본 논문에서는 개인인증 시 활용 가능한 EEG 신호의 주파수 대역을 확인하기 위하여 뇌파 측정을 통해 분석한 결과를 제시하였다. 시각 과제의 유무에 따라 개안 상태와 폐안 상태로 구분하여 뇌파를 측정하였으며, 이를 델타파, 세타파, 알파파, SMR파, 중간베타파, 베타파 및 감마파의 7종류의 주파수 대역으로 나누어 시간에 따른 파워의 변동이 가장 작은 주파수 대역을 관찰하였다. 본 논문의 결과에서는 개안 상태와 폐안 상태에서는 유의한 차이가 나타나지 않았으나, 인간의 집중과 관련한 SMR파 및 중간베타파가 시간에 따른 파워의 변동이 가장 작게 관찰되었기에 재현성이 높은 주파수 대역인 것으로 나타났다.
본 논문에서는 개인인증 시 활용 가능한 EEG 신호의 주파수 대역을 확인하기 위하여 뇌파 측정을 통해 분석한 결과를 제시하였다. 시각 과제의 유무에 따라 개안 상태와 폐안 상태로 구분하여 뇌파를 측정하였으며, 이를 델타파, 세타파, 알파파, SMR파, 중간베타파, 베타파 및 감마파의 7종류의 주파수 대역으로 나누어 시간에 따른 파워의 변동이 가장 작은 주파수 대역을 관찰하였다. 본 논문의 결과에서는 개안 상태와 폐안 상태에서는 유의한 차이가 나타나지 않았으나, 인간의 집중과 관련한 SMR파 및 중간베타파가 시간에 따른 파워의 변동이 가장 작게 관찰되었기에 재현성이 높은 주파수 대역인 것으로 나타났다.
In this paper, we presented the results of analysis through EEG measurement for the purpose of checking the frequency band of EEG signals that can be used for personal authentication. The measurement status was divided into the open-eye state and the closed-eye state depending on the presence or abs...
In this paper, we presented the results of analysis through EEG measurement for the purpose of checking the frequency band of EEG signals that can be used for personal authentication. The measurement status was divided into the open-eye state and the closed-eye state depending on the presence or absence of an optical task. The data measured in the EEG experiments was divided into seven frequency bands : delta waves, theta waves, alpha waves, SMR waves, mid-beta waves, beta waves and gamma waves to identify the frequency band with the smallest power fluctuation over time. In our results, there was no significant difference between the open-eye state and the closed-eye state, and the SMR waves and mid-beta waves related to human concentration had the smallest fluctuation in power over time, and were a highly reproducible frequency band.
In this paper, we presented the results of analysis through EEG measurement for the purpose of checking the frequency band of EEG signals that can be used for personal authentication. The measurement status was divided into the open-eye state and the closed-eye state depending on the presence or absence of an optical task. The data measured in the EEG experiments was divided into seven frequency bands : delta waves, theta waves, alpha waves, SMR waves, mid-beta waves, beta waves and gamma waves to identify the frequency band with the smallest power fluctuation over time. In our results, there was no significant difference between the open-eye state and the closed-eye state, and the SMR waves and mid-beta waves related to human concentration had the smallest fluctuation in power over time, and were a highly reproducible frequency band.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그런 기본적 사고에 따라 개인인증 수단으로 EEG 신호를 활용할 경우에 적용 가능성이 높은 뇌파 성분이라고 추정할 수 있다. 본 논문에서는 시간에 따른 파워 변동의 폭이 작게 나타남으로써 높은 재현성을 가진 것으로 추정되는 성분을 개인인증수단으로서의 활용 가능성이 높은 주파수 대역성분으로 제시하고자 한다.
실험을 수행하기 전에 피험자들은 편안한 의자에 앉아 화면을 응시하며 정서적으로 안정된 상태를 유지하도록 하였다. 본 실험에서는 시간에 따른 변화가 가장 작게 나타나는 뇌파 성분을 관찰 및 확인하기 위한 실험을 수행하였다. 이를 위해서는 피험자에게 제시하는 시각 과제 여부에 따라 개안상태와 폐안 상태로 구분하여 실험을 진행하였다.
본 연구는 EEG 신호의 개인인증수단으로서 활용가능성을 분석하기 위하여 진행된 뇌파 실험 결과를 제시한 것이다. 피험자의 EEG 신호를 분석하였을 때, 시간에 따른 변화가 작게 나타나는 것이 재현성이 높은 뇌파 성분이라는 판단이 가능하다.
