аспирант технических наук;
graduate student of technical sciences;
Сегодня мы все чаще обращаемся к биометрическим системам аутентификации для защиты важной информации и ресурсов. Наш вклад в данной работе заключается в разработке надежной и инновационной системы биометрической аутентификации на основе сигналов ЭКГ, усиленной с использованием методов глубокого обучения. В предложенной системе применяется комплексная методология, включающая обработку сигналов, извлечение признаков, вейвлет-декомпозицию, детектирование QRS-комплекса, внутреннее моделирование, расчет расстояний и отклонений, усреднение пороговых значений, а также классификатор на основе искусственной нейронной сети (ИНС). Качество сигналов ЭКГ улучшается за счет предварительной обработки, после чего сигналы регистрируются. Уникальные характеристики формы сигнала ЭКГ извлекаются, а сам сигнал декомпозируется во временной и частотной областях с использованием вейвлет-преобразования. С помощью детектирования QRS-комплекса идентифицируются ключевые компоненты для биометрической аутентификации. Система строит внутреннее представление волн ЭКГ, вычисляет параметры, такие как расстояние и отклонение, и уточняет набор признаков для повышения устойчивости. Для повышения устойчивости к шуму и вариативности применяется усреднение пороговых значений. Наконец, классификатор на основе ИНС, обученный на извлеченных признаках, выполняет аутентификацию. Система выводит результат аутентификации и подтвержденную личность индивидуума. Экстенсивное тестирование проводилось на известном наборе данных ЭКГ, достигнута точность 98%, что демонстрирует эффективность системы. Значение True Positive Rate (чувствительность) составило 95%, что указывает на высокую производительность в идентификации подлинных пользователей. При времени обработки 10 секунд система подходит для использования в реальном времени. Анализ ROC-кривой также показал отличную производительность в различении подлинных и неподлинных пользователей с площадью под кривой (AUC) 0,98. Предложенная система обеспечивает безопасную, надежную и адаптивную биометрическую аутентификацию на основе ЭКГ за счет интеграции сложных методов обработки сигналов и глубокого обучения для работы с реальными вариациями паттернов ЭКГ, что улучшает предыдущие разработки. Несмотря на высокую чувствительность и точность системы, в будущих исследованиях планируется улучшить селективность и снизить количество ложных срабатываний для повышения общей производительности.
Today, we are increasingly looking to biometric authentication systems to protect our crucial information and resources. Our contribution in this paper is a robust and novel biometric authentication system for ECG signals that are augmented using the deep learning techniques. A comprehensive methodology including signal processing, feature extraction, wavelet decomposition, QRS wave detection, internal modeling, distance and deviation calculations, and averaging threshold along with an artificial neural network (ANN) classifier are used in the proposed system. The quality of ECG signals is improved using preprocessing, and ECG signals are acquired. The ECG waveform features unique characteristics which are then extracted, and the signal is decomposed in both time and frequency domains using wavelet decomposition. Using QRS wave detection, critical components for biometric authentication are identified. The system constructs an internal representation of ECG waves, calculates parameters such as distance and deviation, and refines the feature set to improve robustness. An averaging threshold is applied to enhance resilience to noise and variability. Finally, an ANN classifier, trained on the extracted features, performs the authentication. The system outputs the authentication result and the verified identity of the individual. Extensive testing was conducted using a well-known ECG dataset, achieving an accuracy of 98%, demonstrating the system's effectiveness. The True Positive Rate (sensitivity) was 95%, indicating strong performance in identifying authentic individuals. With a processing time of 10 seconds the system would be appropriate for use in real-time applications. ROC curve analysis also demonstrated excellent performance in discriminating authentic from non-authentic individuals with an Area Under the Curve (AUC) of 0.98. Securing, dependable and adaptable ECG based biometric authentication system is provided with the integration of complicated signal processing and deep learning to deal with real ECG pattern variations, that improves on past work. Although the system is highly sensitive and accurate future work will be directed towards improving selectivity and decreasing false positives to improve performance as a whole.