УДК 004

ИДЕНТИФИКАЦИОННЫЙ ПОТЕНЦИАЛ ПАРАМЕТРОВ ЭЛЕКТРОЭНЦЕФАЛОГРАММ ДЛЯ РЕШЕНИЯ ЗАДАЧ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ

Левитская Е.А.

канд. техн. наук, инженер-исследователь Российского федерального Ядерного Центра ВНИИТФ им. Е.И. Забабахина, г. Снежинск

Сулавко А.Е.

СибАДИреакций, подвергающ хся в дальнейшем анализу с целью выделения биометрических параметров. Оп саны ключевые ра оты в данной области, выполненные в России и за рубежом. Пр ведены дост гнутые показатели вероятностей ошибок.

канд. техн. наук, доцент кафедры «Комплексная защита информации» Омского государственного технического университета, г. Омск

Жумажанова С.С.

асп рант группы ИВТа-164 Омского государственного технического университета, г. Омск

Аннотац я. Проведен краткий обзор научных работ в области идентификации и

Ключевые слова: мон тор нг ЭЭГ, аутентификация, биометрический признак, анализ данных с гналов, обзор л тературы, распознавание образов.

развитием информационно-телекоммуникационных технологий все больше видов деятельности переносится в виртуальное пространство, все больше услуг предоставляется удаленно. В такой среде крайне важно доказать аутентичность виртуального образа удаленного пользователя (ра отника, партнера, студента, клиента, плательщика), а также обеспечить неотказуемость от совершенных действий.

Исследования последних лет показали, что параметры электроэнцефалограммы (ЭЭГ) сопоставимы по уникальности с отпечатком пальца. ЭЭГ – сигналы, характеризующие электрическую активность головного мозга, регистрируемые неинвазивно при помощи электродов, расположенных на поверхности головы. Особенностью образов ЭЭГ является наличие в них признаков (биометрических параметров), которые не подвержены осознанному волевому контролю со стороны субъекта, но в некоторой степени зависят от психоэмоционального состояния [1]. Это дает возможность для реализации защиты от попыток прохождения процедуры аутентификации под давлением со стороны третьих лиц.

Характер мозговых волн человека в стандартных условиях (расслабленное состояние с закрытыми глазами) практически полностью определяется генетически [2]. Этим обусловлена работоспособность методов идентификации личности по ЭЭГ. Помимо стандартных условий записи ЭЭГ также используются различные виды стимулов или задач для вызова потенциалов (для провокации мозга на выработку определенных реакций, подвергающихся в дальнейшем анализу). В научных работах для вызова соответствующих реакций мозга использовались следующие стимулы или задачи, предъявляемые испытуемым:

1.Задача дыхания. Субъекты закрывают глаза и фокусируются на их дыхании в течение нескольких секунд (минут).

2.Воображение движений. Субъекты воображают, что они двигают части тела (фактически не двигая их). Этот тип задач также принято называть «моторными изображениями». Доказано, что при определенной тренировке «моторные изображения» оказывают схожее влияние на мю-ритм мозга некоторых людей в сенсорно-моторной коре,

73

как и реальное выполненное движение [3]. Однако самостоятельный контроль сенсомоторных ритмов дается не всем испытуемым.

3.Воспроизведение движений в течение нескольких секунд (минут). При обучении пользователей ИМК делается упор на кинестетический опыт, а не на визуальное представление действий [4].

4.Мысленное пение или произношение отдельных слов (словосочетаний). Субъекты воображают, что поют (в тишине) в течение нескольких секунд (минут).

5.Прослушивание звуков. Субъекты закрывают глаза и слушают звуковой тон (либо СибАДИмузыку) в течение нескольких секунд (минут).

6.Визуальная стимуляция. Считается, что за зрительную обработку отвечают затылочные области мозга (там возн кает наиболее сильный визуально вызванный потенциал, обычно называемый VEP ли SSVEP) [5]. VEP – электрический ответ мозга на визуальный стимул.

