Overt Mental Stimuli of Brain Signal for Person Identification
Notice bibliographique
Résumé
Cybersecurity is an important and challenging issue faced by governments, financial institutions and ordinary citizens alike. Secure identification is needed for accessing confidential government information, online bank transaction, person's social network (Facebook, Twitter, Linkedin). Brain signal electroencephalogram (EEG) can play a vital role in ensuring security as it is non-vulnerable and hard to steal. In this article, we develop an EEG based biometric security system. The purpose of this work is to find the best band or the best bands combination of overt mental stimuli of brain EEG signal to identify a person. The Discrete Wavelet Transform (DWT) is used to extract different significant features which separate Alpha, Beta and Theta band of frequencies of the EEG signal. Extracted EEG features of different bands and their combinations such as alpha-beta, alpha-theta, theta-beta, alpha-beta-theta are classified using an artificial neural network (ANN) trained with the back propagation (BP) algorithm. The classification rate shows that Alpha band (84.4%) has higher mapping precision and better convergence rate than the other bands, beta (80%), theta (78.1%) and bands combination as alpha-beta (64.1%), alpha-theta (65.6%), beta-theta (58.8%), alpha-beta-theta (56.9%). Another classifier K nearest neighbor (KNN) is used to verify this result. The classification result of this KNN classifier also shows that alpha band (50%) has higher convergence rate than other bands, beta (40%) and theta (40%). The results of this study are expected to be helpful for future research of overt mental stimuli brain signal based biometric approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».