Herkese merhaba arkadaşlar ben Coderx37
Bugün sizlerle EEG sinyalleri ve bu sinyallerin biyometrik veri sınıfında güvenliğini konuşacağız.
Bu konuyu okumadan önce EEG Konu Bu konuyu okumanız şiddetle tavsiye edilir.
OKUMA SÜRESİ: 13 dakika
Giriş:
Bu metnin amacı, EEG sinyallerini kullanarak yüksek güvenlik gerektiren kimlik doğrulama sistemlerinin günümüz dünyasındaki akıbetini değerlendirmektir.
Günümüzde, bireylerin kimliklerini güvenli bir şekilde doğrulamaları için parmak izi, iris tanıma, ses analizi ve yüz tanıma gibi biyometrik yöntemler sıklıkla kullanılmaktadır. Ancak, bu yöntemlerin bazı zayıf noktaları vardır ve biyometrik verilerin sahtesinin oluşturulabilmesi riski bulunmaktadır. Bu nedenle, kimlik doğrulama sistemlerini daha güvenli hale getirmek amacıyla farklı biyometrik özelliklerin araştırılması gerekmektedir.
Bu gereksinim doğrultusunda;
Elektroensefalogram (EEG) sinyalleri dikkat çeken bir biyometrik özellik olarak öne çıkmaktadır.
EEG sinyalleri, beyin aktivitesinin yansımasıdır ve bu aktivitenin kişiselleştirilmiş bir iz oluşturduğu genel kabul görmüş bir gerçektir. Dahası, EEG sinyalleri, diğer biyometrik verilere göre daha güvenli bir yapıya sahiptir ve kopyalanmaları son derece zorlu bir süreç gerektirir.
Bu güven nereden gelmekte?
1) Kişisel ve Kompleks İzler: Her bireyin EEG sinyalleri benzersizdir ve bu sinyaller, kişinin beyin aktivitesini yansıtır. Beyin aktivitesi, kişinin düşünce süreçleri, duygusal durumu ve diğer biyometrik özellikleri ile karmaşık bir şekilde ilişkilidir. Bu nedenle EEG sinyalleri, kişiselleştirilmiş ve karmaşık bir iz bırakır.
2) Beyin İçi Erişim Zorluğu: EEG sinyalleri, doğrudan kişinin beyin aktivitesini ölçer. Bu, bir başkasının sinyalleri çalmak için kişinin beyin aktivitesine fiziksel olarak erişmesi gerektiği anlamına gelir. Diğer biyometrik veriler, örneğin parmak izleri veya yüz tanıma, daha kolay bir şekilde kopyalanabilir.
3) Sürekli Değişen Doğa: EEG sinyalleri, kişinin sürekli olarak değişen zihinsel ve duygusal durumlarına yanıt verir. Bu sürekli değişen doğa, kopyalama girişimlerini daha karmaşık hale getirir. Diğer biyometrik özellikler, sabit bir yapıya sahiptir ve bu nedenle daha kolay bir şekilde kopyalanabilir.
Kişinin EEG verilerini kafasına zorla makine takıp almaya çalışmanız durumunda kişi anlık korku duygusu ile gereken işlemi tamamlayamayacaktır.
4) Donanım ve Yazılım Gereksinimleri: EEG sinyallerinin doğru bir şekilde ölçülmesi için özel donanım ve yazılım gereklidir. Bu, sinyali izinsiz olarak çalmayı daha karmaşık bir hale getirir.
2) Beyin İçi Erişim Zorluğu: EEG sinyalleri, doğrudan kişinin beyin aktivitesini ölçer. Bu, bir başkasının sinyalleri çalmak için kişinin beyin aktivitesine fiziksel olarak erişmesi gerektiği anlamına gelir. Diğer biyometrik veriler, örneğin parmak izleri veya yüz tanıma, daha kolay bir şekilde kopyalanabilir.
3) Sürekli Değişen Doğa: EEG sinyalleri, kişinin sürekli olarak değişen zihinsel ve duygusal durumlarına yanıt verir. Bu sürekli değişen doğa, kopyalama girişimlerini daha karmaşık hale getirir. Diğer biyometrik özellikler, sabit bir yapıya sahiptir ve bu nedenle daha kolay bir şekilde kopyalanabilir.
Kişinin EEG verilerini kafasına zorla makine takıp almaya çalışmanız durumunda kişi anlık korku duygusu ile gereken işlemi tamamlayamayacaktır.
