Повышение точности биометрического распознавания военнослужащих на основе анализа данных электрокардиограмм

Размещено на http://www.allbest.ru/

Повышение точности биометрического распознавания военнослужащих на основе анализа данных электрокардиограмм

Т.В. Арутюнян

Аннотация

Для решения проблемы биометрического распознавания военнослужащих предлагается метод извлечения признаков на основе внешнего вида. Чтобы лучше использовать дополнительные характеристики различных типов функций и повысить точность распознавания, предложены иерархическая схема интеграции атрибутов аналитики и внешнего вида. Новый подход не требует детектирования формы сигнала. Он зависит от оценки и сравнения значимых коэффициентов дискретного косинусного преобразования (ДКП) автокоррелированных сигналов сердцебиения. Возможность применения представленных решений продемонстрирована с использованием данных ЭКГ из двух общедоступных баз данных: PTB [1] и MIT-BIH [2].

Ключевые слова: биометрия, электрокардиограмма, анализ главных компонент, линейный дискриминантный анализ.

To solve the problem of biometric recognition servicemen of the proposed method feature extraction based on appearance. To make better use of the additional characteristics of different types of functions and to improve recognition accuracy, a hierarchical scheme of integration of analysis attributes and appearance is proposed. The new approach does not require the detection of signal form.It depends on the evaluation and comparison of significant coefficients of discrete cosine transformation (DCT) of autocorrelated heartbeat signals. The possibility of application of the presented solutions is demonstrated using ECG data from two publicly available databases: PTB [1] and MIT-BIH [2].

Key words: biometrics, electrocardiogram, principal component analysis, linear discriminant analysis.

Введение

В современную эпоху технологической оснащенности проблема передачи и обработки информации, безопасности имеет особенное значение. Рост различных областей индустрии, сетевой интеграции, бурное развитие информационных технологий заставляют искать новые, в том числе направленные на личность человека, способы охраны информации. Много исследований проводится в области кибербезопасности, оценки живучести информационно-телекоммуникационных сетей [3], применения искусственного интеллекта в информационных технологиях [4].

Различным приложениям часто необходимо идентифицировать человека ? отождествить неизвестную личность с известной из базы данных, сравнить «один ко многим», а также верифицировать человека, т. е. проверить, является ли этот человек тем, за кого себя выдает, сравнить «один к одному» с определенным образцом. Такие задачи встречаются повсеместно, начиная от компьютерных военных систем и оканчивая системами двойного назначения.

Чтобы оценить эффективность предложенных методов, мы провели эксперименты на двух наборах публичных баз данных: PTB [1] и MIT-BIH [2]. База данных PTB содержит 549 записей из 294 предметов. Сигналы отбирались с частотой 1000 Гц с разрешением 0,5 мкВ. Подмножество из 13 здоровых лиц разного возраста и пола было выбрано из базы данных для тестирования наших методов. Критериями отбора данных являются здоровые формы ЭКГ и, по меньшей мере, две записи для каждого субъекта. В наших экспериментах мы используем одну запись от каждого субъекта для формирования набора галереи и другую запись для набора тестов.

База нормального синусового ритма MIT-BIH содержит 18 записей ЭКГ от разных предметов. База данных нормального синусового ритма MIT-BIH была взята с частотой 128 Гц. Подбор из 13 субъектов был выбран для проверки наших методов. Выбор данных основывался на длине записей. Так как база данных предлагает только одну запись для каждого предмета, мы разбиваем каждую запись на две половины и используем первую половину в качестве набора галереи, а вторую половину - в качестве набора тестов.

Извлечение признаков на основе доверительного распознавания

Рассмотрим экспериментальные результаты, используя признаки, извлеченные с распознаванием точек отсчета. Оценка основывается на субъекте и частоте распознавания сердцебиения. Точность распознавания субъекта определяется голосованием большинства, в то время как частота распознавания сердцебиения соответствует проценту правильно определенных индивидуальных сигналов сердцебиения.

