A feasibility study on using EEG for Biometric Trait Authentication System
Notice bibliographique
Résumé
Abstract The neuronal activity has a unique genetic signature that can be used for personal identification and authentication. Continuous authentication of individuals is required in the field involving high security, such as military services, intelligence organizations and secret agencies. Electroencephalogram (EEG) based authentication method is favorable due to its uniqueness and the fact that it can be used even when the person is unconscious. In this study, we investigated the number of samples per subject required to reliably develop a biometric trait authentication system. Initially, we extracted the background EEG signals from the publicly available Temple University Hospital (TUH) database. A total of 46 statistical and frequency domain features were extracted from each EEG signal per subject. The classification was performed using the extreme Gradient Boosting (XGBoost) classifier. We varied the number of EEG signal segments per subject from 5 to 127 with an increment of 5 segments per trial. Finally, the performance parameters such as accuracy, sensitivity, specificity, precision and F-measure were obtained in each case for the biometric authentication system using the test data. Our model achieved the highest accuracy of 100% when more than 75 EEG signals per subject were considered for the analysis. We also identified alpha band power as the most efficient feature for authentication. Our results show that EEG signals can be effectively used for personal identification and authentication.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 ».