4) Donanım ve Yazılım Gereksinimleri: EEG sinyallerinin doğru bir şekilde ölçülmesi için özel donanım ve yazılım gereklidir. Bu, sinyali izinsiz olarak çalmayı daha karmaşık bir hale getirir.
Biyometrik kimlik doğrulama sistemleri birçok farklı uygulama alanında kullanılır, özellikle yanımızdan hiç ayırmadığımız telefon, bilgisayar gibi teknolojik cihazlar için idealdir.
Ancak, veri gizliliği, veri güvenliği ve yanılma oranı gibi konuların titizlikle ele alınması gerekmektedir.
Bilgi temelli kimlik doğrulama, kullanıcıların kendilerine özgü numara kombinasyonları veya kullanıcı adı-şifre gibi gizli bilgiler kullanarak kimliklerini doğruladıkları bir sistemdir. Bu gizli bilgiler, güvenlik amacıyla özel bir veri tabanında saklanır. Sisteme giriş yapmak isteyen kullanıcılar, bu gizli bilgileri girdiklerinde, veri tabanındaki bilgilerle eşleştiklerinde kimlikleri doğrulanır. Ancak, bu sistemlerin dezavantajı, kullanıcıların kombinasyon veya kullanıcı adı-şifre bilgilerinin kolayca başkalarının eline geçebilme riskidir.
Aidiyet temelli kimlik doğrulama, kullanıcıların genellikle eşsiz ve kendileriyle özdeşleşmiş nesneleri, örneğin kapı anahtarları, kriptografik anahtarlar veya manyetik kartlar gibi nesneleri kullanarak sisteme giriş yapmalarını sağlar. Ancak, bu kimlik doğrulama yöntemi, bu nesneleri kaybetme riski gibi potansiyel tehlikeler içermektedir.
bu iki riskli durum ele alındığında bir yol daha ortaya çıkıyor.
Ancak, veri gizliliği, veri güvenliği ve yanılma oranı gibi konuların titizlikle ele alınması gerekmektedir.
Bilgi temelli kimlik doğrulama, kullanıcıların kendilerine özgü numara kombinasyonları veya kullanıcı adı-şifre gibi gizli bilgiler kullanarak kimliklerini doğruladıkları bir sistemdir. Bu gizli bilgiler, güvenlik amacıyla özel bir veri tabanında saklanır. Sisteme giriş yapmak isteyen kullanıcılar, bu gizli bilgileri girdiklerinde, veri tabanındaki bilgilerle eşleştiklerinde kimlikleri doğrulanır. Ancak, bu sistemlerin dezavantajı, kullanıcıların kombinasyon veya kullanıcı adı-şifre bilgilerinin kolayca başkalarının eline geçebilme riskidir.
Aidiyet temelli kimlik doğrulama, kullanıcıların genellikle eşsiz ve kendileriyle özdeşleşmiş nesneleri, örneğin kapı anahtarları, kriptografik anahtarlar veya manyetik kartlar gibi nesneleri kullanarak sisteme giriş yapmalarını sağlar. Ancak, bu kimlik doğrulama yöntemi, bu nesneleri kaybetme riski gibi potansiyel tehlikeler içermektedir.
bu iki riskli durum ele alındığında bir yol daha ortaya çıkıyor.
Biyometrik kimlik doğrulama
Biyometrik kimlik doğrulama kişilerin kendilerini diğerlerinden ayıran benzersiz fizyolojik veya davranışsal özelliklerini kullanır. Parmak izi, EEG, yüz tanıma, iris tarama, el izi veya imza gibi bu özellikler, kimlik doğrulama için kullanılır ve kişinin kimliğini kesin bir şekilde tanımlar.
EEG sinyallerinin biyometrik tanıma için potansiyeli aşağıdaki faktörlere dayanmaktadır:
EEG sinyallerinin biyometrik tanıma için potansiyeli aşağıdaki faktörlere dayanmaktadır:
Benzersizlik: Her bireyin EEG sinyalleri kendine özgüdür. Beyindeki anatomik ve fizyolojik farklılıklar, kişiye özgü EEG örüntülerinin oluşmasına neden olur. Bu benzersizlik, bir kişiyi diğerlerinden ayırt etmek için kullanılabilir.
