Balance zwischen Rauschunterdrückung und Erhalt neuronaler Signaturen in EEG‑Biometrie

Warum Ihre Gehirnwellen Ihr nächstes Passwort sein könnten

Stellen Sie sich vor, Sie entsperren Ihr Telefon, ein Bankkonto oder sogar ein gesichertes Labor nicht mit Fingerabdruck oder Gesichtsscan, sondern mit den einzigartigen Rhythmen Ihres Gehirns. Diese Studie untersucht, wie Elektroenzephalographie (EEG) — die winzigen elektrischen Signale, die auf der Kopfhaut gemessen werden — als leistungsfähiges Biometrikum zur Identifizierung von Personen dienen kann. Die Autorinnen und Autoren gehen ein zentrales praktisches Problem an: Wie lassen sich diese sehr verrauschten Gehirnsignale säubern, ohne die feinen Muster zu beseitigen, die die Gehirnaktivität einer Person einzigartig machen.

Das Versprechen und das Problem der Gehirnwellen‑ID

EEG hat gegenüber bekannten Biometrien mehrere Vorteile. Im Gegensatz zu Gesicht oder Fingerabdruck sind Gehirnaktivitäten schwer zu fälschen, können nicht aus der Ferne ohne Ihre Mitwirkung erfasst werden und verändern sich unter Stress — Eigenschaften, die für hochsichere Anwendungen attraktiv sind. Aber EEG ist auch unordentlich. Blinzeln, Kieferanspannung, Muskelaktivität, Bewegung und elektrische Störungen aus der Umgebung vermischen sich mit den tatsächlichen Gehirnsignalen. Traditionelle Reinigungsmethoden gehen oft von ruhigen Laborbedingungen aus und können sehr strikt sein, indem sie Kanäle oder ganze Aufnahmen verwerfen, die verdächtig wirken. In praktischen Einsätzen mit Consumer‑Headsets kann diese Strenge nach hinten losgehen: große Teile realer Gehirnaktivität werden durch mathematische Schätzungen ersetzt und damit möglicherweise genau die „Gehirnprint“-Merkmale ausgelöscht, die zur Erkennung einer Person nötig sind.

Eine schonendere Methode zur Säuberung von Gehirnsignalen

Die Forschenden schlagen eine End‑to‑End‑Pipeline vor, die darauf abzielt, Rauschreduzierung mit dem Erhalt individueller neuronaler Signaturen in Balance zu halten. Sie arbeiteten mit dem Brain Encoding Dataset, das 21 Freiwillige über mehrere Sitzungen und verschiedene Aufgaben umfasst, und verglichen drei Datenvarianten: vollständig rohe Aufnahmen, Signale, die mit einer modifizierten und nachgiebigeren Version einer Standardvorverarbeitung (genannt PREP) bereinigt wurden, sowie ein Satz von expertenbasierten Merkmalen, die zusammen mit dem Datensatz bereitgestellt werden. Ihre nachgiebige Reinigungsstrategie umfasst mehrere Schritte — manuelles Entfernen offensichtlicher Hardwarefehler, sanftes Filtern zur Entfernung langsamer Drift und Netzstörungsfrequenzen, vorsichtige Erkennung und Reparatur fehlerhafter Kanäle sowie das Referenzieren der Signale gegen einen Gesamtmittelwert — und begrenzt zugleich, wie viel einer Aufnahme rekonstruiert statt gemessen werden darf, sodass genügend authentische Gehirnaktivität für die Identifikation erhalten bleibt.

Wie man Gehirnwellen in erkennbare Muster verwandelt

Um die Datenvarianten fair zu vergleichen, extrahierte das Team aus jeder Version dieselben Merkmale: kompakte Beschreibungen des Frequenzinhalts des Signals in Form von Mel‑Frequency Cepstral Coefficients (MFCCs), die in der Spracherkennung weit verbreitet sind. Diese Merkmale fassen zusammen, wie Energie über Gehirnwellenbänder verteilt ist — von langsamen, schläfrigen Rhythmen bis zu schnelleren, aufmerksamkeitsspezifischen Aktivitäten — über alle 14 EEG‑Kanäle. Die resultierenden Mustervektoren wurden dann mehreren gängigen Machine‑Learning‑Modellen zugeführt, darunter Entscheidungsbäume, Random Forests, Support Vector Machines und ein Algorithmus namens XGBoost, einzeln und in einem Ensemble, das deren Stimmen kombiniert. Das Ziel war einfach: Gegeben ein kurzes EEG‑Segment, vorhersagen, von welcher der 21 Personen es stammt.

Wie gut können wir ein Gehirn wiedererkennen?

Innerhalb einer einzelnen Aufnahmesitzung waren die Ergebnisse beeindruckend. Mit den nachgiebig bereinigten Daten identifizierte XGBoost Personen mit bis zu 98 Prozent Genauigkeit, besonders während einer speziellen visuellen Stimulation, bei der Freiwillige schnell flackernde, farbintensive Muster mit 10 Hertz sahen. Im Mittel verbesserte diese vorsichtige Reinigung die Genauigkeit um etwa 5 Prozent gegenüber rohen Signalen und um mehr als 8 Prozent gegenüber den vom Experten bereitgestellten Merkmalen — und diese Verbesserungen waren statistisch robust. Ruhen mit geschlossenen Augen erwies sich als eine weitere starke Bedingung, die hohe Genauigkeit bei einfacheren Instruktionen brachte. Als das Team die Robustheit über verschiedene Tage oder Sitzungen testete — eine deutlich schwierigere Herausforderung — sank die Leistung, was natürliche Tag‑zu‑Tag‑Veränderungen im Gehirnzustand und in der Sensorplatzierung widerspiegelt. Dennoch übertrafen die nachgiebig bereinigten Daten weiterhin sowohl rohe als auch konventionell verarbeitete Daten, wobei das Ruhen mit geschlossenen Augen die stabilsten Identitäten über die Zeit zeigte.

Was das für zukünftige Gehirnwellen‑Sicherheit bedeutet

Für Nicht‑Spezialisten lautet die Botschaft: Die elektrische Aktivität Ihres Gehirns kann tatsächlich wie ein Passwort funktionieren, aber nur, wenn wir die Daten sorgfältig behandeln. Die Studie zeigt, dass eine sanfte Säuberung von EEG‑Signalen — das Entfernen des schlimmsten Rauschens ohne Überkorrektur — Maschinenlern‑Systemen eine klarere, verlässlichere Darstellung der Muster liefert, die das Gehirn einer Person von dem einer anderen unterscheiden. Sie zeigt auch, welche Situationen am besten funktionieren: reichhaltiges, rhythmisches visuelles Flackern für maximale Genauigkeit innerhalb einer Sitzung und ruhiges Ruhen mit geschlossenen Augen für bessere Stabilität über Tage. Obwohl die Leistung über Tage hinweg noch nicht ausreicht für sicherheitskritische Anwendungen allein, legt diese Arbeit praktische Gestaltungsregeln für künftige EEG‑basierte Authentifizierungssysteme mit erschwinglichen Headsets vor — von der Datenbereinigung bis zu den Aufgaben, die Nutzerinnen und Nutzer durchführen sollen.

Zitation: Usman, M., Sultan, N., Nasim, A. et al. Balancing noise reduction and neural signature preservation in EEG biometrics. Sci Rep 16, 6674 (2026). https://doi.org/10.1038/s41598-026-36840-4

Schlüsselwörter: EEG‑Biometrie, Gehirnwellen‑Authentifizierung, Signalvorverarbeitung, maschinelles Lernen, neuronale Signaturen