Балансирование снижения шума и сохранения нейронных подписей в биометрии по ЭЭГ

Почему ваши мозговые волны могут стать вашим следующим паролем

Представьте, что вы разблокируете телефон, банковский счёт или даже защищённую лабораторию не по отпечатку пальца или скану лица, а по уникальным ритмам вашего мозга. В этом исследовании рассматривается, как электроэнцефалография (ЭЭГ) — крошечные электрические сигналы, измеряемые на коже головы — может служить мощной биометрией для идентификации людей. Авторы решают ключевую практическую задачу: как очистить эти очень шумные сигналы мозга, не смывая тонкие закономерности, делающие активность каждого человека уникальной.

Перспективы и проблема идентификации по мозговым волнам

ЭЭГ имеет ряд преимуществ по сравнению с привычными биометрическими признаками. В отличие от лица или отпечатка пальца, активность мозга трудно подделать, её нельзя захватить на расстоянии без вашего участия, и она меняется в состоянии стресса, что делает её привлекательной для высокозащищённых приложений. Но ЭЭГ также «грязна»: моргания, сжатие челюсти, напряжение мышц, движение и электрические помехи из окружающей среды смешиваются с истинными мозговыми сигналами. Традиционные методы очистки часто предполагают спокойные лабораторные условия и могут быть слишком жёсткими, отбрасывая каналы или целые записи, которые выглядят подозрительно. В реальных внедрениях с потребительскими гарнитурами такая строгость может обернуться против нас: большие фрагменты реальной активности заменяются математическими домыслами, что потенциально стирает ту самую «мозгопечатную» сигнатуру, необходимую для распознавания личности.

Более мягкий подход к очистке мозговых сигналов

Исследователи предлагают сквозной конвейер, разработанный для баланса между снижением шума и сохранением индивидуальных нейронных подписей. Работая с набором данных Brain Encoding, включающим 21 добровольца в нескольких сессиях и при разных типах задач, они сравнили три версии данных: полностью необработанные записи, сигналы, очищенные с помощью модифицированной и более снисходительной версии стандартной процедуры предобработки (называемой PREP), и набор экспертно-созданных признаков, поставляемый вместе с набором данных. Их мягкая стратегия очистки включает несколько этапов — ручное удаление очевидных аппаратных сбоев, аккуратную фильтрацию для устранения медленного дрейфа и помех сети, осторожное обнаружение и восстановление «плохих» каналов и переопорную обработку сигналов относительно общего среднего — при этом ограничивается доля любой записи, которую можно реконструировать вместо прямого измерения, чтобы сохранить достаточное количество аутентичной мозговой активности для идентификации.

Превращение мозговых волн в распознаваемые шаблоны

Чтобы справедливо сравнить эти версии данных, команда извлекла одинаковый тип признаков из каждой: компактные описания частотного содержания сигнала, известные как мел-частотные кепстральные коэффициенты (MFCC), широко используемые в распознавании речи. Эти признаки суммируют распределение мощности по диапазонам мозговых волн — от медленных, сонных ритмов до более быстрых, связанных с вниманием — по всем 14 каналам ЭЭГ. Полученные векторы шаблонов затем подавались в несколько стандартных моделей машинного обучения, включая деревья решений, случайные леса, опорные векторные машины и алгоритм XGBoost, как поодиночке, так и в ансамбле, объединяющем их голоса. Цель была проста: по короткому сегменту ЭЭГ предсказать, от какого из 21 человека он был получен.

Насколько хорошо мы можем распознать мозг?

В пределах одной сессии результаты оказались впечатляющими. Используя мягко очищенные данные, XGBoost опознавал людей с точностью до 98 процентов, особенно при специфическом условии визуальной стимуляции, когда добровольцы смотрели на быстро мерцающие, насыщенные цветом узоры на частоте 10 герц. В среднем такая аккуратная очистка повышала точность примерно на 5 процентов по сравнению с сырыми сигналами и более чем на 8 процентов по сравнению с экспертно подготовленными признаками, причём эти улучшения были статистически значимы. Отдых с закрытыми глазами выявился как ещё одно сильное условие, дающее высокую точность при более простых инструкциях. Когда команда проверяла устойчивость между разными днями или сессиями — куда более сложная задача — производительность падала, отражая естественные суточные изменения состояния мозга и размещения сенсоров. Тем не менее мягко очищенные данные по-прежнему превосходили как сырые, так и традиционно обработанные данные, причём отдых с закрытыми глазами демонстрировал наибольшую стабильность идентичностей во времени.

Что это означает для будущей безопасности на основе мозговых волн

Для неспециалиста смысл таков: электрическая активность вашего мозга действительно может функционировать как пароль, но только если обращаться с данными аккуратно. Исследование показывает, что бережная очистка ЭЭГ — удаление худших шумов без чрезмерной коррекции — даёт системам машинного обучения более ясное и надёжное представление о шаблонах, отличающих мозг одного человека от другого. Оно также указывает, какие ситуации работают лучше всего: насыщенное ритмическое визуальное мерцание для максимальной точности в одной сессии и тихий отдых с закрытыми глазами для лучшей стабильности между днями. Хотя кросс‑дневная производительность ещё недостаточно хороша для использования в ответственных системах безопасности в одиночку, эта работа задаёт практические правила проектирования для будущих систем аутентификации на основе ЭЭГ с использованием доступных гарнитур — от способов очистки данных до того, какие задания просить пользователей выполнять.

Цитирование: 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

Ключевые слова: биометрия ЭЭГ, аутентификация по мозговым волнам, предобработка сигналов, машинное обучение, нейронные подписи