[논문 리뷰] Functional Connectivity Methods for EEG-based Biometrics on a Large, Heterogeneous Dataset

Pradeep G. Kumar, Utsav Dutta외 2명|arXiv (Cornell University)|2022. 06. 03.

EEG and Brain-Computer Interfaces인용 수 4

한 줄 요약

이 연구는 기능적 연결성(FC) 기반의 뇌전도(EEG) 생체인식 시스템을 제안하며, 감마 대역(30–45 Hz)에서 위상일치값(PLV)을 사용하고, 서포트 벡터 머신(SVM) 분류기를 적용한다. 3개의 다른 EEG 시스템과 프로토콜을 사용한 이질적인 데이터셋(184명의 피실험자)에서, 56개 채널을 사용할 경우 97.4%의 신원 확인 정확도를 달성하였으며, 채널 수를 21개로 줄였을 때도 정확도가 2.4% 밖에 감소하지 않아, 다양한 기록 조건에서도 높은 강건성과 분류 능력을 입증한다.

ABSTRACT

This study examines the utility of functional connectivity (FC) and graph-based (GB) measures with a support vector machine classifier for use in electroencephalogram (EEG) based biometrics. Although FC-based features have been used in biometric applications, studies assessing the identification algorithms on heterogeneous and large datasets are scarce. This work investigates the performance of FC and GB metrics on a dataset of 184 subjects formed by pooling three datasets recorded under different protocols and acquisition systems. The results demonstrate the higher discriminatory power of FC than GB metrics. The identification accuracy increases with higher frequency EEG bands, indicating the enhanced uniqueness of the neural signatures in beta and gamma bands. Using all the 56 EEG channels common to the three databases, the best identification accuracy of 97.4% is obtained using phase-locking value (PLV) based measures extracted from the gamma frequency band. Further, we investigate the effect of the length of the analysis epoch to determine the data acquisition time required to obtain satisfactory identification accuracy. When the number of channels is reduced to 21 from 56, there is a marginal reduction of 2.4% only in the identification accuracy using PLV features in the gamma band. Additional experiments have been conducted to study the effect of the cognitive state of the subject and mismatched train/test conditions on the performance of the system.

연구 동기 및 목표

• 대규모 이질적 데이터셋에서 기능적 연결성(FC) 및 그래프 기반(GB) 지표의 EEG 기반 생체인식 성능을 평가하기 위해.
• 특히 고주파 대역인 베타 및 감마 대역에 초점을 맞춰, EEG 주파수 대역이 신원 확인 정확도에 미치는 영향을 평가하기 위해.
• 에포크 길이 및 EEG 채널 수가 시스템 성능에 미치는 영향을 조사하기 위해.
• 불일치하는 학습/테스트 조건과 다양한 인지 상태 하에서의 시스템 강건성을 검토하기 위해.
• 전통적인 단변량 특징(예: AR 계수 및 파wer 스펙트럼 밀도)과 비교하여 FC 기반 특징이 생체인식 작업에서 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 모든 EEG 전극 쌍 간에 기능적 연결성(FC) 지표로 위상일치값(PLV), 진폭 에너지 상관관계, 가중치가 부여된 위상 지연 인덱스를 계산하였다.
• 기능적 연결성 특징 벡터를 기반으로 피험자 식별을 수행하기 위해, 반경기저함수(RBF) 커널을 사용한 서포트 벡터 머신(SVM) 분류기를 사용하였다.
• 다른 수집 시스템과 프로토콜을 사용해 기록된 3개의 서로 다른 데이터셋에서 유래한 총 184명의 피실험자 EEG 데이터를 융합하여 분석하였다.
• 데이터 수집 시간 요구사항을 평가하기 위해, 다양한 길이(1초에서 10초까지)의 분할 에포크를 대상으로 특징 추출을 수행하였다.
• 스케일러빌리티와 실용적 구현 가능성을 평가하기 위해 채널 수를 56개에서 21개로 체계적으로 감소시켰다.
• 실제 구현 환경에서의 강건성을 평가하기 위해, 인지 상태 변화와 불일치하는 학습/테스트 조건을 시뮬레이션하였다.

실험 결과

연구 질문

• RQ1 이질적 데이터셋에서 기능적 연결성 지표는 그래프 기반 지표보다 EEG 기반 생체인식 성능에 더 우수한가?
• RQ2 기능적 연결성 기반 특징을 사용할 때, 어떤 EEG 주파수 대역(델타, 테타, 알파, 베타, 감마)에서 가장 높은 신원 확인 정확도를 달성하는가?
• RQ3 최소한의 데이터 수집 시간으로 높은 신원 확인 정확도를 달성하기 위한 최적의 에포크 길이는 얼마인가?
• RQ4 EEG 채널 수를 줄일 경우, 특히 실용적 구현 환경에서 신원 확인 성능에 어떤 영향을 미치는가?
• RQ5 불일치하는 학습 및 테스트 조건, 인지 상태 변화 및 기록 프로토콜의 변화가 있을 경우, FC 기반 생체인식 시스템의 강건성은 어떠한가?

주요 결과

• 감마 대역(30–45 Hz)에서의 위상일치값(PLV)은 56개의 공통 EEG 채널을 모두 사용할 경우 97.4%의 최고 정확도를 기록하였다.
• 고주파 대역으로 갈수록 정확도가 향상되었으며, 감마 및 베타 대역에서 저주파 대역보다 뛰어난 분류 능력을 보였다.
• 채널 수를 56개에서 21개로 줄였을 때 정확도 감소 폭이 2.4%에 그쳐(97.4%에서 95.0%로), 강력한 확장성과 실용적 타당성을 입증하였다.
• 불일치하는 학습/테스트 조건과 다양한 인지 상태 하에서도 높은 성능 유지를 유지하여, 다양한 기록 환경에서의 강건성을 입증하였다.
• 기능적 연결성 기반 특징이 전통적인 단변량 특징(예: AR 계수 및 파워 스펙트럼 밀도)보다 높은 정확도를 기록하였다.
• 유사한 데이터셋에서 최신 기술인 딥러닝 모델(GSLT-CNN)과 비교했을 때 결과는 유사하거나 우수하였으며, 원시 EEG 데이터에서 96.3%의 정확도를 달성하였다.