کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
457194 | 695907 | 2014 | 9 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Data mining in mobile ECG based biometric identification
ترجمه فارسی عنوان
داده کاوی در تشخیص مبتنی بر ECG تلفن همراه
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ECG - بیومتریک تلفن همراه - اندروئید - کمپلکس QRS - داده کاوی
فهرست مطالب مقاله
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
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
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
شبکه های کامپیوتری و ارتباطات
چکیده انگلیسی
This paper investigates the robustness of performing biometric identification in a mobile environment using electrocardiogram (ECG) signals. We implemented our proposed biometric sample extraction technique to test the usability across classifiers. Subjects in MIT-BIH Normal Sinus Rhythm Database (NSRDB) were used to validate the reliability and stability of the subject recognition methods. Discriminatory features extracted from the experimentations were later applied to different classifiers for performance measures based on the complexity of our proposed sample extraction method when compared to other related algorithms, the total execution time (TET) applied on different classifiers in various mobile devices and the classification accuracies when applied to various classification techniques. Experimentation results showed that our method simplifies biometric identification process by obtaining reduced computational complexity when compared to other related algorithms. This is evident when TET values were significantly low on mobile devices as compared to a non-mobile device while maintaining high accuracy rates ranging from 98.30% to 99.07% in different classifiers. Therefore, these outcomes support the usability of ECG based biometric identification in a mobile environment.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Network and Computer Applications - Volume 44, September 2014, Pages 83–91
Journal: Journal of Network and Computer Applications - Volume 44, September 2014, Pages 83–91
نویسندگان
Khairul Azami Sidek, Vu Mai, Ibrahim Khalil,