ДОСЛІДЖЕННЯ ВПЛИВУ ФРАКТАЛЬНОЇ РОЗМІРНОСТІ ХІГУЧІ В ЗАДАЧІ БІОМЕТРИЧНОЇ ВЕРИФІКАЦІЇ КОРИСТУВАЧА
DOI:
https://doi.org/10.31649/1997-9266-2024-172-1-121-127Ключові слова:
розпізнавання шаблонів руху, біометрична верифікація, рекурентні автокодувальники, автокодувальники на базі трансформера, фрактальна розмірність ХігучіАнотація
Пропонуючи підвищену безпеку порівняно з традиційними методами автентифікації, системи біометричної перевірки є ключовими для ідентифікації осіб на основі їхніх фізіологічних або поведінкових характеристик. Незважаючи на свої переваги, точність і надійність біометричної перевірки мають свої виклики, що вимагає інноваційних підходів для знаходження та представлення ознак. У статті запропоновано інтеграцію фрактальної розмірності Хігучі (ФРХ) як додаткової ознаки в поєднанні з автокодувальниками для поліпшення процесів генерування ознак у задачах біометричної верифікації. Очікується, що використання ФРХ, відомої здатністю розпізнавати складність і самоподібність сигналу, поліпшить дискримінаційну силу отриманих ознак, тим самим підвищуючи загальну якість та ефективність верифікації.
Дослідження зосереджено на біометричній верифікації за допомогою сигналів давачів, метою якого є вивчення та аналіз впливу додавання додаткових ознак, таких як ФРХ, на результати біометричної верифікації та метрики якості побудованої системи.
Отже, інтеграція ознак фрактальної розмірності Хігучі (ФРХ) у поєднанні з моделями на основі автокодувальників для завдань біометричної перевірки демонструє очікувано ефективний підхід до підвищення точності біометричних систем. Це дослідження підтверджує гіпотезу про те, що додаткова інформація про патерни у сигналі, які описують ознаки ФРХ, суттєво допомагає моделям ефективно розрізняти біометричні шаблони. Однак обчислювальні витрати, пов’язані з обчисленнями ФРХ, можуть становити проблему, особливо для застосунків, які потребують швидких обчислень. Майбутня робота повинна бути зосереджена на подальшому дослідженні імплементації фрактальної розмірності в системи біометричної верифікації. Це дослідження закладає основу для розширеного використання фрактальних розмірностей у біометричній верифікації, пропонуючи напрямок для майбутніх досліджень щодо підвищення точності та ефективності біометричних систем за допомогою сучасних методів обробляння сигналів.
Посилання
S. Kesić, and S. Z. Spasić, “Application of Higuchi’s fractal dimension from basic to clinical neurophysiology: A review,” Comput Methods Programs Biomed, vol. 133, pp. 55-70, 2016. https://doi.org/10.1016/j.cmpb.2016.05.014 .
F. Lopez-Caracheo, A. B. Camacho, C. A. Perez-Ramirez, M. Valtierra-Rodriguez, A. Dominguez-Gonzalez, and J. P. Amezquita-Sanchez, “Fractal Dimension-based Methodology for Sudden Cardiac Death Prediction,” in 2018 IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), 2018, pp. 1-6. https://doi.org/10.1109/ROPEC.2018.8661371 .
R. Piña-Vega, M. Valtierra-Rodriguez, C. A. Perez-Ramirez, and J. P. Amezquita-Sanchez, “Early Prediction of Sudden Cardiac Death Using Fractal Dimension and Ecg Signals,” Fractals, vol. 29, no. 03, pp. 2150077, Dec. 2020, https://doi.org/10.1142/S0218348X21500778 .
P. F. H. N. Gustavo Gallegos Dávalos, “Application of fractal algorithms to identify cardiovascular diseases in ECG signals,” Advances in Science, Technology and Engineering Systems Journal, vol. 4, no. 5, pp. 143-150, 2019, https://doi.org/10.25046/aj040519 .
S. Sharanya, and S. P. Arjunan, “Fractal Dimension Techniques for Analysis of Cardiac Autonomic Neuropathy (Can),” Biomed Eng (Singapore), vol. 35, no. 03, pp. 2350003, Feb. 2023, https://doi.org/10.4015/S1016237223500035 .
M. K. M. Rabby, A. K. M. K. Islam, S. Belkasim, and M. U. Bikdash, “Wavelet transform-based feature extraction approach for epileptic seizure classification,” in Proceedings of the 2021 ACM Southeast Conference, ACM SE ‘21. New York, NY, USA: Association for Computing Machinery, 2021, pp. 164-169. https://doi.org/10.1145/3409334.3452078 .
M. Radhakrishnan, D. Won, T. A. Manoharan, V. Venkatachalam, R. M. Chavan, and H. D. Nalla, “Investigating electroencephalography signals of autism spectrum disorder (ASD) using Higuchi Fractal Dimension,” vol. 66, no. 1, pp. 59-70, 2021, https://doi.org/10.1515/bmt-2019-0313 .
K. Mukai, and I. Nakanishi, “Introduction of Fractal Dimension Feature and Reduction of Calculation Amount in Person Authentication Using Evoked EEG by Ultrasound,” in 2020 IEEE Region 10 Conference (TENCON), 2020, pp. 567-572. https://doi.org/10.1109/TENCON50793.2020.9293921 .
S. Shariatmadari, S. Al-maadeed, Y. Akbari, I. Rida, and S. Emadi, “Off-line Persian Signature Verification using Wavelet-based Fractal Dimension and One-class Gaussian Process,” in 2018 NASA/ESA Conference on Adaptive Hardware and Systems (AHS), 2018, pp. 168-173. https://doi.org/10.1109/AHS.2018.8541467 .
M. E. Cimen, O. F. Boyraz, M. Z. Yildiz, and A. F. Boz, “A new dorsal hand vein authentication system based on fractal dimension box counting method,” Optik (Stuttg), vol. 226, рp. 165438, 2021, https://doi.org/10.1016/j.ijleo.2020.165438 .
M. I. Quraishi, A. Das, and S. Roy, “A novel signature verification and authentication system using image transformations and Artificial Neural Network,” in 2013 World Congress on Computer and Information Technology (WCCIT), 2013, pp. 1-6. https://doi.org/10.1109/WCCIT.2013.6618680 .
M. Farhan, L. George, and T. Hussein, “Fingerprint Identification Using Fractal Geometry,” International Journal of Advanced Research in Computer Science and Software Engineering, vol. 4, pp. 52-61, Feb. 2014.
M. Havrylovych, V. Danylov, and A. Gozhyj, “Comparative analysis of using recurrent autoencoders for user biometric verification with wearable accelerometer,” in CEUR Workshop Proceedings, 2020.
M. Havrylovych, and V. Danylov, “Research on hybrid transformer-based autoencoders for user biometric verification,” System research and information technologies, no. 3, pp. 42-53, Sep. 2023. https://doi.org/10.20535/SRIT.2308-8893.2023.3.03 .
T. Higuchi, “Approach to an irregular time series on the basis of the fractal theory,” Physica D, vol. 31, no. 2, pp. 277-283, 1988, https://doi.org/10.1016/0167-2789(88)90081-4 .
J. A. Wanliss, and G. E. Wanliss, “Efficient calculation of fractal properties via the Higuchi method,” Nonlinear Dyn, vol. 109, no. 4, pp. 2893-2904, 2022, https://doi.org/10.1007/s11071-022-07353-2 .
P. O. Casale and P. P. Radeva, Activity Recognition from Single Chest-Mounted Accelerometer, 2014.
H. Kojima, “HFDA,” GitHub repository, 2023. [Electronic resource]. Available: https://github.com/hiroki-kojima/HFDA . Accessed: 20 February 2024.
##submission.downloads##
-
PDF
Завантажень: 41
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
