عنوان

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

شماره

پ۲۵۲۴۲

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

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

نام نخستين پديدآور

علی سیفی‌‌زاده

نام ناشر، پخش کننده و غيره

مهندسی برق و کامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۸۶ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی پزشکی گرایش بیوالکتریک

زمان اعطا مدرک

۱۴۰۰/۰۶/۲۷

متن يادداشت

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.

متن يادداشت

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.

عنوان گونه گون

User Authentication Using EEG Signal for BCI Application

عنصر شناسه اي

‏سیفی‌‌زاده،

ساير عناصر نام

‏علی

کد نقش

تهيه کننده

عنصر شناسه اي

‏یوسفی رضائی،

عنصر شناسه اي

مشگینی،

ساير عناصر نام

‏توحید

ساير عناصر نام

‏ سعید

تاريخ

استاد راهنما

تاريخ

استاد مشاور