Fingertip electrocardiogram and speech signal based biometric recognition system

Basit Öğe Kaydı
dc.authorid0000-0001-9107-6665
dc.contributor.advisorGüz, Ümiten_US
dc.contributor.advisorGürkan, Hakanen_US
dc.contributor.authorGüven, Gökhanen_US
dc.contributor.otherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektronik Mühendisliği Doktora Programıen_US
dc.date.accessioned2022-05-12T15:18:45Z
dc.date.available2022-05-12T15:18:45Z
dc.date.issued2021-12-27
dc.departmentIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektronik Mühendisliği Doktora Programıen_US
dc.descriptionText in English ; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 138-146)en_US
dc.descriptionxvi, 146 leavesen_US
dc.description.abstractFingertip electrocardiogram and speech signal based biometric recognition system In this research work, we presented a one-dimensional CNN-based person identification system which depends on the combination of both speech and ECG modalities to improve the overall performance compared to traditional systems. The proposed method has two approach: one is to develop combination of textindependent speech and fingertip ECG fusion system, the other one is to develop a robust rejection algorithm to prevent unauthorized access to the fusion system. In addition to the system robustness, we have developed an ECG spike and inconsistent beats removing algorithm, which detect and remove the problems caused by either portable fingertip ECG devices or movements of the patients. First approach has been tested on 30, 45, 60, 75 and 90 people which were taken from LibriSpeech Corpus database and combination of both CYBHi and our private fingertip ECG database. The 3-fold cross validation test setup has been conducted while system working time was set to 10 seconds. In the first experiment, we achieved 90.22% accuracy rate for 90 people for ECG based system. For the speech based system, 97.94% accuracy rate has achieved for 90 people. For the combination of both system, 99.92% accuracy rate has been achieved. For the second approach, 90 people for ECG and Speech database were being used as genuine class, 26 people as imposter class, and after the performance evaluation in optimum rejection thresholds, 71.08% accuracy rate for imposters rejection and 71.05% accuracy rate for genuine recognition has achieved for ECG based system. For the speech based system, imposter class were 87.82% accurately rejected while genuine classes were 86.48% accurately identified. The combination of both system has achieved 91.68% accuracy for genuine identification rate whereas 96.05% accuracy for imposter rejection.en_US
dc.description.abstractAraştırmamızda, geleneksel sistemlere nazaran genel performansı iyileştirmek adına hem konuşma hem de EKG sinyallerinin kombinasyonuna dayanan tek boyutlu CNN tabanlı kişi tanıma sistemi geliştirilmiştir. Önerdiğimiz sistem, iki yaklaşım içermektedir: Bunlardan ilki, metinden bağımsız konuşma ve parmak ucu EKG füzyonu ile bir tanıma sistemi elde etmek, diğeri ise bu geliştirilen füzyon tanıma sisteminin yetkisiz kişileri önlemesine yarayan güçlü bir reddetme algoritması geliştirmektir. Bu yaklaşımlara ek olarak, taşınabilir parmak ucu EKG cihazlarının ya da kullanıcının hareketlerinin neden olduğu tutarsızlıkları veya benzeri sorunları tespit etmek ve ortadan kaldırmaya yarayan bir algoritma da geliştirilmiştir. İlk yaklaşım, Libri Speech Corpus ses veri tabanı ve CYBHi veri tabanı ile daha önceden oluşturduğumuz parmak ucu EKG veri tabanlarının birleşiminden alınan 30, 45, 60, 75 ve 90 kişi üzerinde test edilmiştir. 3 kat çapraz doğrulama yöntemiyle, sistem 10 saniyeye yanıt verecek şekilde ayarlanarak testler gerçekleştirilmiştir. İlk deneyde, EKG tabanlı sistemin, 90 kişi üzerinden %90.22 doğruluk oranına ulaştığı saptanmıştır. Konuşma tabanlı sistemin ise 90 kişi üzerinden %97.94 doğruluk oranına ulaştığı tespit edilmiştir. Her iki sinyalin kombinasyonu ise %99.92 doğruluk oranına sahip olduğu gözlemlenmiştir. İkinci yaklaşımda ise, EKG ve konuşma veri tabanlarından 90 kişi hakiki sınıf, 26 kişi ise sahtekar sınıfı olarak ikiye ayrılmıştır ve en uygun reddetme eşit değerlerine ayarlandığı göz önünde bulundurarak %71.05 doğrulukla hakiki sınıfı tanıdığı ve %71.08 doğrulukla sahtekar sınıfı reddettiği, EKG tabanlı sistemde tespit edilmiştir. Konuşma tabanlı sistemin ise, %86.48 doğrulukla hakiki sınıfı tanıdığı, %87.82 doğrulukla da sahtekar sınıfı reddettiği tespit edilmiştir. Her iki sistemin kombinasyonu ile, %91.68 doğrulukla hakiki sınıfı tanıdığı, %96.05 doğrulukla da sahtekar sınıfı reddettiği gözlemlenmiştir.en_US
dc.description.tableofcontentsSpeaker Recognition Systemen_US
dc.description.tableofcontentsInvestigation of Speech Productionen_US
dc.description.tableofcontentsIntroduction to Speaker Identificationen_US
dc.description.tableofcontentsIntroduction to Biosignalsen_US