Güvenlik: EEG sinyalleri, fiziksel olarak kopyalanması veya sahtelenmesi zor olan bir biyometrik özellik olarak kabul edilir. Diğer biyometrik özelliklere kıyasla daha güvenli bir tanıma yöntemi olabilir, çünkü EEG sinyalleri beyinde doğrudan oluşan bir aktiviteyi yansıtır ve dışarıdan manipüle edilmesi zordur.
Dinamiklik: EEG sinyalleri, zaman içindeki değişiklikleri yansıtır. Beyin aktivitesi, bireyin zihinsel durumu, duygusal durumu, dikkat seviyesi gibi faktörlere bağlı olarak değişir. Bu dinamiklik, daha sağlam ve güvenilir bir biyometrik tanıma sistemine olanak sağlayabilir.
Ölçeklenebilirlik: EEG sinyalleri, farklı durumlarda ve farklı görevlerde kaydedilebilir. Bu, biyometrik tanıma sistemlerinin çeşitli senaryolarda kullanılabilmesini sağlar. Örneğin, EEG tabanlı bir tanıma sistemi, dikkat odaklı görevlerde veya beyin aktivitesinin duygusal tepkilere yanıt olarak değerlendirildiği durumlarda kullanılabilir. EEG sinyalleriyle biyometrik tanıma yapmak için, sinyallerin işlenmesi, özellik çıkarılması ve sınıflandırma yöntemlerinin kullanılması gerekmektedir. MATLAB gibi programlar, EEG sinyallerinin analizinde yaygın olarak kullanılan araçları sağlar.
Güvenlik: EEG sinyalleri, fiziksel olarak kopyalanması veya sahtelenmesi zor olan bir biyometrik özellik olarak kabul edilir. Diğer biyometrik özelliklere kıyasla daha güvenli bir tanıma yöntemi olabilir, çünkü EEG sinyalleri beyinde doğrudan oluşan bir aktiviteyi yansıtır ve dışarıdan manipüle edilmesi zordur.
Dinamiklik: EEG sinyalleri, zaman içindeki değişiklikleri yansıtır. Beyin aktivitesi, bireyin zihinsel durumu, duygusal durumu, dikkat seviyesi gibi faktörlere bağlı olarak değişir. Bu dinamiklik, daha sağlam ve güvenilir bir biyometrik tanıma sistemine olanak sağlayabilir.
Ölçeklenebilirlik: EEG sinyalleri, farklı durumlarda ve farklı görevlerde kaydedilebilir. Bu, biyometrik tanıma sistemlerinin çeşitli senaryolarda kullanılabilmesini sağlar. Örneğin, EEG tabanlı bir tanıma sistemi, dikkat odaklı görevlerde veya beyin aktivitesinin duygusal tepkilere yanıt olarak değerlendirildiği durumlarda kullanılabilir. EEG sinyalleriyle biyometrik tanıma yapmak için, sinyallerin işlenmesi, özellik çıkarılması ve sınıflandırma yöntemlerinin kullanılması gerekmektedir. MATLAB gibi programlar, EEG sinyallerinin analizinde yaygın olarak kullanılan araçları sağlar.
Özetlemek gerekirse, EEG sinyalleri, benzersizlik, güvenlik, dinamiklik ve ölçeklenebilirlik gibi faktörler nedeniyle biyometrik tanıma için potansiyele sahiptir. Ancak, EEG tabanlı bir tanıma sistemi geliştirmek karmaşık olabilir ve doğruluk oranını artırmak için gelişmiş sinyal işleme ve veri analizi tekniklerinin kullanılması gerekebilir.
Peki bu Doğrulama işlemi nasıl gerçekleştiriliyor?
Kalıp Eşleştirme: Bu yöntemde, bir kişinin önceden kaydedilmiş EEG kalıpları bir veritabanında saklanır. Kimlik doğrulama veya tanıma sırasında, mevcut EEG sinyalleri kaydedilir ve saklanan kalıplarla karşılaştırılır. Benzerlik ölçütleri kullanılarak bir eşleşme skoru hesaplanır ve belirli bir eşik değeri aşıldığında bir kişi tanınır veya doğrulanır.
Madem bu kadar güvenli ve mantıklı neden şuan kullanılmıyor?
EEG sinyallerinin ölçülebileceği cihazların maliyeti bu alanla hobi olarak ilgilenen bir insanın asla karşılayamayacağı düzeydedir.
Maliyetin bu kadar yüksek olması sebebiyle bu teknolojiye ulaşım oldukça zordur.