본 연구에서는 뇌파가 개인인증 수단으로 사용된다고 가정할 때, 계측한 시간이 상이하더라도 파워의 변동이 가장 작게 나타나는 뇌파성분을 확인하기 위해서 수행한 실험의 데이터를 분석한 결과를 제시하였다. 실험 결과에서 각각의 피험자의 EEG 신호로부터 계산된 변동계수에 있어서 주파수 대역은 유의미한 차이를 나타냈지만, 시각적 과제의 유무는 유의미한 차이를 나타내지 않는 것으로 관측되었다.
따라서 개인인증 수단으로 인간의 뇌파를 활용하는 경우, 간단한 시각 과제를 제시하여 집중할 수 있는 상황에서의 뇌파성분을 인증수단으로 사용하는 것도 효율적인 뇌파활용 방법이 될 것으로 추정된다. 이와 같은 결과로부터 뇌파를 기반으로 한 인증 시스템을 구축할 때, 어떤 그림 또는 단어를 떠올리거나 주시함으로써 인간의 집중력과 관련된 뇌파 성분을 활용하여 개인을 인증할 수 있는 가능성을 검토해보았다.
제안 방법
5회의 뇌파 실험으로 취득한 각각의 성분별 평균 절대 파워로부터 시간에 따른 파워 변동의 폭이 가장 작은 뇌파 성분 즉 시간의 변화에 가장 독립적인 성분을 확인하기 위해서는 눈을 뜬 개안 상태와 눈을 감은 폐안 상태에서의 변동계수(CV : Coefficient of Variation)를 계산하여 비교하였다. 변동계수는 σ 표준편차, x가 산술평균이라고 할 때 식 (2)와 같이 정의된다.
이 채널들은 뇌파를 활용하여 개인인증을 한다고 가정할 때 상대적으로 접근이 간편하다고 생각되는 뇌의 전두엽 부위를 중심으로 설정한 것이다. EEG신호는 LAXTHA의 WEEG-32 장비를 사용하여 측정하였으며, 데이터 수집 및 분석 소프트웨어 텔레스캔(Telescan)을 이용하여 뇌파신호를 기록 및 저장하였다.
즉 변동계수가 작다는 것은 시간에 따른 성분별 평균 절대 파워가 평균과 가까운 범위 내에 존재한다는 사실을 의미한다. 본 논문에서는 뇌파 실험에서 계측한 신호를 절대 파워 스펙트럼으로 분석하여 식 (2)의 변동계수를 이용한 연산을 통하여 피험자의 주파수 대역별 뇌파의 특성을 분석하였다. 뇌파의 주파수 대역 및 시각 과제와 같은 2가지의 독립변수에 의한 평균 차를 검증하기 위해서는 통계 패키지(SPSS Statistics) 프로그램을 이용하여 반복 측정에 의한 이원 분산분석(two-way ANOVA with repeated measures)을 실시하였다.
본 연구에서 그림 1과 같은 과정을 통해 수집된 피험자의 뇌파는 눈 깜박임과 같은 안구 운동에 의한 잡음 성분을 제거하는 EOG-Artifact filtering 기능을 적용하여 전 처리한 후 분석하였다. 우선 피험자로부터 계측된 뇌파를 0.
우선 피험자로부터 계측된 뇌파를 0.5∼4Hz의 델타파, 4∼7Hz의 세타파, 8∼13Hz의 알파파, 12∼15Hz의 SMR파, 15∼18Hz의 중간베타파, 13∼30Hz의 베타파 및 30∼50Hz의 감마파 등 7개의 주파수 대역으로 구분하여 분석하였다.
본 실험에서는 시간에 따른 변화가 가장 작게 나타나는 뇌파 성분을 관찰 및 확인하기 위한 실험을 수행하였다. 이를 위해서는 피험자에게 제시하는 시각 과제 여부에 따라 개안상태와 폐안 상태로 구분하여 실험을 진행하였다. 피험자들은 모니터 상에 제시되어있는 ‘X' 표시를 응시하며 2분간 눈을 뜬 상태를 유지하였고, 휴식시간 없이 모니터에 표시된 ’X' 표시를 떠올리며 2분간 눈을 감은 상태를 유지하는 과제를 수행하였다.
