Журнал высшей нервной деятельности им. И.П. Павлова, 2020, T. 70, № 1, стр. 40-49

ВВЕДЕНИЕ

Современный мир и социум развиваются в сторону виртуального пространства: учетные записи в социальных сетях, онлайн банкинг, облачное хранение данных, аренды автомобилей, онлайн магазины и покупки в интернете. Все эти сферы услуг становятся мобильными и более доступными, но с другой стороны требуют надежной идентификации пользователя. Поскольку способы виртуального мошенничества также увеличиваются, сейчас обычно происходит многоуровневая проверка пользователя: создание логина и пароля, привязка к мобильному телефону, адресу электронной почты, контрольный вопрос, пин-код – все эти процедуры отнимают много времени у пользователя и не являются достаточно надежными. Даже проверка отпечатка пальцев не является надежным фактором защиты – его легко можно подделать, используя всего лишь детский пластилин.

Постепенно способы идентификации и аутентификации смещаются в сторону биометрических данных, которые являются более надежными по сравнению с паролями [Chan et al., 2018]. Среди различных методов, которые были разработаны, метрика, основанная на электроэнцефалографии (ЭЭГ), отличается непревзойденной универсальностью при различных задачах, абсолютной уникальностью у каждого человека, что сводит к минимуму риск мошенничества. Впервые идентификация, основанная на индивидуальных характеристиках ЭЭГ, зарегистрированной в состоянии покоя, была продемонстрирована в 1999 г. [Poulos et al., 1999a; Poulos et al., 1999b; Poulos et al., 2002]. Однако большинство усилий в работе с индивидуальными паттернами ЭЭГ были сосредоточены на проблеме “интерфейс мозг-компьютер”, хотя уже тогда было понятно, что существуют довольно устойчивые паттерны ЭЭГ, регистрируемые при движении руки или пальца.

Основные проблемы широкого применения и коммерциализация распознавания личности на основе ЭЭГ состоят даже не в мобильном быстром считывании или регистрации ЭЭГ – в одной из работ [Chuang et al., 2013] было показано, что достаточно регистрации одного канала ЭЭГ сухим электродом. Главная проблема – выделить устойчивые паттерны и показатели ЭЭГ, которые вне зависимости от эмоционального и физического состояния человека, а также вне зависимости от времени, которое прошло с момента последней регистрации, позволят производить точное и надежное распознавание.

Система аутентификации или идентификации должна иметь возможность распознавать зарегистрированных клиентов, даже когда они возвращаются через дни, недели или годы спустя. В работе Марселя [Marcel, Millan, 2007] половина общего уровня ошибок системы аутентификации на основе ЭЭГ увеличивалась с 7.1 до 36.2 всего через 3 дня после первой регистрации. Эта тенденция также наблюдалась в исследовании Ху и соавт. [Hu et al., 2011], где производительность системы идентификации оценивалась за различные промежутки времени. Процент распознавания после однодневного периода составил 94.60%; тем не менее, после недели он снизился до 83.64% и до 78.20% через 6 месяцев. В одной из работ [Chan et al., 2018] для распознавания использовали паттерн ЭЭГ при поднятии пальцев. Классификатор был обучен с использованием данных, полученных в предыдущие дни, но при тестировании с использованием вновь полученных данных точность распознавания падала до 10%. Авторы другой статьи [Yang, Deravi, 2017] также указывают на проблему устаревания с течением времени шаблона распознавания, построенного на основании показателей ЭЭГ.

Еще одна проблема, на которую необходимо обратить внимание, – это протокол регистрации ЭЭГ. Различные группы исследователей пробуют разные протоколы: одни группы применяют только состояние спокойного бодрствования с закрытыми и открытыми глазами [Fraschini et al., 2014; Nguyen et al., 2017]; другие же пробуют различные моторные задачи [Hu, 2009; Malinka et al., 2011]; когнитивные задачи на вычисление [Touyama, Hirose, 2008; Das, et al., 2009]; предъявление звуковых и визуальных стимулов [Palaniappan, Mandic, 2005]; ментальные задачи (представление) [Chuang et al., 2013; Rahman, Gavrilova, 2016; Rahman, Gavrilova, 2017; Гончаров, Вишняков, 2012].

