用基于概率的增量模糊粗近邻近的脑印认证建模的分心描述器
Siaw-Hong Liew1, Yun-Huoy Choo2, Yin Fen Low3
1Faculty of Computer Science and Information Technology, Universiti Malaysia Sarawak (UNIMAS), 94300, Kota Samarahan, Sarawak, Malaysia. shliew@unimas.my.
Brain informatics
|August 5, 2023
概括
这项研究引入了脑印认证的分心描述符,在现实世界,不受控制的环境中提高了准确性,使用IncFRNN (增量模糊粗近邻) 中基于概率的增量更新策略. 该方法有效地利用电脑电图 (EEG) 对环境干扰的反应.
科学领域:
- 生物识别信息 生物识别信息
- 机器学习 机器学习
- 神经科学是一个神经科学.
背景情况:
- 脑印认证模型通常需要受控的环境,限制了现实世界的适用性.
- 电脑电图 (EEG) 信号中的环境干扰通常被最小化,但它们提供了独特的用户特定响应.
- 将认证模型适应于不受控制的环境对于实际部署至关重要.
研究的目的:
- 设计一个分心描述符,以逐步完善细粒度的知识.
- 为增量模糊粗近邻 (IncFRNN) 开发基于概率的增量更新策略.
- 为了增强对不受控制的环境的脑印身份验证模型.
主要方法:
- 提出了一个通过对象变化引起的分心描述符.
- 在IncFRNN技术中实施了基于概率的增量更新策略.
- 将拟议的战略与K-Nearest Neighbour (KNN) 中的地面真相和First-In-First-Out (FIFO) 增量更新策略进行了对比.
主要成果:
- 拟议的分心描述符在高度分心和安静条件下表现出同等的歧视性性能.
- 基于概率的IncFRNN技术显著超过了KNN.
- 该方法有效地利用独特的EEG对环境干扰的反应来进行身份验证.
结论:
- 该研究提出了一个更实用的脑印认证模型,使用分心描述符和基于概率的IncFRNN策略.
- 拟议的方法通过利用EEG对干扰的反应来增强不受控制的环境中的认证.
- 未来的研究应该解决交叉变量的问题,以进一步提高模型的稳定性.
