DM-EEGID: EEG-Based Biometric Authentication System Using Hybrid Attention-Based LSTM and MLP Algorithm
Notice bibliographique
Résumé
Owing to the reliability of biometric data, person identification systems are developed using many different biometric data.However, these systems can be easily fooled with prosthetic face masks, contact lenses and fingerprint tapes.EEG signal is considered to be the most difficult biometric data to copy.The main reason why EEG-based identification systems have not become widespread is that their accuracy performance is not stable.In this study, an EEG based identification system DM-EEGID with improved accuracy performance is proposed.In this approach, first of all, the channels that are meaningless and reduce the accuracy performance from the high number of channels used as input data should be filtered out.Therefore, a Random Forest based binary feature selection method is recommended.With this algorithm, it has been determined that the optimum number of channels for the highest percentage of accuracy in the 64-channel data set is 48-channel.Then, for the determination of the most distinctive frequency subcomponent, the delta pattern was determined to be the most appropriate frequency component by inter-section correlation coefficient analysis.Finally, the proposed approach was tested with hybrid Attention-based LSTM-MLP supported by optimum parameters with both eyes closed and eyes open resting state EEG recording.The proposed model reached 99.96% and 99.70% accuracy percentages for eyes-closed and eyes-open datasets, respectively.These results show that this proposed approach has the potential to be applied in closed systems where the number of people is limited.
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 | 0,001 | 0,001 |
| 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 ».