Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. · № 3 · 2020 сер 13, 2020 статті

МЕТОД ВИДІЛЕННЯ ІТЕРАЦІЙ ПУЛЬСОВИХ ХВИЛЬ ФОТОПЛЕТИЗМОГРАМИ ДЛЯ БІОМЕТРИЧНОЇ ІДЕНТИФІКАЦІЇ

IY
Iryna O. Yakovenko Відповідальний Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна
KV
Kostiantyn P. Vonsevych Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна
IH
Illia Ye. Hreben Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна
Опублікованосер 13, 2020
PDF
НВКПІ 3 ТОМ · 3
ТОМ · № 3 · 2020 Переглянути випуск

Анотація

Проблематика. Останніми роками спостерігається розвиток процесу автоматизованої ідентифікації з використанням біометричної автентифікації, що має високий рівень захисту, оскільки дає можливість оцінити фізичні параметри і характеристики конкретної особи. Такий контроль доступу є більш надійним, оскільки ідентифікатори не можуть бути передані третім особам або бути продубльованими для обходу систем захисту. За останні десятиліття розроблено значну кількість систем із біометричною ідентифікацією, однак системам з ідентифікацією за характеристиками фотоплетизмограми досі приділяється замало уваги. Основним завданням біометричної ідентифікації особи за допомогою фотоплетизмограми є пошук та реалізація методів машинного навчання для визначення їх приналежності певному пацієнту. Мета дослідження. Мета роботи – за допомогою розрахунку часових характеристик фотоплетизмограми, таких як максимальне значення амплітуди, дисперсія, середнє абсолютне відхилення, амплітуда Уілсона та загальна сума значень амплітуди сигналу, розробити алгоритм для виділення ітерацій пульсових хвиль. Методика реалізації. На основі дослідження часових характеристик фотоплетизмограми створено алгоритм виділення ітерацій пульсових хвиль, що може бути використаний для подальшої біометричної ідентифікації особи методами машинного навчання. Результати дослідження. Отримані результати можуть бути використані для подальшої розробки автоматизованих систем контролю та управління доступом за допомогою біометричної ідентифікації. Висновки . Відомі методи біометричної ідентифікації базуються, як правило, на статичних параметрах людини (будова рогівки ока, долоні, відбитки пальця, геометрія вушної раковини тощо), але мають низький рівень захисту, оскільки за допомогою спеціального обладнання можна створити копію біометричного ключа. Тому на сьогодні використання методів, що базуються на параметрах динамічної біометричної ідентифікації (плетизмограма, кардіограма та інші), забезпечує найвищий ступінь захисту, але потребує більш точного програмного апарату для виділення та визначення спільних ознак. Запропонований підхід до розрахунку окремих параметрів фотоплетизмограми з метою подальшої їх класифікації методами машинного навчання може бути прийнятним рішенням для систем біометричної ідентифікації пацієнта.

Ключові слова

#Фотоплетизмограма #Машинне навчання #Біометрична ідентифікація #пульсова хвиля

Посилання

  1. C. El-Hajj and P. Kyriacou, “A review of machine learning techniques in photoplethysmography for the non-invasive cuff-less measurement of blood pressure”, Biomedical Signal Processing and Control , vol. 58, p. 101870, 2020. doi: 10.1016/j.bspc.2020.101870
  2. S. Khalid et al. , “Blood pressure estimation using photoplethysmography only: Comparison between different machine learning approaches”, J. Healthcare Eng. , vol. 2018, pp. 1–13, 2018. doi: 10.1155/2018/1548647
  3. А. Holovyna et al. , “Analysis of the similarity of pulse waves in photoplethysmograms”, VMK MHU ymeny M.V. Lomonosova , vol. 53, no. 1, pp. 46–58, 2016.
  4. Y. Mamontov, “Analysis and classification of photoplethysmograms using the Hopfield neural network”, Vestnik Novosibirskogo Gosudarstvennogo Universiteta. Seriya: Informaczionnye Tekhnologii , vol. 12, no. 4, pp. 53–58, 2014.
  5. S. Bashar et al. , “A machine learning approach for heart rate estimation from PPG signal using random forest regression algorithm”, in Proc. 2019 Int. Conf. Electrical, Computer and Communication Engineering , Cox’sBazar, Bangladesh, 2019, pp. 1–5. doi: 10.1109/ECACE.2019.8679356
  6. Y. Zhang and Z. Feng, “A SVM method for continuous blood pressure estimation from a PPG signal”,­ in Proc. 9th Int. Conf. Machine Learning and Computing , 2017. doi: 10.1145/3055635.3056634
  7. S. Yang et al. , “Blood pressure estimation from photoplethysmogram and electrocardiogram signals using machine learning”, in Proc. IET Doctoral Forum on Biomedical Engineering, Healthcare, Robotics and Artificial Intelligence , 2018. doi: 10.1049/cp.2018.1721
  8. V. Jindal et al. , “An adaptive deep learning approach for PPG-based identification”, in Proc. 38th Int. Conf. IEEE Engineering in Medicine and Biology Society , 2016. doi: 10.1109/embc.2016.7592193
  9. H. Lim et al. , “A deep neural network-based pain classifier using a photoplethysmography signal”, Sensors , vol. 19, no. 2, p. 384, 2019. doi: 10.3390/s19020384
  10. I. Yakovenko et al. , “Improvement of the credibility of analysis of electrocardiograms for biometric personal identification”, Perspective Technologies and Devices , no. 15, pp. 125–130, 2020. doi: 10.36910/6775-2313-5352-2019-15-18
  11. I. Yakovenko et al. , “Biometrical identification on the basis of photoplethysmogram for automated medical systems”, Perspective Technologies and Devices , no. 15, pp. 120–124, 2020. doi: 10.36910/6775-2313-5352-2019-15-17
  12. K. Vonsevych et al. , “Evaluation of electromyogram time characteristics of the wrist functional movements for intuitive control of bionic prosthesis”, Naukovi Visti NTUU KPI , no. 1, pp. 45–53, 2018. doi: 10.20535/1810-0546.2018.1.115941
  13. K. Vonsevych et al. , “Fingers movements control system based on artificial neural network model­­”, Radioelectronics and Communications Systems , vol. 62, no. 1, pp. 23–33, 2019. doi: 10.3103/s0735272719010047
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі
10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS
10.20535/kpisn.2026.3.361520

МЕТОДИКА ПАРАМЕТРИЧНОГО СИНТЕЗУ ЗУМ-АФОКАЛЬНИХ СИСТЕМ НА ОСНОВІ НЕРУХОМИХ ВАРІОЛІНЗ

Ігор Г. Чиж

Проблематика Зум-оптичні системи, в яких використовуються механічно нерухомі електрично керовані варіолінзи, не можуть вважатися такими, що мають нерухомі оптичні…

#зум-афокальні системи #головні точки варіолінз #синтез зум-афокальних систем #стабільна афокальність зум-системи
10.20535/kpisn.2026.3.351645

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 22

Ви також можете розпочати розширений пошук схожих статей для цієї статті.