Аналіз ефективності методів коригування промахів у системах біометричної ідентифікації на підставі електрокардіограми

  • Ю. В. Хома Національний університет "Львівська політехніка", м. Львів https://orcid.org/0000-0002-4677-5392
  • В. В. Хома Національний університет "Львівська політехніка", м. Львів; Політехніка Опольська, м. Ополе https://orcid.org/0000-0001-9391-6525
  • Су Юн Хубейський технологічний університет, м. Хубей
  • О. В. Кочан Національний університет "Львівська політехніка", м. Львів; Хубейський технологічний університет, м. Хубей https://orcid.org/0000-0002-3164-3821
Ключові слова: біометрика; ідентифікація людини; сигнал ЕКГ; автоенкодери; машинне навчання; виявлення аномалій

Анотація

Здійснено порівняння ефективності різних методів коригування промахів у біометричних системах ідентифікації. Основна ідея – виявити сегменти ЕКГ-сигналу із промахами, і замість їх вилучення з процесу ідентифікації, застосувати процедуру їх коригування. Це дасть змогу отримати більший обсяг даних і кращу статистичну базу для навчання та калібрування системи. У роботі порівнювали три різні методи усунення промахів. Перший метод базується на оцінюванні статистичного відхилення вибірок від певного номінального значення на деякий поріг. При цьому аналізується не весь сигнал одразу, а тільки його частина в межах ковзного вікна. В основі двох інших методів знаходиться ідея застосування штучних нейронних мереж, зокрема одного із їх різновидів – автоенкодерів. Відмінність між методами із використанням автоенкодерів полягає у такому: в одному випадку теж використовується ковзне вікно, що дає змогу безпосередньо задавати критерії, за якими відбувається коригування, водночас як за іншим методом виконується коригування за критеріями, які система підбирає автоматично на етапі навчання. Окрім цього, в роботі описано структуру системи біометричної ідентифікації на підставі сигналу електрокардіограми. До ключових структурних компонентів системи належать: аналоговий вимірювальний блок, АЦП та низка цифрових функціональних блоків для перетворення та аналізу сигналів. Ці блоки можуть бути імплементовані на різних обчислювальних платформах, таких як мікроконтролери, ПК, хмарні сервіси). Ці цифрові блоки виконують такі перетворення, як: низькочастотна та високочастотна фільтрація, виявлення R–піків у сигналі електрокардіограми, сегментація серцевих циклів, нормалізація за амплітудою, усунення аномалій, зменшення розмірності та класифікація. Експерименти проводили на самостійно зібраному наборі даних LBDS (Lviv Biometric Dataset). Ця база даних на момент написання статті містила понад 1400 записів для 95 різних осіб. Базова похибка ідентифікації без коригування промахів становить близько 14 %. Після застосування процедури коригування промахів похибка ідентифікації зменшилась до 2,0 % для алгоритмів на підставі автоенкодерів та до 2,9 % для алгоритмів на підставі статистичних методів. При цьому найкращі результати було досягнуто за використання LDA класифікатора у поєднанні з PCA–компресією (1,7 %), а також для KNN класифікатора без PCA–компресії (2,3 %). Проте додавання процедури коригування промахів у процес біометричної ідентифікації призводить до певного збільшення часу на опрацювання сигналу (до 20 %), що однак не критично для більшості прикладних застосувань.

Біографії авторів

Ю. В. Хома, Національний університет "Львівська політехніка", м. Львів

канд. техн. наук, ст. викладач, кафедра інформаційно-вимірювальних технологій

В. В. Хома, Національний університет "Львівська політехніка", м. Львів; Політехніка Опольська, м. Ополе

д-р техн. наук, професор, інститут автоматики

Су Юн, Хубейський технологічний університет, м. Хубей

PhD, Associate Professor (доцент), кафедра комп'ютерних наук

О. В. Кочан, Національний університет "Львівська політехніка", м. Львів; Хубейський технологічний університет, м. Хубей

канд. техн. наук, доцент, кафедра комп'ютерних наук

Посилання

Albulbul, A. (2016). Evaluating Major Electrode Types for Idle Biological Signal Measurements for Modern Medical Technology. Bioengineering, 20(3), 1–10

Arden Dertat, Applied Deep Learning – Part 3: Autoencoders. Retrieved from: https://towardsdatascience.com/applied-deep-learning-part-3.

Arduino UNO & Genuino UNO. (2019). Retrieved from: https://store.arduino.cc/arduino-uno-rev3.

Bengio, Y., Goodfellow, I., & Courville, A. (2016). Deep learning. MIT press, 775 p.

Bernieri, G., Miciolino, E. E., Pascucci, F., & Setola, R. (2017). Monitoring system reaction in cyberphysical testbed under cyber-attacks. Computers & Electrical Engineering, 59, 86–98

Birch, J. (2003). Benefit of legal metrology for the economy and society. A study for the International Committee of Legal Metrology. Retrieved from: https://www.oiml.org/en/files/pdf_e/e002-e03.pdf.

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. In Information Science and Statistics. Springer: Singapore, 738 p.

