چکیده مقاله
در سال های اخیر احراز هویت بیومتریک مبتنی بر سیگنال های الکتروانسفالوگرام EEG به دلیل غیرقابل جعل بودن و پایداری ویژگی های فیزیولوژیکی، مغز به عنوان روشی نوین و ایمن در سیستم های رابط مغز رایانه BCI مطرح شده است در این پژوهش یک روش مبتنی بر تحلیل همبستگی متعارف چند مجموعه ای Mset CCA برای طبقه بندی ویژگی های متمایز کننده ی EEG در تشخیص هویت افراد ارائه شده است در روش پیشنهادی از الگوریتم Mset CCA برای استخراج الگوهایی استفاده شد که در آنها نسبت سیگنال به نویز افزایش یافته و بخش های برانگیخته مرتبط با پاسخ های EEG برجسته می شوند این مولفه ها به عنوان ویژگی های پایدار و شاخص برای هر فرکانس تحریک در نظر گرفته شده است به منظور ارزیابی عملکرد، پایگاه داده benchmark شامل ۳۵ شرکت کننده مورد استفاده قرار گرفت عملکرد روش Mset CCA با روش های مرز دانش شامل استخراج ویژگی الگوی فضایی مشترک CSP همراه با دو طبقه بند ماشین بردار پشتیبان SVM و نزدیک ترین همسایه KNN مقایسه شد نتایج نشان داد که روش پیشنهادی Mset CCA نسبت به روش های SVM CSP و KNN CSP به ترتیب موجب بهبود حدود ۹ ۵ درصد و ۲۱ ۲ درصد در میانگین صحت بازشناسی شد این نتایج بیانگر توانایی موثر روش Mset CCA در افزایش کارآیی سیستم های احراز هویت مبتنی بر EEG است
کلیدواژهها
نویسندگان
مهلا احمدی
دانشجوی کارشناسی ارشد گروه آموزشی بیوتکنولوژی پردیس علوم فناوری های نوین دانشگاه سمنان، سمنان، ایران
علی مالکی
دانشیار، گروه مهندسی پزشکی دانشگاه سمنان، سمنان، ایران
شیوه ارجاع
�حمدی، مهلا و مالکی، علی،1404،احراز هویت بیومتریک در سیستم های BCI مبتنی بر SSVEP به روش Mset-CCA،هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع،اسفراین
ارائهشده در
مجموعه مقالات هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع19 آبان 1404 · اسفراین