احراز هویت بیومتریک در سیستم‌های bci مبتنی بر ssvep به روش mset-cca

در سال‌های اخیر، احراز هویت بیومتریک مبتنی بر سیگنال‌های الکتروانسفالوگرام (eeg) به دلیل غیر قابل جعل بودن و پایداری ویژگی‌های فیزیولوژیکی مغز، به عنوان روشی نوین و ایمن در سیستم‌های رابط مغز-رایانه (bci) مطرح شده است. در این پژوهش، یک روش مبتنی بر تحلیل همبستگی متعارف چندمجموعه‌ای (mset-cca) برای طبقه‌بندی ویژگی‌های متمایز کننده‌ی eeg در تشخیص هویت افراد ارائه شده است. در روش پیشنهادی، از الگوریتم mset-cca برای استخراج الگوهایی استفاده شد که در آن‌ها نسبت سیگنال به نویز افزایش یافته و بخش‌های برانگیخته مرتبط با پاسخ‌های eeg برجسته می‌شوند. این مولفه‌ها به عنوان ویژگی‌های پایدار و شاخص برای هر فرکانس تحریک در نظر گرفته شده است. به منظور ارزیابی عملکرد، پایگاه داده‌ی benchmark شامل 35 شرکت‌کننده مورد استفاده قرار گرفت. عملکرد روش mset-cca با روش‌های مرز دانش شامل استخراج ویژگی الگوی فضایی مشترک (csp) همراه با دو طبقه‌بند ماشین بردار پشتیبان (svm) و نزدیک‌ترین همسایه (knn) مقایسه شد. نتایج نشان داد که روش پیشنهادی mset-cca نسبت به روش‌های svm+csp و knn+csp به ترتیب موجب بهبود حدود 5/9 درصد و 2/21 درصد در میانگین صحت بازشناسی شد. این نتایج بیانگر توانایی موثر روش mset-cca در افزایش کارآیی سیستم‌های احراز هویت مبتنی بر eeg است.

biometric authentication in ssvep-based bci systems using mset-cca method

in recent years, biometric authentication based on electroencephalogram (eeg) signals has emerged as an innovative and secure approach in brain-computer interface (bci) systems, owing to the non-forgeability and stability of the brain’s physiological characteristics. in this study, a method based on multiset canonical correlation analysis (mset-cca) is proposed for classifying discriminative eeg features in personal identity recognition. the proposed approach employs the mset-cca algorithm to extract patterns in which the signal-to-noise ratio is enhanced and eeg response-related components are emphasized. these components are considered as stable and distinctive features for each stimulation frequency. to evaluate the performance, the benchmark database containing data from 35 participants was used. the performance of the proposed mset-cca method was compared with state-of-the-art techniques, including common spatial pattern (csp) feature extraction combined with support vector machine (svm) and k-nearest neighbor (knn) classifiers. the results showed that the proposed mset-cca method improved the average recognition accuracy by approximately 5.9% and 22.1% compared to the svm+csp and knn+csp methods, respectively. these findings demonstrate the effectiveness of the mset-cca approach in enhancing the performance of eeg-based biometric authentication systems.