피험자들은 모니터 상에 제시되어있는 ‘X' 표시를 응시하며 2분간 눈을 뜬 상태를 유지하였고, 휴식시간 없이 모니터에 표시된 ’X' 표시를 떠올리며 2분간 눈을 감은 상태를 유지하는 과제를 수행하였다.
대상 데이터
피험자의 뇌파 측정용 전극 위치는 10-20 국제 전극배치법의 기준에 따라 선정하였다. 본 실험에서는 채널의 수를 증가시켜도 인식 성능이 크게 향상되지 않는다는 선행연구[11]의 결과에 따라 그림 2와 같이 Fp1, Fp2, Fp3, Fz, F4의 위치에 총 5개의 전극을 부착하였으며, 오른쪽 귓불을 기준전극으로 선택하였다.
본 연구에서는 기본적으로 정신적 또는 신체적 질환이 없는 만 24세 및 26세의 건강한 남성 3명을 피험자로 선정하였다. 실험을 수행하기 전에 피험자들은 편안한 의자에 앉아 화면을 응시하며 정서적으로 안정된 상태를 유지하도록 하였다.
데이터처리
본 논문에서는 뇌파 실험에서 계측한 신호를 절대 파워 스펙트럼으로 분석하여 식 (2)의 변동계수를 이용한 연산을 통하여 피험자의 주파수 대역별 뇌파의 특성을 분석하였다. 뇌파의 주파수 대역 및 시각 과제와 같은 2가지의 독립변수에 의한 평균 차를 검증하기 위해서는 통계 패키지(SPSS Statistics) 프로그램을 이용하여 반복 측정에 의한 이원 분산분석(two-way ANOVA with repeated measures)을 실시하였다. 이원 분산분석 결과에 의해 유의한 차이를 나타내는 요인은 Scheffe의 사후검정(Post-hoc analysis)을 통해 차이를 검증하였으며, 유의수준은 0.
다음에는 피험자들로부터 계측된 뇌파의 주파수 대역별로 변동계수 평균의 차이를 Scheffe의 사후검정을 통해 관찰하였다. 그림 3은 이원 분산분석 결과에 의해 변동계수와 유의미한 차이가 있는 것으로 나타난 주파수 대역에 대한 변동계수의 평균을 비교한 결과를 그래프로 제시한 것이다.
뇌파의 주파수 대역 및 시각 과제와 같은 2가지의 독립변수에 의한 평균 차를 검증하기 위해서는 통계 패키지(SPSS Statistics) 프로그램을 이용하여 반복 측정에 의한 이원 분산분석(two-way ANOVA with repeated measures)을 실시하였다. 이원 분산분석 결과에 의해 유의한 차이를 나타내는 요인은 Scheffe의 사후검정(Post-hoc analysis)을 통해 차이를 검증하였으며, 유의수준은 0.05로 설정하였다.
이론/모형
피험자의 뇌파 측정용 전극 위치는 10-20 국제 전극배치법의 기준에 따라 선정하였다. 본 실험에서는 채널의 수를 증가시켜도 인식 성능이 크게 향상되지 않는다는 선행연구[11]의 결과에 따라 그림 2와 같이 Fp1, Fp2, Fp3, Fz, F4의 위치에 총 5개의 전극을 부착하였으며, 오른쪽 귓불을 기준전극으로 선택하였다.
성능/효과
실험 중 움직임에 의한 잡음을 최소화하기 위해서 눈을 뜨고 있는 상태에서 발생하는 자연스러운 눈 깜박임 이외의 불필요한 움직임은 자제하도록 요구하였다. 5개월 동안 랜덤하게 5일을 선정하여 피험자마다 그림 1과 같은 실험 과정을 5회 반복하였다.
각 주파수 대역에서 나타나는 변동계수의 평균값을 비교하기 위해서 Scheffe의 사후검정을 실시한 결과로부터는 SMR파, 중간베타파, 세타파 및 델타파의 변동계수 평균값이 유의미한 차이를 나타내는 것으로 관찰되었다. SMR파 및 중간베타파의 변동계수의 평균값은 각각 0.31 및 0.36이고, 세타파 및 델타파의 변동계수의 평균값은 각각 0.85 및 0.88로 나타났다. 따라서 SMR파 및 중간베타파의 경우가 세타파 및 델타파의 경우보다 변동계수의 평균값이 상대적으로 낮게 나타났다.
