Research Collection
Doctoral Thesis
Brain Print: Person Identification Based on Brain Anatomy and Physiology
Author(s):
Valizadeh, Seyedabolfazl Publication Date:
2018
Permanent Link:
https://doi.org/10.3929/ethz-b-000329089
This page was generated automatically upon download from the ETH Zurich Research Collection. For more information please consult the Terms of use.
ETH Library
DISS. ETH NO.25375
BRAIN PRINT: PERSON IDENTIFICATION BASED ON
BRAIN ANATOMY AND PHYSIOLOGY
A thesis submitted to attain the degree of DOCTOR OF SCIENCES OF ETH ZURICH
(Dr. sc. ETH Zurich)
presented by
SEYED ABOLFAZL VALIZADEH MSc Biomedical Eng., Tarbiat Modares University
born on 18.09.1987
citizen of Islamic Republic of Iran
accepted on the recommendation of Prof. Dr.-Ing Robert Riener Prof. Dr. rer. nat. Lutz J¨ ancke
2018
i
Abstract
Is it possible to identify individual subjects via neurophysiological or neuroanatomical features? Can these features be used for iden- tification purposes like fingerprints? To answer these questions, it is necessary to find appropriate neuromarkers that represent brain morphology and function. Recently published studies have provided mixed results. These studies employed magnetic resonance imag- ing (MRI) techniques and measures relying either on T1 or diffu- sion tensor tmaging (DTI). Some further studies have used measures derived from electroencephalography (EEG). However, these studies have not answered two significant questions. First, how stable are the extracted (presented) features across time (i.e., the aging process)?
Second, can the previously proposed algorithms identify individuals even if they are similar to each other, such as members of a family?
In this research project, I worked with neuroanatomical and neuro- physiological data and applied sophisticated machine-learning tech- niques to examine whether it is possible to identify individual subjects using these data. In the first part of this project, neuroanatomical features extracted from structural MRI were used. One hundred and ninety-one healthy subjects (60 to 96 years old) were scanned three times over a two-year period. Using machine learning techniques (i.e, linear discriminant analysis [LDA], weighted k-nearest neighbors [WKNN], support vector machine [SVM], neural network [NN], and random forest [RF]), I examined whether neuroanatomical data can be used to identify individual subjects.
In the second part of the project, I worked with EEG resting state data obtained from one hundred and nineteen participants within an
ii Abstract
age range of 18-69 years. Resting state EEG (RS EEG) refers to EEG signals recorded while the subject is seated and not perform- ing any task. The recordings can be taken with eyes open or closed.
To identify individuals based on their resting state EEG, I devel- oped a new measure called dynamic change of temporal connectivity and introduced it as a neuromarker. Using this neuromarker and applying the same machine learning techniques as those used on the neuroanatomical data, I examined whether it is possible to identify individual subjects. To validate the proposed feature extractor (i.e., neuromarker), I then tested the algorithm using adolescent twin sub- jects (18 monozygotic and 11 dizygotic pairs). Twins have a similar genetic and environmental background, and thus, identifying twins is a crucial test for most of the identification systems. In the twin study, RS EEG was recorded on two occasions six months apart.
Rapid morphological and physiological changes in the brain are well established during this period; therefore, we expected neurodevelop- ment over this 6-month time span.
The results of the project can be summarised as follows: (1) using neuroanatomical features, I was able to predict the biological age of the subjects quite precisely; (2) using these anatomical features, it was possible to identify individual subjects with high precision; (3) using the newly developed measure (i.e., dynamic change of temporal connectivity), I was able to accurately identify individual subjects;
(4) with this method, I was also able to identify each individual sub- ject with an accuracy rate of 95% even after a period of six months, regardless of whether they were monozygotic or dizygotic twins.
The results of these studies showed that the human brain is highly individual. This individuality appears not only in the human brain structure but also in its function. This thesis also presents a new method for extracting a stable feature from EEG signals.
Although this project has uncovered some new findings, there are nevertheless some limitations, two of which are the following. In the first part of this project, I worked with older subjects. Thus, it is necessary to demonstrate whether the identification results can be replicated with younger subjects. Moreover, when individual subjects were identified using the newly developed EEG feature, the sample consisted of only 119 subjects. In the future, it is necessary to test
Abstract iii
many more subjects to increase the validity of the obtained results.
v
Uberblick ¨
Ist es m¨oglich, einzelne Personen anhand neurophysiologischer und neuroanatomischer Merkmale zu identifizieren? K¨onnen diese Funk- tionen ¨ahnlich wie die bekannten und h¨aufig verwendeten Finger- abdr¨ucke angewendet werden? Um diese Fragen beantworten zu k¨onnen, ist es wichtig, geeignete Neuromarker zu finden, die die Anatomie und Funktion des Gehirns repr¨asentieren. K¨urzlich ver¨offentlichte Studien liefern gemischte Ergebnisse. In diesen Studien wurden Mag- netresonanztomographieverfahren (MRT) unter Verwendung von T1 oder Diffusion-Tension-Imaging (DTI) eingesetzt. Einige weitere Stu- dien haben Daten, die mittels Elektroenzephalographie (EEG) er- hoben wurden, verwendet. Diese Studien haben jedoch die folgenden Fragen nicht beantworten k¨onnen: Erstens: Wie stabil sind die ex- trahierten (pr¨asentierten) Merkmale ¨uber die Zeit (Alterungsprozess)?
Zweitens: K¨onnen anhand der bereits fr¨uher vorgeschlagenen Algo- rithmen Personen identifiziert werden, die einander ¨ahnlich sind (z.B.
Familienmitglieder)?
In diesem Forschungsprojekt habe ich mit neuroanatomischen und neurophysiologischen Daten gearbeitet und mit ausgefeilten maschinellen Lerntechniken untersucht, ob es m¨oglich ist, einzelne Personen an- hand der genannten Daten zu identifizieren. Im ersten Teil dieses Projektes wurden neuroanatomische Merkmale aus der strukturellen MRT verwendet. 191 gesunde Probanden im Alter von 60 bis 96 Jahren wurden dreimal innerhalb von zwei Jahren gescannt. Mithilfe maschineller Lerntechniken (linear discriminant analysis (LDA), weighted k-nearest neighbors (WKNN), support vector machine (SVM), neu- ral network (NN), und random forest (RF)) habe ich untersucht, ob
vi Uberblick¨
neuroanatomische Daten zur Identifizierung einzelner Personen ver- wendet werden k¨onnen.
Im zweiten Teil des Projektes habe ich mit EEG-Ruhezustandsdaten von 119 Teilnehmern (Altersgruppe 18-69 Jahre) gearbeitet. Das Ruhezustand-EEG basiert auf EEG-Signalen, die aufgezeichnet wer- den, w¨ahrend der Proband mit offenen oder geschlossenen Augen da- sitzt und keinerlei Aufgaben ausf¨uhrt. Um Individuen anhand ihres Ruhezustand-EEGs zu identifizieren, habe ich ein neues Mass en- twickelt, die sogenannte dynamische Ver¨anderung der Konnektivit¨at, und habe es als Neuromarker eingef¨uhrt. Mit diesem Neuromarker und den gleichen maschinellen Lerntechniken, die bei den neuroanatomis- chen Daten angewendet wurden, habe ich untersucht, ob es m¨oglich ist, einzelne Probanden zu identifizieren. Um den Neuromarker zu validieren, habe ich den Algorithmus mit Daten von jugendlichen Zwillingen (18 monozygotische und 11 dizygotische Paare) getestet.
Zwillinge haben einen ¨ahnlich genetischen und von Umweltfaktoren beeinflussten Hintergrund, weshalb die Identifizierung von Zwillin- gen ein entscheidender Test f¨ur die meisten Identifikationssysteme ist. In der Zwillingsstudie wurde das Ruhezustand-EEG zweimal im Abstand von sechs Monaten aufgezeichnet. Schnelle morphologische und physiologische Ver¨anderungen im Gehirn k¨onnen innerhalb dieser Zeitspanne gut nachgewiesen werden, weshalb wir f¨ur den genannten Zeitraum von sechs Monaten mit einer Entwicklung des Gehirns rech- nen.
Die Ergebnisse des Projekts lassen sich wie folgt zusammenfassen:
(1) Mithilfe neuroanatomischer Merkmale konnte ich das biologis- che Alter der Probanden sehr genau vorhersagen. (2) Unter Ver- wendung dieser anatomischen Merkmale war es m¨oglich, einzelne Probanden mit hoher Pr¨azision zu identifizieren. (3) Mithilfe des eingef¨uhrten Neuromarkers konnte ich die einzelnen Probanden genau identifizieren. (4) Mit der angewandten Methode liess sich auch nach sechs Monaten jede einzelne Person mit einer Genauigkeit von 95% identifizieren, unabh¨angig davon, ob die Person ein monozy- goter oder dizygotischer Zwilling war. Die Ergebnisse dieser Studien haben gezeigt, dass das menschliche Gehirn sehr individuell ist. Diese Individualit¨at zeigt sich nicht nur in der Struktur des menschlichen Gehirns, sondern auch in dessen Funktion. Diese Arbeit stellt ausser-
Uberblick¨ vii
dem eine neue Methode vor, wie aus EEG-Signalen ein stabiles Merk- mal herausgel¨ost werden kann.
Obwohl dieses Projekt einige neue Erkenntnisse hervorgebracht hat, gibt es dennoch gewisse Einschr¨ankungen zu beachten. So habe ich zum Beispiel im ersten Teil des Projektes mit ¨alteren Versuchsperso- nen gearbeitet. Es w¨are daher wichtig zu untersuchen, ob die Identi- fikationsergebnisse mit j¨ungeren Probanden repliziert werden k¨onnen.
Ausserdem bestand die Stichprobe im Projektteil, in dem einzelne Probanden anhand des neu entwickelten EEG-Merkmals identifiziert wurden, aus (nur) 119 Probanden. Um die Validit¨at der erzielten Ergebnisse zu erh¨ohen, w¨are es deshalb erforderlich, in Zukunft noch weitere Personen zu testen.
