Biometric system using EEG signals from resting-state and one-class classifiers

Abstract

I denne masteroppgaven er et EEG-basert biometrisk system implentert. Målet er å undersøke muligheten for å authentisere personer basert på EEG signaler. Systemet er realiesert i sanntid gjennom en python applikasjon. En rekke metoder er foreslått for designet av applikasjonen og ulike ekseprimenter er designet for å teste potensialet til disse metodene.

EEG-dataen som brukes i dette arbeidet er hentet fra to offentlig databaser. Det første datasettet inneholder data registrert fra 26 deltagere ved bruk av et P300-stavingssystem, hvor hver deltaker gjennomfører 5 økter bestående av 60 forsøk. Dataen er registrert med 56 sensorer. Det andre datasettet er EEG-signaler fra 40 deltagere, registert med 64 sensorer. Deltagerene gjennomførte åtte økter med 24 forsøk hver.

Metodene som brukes for å finne karakteristiske element er DWT, PCA og EMD. I tillegg hentes energiske og fraktale elementer ut fra signalene. Klassifikasjonsmetodene som er testet i eksperimentene er OC SVM og autoencodere bygget av CNN. Det er undersøkt om ytelsen i systemet kan opprettholdes når antall sensorer reduseres. Sensorene velges ved å bruke en GA. I tillegg brukes GA for å finne optimale hyperparametere for OC SVM.

En modell som er trent på 24 forsøk fra hver deltaker kunne autentisere 40 personer med en TAR og TRR på henholdsvis 0.96 og 0.94. Dette resultatet ble oppnådd ved bruk av en CNN autoencoder og 64 sensorer. Ekseprimenter med redusert treningsdata er gjennomført for å forbedre ytelsen i sanntid. Det beste resultatet ble oppnådd ved å bruke kun 2 sensorer og en autoenkoder med singel-sensor konvolusjon. Da var TAR 0.97 og TRR 0.95 for 40 personer. Eksperiment på 20 personer med 18 forsøk for trening ga TAR og TRR lik 1.0.

In this thesis, a Electroencephalography (EEG)-based biometric system is implemented. The goal is to investigate the possibility of authenticating subjects based on EEG signals.

A python application has been designed and implemented to realize the real-time system. Several approaches for the application is proposed, and different experiments are designed to investigate the potential of these methods.

The EEG data used in this work is taken from two different public databases. The first dataset contains data recorded from 26 subjects using a P300-speller system, preforming five sessions consisting of 60 trials. The data was recorded using 56 channels. The second dataset is EEG-signals from 40 subjects, recorded with 64 channels. The subjects performed eight sessions with 24 trials each.

The methods used for feature extraction are Discrete Wavelet Transform (DWT), Principal Component Analysis (PCA) and Empirical Mode Decomposition (EMD). Additionally, energy and fractal features have been extracted from the decomposed signals. The classifiers used in the experiments are One-class Support Vector Machine (OC SVM) and autoencoders built of Convolutional Neural Network (CNN). An effort has been made to investigate if the performance can be maintained by reducing the number of channels used for recording. The channels are selected using a Genetic Algorithm (GA). Additionally, the GA is used to find optimal hyperparameters for the OC SVM.

A model created using 24 instances was able to authenticate 40 subjects with an True Acceptance Rate (TAR) and True Rejection Rate (TRR) of 0.96 and 0.94. This result was obtained using a CNN autoencoder and 64 channels. Experiments with reduced training data are constructed to improve real-time aspects. The best result was obtained using only 2 channels and a CNN autoencoder with single-channel convolution. Then the TAR was 0.97 and TRR 0.95 for 40 subjects. Using only 18 training instances on 20 subjects yield 1.0 for both TAR and TRR.