Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Ewa Pajszczyk

Identyfikacja biometryczna na podstawie analizy krótkotrwałych jedno-odprowadzeninowych sygnałów EKG


Biometric Identification based on the Analysis of Short-term Single Lead ECG Signals


Opiekun pracy dyplomowej: dr inż. Aleksandra Królak
Praca dyplomowa inżynierska obroniona 2023-07-06
Streszczenie pracy dyplomowej:
Biometria to pomiary ciała i obliczenia cech ludzkich wykorzystywane do identyfikacji i uwierzytelniania. EKG ma potencjał jako cecha biometryczna ze względu na swoją unikalność, ale wiąże się z kilkoma wyzwaniami, takimi jak inwazyjny pomiar czy zmienność sygnału. W tym projekcie współczynniki ciągłej transformacji falkowej obliczone dla zespołów QRS z wykorzystaniem falek Mexican Hat, Morleta i Gaussa zostały połączone w celu utworzenia obrazu RGB i użyte jako dane wejściowe do konwolucyjnej sieci neuronowej w celu rozpoznania osoby. Wykorzystano 5 zestawów danych wybranych z bazy Heartprint. Zestaw treningowy składał się z 12 obrazów od każdego pacjenta, a zestaw testowy zawierał 3 próbki od każdego pacjenta. Zaimplementowana sieć neuronowa ma 2 bloki warstwy konwolucyjnej, po której następuje warstwa MaxPooling, następnie spłaszcza mapę cech i kompresuje rozmiar wektora cech przez warstwę FC, a następnie Batch Normalization. Uzyskana dokładność wyniosła 93%.
Abstract:
Biometrics are measurements of the body and computations of human traits used for identification and authentication. ECG has a potential as a biometric trait due to its uniqueness and hidden nature, but it has several challenges like intrusiveness during data acquisition or variability in the signals. In this project Continuous Wavelet Transform coefficients calculated for QRS complexes using Mexican Hat, Morlet and Gaussian wavelets were combined to form RGB image and used as an input to the Convolutional Neural Network in order to perform person recognition. 5 records selected from Heartprint database were used. The training set consisted of 12 images from each patient and the test set contained 3 samples from each patient. Implemented CNN has 2 blocks of convolutional layer followed by a MaxPooling layer, next it flattens the feature map and compresses the size of the feature vector through FC layer followed by Batch Normalization. Obtained accuracy was equal to 93%.