7.Воспро зведен е кодовых мыслей [6]. Субъектов просят выбрать свою кодовую мысль либо представ ть предмет ли абстракцию (например, визуальную). Эта мысль подобна паролю.

Каждый в д ст мула ли задачи активизирует различные участки мозга (коры), анализ данных от соответствующ х электродов позволяет выявить признаки, характеризующие человека л бо его состоян е, выполняемое действие и другое. В коре мозга различают зоны – цитоархитектон ческ е поля Бродмана (выделено 52 поля). Более подробная карта мозга, содержащая около 180 функц ональныхзон, составлена в 2016 годуДэвидом ван Эссеном [7].

Существуют общедоступные азы данных ЭЭГ (DEAP, GrazIIIa, Alcoholism, PhysioNet и другие). В работе [8] соо щается о шести таких базах, которые можно использовать в собственных сследован ях. Однако со ранные базы содержат ЭЭГ, полученные при воздействии строго определенными видами стимулов. Применимость тех или иных баз ЭЭГ для целей исследования зависит от условий использования разрабатываемого метода идентификации (аутентификации).

Сигнал ЭЭГ обычно описывается понятием ритмической активности, которую принято классифицировать по частотам [9], разделяя на альфа (8-13 Гц), бета (14-40 Гц), гамма (30100 Гц), тета (4-8 Гц), дельта (1-4 Гц) и мю ритмы (волны, диапазоны).

Авторы работы [10] утверждают, что использование спектральной мощности гамма-волн мозга в качестве признаков повышает точность биометрической аутентификации по ЭЭГ. Проведен эксперимент, в котором использовались данные ЭЭГ 109 субъектов из базы PhysioNet (данные ЭЭГ были представлены в двух наборах: испытуемые прибывали в спокойном состоянии с открытыми глазами и закрытыми глазами). Между векторами признаков рассчитывались коэффициенты корреляции, исходя из которых принималось решение об отнесении субъекта к определенному классу. остигнут показатель коэффициента равной вероятности ошибок 1-го 2-го рода EER = 0.0196.

В работе [11] предложен метод идентификации личности по параметрам ЭЭГ, названный

CEREBRE (Cognitive Event-RElated Biometric REcognition). Принцип его работы состоит в оценке индивидуальных реакций на различные стимулы (первичное визуальное восприятие, распознавание знакомых лиц, вкуса). Был подготовлен тестовый набор из 400 изображений соответствующей тематики. В эксперименте приняло участие 50 добровольцев, которым

предложили выбрать визуальный образ-пароль. Испытуемым демонстрировали стимулы, при этом регистрировалась 26 канальная ЭЭГ (электроды расставлялись по всей поверхности головы) и 3-х канальная электроокулограмма. Полученные данные использовались для обучения. На стадии тестирования испытуемым показывали те же изображения в случайном порядке, но при возникновении перед изображением «черного ярлыка», субъекты представляли образ-пароль. В качестве данных для сравнения использовались связанные с событием потенциалы (ERP, event-related potential). По результатам эксперимента система идентифицировала испытуемых без ошибок. В дальнейшем было произведено исследование, в котором оценивалась устойчивость полученных результатов эксперимента спустя 514 дней [12]. В результате проверки была установлена аналогичная точность.

74

В работе [13] предложен преобразователь «биометрия-код» (ПБК) для генерации уникальных криптографических ключей на основе вейвлет-коэффициентов ЭЭГ-сигналов субъектов. Получены близкие оценки количества ошибок для двух различных групп испытуемых: 3.05% и 4.53%.

