Temaslı ve temassız PPG sinyallerinin biyometrik tanımada

Temaslı ve temassız PPG sinyallerinin biyometrik tanımada

TIPTEKNO‘14
25 – 27 Eylül 2014
Perissia Hotel & Convention Center
KAPADOKYA
TIP TEKNOLOJİLERİ ULUSAL KONGRESİ
Klinik Mühendisliği 2
2. Gün 26 Eylül 2014 Cuma (17.00-18.30)
Temasl ve temassz PPG sinyallerinin biyometrik tanmada
kullanm ve performans karşlaştrlmas
The usage of contact and non-contact PPG signals for biometric
recognition and performance comparison
Ahmet Reşit Kavsaoğlu 1, Kemal Polat 2, Mehmet Recep Bozkurt3
1
Elektronik Teknolojisi Bölümü
Sinop Üniversitesi
[email protected]
2
Elektrik-Elektronik Mühendisliği Bölümü
Abant İzzet Baysal Üniversitesi
[email protected]
3
Elektrik-Elektronik Mühendisliği Bölümü
Sakarya Üniversitesi
[email protected],
The photoplethysmography signals is a method of photoelectric
for measuring of tissue blood volume. PPG signals come into
prominence between of bio-signals due to be easily accessible
and highly confidential. Biometric identification systems based
on the PPG signal requiring contact with the tissue-contact has
been studied in the literature. Studies on the use of biometric
identification system based on non-contact PPG signals that
use a light source that does not require direct contact with the
tissue and a camera, are lacking in the literature. In this study,
as a preliminary study towards to a biometric identification
system with non-contact PPG signals, the 15 features from
contact and non-contact PPG signals obtained simultaneously
have been extracted. The PPG signals with 15 periods from five
healthy volunteers using contact and non-contact data
acquisition environments have been recorded. A FIR (Finite
Impulse Response) low pass filter having cutoff frequency of 10
Hz with 200 points has been designed to eliminate the noise
from contact raw PPG signals. For obtaining the feature points
from non-contact PPG signals primarily, a FIR low pass filter
having cutoff frequency of 5 Hz with 20 points has been
designed with an up-sampling of 4 to eliminate the noise. The
k-nearest neighbor classifier algorithm has been used to
compare the performances of biometric identification systems
with contact and non-contact PPG signals. While the 99.33%
of identification rate has been obtained with contact PPG
signals, 84.66% of identification rate has been obtained with
non-contact PPG signals. The obtained results have shown that
the non-contact PPG signals are very promising for usage in
the biometric identification systems.
Özetçe
Fotopletismografi (PPG) sinyalleri doku kan hacmini ölçmede
kullanlan fotoelektrik bir metotdur. PPG sinyalleri biyosinyaller arasnda kolay erişilebilir ve gizliliğinin yüksek
olmas gibi özelliklerden dolay ön plana çkmaktadr. Doku ile
temas gerektiren temasl PPG sinyallerine dayanan biyometrik
tanma sistemleri literatürde çalşlmştr. Doku ile doğrudan
temas gerektirmeyen bir şk kaynağ ve bir kamerann
kullanldğ temassz PPG sinyallerinin biyometrik tanma
sistemlerinde kullanm üzerine çalşmalar literatürde eksiktir.
Bu çalşmada, temassz PPG sinyalleri ile biyometrik tanmaya
yönelik bir ön çalşma olarak, eş zamanl elde edilen temasl ve
temassz PPG sinyallerinden 15 özellik çkartlmştr. Temasl
ve temassz veri elde etme ortamlar kullanlarak beş sağlkl
gönüllüden 15’er periyotluk PPG sinyalleri kaydedilmiştir.
Elde edilen temasl ham PPG sinyallerinden gürültü ayklamak
için 200 noktal 10 Hz kesim frekansna sahip FIR (Finite
Impulse Response- sonlu darbe cevab) alçak geçiren filtre
tasarlanmştr. Elde edilen temassz ham PPG sinyallerinde
öncelikle özellik noktalarnn elde edilebilmesi için 4 ile üst
örnekleme işlemi devamnda gürültü ayklanmak için 20
noktal 5 Hz kesim frekansna sahip FIR alçak geçiren filtre
tasarlanmştr. Temasl ve temassz PPG sinyallerinin
biyometrik tanmaya yönelik performanslarn karşlaştrmak
için k-en yakn komşu snflama algoritmas kullanlmştr.