Как правило, протоколы, включающие различные задачи, более воспроизводимы, чем протоколы без задач; кроме того, протоколы с простыми задачами, основанными на сенсорных предъявлениях, более воспроизводимы, чем протоколы со сложными задачами, требующими вычислений [Chan et al., 2018]. С одной стороны сложные протоколы с вычислительными задачами хорошо различаются между людьми, но с другой стороны они занимают очень много времени и вряд ли могут претендовать на повсеместное использование. Использование предъявляемых стимулов и вызванные потенциалы в качестве показателей скрывает за собой другую проблему – эффект повторения или нейронную адаптацию, которая влечет за собой снижение ответа на один и тот же стимул [Noguchi et al., 2005]. В связи в этим мы пришли к выводу, что наиболее перспективными протоколами будут состояние покоя с закрытыми или открытыми глазами и простые моторные задачи, связанные с наблюдением, представлением и выполнением движений рукой.

Различные группы исследователей, работающие над данной проблемой, используют также разные характеристики ЭЭГ для классификации в задаче распознавания: это и мощностные показатели ЭЭГ разных ритмов [Soni et al., 2016; Thomas, Vinod, 2018], фрактальные размерности, вейвлет-преобразование [Rahman, Gavrilova, 2016; Rahman, Gavrilova, 2017], потенциалы P300, N400 [Гончаров, Вишняков, 2012], при этом нет четких выводов о преимуществе одного из показателей [Chan et al., 2018].

Таким образом, главной проблемой биометрического распознавания пользователя на основании данных ЭЭГ является поиск стабильных устойчивых паттернов и показателей ЭЭГ, а также тестирование задач, при которых возможно зарегистрировать устойчивые паттерны ЭЭГ. В связи с этим задачей нашего исследования было выявить, какой из ритмических паттернов ЭЭГ и какой тип задач является наиболее устойчивым при регистрации в различные дни в течение 3 мес.

МЕТОДИКА

В эксперименте участвовали 5 человек (мужчины, 21 ± 2 год, правши), все участники эксперимента были практически здоровы и не имели неврологических нарушений. С каждым из испытуемых производилась запись ЭЭГ пять раз в течение трех месяцев, в среднем перерыв между записью составлял 20–25 дней. ЭЭГ регистрировали в состоянии спокойного бодрствования с закрытыми и открытыми глазами, а также при наблюдении, представлении и выполнении трех моторных задач с различным контекстом. В качестве стимульного материала предлагался просмотр видеороликов, иллюстрирующих двигательный акт в трех различных контекстах, – простое сжимание кисти, эмоциональное постукивание пальцев по столу и целевое действие, написание ручкой (рис. 1). После просмотра каждого действия (задача “наблюдение”) испытуемым предлагалась сначала представить, как они совершают такое же движение рукой (“представление”), а затем выполнить ее самостоятельно (“выполнение”).

Рис. 1.

Фрагменты стимульного видеоролика со сжиманием кисти.

Fig. 1. Fragments of a stimulus video with a clenched brush.

Оценка динамики биоэлектрической активности мозга во время просмотра видеоклипов и выполнения инструкций по каждому блоку проводилась на основе электроэнцефалографических данных. Запись ЭЭГ осуществлялась с помощью энцефалографа-анализатора “Нейровизор” с 12 электродами (Fp1, Fp2, F3, F4, C3, C4, Cz, P3, P4, Pz, T3, T4), расположенных по системе “10-20”, монополярно относительно объединенных ушных электродов А1 и А2. Для всех отведений задавали частоту опроса 250 Гц, полосы фильтрации 0.5–70 Гц, импеданс менее 20 кОм.

Регистрацию фонового состояния с закрытыми и открытыми глазами проводили в течение 2 мин, моторных задач – в течение 45 с (хронометраж эксперимента указан в табл. 1).