dc.description.tableofcontentsElectrocardiogramen_US
dc.description.tableofcontentsElectrocardiogram Measurementen_US
dc.description.tableofcontents12-Lead ECG Measurementen_US
dc.description.tableofcontentsCommon Monitoring Problemsen_US
dc.description.tableofcontentsBaseline Wanderingen_US
dc.description.tableofcontentsPower line Interferenceen_US
dc.description.tableofcontentsMuscle Tremoren_US
dc.description.tableofcontentsMisleaded Electrodesen_US
dc.description.tableofcontentsComponents of an ECG Waveformen_US
dc.description.tableofcontentsP waveen_US
dc.description.tableofcontentsPR Intervalen_US
dc.description.tableofcontentsQRS Complexen_US
dc.description.tableofcontentsST Segmenten_US
dc.description.tableofcontentsT Waveen_US
dc.description.tableofcontentsQT intervalen_US
dc.description.tableofcontentsIntroduction to ECG based Person Identification Systemen_US
dc.description.tableofcontentsDesign of Speech and Fingertip ECG Measurement Systemen_US
dc.description.tableofcontentsBlock diagram of Speech and ECG Measurement Systemen_US
dc.description.tableofcontentsSchematic of Speech and ECG Measurement Systemen_US
dc.description.tableofcontentsECG Signal Recording Resultsen_US
dc.description.tableofcontentsDesign of Microphone Array Beamen_US
dc.description.tableofcontentsFingerprint Recording Resultsen_US
dc.description.tableofcontentsSpeech and Fingertip ECG Signal based Person Recognition Systemen_US
dc.description.tableofcontentsBlock diagram of Speech and Fingertip ECG Signal based Person Recognition Systemen_US
dc.description.tableofcontentsECG Spikes and Inconsistent Beats Detectionen_US
dc.description.tableofcontentsECG Segmentationen_US
dc.description.tableofcontentsVector Quantizationen_US
dc.description.tableofcontentsK-mean Clusteringen_US
dc.description.tableofcontentsK-means Vector Quantization Algorithmen_US
dc.description.tableofcontentsVoice Activity Detectionen_US
dc.description.tableofcontentsMel Frequency Cepstral Coefficients (MFCC)en_US
dc.description.tableofcontentsMin Max Normalizationen_US
dc.description.tableofcontentsConvolutional Neural Networken_US
dc.description.tableofcontentsNeural Networken_US
dc.description.tableofcontentsIntroduction to Perceptron (Single Layer Network)en_US
dc.description.tableofcontentsMultilayer Perceptron (Neural Network)en_US
dc.description.tableofcontentsSoftmax Activation Function for Classificationen_US
dc.description.tableofcontentsUnderstanding of Convolutional Neural Networken_US
dc.description.tableofcontentsConvolutional Layeren_US
dc.description.tableofcontentsPooling Operationen_US
dc.description.tableofcontentsFlatten Layeren_US
dc.description.tableofcontentsFully Connected Layeren_US
dc.description.tableofcontentsUnderstanding of Output Size of Each Layeren_US
dc.description.tableofcontentsCNN Architecture of Proposed Algorithmen_US
dc.description.tableofcontentsECG Dataseten_US
dc.description.tableofcontentsSpeech Dataseten_US
dc.identifier.citationGüven, G. (2021). Fingertip electrocardiogram and speech signal based biometric recognition system. İstanbul: Işık Üniversitesi Lisansüstü Eğitim Enstitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/4285
dc.institutionauthorGüven, Gökhanen_US
dc.institutionauthorid0000-0001-9107-6665
dc.language.isoenen_US
dc.publisherIşık Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectAuthenticationen_US
dc.subjectConvolutional Neural Networken_US
dc.subjectFingertip ECGen_US
dc.subjectFusionen_US
dc.subjectIdentificationen_US
dc.subjectImposter rejectionen_US
dc.subjectMFCCen_US
dc.subjectMachine learningen_US
dc.subjectRecognition systemen_US
dc.subjectSignal processingen_US
dc.subjectSpeechen_US
dc.subjectSupervised learningen_US
dc.subjectText-independenten_US
dc.subjectVerificationen_US
dc.subjectKimlik doğrulamaen_US
dc.subjectEvrişimli sinir ağıen_US
dc.subjectParmak ucu EKGen_US
dc.subjectFüzyonen_US
dc.subjectTanımlamaen_US
dc.subjectSahtekar reddetmeen_US
dc.subjectMFCCen_US
dc.subjectMakine öğrenimien_US
dc.subjectTanıma sistemien_US
dc.subjectSinyal işlemeen_US
dc.subjectKonuşmaen_US
dc.subjectDenetimli öğrenmeen_US
dc.subjectMetinden bağımsızen_US
dc.subjectDoğrulamaen_US
dc.subject.lccTK7882.B56 G884 2021
dc.subject.lcshBiometric identification.en_US
dc.subject.lcshElectrocardiography -- Data processing.en_US
dc.subject.lcshElectrocardiography -- methods.en_US
dc.subject.lcshFingerprints.en_US
dc.subject.lcshAnthropometry -- Methodology.en_US
dc.titleFingertip electrocardiogram and speech signal based biometric recognition systemen_US
dc.title.alternativeParmak ucu elektrokardiyogram ve ses sinyali tabanlı biyometrik tanıma sistemien_US
dc.typeDoctoral Thesisen_US
dspace.entity.typePublication

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Gokhan_Guven.pdf
Boyut:
12.2 MB
Biçim:
Adobe Portable Document Format
Açıklama:
DoctoralThesis
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu