Temaslı ve temassız PPG sinyallerinin biyometrik tanımada
Transkript
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 temassz PPG sinyallerinin biyometrik tanmada kullanm ve performans karşlaştrlmas 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 kullanlan fotoelektrik bir metotdur. PPG sinyalleri biyosinyaller arasnda kolay erişilebilir ve gizliliğinin yüksek olmas gibi özelliklerden dolay ön plana çkmaktadr. Doku ile temas gerektiren temasl PPG sinyallerine dayanan biyometrik tanma sistemleri literatürde çalşlmştr. Doku ile doğrudan temas gerektirmeyen bir şk kaynağ ve bir kamerann kullanldğ temassz PPG sinyallerinin biyometrik tanma sistemlerinde kullanm üzerine çalşmalar literatürde eksiktir. Bu çalşmada, temassz PPG sinyalleri ile biyometrik tanmaya yönelik bir ön çalşma olarak, eş zamanl elde edilen temasl ve temassz PPG sinyallerinden 15 özellik çkartlmştr. Temasl ve temassz veri elde etme ortamlar kullanlarak beş sağlkl gönüllüden 15’er periyotluk PPG sinyalleri kaydedilmiştir. Elde edilen temasl ham PPG sinyallerinden gürültü ayklamak için 200 noktal 10 Hz kesim frekansna sahip FIR (Finite Impulse Response- sonlu darbe cevab) alçak geçiren filtre tasarlanmştr. Elde edilen temassz ham PPG sinyallerinde öncelikle özellik noktalarnn elde edilebilmesi için 4 ile üst örnekleme işlemi devamnda gürültü ayklanmak için 20 noktal 5 Hz kesim frekansna sahip FIR alçak geçiren filtre tasarlanmştr. Temasl ve temassz PPG sinyallerinin biyometrik tanmaya yönelik performanslarn karşlaştrmak için k-en yakn komşu snflama algoritmas kullanlmştr. Temasl PPG sinyallerinde %99.33 tanmlama başars elde edilirken temassz PPG sinyalleri ile %84.66 tanmlama başars elde edilmiştir. Elde edilen sonuçlar temassz PPG sinyallerinin biyometrik tanma amaçl kullanlabilirliğinin umut vaat ettiğini göstermektedir. 1. Giriş PPG sinyali kalbin periyodik atm ile üretilmektedir. Şekil 1’de standart bir PPG sinyali ve özellik noktalar gösterilmektedir. Tipik bir PPG sinyalinde S noktasndan M noktasna kadar olan ksm hzl atma faz, M noktasndan 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 kullanlmas olaslğn araştrmaktadr. Bu ön çalşmalarnda PPG sinyalinin eşsizliğini onaylamşlardr [15]. Kavsaoğlu, A.R. ve ark. PPG sinyali ile birinci ve ikinci türevlerinden elde edilen zaman domeni özelliklerin biyometrik tanmaya yönelik kullanm göstermişlerdir. Bu amaç için toplam 40 özellik çkartmşlar ve bir özellik sralama algoritmas önerilmişlerdir. Önerdikleri bu algoritma ile PPG sinyallerine yönelik biyometrik tanmlama modeli önermektedirler. Uygulamada 30 sağlkl birey kullanmşlardr. Karakteristik özelliklerin zamanda sürekliliğini belirlemek için bireylerden farkl zamanlarda sinyaller alp analizlerini gerçekleştirmişlerdir. Sonuç olarak önerdikleri model ile elde ettikleri 40 özellikten 15 karakteristik özelliğin biyometrik tanma amaçl kullanlabileceğini göstererek %93,75 başar oran elde etmişlerdir [16]. Bu çalşmada temassz PPG sinyallerinin biyometrik tanmaya yönelik kullanm, temasl PPG sinyallerinin biyometrik tanmaya yönelik kullanm ile beraber incelenmiştir. Performans değerlendirmesi, çapraz geçerlilik ve karşklk matrisi metodlar ile hassasiyet, duyarllk özgünlük ve F-ölçümü analizleri kullanlarak yaplmştr. noktasna kadar olan ksm gecikme fazdr. M, PPG sinyalinin ana tepe noktasdr. Bu noktada kan basnc (BP) tüm periyottaki en yüksek değerdedir. Başka bir tepe, Q olarak adlandrlan atar damarcğn uyumunu yanstan dikrotik dalgasdr. P noktas dikrotik çentik olarak adlandrlr. Kalp hz iki ana tepe aras süreden (TPP) elde edilmektedir. M-Q zaman aralğ arterioskleroz’un (damar sertliğinin) bir indeksidir. Ancak çeşitli faktörlerin varlğndan dolay, gerçek PPG sinyali için özellik noktalar her zaman doğrudan elde etmek zordur. Bu yüzden PPG sinyalini kesin olarak belirlemek için kullanşl ön işleme ve özellik çkartma metotlar bulmak önemli olmaktadr [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 tanmlama arac olarak incelenmiştir. Fakat bu sistemlerde kullanlan biyo-sinyaller den parmak izi latekslerle, yüz tanma 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 arasnda kolay erişilebilir olmas, güvenilirlik ve gizliliğinin yüksek olmas gibi özelliklerinden dolay ön plana çkmaktadr. 2.1. Biyometrik veri kümesi Bu çalşmada, STM32F103xC ARM temelli 32 bit mikrodenetleyicili, üzerinde DCM03 yansmal sensör bulunan 2 kHz örnekleme frekansna sahip bir SDPPG PPG veri elde etme kart [17] ve Şekil 2’de gösterildiği gibi Logitech marka bir web kameras eklenerek [18] temassz PPG sinyalinin temasl PPG sinyalleri ile eş zamanl olarak elde edilmesi ile sağlkl beş gönüllüden PPG sinyalleri elde edilmiştir. Her gönüllüden elde edilen sinyallerde 15’er periyot dikkate alnarak 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 çkartlmştr. Gönüllülerden elde edilen karakteristik özelliklerin sürekliliğinin zamanda belirli bir süre içinde birden fazla örnek ile değerlendirir olmasn sağlamak amacyla Tablo 1’de I. Durum tarihi ve II. Durum tarihi ksmlarnda belirtilen zamanlarda temasl PPG ve temassz PPG sinyalleri için ayr ayr elde edilen karakteristik özelliklerden bir veri kümesi oluşturulmuştur. Literatürde temasl PPG sinyalerine dayal biyometri çalşmalarnn bazlar şunlardr. Gu, Y.Y. ve ark. insan doğrulamada yeni bir metot olarak PPG sinyallerinin kullanlmasnn uygulanabilirliğini incelemek için bir bulank mantk yaklaşm göstermişlerdir. PPG sinyalleri 17 sağlkl kişinin parmak uçundan elde edilmiş ve dört belirgin özellik, snflama için bulank girişler olarak kullanlmştr. Bulank 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 çalşmada, PPG sinyallerinin türevleri ile kişilerin kendi içerisindeki tutarllğ ve farkl kişiler arasnda ayrt edilebilirlik gibi iki önemli çkarm snanmştr. Deneysel sonuçlar, istatistiksel araçlarn kullanlmasyla, türevlerin, kesinlikle bir kişinin PPG sinyalinin özelliklerini belirteceğini ve tanma amaçl biyo-ölçümlerde kullanlabileceğini göstermiştir[13]. Başka bir çalşmada, konuyla ilgili sinyal işleme metotlaryla birlikte tek başna bir biyometrik öznitelik olarak PPG sinyalinin kullanlmasnn fizibilitesi (yaplabilirliği) araştrlmaktadr. PPG sinyalleri 29 sağlkl kişinin parmak uçlarndan elde edilmiştir. Deneysel sonuçlar göstermektedir ki, PPG sinyalleri hatasz sensörler ile kontrollü bir ortam altnda toplanmas durumunda tanmlama amaçl biyo-ölçümlerde kullanlabilir [14]. Diğer bir çalşmada, parmak tarama ile çalşan biyometrik bir sistemde kişinin parmak izinin ince bir film koyularak veya yapay kopyasnn kullanlmasyla taklit edilebileceği vurgulanmştr. Bu çalşma 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 Temassz PPG sinyalleri web kamerasnda her bir çerçeve görüntünün krmz renk katmannn ortalama parlaklk değerinin bulunmas ile elde edilmektedir. Çalşmada kullanlan web kameras ile gerçek zamanl olarak saniyede ortalama 16.5 çerçeve görüntü elde edilmiştir. Bu durumda temasl PPG sinyalinin örnekleme frekans 2000 Hz iken temassz PPG sinyalinin örnekleme frekans oldukça düşük 16.5 Hz olmaktadr. Bu değer karakteristik özellik noktalarnn doğru tespiti için yeterli olmamaktadr. Bu nedenle Şekil 4’de gösterildiği gibi 4 ile üst örnekleme işlemi yaplmaktadr. Bu şekilde temassz elde edilen PPG sinyalinin örnekleme frekans 16.5 Hz değerinden 66 Hz değerine çkartlmaktadr. Şekil 5’de temassz 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: Çalşmamzdaki gönüllülere ait istatiksel bilgiler. Yaş (yl) 24 35 33 Boy (cm) 182 180 160 I. Durum II. Durum Ağrlk 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: Temassz PPG sinyalinin örnekleme oran 4 ile üst örneklenmesi işlemi. Şekil 5: Temassz PPG sinyalinden üst örneklemesiz ve üst örneklemeli elde edilen karakteristik özellik noktalar. domenli çkartlan ilk üç özelliğe göre beş kişinin snflama dağlmlar gösterilmektedir. Tablo 5’de temassz PPG sinyallerinden elde edilen snflama başars yüzdeleri gösterilmiştir. En iyi snflama başars snflama algoritmas k=3 değeri için %84.66 olarak elde edilmiştir. Tablo 6’da temassz PPG ile biyometrik tanmann performansnn gözlemlenmesi için en iyi snflama başars durumunda ki karşklk matrisi verilmiştir. Bu matrisden hesaplanan Hassasiyet, Duyarllk, Özgünlük ve F-Ölçümü gibi performans ölçüm değerleri Tablo 7’de gösterilmektedir. Şekil 7’de temassz PPG sinyalinden zaman domenli çkartlan ilk üç özelliğe göre beş kişinin snflama dağlmlar gösterilmektedir. PPG sinyallerinden elde edilen karakteristik özellik değişkenlerinin normalizasyonunda Z-skor normalizasyon yöntemi kullanlmştr. Snflama işlemi k-en yakn komşu snflandrc algoritmas ile k=1,3,5,7,10 değerleri için snflama başarnnn değerlendirilmesi birini hariç tut çapraz geçerlilik yöntemi kullanlarak yaplmştr. 3. Sonuçlar Tablo 2’de temasl PPG sinyallerinden elde edilen snflama başars yüzdeleri gösterilmiştir. En iyi snflama başars snflama algoritmas k=1 değeri için %99.33 olarak elde edilmiştir. Tablo 3’de temasl PPG ile biyometrik tanmann performansnn gözlemlenmesi için en iyi snflama başars durumunda ki karşklk matrisi verilmiştir. Bu matrisden hesaplanan Hassasiyet, Duyarllk, Özgünlük ve FÖlçümü gibi performans ölçüm değerleri Tablo 4’de gösterilmektedir. Şekil 6’da temasl PPG sinyalinden zaman Tablo 1: Temasl PPG sinyallerinde, Snflama algoritmasnn 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: Temassz PPG için hesaplanan performans ölçüm değerleri. Snflama algoritmas k değerleri 3 5 7 10 98.66 99.33 98.66 98.66 98.66 Hassasyet (%) Duyarllk (%) Özgünlük (%) F-Ölçümü Tablo 2: Temasl PPG sinyallerinde en iyi snflama başarsna ait karşklk matrisi. Gerçek/Tahmn 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. Hassasyet (%) Duyarllk (%) 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: Temassz PPG sinyalleri ile elde edilen ilk üç özelliğe göre beş kişinin snf dağlmlar. Sonuç olarak, temassz PPG sinyallerinin temasl elde edilen PPG sinyalleri ile karşlaştrma imkan olmuştur. Temassz PPG sinyallerinde karakteristik özelliklerin temasl PPG sinyallerinde olduğu gibi daha doğru elde edilebilmesi için web kameras yerine daha hzl kameralarn kullanlmas durumunda snflama başarsnn artacağ görülmektedir. Elde edilen sonuçlar temassz PPG sinyalinin biyometrik kimlik tanma amaçl kullanlabilirliğini 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 snf dağlmlar. Tablo 5: Temassz PPG sinyallerinde, Snflama algoritmasnn k değerleri değişimine bağl başar yüzdeleri. Snflama algoritmas k değerleri Başar % 1 3 5 7 10 80.66 84.66 84 82.66 84 Tablo 6: Temassz PPG sinyallerinde en iyi snflama başarsna ait karşklk matrisi. Gerçek/Tahmn 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., “Temassz Elde Edilen Fotopletismografi Sinyalleri ile Gerçek Zamanl Kalp Hz Tespiti”, 22. IEEE Sinyal İşleme ve İletişim Uygulamalar (SIU 2014) Kurultay, Karadeniz Teknik Üniversitesi, Trabzon, 24-26 Nisan, 2014. 171