EEG biyometrisinde gürültü azaltma ile sinirsel imza korunmasının dengelenmesi

Neden Beyin Dalgalarınız Bir Sonraki Parolanız Olabilir

Telefonunuzu, banka hesabınızı ya da güvenli bir laboratuvarı parmak izi veya yüz taraması yerine beyninizin benzersiz ritimleriyle açtığınızı hayal edin. Bu çalışma, saç derisine ölçülen küçük elektriksel sinyaller olan elektroensefalografinin (EEG) insanları tanımlamak için güçlü bir biyometrik olabileceğini araştırıyor. Yazarlar gerçek dünyadaki önemli bir problemi ele alıyor: bu çok gürültülü beyin sinyallerini, her bireyin beyin aktivitesini benzersiz kılan ince desenleri yok etmeden nasıl temizleyeceğimiz.

Beyin Dalgası Kimliğinin Sunduğu Fırsat ve Sorun

EEG, tanıdık biyometrilere göre birkaç avantaja sahip. Bir yüz veya parmak izinden farklı olarak, beyin aktivitesini taklit etmek zor, rızanız olmadan uzaktan yakalamak mümkün değil ve stres altındaysanız değiştiği için yüksek güvenlik uygulamaları için cazip. Ancak EEG aynı zamanda dağınık veriler üretir. Göz kırpmaları, çene sıkma, kas gerginliği, hareket ve çevresel elektriksel girişim gerçek beyin sinyalleriyle karışır. Geleneksel temizleme yöntemleri genellikle sakin laboratuvar koşullarını varsayar ve kuşkulu görünen kanalları veya tüm kayıtları sertçe eler. Tüketici sınıfı kulaklıklarla gerçek dağıtımlarda bu sertlik ters tepebilir; büyük parçalar gerçek beyin aktivitesinin yerine matematiksel tahminler koyulmasına ve kişinin tanınması için gerekli “beyin izi”nin silinmesine yol açabilir.

Beyin Sinyallerini Nazikçe Temizlemenin Bir Yolu

Araştırmacılar, gürültü azaltma ile bireysel sinirsel imzaların korunması arasında denge kurmayı amaçlayan uçtan uca bir iş akışı öneriyor. Birden çok oturum ve çeşitli görevleri içeren 21 gönüllüden oluşan Brain Encoding Dataset üzerinde çalışarak verinin üç versiyonunu karşılaştırdılar: tamamen ham kayıtlar, standart bir ön işleme rutininin (PREP) değiştirilmiş ve daha hoşgörülü bir sürümüyle temizlenmiş sinyaller ve veri setiyle birlikte gelen uzman tasarımı özellikler. Onların ılımlı temizleme stratejisi birkaç adım içeriyor—bariz donanım arızalarının elle çıkarılması, yavaş sürüklenmeleri ve şebeke elektriği gürültüsünü gidermek için nazik filtreleme, kötü kanalların temkinli tespiti ve onarımı, sinyallerin genel bir ortalamaya göre yeniden referanslanması—ayrıca herhangi bir kaydın ne kadarının yeniden inşa edilebileceği yerine ölçülebileceğinin sınırlandırılmasıyla, tanıma için yeterli orijinal beyin aktivitesinin kalmasını sağlıyor.

Beyin Dalgalarını Tanınabilir Desenlere Dönüştürmek

Bu veri versiyonlarını adil şekilde karşılaştırmak için ekip her birinden aynı tür özellikleri çıkardı: konuşma tanımada yaygın olarak kullanılan mel-frekans kepstral katsayıları (MFCC) olarak bilinen, sinyalin frekans içeriğinin kompakt tanımları. Bu özellikler, tüm 14 EEG kanalında yavaş, uykulu ritimlerden daha hızlı dikkatle ilişkili aktiviteye kadar beyin dalgası bantlarındaki gücün nasıl dağıldığını özetliyor. Ortaya çıkan desen vektörleri daha sonra karar ağaçları, rastgele ormanlar, destek vektör makineleri ve XGBoost adlı algoritma da dahil olmak üzere birkaç standart makine öğrenimi modeline—tek tek ve oylarını birleştiren bir topluluk halinde—beslendi. Amaç basitti: kısa bir EEG segmenti verildiğinde, bunun 21 kişiden hangisine ait olduğunu tahmin etmek.

Bir Beyni Ne Kadar İyi Tanıyabiliriz?

Aynı kayıt oturumu içinde sonuçlar çarpıcıydı. Ilımlı şekilde temizlenmiş verileri kullanarak, XGBoost özellikle gönüllülerin 10 hertz hızında hızla yanıp sönen, renkli desenleri izledikleri belirli bir görsel uyarım koşulunda yüzde 98’e varan doğrulukla kişileri tanımladı. Ortalama olarak, bu dikkatli temizleme ham sinyallere göre yaklaşık yüzde 5 ve uzman tarafından sağlanan özelliklere göre yüzde 8’den fazla bir doğruluk artışı sağladı ve bu kazançlar istatistiksel olarak güvenilirdi. Gözler kapalı dinlenme, daha basit talimatlarla yüksek doğruluk sağlayan bir diğer güçlü koşul olarak öne çıktı. Ekip farklı günler veya oturumlar arasında sağlamlığı test ettiğinde—çok daha zor bir meydan okuma—performans düştü; bu doğal günlük beyin durumu değişikliklerini ve sensör yerleşimini yansıtıyor. Buna rağmen, ılımlı şekilde temizlenmiş veriler yine ham ve geleneksel işlenmiş verilerin her ikisinden daha iyi performans gösterdi ve zaman içinde en kararlı kimlikleri gözler kapalı dinlenme koşulu sağladı.

Bu, Geleceğin Beyin Dalgası Güvenliği İçin Ne Anlama Geliyor

Uzman olmayan biri için mesaj şu: beyninizin elektriksel aktivitesi gerçekten bir parola gibi işlev görebilir, ancak veriye dikkatli davranırsak. Çalışma, EEG sinyallerini nazikçe temizlemenin—en kötü gürültüyü kaldırırken aşırı düzeltmeden kaçınmanın—makine öğrenimi sistemlerine bir kişinin beyni ile diğerinin beynini ayıran desenleri daha net ve güvenilir şekilde gösterdiğini ortaya koyuyor. Ayrıca hangi durumların en iyi çalıştığını vurguluyor: aynı oturum için maksimum doğrulukta zengin, ritmik görsel yanıp sönme ve günler arasında daha iyi kararlılık için sessiz, gözler kapalı dinlenme. Günler arası performans henüz yüksek riskli güvenlik uygulamaları için tek başına yeterli olmasa da, bu çalışma uygun fiyatlı kulaklıklar kullanan gelecekteki EEG tabanlı kimlik doğrulama sistemleri için veriyi nasıl temizleyeceğimize ve kullanıcılardan hangi görevleri istememiz gerektiğine dair pratik tasarım kurallarını ortaya koyuyor.

Atıf: 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

Anahtar kelimeler: EEG biyometrisi, beyin dalgası kimlik doğrulama, sinyal ön işleme, makine öğrenimi, sinirsel imzalar