gummfd

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

1300-1884 1304-4915

Gazi Üniversitesi

10.17341/gazimmfd.1676219

Artificial Intelligence (Other)

Yapay Zeka (Diğer)

Topluluk makine öğrenmesi modeli oluşturularak tek kanallı EEG tabanlı biyometrik kimlik tanımlama sistemi

https://orcid.org/0000-0002-3160-1517

Balcı

Furkan

GAZI UNIVERSITY, FACULTY OF TECHNOLOGY

https://orcid.org/0000-0003-0112-4833

Ilgın

Hakki Alparslan

ANKARA UNIVERSITY

03 31 2026

41 1 367 382 04 14 2025 12 12 2025

1986

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

Klinik uygulamalarda yapay zekâya olan ilginin artmasıyla birlikte, her birey için benzersiz bir desen içeren ve diğer biyometrik verilere göre sahte verilere karşı daha fazla güvenlik avantajı sağlayan elektroensefalografi (EEG), modern biyometrik tabanlı güvenlik sistemlerinde kullanılabilirliği yaygın olarak araştırılan yeni bir tekniktir. Biyometrik veriler, güvenilirlikleri ve eşsizlikleri nedeniyle güvenlik sistemlerinde sıklıkla kullanılmaktadır. Bu araştırmada, düşük maliyet hedeflenerek kapalı bir sistemde, 109 katılımcıdan 64 kanal üzerinden elde edilen veri setinden rastgele seçilen sınırlı sayıdaki deneklerin EEG verileriyle, topluluk makine öğrenmesi tabanlı tek kanallı EEG verisiyle kimlik tespiti yaklaşımının başarımı araştırılmıştır. Karar ağaçları tabanlı algoritmalarda kullanılan Gini önem katsayısı kullanılarak, hem gözler açık hem de gözler kapalı olarak kaydedilen veri setinden seçilen kanaldan çıkarılan özniteliklerle eğitilen makine öğrenmesi modelleri; 64 kanal kullanan makine öğrenmesi modelleriyle, eğitim süresi, test süresi, doğruluk, duyarlılık, kesinlik ve F1-skoru gibi performans parametreleri açısından karşılaştırılmıştır. Ön işleme, öznitelik çıkarımı ve sınıflandırma adımlarından oluşan tek kanallı sistemde, gözler kapalı veriler için Cp4 kanalının delta frekans bandı kullanılmış ve rastgele ormanlar, çok katmanlı sinir ağı, gradyan artırma, karar ağaçları ve destek vektörleri makinesi algoritmalarından oluşan topluluk modeliyle sınıflandırma yapılmıştır. Yapılan çapraz doğrulama testlerinde, model %100 sınıflandırma doğruluğuna ulaşmıştır. Ayrıca, 64 kanallı deneylere göre ortalama olarak eğitim süresinde 68 kat ve test süresinde 38 kat kısalma sağlanmıştır. Elde edilen bulgular, kanal optimizasyonu ile EEG kanal sayısının azaltılmasına rağmen yüksek güvenilirlikli tek kanallı biyometrik kimlik tespit sisteminin mümkün ve geliştirilebilir olduğunu göstermektedir.

Biyometrik Makine Öğrenmesi Topluluk Sınıflandırıcısı Kimlik Tanımlama EEG

1. Gui Q., Jin Z., Xu W., Ruiz-Blondet M.V., Laszlo S., Multichannel EEG-based biometric using improved RBF neural networks, 2015 IEEE signal processing in medicine and biology symposium, Philadelphia-USA, 1-6, 12 Aralık, 2015.

2. Sohankar J., Sadeghi K., Banerjee A., Gupta S.K., E-bias: A pervasive EEG-based identification and authentication system, the 11th ACM Symposium on QoS and Security for Wireless and Mobile Networks, Cancun-Meksika, 165-172, Kasım, 2015.

3. Poulos M., Rangoussi M., Evangelou A., Person identification based on parametric processing on the EEG, the 6th Int. Conf. on Electronics, Circuits and Systems, USA, 283–286, Aralık, 1999.

