Bilanciare la riduzione del rumore e la preservazione della firma neurale nelle biometrie EEG

Perché le tue onde cerebrali potrebbero essere la tua prossima password

Immagina di sbloccare il telefono, un conto bancario o persino un laboratorio sicuro non con un’impronta o una scansione del volto, ma con i ritmi unici del tuo cervello. Questo studio esplora come l’elettroencefalografia (EEG) — i piccoli segnali elettrici misurati sul cuoio capelluto — possa fungere da potente segnale biometrico per identificare le persone. Gli autori affrontano un problema chiave nel mondo reale: come ripulire questi segnali cerebrali molto rumorosi senza cancellare i pattern sottili che rendono unica l’attività cerebrale di ciascuno.

La promessa e il problema dell’identificazione tramite onde cerebrali

L’EEG presenta diversi vantaggi rispetto alle biometrie più familiari. Diversamente da volto o impronta, l’attività cerebrale è difficile da falsificare, non può essere catturata a distanza senza la tua collaborazione e cambia se sei sotto stress, rendendola interessante per usi ad alta sicurezza. Ma l’EEG è anche disordinato. Lampeggi degli occhi, digrignamento dei denti, tensione muscolare, movimento e interferenze elettriche ambientali si mescolano ai segnali cerebrali reali. I metodi tradizionali di pulizia spesso presuppongono condizioni di laboratorio tranquille e possono essere molto severi, scartando canali o registrazioni intere che appaiono sospette. In applicazioni reali con cuffie consumer, questa severità può ritorcersi contro, sostituendo ampie porzioni di attività cerebrale reale con ipotesi matematiche e potenzialmente cancellando la «impronta cerebrale» necessaria per riconoscere una persona.

Un modo più delicato per pulire i segnali cerebrali

I ricercatori propongono una pipeline end‑to‑end progettata per bilanciare la riduzione del rumore con la preservazione delle firme neurali individuali. Lavorando con il Brain Encoding Dataset, che include 21 volontari su più sessioni e diversi tipi di compiti, hanno confrontato tre versioni dei dati: registrazioni completamente grezze, segnali puliti con una versione modificata e più permissiva di una routine di preprocessamento standard (chiamata PREP) e un insieme di feature progettate da esperti fornite con il dataset. La loro strategia di pulizia indulgente usa diversi passaggi — rimozione manuale di evidenti guasti hardware, filtraggio leggero per rimuovere derive lente e rumore della rete elettrica, rilevamento e riparazione cauta dei canali cattivi e riferimenti dei segnali rispetto a una media complessiva — limitando al contempo quanto di una registrazione può essere ricostruito anziché misurato, in modo che rimanga abbastanza attività cerebrale autentica per l’identificazione.

Trasformare le onde cerebrali in pattern riconoscibili

Per confrontare equamente queste versioni dei dati, il team ha estratto lo stesso tipo di feature da ciascuna: descrizioni compatte del contenuto in frequenza del segnale note come coefficienti cepstrali a frequenza mel (MFCC), ampiamente usati nel riconoscimento vocale. Queste feature riassumono come la potenza è distribuita tra le bande di onde cerebrali — dai ritmi lenti e assonnati alle attività più veloci legate all’attenzione — su tutti i 14 canali EEG. I vettori di pattern risultanti sono stati poi alimentati in diversi modelli standard di apprendimento automatico, incluse decision tree, random forest, support vector machine e un algoritmo chiamato XGBoost, sia singolarmente sia in un ensemble che combina i loro voti. L’obiettivo era semplice: dato un breve segmento di EEG, prevedere a quale delle 21 persone appartiene.

Quanto bene possiamo riconoscere un cervello?

All’interno di una singola sessione di registrazione i risultati sono stati impressionanti. Utilizzando i dati puliti con la procedura indulgente, XGBoost ha identificato gli individui con fino al 98% di accuratezza, soprattutto durante una specifica condizione di stimolazione visiva in cui i volontari guardavano pattern a colori che lampeggiavano rapidamente a 10 hertz. In media, questa pulizia accurata ha migliorato l’accuratezza di circa il 5% rispetto ai segnali grezzi e di oltre l’8% rispetto alle feature fornite dagli esperti, e questi miglioramenti sono risultati statisticamente affidabili. Il riposo con occhi chiusi è emerso come un’altra condizione forte, fornendo alta accuratezza con istruzioni più semplici. Quando il team ha testato la robustezza su giorni o sessioni diverse — una sfida molto più difficile — le prestazioni sono calate, riflettendo i naturali cambiamenti giorno per giorno nello stato cerebrale e nel posizionamento dei sensori. Anche così, i dati puliti in modo indulgente hanno comunque superato sia i dati grezzi sia quelli processati convenzionalmente, con il riposo a occhi chiusi che mostrava le identità più stabili nel tempo.

Cosa significa questo per la sicurezza basata sulle onde cerebrali

Per un non specialista, il messaggio è questo: l’attività elettrica del tuo cervello può davvero funzionare come una password, ma solo se trattiamo i dati con cura. Lo studio mostra che pulire delicatamente i segnali EEG — rimuovendo il rumore peggiore senza sovracorreggere — offre ai sistemi di apprendimento automatico una visione più chiara e affidabile dei pattern che distinguono il cervello di una persona da quello di un’altra. Evidenzia anche quali situazioni funzionano meglio: il ricco lampeggio visivo ritmico per la massima accuratezza nella stessa sessione e il riposo tranquillo con occhi chiusi per una migliore stabilità tra i giorni. Sebbene le prestazioni su giorni diversi non siano ancora sufficienti da sole per la sicurezza ad alto rischio, questo lavoro delinea regole di progettazione pratiche per futuri sistemi di autenticazione basati su EEG con cuffie economiche, da come pulire i dati a quali compiti chiedere agli utenti di svolgere.

Citazione: 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

Parole chiave: biometria EEG, autenticazione tramite onde cerebrali, preprocessamento del segnale, apprendimento automatico, firme neurali