to the obtained results and analyses conducted, the optimal outcomes are associated with employing the combination of frequency bands alongside the maximum number of EEG channels for authentication purposes. Within this thesis, two signal input modes were examined, with durations of 4 seconds and 1 second. The highest accuracy, recorded at 100%, was achieved for the 4-second signal length. Similarly, for the 1-second input signal, accuracy reached 99.42%, notably during users' imagination of left-hand movement. Despite considerable research advancements in recent years, user authentication based on EEG signals still faces unresolved challenges that necessitate further investigation. This is crucial for EEG-based authentication to attain the level of reliability and security comparable to traditional biometric agents like fingerprints, especially in real-world deployment scenarios.

احراز هويت , الكتروانسفالوگرام , بيومتريك , يادگيري عميق

authentication , Electroencephalography (EEG) , Biometric , Deep Learning

Mohammad Reza Mostafavi

Dr. Ahmad Ayatollahi