Чтобы обеспечить прямое сравнение с существующими работами [5, 6], эксперименты сначала выполнялись только по 15 временным характеристикам, используя поэтапный метод Уилкса на основе лямбды для выбора характеристик и ЛДА для классификации. Лямбда Уилкса измеряет различия между средними значениями различных классов по комбинациям независимых переменных и, таким образом, может использоваться в качестве теста значимости признаков. Когда ЛДА используется как классификатор, он принимает дискриминантную функцию для каждого класса как линейную функцию данных. Входные данные классифицируются в класс, который дает наибольшее значение дискриминантной функции.

В этой статье выбор функций на основе лямбды Уилкса и классификация на основе ЛДА. В наших экспериментах 15 временных признаков дают скорость распознавания субъекта 84,61% и 100%, а частота распознавания сердцебиения 74,45% и 74,95% для наборов данных PTB и MIT-BIH соответственно.

На таблице 1 и 2 показаны матрицы сопряженности, когда используются только временные функции. Можно заметить, что сердцебиение одного индивида путают с другими субъектами. Только удары сердца от 2 субъектов в PTB и 1 субъекта в MIT-BIH 100% правильно идентифицированы. Это показывает, что извлеченные временные функции не могут эффективно отличать разные предметы. Во втором нашем эксперименте мы добавляем атрибуты усиления к набору функций. Этот подход значительно улучшает скорость распознавания субъекта для обоих наборов данных - 100%, частота распознавания сердцебиения - 92,40% для PTB (табл. 1) и 94,88% для MIT-BIH (табл. 2).

Мера подобия основана на евклидовом расстоянии. Важной проблемой в подходах на основе внешнего вида является то, как найти оптимальные параметры для классификации. Для задачи C-класса ЛДА может уменьшить размерность до C-1 из-за того, что ранг матрицы между классами не может выходить за пределы C-1. Однако эти параметры C-1 могут не быть оптимальными для классификации. Для поиска оптимальных функций ЛДА-домена обычно применяется исчерпывающий поиск. В определении параметра АГК мы используем критерий, беря первые M собственных векторов, которые удовлетворяют , где - собственное значение, а N - размерность пространства признаков.

Таблица 1.Матрицы нештатных ситуаций с использованием только временных функций (база данных PTB: скорость распознавания субъекта: 11/13 = 84,61%, частота распознавания сердцебиения: 74,45%)

Таблица 2.Матрицы нештатных ситуаций с использованием только временных функций (база данных MIT-BIH: скорость распознавания субъекта: 13/13 = 100%, частота распознавания сердцебиения: 74,95%)

В таблице 3 приведены экспериментальные результаты применения АГК и ЛДА на наборах данных PTB и MIT-BIH. И АГК, и ЛДА достигают лучшей точности идентификации, чем аналитические функции. Это показывает, что основанный на внешнем виде анализ является хорошим инструментом для идентификации человека с помощью ЭКГ. Хотя ЛДА относится к классу и обычно работает лучше, чем АГК в проблемах распознавания лиц [6], поскольку АГК лучше работает в нашей конкретной проблеме, мы используем АГК для анализа в дальнейшем.

Таблица 3. Экспериментальные результаты АГК и ЛДА

Аналитические и основанные на внешнем виде признаки являются двумя дополнительными представлениями характеристик данных ЭКГ. Эффективная интеграция этих двух потоков функций повысит эффективность распознавания. Простая схема интеграции заключается в объединении двух потоков извлеченных объектов в один вектор и выполнении классификации. Выделенные аналитические признаки включают в себя как временные, так и амплитудные атрибуты. По этой причине нецелесообразно использовать дистанционную метрику для классификации, так как некоторые функции будут превосходить результаты. Поэтому мы используем ЛДА в качестве классификатора, и Лямбда Уилкса для выбора функции. Этот метод позволяет установить частоту распознавания пульса 96,78% для PTB и 97,15% для MIT-BIH. Коэффициент распознавания субъекта для обоих наборов данных равен 100%. В наборе данных MIT-BIH простой метод конкатенации фактически снижает производительность, а не только АГК. Это происходит из-за субоптимальной характеристики метода выбора признака, по которой невозможно получить оптимальный набор функций.

