Aplicação de deep learning para biometria baseada em EEG no modo de identificação.

Abstract

Com o avanço da biometria e a necessidade de sistemas de segurança mais robustos, outros tipos de características humanas além das mais utilizadas foram levadas em consideração no desenvolvimento de sistemas biométricos. Uma destas características é o eletroencefalograma (sinais cerebrais). Este trabalho então avalia diferentes arquiteturas de redes neurais no cenário de identificação biométrica: Convolutional Neural Network (CNN), utilização de blocos contíguos de Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU), e fusionamento entre CNN e LSTM. Um resultado de 99,81% de acurácia foi atingido ao utilizar padding causal nas camadas de convolução do modelo que funde as arquiteturas CNN e LSTM, um tamanho de janela de 12 segundos e ao compor os dados de treinamento com sete tarefas diferentes, realizadas pelos 109 indivíduos presentes na base de dados EEG Motor Movement/Imagery Dataset da PhysioNet.