.png){kind=icon}
返回
Brainwave Biometrics: A Secure and Scalable Brain–Computer Interface-Based Authentication System
.png){kind=icon}
OA
AI
DOI：10.3390/ai6090205.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究介绍了一种利用脑机接口（BCI）技术的前景广阔的认证框架，旨在提升安全协议和用户体验。该方案的一个关键优势在于其依赖客观的生理信号——具体而言，脑电波模式——这些信号本身难以复制或伪造，从而为安全认证提供了坚实的基础。该认证系统按四个连续阶段开发并实施：信号采集、预处理、特征提取和分类。采用了客观的特征提取方法，包括费舍尔线性判别（FLD）和离散小波变换（DWT），以分离有意义的脑电波特征。随后使用先进的机器学习技术对这些特征进行分类，其中二次判别分析（QDA）和卷积神经网络（CNN）的准确率均超过99%。这些结果突显了所提出的基于BCI系统的有效性，并强调了客观、数据驱动方法在开发安全且用户友好的认证解决方案中的价值。为进一步解决易用性和效率问题，BCI通道数量被系统性地从64个减少到32个，再减少到16个，准确率分别为92.64%和80.18%。这种减少简化了认证过程，表明即使使用简化的硬件，客观方法仍能保持高性能，并指向未来实际应用的方向。此外，我们使用自定义数据集开发了一个实时应用程序，采用CNN模型达到了99.75%的准确率。
Keyword:
BCI
authentication
brainwave patterns
machine learning
feature extraction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
5
论文数:
1.1K
被引数:
941
机构
引用论文
EEG-Based Identity Authentication Framework Using Face Rapid Serial Visual Presentation with Optimized Channels.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Application of a brain-computer interface for person authentication using EEG responses to photo stimuli基于对光刺激的EEG响应，应用脑机接口进行人员身份验证OAAI
OAAI分享收藏EEG authentication based on deep learning of triplet loss崔, J.; 苏, L.; 魏R.; 李, G.; 胡, H.; 党, X. 基于深度学习和三元组损失函数的EEG认证. Neural Netw. World 2022, 32, 269–283. [Google Scholar] [CrossRef]
PREAI
分享收藏Selection of the Minimum Number of EEG Sensors to Guarantee Biometric Identification of IndividualsSENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
Electroencephalographic feature evaluation for improving personal authentication performanceNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容