Design and development of a user authentication system using electroencephalography (EEG) signals based on picture gesture authentication (PGA) environments
| datacite.contributor.RelatedPerson | Αβούρης, Νικόλαος | |
| datacite.contributor.RelatedPerson | Σιντόρης, Χρήστος | |
| datacite.contributor.Supervisor | Φειδάς, Χρήστος | |
| dc.contributor.author | Βεργίνης, Δημήτριος | |
| dc.contributor.other | Verginis, Dimitrios | |
| dc.date.accessioned | 2024-03-05T08:23:44Z | |
| dc.date.available | 2024-03-05T08:23:44Z | |
| dc.date.issued | 2024-02-28 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Nowadays, we all rely on authentication systems to gain access to secured information, using our credentials to bypass the barriers of digital security. However, challenges persist in addressing issues like shoulder surfing and impersonation attacks, particularly in the context of graphical passwords. In this study, we present a Multi-Factor Authentication (MFA) system built upon Picture Gesture Authentication (PGA) schemes, leveraging Electroencephalogram (EEG) as a biometric factor to mitigate risks associated with impersonation and shoulder surfing attacks. Our experimentation involved 30 participants, and we proposed two distinct methods for preprocessing the biometric data. Features were extracted using Power Spectral Density, Time domain statistics, Sample Entropy, and Discrete Wavelet Transform. Subsequently, we employed this data to train machine learning models, namely SVM, NN, Random Forest Classifiers, and Decision Trees. Our efforts resulted in an impressive average accuracy of 98.16±3.29%, providing a robust foundation for further exploration in this research domain. | |
| dc.description.translatedabstract | Στις μέρες μας, βασιζόμαστε καθημερινά σε συστήματα αυθεντικοποίησης του χρήστη ώστε να αποκτήσουμε πρόσβαση στην πληροφορία, χρησιμοποιώντας διαφόρων ειδών διαπιστευτήρια για να παρακάμψουμε τον τοίχο της κυβερνοασφάλειας. Ωστόσο, υπάρχουν ακόμα δυσκολίες που παραμένουν άλυτες όσον αφορά τις επιθέσεις shoulder-surfing και πλαστοπροσωπείας, ιδιαίτερα στους γραφικούς κωδικούς. Στην παρούσα μελέτη, παρουσιάζουμε ένα πολύ-παραγοντικό σύστημα αυθεντικοποίησης(Multi-Factor Authentication) το οποίο χρησιμοποιεί τεχνικές PGA και σήματα ηλεκτροεγκεφαλογραφήματος ως δευτερογενή βιομετρικό παράγοντα με στόχο να αποτρέψει τις επιθέσεις shoudler-surfing. Η πειραματική μας διαδικασία περιλάμβανε 30 συμμετέχοντες. Χρησιμοποιήθηκαν δύο διαφορετικές τεχνικές προ-επεξεργασίας των βιομετρικών δεδομένων και έγινε εξαγωγή των χαρακτηριστικών χρησιμοποιώντας τεχνικές όπως η Φασματική Πυκνότητας Ισχύος, στατιστικά στοιχεία στο πεδίο του χρόνου, μετασχηματισμό κυματιδίου και την εντροπία σε χρονοσειρές. Τέλος, εκπαιδεύτηκαν μοντέλα μηχανικής μάθησης ανά χρήστη για την εκμάθηση των βιομετρικών χαρακτηριστικών. Τα μοντέλα που χρησιμοποιήθηκαν ήταν Decision Tree, Random Forest Classifier, Support Vector Machine και Neural Networks. Τα αποτελέσματα της μελέτης έδειξαν μια ακρίβεια στην αυθεντικοποίηση της τάξεως του 98.16 3.29 % δίνοντας έτσι, ενθαρρυντικά αποτελέσματα για περαιτέρω μελέτη στο πεδίο. | |
| dc.identifier.uri | https://hdl.handle.net/10889/26703 | |
| dc.language.iso | en | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | * |
| dc.subject | Cybersecurity | |
| dc.subject | Electroengephalography | |
| dc.subject | User authentication | |
| dc.subject | Machine learning | |
| dc.subject.alternative | Ασφάλεια | |
| dc.subject.alternative | Ηλεκτροεγκεφαλογράφημα | |
| dc.subject.alternative | Αυθεντικοποίηση | |
| dc.subject.alternative | Μηχανική μάθηση | |
| dc.title | Design and development of a user authentication system using electroencephalography (EEG) signals based on picture gesture authentication (PGA) environments | |
| dc.title.alternative | Μελέτη και σχεδιασμός συστήματος αυθεντικοποίησης του χρήστη βάσει εγκεφαλικών σημάτων σε περιβάλλοντα PGA (picture gesture authentication) |