4. Paranjape R.B., Mahovsky J., Benedicenti L., The electroencephalogram as a biometric, the Canadian Conf. On Electrical and Computer Engineering, Kanada, 1363–1366, Mayıs, 2001.

5. Palaniappan R., Mandic D.P., Biometrics from brain electrical activity: a machine learning approach, IEEE Trans. Pattern Anal. Mach. Intell., 29 (4), 738–742, 2007.

6. Palaniappan R., Raveendran P., Individual identification technique using visual evoked potential signals, Electron. Lett., 38 (25), 1634–1635, 2002.

7. Ficici C., Telatar Z., Kocak O., Erogul O., Identification of TLE Focus from EEG Signals by Using Deep Learning Approach, Diagnostics, 13 (13), 2261, 2023.

8. Masahiro H., Hirokazu M., Noriyuki M., Fumitaka U., Hirokazu T., Measurement of Brain Activity on Force Adjustment Skill Acquisition by using EEG, International Conference on Knowledge Based and Intelligent Information and Engineering Systems, Marsilya-Fransa, 6-8 Ekim, 2017.

9. Singh B., Mishra S., Tiwary U. S., EEG based biometric identification with reduced number of channels, International Conference on Advanced Communication Technology, Ağustos, 2015.

10. Wijayanto I., Hadiyoso S., Sekarningrum F. A., Biometric Identification Based on EEG Signal with Photo Stimuli using Hjorth Descriptor, 8th International Conference on Information and Communication Technology, Yogyakarta-Endonezya, 24-26 Haziran, 2020.

11. Kim D., Kim K., Resting State EEG-Based Biometric System Using Concatenation of Quadrantal Functional Networks, IEEE Access, 7, 65745-65756, 2019.

12. Prabhakar S., Pankanti S., Jain A.K., Biometric recognition: security and privacy concerns, IEEE Secur. Priv., 99 (2), 33–42, 2003.

13. Constant I., Sabourdin N., The EEG signal: a window on the cortical brain activity, Pediatric Anesthesia, 22 (6), 539-552, 2012.

14. Herff C., Heger D., de Pesters A., Brain-to-text: decoding spoken phrases from phone representations in the brain, Front. Neurosci., 9 (217), 2015.

15. Poulos M., Rangoussi M., Alexandris N., Neural network based person identification using EEG features, IEEE Int. Conf. Acoustics, Speech, Signal Processing, Phoenix-USA, 1117–1120, 15-19 Mart, 1999.

16. Fraschini M., Hillebrand A., Demuru M., An EEG-Based Biometric System Using Eigenvector Centrality in Resting State Brain Networks, IEEE Signal Process. Lett., 22 (6), 666–670, 2015.

17. Dan Z., Xifeng Z., Qiangang G., An identification system based on portable EEG acquisition equipment, Third Int. Conf. on Intelligent System Design and Engineering Applications (ISDEA), Hong Kong-Çin, 281–284, 16-18 Ocak, 2013.

18. Su F., Xia L., Cai A., EEG-based personal identification: from proof of concept to a practical system, 20th Int. Conf. on Pattern Recognition (ICPR), İstanbul-Türkiye, 3728–3731, 23-26 Ağustos, 2010.

19. Suppiah R., Vinod A. P., Biometric identification using single channel EEG during relaxed resting state, IET Biometrics, 7 (4), 342-348, 2018.

20. Ramaswamy P., Jenish G., Kenneth R., Andrews S., PIN Generation Using Single Channel EEG Biometric, Advances in Computing and Communications ACC 2011 Communications in Computer and Information Science, Berlin-Almanya, 378–385, 2011.

21. Isao N., Sadanao B., Chisei M., EEG Based Biometric Authentication Using New Spectral Features, 2009 IEEE International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS2009), Kanazawa-Japonya, 651-654, 7-9 Ocak, 2009.

