Learning Latent Neural Signatures from EEG Scalograms for Robust Biometric Identification

Énoncé du problème

Bien que l'électroencéphalographie (EEG) offre une voie prometteuse pour l'identification biométrique sécurisée en raison de la difficulté de reproduire les signaux neuraux, son application pratique se heurte à des obstacles importants. Les principaux défis incluent le faible rapport signal sur bruit, la variabilité inter- et intra-sujet élevée, ainsi que la sensibilité aux fluctuations environnementales. De plus, les approches actuelles de l'apprentissage profond traitent souvent les canaux EEG comme des séquences temporelles indépendantes, échouant ainsi à préserver explicitement l'organisation spatiale de la disposition des électrodes sur le cuir chevelu, laquelle contient des informations biométriques discriminantes. En outre, le recours à des prédictions sur un segment unique rend les systèmes vulnérables aux artefacts transitoires (par exemple, les clignotements oculaires, l'activité musculaire), entraînant des décisions d'identification peu fiables.

Méthodologie

Le cadre proposé reformule l'identification biométrique basée sur l'EEG comme un problème de vision par ordinateur de haute dimension via un pipeline multi-étapes :

1. Prétraitement et transformation du signal :

   • Les signaux EEG bruts à 64 canaux provenant du jeu de données PhysioNet Motor Imagery (109 sujets) sont filtrés par passe-bande (1–45 Hz) et rééchantillonnés à 256 Hz.
   • Les enregistrements continus sont segmentés en fenêtres non chevauchantes de 4 secondes.
   • Chaque segment subit une Transformée en Ondelettes Continue (CWT) utilisant une ondelette de Morlet complexe pour générer des scalogrammes temps-fréquence, capturant la dynamique spectrale non stationnaire du signal sur 32 échelles.

2. Compression des caractéristiques latentes :

   • Pour traiter la complexité computationnelle et les risques de surapprentissage associés aux scalogrammes de haute dimension, un auto-encodeur convolutionnel est employé.
   • L'encodeur compresse chaque scalogramme de haute dimension en un patch latent dense de 16×16. Le décodeur reconstruit le signal original pour garantir la fidélité des caractéristiques, confirmant que l'information spatiotemporelle essentielle est conservée dans la représentation compressée.

3. Construction de la grille spatiale (2D CLSM) :

   • Les 64 patches latents sont disposés spatialement sur une grille 11×11 selon le système de placement des électrodes international 10–20.
   • Cela crée une Carte de Scalogramme Latent Cortical 2D (2D CLSM) de dimensions 176×176. Les cellules de la grille non occupées sont remplies par des zéros (zero-padding). Cette étape préserve l'organisation spatiale relative et les relations de voisinage des canaux EEG, permettant au modèle d'apprendre les interactions de caractéristiques locales entre les régions corticales adjacentes.

4. Classification profonde :

   • Un Réseau Neuronal Résiduel personnalisé (ResNet-18) est entraîné sur les images 2D CLSM pour extraire les motifs spécifiques aux sujets à partir de l'EEG au repos. L'architecture utilise des connexions de saut (skip connections) pour atténuer la disparition du gradient et apprendre des hiérarchies profondes de caractéristiques cérébrales.

5. Vote majoritaire au niveau de la session :

   • Pour atténuer la nature stochastique de l'EEG et le bruit transitoire, le système emploie une stratégie de vote majoritaire au niveau de la session.
   • Au lieu de s'appuyer sur un seul segment de 4 secondes, le modèle génère des prédictions pour les 31 segments d'une session d'enregistrement. L'identité finale est déterminée par le mode (la prédiction la plus fréquente) de ces sorties de segment. Cela agrège les preuves neurales temporellement cohérentes, renforçant l'identité correcte même si des segments individuels sont mal classés.

Contributions clés

• Carte de Scalogramme Latent Cortical 2D (CLSM) : Introduction d'un nouveau pipeline d'ingénierie de caractéristiques qui transforme les signaux EEG 1D en images 2D. Cela implique le calcul de scalogrammes CWT, leur compression via un auto-encodeur et leur disposition sur une grille pour préserver la topologie spatiale corticale.
• Apprentissage résiduel profond personnalisé : Conception et entraînement d'une architecture ResNet-18 spécifiquement adaptée pour capturer les caractéristiques distinctives propres aux sujets à partir des représentations 2D CLSM construites.
• Vote majoritaire au niveau de la session : Implémentation d'une stratégie d'agrégation temporelle qui améliore considérablement la robustesse en combinant les prédictions sur plusieurs segments, filtrant efficacement les erreurs induites par le bruit dans les segments isolés.

Résultats

Le système a été évalué sur le jeu de données PhysioNet Motor Imagery comprenant 109 sujets.

• Performance au niveau du segment : Le modèle ResNet a atteint une précision de base de 87,1 % lors de la classification de segments EEG individuels de 4 secondes. L'écart entre la précision d'entraînement et de validation a mis en évidence la stochasticité inhérente aux segments uniques.
• Performance au niveau de la session : En appliant la stratégie de vote majoritaire sur les 31 segments par session, la précision d'identification s'est considérablement améliorée pour atteindre 99,1 %.
• Visualisation : Les visualisations t-SNE des plongements de caractéristiques (embeddings) ont démontré une forte séparation inter-sujets et des clusters intra-sujets compacts, confirmant que le modèle apprend des signatures neurales stables et uniques.
• Comparaison : La méthode proposée a surpassé plusieurs approches de pointe (incluant les MLP, XGBoost et les CNN standards) qui utilisaient différents jeux de données ou des tâches motrices actives, atteignant la précision la plus élevée rapportée sur le large jeu de données de l'état de repos de PhysioNet.

Signification et affirmations

L'article affirme que le cadre proposé fait progresser avec succès l'identification biométrique basée sur l'EEG vers des systèmes d'identification réels, évolutifs, précis et sécurisés. En reformulant la classification de signaux neuraux comme une tâche de vision par ordinateur, l'étude démontre que :

• L'EEG au repos contient des signatures neurales stables et discriminantes : Bien que les segments individuels puissent être bruités, l'agrégation des preuves temporelles révèle une « empreinte neurale » unique pour chaque sujet.
• La préservation spatiale est critique : La conversion des signaux 1D en cartes 2D respectant la topologie du scalp permet aux modèles d'apprentissage profond de capturer efficacement les relations spatiales souvent manquées par les CNN 1D.
• La robustesse par l'agrégation : La stratégie de vote au niveau de la session atténue efficacement l'impact des artefacts transitoires, rendant le système fiable malgré la nature stochastique des signaux biologiques.

Les auteurs notent que ce travail s'aligne sur l'ODD-3 (Bonne santé et bien-être) en permettant un accès sécurisé aux systèmes de santé numériques et en soutenant des applications potentielles dans le suivi neurophysiologique personnalisé. Cependant, ils reconnaissent des limites, notamment la nécessité de validation dans des scénarios dynamiques (par exemple, lors de tâches motrices) et le coût computationnel de l'actuel pipeline pour le déploiement sur des appareils de bord (edge devices).