Fingertip ECG signal based biometric recognition system

Basit Öğe Kaydı
dc.contributor.advisorGürkan, Hakanen_US
dc.contributor.advisorGüz, Ümiten_US
dc.contributor.authorGüven, Gökhanen_US
dc.contributor.otherIşık Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik Mühendisliği Yüksek Lisans Programıen_US
dc.date.accessioned2016-08-02T10:29:57Z
dc.date.available2016-08-02T10:29:57Z
dc.date.issued2016-05-10
dc.departmentIşık Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik Mühendisliği Yüksek Lisans Programıen_US
dc.descriptionText in English ; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 94-98)en_US
dc.descriptionxviii, 115 leavesen_US
dc.description.abstractThe idea is the; realize biometric recognition system by using ECG signal which was began to use in the last 10 years. Until now, ECG based biometric systems have been developed by using the database which ECG signals are taken from the subjects’ chest by using patient monitor or high speed data acquisition systems. For constructing database, most researchers have used three disposable ECG electrodes on subjects’ chest to extract the ECG signal. Because of that, ECG based biometric systems were being considered hard to use. For this reason, we want to make a system that is easy to carry, and easy to apply on subjects. In most of biometric systems, ECG database have constructed by using ECG signal of the subjects that were taken by using electrodes which were located in left and right side of the heart with a reference electrode on right leg. However, in our system, the database consisted of the ECG signals which were taken by using patient’s right and left thumb. The difference of our system with the others is; there is EMG noise which is in the same frequency range with ECG signal. Because of frequencies are the same, it is very hard to eliminate with filters. For this reason, database was enhanced by applying the different filters on ECG signal to reduce the noises for higher recognition rate. First week of the dataset -which was obtained by using ECG signals of 30 people in two separate weeks- is extracted the personality information by performing AC/DCT and MFCC methods and is reserved as training dataset. ECG signals which obtained by AC/DCT methods in second week are called as test dataset. First candidate is determined by putting the AC/DCT features of an unknown person into the LDA classifier. In the meantime, same person’s MFCC features put into the LDA classifier and the second candidate is determined. If these two candidates are the same, they are labeled as A and B person. If they are not the same person, then QRS frames of the proximate two candidates obtained from AC/DCT features and QRS frames of the proximate two candidates obtained from MFCC features are sent to K-NN algorithm. QRS frames of these 4 candidates are sorted ascending according to the proximity to the QRS frame of unknown person, and nearest candidate to unknown QRS segment is labeled as A and B person. Proposed method was reached to success at rate of %96 average frame recognition.en_US
dc.description.abstractProjenin başlıca amacı, 10 yıldan beri süre gelen EKG sinyali ile yapılan biyometrik sistemlerini, farklı bir ölçüm yöntemiyle gerçekleştirmektir. Şu ana kadar yapılan EKG tabanlı biometrik sistemlerin çoğu, hastanelerde kullanılan hasta başı monitör veya yüksek hızlı veri analiz kartları yardımıyla EKG ölçümlerinin alınarak veri kümelerinin oluşturulmasına dayanmaktadır. Bu kapsamda her bir deneğin göğsüne tek kullanımlık 3 adet elektrot takılarak kanal 1 ölçüm uçlarından EKG sinyali alınmıştır. Her bir denek için kullanılan elektrotlar hem maliyeti arttırmakta, hem de zahmetli bir iş