Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/13344
Title: Βιομετρικές τεχνικές αναγνώρισης ατόμων με χρήση σημέτων EEG
Other Titles: Biometrics technique for human recognition with EEG signals
Authors: Χατζόπουλος, Ιωάννης
Keywords: Σήματα
Αναγνώρηση
Βιομετρία
Μηχανική μάθηση
Keywords (translated): Signal
Recognition
Biometrics
Machine learning
Abstract: Η χρήση της βιομετρίας EEG, με σκοπό την αυτόματη αναγνώριση των ανθρώπων, έχει λάβει αυξημένη προσοχή τα τελευταία χρόνια. Στη παρούσα διπλωματική εργασία θα παρουσιαστούν και θα συγκριθούν δύο τεχνικές επεξεργασίας χαρακτηριστικών για την αναγνώριση ατόμων χρησιμοποιώντας καταγραφές σημάτων EEG. Την φασματική πυκνότητα ισχύος (Power Spectral Density) και την τιμή κλειδώματος φάσης (Phase Locking Value) σε 64 κανάλια. Mέσα από αυτήν την σύγκριση μεταξύ άλλων θα εξάγουμε τα συμπεράσματα για το ποια ομάδα συχνοτήτων μας δίνει τα καλύτερα αποτελέσματα. Η μελέτη βασίστηκε σε υπάρχουσα βάση δεδομένων, ελεύθερα διαθέσιμη μέσω του διαδικτύου. Συγκεκριμένα, εξετάστηκε ένα σύνολο 109 ατόμων από τα οποία είχε ζητηθεί να έχουν τα μάτια ανοικτά στην μία εγγραφή και κλειστά στην άλλη. Και στις δύο περιπτώσεις χρησιμοποιήθηκε η ίδια τεχνική ταξινόμησης Knn αλλά και η ίδια τεχνική αξιολόγησης αποτελεσμάτων CCR. Για να διερευνήσουμε ποια τεχνική είναι η καλύτερη πραγματοποιήσαμε μια σύγκριση μεταξύ του PSD και του PLV. Παρατηρήθηκε ότι, και οι δύο τεχνικές είχαν εφάμιλλα αποτελέσματα με λίγο καλύτερη την φασματική πυκνότητα ισχύος (PSD). Συνεχίζοντας, χρησιμοποιήθηκε μια τεχνική φιλτραρίσματος η εντροπία με την οποία μειώθηκε ο αριθμός των καναλιών αλλά και ταυτόχρονα επιτεύχθηκε μεγαλύτερο ποσοστό αναγνώρισης και για τις δύο τεχνικές. Εφαρμόσαμε τις παραπάνω τεχνικές σε 32, 14 και 5 κανάλια τα οποία τοποθετήθηκαν σε θέσεις που καθορίζονται από εμπορικά διαθέσιμες συσκευές όπως οι emotiv epoch flex(32), emotiv epoch plus(14), emotiv insight(5) όπου και σε αυτό το πλήθος καναλιών είχαμε βελτίωση του ποσοστού αναγνώρισης, αλλά όσο μειωνόταν το πλήθος των καναλιών τόσο μειωνόταν και το ποσοστό επιτυχίας λόγω του ότι κάθε άνθρωπος έχει διαφορετικά χαρακτηριστικά και πληροφορίες σε διαφορετικές θέσεις του εγκεφάλου του. Πιο συγκεκριμένα, η δομή και τα περιεχόμενα της διπλωματικής εργασίας έχουν ως εξής. Στο πρώτο κεφάλαιο παρουσιάζεται τι είναι βιομετρία και τους λόγους που μας ώθησαν σε αυτήν καθώς και ορισμένα από τα πιο iδημοφιλής βιομετρικά συστήματα που χρησιμοποιούμε στην ζωή μας, θα ορίσουμε και τον σκοπό της εργασίας αυτής. Έπειτα, το δεύτερο κεφάλαιο εστιάζεται περισσότερο στην βιομετρία μέσω ηλεκτροεγκεφαλικών σημάτων, παρουσιάζεται ενώ η διαδικασία που ακολουθείται για την καταγραφή και αξιολόγηση των σημάτων και πως γίνεται η διασύνδεση του εγκεφάλου μας. Συνεχίζοντας, στο τρίτο κεφάλαιο ορίζεται η αρχιτεκτονική που ακολουθούν οι βιομετρικές τεχνικές που βασίζονται στα σήματα από τον εγκέφαλο, παραθέτοντας ορισμένες από τις πιο συνηθισμένες μεθόδους ανάλυσης χαρακτηριστικών αλλά και στους πιο γνωστούς αλγόριθμους ταξινόμησή, ακόμα, θα αναφερθούμε και στο πώς προεπεξεργαζόμαστε τα ληφθέντα σήματα αλλά και σε αλγορίθμους για την εύρεση των καλύτερων καναλιών. Στο τέταρτο κεφάλαιο περιγράφονται οι τεχνικές που μελετήθηκαν καθώς και χρησιμοποιήθηκαν, και τα αποτελέσματά τους. Τέλος, στο πέμπτο κεφάλαιο θα αναφερθούμε στα συμπεράσματα που καταλήξαμε μέσω της διπλωματικής εργασίας αλλά και στην μελλοντική δουλειά που θα μπορούσε να πραγματοποιηθεί.
Abstract (translated): The use of EEG biometrics for the purpose of automatic identification of humans has received increasing attention in recent years. In this thesis, two feature processing techniques for identifying individuals using EEG signal recordings will be presented and compared namely, Power Spectral Density and Phase Locking Value in 64 channels. Through this comparison, we will, among other things, draw conclusions about which frequency band gives us the best results. The study was based on an existing database, freely available online. Specifically, a total of 109 individuals were asked to keep their eyes open in the first recording and closed in the other. In both cases the same Knn classification technique and the same CCR results evaluation technique were used. To investigate which technique is best we made a comparison between PSD and PLV. It was observed that both techniques had comparable results with slightly better spectral power density (PSD). Continuing, an entropy filtering technique was used that reduced the number of channels and at the same time achieved greater recognition for both techniques. We applied the above techniques to 32, 14, and 5 channels which were placed in positions determined by commercially available devices such as emotiv epoch flex (32), emotiv epoch plus (14), emotiv insight (5) where also in this multitude of channels. We had an improvement in recognition accuracy, but as the number of channels decreased, so did the success rate because each person had different characteristics and information in different positions of his brain. In particular, the structure and contents of the thesis are as follows. In the first chapter, what is biometrics will be explained and the reasons that led us to it, as well as some of the most popular biometrics we use in our lives, will also define the purpose of this work. Next, the second chapter focuses more on biometrics via EEGs, while the process followed for recording and evaluating signals and how our brains are interconnected is presented. Τhe third chapter defines the architecture based on biometric techniques for brain signals, listing some of the most common feature analysis methods but also the most well- iiiknown classification algorithms, but we will also refer to algorithms for finding the best channels. The fourth chapter describes the techniques studied and used, and their results. Finally, in the fifth chapter, we will refer to the conclusions we have reached and the future work that could be purposed.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Διπλωματική.pdf1.24 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.