Use este identificador para citar ou linkar para este item:
http://www.monografias.ufop.br/handle/35400000/5284| Título: | Aplicação de deep learning para biometria baseada em EEG no modo de identificação. |
| Autor(es): | Freitas, Carlos Gabriel de |
| Orientador(es): | Silva, Pedro Henrique Lopes |
| Membros da banca: | Silva, Pedro Henrique Lopes Luz, Eduardo José da Silva Queiroz, Rafael Alves Bonfim de |
| Palavras-chave: | Biometria Identificação Aprendizagem em profundidade |
| Data do documento: | 2023 |
| Referência: | 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. |
| Resumo: | 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. |
| Resumo em outra língua: | 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 |
| Aparece nas coleções: | Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| MONOGRAFIA_AplicaçãoDeepLearning.pdf | 1,25 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons
