Sistema de identificação pessoal baseado em sinais de EEG

Abstract

O objectivo principal desta tese é desenvolver um sistema de identificação pessoal baseado em sinais EEG. Os sinais de EEG são adquiridos através de 22 eléctrodos colocados no escalpe (20 para EEG e 2 para EOG), enquanto o individuo for sujeito a estímulos visuais. A viabilidade deste sistema biométrico é testada com os dados de 16 indivíduos implementando vários métodos de classificação e processamento de sinal. No primeiro capitulo é feita uma introdução ao conceito de Identificação Biométrica e o potencial deste modelo para um futuro próximo. Neste capítulo são também indicados os objectivos da tese. No segundo capítulo são apresentados alguns dos conceitos teóricos, necessários para uma melhor compreensão do trabalho em questão. São também descritos alguns trabalhos relacionados que serviram de ponto de partida para o trabalho realizado. No terceiro capítulo, Realização Experimental, é exposto a metodologia seguida para se atingirem os resultados. São descritos todos os processos que levaram à obtenção dos valores apresentados no capitulo seguinte, desde a identificação das características individuais, até ás classificações. No quarto capítulo expuseram-se os resultados obtidos para os diferentes classificadores abordados, com e sem PCA e nas suas vertentes lineares e não lineares. Os classificadores usados foram o MVSVM (Majority Voting Support Vector Machine) e o OAASVM (One Against All Support Vector Machine). No quinto e último capitulo, apresentaram-se as conclusões onde, com base nos resultados, se concluiu que: a rejeição das épocas com artefactos melhora os resultados finais; que a PCA aplicada aos sinais EEG disponíveis contribui para o aumento do erro da classificação; os classificadores na sua vertente não linear são mais eficazes que os lineares; que o treino e teste dos classificadores devem ser feitos com dados provenientes de todas as experiências realizadas para obtenção dos PEVs; o número de épocas ideal para o teste de um classificador não linear fica algures entre o intervalo 20-35 épocas; e por fim, que o pós-processamento em geral, melhora os resultados. Para o melhor caso (usando o MVSVM não linear sem PCA) para uma classificação com 13 pessoas, obteve-se 15,67% de erro e após o pós-processamento, 5,10% de erro.

ABSTRACT: The main objective of this thesis is to develop a personal identification system based on EEG signals. EEG signals are acquired through 22 electrodes placed on the scalp (20 to 2 for EEG and EOG), while the individual is subject to visual stimuli. The feasibility of this biometric system is tested with data from 16 individuals, implementing several methods of classification and signal processing. The first chapter is an introduction to the concept of Biometric Identification and potential of this model for the near future. This chapter also indicates the objectives of the thesis. In the second chapter, is presented some theoretical concepts, which are the basis of this thesis, for a better understanding of the work in question. They also described some related works that served as a starting point for the work. In the third chapter, Experimental Procedure, is explained the methodology used to achieve the results. It is described all the processes that led to obtain the results, in the following chapter, from the identification of individual characteristics to the Classification. In the fourth chapter is exposed the results obtained for the various classifiers discussed: with and without PCA; and linear and non-linear. The classifiers used were the MVSVM (Majority Voting Support Vector Machine) and OAASVM (One Against All Support Vector Machine). In the fifth and final chapter (Conclusions), it was concluded that: the rejection of epochs with artefacts improves the final results; the PCA applied to the EEG signals available, contributes to the increase of the error in classification; classifiers in the nonlinear case are more effective than linear; the training and testing of the classifiers must be made with data from all carried out experiments to obtain the PEVs; the ideal number of times for testing a non-linear classifier is somewhere between the range 20-35 times; and finally that the post-processing in general, improves the results. For the best case (using the nonlinear MVSVM without PCA) for classification with 13 people, it was obtained 15.67% of error and after post-processing, an error of 5.10%.