olmaktadır. Bu cihazların pahalı olmasının yanı sıra kullanılabilirlikleri de bir hayli zordur. Bu yüzden amacımız; kolaylıkla taşınabilir, kullanımı kolay, elektrot tak çıkar derdinden kurtaracak bir sistem yaparak biyometrik tanıma sistemini gerçekleştirmek istememizdir. Diğer biyometrik tanıma sistemlerinde, kalbin sağ ve sol tarafına yerleştirilen elektrotlar ve sağ bacağa takılan referans elektrotu ile alınan EKG sinyallerinden oluşan veri kümeleri kullanılmıştır. Sistemimizde ise sağ ve sol kol başparmaklardan alınan EKG sinyallerinin diğer parmakları da referans alarak veri kümesini oluşturmaktayız. Diğer sistemlerden farklı olarak sistemimizde, EKG sinyallerinin üstüne binen EMG gürültüsü daha fazla olmaktadır. EKG ve EMG sinyallerin frekans aralıkları iç içe olduklarından dolayı birbirinden filtreler yardımıyla ayrılması bir hayli zordur. Bu nedenle farklı filtreler uygulayarak EKG sinyallerinin gürültü oranını azaltmaya yönelik yöntemler kullandık ve EKG veri tabanlarımızı geliştirdik. Otuz kişiden iki farklı haftada aldığımız EKG sinyalleriyle oluşturulan veri kümesinin ilk haftası AC/DCT ve MFCC metotlarına uygulanarak kişilik bilgileri çıkartılır ve eğitim veri seti olacak şekilde ayrılır. İkinci hafta aldığımız EKG sinyalleri ise AC/DCT ve MFCC metotlarından geçirilerek test veri seti olarak isimlendirilir. AC/DCT öznitelikleri çıkarılan kişi LDA sınıflandırıcıya sokularak bir aday belirlenir. Eş zamanlı olarak aynı kişinin MFCC öznitelikleri de LDA sınıflandırıcıya sokularak bir aday daha belirlenir. Eğer bu iki aday aynı ise, A veya B kişisi diye etiketlenir. Eğer birbirinden farklı iseler AC/DCT özniteliklerinden çıkarılan en yakın iki adayın QRS bölütleri ve MFCC özniteliklerinden çıkarılan en yakın iki adayın QRS bölütleri K-NN algoritmasına gönderilir. Bu dört adayın QRS bölütleri, bilinmeyen kişinin QRS bölüdüne yakınlığına göre küçükten büyüğe sıralanır ve en yakın aday, A veya B kişisi olarak etiketler. Önerdiğimiz yöntemle ortalama bölüt tanıma oranı %96 ‘ya ulaşmıştıren_US
dc.description.tableofcontentsIntroduction to Biometric Recognition Systemen_US
dc.description.tableofcontentsBiosignalsen_US
dc.description.tableofcontentsMeasurement Techniquesen_US
dc.description.tableofcontents12-Lead Measurement Setup and Einthoven’s triangleen_US
dc.description.tableofcontentsCommon Monitoring Problemsen_US
dc.description.tableofcontentsBaseline Wanderingen_US
dc.description.tableofcontentsPowerline Noiseen_US
dc.description.tableofcontentsMuscle Tremoren_US
dc.description.tableofcontentsMisleaded Electrodesen_US
dc.description.tableofcontentsECG Waveform Componentsen_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.tableofcontentsAnalog Filtersen_US
dc.description.tableofcontentsFundamentals of Analog Filtersen_US
dc.description.tableofcontentsLowpass Filter Designen_US
dc.description.tableofcontentsFirst-order lowpass filter designen_US
dc.description.tableofcontentsSecond order unity gain lowpass filter designen_US
dc.description.tableofcontentsHighpass Filter Designen_US
dc.description.tableofcontentsFirst-order inverting highpass filter designen_US
dc.description.tableofcontentsSecond-order unity gain highpass filter designen_US
dc.description.tableofcontentsDesigning 5th order Lowpass Filteren_US
dc.description.tableofcontentsDigital Filtersen_US
dc.description.tableofcontentsFundamental of Digital Filtersen_US
dc.description.tableofcontentsFIR Lowpass Filteren_US
dc.description.tableofcontentsFIR Highpass Filteren_US
dc.description.tableofcontentsFIR Bandpass Filteren_US
dc.description.tableofcontentsFIR Bandstop Filteren_US
dc.description.tableofcontentsFIR and IIR Notch Filter Designen_US