Temasl PPG sinyallerinde %99.33 tanmlama başars elde
edilirken temassz PPG sinyalleri ile %84.66 tanmlama
başars elde edilmiştir. Elde edilen sonuçlar temassz PPG
sinyallerinin biyometrik tanma amaçl kullanlabilirliğinin
umut vaat ettiğini göstermektedir.
1. Giriş
PPG sinyali kalbin periyodik atm ile üretilmektedir. Şekil
1’de standart bir PPG sinyali ve özellik noktalar
gösterilmektedir. Tipik bir PPG sinyalinde S noktasndan M
noktasna kadar olan ksm hzl atma faz, M noktasndan P
Abstract
167
TIPTEKNO‘14
25 – 27 Eylül 2014
Perissia Hotel & Convention Center
KAPADOKYA
TIP TEKNOLOJİLERİ ULUSAL KONGRESİ
Klinik Mühendisliği 2
2. Gün 26 Eylül 2014 Cuma (17.00-18.30)
PPG sinyalinin ilave bir parametre olarak kullanlmas
olaslğn araştrmaktadr. Bu ön çalşmalarnda PPG sinyalinin
eşsizliğini onaylamşlardr [15]. Kavsaoğlu, A.R. ve ark. PPG
sinyali ile birinci ve ikinci türevlerinden elde edilen zaman
domeni özelliklerin biyometrik tanmaya yönelik kullanm
göstermişlerdir. Bu amaç için toplam 40 özellik çkartmşlar ve
bir özellik sralama algoritmas önerilmişlerdir. Önerdikleri bu
algoritma ile PPG sinyallerine yönelik biyometrik tanmlama
modeli önermektedirler. Uygulamada 30 sağlkl birey
kullanmşlardr.
Karakteristik
özelliklerin
zamanda
sürekliliğini belirlemek için bireylerden farkl zamanlarda
sinyaller alp analizlerini gerçekleştirmişlerdir. Sonuç olarak
önerdikleri model ile elde ettikleri 40 özellikten 15 karakteristik
özelliğin biyometrik tanma amaçl kullanlabileceğini
göstererek %93,75 başar oran elde etmişlerdir [16].
Bu çalşmada temassz PPG sinyallerinin biyometrik
tanmaya yönelik kullanm, temasl PPG sinyallerinin
biyometrik tanmaya yönelik kullanm ile beraber
incelenmiştir. Performans değerlendirmesi, çapraz geçerlilik ve
karşklk matrisi metodlar ile hassasiyet, duyarllk özgünlük
ve F-ölçümü analizleri kullanlarak yaplmştr.
noktasna kadar olan ksm gecikme fazdr. M, PPG sinyalinin
ana tepe noktasdr. Bu noktada kan basnc (BP) tüm
periyottaki en yüksek değerdedir. Başka bir tepe, Q olarak
adlandrlan atar damarcğn uyumunu yanstan dikrotik
dalgasdr. P noktas dikrotik çentik olarak adlandrlr. Kalp
hz iki ana tepe aras süreden (TPP) elde edilmektedir. M-Q
zaman aralğ arterioskleroz’un (damar sertliğinin) bir
indeksidir. Ancak çeşitli faktörlerin varlğndan dolay, gerçek
PPG sinyali için özellik noktalar her zaman doğrudan elde
etmek zordur. Bu yüzden PPG sinyalini kesin olarak belirlemek
için kullanşl ön işleme ve özellik çkartma metotlar bulmak
önemli olmaktadr [1].
Şekil 1: Standart PPG sinyali ve özellik noktalar [1].
2. Malzeme ve Yöntem
Vücudumuzdaki belirli karakteristikler, parmak izi, yüz [2,
3], ses [4], retina/iris [5], dudak hareketleri [6], yürüyüş hareketi
[7], elektroensefalografi (EEG) [8] ve elektrokardiyografi
(ECG) [9, 10] gibi, insan tanmlama arac olarak incelenmiştir.
