DRFNet: Mejorar la discriminabilidad de la identidad y la robustez de las características para la biometría EEG...

Área de la Ciencia:

• La neurociencia
• Información biométrica
• Procesamiento de señales

Sus antecedentes:

• El reconocimiento biométrico utilizando potenciales evocados visualmente (VEP) es prometedor.
• Las señales de electroencefalografía no estacionaria (EEG) degradan el rendimiento en escenarios de sesiones cruzadas.

Objetivo del estudio:

• Mejorar la robustez y la discriminabilidad entre sujetos de las representaciones de identidad en las sesiones para la biometría basada en VEP.
• Para abordar la degradación del rendimiento en los datos de electroencefalografía (EEG) de sesiones cruzadas.

Principales métodos:

• Propuso la red de características robustas discriminatorias (DRFNet).
• Transformación de potencia de registro incorporada para amplificar las diferencias interindividuales.
• Utilizó la normalización jerárquica con atención adaptativa para equilibrar las señales de identidad y la invarianza entre sesiones.

Principales resultados:

• Se obtuvieron altas precisiones de identificación (92,92% y 86,30%) en dos conjuntos de datos públicos de SSVEP de varias sesiones.
• Se obtuvieron bajas tasas de error iguales (3,92% y 4,09%).
• Se ha demostrado que el procesamiento de los bancos de filtros y la selección de electrodos específicos mejoran las características discriminatorias y permiten el aligeramiento del sistema.

Conclusiones:

• DRFNet mejora significativamente la robustez y la precisión del reconocimiento biométrico basado en VEP en todas las sesiones.
• Los métodos propuestos ofrecen un enfoque práctico para el desarrollo de sistemas biométricos ligeros y eficaces.
• Un análisis más detallado sugiere la optimización de la extracción de características y la selección de electrodos para mejorar el rendimiento.