dc.description.tableofcontentsIIR and FIR Notch Filter Application on Matlaben_US
dc.description.tableofcontentsIIR Notch Filter Application on dsPICsen_US
dc.description.tableofcontentsDesign of Fingertip ECG Measurement Systemen_US
dc.description.tableofcontentsBlock Diagram of Fingertip ECG Measurement Systemen_US
dc.description.tableofcontentsPower Supply of ECG circuiten_US
dc.description.tableofcontentsInstrumentation Amplifieren_US
dc.description.tableofcontentsRight Leg Drive Circuiten_US
dc.description.tableofcontents5ᵗʰ order Lowpass Filteren_US
dc.description.tableofcontentsOpto-coupleren_US
dc.description.tableofcontentsSchematic of Fingertip ECG Circuiten_US
dc.description.tableofcontentsdsPIC microC Programen_US
dc.description.tableofcontentsMatlab Programen_US
dc.description.tableofcontentsMatlab Outputs of the ECG circuiten_US
dc.description.tableofcontentsBasics for designing PCB of Fingertip ECGen_US
dc.description.tableofcontentsIntroductions to Feature Extraction and Classificationen_US
dc.description.tableofcontentsFeatures related to ECG Based Biometric Systems and Features Extraction Methodsen_US
dc.description.tableofcontentsAC/DCT Based Featuresen_US
dc.description.tableofcontentsMel-Frequency Cepstral Coefficient Based Featuresen_US
dc.description.tableofcontentsMethods for Classificationen_US
dc.description.tableofcontentsLinear Discriminant Analysis based Classification Methoden_US
dc.description.tableofcontentsK-Nearest Neighbors (K-NN) Classification Methoden_US
dc.description.tableofcontentsProposed Methoden_US
dc.description.tableofcontentsPreprocessing Stageen_US
dc.description.tableofcontentsFeature Extraction and Classification Processen_US
dc.description.tableofcontentsExperimental Worken_US
dc.description.tableofcontentsECG Dataseten_US
dc.description.tableofcontentsAssessment Creteriaen_US
dc.description.tableofcontentsAssessment Resulten_US
dc.description.tableofcontentsDiscussion and Conclusionsen_US
dc.description.tableofcontentsSelection of Microcontrolleren_US
dc.description.tableofcontentsBasic configuration of dsPIC30F3011en_US
dc.description.tableofcontentsAmplifieren_US
dc.description.tableofcontentsOperational Amplifieren_US
dc.description.tableofcontentsOp-amp Selectionen_US
dc.description.tableofcontentsInstrumentation Amplifieren_US
dc.description.tableofcontentsInstrumentation Amplifier Selectionen_US
dc.description.tableofcontentsOther Circuit Componentsen_US
dc.description.tableofcontentsDC-DC Isolated Voltage Regulatoren_US
dc.description.tableofcontentsFT232RL USB Serial Adapteren_US
dc.description.tableofcontentsCrystal Oscillatoren_US
dc.description.tableofcontentsSMD LEDen_US
dc.description.tableofcontentsSMD Capacitoren_US
dc.description.tableofcontentsOpto-coupleren_US
dc.description.tableofcontentsNormalized Denominator Polynomials in Factored Formen_US
dc.description.tableofcontentsEPIC Ultra High Impedance ECG Sensoren_US
dc.identifier.citationGüven, G. (2016). Fingertip ECG signal based biometric recognition system. İstanbul: Işık Üniversitesi Fen Bilimleri Enstitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/1063
dc.institutionauthorGüven, Gökhanen_US
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.subject.lccTK7882.B56 G88 2016
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 ECG signal based biometric recognition systemen_US
dc.title.alternativeParmak ucu EKG tabanlı biyometrik tanıma sistemien_US
dc.typeMaster Thesisen_US
dspace.entity.typePublication

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
1063.pdf
Boyut:
3.89 MB
Biçim:
Adobe Portable Document Format
Açıklama:
MasterThesis
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.71 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu