Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14472
Title: Βιομετρική ταυτοποίηση ατόμων με χρήση συστημάτων BCI
Other Titles: Biometric identification using BCI systems
Authors: Σταθακόπουλος, Θεόδωρος-Παναγιώτης
Keywords: Βιομετρία
Μηχανική μάθηση
Ηλεκτροεγκεφαλογραφία (ΗΕΓ)
Λειτουργική συνδεσιμότητα
Keywords (translated): Biometrics
Machine learning
Electroencephalography (EEG)
Functional connectivity
Abstract: Τα βιομετρικά συστήματα ταυτοποίησης ατόμων αποτελούν μέρος της καθημερινότητας για πολλούς ανθρώπους και είναι ένα σημαντικό εργαλείο για τη σύγχρονη κοινωνία. Τα τελευταία χρόνια εμφανίζεται διαρκώς αυξανόμενο το ενδιαφέρον της επιστημονικής κοινότητας σχετικά με την αξιοποίηση των ηλεκτρικών σημάτων του εγκεφάλου (EEG) σε ένα τέτοιο σύστημα. Έτσι, αναζητούνται αξιόπιστοι και αποτελεσματικοί τρόποι για την ανίχνευση μοναδικών χαρακτηριστικών των ατόμων μέσω της δραστηριότητας των νευρώνων τους. Σκοπός της παρούσας διπλωματικής εργασίας, η οποία αποτελείται από δύο μέρη, είναι η διερεύνηση και η σύγκριση της επιρροής ορισμένων από τις πλέον διαδεδομένες μετρικές λειτουργικής συνδεσιμότητας του εγκεφάλου στην ικανότητα που έχουν να εντοπίζουν προσωπικά, μοναδικά και ιδιαίτερα χαρακτηριστικά των ατόμων με βάση τα σήματα EEG. Στο Μέρος Ι αναλύεται το θεωρητικό υπόβαθρο που καλύπτει τα ζητήματα ενός βιομετρικού συστήματος εξακρίβωσης ταυτότητας μέσω σημάτων EEG. Πιο συγκεκριμένα, γίνεται λεπτομερής μελέτη της βιβλιογραφίας σχετικά με τις μεθόδους που αξιοποιούνται σε όλα τα στάδια ενός τέτοιου συστήματος, τα οποία είναι τα εξής: καταγραφή των σημάτων, προεπεξεργασία και ενίσχυσή τους, εξαγωγή χαρακτηριστικών και ταξινόμηση. Στο Μέρος ΙΙ περιγράφεται μια πειραματική διαδικασία αναφορικά με την υλοποίηση ενός συστήματος βιομετρικής ταυτοποίησης ατόμων με χρήση σημάτων EEG. Οι μετρικές λειτουργικής συνδεσιμότητας που χρησιμοποιήθηκαν επιλέχθηκαν με τέτοιο τρόπο, ώστε η κάθε μία από αυτές να επικεντρώνεται σε διαφορετικές ιδιότητες του αρχικού σήματος και συνεπώς να αποκαλύπτει διαφορετικές πτυχές του. Σημαντικό ρόλο στην απόδοση της κάθε μετρικής λειτουργικής συνδεσιμότητας διαδραματίζει το συχνοτικό περιεχόμενο του σήματος, καθώς και η φαινομενική συνδεσιμότητα μεταξύ περιοχών του εγκεφάλου. Επιπλέον, μελετήθηκε η επιρροή που έχει στην απόδοση του βιομετρικού συστήματος το πρότυπο καταγραφής των σημάτων EEG αλλά και η εφαρμογή ή όχι χωρικού φιλτραρίσματος στο στάδιο της προεπεξεργασίας τους. Η ανάπτυξη του βιομετρικού συστήματος πραγματοποιήθηκε στο λογισμικό Matlab και η αξιολόγησή του έγινε μέσω της μετρικής EER, ενώ τα δεδομένα που χρησιμοποιήθηκαν είναι ελεύθερα προσβάσιμα μέσω ενός δημόσιου σετ δεδομένων. Στο τέλος της εργασίας παρουσιάζονται τα αποτελέσματα της πειραματικής διαδικασίας, ακολουθούμενα από τα συμπεράσματα που προέκυψαν.
Abstract (translated): Biometric systems have become part of everyday life for many people and are considered a very important tool for modern society. Growing interest is devoted to utilizing brain signals recorded from scalp electroencephalography (EEG) in such systems. Thus, robust and efficient ways are being sought to detect a person’s unique characteristics through their neural activity. The present thesis, which consists of two parts, aims to investigate and compare the influence of some of the most commonly used metrics to estimate functional connectivity (FC) on their ability to unveil personal, unique and distinctive characteristics of an individual, based on their EEG signals. In Part I the theoretical background that covers the matters of a biometric identification system using EEG signals, is analyzed. In particular, a thorough study of the literature is presented, regarding the methods utilized in all the stages of a biometric system, which are: recording EEG signals, preprocessing and enhancing them, feature extraction and classification. In Part II an experimental procedure regarding the development of a biometric identification system that utilizes EEG signals, is described. Different FC metrics were chosen, based on the specific information they carry, in respect to the underlying interactions and therefore their ability to uncover various aspects of the original signals. It is important to consider that frequency content and spurious connectivity, play an important role in the performance of each FC metric. Furthermore, the impact of the recording technique and the use of spatial filtering in the performance of the biometric system, is also examined. The biometric system was developed in Matlab and it was evaluated through the Equal Error Rate (EER) metric. The data used are freely available through a public dataset. Finally, at the end of this thesis one can find the results of the experimental procedure, followed by the conclusions drawn.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Thesis_Stathakopoulos.pdf5.49 MBAdobe PDFView/Open


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