تحليل و مقايسه روش هاي نوين تشخيص هويت به كمك امواج مغزي در شرايط يكسان و در حالات ذهني متفاوت

Analysis and evaluation of new identification methods considering brain waves in the same conditions but different mental states

امروزه سيگنال‌هاي مغزي به دليل دشواري جعل و سرقت، مي‌توانند با اطمينان به‌عنوان يك شناسه بيومتريك قوي براي تشخيص هويت افراد استفاده شوند. اين پژوهش به بررسي، مقايسه و تحليل نتايج جديدترين روش‌هاي موجود در زمينه تشخيص هويت به كمك امواج مغزي پرداخته است. همچنين در اين مقاله به اين سوال كه آيا ايجاد روش‌هاي تركيبي جديد با استفاده از اجزاي روش-هاي موجود مي‌تواند منجر به نتايج بهتري براي شناسايي افراد بشود يا خير، پاسخ داده شده است. بطور خلاصه، استفاده از پايگاه داده يكسان و همچنين بررسي حالت‌هاي مختلف فعاليت ذهني هنگام ثبت سيگنال و نيز ايجاد تركيبات مختلف واحدهاي سازنده روش‌هاي موجود، باعث ايجاد يك مقايسه همه جانبه و اصولي بين الگوريتم‌هاي موجود و شناسايي نقاط قوت و ضعف آن‌ها شده است. نتايج نشان مي‌دهد كه هيچ يك از روش‌هاي تركيبي منجر به نتايج قابل قبولي نشده و خطاي طبقه بندي بسيار زيادي داشته اند. همچنين مشخص شد كه استفاده از سيگنال خام، در ورودي شبكه عصبي CNN نتايج بهتري نسبت به ورودي ويژگي خواهد داشت. از طرفي تغيير حالت ورودي در هنگام ثبت سيگنال از كاربر بر عملكرد طبقه بند SVM و شبكه عصبي CNN تأثيرگذار است در حالي كه تغيير حالت ورودي بر روي طبقه بند RF تأثير بسزايي نخواهد داشت.

Today, brain signals can be confidently used as a strong biometric identifier to identify individuals due to the difficulty of forgery and theft. This study examines, compares and analyzes the results of the latest methods in the field of identification using brain waves. This article also answers the question of whether the development of new hybrid methods using components of existing methods can lead to better results for identifying individuals. In summary, the use of the same database, as well as the study of different states of mental activity when recording signals, as well as the creation of different combinations of units of existing methods, creates a comprehensive and principled comparison between existing algorithms and identifies strengths and They have become weak. The results show that none of the combined methods led to acceptable results and had a large classification error. It was also found that using the raw signal at CNN neural network input would have better results than feature input. On the other hand, changing the input mode when recording a signal from the user affects the performance of the SVM classifier and CNN neural network, while changing the input mode will not have a significant effect on the RF classifier.