Вопросы создания ПБК для генерации криптографических ключей и длинных (стойких) паролей с использованием данных ЭЭГ освещены в литературе достаточно широко. Различные авторы рассматривают возможность применения схем на базе нечетких экстракторов (fuzzy extractor, fuzzy vault, fuzzy commitment) [14], а также на основе искусственных нейронных сетей, в том числе нечетких нейронных сетей (fuzzy neural

СибАДИМетоды глубокого обучения, такие как сверхточная нейронная сеть (CNN), используются для автоматического выделения отличительных признаков и идентификации личности. Обширный набор экспериментальных тестов, выполненных на базе данных ЭЭГ 40 субъектов, состоящих из двух разных сеансов, взятых с разрывом в неделю, показывает наличие повторяющихся идентифицирующих признаков в сигналах мозга индивидуумов. Точность варьировалась от 81,25% и 93% в зависимости от количества одновременно идентифицируемых лиц объема обучающей выборки.

группа Гончарова С.М. [16] (при необходимости можно привести больше работ). Испытуемым предлагалось последовательно концентрировать внимание цифрах, являющихся п н-кодом, проводя одновременно запись параметров ЭЭГ. Далее выполняется генерация ключа (который можно использовать в качестве аутентификатора или для формирован я электронной подписи) посредством двухслойной нейронной сети, обрабатывающей вектор значений признаков, извлекаемых из образа ЭЭГ. Для обучения

нейронной сети спользовался стандартизованный алгоритм из ГОСТ Р 52633.5-2011. Вычисление б ометр ческ х параметров из образа ЭЭГ основано на анализе вызванных

потенциалов P300. Для ст муляции предлагалось взглядом выбирать цифры, отображаемые белым цветом на черном фоне. Анализировались сигналы электродов, расположенных на

затылочной части головы. Вероятность ошибки «ложного допуска» составила 10-12. (эксперимент был повторен для 15 человек, проанализировано 5000 ЭЭГ).

В работе [17] рассматривается иометрическая идентификация на основе ЭЭГ с использованием задачи двигательной визуализации воображаемых движений рук и ног.

Приведенный перечень работ является далеко не полным, однако демонстрирует активный интерес к рассматриваемой тематике исследований. остигнутые результаты впечатляют. Можно сказать, что ЭЭГ обладает высоким потенциалом для идентификации личности человека. Однако имеется ряд нерешенных проблем, связанных с влиянием психофизиологического состояния человека на результат идентификации, сложность записи ЭЭГ, процедура прохождения идентификации оказывается длительной, что затрудняет пока использование разработанных методов на практике, а также получение оценок вероятностей ошибок с высокой достоверностью.

Благодарности

Работа выполнена при финансовой поддержке РФФИ (грант № 18-41-550002).

Библиографический список

1.Maria V. Ruiz-Blondet, Zhanpeng Jin, Sarah Laszlo. CEREBRE: A Novel Method for Very High Accuracy Event-Related Potential Biometric Identification // IEEE Transactions on Information Forensics and Security. – Volume: 11. – Issue: 7. – July 2016. – p. 1618 – 1629. DOI: 10.1109/TIFS.2016.2543524.

2.Фогель, Ф. Генетика человека: в 3 т.: пер. с англ. / Ф. Фогель, А. Мотульски; под ред. Ю.П. Алтухова, В.М. Гиндилиса. – М.: Мир, 1990. – Т. 3. – 366 с.

75

3.C.r H. et al. An Analysis of the Effect of EEG Frequency Bands on the Classification of Motor Imagery Signals // Int. J. Biomed. Soft Comput. Hum. Sci. Off. J. Biomed. Fuzzy Syst. Assoc. 2011. Vol. 16, № 1. P. 121–126.

4.Neuper C. et al. Imagery of motor actions: differential effects of kinesthetic and visualmotor mode of imagery in single-trial EEG // Brain Res. Cogn. Brain Res. 2005. Vol. 25, № 3. P. 668–677.

5.Гнездицкий В.В. Обратная задача ЭЭГ и клиническая электроэнцефалография

доступа» на основе электроэнцефалограммы в современных криптографических приложениях // Вестник СибГУТИ. 2016. – № 1. – с. 17-22.

17. Das R., Maiorana E., Campisi P. Motor Imagery for Eeg Biometrics Using Convolutional Neural Network // 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2018. P. 2062–2066.

76