首页 产品中心 新闻中心 关于我们 技术支持

基于脑电信号的个性化用户认证系统

来源:心拓视点 编辑:心拓视点 发布时间:2022-10-09

论文题目:

A Personalized User Authentication System Based on EEG Signals

中文翻译:基于脑电信号的个性化用户认证系统

期刊:Sensons

发表时间:2022年9月

表网址:https://doi.org/10.3390/s22186929

摘要:

传统的生物识别技术已经在高安全性用户认证系统中使用了 20 多年。但是,其中的一些模式在普通的生活中面临着低安全性问题。基于脑电波的用户身份验证已成为一种很有前景的可替代方法,因为它克服了其中一些缺点并进行持续学习的用户身份验证。在本研究中,我们通过提出一种基于数据驱动的脑电图 (EEG) 的身份验证方法来解决个人用户可变性的问题。我们引入机器学习技术,以快速有效的方式揭示最适合每个用户数据的最佳分类算法。

背景:

随着现代社会已经过渡到信息技术时代,安全和隐私变得越来越重要。为了防止入侵者攻击或信息泄露,以可信和自主的方式对有效用户身份验证系统的需求比以往任何时候都更加明显。使用脑电图 (EEG) 信号作为个人身份验证的生物识别工具的潜力是在过去十年中引起了越来越多关注的领域,因为它克服了已经建立的方法确实存在的一些缺陷,例如确保用户的可信度和持续学习的用户身份验证方法。

脑电数据采集

根据高密度EGI EEG 系统 (GES) ,从分布在头皮上的 128 个电极位置记录其EEG数据。首先将合适的128导网状电极帽尺寸浸泡在盐溶液中 5 分钟,然后佩戴在被试头上。使用 EGI-GES系统进行记录。所有电极阻抗均保持在小于 5 kΩ。测量采样率为 250 Hz。每次实验后,都要对电极帽进行消毒,以保持较高的卫生标准。用于这项工作的数据是在睁眼的休息状态下记录的(要求被试睁开眼睛并注视屏幕中央出现的十字 30 秒),以模拟真实的用户识别的场景。

预处理和特征提取

所有 EEG 信号进行双侧乳突参考,在 0.5-40 Hz 的频率范围内进行过滤,然后进行自适应混合 ICA (AMICA) 算法和 REG ICA 方法用于清除伪迹剔除,特别是眼动伪影,它是睁眼条件下最麻烦和复杂的,使用 EEGLAB工具箱 的ICLABEL进行了交叉验证。

将清理后的脑电信号分为 500 个随机片段,每个片段 4 秒,以增加当前研究的外部有效性。对于每个部分,计算了五种不同脑电波的功率(delta [0-4 Hz]、theta [4-8 Hz]、低 alpha [8-10 Hz]、高 alpha [10-12 Hz] 和 alpha [8-12 Hz])。每个被试具有 15 个(3 个通道 × 5 个波段)特征的特征集,具有 500 个实例。

分类程序

为了复制现实场景,分类是在个人基础上进行的。因此,对于每个被试(用户),形成了一个包含 1000 个实例的单独数据集,其中一半的实例来自用户的 500 个随机片段,另外 500 个是从剩余的 14 个被试数据中随机选择的。

1665631478670406.png

图 1. 分类器的两个不同阶段的系统图示。首先,有一个训练阶段,服务器计算最佳分类算法,然后有一个使用阶段(测试阶段),系统根据这个分类器授予或拒绝用户访问。

结果

表 1显示了在 15 个被试上进行实施的方法后的认证结果。所有被试的平均准确率为 95.6%。15个被试中有13个被试的准确率在94%以上,提升了系统的高水平性能。第一个被试的准确度最高(100%),而第四个被试的准确度最低(87%),这似乎是一个异常值,表明如果我们排除该因素,可以获得更好的整体结果。

1665631660225102.png

结论

事实证明,在个性化认证系统中使用 EEG 信号是一种非常有效的技术,因为它克服了传统生物识别工具(例如虹膜、指纹或基于语音的应用程序)在日常实践中存在的大部分缺点。使用脑电波的一些优点包括它们适用于连续的用户身份验证系统,因为它们构成了无意识的生物特征,并且它们可以用于高级安全设施,确保需要访问的人的活力并避免入侵者攻击。

关于未来的方向,基于 EEG 的用户身份验证有一些一般性问题需要解决。例如,如果用户对被认证的过程不感兴趣,那么他/她的脑电波可能会被改变,从而导致认证系统失败。此外,关于我们的方法和其它提出的方法,需要检查进一步的数据集,更具体地说,需要在系统上测试大量被试。最后,我们在研究中仅评估光谱特征的事实可能无法充分利用个性化用户认证系统的功能,通过引入混合频谱时域特征,可以进一步完善其实现。最近出现并越来越多地使用的深度学习算法的可能性,以及为改进它们而引入的进步,例如对抗推理方法,尽管可能增加计算成本,但也可以提供更高的准确性。

参考文献:

Stergiadis, C.; Kostaridou, V.-D.; Veloudis, S.; Kazis, D.; Klados, M.A. A Personalized User Authentication System Based on EEG Signals. Sensors 202222, 6929. https://doi.org/10.3390/s22186929

以上部分内容参考以上文献,更多内容请参考原文献,本内容仅供参考,如有疑问,请后台联系我们!