22. Sarineh K., Ali F., Saeid R., Electroencephalogram Based Biometrics: A Fractional Fourier Transform Approach, 2nd International Conference on Biometric Engineering and Applications ICBEA '18, Amsterdam-Hollanda, 1-5, 16-18 Mayıs, 2018.

23. Chin T.Z., Saidatul A., Ibrahim Z., Exploring EEG based authentication for imaginary and nonimaginary tasks using power spectral density method, The 1st International Conference on Mechanical Electronic and Biosystem Engineering (MEBSE 2018), Bogor-Endonezya, 15–16 Aralık, 2018.

24. Valsaraj A., Madala I., Garg N., Patil M., Baths V., Motor imagery based multimodal biometric user authentication system using EEG, In 2020 International Conference on Cyberworlds (CW), Caen-Fransa, 272-279, 29 Ekim, 2020.

25. Sun Y., Lo F.P.W., Lo B., EEG-based user identification system using 1D-convolutional long short term memory neural networks, Expert Systems with Applications, 125, 259-267, 2019.

26. Balcı F., Oralhan Z., LSTM ile EEG Tabanlı Kimliklendirme Sistemi Tasarımı, Avrupa Bilim ve Teknoloji Dergisi, Ejosat Special Issue 2020 (HORA), 135-141, 2020.

27. Hendrawan M.A., Saputra P.Y., Rahmad C., Identification of optimum segment in single channel EEG biometric system, Indonesian Journal of Electrical Engineering and Computer Science, 23 (3), 1847-1854, 2021.

28. Fan Y., Shi X., Li Q., CNN-based personal identification system using resting state electroencephalography, Computational Intel. and Neuro., 2021 (1), 2021.

29. Schalk G., McFarland D.J., Hinterberger T., Birbaumer N., Wolpaw J.R., BCI2000: A general-purpose brain-computer interface (BCI) system, IEEE Transactions on Biomedical Engineering, 51 (6), 1034- 1043, 2004.

30. Phinyomark A., EMG Feature evaluation for improving myoelectric pattern recognition robustness, Expert Syst. Appl., 40 (12), 832–840, 2013.

31. Rocca D.L., Campisi P., Vegso B., Human brain distinctiveness based on EEG spectral coherence connectivity, IEEE Trans. Biomed. Eng., 61 (9), 2406–2412, 2014.

32. Hema C.R., Paulraj M.P., Kaur H., Brain signatures: a modality for biometric authentication, Int. Conf. on Electronic Design, Penang-Malezya, 1–3 Aralık, 2008.

33. Safont G., Salazar A., Soriano A., Combination of multiple detectors for EEG based biometric identification and authentication, IEEE Int. Carnahan Conf. on Security Technology (ICCST), Boston-USA, 230–236, 15-18 Ekim, 2012.

34. Yang S., Deravi F., Novel HHT-based features for biometric identification using EEG signals, 22nd Int. Conf. on Pattern Recognition, Stockholm-İsveç, 24-28 Ağustos, 2014.

35. Balcı F., DM-EEGID: EEG-Based Biometric Authentication System Using Hybrid Attention-Based LSTM and MLP Algorithm, Trait. Du Signal, 40, 1–14, 2024.

36. Lai C.Q., Ibrahim H., Abdullah M.Z., Suandi S.A., EEG-Based Biometric Close-Set Identification Using CNN-ECOC-SVM, Artificial Intelligence in Data and Big Data Processing, Springer Nature: Berlin, Almanya, 723–732, 2022.

37. Alsumari W., Hussain M., Alshehri L., Aboalsamh H.A., EEG-Based Person Identification and Authentication Using Deep Convolutional Neural Network, Axioms, 12, 74, 2023.

38. Tian W., Li M., Hu D., Multi-band Functional Connectivity Features Fusion Using Multi-stream GCN for EEG Biometric Identification, 2025 International Conference on Autonomous Unmanned Systems (ICAUS 2025), Xi’an-Çin, 23–25 Eylül, 2025.