[论文解读] Functional Connectivity Methods for EEG-based Biometrics on a Large, Heterogeneous Dataset

Pradeep G. Kumar, Utsav Dutta+2 more|arXiv (Cornell University)|Jun 3, 2022

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本研究提出一种基于功能连接（FC）的EEG生物识别系统，采用伽马频段（30–45 Hz）的相位锁定值（PLV）作为特征，并使用支持向量机（SVM）分类器。在包含184名受试者、三种不同EEG系统与协议的异质数据集上，该方法在使用56个通道时实现了97.4%的识别准确率，当通道数减少至21个时仅下降2.4%，表明该方法在不同记录条件下具有优异的鲁棒性与强大的区分能力。

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.

研究动机与目标

• 评估功能连接（FC）与图基（GB）度量在大规模异质数据集上的EEG生物识别性能。
• 评估EEG频段对识别准确率的影响，特别关注高频频段（如β和γ频段）。
• 研究时段长度与EEG通道数量对系统性能的影响。
• 在训练/测试条件不匹配及认知状态变化的情况下，检验系统的鲁棒性。
• 比较基于FC的特征与传统单变量特征（如AR系数和功率谱密度）在生物识别任务中的表现。

提出的方法

• 计算所有EEG电极对之间的功能连接（FC）度量，包括相位锁定值（PLV）、振幅包络相关性以及加权相位滞后指数。
• 采用具有径向基函数（RBF）核的支持向量机（SVM）分类器，对FC特征向量进行受试者识别。
• 将来自三个不同数据集（使用不同采集系统与协议）的184名受试者的EEG数据合并用于分析。
• 对不同长度的分段时段（1秒至10秒）进行特征提取，以评估数据采集时间需求。
• 系统性地将通道数从56个减少至21个，以评估可扩展性与实际部署可行性。
• 通过模拟认知状态变化与训练/测试条件不匹配，评估系统在真实部署场景中的鲁棒性。

实验结果

研究问题

• RQ1 在异质数据集上，功能连接度量与图基度量在EEG生物识别中的表现如何比较？
• RQ2 使用基于FC的特征时，哪个EEG频段（δ、θ、α、β、γ）能实现最高的识别准确率？
• RQ3 实现高识别准确率且最小化数据采集时间的最优时段长度是多少？
• RQ4 减少EEG通道数量对识别性能有何影响，特别是在实际部署场景中？
• RQ5 在训练与测试条件不匹配的情况下（包括认知状态与记录协议的变化），基于FC的生物识别系统有多鲁棒？

主要发现

• 在伽马频段（30–45 Hz）的相位锁定值（PLV）使用全部56个常用EEG通道时，实现了最高的识别准确率97.4%。
• 识别准确率随频段升高而提升，其中伽马频段与β频段相比低频段表现出更优的区分能力。
• 将通道数从56个减少至21个仅导致准确率下降2.4%（从97.4%降至95.0%），表明系统具有出色的可扩展性与实际可行性。
• 在训练/测试条件不匹配及认知状态变化下，系统仍保持高性能，证明其在多样化记录环境中的鲁棒性。
• 基于功能连接的特征在识别准确率上优于传统单变量特征（如AR系数与功率谱密度）。
• 结果与同类数据集上的最先进方法相当或更优，包括深度学习模型GSLT-CNN，后者在原始EEG数据上实现了96.3%的准确率。