그림 3은 이원 분산분석 결과에 의해 변동계수와 유의미한 차이가 있는 것으로 나타난 주파수 대역에 대한 변동계수의 평균을 비교한 결과를 그래프로 제시한 것이다. 각 주파수 대역에서 나타나는 변동계수의 평균값을 비교하기 위해서 Scheffe의 사후검정을 실시한 결과로부터는 SMR파, 중간베타파, 세타파 및 델타파의 변동계수 평균값이 유의미한 차이를 나타내는 것으로 관찰되었다. SMR파 및 중간베타파의 변동계수의 평균값은 각각 0.
88로 나타났다. 따라서 SMR파 및 중간베타파의 경우가 세타파 및 델타파의 경우보다 변동계수의 평균값이 상대적으로 낮게 나타났다. 이러한 결과에서는 개인인증수단으로 EEG 신호를 활용함에 있어서는 SMR파 및 중간베타파 성분의 활용 가능성이 보다 높은 것으로 추정할 수 있다.
또한 변동계수에 대한 주파수 대역과 시각 과제 사이의 상호작용에 대한 결과에서도 유의미한 차이가 나타나지 않았다. 따라서 변동계수는 제시한 시각 과제와는 상관없이 주파수 대역의 영향만을 받는다는 사실을 확인할 수 있었다. 아울러 각 주파수 대역의 변동계수 평균값 차이를 분석해 본 결과, 분석대상으로 설정한 7종류의 뇌파 주파수 대역에서 통계적으로 유의미한 차이를 나타낸 뇌파성분 중에서는 SMR파 및 중간베타파의 변동계수가 세타파 및 델타파의 변동계수보다 상대적으로 낮게 나타난다는 사실을 확인할 수 있었다.
05에서 변동계수에 대한 상호작용 효과가 유의미하지 않은 것으로 나타났다. 반면, 주파수 대역이 변동계수에 영향을 미치는지에 대한 검정 결과에서는 F 통계 값 6.63, 유의수준 0.05에서 주파수 대역과 변동계수 간에는 통계적으로 유의미한 차이가 관찰되었다. 이러한 결과는 개인인증수단으로 EEG 신호를 활용할 시, 시각 과제의 유무는 변동계수에 영향을 미치지 못하지만 주파수 대역 성분은 변동계수에 영향을 미친다는 사실을 확인하였다.
본 연구에서는 뇌파가 개인인증 수단으로 사용된다고 가정할 때, 계측한 시간이 상이하더라도 파워의 변동이 가장 작게 나타나는 뇌파성분을 확인하기 위해서 수행한 실험의 데이터를 분석한 결과를 제시하였다. 실험 결과에서 각각의 피험자의 EEG 신호로부터 계산된 변동계수에 있어서 주파수 대역은 유의미한 차이를 나타냈지만, 시각적 과제의 유무는 유의미한 차이를 나타내지 않는 것으로 관측되었다. 또한 변동계수에 대한 주파수 대역과 시각 과제 사이의 상호작용에 대한 결과에서도 유의미한 차이가 나타나지 않았다.
전체적인 결과를 종합하면, 피험자로부터 계측된 뇌파 데이터에서 시간에 따라 파워가 변화하는 것을 나타내는 변동계수에 영향을 미치는 요인은 주파수 대역이라는 사실을 확인할 수 있었다. 아울러 Scheffe의 사후검정 결과에서는 SMR파 및 중간베타파의 경우가 세타파 및 델타파의 경우보다 변동계수의 평균값이 낮기 때문에 상대적으로 재현성이 높은 것으로 나타났다. SMR파 및 중간베타파의 변동계수 평균값이 낮게 나타난 것은 두 성분이 인간의 집중과 관련된 뇌파 성분이므로 피험자가 목표물을 주시하거나 상상하도록 과제를 제시한 것이 주요인이 되었을 것으로 생각된다.
따라서 변동계수는 제시한 시각 과제와는 상관없이 주파수 대역의 영향만을 받는다는 사실을 확인할 수 있었다. 아울러 각 주파수 대역의 변동계수 평균값 차이를 분석해 본 결과, 분석대상으로 설정한 7종류의 뇌파 주파수 대역에서 통계적으로 유의미한 차이를 나타낸 뇌파성분 중에서는 SMR파 및 중간베타파의 변동계수가 세타파 및 델타파의 변동계수보다 상대적으로 낮게 나타난다는 사실을 확인할 수 있었다. 이는 SMR파 및 중간베타파의 평균 절대 파워가 세타파 및 델타파의 평균 절대 파워에 비해 상대적으로 시간에 따른 변동 폭이 작은 뇌파 성분임을 알 수 있는 결과이다.