Для каждого фрагмента записи осуществлялся спектральный анализ. Эпоха анализа для Фурье-преобразования составляла 4.85 с. В результате по каждому фрагменту записи для дельта- (2–4 Гц), тета- (4–8 Гц), альфа- (8–13 Гц), бета- (13–25 Гц) ритмов по 12 каналам были получены значения абсолютной мощности Р (мкВ²) ЭЭГ. Далее показатели мощности усреднялись по всем каналам и по каждой пробе получали средние значения мощности ритмов ЭЭГ.

Для того чтобы оценить разброс спектральных показателей мощности в разные дни регистрации ЭЭГ у одного и того же испытуемого, мы использовали нормированное стандартное отклонение (стандартное отклонение, отнесенное к среднему значению выборки), которое также называют коэффициентом вариации. Коэффициент вариации применяется, когда средние показатели изучаемых групп значительно отличаются друг от друга; или когда необходимо сравнить показатели, выраженные в различных мерах измерения. Коэффициент вариации является функцией обоих статистических параметров – среднего квадратического отклонения (СКО) и средней арифметической. Формула для вычисления коэффициента вариации выборки выглядит следующим образом:

Таким образом, вычисляя средние значения мощности и СКО мощности каждого ритма в различных пробах по 5 разным дням эксперимента, мы получили коэффициент вариации для значений спектральных мощностей ритмов каждого испытуемого в каждой пробе. Данный показатель можно сравнивать между различными ритмами и разными испытуемыми.

Методики исследования одобрены этическими комитетами Института высшей нервной деятельности и нейрофизиологии РАН. Каждый испытуемый подписывал информированное согласие на проведение исследования.

Использовались такие статистические методы сравнения, как критерий Фридмана (для выявления наиболее устойчивого ритма ЭЭГ) и дисперсионный анализ ANOVA повторных измерений (применяли коррекцию значений статистической значимости по методу Гринхауза–Гейссера) для определения двухфакторных зависимостей, post-hoc анализ Бонферони.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ

Чтобы оценить, как могут различаться значения мощности каждого диапазона, на рис. 2 продемонстрированы нормированные средние значения абсолютной мощности Р ЭЭГ-ритмов в различные дни одного из испытуемых. Можно отметить, что мощности ритмов достаточно сильно отличаются в состоянии покоя при закрытых глазах в разные дни, то есть спектральные рисунки ЭЭГ у одного и того же человека, зарегистрированные в одинаковых условиях в разные дни, могут достаточно сильно отличаться друг от друга.

Рис. 2.

Средние значения мощности Р при закрытых глазах, испытуемый В.

Fig. 2. Average values of power P with eyes closed, subject B.

В первую очередь был проведен анализ Фридмана по всем испытуемым (в данном случае фактор “проба” не рассматривался), чтобы выявить, есть ли различия между коэффициентами вариаций разных ритмов ЭЭГ. Анализ показал, что коэффициент вариации разных ритмов с высокой степенью достоверности (р = 0.00001) различается, причем наименьшие значения наблюдаются в альфа-ритме (табл. 2).

На рис. 3 видно, что коэффициент вариации мощности альфа-ритма ниже по сравнению с другими ритмами ЭЭГ, причем у каждого из пяти испытуемых.

Рис. 3.

Коэффициент вариации значений мощности ритмов ЭЭГ у каждого испытуемого.

Fig. 3. The variation coefficient of the power values of the EEG rhythms for each subject.

Следующим шагом необходимо было выяснить, зависит ли устойчивость ритмических паттернов от определенного вида деятельности испытуемого, т.е. от задачи или нет. В нашем эксперименте фактически были две пробы в состоянии покоя (resting state) – с открытыми и закрытыми глазами, и три разных активных задачи в различных контекстах – наблюдение, представление и выполнение. Отдельно для проб resting state (2 уровня: глаза закрыты, глаза открыты) и для активных задач (3 уровня: наблюдение, представление, выполнение) проводился дисперсионный анализ ANOVA с повторными измерениями и фактором “ритм” (4 уровня: дельта, тета, альфа, бета) по всем испытуемым.

