Interfaz cerebro-ordenador para la autenticación basada en EEG: avances e implicaciones prácticas

Área de la Ciencia:

• La neurociencia
• Ciencias de la computación
• Ciberseguridad

Sus antecedentes:

• Los métodos tradicionales de autenticación se enfrentan a importantes vulnerabilidades de seguridad.
• Las tecnologías biométricas emergentes son cruciales para mejorar la seguridad digital.
• Las señales del electroencefalograma (EEG) presentan una nueva modalidad biométrica.

Objetivo del estudio:

• Revisar sistemáticamente y evaluar experimentalmente los sistemas de autenticación basados en EEG.
• Evaluar la viabilidad, las limitaciones y la escalabilidad de la autenticación EEG.
• Comparar el rendimiento de varios modelos de aprendizaje automático para la autenticación EEG.

Principales métodos:

• Revisión sistemática de la literatura sobre la autenticación del EEG.
• Recopilación de datos experimentales de nueve sujetos utilizando diversos enfoques.
• Implementación y evaluación de los clasificadores de red neuronal convolucional (CNN), bosque aleatorio (RF), aumento de gradiente (GB), máquina de vectores de soporte (SVM) y vecinos K-más cercanos (KNN).

Principales resultados:

• El modelo CNN logró la mayor precisión con un 99%.
• Los clasificadores de RF y GB demostraron un buen rendimiento con un 94% y un 93% de precisión, respectivamente.
• Los clasificadores SVM y KNN mostraron una eficacia significativamente menor en la captura de las complejidades de los datos EEG.

Conclusiones:

• Los sistemas de autenticación basados en EEG muestran un potencial significativo para mejorar la seguridad digital.
• Estos sistemas ofrecen una alternativa prometedora, robusta y fácil de usar a los métodos de autenticación tradicionales.
• Los modelos avanzados de aprendizaje automático como CNN son altamente efectivos para el procesamiento de señales EEG en la autenticación.