Rakipleri olan Göz, parmak izi, yüz gibi biyometrik verileri toplayan sensörler çok ucuza tedarik edilmektedir.
Maliyetin bu kadar yüksek olması sebebiyle bu teknolojiye ulaşım oldukça zordur.
Rakipleri olan Göz, parmak izi, yüz gibi biyometrik verileri toplayan sensörler çok ucuza tedarik edilmektedir.
Verilerin filtrelenmesi ve Epoklama
Beyin kompleks bir yapıdır ve sürekli çalışmakta, her duruma tepki oluşturmaktadır.
Bu kadar veri trafiği içerisinde istediğimiz verileri elde edebilmemiz için belirli filtreleme işlemleri uygulamamız gerekmektedir.
şimdi filtreleme tekniklerine bakalım:
Bu kadar veri trafiği içerisinde istediğimiz verileri elde edebilmemiz için belirli filtreleme işlemleri uygulamamız gerekmektedir.
şimdi filtreleme tekniklerine bakalım:
Epoklama, EEG sinyalini zaman aralıklarına ayırarak analiz için daha küçük parçalara bölmek anlamına gelir. Bu yöntem, sinyal üzerindeki belirli olayları veya durumları incelemek için kullanılır. Örneğin, bir görev tabanlı EEG deneyinde, belirli bir uyarıcıya veya görev dönemine ilişkin beyin aktivitesini analiz etmek için epoklar oluşturulur.
Düşük Geçiren Filtre (Low-pass Filter): Düşük geçiren filtre, belirli bir frekansın üzerindeki bileşenleri azaltır veya filtreler. Bu filtre, yüksek frekans gürültüsünü ortadan kaldırarak düşük frekanslı bileşenlere odaklanmayı sağlar. EEG sinyallerindeki yüksek frekansları filtrelemek için kullanılabilir.
Yüksek Geçiren Filtre (High-pass Filter): Yüksek geçiren filtre, belirli bir frekansın altındaki bileşenleri azaltır veya filtreler. Bu filtre, düşük frekans gürültüsünü ortadan kaldırarak yüksek frekanslı bileşenlere odaklanmayı sağlar. EEG sinyallerindeki düşük frekanslı bileşenleri filtrelemek için kullanılır.
Band Geçiren Filtre (Band-pass Filter): Band geçiren filtre, belirli bir frekans aralığındaki bileşenleri korurken diğer frekanslardaki bileşenleri azaltır veya filtreler.
Bu filtre, belirli bir frekans bandında yoğunlaşmayı sağlar. Örneğin, belirli bir EEG frekans aralığındaki dalga aktivitesini vurgulamak için kullanılır.
Band Engelleyen Filtre (Band-stop Filter): Band engelleyen filtre, belirli bir frekans aralığındaki bileşenleri ortadan kaldırır veya azaltırken diğer frekanslardaki bileşenleri korur. Bu filtre, istenmeyen frekans bantlarındaki gürültüyü kaldırmak için kullanılır.
Yüksek Geçiren Filtre (High-pass Filter): Yüksek geçiren filtre, belirli bir frekansın altındaki bileşenleri azaltır veya filtreler. Bu filtre, düşük frekans gürültüsünü ortadan kaldırarak yüksek frekanslı bileşenlere odaklanmayı sağlar. EEG sinyallerindeki düşük frekanslı bileşenleri filtrelemek için kullanılır.
Band Geçiren Filtre (Band-pass Filter): Band geçiren filtre, belirli bir frekans aralığındaki bileşenleri korurken diğer frekanslardaki bileşenleri azaltır veya filtreler.
Bu filtre, belirli bir frekans bandında yoğunlaşmayı sağlar. Örneğin, belirli bir EEG frekans aralığındaki dalga aktivitesini vurgulamak için kullanılır.
Band Engelleyen Filtre (Band-stop Filter): Band engelleyen filtre, belirli bir frekans aralığındaki bileşenleri ortadan kaldırır veya azaltırken diğer frekanslardaki bileşenleri korur. Bu filtre, istenmeyen frekans bantlarındaki gürültüyü kaldırmak için kullanılır.
FİNAL VE DENEY
Henüz kesinliği hakkında net fikirler olmayan EEG sistemlerini günümüzün önemli bir parçası haline getirmeden önce şu gereksinimleri ve durumları da bilmeliyiz:
EEG Sinyalleri şuan teknolojinin el verdiği kadarıyla kafaya takılan büyük ve pahalı cihazlarla yapılmaktadır. yani taşınabilir değildir.
Bir veri doğrulama işlemi yaklaşık 15-20 sn civarı sürse de ilk EEG ölçümleri 15 dakika civarında sürmektedir.
Sağlığa bilinen hiç bir zararı yoktur lakin belli bir duruma odaklanmak ve devamında tekrardan o durumu düşünmenin, odaklanmanın vereceği zihinsel yorgunluk bilinmektedir.
EEG Sinyalleri şuan teknolojinin el verdiği kadarıyla kafaya takılan büyük ve pahalı cihazlarla yapılmaktadır. yani taşınabilir değildir.
Bir veri doğrulama işlemi yaklaşık 15-20 sn civarı sürse de ilk EEG ölçümleri 15 dakika civarında sürmektedir.
Sağlığa bilinen hiç bir zararı yoktur lakin belli bir duruma odaklanmak ve devamında tekrardan o durumu düşünmenin, odaklanmanın vereceği zihinsel yorgunluk bilinmektedir.
Şimdi sonuçları teknik olarak ele alalım:
Şöyle bir senaryomuz olsun
3 erkek 5 kız olmak üzere 8 katılımcıdan alınan 14 kanallı EEG sinyalleriyle veri setleri oluşturalım. ve gereken tüm epoklama, filtreleme işlemlerini halledelim.
Bu 8 kişiden düşünce yoluyla bir kasayı açmaları istenmektedir.
Bu deneyden elde edilen veriler ışığında en kısa süren kasa açma işleminin 10 saniye sürdüğü saptanmıştır ve veri toplanma anında esas alınan odaklanma ve düşünme durumunu yapılan literatür taraması sonucunda karşılayan frekans aralığının Beta Düşük ve Beta Orta olduğu görülmüştür. Alt frekans bantları için ayrı ayrı oluşturulan performans değerlendirme tabloları sonucunda, Beta-Orta frekans bandında özelliklerin yüzde10’u (3 adet özellik) kullanılarak Karar Ağaçları algoritmasının %100 doğruluk oranı ile en iyi performans gösteren algoritma olduğu belirlenmiştir.
Hedeflenen alt frekans bantlarına ilişkin tahmin modelleri oluşturulmuş ve minimum sürede tespitler gerçekleştirilmiştir. Oluşturulan her bir frekans bant aralığı için modeller farklı performans göstermiştir. Kasa açma işlemi 10 saniyelik epoklarla gerçekleştirilmiştir. %100 doğruluk oranı elde edilmiştir.
3 erkek 5 kız olmak üzere 8 katılımcıdan alınan 14 kanallı EEG sinyalleriyle veri setleri oluşturalım. ve gereken tüm epoklama, filtreleme işlemlerini halledelim.
Bu 8 kişiden düşünce yoluyla bir kasayı açmaları istenmektedir.
Bu deneyden elde edilen veriler ışığında en kısa süren kasa açma işleminin 10 saniye sürdüğü saptanmıştır ve veri toplanma anında esas alınan odaklanma ve düşünme durumunu yapılan literatür taraması sonucunda karşılayan frekans aralığının Beta Düşük ve Beta Orta olduğu görülmüştür. Alt frekans bantları için ayrı ayrı oluşturulan performans değerlendirme tabloları sonucunda, Beta-Orta frekans bandında özelliklerin yüzde10’u (3 adet özellik) kullanılarak Karar Ağaçları algoritmasının %100 doğruluk oranı ile en iyi performans gösteren algoritma olduğu belirlenmiştir.
Hedeflenen alt frekans bantlarına ilişkin tahmin modelleri oluşturulmuş ve minimum sürede tespitler gerçekleştirilmiştir. Oluşturulan her bir frekans bant aralığı için modeller farklı performans göstermiştir. Kasa açma işlemi 10 saniyelik epoklarla gerçekleştirilmiştir. %100 doğruluk oranı elde edilmiştir.
Sonuç olarak 10 saniyelik sürede oluşturulan tahmin modelleri ile yüksek doğruluk oranında kasa açma işlemi yapılmıştır.
Yani yakın gelecekte EEG sinyallerini biyometrik veri olarak kullanmamız mümkün gözüküyor.
OKUDUĞUNUZ İÇİN TEŞEKKÜRLER.
