Journal: Whitepapers
فعالیت‌های مغز انسان با استفاده از سیگنال‌های EEG نشان داده می‌شوند که بسیار محرمانه و حساس بوده و ربودن و کپی‌برداری آن‌ها بسیار دشوار است. این سیگنال‌ها امید بزرگی برای ارائه روش‌های بیومتریک ایمن برای شناسایی و احراز هویت کاربران فراهم می‌سازند. در این مقاله، ما یک چارچوب امنیتی بیومتریک مبتنی بر EEG ارائه می‌دهیم. به‌صورت ویژه‌ای، ما یک رویه جدید به‌منظور کاهش سطح نویز از طریق میانگین گرفتن از اثرات، فیلتر پایین گذر و استخراج ویژگی‌های فرکانس با استفاده از فرآیند تجزیه بسته موجک و انجام دسته‌بندی مبتنی بر شبکه عصبی مصنوعی، ارائه می‌دهیم. ما به‌صورت دقیق به بررسی چهار سناریوی مختلف به‌منظور تقلید انواع کاربردهای مختلف در روند احراز هویت می‌پردازیم. نتایج آزمایش‌ها نشان می‌دهند که نرخ دسته‌بندی موجودیت‌های متمایز تکی و یا یک گروه کوچک از افراد (اشخاص احراز هویت شده) در حدود 90 درصد خواهد بود. بااین‌حال، شبیه‌سازی‌ها نشان داده‌اند که شناسایی مجدد هر یک از موجودیت‌های فردی از یک مخزن بزرگ دارای بدترین کارایی با نرخ دسته‌بندی کمتر از 11 درصد است. روش ساید بای ساید نشان‌دهنده افزایش چشمگیری در روند شناسایی تمامی موجودیت‌ها با نرخ‌های دسته‌بندی در محدوده 40 درصد است. رویکرد پیشنهادی ما یک پایه محکم تحقیقاتی برای ارزیابی‌های آتی ایده‌ها و رویکردهای بیومتریک مبتنی بر موج‌های مغزی است.