基于EEG的个人识别通过特殊设计域自适应自编码器

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物识别信息 生物识别信息

背景情况:

• 来自脑电图 (EEG) 的个体大脑活动模式提供了一个新的生物识别来源.
• 自动编码器自动提取特征,这是生物识别的关键步骤.
• 探索域自适应自编码器 (DAAE) 进行增强的特征提取.

研究的目的:

• 用EEG数据调查使用DAAE提取的特征用于个人识别.
• 在DAAE框架内评估两个领域适应方法.
• 为了评估不同类型的EEG记录和受试者数量的模型性能.

主要方法:

• 使用两个DAAE域适应方法提取隐藏特征.
• 使用KNN,ANN,SVM和RF分类器进行个人识别.
• 对2,5,7个受试者的纵向EEG数据 (静止状态,听觉,认知刺激) 的评估模型.

主要成果:

• 在双主题任务中,SVM 具有统一的参考 DAAE 特征的最高识别准确度为 100%.
• 射频分类器在一个双主题任务中,通过软矿参考DAAE特征实现了99.84%的准确性.
• 随着受试者数量的增加,分类准确性下降,这表明分类困难.

结论:

• DAAE有效地从EEG中提取特征,以进行强大的个人识别.
• SVM和RF分类器在基于EEG的生物识别中表现出高效.
• 受试者的数量显著影响基于EEG的个人识别系统的准确性.