عنوان

احراز هویت کاربر با استفاده از سیگنال الکتروانسفالوگرام به‌‌منظور کاربرد در رابط مغز و رایانه

Number

پ۲۵۲۴۲

.Language of Text, Soundtrack etc

per

Title Proper

احراز هویت کاربر با استفاده از سیگنال الکتروانسفالوگرام به‌‌منظور کاربرد در رابط مغز و رایانه

First Statement of Responsibility

علی سیفی‌‌زاده

Name of Publisher, Distributor, etc.

مهندسی برق و کامپیوتر

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۸۶ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی گرایش بیوالکتریک

Date of degree

۱۴۰۰/۰۶/۲۷

Text of Note

چکیدهسیگنال‌‌های EEG به‌‌صورت گسترده در کاربردهای پزشکی مورد استفاده قرار می‌‌گیرند و استفاده از سیگنال EEG به‌‌عنوان یک ویژگی احراز هویت در سیستم‌‌های BCI، در سال‌‌های اخیر مورد توجه قرار گرفته است. در این پایان‌‌نامه یک چارچوب یادگیری عمیق برای شناسایی افراد مختلف بر اساس سیگنال EEG آن‌‌ها ارائه می‌‌شود. شبکه پیشنهادی یک شبکه عصبی کانولوشنی است. ابتدا با استفاده از تبدیل موجک، سیگنال‌‌های یک‌‌بعدی به تصاویر دوبعدی تبدیل می‌‌شوند و سپس این تصاویر به‌‌عنوان ورودی شبکه مورد استفاده قرار می‌‌گیرند. شبکه عصبی کانولوشنی مورد استفاده نیز یک شبکه ResNet است. در شبکه پیشنهادی اطلاعات فرکانسی زمانی سیگنال‌‌ها استخراج می‌‌شوند و نیز چون از شبکه پسماند استفاده شده است، ارتباطات بین زمان‌‌های مختلف سیگنال EEG نیز مورد توجه قرار می‌‌گیرد که این پویایی در شبکه‌‌های دیگر در نظر گرفته نمی‌‌شود. این ویژگی‌‌ها دارای اطلاعات تفکیک‌‌کننده کافی برای شناسایی افراد است. دقت طبقه‌‌بندی متوسط حاصل از این مطالعه برای داده آموزشی برابر 90/99 درصد، برای داده اعتبارسنجی برابر 75/99 درصد و برای داده آزمون برابر 73/99 درصد حاصل شده است. همچنین نتایج نشان از پایداری آموزش دارد یعنی در تکرارهای مختلف این مقادیر اختلاف کمی با مقادیر آموزش‌‌های قبلی دارند. بررسی‌‌ها نشان می‌‌دهند که روش ارائه‌‌شده نسبت به روش‌‌های موجود دارای عملکرد بسیار بهتری است.

Text of Note

Abstract:EEG signals are widely used in medical applications and the use of EEG signal as a biometric feature of authentication in BCI systems has been considered in recent years. This thesis presents a deep learning framework for identifying different people based on their EEG signals. The proposed network is a convolutional neural network. First, using wavelet transform, one-dimensional signals are converted to two-dimensional images, and then these images are used as network inputs. The convolutional neural network used is a ResNet network. In the proposed network, the time-frequency information of the signals is extracted, and because the residual network is used, the intractions between the different times of the EEG signal are also considered, which is not considered in other networks. These features have discriminative information sufficient to identify individuals. The average classification accuracy of this study is 99.90% for train data, 99.75% for validation data and 99.73% for test data. The results also show the stability of training. In other words, multiple training repeatitions result in very close outcome. Studies show that the proposed method has a much better performance than existing methods.

Variant Title

User Authentication Using EEG Signal for BCI Application

Entry Element

‏سیفی‌‌زاده،

Part of Name Other than Entry Element

‏علی

Relator Code

تهيه کننده

Entry Element

‏یوسفی رضائی،

Entry Element

مشگینی،

Part of Name Other than Entry Element

‏توحید

Part of Name Other than Entry Element

‏ سعید

Dates

استاد راهنما

Dates

استاد مشاور