Чтобы лучше использовать дополнительные характеристики аналитических и атрибутов внешнего вида, мы предлагаем иерархическую схему интеграции функций.

Главным соображением в нашей схеме классификации является попытка изменить проблему большого количества чисел на проблему малого класса. При распознавании образов, когда количество классов велико, границы между разными классами имеют тенденцию быть сложными и трудноразделяемыми. Будет легче, если мы сможем уменьшить возможное количество классов и выполнить классификацию в меньшей области [7]. Используя иерархическую архитектуру, мы можем сначала классифицировать входные данные в несколько потенциальных классов, и классификация второго уровня может быть выполнена в пределах этих кандидатов.

На рисунке 1 показана схема предлагаемой иерархической схемы. На первом этапе для классификации используются только аналитические функции. Результат этой классификации первого уровня предоставляет классы-кандидаты, к которым может принадлежать эта запись.

Рис. 1 - Блок-схема иерархической схемы

Если все сердцебиения классифицируются как один предмет, модуль принятия решения выводит этот результат напрямую. Если сердцебиение классифицируется как несколько разных субъектов, тогда применяется новый классификационный модуль на основе АГК, который предназначен для классификации этих запутанных субъектов. Сначала мы выбираем классификацию с использованием аналитических функций из-за простоты выбора функций. Используя АГК, мы можем легко установить выбор параметра как один критерий, и важную информацию можно сохранить. Это хорошо подтверждается нашими экспериментальными результатами. Предлагаемая иерархическая схема обеспечивает скорость распознавания предметов для обоих наборов данных в 100%, а точность распознавания пульса составляет 98,90% для PTB и 99,43% для MIT-BIH.

Диаграммное сравнение различных наборов признаков и схем классификации показано на рисунке 2. Предлагаемая иерархическая схема дает многообещающие результаты в распознавании сердцебиения. Этот механизм «разделяй и властвуй» отображает глобальную классификацию в локальную и таким образом уменьшает сложность. Такая иерархическая архитектура является общей и может быть применена к другим проблемам распознавания образов.

Рис. 2 - Сравнение результатов эксперимента

Извлечение признаков без доверительного распознавания

Рассмотрим производительность метода автокорреляции / дискретного косинусного преобразования (АК/ДКП). Мера подобия основана на нормированном Евклидовом пространстве, и ближайших соседей (БС), используемых в качестве классификатора.

Нормированное Евклидово пространство между двумя характеристическими векторами x₁ и x₂ определяется как

D(x1,x2) = , (1)

где V - размерность векторов признаков, то есть число коэффициентов ДКП в предлагаемом методе[8].

Этот фактор необходим для обеспечения справедливых сравнений для разных измерений, которые могут иметь x. Применяя окно длиной 5 миллисекунд без перекрытия, из каждого объекта в базах данных извлекается разное количество окон. Наборы тестов для классификации были сформированы в общей сложности 217 и 91 окнами из наборов данных PTB и MIT-BIH, соответственно. Нормализованная автокорреляция была оценена, в зависимости от различных АК запаздываний. Вектор характеристик АК/ДКП сигнала ЭКГ оценивается и сравнивается с соответствующими векторами функций ДКП всех субъектов в базе данных для определения наилучшего совпадения.