Fakat bu sistemlerde kullanlan biyo-sinyaller den parmak izi
latekslerle, yüz tanma bir fotoğraf ile ses taklit edilebilirliği ile
[11] çeşitli şekillerde kopyalanabilmektedir. EEG veya ECG
temelli metotlar ise biyo-sinyalleri elde etmek için çeşitli
elektrotlar gerektiğinden zordur. Bu noktada PPG sinyalleri
biyo-sinyaller arasnda kolay erişilebilir olmas, güvenilirlik ve
gizliliğinin yüksek olmas gibi özelliklerinden dolay ön plana
çkmaktadr.
2.1. Biyometrik veri kümesi
Bu çalşmada, STM32F103xC ARM temelli 32 bit
mikrodenetleyicili, üzerinde DCM03 yansmal sensör bulunan
2 kHz örnekleme frekansna sahip bir SDPPG PPG veri elde
etme kart [17] ve Şekil 2’de gösterildiği gibi Logitech marka
bir web kameras eklenerek [18] temassz PPG sinyalinin
temasl PPG sinyalleri ile eş zamanl olarak elde edilmesi ile
sağlkl beş gönüllüden PPG sinyalleri elde edilmiştir. Her
gönüllüden elde edilen sinyallerde 15’er periyot dikkate
alnarak her bir periyot için Şekil 3’de gösterilen tpp, IPA
=A2/A1, ta1/tpp, (ta1-ta2)/tpp, tw, ta2/tpp, tf1, t1/tpp, t1/x,
tb1/tpp, tb1, te1/tpp, t2/tpp, x ve tpi gibi 15 karakteristik özellik
çkartlmştr. Gönüllülerden elde edilen karakteristik
özelliklerin sürekliliğinin zamanda belirli bir süre içinde birden
fazla örnek ile değerlendirir olmasn sağlamak amacyla Tablo
1’de I. Durum tarihi ve II. Durum tarihi ksmlarnda belirtilen
zamanlarda temasl PPG ve temassz PPG sinyalleri için ayr
ayr elde edilen karakteristik özelliklerden bir veri kümesi
oluşturulmuştur.
Literatürde temasl PPG sinyalerine dayal biyometri
çalşmalarnn bazlar şunlardr. Gu, Y.Y. ve ark. insan
doğrulamada yeni bir metot olarak PPG sinyallerinin
kullanlmasnn uygulanabilirliğini incelemek için bir bulank
mantk yaklaşm göstermişlerdir. PPG sinyalleri 17 sağlkl
kişinin parmak uçundan elde edilmiş ve dört belirgin özellik,
snflama için bulank girişler olarak kullanlmştr. Bulank
tabanl karar vermenin başar oran, ayn deneme içinde%94’e
ve iki farkl deneme için %84’e ulaşabilmektedir. Bu sonuç
göstermektedir ki, PPG temelli bu yeni biyometri insan
doğrulama için potansiyel olarak uygulanabilirdir [12]. Diğer
bir çalşmada, PPG sinyallerinin türevleri ile kişilerin kendi
içerisindeki tutarllğ ve farkl kişiler arasnda ayrt edilebilirlik
gibi iki önemli çkarm snanmştr. Deneysel sonuçlar,
istatistiksel araçlarn kullanlmasyla, türevlerin, kesinlikle bir
kişinin PPG sinyalinin özelliklerini belirteceğini ve tanma
amaçl biyo-ölçümlerde kullanlabileceğini göstermiştir[13].
Başka bir çalşmada, konuyla ilgili sinyal işleme metotlaryla
birlikte tek başna bir biyometrik öznitelik olarak PPG
sinyalinin
kullanlmasnn
fizibilitesi
(yaplabilirliği)
araştrlmaktadr. PPG sinyalleri 29 sağlkl kişinin parmak
uçlarndan elde edilmiştir. Deneysel sonuçlar göstermektedir ki,
PPG sinyalleri hatasz sensörler ile kontrollü bir ortam altnda
toplanmas durumunda tanmlama amaçl biyo-ölçümlerde
kullanlabilir [14]. Diğer bir çalşmada, parmak tarama ile
çalşan biyometrik bir sistemde kişinin parmak izinin ince bir
film koyularak veya yapay kopyasnn kullanlmasyla taklit
edilebileceği vurgulanmştr. Bu çalşma parmak izi ile beraber
Şekil 2: Web kameras eklenmiş PPG veri edinme kart [18].
