基于大规模异质数据集的EEG生物特征识别中的功能连接方法
信号处理
2022-06-06 v1 机器学习
摘要
本研究考察了功能连接(FC)和基于图(GB)的度量结合支持向量机分类器在基于脑电图(EEG)的生物特征识别中的效用。尽管基于FC的特征已用于生物特征应用，但在异质大规模数据集上评估识别算法的研究很少。本工作研究了由三个在不同协议和采集系统下记录的数据集合并形成的184名受试者数据集上FC和GB度量的性能。结果表明FC比GB度量具有更高的判别力。识别准确率随EEG高频段增加而提高，表明beta和gamma频带中神经签名的独特性增强。使用三个数据库共有的全部56个EEG通道，基于gamma频带提取的锁相值(PLV)度量获得了97.4%的最佳识别准确率。此外，我们研究了分析时段长度的影响，以确定获得满意识别准确率所需的数据采集时间。当通道数从56减少到21时，使用gamma频带PLV特征的识别准确率仅边际下降2.4%。还进行了额外实验以研究受试者的认知状态以及训练/测试条件不匹配对系统性能的影响。
引用
@article{arxiv.2206.01475,
title = {Functional Connectivity Methods for EEG-based Biometrics on a Large, Heterogeneous Dataset},
author = {Pradeep Kumar G and Utsav Dutta and Kanishka Sharma and Ramakrishnan Angarai Ganesan},
journal= {arXiv preprint arXiv:2206.01475},
year = {2022}
}
备注
11 pages, 5 figures and 7 Tables