利用子空间技术证明 EEG 中存在任务无关的个性化特征
信号处理
2021-03-29 v4 机器学习
摘要
脑电图（EEG）信号因可防欺骗而有望作为其他生物识别方式的替代。以往研究侧重于通过分析特定任务/条件下的 EEG 来捕捉个体变异性。本工作试图通过归一化相关方差来建模独立于任务/条件的生物识别特征。为此，本文扩展了基于子空间的无文本相关说话人识别的思想，并提出了用于建模多通道 EEG 数据的新颖改进。所提出的技术假设生物识别信息存在于整个 EEG 信号中，并在高维空间中跨时间累积统计量。这些高维统计量随后被投影到保留了生物识别信息的低维空间。所提方法获得的低维嵌入被证明是任务无关的。最佳子空间系统在分别包含 30 和 920 名受试者的数据集上，仅使用九个 EEG 通道便以 86.4% 和 35.9% 的准确率识别个体。本文还深入分析了子空间模型对训练中未见过任务与个体的可扩展性，以及子空间建模所需通道数。
引用
@article{arxiv.2007.13517,
title = {Evidence of Task-Independent Person-Specific Signatures in EEG using Subspace Techniques},
author = {Mari Ganesh Kumar and Shrikanth Narayanan and Mriganka Sur and Hema A Murthy},
journal= {arXiv preprint arXiv:2007.13517},
year = {2021}
}
备注
\copyright 2021 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works