داده کاوی در تشخیص مبتنی بر ECG تلفن همراه

چکیده

واژه‌های کلیدی

1. مقدمه

شکل 1. عملیات همانند بیومتریک بین عناصر تشخیص و ثبت که بر اساس تجزیه و تحلیل شباهت امتیاز می‌دهد.

شکل 2. انواع مختلف وجه تمایز مانند ضربه کلید، صدا، عنبیه، طرز راه رفتن، چهره و اثرانگشت.

شکل 3. سناریوهای بیومتریک بالقوۀ مبتنی بر ECG تلفن همراه

1.1 انگیزه

1.2 نقش

1.3 بقیۀ مقاله

2. تحقیقات مرتبط

3. روش

3.1 دریافت سیگنال

3.2 استخراج نمونۀ بیومتریک

3.2.1 انتخاب نمونۀ بیومتریک

3.2.2 عادی سازی نمونۀ بیومتریک

3.3 سکوهای تلفن همراه

شکل 4. روش تشخیص آزمودنی پیشنهادی با استفاده از سیگنال‌های در دستگاه‌های تلفن همراه    

شکل 5. روش انتخاب نمونه و عادی سازی NSRDB

شکل 6. دستگاه‌های تلفن همراه مورد استفاده در این تحقیق: (از چپ) سامسونگ، گلکسی S II، Sensation 4G HTC و LG Optimus P9706

3.4 الگوریتم‌های طبقه بندی

3.4.1 شبکه بایس

3.4.2 بایس ساده

3.4.3. ادراک چندلایه

شکل 7. مدل شبکۀ ادراک چندلایه

3.4.4 نزدیک‌ترین همسایۀk

4. آزمایش و نتایج

4.1 تجزیه و تحلیل پیچیدگی

4.2 میزان دقت و کل زمان اجرا

شکل 8. دقت طبقه بندی دسته کننده‌های متعدد با استفاده از NSRDB در سکوهای تلفن همراه و غیر تلفن همراه

جدول 1. کل زمان اجرای (TET) سکوی غیر تلفن همراه (لب تاپ) با سه سکوی مختلف تلفن همراه مقایسه شده است که 4 الگوریتم طبقه بندی پرکاربرد در NSRDB را اجرا می‌کند.

4.3 بحث

4.4 قیاس کلی

5. نتیجه گیری

این مقاله قدرت انجام تشخیص بیومتریک در محیط تلفن همراه را با استفاده از سیگنال‌های الکتروکاردیوگرام (ECG) بررسی می‌کند. ما روش نمونه گیری بیومتریک پیشنهادی خود را برای آزمایش قابلیت استفاده در سراسر دسته کننده‌ها اجرا کرده‌ایم. آزمودنی‌ها در پایگاه داده‌های ریتم سینوس عادی MIT-BIH (NSRDB) برای معتبر ساختن قابلیت اطمینان و ثبات روش‌های تشخیص آزمودنی بکار رفته‌اند. خصوصیات تبعیض آمیز بدست آمده از آزمایش‌ها بعداً در دسته کننده‌های گوناگون برای مقیاس‌های عملکرد مبتنی بر پیچیدگی روش نمونه گیری پیشنهادی ما هنگام مقایسه با سایر الگوریتم‌ها، زمان کل اجرای (TET) بکار رفته در دسته کننده‌های گوناگون در دستگاه‌های تلفن همراه مختلف و دقت دسته بندی به هنگام استفاده در روش‌های دسته بندی گوناگون بکار رفته‌اند. نتایج آزمایش نشان داد که روش ما فرآیند تشخیص بیومتریک را به دست آوردن پیچیدگی محاسباتی کاهش یافته را هنگام مقایسه با سایر الگوریتم‌های مربوطه ساده می‌کند. بدیهی است که کی مقادیر TET در مقایسه با دستگاه غیر تلفن همراه بطور معنی داری پایین است، اگرچه حفظ میزان دقت بالا در دسته کننده‌های مختلف بین 98.30 درصد تا 99.07 درصد است؛ بنابراین، این نتایج قابلیت استفاده تشخیص بیومتریک مبتنی بر ECG در محیط تلفن همراه را تأیید می‌کند.

