Biometrická identifikace na základě klasifikace EKG signálů

Abstract

Tato diplomová práce se zabývá možností využití EKG signálů jako identifikátorů pro biometrické identifikační a autentizační systémy. V této práci jsou detailně popsány metody a procesy biometrické identifikace s výrazným zaměřením na nutné požadavky, které takovéto systémy a biologické identifikátory musí splňovat. Součástí je také rozsáhlá rešerše recentních vědeckých výsledků, metod a postupů v této oblasti. V rámci této práce byly vyvinuty a otestovány klasifikační systémy na bázi předtrénovaných 2D konvolučních neuronových sítí. Tyto systémy byly testovány na rozsáhlé databázi binárních snímků a STFT spektrogramů vytvořených z veřejně dostupných databází EKG signálů určených pro potřeby biometrické identifikace. V rámci této práce bylo zjištěno, že binární snímky vykazují výrazně vyšší úspěšnost klasifikace než v dnešní době velmi populární snímky časově frekvenční analýzy vytvořené konkrétně pomocí rychlé Fourierovy transformace. Dále byly v této práci detailně popsány a částečně otestovány vlivy různých parametrů a vlastností EKG signálů na celkovou úspěšnost klasifikace, a to zejména vliv časové variability EKG signálů. Při tomto testování byl potvrzen jednoznačný negativní vliv časové variability EKG signálů na celkovou úspěšnost klasifikace, a to zejména u STFT spektrogramů. Souhrnné výsledky této práce potvrzují dostatečnou unikátnost EKG signálů a použitelnost biometrických identifikačních systémů vytvořených na jejich bázi pro běžnou praxi.

This thesis deals with the possibility of using ECG signals as identifiers for biometric identification and authentication systems. In this thesis, methods and processes of biometric identification are described in detail with a strong focus on the necessary requirements that such systems and biological identifiers must meet. Also included is an extensive survey of recent scientific results, methods, and procedures in this area. As part of this work, classification systems based on pre-trained 2D convolutional neural networks have been developed and tested. These systems were tested on a large database of binary images and STFT spectrograms generated from publicly available databases of ECG signals designed for biometric identification purposes. In this work, it was found that binary images exhibit significantly higher classification success rates than the nowadays very popular time-frequency analysis images, specifically those created using the Fast Fourier Transform. Furthermore, the effects of various parameters and features of ECG signals on the overall classification success rate, especially the effect of temporal variability of ECG signals, were described in detail and partially tested in this work. In this testing, a clear negative influence of the temporal variability of ECG signals on the overall classification success rate was confirmed, especially for STFT spectrograms. The overall results of this work confirm the sufficient uniqueness of ECG signals and the applicability of biometric identification systems based on them for routine practice.