Анализ ANOVA повторных проб “глаза закрыты” и “глаза открыты” и фактора “ритм” не показал каких-либо значимых эффектов и взаимодействия факторов. Однако дисперсионный анализ с повторными измерениями активных проб “наблюдение”, “представление”, “выполнение” и фактором “ритм” показал достоверные различия по факторам “ритм” и “проба” (табл. 3).

Рисунок 4 демонстрирует различные коэффициенты вариации дельта-, тета-, альфа- и бета-ритмов при различных пробах – в состоянии покоя с закрытыми и открытыми глазами (рис. 4а), и при наблюдении, представлении и выполнении моторных действий (рис. 4б). Видно, что наименьший коэффициент вариации наблюдается в диапазоне альфа-частот, при этом из активных задач наилучший результат достигается при наблюдении за моторным действием, а наихудший – при представлении. Вообще говоря, проба “представление” демонстрирует наибольшие показатели вариабельности ритмических паттернов в различные дни по сравнению с пробами “наблюдение” и “выполнение”. Несмотря на то что дисперсионный анализ в состоянии покоя не дал достоверных отличий между ритмами ЭЭГ, средние значения коэффициента вариации мощности альфа-ритма при открытых и закрытых глазах (0.09 и 0.10) были ниже, чем в пробах “наблюдение”, “представление” и “выполнение” (0.12; 0.17 и 0.13 соответственно).

Рис. 4.

Коэффициент вариации мощности ритмов у всех испытуемых в состоянии покоя с открытыми и закрытыми глазами (а) и в активных пробах (б).

Fig. 4. Variation coefficient of rhythm power in all subjects at resting state with eyes open and closed (a) and in active samples (б).

Помимо того, что в рамках данного исследования регистрация ЭЭГ проводилась при выполнении моторных задач, данные задачи еще различались между собой контекстом: обычное моторное действие – сжимание руки, целевое действие – письмо ручкой на бумаге, эмоциональное действие – постукивание ручкой по столу. Чтобы выявить, влиял ли контекст задачи на разброс показателей ЭЭГ в разные дни, был проведен дисперсионный анализ коэффициентов вариации мощности ритмов с повторными измерениями (3 уровня: наблюдение, представление и выполнение) и фактором “контекст” (3 уровня: сжимание, цель, эмоции) по всем испытуемым. Поскольку предыдущие результаты показали, что наиболее перспективный показатель – мощность альфа-ритма, результаты приводятся по коэффициенту вариации альфа-ритма.

Из табл. 4 видно, что в результате фактор контекста оказался значимым в совокупности с фактором “проба” (р = 0.035).

Проведенный post-hoc анализ Бонферони выявил значимые различия коэффициента вариации в пробе “представление” в контексте “цель” с коэффициентами вариации в пробе “наблюдение” и контекстах “цель” (р = 0.001), “эмоции” (р = 0.01), и с коэффициентами вариации в пробе “выполнение” и контекстах “сжимание” (р = 0.02) и “эмоции” (р = 0.04) (см. рис. 5)

Рис. 5.

Коэффициент вариации альфа-ритма при выполнении активных проб в различных контекстах. Скобками обозначены значимые различия с указанием уровня значимости.

Fig. 5. The variation coefficient of the alpha-power values in different context. Significant differences are indicated by parentheses.

Рисунок 5 позволяет трактовать данные результаты следующим образом: при представлении целевого действия (написание прямых линий шариковой ручкой) был выявлен наибольший разброс мощности альфа-ритма у испытуемых в разные дни эксперимента.

ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ

Самым устойчивым ЭЭГ ритмом оказался альфа-ритм. Этот результат достаточно предсказуем, поскольку было показано, что альфа-ритм обладает достаточно устойчивыми индивидуальными характеристиками, такими как частота пика и индивидуальная мощность [Базанова, 2009; Базанова, 2011]. Однако в состоянии покоя намного сильнее выражен разброс коэффициентов вариации по ритмам.

