Subject Identification using EEG Signals and Supervised Learning
Master thesis

Permanent lenke
https://hdl.handle.net/11250/2780863Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
Sammendrag
Denne masteroppgaven undersøker bruken av elektriske hjernesignaler fanget i elektroencefalografi (EEG) som parameter for et biometrisk system. De fangede hjernesignalene brukes til å lage et person-identifikasjonssystem for sanntids klassifisering. Systemet ble designet ved å analysere to typer klassifiseringsteknikker offline: maskinlæring (ML) og dyp læring (DL). For å redusere beregningskompleksiteten i sanntids klassifisering, ble kanalreduksjon og dimensjonsreduksjon også studert. Metodene ble undersøkt på to forskjellige neuro-paradigmer: hviletilstand og hendelsesrelatert potensial (ERP).
For å bruke ML som klassifiseringsteknikk ble EEG-signalene først dekomponert for å oppnå meningsfulle fysiske signaler ved bruk av Empirical Mode Decomposition (EMD), Discrete Wavelet Transform (DWT) og frekvensbånd. Ulike egenskaper (energi, fraktal, statistisk og HHT-basert) ble deretter trukket ut fra signalene og brukt som inndata på fem forskjellige ML-algoritmer for å lage klassifiseringsmodeller. Modellene ble brukt til å identifisere unike mønstre i EEG-signaler for å identifisere personer. Prinsipal komponent analyse (PCA) ble brukt som metode for dimensjonsreduksjon. Prinsipal komponentene (PC) som ble funnet ved bruk av PCA, ble også brukt som inndata til ML-algoritmene. Før klassifisering ble EEG-signalene forbehandlet for å forbedre signal-til-støy-forholdet (SNR).
Den høyeste nøyaktighet på 1.00 ble oppnådd ved bruk av ML som klassifiseringsteknikk med DWT ved bruk av mor-wavelet Symlet 7 (Sym7) som grunnlag for å trekke ut energiegenskaper og k-nærmeste naboer (k-NN) som klassifiseringsalgoritme på forbehandlet EEG-signaler uten kanalreduksjon. Den andre klassifiseringsteknikken brukte rå EEG-signaler som inndata til et Convolutional Neural Network (CNN), som resulterte i den høyeste nøyaktighet på 0.95 ved bruk av EEG-opptak uten kanalreduksjon. Begge klassifiseringsteknikkene brukte hviletilstand som nevroparadigme når de oppnådde sin høyeste nøyaktighet.
Et simulert EEG-basert person-identifikasjonssystem ble deretter opprettet basert på resultater fra offline-klassifisering. Systemet ble opprettet ved å bruke DWT med mor-wavelet Sym7 for å trekke ut statistiske egenskaper og Naive Bayes (NB) som klassifiseringsalgoritme. Systemet ble testet på forbehandlet EEG-data som inneholdt fem kanaler fra hviletilstandens neuro-paradigmen. En True Acceptance Rate (TAR) på 0.93 ble oppnådd ved bruk av 40 forsøkspersoner. De oppnådde resultatene viser at bruk av DWT og statistiske funksjoner med NB-klassifiseringen er egnet for å utvikle et EEG-basert person-identifikasjonssystem når man bruker hviletilstand som nevroparadigme. Dette oppmuntrer også til videre forskning på bruk av elektriske hjernesignaler som biometri.