아울러 각 주파수 대역의 변동계수 평균값 차이를 분석해 본 결과, 분석대상으로 설정한 7종류의 뇌파 주파수 대역에서 통계적으로 유의미한 차이를 나타낸 뇌파성분 중에서는 SMR파 및 중간베타파의 변동계수가 세타파 및 델타파의 변동계수보다 상대적으로 낮게 나타난다는 사실을 확인할 수 있었다. 이는 SMR파 및 중간베타파의 평균 절대 파워가 세타파 및 델타파의 평균 절대 파워에 비해 상대적으로 시간에 따른 변동 폭이 작은 뇌파 성분임을 알 수 있는 결과이다. 이 결과는 인간이 집중한 상태에서 활성화되는 SMR파 및 중간베타파의 특성을 감안할 때, 개안 상태에서 목표물을 주시하도록 하거나 폐안 상태에서 목표물을 상상하도록 한 것과 시각 과제의 제시가 주요인이 되는 것으로 판단된다.
05에서 주파수 대역과 변동계수 간에는 통계적으로 유의미한 차이가 관찰되었다. 이러한 결과는 개인인증수단으로 EEG 신호를 활용할 시, 시각 과제의 유무는 변동계수에 영향을 미치지 못하지만 주파수 대역 성분은 변동계수에 영향을 미친다는 사실을 확인하였다.
따라서 SMR파 및 중간베타파의 경우가 세타파 및 델타파의 경우보다 변동계수의 평균값이 상대적으로 낮게 나타났다. 이러한 결과에서는 개인인증수단으로 EEG 신호를 활용함에 있어서는 SMR파 및 중간베타파 성분의 활용 가능성이 보다 높은 것으로 추정할 수 있다.
전체적인 결과를 종합하면, 피험자로부터 계측된 뇌파 데이터에서 시간에 따라 파워가 변화하는 것을 나타내는 변동계수에 영향을 미치는 요인은 주파수 대역이라는 사실을 확인할 수 있었다. 아울러 Scheffe의 사후검정 결과에서는 SMR파 및 중간베타파의 경우가 세타파 및 델타파의 경우보다 변동계수의 평균값이 낮기 때문에 상대적으로 재현성이 높은 것으로 나타났다.
표 2에서 제시한 이원 분산분석 결과에서 변동계수에 대한 시각 과제 유무의 효과를 분석한 결과, F 통계 값 0.01, 유의수준 0.05에서 시각 과제에 따라 변동계수에 유의미한 차이가 없는 것으로 나타났다. 시각 과제의 유무와 주파수 대역 간 상호작용에 대한 F 통계 값 2.
본 연구는 EEG 신호의 개인인증수단으로서 활용가능성을 분석하기 위하여 진행된 뇌파 실험 결과를 제시한 것이다. 피험자의 EEG 신호를 분석하였을 때, 시간에 따른 변화가 작게 나타나는 것이 재현성이 높은 뇌파 성분이라는 판단이 가능하다. 그런 기본적 사고에 따라 개인인증 수단으로 EEG 신호를 활용할 경우에 적용 가능성이 높은 뇌파 성분이라고 추정할 수 있다.
후속연구
본 연구에서는 피험자마다 시간적으로 랜덤하게 선정한 5일에 걸쳐 측정한 뇌파 데이터로 분석한 결과를 제시하고 있지만, 추후에는 동일한 피험자를 대상으로 보다 많은 횟수의 실험을 지속적으로 진행하여 재현성과 관련한 결과의 정확도를 향상시킬 계획을 가지고 있다. 또한 한 피험자로부터 재현성이 높은 뇌파를 계측하는 방법 및 개인의 고유한 특징을 추출하기 위한 다양한 분석법에 대한 연구도 병행할 필요하다고 생각된다.
본 연구에서는 피험자마다 시간적으로 랜덤하게 선정한 5일에 걸쳐 측정한 뇌파 데이터로 분석한 결과를 제시하고 있지만, 추후에는 동일한 피험자를 대상으로 보다 많은 횟수의 실험을 지속적으로 진행하여 재현성과 관련한 결과의 정확도를 향상시킬 계획을 가지고 있다. 또한 한 피험자로부터 재현성이 높은 뇌파를 계측하는 방법 및 개인의 고유한 특징을 추출하기 위한 다양한 분석법에 대한 연구도 병행할 필요하다고 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
EOG-Artifact filtering 기능이란?