Сравнение коэффициента вариабельности альфа-ритма в разных пробах показало, что в среднем по всем испытуемым этот коэффициент ниже в состоянии покоя (resting state), хотя дисперсионный анализ не выявил достоверных различий по фактору “ритм” в пробах resting state. Судя по всему, большой разброс данных по пяти испытуемым именно в состоянии покоя привел к тому, что дисперсионный анализ не дал достоверных отличий между разными ритмами. Известно, что альфа-ритм в состоянии покоя с закрытыми глазами обладает максимальной амплитудой по сравнению с другими состояниями [Жирмунская, 1991]. При этом у разных людей амплитуда альфа-ритма и соответственно мощность может различаться очень сильно. Например, электроэнцефалограмму с невыраженной альфа-активностью называют “плоской”, а амплитуда альфа-ритма этих людей в состоянии покоя с закрытыми глазами меньше 20 мкВ. При этом у людей с выраженной альфа-активностью при закрытых глазах высокоамплитудные веретена альфа-ритма достигают 120 мкВ [Зенков, 2004]. Таким образом, альфа-активность обладает высокой межиндивидуальной вариабельностью и, как показали результаты нашего исследования, достаточно стабильна у каждого индивидуума, что является хорошей предпосылкой для использования этого параметра в задаче идентификации личности.

Что же касается использования определенной задачи для регистрации показателей ЭЭГ или состояния resting state, наши результаты указывают на то, что лучше всего для этого подходит задача наблюдения какого-либо двигательного акта, а меньше всего подходит задача представления. Хотя многие исследователи используют состояние спокойного бодрствования в задаче идентификации личности [Fraschini et al., 2014; Thomas, Vinod, 2018], мы получили больший разброс показателей альфа-ритма в resting state по сравнению с активными пробами.

Проба “представление” демонстрирует наибольшие показатели вариабельности ритмических паттернов в различные дни по сравнению с пробами “наблюдение” и “выполнение”. По-видимому, задача представить то или иное движение является самым сложным для испытуемых, при этом могут активироваться самые различные нейронные сети. Кроме того, испытуемые подтверждали, что одинаково повторить представление действия в разные дни достаточно затруднительно.

Что касается различных действий (контекстов), то наименее устойчивые показатели были при реализации представления и выполнения целевого движения – написания линий шариковой ручкой. В данном случае это было неожиданным результатом: в задачу входило написание прямых линий в тетрадке вдоль стороны “клеточки”, что на первый взгляд не должно было вызвать затруднений. С другой стороны, только в данной целевой задаче требовалось использовать посторонний предмет – шариковую ручку – в отличие от простого сжимания и постукивания пальцами. По-видимому, в данном случае требуется подключение дополнительных сетей, отвечающих за анализ свойств и положения в пространстве другого предмета, выполнения захвата предмета и оперирования им. Возможно, эти особенности привнесли свою долю изменчивости в ритмический рисунок ЭЭГ в разные дни эксперимента. Также можно отметить, что в пробе “наблюдение” данной задачи коэффициент вариабельности альфа-ритма ниже, чем при представлении и выполнении, что также подтверждает предположение, что именно самостоятельная реализация и представление написания ручкой вызывали бóльший разброс показателей.

ВЫВОДЫ

В данной работе было выявлено, что наиболее устойчивые паттерны ЭЭГ выявляются в альфа-диапазоне частот, а наименее стабильные – в дельта-диапазоне. Коэффициент вариации мощности альфа-ритма был ниже в состоянии покоя (resting state с открытыми и закрытыми глазами), однако средние значения имели сильный внутригрупповой разброс, при этом в активных пробах более устойчивые результаты были получены в задаче “наблюдение”. Наименее стабильные характеристики ЭЭГ были выявлены в задаче на представление моторных действий. Также в зависимости от типа движений (контекста) наименее устойчивые показатели были выявлены при целевом действии – написании ручкой, а более устойчивые показатели наблюдались при простом сжимании и эмоциональном постукивании пальцев.