Balansowanie redukcji szumów i zachowania sygnatury neuronalnej w biometrii EEG

Dlaczego twoje fale mózgowe mogą być twoim następnym hasłem

Wyobraź sobie odblokowywanie telefonu, konta bankowego czy nawet zabezpieczonego laboratorium nie za pomocą odcisku palca czy skanu twarzy, lecz unikalnych rytmów twojego mózgu. Badanie to analizuje, jak elektroencefalografia (EEG) — drobne sygnały elektryczne mierzone na skórze głowy — może służyć jako silna biometryka do identyfikacji osób. Autorzy podejmują kluczowy problem praktyczny: jak oczyścić te bardzo zaszumione sygnały mózgowe, nie zacierając jednocześnie subtelnych wzorców, które czynią aktywność mózgu każdej osoby unikalną.

Obietnica i problem identyfikacji za pomocą fal mózgowych

EEG ma kilka zalet w porównaniu ze znanymi biometriami. W przeciwieństwie do twarzy czy odcisku palca, aktywności mózgu trudno podrobić, nie da się jej zarejestrować z daleka bez współpracy osoby i zmienia się pod wpływem stresu, co czyni ją atrakcyjną dla zastosowań wysokiego ryzyka. Jednak EEG jest też chaotyczne. Mrugnięcia, zaciskanie szczęki, napięcie mięśni, ruch oraz zakłócenia elektryczne z otoczenia mieszają się z prawdziwymi sygnałami mózgowymi. Tradycyjne metody oczyszczania często zakładają spokojne warunki laboratoryjne i bywają bardzo restrykcyjne, odrzucając kanały lub całe nagrania wyglądające podejrzanie. W rzeczywistych wdrożeniach z konsumenckimi zestawami taka surowość może się zemścić — zastępując duże fragmenty rzeczywistej aktywności mózgu matematycznymi przypuszczeniami i potencjalnie wymazać tę „odcisk mózgu”, potrzebną do rozpoznania osoby.

Łagodniejszy sposób oczyszczania sygnałów mózgowych

Badacze proponują end‑to‑endowy pipeline zaprojektowany tak, by zrównoważyć redukcję szumu z zachowaniem indywidualnych sygnatur neuronalnych. Pracując na zbiorze Brain Encoding Dataset, obejmującym 21 ochotników w wielu sesjach i różnych zadaniach, porównali trzy wersje danych: całkowicie surowe nagrania, sygnały oczyszczone za pomocą zmodyfikowanej i bardziej wyrozumiałej wersji standardowej procedury wstępnej (zwanej PREP) oraz zbiór cech zaprojektowanych przez ekspertów dołączonych do zestawu. Ich łagodna strategia oczyszczania obejmuje kilka etapów — ręczne usuwanie oczywistych awarii sprzętu, łagodne filtrowanie w celu usunięcia powolnych dryftów i zakłóceń sieciowych, ostrożne wykrywanie i naprawę złych kanałów oraz re‑referencję sygnałów względem średniej globalnej — przy jednoczesnym ograniczeniu, jak duża część nagrania może być rekonstruowana zamiast mierzona, tak aby wystarczająco dużo autentycznej aktywności mózgu pozostało do identyfikacji.

Przekształcanie fal mózgowych w rozpoznawalne wzorce

Aby porównać te wersje danych w uczciwy sposób, zespół wyodrębnił z każdej taką samą kategorię cech: zwarte opisy zawartości częstotliwościowej sygnału znane jako mel‑frequency cepstral coefficients (MFCC), szeroko stosowane w rozpoznawaniu mowy. Te cechy podsumowują, jak energia rozkłada się w pasmach fal mózgowych — od wolnych, sennościowych rytmów po szybsze aktywności związane z uwagą — we wszystkich 14 kanałach EEG. Powstałe wektory wzorców podano następnie do kilku standardowych modeli uczenia maszynowego, w tym drzew decyzyjnych, lasów losowych, maszyn wektorów nośnych oraz algorytmu XGBoost, zarówno indywidualnie, jak i w zespole łączącym ich głosy. Cel był prosty: na podstawie krótkiego fragmentu EEG przewidzieć, od której z 21 osób pochodzi.

Jak dobrze możemy rozpoznać mózg?

W ramach jednej sesji nagraniowej wyniki były uderzające. Korzystając z łagodnie oczyszczonych danych, XGBoost rozpoznawał osoby z dokładnością sięgającą 98 procent, szczególnie podczas specyficznego warunku stymulacji wzrokowej, gdy ochotnicy oglądali szybko migające, bogate kolorystycznie wzory z częstotliwością 10 Hz. Średnio to ostrożne oczyszczanie poprawiło dokładność o około 5 procent w stosunku do surowych sygnałów i o ponad 8 procent względem cech dostarczonych przez ekspertów, a te poprawy były statystycznie istotne. Odpoczynek z zamkniętymi oczami okazał się kolejnym silnym warunkiem, zapewniając wysoką dokładność przy prostszych instrukcjach. Gdy zespół testował odporność między różnymi dniami lub sesjami — znacznie trudniejsze wyzwanie — wydajność spadła, odzwierciedlając naturalne zmiany stanu mózgu i położenia czujników w kolejnych dniach. Mimo to łagodnie oczyszczone dane nadal przewyższały zarówno surowe, jak i konwencjonalnie przetworzone dane, a odpoczynek z zamkniętymi oczami pokazał największą stabilność tożsamości w czasie.

Co to oznacza dla przyszłego zabezpieczania za pomocą fal mózgowych

Dla osoby niezwiązanej z tematem przekaz brzmi: aktywność elektryczna twojego mózgu naprawdę może działać jak hasło, ale tylko jeśli odpowiednio potraktujemy dane. Badanie pokazuje, że delikatne oczyszczanie sygnałów EEG — usuwanie najgorszego szumu bez nadmiernej korekty — daje systemom uczącym się jaśniejszy i bardziej niezawodny obraz wzorców, które odróżniają mózg jednej osoby od drugiej. Wskazuje też, które sytuacje działają najlepiej: bogate, rytmiczne migotanie wzrokowe dla maksymalnej dokładności w tej samej sesji oraz cichy odpoczynek z zamkniętymi oczami dla lepszej stabilności między dniami. Chociaż wydajność międzydniowa nie jest jeszcze wystarczająca do zastosowań wysokiego ryzyka samodzielnie, praca ta przedstawia praktyczne zasady projektowe dla przyszłych systemów uwierzytelniania opartych na EEG przy użyciu przystępnych zestawów: od sposobów oczyszczania danych po zadania, jakie należy powierzyć użytkownikom.

Cytowanie: 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

Słowa kluczowe: biometria EEG, uwierzytelnianie za pomocą fal mózgowych, wstępne przetwarzanie sygnału, uczenie maszynowe, sygnatury neuronalne