Security and Robustness of Biometric Authentication based on Electroencephalography (EEG) signals and Blockchain Technology

Biometric authentication is increasingly adopted as a secure alternative to traditional authentication methods. However, several challenges exists, particularly in ensuring robust biometric features resistant to spoofing and developing decentralized authentication frameworks that protect biometric data. This thesis addresses these challenges by exploring EEG-based biometric authentication and leveraging artificial intelligence (AI) and blockchain technology to enhance both robustness and security. The research is structured around the following two key themes. Enhancing Robustness: Investigating EEG-based biometrics, focusing on noise reduction, optimal temporal segmentation, and the impact of external factors such as auditory stimuli, mental workload, and emotional states. Advanced deep learning models are employed to improve authentication accuracy, and a public EEG dataset is developed to facilitate further research. Enhancing Security: Introducing a decentralized biometric authentication framework that integrates fuzzy commitment schemes with blockchain technology. A decentralized application (dApp) is designed and implemented to enable secure identity verification while ensuring compliance with privacy regulations, including GDPR. The study presents experimental findings demonstrating improvements in EEG biometric reliability and the effectiveness of the proposed decentralized authentication system. By integrating secure biometric data with transparent blockchain-based mechanisms, this research contributes to the advancement of privacy-preserving, secure, and interoperable biometric authentication solutions. This thesis establishes a framework for EEG-based biometric authentication, combining AI and blockchain to enhance both robustness and security. The proposed methodologies offer a promising foundation for future applications in biometric identity verification, cybersecurity, and decentralized authentication systems.

L'autenticazione biometrica è sempre più adottata come alternativa sicura ai metodi di autenticazione tradizionali. Tuttavia, persistono diverse sfide, in particolare nel garantire caratteristiche biometriche robuste e resistenti agli attacchi e nello sviluppo di framework di autenticazione decentralizzati in grado di proteggere i dati biometrici. Questa tesi affronta queste problematiche esplorando l'autenticazione biometrica basata su EEG e sfruttando l'intelligenza artificiale (AI) e la tecnologia blockchain per migliorare sia la robustezza che la sicurezza. La ricerca è strutturata intorno ai due seguenti temi principali. Miglioramento della Robustezza: Studio dell’autenticazione biometrica basata su EEG, con particolare attenzione alla riduzione del rumore, alla segmentazione temporale ottimale e all'impatto di fattori esterni come stimoli uditivi, carico mentale ed emozioni. Vengono impiegati modelli avanzati di deep learning per migliorare l’accuratezza dell’autenticazione e viene sviluppato un dataset EEG pubblico per favorire ulteriori ricerche. Miglioramento della Sicurezza: Introduzione di un framework decentralizzato per l'autenticazione biometrica che integra schemi di fuzzy commitment con la tecnologia blockchain. Viene progettata e implementata un’applicazione decentralizzata (dApp) per consentire un'identificazione sicura garantendo al contempo la conformità alle normative sulla privacy, inclusa la GDPR. Lo studio presenta risultati sperimentali che dimostrano il miglioramento dell'affidabilità dell'autenticazione biometrica basata su EEG e l'efficacia del sistema di autenticazione decentralizzato proposto. Integrando dati biometrici sicuri con meccanismi trasparenti basati su blockchain, questa ricerca contribuisce allo sviluppo di soluzioni per l'autenticazione biometrica che siano sicure, interoperabili e rispettose della privacy. Questa tesi stabilisce un framework per l'autenticazione biometrica basata su EEG, combinando AI e blockchain per migliorare sia la robustezza che la sicurezza. Le metodologie proposte offrono una base promettente per future applicazioni nell'identificazione biometrica, nella cybersecurity e nei sistemi di autenticazione decentralizzati.