본 연구에서 그림 1과 같은 과정을 통해 수집된 피험자의 뇌파는 눈 깜박임과 같은 안구 운동에 의한 잡음 성분을 제거하는 EOG-Artifact filtering 기능을 적용하여 전 처리한 후 분석하였다. 우선 피험자로부터 계측된 뇌파를 0.
현재 생체 인식 기술의 활용처는?
현재 생체 인식 기술은 스마트폰, 금융, 컴퓨터 보안, 출입국관리 등 다양한 분야에 적용되어 사용되고 있으며 인식 가능한 생체의 범위도 확대되고 있는 추세에 있다. 2019년 정보통신정책연구원에서 발간한 생체인증 시장 및 전망에 따르면, 다수의 시장조사 업체에서 세계 바이오 인증 시장 규모가 빠르게 성장할 것으로 예상하고 있다.
EEG 주파수 대역 확인을 위한 뇌파 측정을 통해 얻어낸 결과는?
시각 과제의 유무에 따라 개안 상태와 폐안 상태로 구분하여 뇌파를 측정하였으며, 이를 델타파, 세타파, 알파파, SMR파, 중간베타파, 베타파 및 감마파의 7종류의 주파수 대역으로 나누어 시간에 따른 파워의 변동이 가장 작은 주파수 대역을 관찰하였다. 본 논문의 결과에서는 개안 상태와 폐안 상태에서는 유의한 차이가 나타나지 않았으나, 인간의 집중과 관련한 SMR파 및 중간베타파가 시간에 따른 파워의 변동이 가장 작게 관찰되었기에 재현성이 높은 주파수 대역인 것으로 나타났다.
참고문헌 (11)
H. Gurkan, U. Guz, and B. S. Yarman, "A novel biometric authentication approach using electrocardiogram signals," Int. Conf. of the IEEE EMBS, Osaka, Japan, July 2013, pp. 4259-4262.
J. Cho, "Personal authentication performance evaluation of ECG and PCG bio-signals using principal component," Master's Thesis, Chungbuk National University Graduate School of Information Security Management, 2018.
W. Khalifa, A. Salem, M. Roushdy, and K. Revett, "A Survey of EEG Based User Authentication Schemes", The 8th Int. Conf. Informatics and Systems, Giza, Egypt, May 2012, pp. 55-60.
G. Choi, E. Kim, Y. Kang, S. Park, S. Park, S. Choi, and H. Hwang, "Development of a Biometric Authentication System Based on Electroencephalography," J. of Biomedical Engineering Research, vol. 39, no. 1, 2018, pp. 43-47.
J. Hwan, "A Study on Personal Authentication Technology Using Multiple Biometrics method," Doctor's Thesis, Dankook University Graduate School of Electronics and Electrical Engineering, 2019.
Y. Jang and J. Han, "Comparison of EEG Characteristics between Dementia Patient and Normal Person Using Frequency Analysis Method," J. of the Korea Institute of Electronic Communication Sciences, vol. 9, no. 5, May 2014, pp. 589-594.
Y. Jang, K. Park, and D. Han "EEG Signal Analysis for Relativity between Musical stimulus and Arithmetical Brain Activity," J. of the Korea Institute of Electronic Communication Sciences, vol. 9, no. 5, May 2014, pp. 595-600.
J. Kim and G. Park, "Personal authentication using biological signals Technology and DB construction," TTA J. of Telecommunications Technology Association, vol. 165, no. 1, May 2016, pp. 41-46.
A. Riera, A. S. Frisch, M. Caparrini, I. Cester, and G. Ruffini, Biometrics: Theory, Methods, and Applications. New Jersey: Wiley, 2009.
S. Sun, "Multitask Learning for EEG-Based Biometrics," Int. Conf. on Pattern Recognition, Florida, USA, Dec. 2008, pp. 51-55.
A. Zuquete, B. Quintela and P. S. Cunha, "Biometric Authentication using Brain Responses to Visual Simuli," Int. Conf. Bio-inspired Systems and Signal Processing, Valencia, Spain, Jan. 2010, pp. 103-110.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.