Chi, Y. M., Wang, Y. T., Wang, Y., Maier, C., Jung, T. P., & Cauwenberghs, G. (2012). Dry and Noncontact EEG Sensors for Mobile Brain – Computer Interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 20(2), 228–235

e-Health Sensor Platform V2.0 for Arduino and Raspberry Pi. (2020). Retrieved from: https://www.cooking-hacks.com/documentation/tutorials/ehealth-biometric-sensor-platform-arduino-raspberry-pi-medical

Ferrero, A., & Scotti, V. (2013). Forensic metrology: A new application field for measurement experts across techniques and ethics. IEEE Instrumentation & Measurement Magazine, 16(1), 14–17

Fratini, A., Sansone, M., Bifulco, P., & Cesarel, M. (2015). Individual identification via electrocardiogram analysis. BioMed Eng OnLine, 14(78), 1–23

Glowacz, A. (2014). Diagnostics of Synchronous Motor Based on Analysis of Acoustic Signals with the use of Line Spectral Frequencies and K-nearest Neighbor Classifier. Archives of Acoustics, 39(2), 189–194

Glowacz, A., & Glowacz, W. (2018). Vibration-based fault diagnosis of commutator motor. Shock and Vibration, 7(4), 60–64

Grzechca, D. (2011). Soft fault clustering in analog electronic circuits with the use of self organizing neural network. Metrol. Meas. Syst., 18(4), 555–568

Jain, A., Flynn, P., & Ross, A. A. (2008). Handbook of Biometrics. Springer: 564 p.

Jolliffe, I. T. (2002). Principal Component Analysis, Series: Springer Series in Statistics, (2nd ed.), Springer, N–Y, XXIX, 487 p.

Karpinski, M., Khoma, V., Dudykevych, V., Khoma, Y., & Sabodashko, D. (2018, September). Autoencoder Neural Networks for Outlier Correction in ECG-Based Biometric Identification. In: 2018 IEEE 4th International Symposium on Wireless Systems within the International Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS–SWS). Lviv, Ukraine, 210–215

Khoma, A., & Zygarlicki, J. (2015). Surface topology reconstruction from the white light interferogram by means of Prony analysis. Metrol. Meas. Syst., 22(1), 479–490

Khoma, V., Pelc, M., Khoma, Y., & Sabodashko, D. (2018). Outlier Correction in ECG-Based Human Identification. In: Hunek W., Paszkiel S. (Eds.) Biomedical Engineering and Neuroscience. BCI 2018. Advances in Intelligent Systems and Computing, 720, 11–22

Kołodziej, M., Tarnowski, P., Majkowski, A., & Rak, R. J. (2019). Electrodermal activity measurements for detection of emotional arousal. Bull. Pol. Ac.: Tech. Sci., 67(4), 813–826

Kurzynski, M., Ryba, P., Markowski, M., & Wozniak, M. (2010). Medical Telemetry System for Monitoring and Localization of Patients – Functional Model and Algorithms for Biosignals Processing. INTL Journal of Electronics and Telecommunications, 56(4), 445–450

Lourenco, A., Plácido da Silva, H., & Carreiras, C. (2013). Outlier detection in non-intrusive ECG biometric system. In International Conference Image Analysis and Recognition. Berlin, Heidelberg, 43–52

Lviv Biometric Data Set. (2018). Retrieved from: https://github.com/YuriyKhoma/Lviv-Biometric-Data-Set.

Moed, H. F., Glänzel, W., & Schmoch, U. (2004). Handbook of quantitative science and technology research. Netherlands: Kluwer Academic, Springer, 785 p.

Pedregosa, F., et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830

Pelc, M., Khoma, Y., & Khoma, V. (2019). ECG Signal as Robust and Reliable Biometric Marker: Datasets and Algorithms Comparison. Sensors, 19(10), 2350, 1–8

Pohrebennyk, V., Mitryasova, O., Dzhumelia, E., & Kochanek, A. (2017). Evaluation of surface water quality using water quality indices in mining and chemical industry. In the 17th International Multidisciplinary Scientific Geoconference SGEM 2017, Albena, Bulgaria, Vol. 17, 425–432

Rangaraj, M. R. (2001). Biomedical signal analysis. A case-study approach. Wiley-IEEE Press: 555 p.

Shu, C., & Kochan, O. (2013). Method of thermocouples self verification on operation place. Sensors & Transducers, 160(12), 55–61

Singh, R. R., Conjeti, S., & Banerjee, R. (2013). Comparative evaluation of neural network classifiers for stress level analysis of automotive drivers using physiological signals. Biomedical Signal Processing and Control, 8, 740–744

Tadeusiewicz, R. (2015). Neural networks in mining sciences – general overview and some representative examples. Arch. Min. Sci., 60(4), 971–984

The ECG-ID Databаse. (2018). Retrieved from: https://physionet.org/physiobank/database/ecgiddb/

Vasylkiv, N., Kochan, O., Kochan, R., & Chyrka, M. (2009). The control system of the profile of temperature field. In: 2009 IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications. IEEE, 201–206

Wieclaw, L., Khoma, Y., Fałat, P., Sabodashko, D., & Herasymenko, V. (2017). Biometrie identification from raw ECG signal using deep learning techniques. In: 2017 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS). Bucharest, Romania, 1, 129–133

Опубліковано
2020-06-04
Як цитувати
Хома, Ю. В., Хома, В. В., Юн, С., & Кочан, О. В. (2020). Аналіз ефективності методів коригування промахів у системах біометричної ідентифікації на підставі електрокардіограми. Науковий вісник НЛТУ України, 30(3), 99-105. https://doi.org/10.36930/40300317
Розділ
Інформаційні технології