Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/5284
Title: Aplicação de deep learning para biometria baseada em EEG no modo de identificação.
Authors: Freitas, Carlos Gabriel de
metadata.dc.contributor.advisor: Silva, Pedro Henrique Lopes
metadata.dc.contributor.referee: Silva, Pedro Henrique Lopes
Luz, Eduardo José da Silva
Queiroz, Rafael Alves Bonfim de
Keywords: Biometria
Identificação
Aprendizagem em profundidade
Issue Date: 2023
Citation: FREITAS, Carlos Gabriel de. Aplicação de deep learning para biometria baseada em EEG no modo de identificação. 2023. 42 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
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.
metadata.dc.description.abstracten: With the advancement of biometrics and the necessity of more robust security systems, other types of human characteristics other than the most used were taken in consideration on the development of biometric systems. One of these characteristics is the electroencephalogram (brain signals). This work evaluates different neural network architectures on the biometric identification scenery: Convolutional Neural Network (CNN), usage of contiguous Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) blocks, and a fusion between CNN and LSTM. A result of 99,81% of accuracy were attained when using causal padding on the convolution layers of the model that fuses CNN and LSTM architectures, a 12-second window size and composing the training data with seven different tasks, done by the 109 individuals present in the EEG Motor Movement/Imagery Dataset database from PhysioNet.
URI: http://www.monografias.ufop.br/handle/35400000/5284
Appears in Collections:Ciência da Computação

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_AplicaçãoDeepLearning.pdf1,25 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons