DRFNet:增强基于VEP的跨会话EEG生物识别的身份辨别性和特征稳定性

科学领域:

• 神经科学
• 生物识别
• 信号处理

背景情况:

• 使用视觉唤起潜能 (VEP) 的生物识别是有前途的.
• 在跨会话场景中,非静止电脑图 (EEG) 信号会降低性能.

研究的目的:

• 增强基于VEP的生物识别的身份代表的稳定性和主体间的区别性.
• 为了解决跨会话电脑图 (EEG) 数据的性能下降.

主要方法:

• 提出了歧视性强有力的特征网络 (DRFNet).
• 集成的日志功率转换用于放大个人之间的差异.
• 使用等级规范化与适应性注意力来平衡身份线索和会话间不变性.

主要成果:

• 在两个公开的多会话SSVEP数据集上实现了高的识别准确度 (92.92%和86.30%).
• 获得了低等错误率 (3.92%和4.09%).
• 证明过器银行处理和特定电极选择增强了区分特征,并使系统轻量化.

结论:

• DRFNet显著提高了基于VEP的生物识别的稳定性和准确性.
• 提出的方法为开发轻量级和有效的生物识别系统提供了实用方法.
• 进一步分析表明优化特征提取和电极选择以提高性能.