Resumen

Como característica biométrica, las señales de electroencefalografía (EEG) tienen la ventaja de ser difíciles de robar y fáciles de detectar, lo que atrae a los investigadores a estudiar la técnica de identificación personal basada en EEG. Entre los distintos protocolos de EEG, las señales de estado de reposo son la opción más práctica, ya que su funcionamiento es más cómodo que el de los demás protocolos. En este trabajo se propone un sistema de identificación personal basado en el EEG en estado de reposo, en el que se combinan el aumento de datos y la red neuronal convolucional. La validación cruzada se realiza sobre una base de datos pública de 109 sujetos. Los resultados experimentales muestran que cuando se emplean sólo 14 canales de EEG y datos de 0,5 segundos, la precisión media y la tasa media de errores iguales del sistema pueden alcanzar el 99,32 y el 0,18%, respectivamente. En comparación con algunos trabajos representativos existentes, el sistema propuesto tiene las ventajas de un corto tiempo de adquisición, una baja complejidad computacional y un rápido despliegue utilizando sensores de EEG de bajo coste disponibles en el mercado, lo que supone un avance en la implementación de sistemas prácticos de identificación basados en EEG.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neuronal convolucional, sistema de identificación basado en, tiempo de adquisición corto, técnicas de identificación personal, baja complejidad computacional, protocolo de eeg diferente, tasa de error igual, sistema de identificación personal, base de datos pública, eeg práctico
• Keywords:convolutional neural network, based identification system, short acquisition time, personal identification techniques, low computational complexity, different eeg protocol, equal error rate, personal identification system, public database, practical eeg