Elektroensefalogram tabanlı biyometrik kimliklendirme sistemlerinde veri tipinin, frekanslarin ve kanal bölgelerinin etkilerinin incelenmesi
Evaluation of the effects of data types, frequencies and channel regions on electroencephalogram based biometric identification systems
- Tez No: 953607
- Danışmanlar: DOÇ. DR. NİHAN KAHRAMAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Bilim Dalı
- Sayfa Sayısı: 93
Özet
Elektroensefalogram (EEG) tabanlı biyometrik tanıma sistemleri, özellikle biyometrik güvenlik alanındaki potansiyel uygulamaları nedeniyle son yıllarda büyük ilgi görmektedir. Bu çalışma, EEG verileri kullanılarak gerçekleştirilen kişi tanıma sistemlerinde kanal seçimi, frekans bantları ve veri durumları gibi çeşitli faktörlerin kişi tanıma başarısı üzerindeki etkisini incelemektedir. Çalışma kapsamında, 20 katılımcıdan 1487 saniyelik EEG kaydı alınmıştır ve bu kayıtlar analiz edilmiştir. Tek oturumda toplanan bu veri seti, duygusal değişim, dinlenme hali, görsel uyarılmış potansiyel ve motor aktivite görevleri gibi farklı durumları içermektedir. Duygusal ve duygusal olmayan durumlarda toplanan verilerin bir arada bulunduğu hibrit veri kümesinin kullanılması, literatürde daha önce ele alınan yaklaşımların ötesine geçen yenilikçi bir yaklaşım olmakla beraber, duygusal dalgalanmalara ve duygusal olmayan koşulların oluşturduğu zorluklara karşı dirençli bir kişi tanıma sistemi sunmaktadır. Ayrıca, çalışma kapsamında geliştirilen karşılaştırmalı analiz, duygusal ve duygusal olmayan verinin, alfa, beta ve gamma frekans bantlarının ve frontal, merkezi ve oksipital beyin bölgelerinin biyometrik sistem üzerindeki etkilerini değerlendirmeye olanak tanımaktadır. Önerilen modelin kullanımıyla elde edilen kişi tanıma sonuçları, duygusal veri seti için %95.34, duygusal olmayan veri seti için %84.86 ve hibrit veri seti için %93.92 doğruluk oranına ulaşmaktadır. Özellikle, duygusal veri seti, tüm EEG frekans bantları ve beyin bölgelerinde daha yüksek sınıflandırma başarısı göstererek, duygusal olmayan verilere kıyasla biyometrik tanıma sistemlerinde daha güçlü bir performans sergilemiştir. Bu çalışma, EEG tabanlı biyometrik sistemlerin doğruluğunu artırmak amacıyla farklı veri türlerinin, kanal seçimlerinin ve frekans bileşenlerinin nasıl etkili bir şekilde kullanılabileceğine dair önemli bulgular sunmaktadır.
Özet (Çeviri)
Electroencephalogram (EEG)-based biometric identification systems have attracted considerable interest in recent years, especially for their potential use in biometric security. This study explores how different factors such as channel selection, frequency bands, and data conditions affect the accuracy of EEG-based person recognition systems. As part of the study, EEG recordings totaling 1487 seconds were collected from 20 participants and subsequently analyzed. This dataset, gathered in a single session, includes different conditions such as emotional fluctuations, resting state, visually evoked potentials, and motor activity tasks. The use of a hybrid dataset that combines data from both affective and non-affective conditions presents an innovative approach that goes beyond previously explored methods in the literature. This approach offers a robust person recognition system, resilient to both emotional variations and challenges posed by non-affective conditions. Additionally, the comparative analysis conducted in this study evaluates the effects of affective and non-affective data, alpha, beta, and gamma frequency bands, as well as different brain regions (frontal, central, and occipital) on biometric system performance. The proposed model achieves recognition accuracies of 95.34% for the affective dataset, 84.86% for the non-affective dataset, and 93.92% for the hybrid dataset. The affective dataset exhibited superior classification accuracy across all EEG frequency bands and brain regions, outperforming non-affective data in biometric recognition. This study offers important insights into improving EEG-based biometric systems by efficiently leveraging various data types, channel selections, and frequency components to enhance recognition accuracy.
Benzer Tezler
- Fast EEG based biometrics via mean curve length
Ortalama eğri uzunluğu kullanılarak gerçekleştirilen hızlı EEG tabanlı biyometri
REZA YAHYAEI
Yüksek Lisans
İngilizce
2022
BiyoteknolojiOrta Doğu Teknik ÜniversitesiTıp Bilişimi Ana Bilim Dalı
Prof. Dr. TOLGA ESAT ÖZKURT
- Development of classification methods for electroencephalogram based brain computer interfaces
Elektroensefalogram tabanlı beyin bilgisayar arayüzleri için sınıflama yöntemlerinin geliştirilmesi
ZAFER İŞCAN
Doktora
İngilizce
2012
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY DOKUR
- An HMM-PCA approach for EEG-based brain computer interfaces (BCIs)
EEG tabanlı beyin bilgisayar arayuzleri için HMM-PCA Yaklaşmı
ALİ ÖZGÜR ARGUNŞAH
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiElektronik Mühendisliği ve Bilgisayar Bilimi Ana Bilim Dalı
YRD. DOÇ. DR. BARAN ÇÜRÜKLÜ
YRD. DOÇ. DR. MÜJDAT ÇETİN
- Design of a brain computer interface (BCI) system based on electroencephalogram (EEG)
Elektroensefalogram (EEG) tabanlı bir beyin bilgisayar arayüz sistemi tasarımı
OZAN GÜNAYDIN
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMED ÖZKAN
- Durağan hal görsel uyaran tabanlı beyin bilgisayar arayüzü için optimum uyaran özelliklerinin belirlenmesi ve gerçeklenmesi
Determination of feature of optimum stimulus and design for SSVEP based brain computer interface
ZEKİ ORALHAN
Doktora
Türkçe
2016
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHMUT TOKMAKÇI