Metodología para la identificación biométrica a partir de señales EEG en múltiples estados emocionales

• Carolina Duque-Mejía ^[1] ; Andrés Castro ^[1] ; Eduardo Duque ^[2] ; Leonardo Serna-Guarín ^[1] ; Leandro L. Lorente-Leyva ^[3] ; Diego Peluffo-Ordóñez ^[4] ; Miguel A. Becerra ^[2]
  1. [1] Instituto Tecnológico Metropolitano

     Instituto Tecnológico Metropolitano

     Colombia

     
  2. [2] nstitución Universitaria Pascual Bravo, Colombia
  3. [3] Faculty of Law, Administrative and Social Sciences, Universidad UTE, Quito, Ecuador
  4. [4] College of Computing, Mohammed VI Polytechnic University, Mo rocco

  Mostrar afiliaciones +
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 62, 2023, págs. 281-288
• Idioma: español
• Títulos paralelos:
  • Methodology for biometric identification based on EEG signals in multiple emotional states
• Enlaces
  • Texto completo (pdf)
• Resumen
  • English

    Biometric identification is in constant development as well as the systems that violate it, so it is an open field of research that requires new analysis and application of techniques to identify its vulnerabilities and improve its reliability levels. In this work we propose a biometric identification system based on EEG signals in multiple emotional states considering that the underlying dynamics of EEG signals vary according to the emotional state, which may affect the accuracy of classification models. The study was conducted using the SEED database which has been widely applied in the study of emotions. The signals were preprocessed, then a feature extraction process was performed and finally 5 different classification models were built achieving an accuracy of 94% with the model based on the random forest classification algorithm.

  • português

    La identificación biométrica está en constante desarrollo al igual que los sistemas que la vulneran, por lo que es un campo abierto de investigación que requiere nuevos análisis y aplicación de técnicas que permitan identificar sus vulnerabilidades y mejorar sus niveles de confiabilidad. En este trabajo se propone un sistema de identificación biométrica basado en señales EEG en múltiples estados emocionales considerando que la dinámica subyacente de las señales EEG varían de acuerdo con el estado emocional, lo que puede afectar la precisión en los modelos de clasificación. El estudio fue llevado a cabo usando la base de datos SEED la cual ha sido ampliamente aplicada en el estudio de emociones. Las señales fueron preprocesadas, luego se realizó un proceso de extracción de características y finalmente se construyeron 5 diferentes modelos de clasificación logrando una exactitud del 94% con el modelo basado en el algoritmo de clasificación de bosques aleatorios.

• Referencias bibliográficas
  • Abdi Alkareem Alyasseri, Z., Alomari, O. A., Al-Betar, M. A., Awadallah, M. A., Hameed Abdulkareem, K., Abed Mohammed, M., Kadry, S., Rajinikanth,...
  • Alyasseri, Z. A. A., Alomari, O. A., Makhadmeh, S. N., Mirjalili, S., Al-Betar, M. A., Abdullah, S., Ali, N. S., Papa, J. P., Rodrigues, D.,...
  • Becerra, M. A., Londoño-Delgado, E., Pelaez-Becerra, S. M., Castro-Ospina, A. E., MejiaArboleda, C., Durango, J., & Peluffo-Ordóñez, D....
  • Cortes, C., & Vapnik, V. (1995). Support-Vector Networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1023/A:1022627411411
  • Galvão, F., Alarcão, S. M., & Fonseca, M. J. (2021). Predicting Exact Valence and Arousal Values from EEG. Sensors, 21(10), 3414. https://doi.org/10.3390/s21103414
  • Gislason, P. O., Benediktsson, J. A., & Sveinsson, J. R. (2006). Random forests for land cover classification. Pattern Recognition Letters,...
  • Hendrawan, M. A., Saputra, P. Y., & Rahmad, C. (2021). Identification of optimum segment in single channel EEG biometric system. Indonesian...
  • Jung, H., Sim, S., & Lee, H. (2023). Biometric authentication security enhancement under quantum dot light-emitting diode display via...
  • Kumar, A., & Kumar, A. (2021). DEEPHER: Human Emotion Recognition Using an EEG-Based DEEP Learning Network Model. The 8th International...
  • Liu, W., Zheng, W.-L., Li, Z., Wu, S.-Y., Gan, L., & Lu, B.-L. (2022). Identifying similarities and differences in emotion recognition...
  • Londoño-Delgado, E., Becerra, M. A., Duque-Mejía, C. M., Zapata, J. C., Mejía-Arboleda, C., Castro-Ospina, A. E., & Peluffo-Ordóñez, D....
  • Rojas, O. Valenzuela, F. Rojas, & F. Ortuño (Eds.), Bioinformatics and Biomedical Engineering (pp. 363–373). Springer International Publishing.
  • Mitchell, A. R. J., Ahlert, D., Brown, C., Birge, M., & Gibbs, A. (2023). Electrocardiogrambased biometrics for user identification –...
  • Moreno-Revelo, M., Ortega-Adarme, M., Peluffo-Ordoñez, D. H., Alvarez-Uribe, K. C., & Becerra, M. A. (2017). Comparison among physiological...
  • Oikonomou, V. P. (2023). Human Recognition Using Deep Neural Networks and Spatial Patterns of SSVEP Signals. Sensors, 23(5), 2425. https://doi.org/10.3390/s23052425
  • Pleva, M., Korecko, S., Hladek, D., Bours, P., Skudal, M. H., & Liao, Y.-F. (2022). Biometric User Identification by Forearm EMG Analysis....
  • Radwan, S. H., El-Telbany, M., Arafa, W., & Ali, R. A. (2022). Deep Learning Approaches for Personal Identification Based on EGG Signals...
  • Rahman, A., Chowdhury, M. E. H., Khandakar, A., Tahir, A. M., Ibtehaz, N., Hossain, M. S., Kiranyaz, S., Malik, J., Monawwar, H., & Kadir,...
  • Sakalle, A., Tomar, P., Bhardwaj, H., Acharya, D., & Bhardwaj, A. (2021). A LSTM based deep learning network for recognizing emotions...
  • Zapata, J. C., Duque, C. M., Rojas-Idarraga, Y., Gonzalez, M. E., Guzmán, J. A., & Becerra Botero, M. A. (2017). Data fusion applied to...