168
TIPTEKNO‘14
25 – 27 Eylül 2014
Perissia Hotel & Convention Center
KAPADOKYA
TIP TEKNOLOJİLERİ ULUSAL KONGRESİ
Klinik Mühendisliği 2
2. Gün 26 Eylül 2014 Cuma (17.00-18.30)
31
46
187
168
125
84
35.7
29.8
02.01.2014 08.01.2014
02.01.2014 08.01.2014
2.2. Yöntem
Temassz PPG sinyalleri web kamerasnda her bir çerçeve
görüntünün krmz renk katmannn ortalama parlaklk
değerinin bulunmas ile elde edilmektedir. Çalşmada
kullanlan web kameras ile gerçek zamanl olarak saniyede
ortalama 16.5 çerçeve görüntü elde edilmiştir. Bu durumda
temasl PPG sinyalinin örnekleme frekans 2000 Hz iken
temassz PPG sinyalinin örnekleme frekans oldukça düşük
16.5 Hz olmaktadr. Bu değer karakteristik özellik noktalarnn
doğru tespiti için yeterli olmamaktadr. Bu nedenle Şekil 4’de
gösterildiği gibi 4 ile üst örnekleme işlemi yaplmaktadr. Bu
şekilde temassz elde edilen PPG sinyalinin örnekleme frekans
16.5 Hz değerinden 66 Hz değerine çkartlmaktadr. Şekil 5’de
temassz PPG sinyalleri ile elde edilen üst örneklemesiz ve üst
örneklemeli karakteristik özellik noktalar gösterilmektedir.
Şekil 3: PPG sinyali, PPG sinyalinin birinci ve ikinci türevi ve
karakteristik özellik noktalar [16].
Tablo 1: Çalşmamzdaki gönüllülere ait istatiksel bilgiler.
Yaş
(yl)
24
35
33
Boy
(cm)
182
180
160
I. Durum II. Durum
Ağrlk
BMI
Tarihi
Tarihi
(kg)
(kg/m2)
100
30.2
02.01.2014 08.01.2014
100
30.9
02.01.2014 08.01.2014
54
21.1
02.01.2014 08.01.2014
Şekil 4: Temassz PPG sinyalinin örnekleme oran 4 ile üst
örneklenmesi işlemi.
Şekil 5: Temassz PPG sinyalinden üst örneklemesiz ve üst örneklemeli elde edilen karakteristik özellik noktalar.
domenli çkartlan ilk üç özelliğe göre beş kişinin snflama
dağlmlar gösterilmektedir. Tablo 5’de temassz PPG
sinyallerinden elde edilen snflama başars yüzdeleri
gösterilmiştir. En iyi snflama başars snflama algoritmas
k=3 değeri için %84.66 olarak elde edilmiştir. Tablo 6’da
temassz PPG ile biyometrik tanmann performansnn
gözlemlenmesi için en iyi snflama başars durumunda ki
karşklk matrisi verilmiştir. Bu matrisden hesaplanan
Hassasiyet, Duyarllk, Özgünlük ve F-Ölçümü gibi
performans ölçüm değerleri Tablo 7’de gösterilmektedir.
Şekil 7’de temassz PPG sinyalinden zaman domenli
çkartlan ilk üç özelliğe göre beş kişinin snflama dağlmlar
gösterilmektedir.
PPG sinyallerinden elde edilen karakteristik özellik
değişkenlerinin normalizasyonunda Z-skor normalizasyon
yöntemi kullanlmştr. Snflama işlemi k-en yakn komşu
snflandrc algoritmas ile k=1,3,5,7,10 değerleri için
snflama başarnnn değerlendirilmesi birini hariç tut çapraz
geçerlilik yöntemi kullanlarak yaplmştr.
3. Sonuçlar
Tablo 2’de temasl PPG sinyallerinden elde edilen
snflama başars yüzdeleri gösterilmiştir. En iyi snflama
başars snflama algoritmas k=1 değeri için %99.33 olarak
elde edilmiştir. Tablo 3’de temasl PPG ile biyometrik
tanmann performansnn gözlemlenmesi için en iyi snflama
başars durumunda ki karşklk matrisi verilmiştir. Bu
matrisden hesaplanan Hassasiyet, Duyarllk, Özgünlük ve FÖlçümü gibi performans ölçüm değerleri Tablo 4’de
gösterilmektedir. Şekil 6’da temasl PPG sinyalinden zaman
Tablo 1: Temasl PPG sinyallerinde, Snflama
algoritmasnn k değerleri değişimine bağl başar yüzdeleri.
169
TIPTEKNO‘14
25 – 27 Eylül 2014
Perissia Hotel & Convention Center
KAPADOKYA
TIP TEKNOLOJİLERİ ULUSAL KONGRESİ
Klinik Mühendisliği 2
1
Başar %
2. Gün 26 Eylül 2014 Cuma (17.00-18.30)
Tablo 7: Temassz PPG için hesaplanan performans ölçüm
değerleri.
Snflama algoritmas k değerleri
3
5
7
10
98.66
99.33
98.66
98.66
98.66
Hassasyet (%)
Duyarllk (%)
Özgünlük (%)
F-Ölçümü
Tablo 2: Temasl PPG sinyallerinde en iyi snflama
başarsna ait karşklk matrisi.
Gerçek/Tahmn
1
2
3
4
5
Toplam
1
30
0
0
0
0
2
0
30
1
0
0
3
4
0
0
29
0
0
0
0
0
30
0
5
0
0
0
0
30
1
83.87
86.67
95.83
0.85
2
100
100
100
1.00
3
83.33
83.33
95.83
0.83
4
79.31
76.67
95.00
0.78
5 Ortalama
76.67 84.64
76.67 84.67
94.17 96.17
0.77
0.85
Toplam
30
30
30
30
30
150
Tablo 3: Temasl PPG için hesaplanan performans ölçüm
değerleri.
Hassasyet (%)
Duyarllk (%)
Özgünlük (%)
F-Ölçümü
1
2
3
4
5
Ortalama
100 97
100 100 100
99.35
100 100 96.67 100 100
99.33
100 99
100 100 100
99.83
1.00 0.98 0.98 1.00 1.00
0.99
Şekil 7: Temassz PPG sinyalleri ile elde edilen ilk üç
özelliğe göre beş kişinin snf dağlmlar.
Sonuç olarak, temassz PPG sinyallerinin temasl elde
edilen PPG sinyalleri ile karşlaştrma imkan olmuştur.
Temassz PPG sinyallerinde karakteristik özelliklerin temasl
PPG sinyallerinde olduğu gibi daha doğru elde edilebilmesi
için web kameras yerine daha hzl kameralarn kullanlmas
durumunda snflama başarsnn artacağ görülmektedir. Elde
edilen sonuçlar temassz PPG sinyalinin biyometrik kimlik
tanma amaçl kullanlabilirliğini göstermektedir.
4. Kaynakça
[1] Chen Wei, Lei Sheng, Guo Lihua, Chen Yuquan, Pan
Min, “Study on conditioning and feature extraction
algorithm of photoplethysmography signal for
physiological parameters detection”, Image and Signal
Processing (CISP), 2011 4th International Congress on,
vol.4, no., pp.2194-2197, 15-17 Oct. 2011.
[2] Brunelli, R., Poggio, T., “Face recognition: features
versus templates”, Pattern Analysis and Machine
Intelligence, IEEE Transactions on , vol.15, no.10,
pp.1042-1052, Oct 1993.
[3] Samal A., Iyengar, P. A., “Automatic recognition and
analysis of human faces and facial expressions: A
survey”, Pattern Recognition, vol. 25, pp. 65-67, 1992.
[4] D. Dmn, “Using a multi-layer perceptron neural for
human voice identification”, Proceedings of the 4th Int.
Conf. Signal Process. Applicat. Technol., Newton, MA,
USA, 1993.
[5] Negin, M., Chmielewski, T.A., Salganicoff, M., von
Seelen, U.M, Venetainer, P.L., Zhang, G.G., “An iris
biometric system for public and personal use”, Computer,
Volume: 33, Issue: 2, pp. 70-75, 2000.
[6] Kyong Seok Paik, Chin Hyan Chung, Jin Ok Kim, Dae
Jun Hwang, “On a lip print recognition by the pattern
kernels with multiresolution architecture”, Proceedings
of International Conference on Image Processing,
Volume: 2, pp. 246-249, 2001.
[7] ChewYean Yam, Nixon, M.S., Carter, J.N.,
“Performance analysis on new biometric gait motion
model”, Rocesdings of the 5th IEEE Southwest
Şekil 6: Temasl PPG sinyalleri ile elde edilen ilk üç özelliğe
göre beş kişinin snf dağlmlar.
Tablo 5: Temassz PPG sinyallerinde, Snflama
algoritmasnn k değerleri değişimine bağl başar yüzdeleri.
Snflama algoritmas k değerleri
Başar %
1
3
5
7
10
80.66
84.66
84
82.66
84
Tablo 6: Temassz PPG sinyallerinde en iyi snflama
başarsna ait karşklk matrisi.
Gerçek/Tahmn
1
2
3
4
5
Toplam
1
26
0
0
5
0
2
0
30
1
0
0
3
0
0
25
0
5
4
4
1
0
23
2
5
0
0
5
2
23
Toplam
30
30
30
30
30
150
170
TIPTEKNO‘14
25 – 27 Eylül 2014
Perissia Hotel & Convention Center
KAPADOKYA
TIP TEKNOLOJİLERİ ULUSAL KONGRESİ
Klinik Mühendisliği 2
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
2. Gün 26 Eylül 2014 Cuma (17.00-18.30)
Symposium on Image Analysis and Interpretation, pp. 3134, 2002.
Paranjape, R.B., Mahovsky, J., Benedicenti, L., Koles',
Z., “The electroencephalogram as a biometric”, Canadian
Conference on Electrical and Computer Engineering,
Volume: 2, pp.1363-1366, 2001.
Biel, L., Pettersson, O., Philipson, L., Wide, P., “ECG
analysis: a new approach in human identification”, IEEE
Transactions on Instrumentation and Measurement,
Volume: 50 Issue: 3, pp. 808-812, 2001.
Biel, L., Pettersson, O., Philipson, L., Wide, P., “ECG
analysis: a new approach in human identification”,
IMTC/99, Proceedings of the 16th IEEE Instrumentation
and Measurement Technology Conference, Volume: 1,
pp. 557-561, 1999.
Shen, T. W., Tompkins, W. J., Hu, Y. H., “One-Lead
ECG for Identy Verification”, 2nd Joint Conference of
the IEEE Engineering in Medicine and Biology Society
and the Biomedical Engineering Society, Huston, 2002.
Gu, Y.Y.; Zhang, Y.T., “Photoplethysmographic
authentication through fuzzy logic”, Biomedical
Engineering, 2003. IEEE EMBS Asian-Pacific
Conference on , vol., no., pp. 136- 137, 20-22 Oct. 2003.
Jianchu Yao, Xiaodong Sun, Yongbo Wan, “A Pilot
Study on Using Derivatives of Photoplethysmographic
Signals as a Biometric Identifier”, Engineering in
Medicine and Biology Society, 2007. EMBS 2007. 29th
Annual International Conference of the IEEE , vol., no.,
pp. 4576-4579, 22-26 Aug. 2007
Spachos, P., Jiexin Gao; Hatzinakos, D., “Feasibility
study of photoplethysmographic signals for biometric
identification”, Digital Signal Processing (DSP), 2011
17th International Conference on , vol., no., pp.1-5, 6-8
July 2011.
Singh, M., Gupta, S., “Correlation studies of PPG finger
pulse profiles for Biometric system”, International
Journal of Information Technology and Knowledge
Management, Volume 5, No. 1, pp. 1-3, January-June
2012.
Kavsaoğlu, A.R., Polat, K., Bozkurt, M.R., “A novel
feature ranking algorithm for biometric recognition with
PPG signals”, Computers in Biology and Medicine,
Volume 49, Pages 1-14, 1 June 2014.
Advanced
Prime
Materials
Korea,
http://www.apmkr.com (en son erşim: Temmuz, 2014).
Kavsaoğlu, A.R., Polat, K., Bozkurt, M.R., “Temassz
Elde Edilen Fotopletismografi Sinyalleri ile Gerçek
Zamanl Kalp Hz Tespiti”, 22. IEEE Sinyal İşleme ve
İletişim Uygulamalar (SIU 2014) Kurultay, Karadeniz
Teknik Üniversitesi, Trabzon, 24-26 Nisan, 2014.
171