التعرف على الأشخاص باستخدام إشارات الدماغ EEG (Neural Biometrics + BCI)

المشروع عبارة عن نظام ذكاء اصطناعي متكامل للتعرف على هوية الأشخاص باستخدام إشارات الدماغ EEG فقط، اعتمادًا على أن لكل إنسان “بصمة عصبية” مميزة يمكن استخراجها عبر التعلم العميق.

حقق النظام دقة عالية جدًا وصلت إلى 98.5% في التعرف على الأشخاص.

? ملخص المشروع

باستخدام قاعدة البيانات الشهيرة:

EEG Motor Movement/Imagery Dataset – PhysioNet

والتي تحتوي على تسجيلات EEG لـ 109 شخصًا عبر جلستين مختلفتين في أيام مختلفة، قمنا ببناء Pipeline كامل قادر على تحديد هوية الشخص من مقطع EEG قصير.

الميزة الأساسية هنا أن النظام يختبر:

✅ Cross-Session Generalization

أي القدرة على التعرف على الشخص حتى لو كانت الإشارة مسجلة في يوم مختلف، وهو تحدٍ كبير في EEG Biometrics.

⚙️ مراحل العمل التقنية (Technical Workflow)

1️⃣ معالجة البيانات (Preprocessing)

تم تنفيذ Notebook كامل لمعالجة إشارات EEG الخام، ويتضمن:

تحميل الإشارات من ملفات EDF

تطبيق Bandpass Filtering (1–40 Hz)

إزالة الضوضاء والـ Artifacts

تقسيم الإشارات إلى Epochs ثابتة الطول

تحويل الإشارة إلى تمثيل Time–Frequency باستخدام STFT

Normalization وتجهيز Dataset النهائي

حفظ البيانات المعالجة بصيغة NumPy Arrays

2️⃣ تصميم نموذج التعلم العميق

قمنا ببناء نموذج Hybrid يجمع بين:

CNN Module (استخراج الخصائص)

عدة طبقات Conv2D

Batch Normalization + MaxPooling

استخراج الأنماط الزمنية والترددية من Spectrograms

RNN Module (تعلم التسلسل الزمني)

Bidirectional LSTM Layers

تعلم الاعتماد الزمني داخل إشارات الدماغ

Classifier

Dense Layers + Dropout

Softmax Output لتصنيف 109 شخصًا

3️⃣ تدريب النموذج (Model Training)

Optimizer: Adam

Loss: Categorical Cross-Entropy

Metrics: Accuracy + Top-5 Accuracy

تم استخدام Callbacks احترافية مثل:

ModelCheckpoint

ReduceLROnPlateau

EarlyStopping (مع استرجاع أفضل وزن)

كما تم حفظ نموذجين:

best_model.h5 (أفضل أداء Validation)

final_model.h5 (آخر Epoch)

4️⃣ التقييم والتحليل (Evaluation & Visualization)

تم تطوير Notebook تقييم متكامل يشمل:

Confusion Matrix بحجم 109×109

Overall Accuracy + Weighted F1-score

Top-5 Accuracy

توزيع الدقة لكل Subject

Visualization باستخدام t-SNE لفهم Feature Space

تقرير تلقائي شامل يوضح:

إحصائيات البيانات

تحليل لكل فئة

نقاط القوة والضعف

تفسير أداء النموذج

? النتائج والتأثير

حقق النظام:

✅ Accuracy = 98.5%

ويوضح قوة EEG كوسيلة Biometric فريدة للتعرف على الأشخاص.

? التطبيقات المستقبلية المحتملة

يمكن استخدام هذا النوع من الأنظمة في مجالات مثل:

Neurosecurity Authentication Systems

حلول BCI مخصصة لكل مستخدم

المراقبة الطبية والتحليل المعرفي

Adaptive Human–Computer Interaction

Cognitive Profiling & Smart Healthcare