論文の概要: An Investigation of Ear-EEG Signals for a Novel Biometric Authentication System

• arxiv url: http://arxiv.org/abs/2507.12873v1
• Date: Thu, 17 Jul 2025 07:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 20:10:24.39403
• Title: An Investigation of Ear-EEG Signals for a Novel Biometric Authentication System
• Title（参考訳）: 生体認証システムのための耳EEG信号の検討
• Authors: Danilo Avola, Giancarlo Crocetti, Gian Luca Foresti, Daniele Pannone, Claudio Piciarelli, Amedeo Ranaldi,
• Abstract要約: 脳波信号を用いた生体認証(一般にear-EEGと呼ばれる)。 従来のEEGベースの生体認証システムは、安全だが、しばしば、面倒な頭皮ベースの電極のセットアップのために、使用性の低下に悩まされる。 本稿では,日常的な生体認証の代替手段として,耳-EEG信号を活用する,新しい,実用的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.251967285967673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work explores the feasibility of biometric authentication using EEG signals acquired through in-ear devices, commonly referred to as ear-EEG. Traditional EEG-based biometric systems, while secure, often suffer from low usability due to cumbersome scalp-based electrode setups. In this study, we propose a novel and practical framework leveraging ear-EEG signals as a user-friendly alternative for everyday biometric authentication. The system extracts an original combination of temporal and spectral features from ear-EEG signals and feeds them into a fully connected deep neural network for subject identification. Experimental results on the only currently available ear-EEG dataset suitable for different purposes, including biometric authentication, demonstrate promising performance, with an average accuracy of 82\% in a subject identification scenario. These findings confirm the potential of ear-EEG as a viable and deployable direction for next-generation real-world biometric systems.
• Abstract（参考訳）: 本研究は,脳波を用いた生体認証の実現可能性について検討する。 従来のEEGベースの生体認証システムは、安全だが、しばしば、面倒な頭皮ベースの電極のセットアップのために、使用性の低下に悩まされる。 本研究では,日常的な生体認証の代替手段として,耳-EEG信号を活用する新しい,実用的なフレームワークを提案する。 このシステムは、耳-EEG信号から時間的特徴とスペクトル的特徴のオリジナルの組み合わせを抽出し、被験者識別のために完全に接続されたディープニューラルネットワークに供給する。 生体認証を含む様々な目的に適した現在利用可能な耳-EEGデータセットに関する実験結果は、被験者識別シナリオにおける平均精度82\%の有望な性能を示す。 これらの結果は、次世代の生体計測システムにおいて、耳EEGが実現可能で展開可能な方向としての可能性を確認した。

関連論文リスト

• A Complex UNet Approach for Non-Invasive Fetal ECG Extraction Using Single-Channel Dry Textile Electrodes [40.11095094521714]
  胎児心電図(fECG)は、臨床環境を超えて胎児の健康を評価するための有望なツールである。 このセットアップは、fECG信号の正確な抽出を複雑にするノイズやモーションアーチファクトの増加など、多くの課題を提示している。 ドライテキスタイル電極を用いた単チャンネル記録からAI技術を用いてfECGを抽出する先駆的手法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T20:35:52Z)
• EAD: An EEG Adapter for Automated Classification [6.587374692735942]
  EEG Adapter (EAD) は、任意の信号取得デバイスと互換性のある柔軟なフレームワークである。 分類タスクにおいて,脳波データからロバストな表現を学習するために,適応度の高い最近の脳波モデルを活用する。 我々は、EEG-ImageNetとBrainLatでそれぞれ99.33%と92.31%の最先端の精度を達成する2つの公開データセットでEADを評価した。
  論文  参考訳（メタデータ） (2025-05-29T05:21:06Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Support Vector Machine for Person Classification Using the EEG Signals [0.4419843514606336]
  本稿では,この課題に対処するために,脳波信号を用いた個人識別を提案する。 脳波信号は、有望な認証可能性を提供し、活力検出のための新しい手段を提供し、それによって偽造攻撃を緩和する。 本研究では8チャンネルのOpenBCIヘルメットを用いて記録された12人の被験者の脳波データを特徴付ける疲労解析のために最初にコンパイルされたパブリックデータセットを用いる。
  論文  参考訳（メタデータ） (2024-11-26T14:03:58Z)
• When Does Your Brain Know You? Segment Length and Its Impact on EEG-based Biometric Authentication Accuracy [3.9735602856280132]
  この研究は、EEGデータが認証目的の最大情報収率を提供するしきい値を特定することを目指している。 この知見は非侵襲的生体計測技術の分野を推し進めるものである。
  論文  参考訳（メタデータ） (2024-03-19T11:30:03Z)
• Multi-Signal Reconstruction Using Masked Autoencoder From EEG During Polysomnography [24.336598771550157]
  ポリソムノグラフィー(PSG)は睡眠医学において欠かせない診断ツールである。 単一チャネル脳波から多信号PSGを再構成できる新しいシステムを提案する。 以上の結果から,よりアクセスしやすい長期睡眠モニタリングシステムの開発が期待できる。
  論文  参考訳（メタデータ） (2023-11-14T02:57:37Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• EDITH :ECG biometrics aided by Deep learning for reliable Individual auTHentication [4.572194444732638]
  私たちは、ECGバイオメトリックス認証システムのためのディープラーニングベースのフレームワークであるEDITHを紹介します。 4つの一般的なデータセットを用いてEDITHを評価し、少ないビートで前作を上回りました。 Siameseアーキテクチャは、アイデンティティ検証のEqual Error Rate(EER)を1.29%に削減する。
  論文  参考訳（メタデータ） (2021-02-16T08:45:17Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。