در دهه اخیر تقاضای بهبود امنیت برای ذخیره داده شخصی رشد سریعی داشته است و در این میان در گزینه بالقوه از روش‌های تشخیص بیومتریک نوآورانه استفاده می‌شود. بیومتریک به مرز تشخیص سیستم‌های مدیریت تبدیل شده است که به تدریج سازوکارهای امنیتی سنتی همچون شماره‌های شناسایی شخصی و گذرواژه‌ها را تکمیل می‌کند. عملیات بیومتریک به روش تشخیص الگو و استخراج خصوصیات منحصر به فرد و تشخیصی معروف به نمونه‌های بیومتریک (داده تشخیص) و انطباق این نمونه‌ها با مجموعه داده‌ها بستگی دارد که درون سیستم مدیریت تشخیص ذخیره می‌شود (داده ثبت). در فرآیند تشخیص تجزیه و تحلیل تشابه بین این نمونه‌ها انجام می‌شود و کیفیت با استفاده از نمره‌های تطابق برآورد می‌شود. دو نمونه بیومتریک حاوی نمره‌های بالا نشان می‌دهند که مربوط به یک شخص هستند. این عملیات در شکل 1 نشان داده شده است. همانطور که شکل 2 نشان می‌دهد، وجوه تمایز متعدد بیومتریک مانند ضربه کلید، صدا، عنبیه، چهره و اثر انگشت در گذشته مطرح شده است. با این حال، این وجوه تمایز قبلی از نظر دقت تشخیص مانند طرز راه رفتن و ضربه کلید قابل اطمینان نیستند. همچنین، این وجوه تمایز در برابر جعل همچون صدایی که به سادگی تقلید می‌شود، عنبیه ای که می‌تواند با استفاده از لنزهای تماسی حاوی خصوصیات عنبیه کپی شده بر روی آن ساخته شود، چهره ای که در معرض تغییر قیافه مصنوعی قرار می‌گیرد و اثر انگشتی که با لاتکس (انگشت نگاری چسبناک) جعل می‌شود، مقاوم نیستند. اخیراً، ECG که شبیه سازی قلب است به عنوان یکی از وجوه تمایز بالقوه ظاهر شده است که علت آن منحصر به فرد بودن خصوصیاتی است که با یکپارچه کردن تشخیص سرزندگی، به طور معنی داری از حملات مضحک جلوگیری می‌کند. عملکرد ECG به عنوان شاخص زندگی قلب در مقایسه با سایر وجوه تمایز بیومتریک خود را برتر می‌داند که علت آن مناسب بودن حتی برای وجوه تمایزی است که ظاهراً آسیب دیده و معلول هستند. هویت‌های تحقیقاتی چشم گیری وجود دارند که به بیومتریک مبتنی بر ECG به عنوان سازوکار تشخیص یک شخص مانند تحقیقات بیل و همکارانش (2001)، اسرائیل و همکارانش (2005)، وانگ و همکارانش (2008) و سوفی و خلیل (2011) و از جمله سیدک و خلیل (2011؛ 2013) سیدک و همکارانش (2011؛2012) مربوط می‌شوند. این هویت شامل انواع روش‌های تشخیصی است که سیستم تشخیص بیومتریک تلفن همراه را در بر می‌گیرد (پون و همکارانش، 2006؛ آگروفیاتی و همکارانش 2011؛ جوریک و ویور 2011). مورد دوم به علت پیشرفت‌های سریع و چشمگیر خصوصیات و عملکرد دستگاه تلفن همراه است که حاوی قدرت پردازش بالا و اختصاص حافظه بزرگ مانند تلفن‌های هوشمند است. در نتیجه، تغییرپذیری به عامل بیومتریک تلفن همراه تبدیل شده است که بطور افزون اهمیت بیشتری پیدا می‌کند. امکان روش‌های تشخیص آزمودنی در دستگاه‌های تلفن همراه اهمیت معنی داری دارد که علت آن نیاز فوری به امنیت بهتر برای ذخیره داده شخصی یا کسب و کار یا اتصال به شبکه‌های شرکت در دستگاه‌های تلفن همراه است. کاربردهای بیومتریک بالقوه مبتنی بر ECG تلفن همراه مانند تغییر پرسنل ارتش در میدان‌های جنگ، تشخیص مشتری در موسسه‌های مالی، معتبر کردن رأی در انتخابات یا حتی تشخیص رانندگان اتومبیل که در شکل 3 نشان داده شده است، به عنوان کاربردهای آتی ممکن در نظر گرفته می‌شود. این سناریوها به روش تشخیص قابل اطمینان ذخیره اطلاعات شخصی و حفاظت از هویت فردی در برابر دسترسی غیر مجاز نیاز دارند که استفاده از آن آسان باشد. به علاوه، قانون سال 1996 قابلیت انتقال و پاسخ گویی بیمه سلامت (HIPAA)، دستور EC/58/2002 اتحادیه اروپا و قانون جمهوری خلق چین در مورد پزشکان نیز روش‌های امنیتی را در محیط تلفن همراه برای حفاظت از سری بودن و خلوت اطلاعات الکترونیکی انتقال داده شده در هوا توصیه کرده‌اند (یکصد و چهارم کنگره، 1996؛ دستور، 2002، 2012؛ قانون پزشکان دارای مجوز جمهوری خلق چین، 1999)؛ بنابراین، ما در این تحقیق قابلیت انجام تشخیص بیومتریک مبتنی بر ECG را از طریق با بکار بردن روش‌های تشخیص آزمودنی مختلف بررسی می‌کنیم.