عنوان

شناسایی هویت کاربر با استفاده از سیگنال‌های EEG مبتنی بر محرک‌های شنوایی

Number

پ۲۶۳۵۱

.Language of Text, Soundtrack etc

per

Title Proper

شناسایی هویت کاربر با استفاده از سیگنال‌های EEG مبتنی بر محرک‌های شنوایی

First Statement of Responsibility

حسین حسین نژاد

Name of Publisher, Distributor, etc.

مهندسی برق و کامپیوتر

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۸۹ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی گرايش بیوالکتریک

Date of degree

۱۴۰۰/۱۱/۱۷

Text of Note

در طول سال‌ها، بیومتریک برای رسیدگی به ویژگی‌های منحصربه‌فرد و قابل ‌شناسایی از انسان استفاده می‌شود. با توجه به قابلیت اطمینان آن فناوری بیومتریک به‌طور گسترده‌ای برای اهداف امنیتی استفاده ‌شده است. فناوری‌های بیومتریک موجود اغلب از دست، کف، چهره، چشم و امضا به‌عنوان رابط بین انسان و کامپیوتر برای شناسایی و تأیید هویت استفاده می‌کند.سیستم‌های بیومتریک موجود در معرض حملات مختلف امنیتی جعل هویت و غیره هستند؛ بنابراین یک سیستم بیومتریک قوی در برابر چنین خطرات امنیتی موردنیاز است. با پذیرفتن چنین مسائل چالش‌برانگیزی اخیراً کارهایی توسط دستگاه‌های بیومتریک مبتنی بر موج‌های مغزی با استفاده از سیگنال‌های الکتروانسفالوگرافی توسعه‌یافته است. برنامه‌های کاربردی متنوع رابط مغز و کامپیوتر با استفاده از سیگنال‌های الکتروانسفالوگرافی با موفقیت توسعه‌یافته است. علاوه بر این منحصربه‌فرد بودن، کم‌هزینه بودن، قابلیت حمل و دسترسی به سیگنال‌های الکتروانسفالوگرافی پتانسیل بالایی برای ترکیب این سیگنال‌ها برای توسعه‌ی سیستم‌های بیومتریک ارائه می‌دهد.محققان برای اندازه‌گیری الگوهای خاص مغز، از محرک‌های مختلف مانند فعالیت ذهنی، محرک‌های جنبشی خیالی و پدیده تحریک بصری استفاده می‌کنند.در این مطالعه از ژانرهای مختلف موسیقی به‌عنوان تحریک شنوایی استفاده شده است. به‌طور هم‌زمان با اعمال تحریک، سیگنال‌های الکتروانسفالوگرافی مغز ثبت شده است و می‌خواهیم از روی الگوهای خاص سیگنال‌های مغزی کاربر و حذف آرتیفکت‌های اضافی و همچنین استفاده از شبکه‌های عصبی پیچشی هویت فرد را تشخیص دهیم. در این مطالعه سعی شده است که با استفاده از محرک‌های شنوایی خاص و افزایش نسبت سیگنال به نویز و همچنین به کار بردن طبقه‌بندی‌های مناسب دقت تشخیص را بالا ببریم.در این پایان‌نامه با استفاده از طبقه بندی CNN-LSTM دقت 46/98 درصد بدست می آید. و نشان می‌دهد که روش پیشنهاد شده، درصد موفقیت بالاتری در سیستم شناسایی هویت نسبت به پژوهش‌های پیشین دارد.

Text of Note

Abstract: Over the years, biometrics have been used to address the unique and recognizable characteristics of humans. Due to its reliability, biometric technology has been widely used for security purposes. Existing biometric technologies often use hands, palms, faces, eyes and signatures as the interface between humans and computers for identification.Existing biometric systems are subject to various security attacks, forgery, etc ; Therefore, a strong biometric system is needed against such security risks. Acknowledging such challenging issues, work has recently been developed by brainwave-based biometric devices using electroencephalographic signals. A variety of brain-computer interface applications have been successfully developed using electroencephalographic signals. In addition, the uniqueness, low cost, portability, and accessibility of electroencephalographic signals offer great potential for combining these signals for the development of biometric systems.Researchers use a variety of stimuli to measure specific brain patterns, such as mental activity, imaginary kinetic stimuli, and the phenomenon of visual stimulation.In this study, different genres of music have been used as auditory stimulation. Simultaneously with the stimulation of electroencephalographic signals, the brain is recorded and we want to identify the individual from the specific patterns of the user's brain signals and the removal of additional artifacts, as well as the use of torsional neural networks. In this study, we have tried to increase the accuracy of detection by using special auditory stimuli and increasing the signal-to-noise ratio, as well as by applying appropriate classifications.In this dissertation, using CNN-LSTM classification, the accuracy is 98.46%. And shows that the proposed method has a higher success rate in the identification system than previous studies.

Variant Title

User authentication using EEG signals based on auditory stimuli

Entry Element

‏‏ حسین نژاد.

Part of Name Other than Entry Element

حسین

Relator Code

تهيه کننده

Entry Element

یوسفی رضایی.

Entry Element

گراوانچی زاده.

Entry Element

ماکویی.

Part of Name Other than Entry Element

‏ توحید

Part of Name Other than Entry Element

‏ مسعود

Part of Name Other than Entry Element

سمیه

Dates

استاد راهنما

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز