احراز هویت بیومتریک در سیستم های BCI مبتنی بر SSVEP به روش Mset-CCA

در سال های اخیر احراز هویت بیومتریک مبتنی بر سیگنال های الکتروانسفالوگرام (EEG) به دلیل غیرقابل جعل بودن و پایداری ویژگی های فیزیولوژیکی، مغز به عنوان روشی نوین و ایمن در سیستم های رابط مغز - رایانه (BCI) مطرح شده است. در این پژوهش یک روش مبتنی بر تحلیل همبستگی متعارف چند مجموعه ای (Mset-CCA) برای طبقه بندی ویژگی های متمایز کننده ی EEG در تشخیص هویت افراد ارائه شده است. در روش پیشنهادی از الگوریتم Mset-CCA برای استخراج الگوهایی استفاده شد که در آنها نسبت سیگنال به نویز افزایش یافته و بخش های برانگیخته مرتبط با پاسخ های EEG برجسته می شوند. این مولفه ها به عنوان ویژگی های پایدار و شاخص برای هر فرکانس تحریک در نظر گرفته شده است. به منظور ارزیابی عملکرد، پایگاه داده benchmark شامل ۳۵ شرکت کننده مورد استفاده قرار گرفت. عملکرد روش Mset-CCA با روش های مرز دانش شامل استخراج ویژگی الگوی فضایی مشترک (CSP) همراه با دو طبقه بند ماشین بردار پشتیبان (SVM) و نزدیک ترین همسایه (KNN) مقایسه شد. نتایج نشان داد که روش پیشنهادی Mset-CCA نسبت به روش های SVM+CSP و KNN+CSP به ترتیب موجب بهبود حدود ۹.۵ درصد و ۲۱.۲ درصد در میانگین صحت بازشناسی شد. این نتایج بیانگر توانایی موثر روش Mset-CCA در افزایش کارآیی سیستم های احراز هویت مبتنی بر EEG است.

کلیدواژه ها:

احراز هویت ، سیستم رابط مغز رایانه ، پتانسیل برانگیخته دیداری حالت ماندگار ، Mset-CCA