احراز هویت بیومتریک مبتنی بر SSVEP با استفاده از روش Mset-CCA-LDA در سیستم های BCI

احراز هویت بیومتریک مبتنی بر سیگنال های مغزی، به ویژه در شاخه های مبتنی بر پتانسیل برانگیخته دیداری حالت ماندگار (SSVEP)، به عنوان رویکردی پایدار، غیر قابل جعل و قابل اتکا در سامانه های امنیتی و سیستم های رابط مغز- رایانه مطرح است. در این پژوهش، فرآیند احراز هویت برای سیگنال های SSVEP با به کارگیری استخراج ویژگی های فضایی و طبقه بندی انجام شده است. بدین منظور، با استفاده از پایگاه داده Benchmark شامل ۳۵ نفر، یک چارچوب استخراج ویژگی مبتنی بر تحلیل همبستگی متعارف چند مجموعه ای (Mset-CCA) طراحی و پیاده سازی شد تا الگوهای پایدار و متمایزکننده فعالیت مغزی را برای شناسایی هویت افراد به طور موثر استخراج کند. طبقه بندی با استفاده از روش تحلیل تمایز خطی (LDA) انجام شد که منجر به دستیابی به دقت ۴۳/۹۹ درصد در تشخیص هویت گردید. به منظور مقایسه، نتایج چند طبقه بند دیگر شامل ماشین بردار پشتیبان، نزدیک ترین همسایه، یادگیری تجمیعی، درخت تصمیم گیری و بیز ساده نیز محاسبه و گزارش شد. نتایج نشان داد که روش پیشنهادی که مبتنی بر Mset-CCA و طبقه بند LDA است به طور قابل توجهی عملکرد سیستم احراز هویت را نسبت به روش های مرز دانش بهبود داده است.

کلیدواژه ها:

احراز هویت ، سیستم رابط مغز-رایانه ، پتانسیل برانگیخته دیداری حالت ماندگار ، طبقه بند LDA ، تحلیل همبستگی متعارف چند مجموعه ای