В таблицах 4 и 5 представлены результаты наборов данных PTB и MIT-BIH, соответственно, обозначает временной лаг для вычисления переменного тока, а K представляет число коэффициентов ДКП для классификации. Количество коэффициентов ДКП выбирается так, чтобы соответствовать верхней границе применяемого полосового фильтра, то есть 40 Гц. Наивысшая производительность достигается при использовании автокорреляционного запаздывания 240 для PTB и 60 для наборов данных MIT-BIH. биометрическое распознавание военнослужащий доверительный

Таблица 4. Экспериментальные результаты классификации набора данных RTB с использованием различных АК-инерционность

Таблица 5. Экспериментальные результаты классификации набора данных MIT-BIH с использованием различных АК-инерционность

Эти окна соответствуют QRS и T волне каждого набора данных. Разница в запаздываниях, которые обеспечивают наивысшую степень классификации между двумя наборами данных, связана с различными частотами дискретизации.

Результаты, представленные в таблицах 4 и 5, показывают, что можно иметь идеальную идентификацию субъекта и очень высокую скорость распознавания окна. Метод АК / ДКП предлагает коэффициент распознавания окон 94,47% и 97,8% для наборов данных PTB и MIT-BIH, соответственно.

Заключение

Результаты наших экспериментов показывают, что метод идентификации на основе ЭКГ без доверительного распознавания возможен. Предлагаемый метод обеспечивает надежный и эффективный, с точки зрения вычислений, способ для идентификации человека.

В этой статье эффективность предлагаемых методов была проверена на здоровых людях. Нефункциональные факторы, такие как стресс и физические упражнения, могут оказывать влияние на экспрессию ЭКГ. Однако, кроме изменений в ритме, морфология ЭКГ обычно не изменяется [9]. В предложенном методе, основанном на детектировании, временные признаки были нормализованы и продемонстрированы как инвариантные к стрессу в [5]. Для метода АК / ДКП предлагается выбор окна из автокорреляции, которая соответствует комплексу QRS. Дальнейшие усилия будут посвящены разработке и расширению предлагаемых рамок с универсальными морфологиями ЭКГ у здоровых людей.

Литература

1. База данных ЭКГ с диагностической электрокардиостимуляцией / Национальный институт метрологии Германии. - (Рус.). - URL: http://www.physionet.org/ physiobank / database / Ptbdb / [15 января 2017].

2. База нормального синусового ритма MIT-BIH, - (Рус.). - URL: http://www.physionet.org/physiobank/database/nsrdb/ [15 января 2017].

3. Искольный Б.Б., Максимов Р.В., Шарифуллин С.Р. Оценка живучести распределенных информационно-телекоммуникационных сетей / Вопросы кибербезопасности. 2017. № 5 (24). С. 72-82.

4. Кошелев Д.А., Частиков А.П. Искусственный интеллект в информационных технологиях / Инновационные технологии в образовательном процессе. Материалы XVII Всероссийской научно-практической конференции. 2016. С. 259-261.

5. Израиль С.A., Ирвин Ж.М., Ченг A.и др. ЭКГ для идентификации индивидуумов / // Распознавание. - 2005.- Т. 38. - № 1. - С. 133-142.

6. Израиль С.A., Скрудж В.Т., Уокер В.Ж. и др. Плавная физиономия и ЭКГ для идентификации личности / С.A.Израиль, // Сборник 32-го практического семинара по распознаванию образов. - Вашингтон, США. - 2003. - С. 226-231.

7. Ванг Й., Платаниотис К.Н., Хадзинакос Д. Интегрирование аналитических признаков и признаков внешнего вида для идентификации человека по сигналу ЭКГ / Й.Ванг, // Труды биометрических симпозиумов. - Балтимор, Мэриленд, США. - 2006 - С. 54-58.

8. Лу Дж. Дискриминантное обучение распознаванию лиц: дисс. канд. тех. наук: Университет Торонто / Дж.Лу. - Канада - 2004, 201 с.

9. Грауер К. Практическое руководство по интерпретации ЭКГ / К.Грауер // Оксворд: Медицинские науки Elsevier. - 1998 - 302 с.

Размещено на Allbest.ru