จำนวนเซลล์ประสาทที่เหมาะสมในชั้นข้อมูลแอบแฝงสำหรับปัญหาพิสูจน์ตัวตนโดยใช้สัญญาณคลื่นสมอง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ ได้กล่าวถึงเรื่องจำนวนเซลล์ประสาทที่เหมาะสมในชั้นข้อมูลแอบแฝงโดยใช้ปัญหาการพิสูจน์บุคคล โดยใช้คลื่นสมองช่วงเดลต้ามาศึกษาจำนวนเซลล์ประสาทที่เหมาะสม จากหลักการของโครงข่ายประสาทแบบมีการสอน
(Supervised neural network) จำนวนเซลล์ประสาทที่เหมาะสมในชั้นข้อมูลแอบแฝง เป็นปัจจัยที่สำคัญปัจจัยหนึ่ง ซึ่งจะทำให้การเรียนรู้ได้ผลดีขึ้น ดังนั้นวัตถุประสงค์ของการศึกษานี้คือศึกษาถึงจำนวนเซลล์ประสาทที่เหมาะสมในชั้นข้อมูล แอบแฝง โดยใช้ผู้ทดลอง 30 คน สัญญาณคลื่นสมอง 1,000 จุด ในตำแหน่ง F4, P4, C4 และ O2 มีการใช้เทคนิคการ วิเคราะห์องค์ประกอบอิสระ (ICA) โดยวิธี SOBIRO ในการแยกสัญญาณรบกวนออกจากสัญญาณคลื่นสมองของแต่ละบุคคล และคัดแยกคลื่นสมองโดยใช้ช่วงที่มีความถี่ต่ำกว่า 4 เฮิรตซ์มาทดสอบ ใช้เทคนิคของเครือข่ายประสาทเทียมในการวัดค่า ความถูกต้องของการระบุตัวตน โดยมีการเปลี่ยนค่าจำนวนเซลล์ประสาทในชั้นข้อมูลแอบแฝงตั้งแต่ 1-30 เซลล์ เพื่อทดสอบหา ค่าความถูกต้องของการระบุตัวตน โดยทดสอบกับกลุ่มผู้ทดสอบตั้งแต่ 20 คนจนถึงกลุ่ม 30 คน เพื่อหาจำนวนเซลล์ประสาท ที่เหมาะสมในชั้นข้อมูลแอบแฝงในแต่ละกลุ่ม
Article Details
บทความที่ได้รับการตีพิมพฺเป็นลิขสิทธิ์ของวารสาร
เอกสารอ้างอิง
Circuits Syst Video Technol 14(1), pp.4–20.
2. Paranjape RB, Mahovsky J, Benedicenti L, Koles Z., 2001. The electroencephalogram as a
biometrics. Proc Can Conf Electr. Comput Eng 2, pp.1363–6.
3. Poulos M, Rangoussi M, Alexandris N, Evangelou., 2001. A On the use of EEG
features towards person identification via neural networks. Med Inform Internet Med 26(1),
pp.35–48.
4. Poulos M, Rangoussi M, Alexandris N, Evangelou A., 2002. Person identification from the EEG
using nonlinear signal classification. Methods Inf Med 41(1), pp.64–75.
5. Palaniappan R, Ravi KVR., 2003. A new method to identify individuals using signals from the
brain. In: Proceedings of fourth international conference information communication and
signal processing, pp 15–18.
6. Palaniappan R, Mandic D.P., 2007. Biometrics from brain electrical activity: a machine
learning approach. IEEE Trans Pattern Anal Mach Intell 29, pp.738–42.
7. Palaniappan R., 2004. Method of identifying individuals using VEP signals and neural
network. IEEE Proc Sci Mea Technol 151(1), pp.16–20.
8. Palaniappan R, Mandic D.P., 2007. EEG based biometric framework for automatic identity
verification. VLSI Signal Process 2(2), pp.243–50.
9. Marcel S, Millan J., 2007. Person authentication using brainwaves (EEG) and maximum a
posteriori model adaptation. IEEE Trans Pattern Anal Mach Intell 29(4), pp.743–52.
10. Tangkraingkij P, Lursinsap C, Sanguansintukul S, Desudchit.T., 2009. Selecting relevant EEG
signal locations for personal identification problem using ICA and neural network.
In: Eighth IEEE/ACIS international conference on computer and information science (ICIS 2009),
pp.616–21.
11. Tangkraingkij P, Lursinsap C, Sanguansintukul S, Desudchit T., 2010. Personal identification
by EEG using ICA and neural network. In: Computational science and its applications
(ICCSA2010), Lecture Notes in Computer Science vol 6018, pp 419–30.
12. Tangkraingkij P, Lursinsap C, Sanguansintukul S, Desudchit T.,2013. Insider and outsider
person authentication with minimum number of brain wave signals by neural and homoge
neous identity filtering. Neural Computing & Applications, Volume 22, Issue 1 Supplement,
pp. 463-76.
13. Tangkraingkij P., 2015. Significant Frequency Range of Brainwave Signals for Authentication.
Study in Computer Intelligence 612 (Software Engineering, Artificial Intelligence, Networking
and Parallel/Distributed Computing 2015), pp.103-113.
14. Boger, Z., and Guterman, H., 1997. Knowledge extraction from artificial neural network
models: IEEE Systems, Man, and Cybernetics Conference, Orlando, FL, USA.
15. Berry, M.J.A., and Linoff, G., 1997. Data Mining Techniques, NY: John Wiley & Sons.
16. Blum, A., 1992. Neural Networks in C++, NY: Wiley.
17. Cichocki, A., 2004. Blind Signal Processing Methods for Analyzing Multichannel Brain
Signals, International Journal of Bioelectromagnetism 6. (1).
18. Cichocki, A., Amari, S.,Siwek, K., Tanaka T., et al.: ICALAB toolboxes. https://www.bsp.brain.
riken.jp/ICALAB
