Basit öğe kaydını göster

dc.contributor.advisorGürkan, Hakanen_US
dc.contributor.advisorGüz, Ümiten_US
dc.contributor.authorDursun, Cerenen_US
dc.contributor.otherIşık Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik Mühendisliği Yüksek Lisans Programıen_US
dc.date.accessioned2017-05-15T08:53:21Z
dc.date.available2017-05-15T08:53:21Z
dc.date.issued2017-04-14
dc.identifier.citationDursun, C. (2017). Biometric recognition using bio-signals. İstanbul: Işık Üniversitesi Fen Bilimleri Enstitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/1255
dc.descriptionText in English ; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 60-64)en_US
dc.descriptionxii, 65 leavesen_US
dc.description.abstractThe main objective of the project is to increase the recognition rate by establishing a multimodal biometric recognition system that uses two di_erent biometric characteristics, as bio-signals. Today, institutions use biometric recognition systems quite often to provide security for many areas such as information security and physical security. The importance of these systems increases day by day in the direction of technological development and increasing demand. Recognition systems based on biometric characteristics are more reliable, because of the possibility of forgetting or losing knowledge in the recognition systems based on knowledge (eg: password) and the possibility of being stolen or guessed by third persons in the biometric recognition based on possessed (eg: card). However, the fraud techniques are also developing in the direction of technological developments and biometric characteristics cannot be renewed in case of imitation, hence the use of multiple biometrics recognition system may be a solution to this problem. At the same time, the use of multiple biometrics increases in the security of systems. In this thesis, a biometric recognition system, which uses the lectrocardiogram (ECG) and speech signals of the person, was created. Since there was not enough time and possibility, an arti_cial database was generated with obtaining these signals from various sources. First, the MIT-BIH Arrhythmia Database was used for ECG signals. This database consists of 48 ECG signals, which belong to 22 females and 26 males. In ccordance with this database, a database was created for the speech signals, which were obtained from the website, given in [1]. The features of the biometric signals were extracted by AC / DCT (Autocorrelation/ Discrete Cosine Transform) method for ECG signals and by Mel Frequency Cepstrum Coe_cients (MFCCs) method for speech signals. The data, which were obtained from the feature extraction, were then classi_ed by the Gaussian Mixture Model (GMM) method. The scores, which were obtained from the classi_cation process, were fused as a single individual's data, and the decision-making step was passed. Recognition rates were obtained in the decision making step. The recognition rate for the ECG signal was %87.50 and 42 persons were matched correctly. The recognition rate for 2 seconds speech signals was %58.33 and 28 persons were matched correctly. Normalization was applied before the fusion of these two datasets. The recognition rate after the fusion was %70.83 and 34 persons were matched correctly. However, when the recognition rates are considered, it has been observed that the recognition rate, which obtained after the fusion, is lower than recognition rate of the ECG signals. Therefore, instead of 2 seconds speech signals, 10 seconds speech signals were used. In this case, the recognition rate of the speech signals was %97.9 and 47 persons were matched correctly. Then, normalization was applied again and two datasets were fused. After the fusion, the rate of recognition reached %95.8 and 46 persons were matched correctly.en_US
dc.description.abstractProjenin temel amacı kişinin iki farklı biyometrik karakteristiğini kullanan bir çoklu biyometrik tanıma sistemi kurarak tanıma oranını yükseltmektir. Günümüzde kurumlar bilgi güvenliği ve fiziksel güvenlik gibi birçok alanda güvenliği sağlamak için biyometrik tanıma sistemlerini oldukça sık kullanmaktadır. Teknolojinin gelişimi ve artan talep doğrultusunda da bu sistemlerin önemi gün geçtikçe artmaktadır. Kişinin bildiği (ör: şifre) veya sahip olduğu (ör: kart) bilgiye veya nesnenin varlığına dayanan tanıma sistemlerinde, kişinin bunları unutabilme, kaybedebilme veya üçüncü kişiler tarafından çalınabilme veya tahmin edilebilme olasılığından dolayı biyometrik karakteristiklere dayanan tanıma sistemleri daha güvenilirdir. Fakat teknolojik gelişmeler doğrultusunda dolandırıcılık teknikleri de gelişmektedir, dolayısıyla biyometrik karakteristikler taklit edilmesi durumunda yenilenemeyeceği için tanıma sistemlerinde birden fazla biyometriğin kullanılması bu sorunun çözümü olabilir. Aynı zamanda birden fazla biyometriğin kullanılması sistemlerin güvenliğini daha artırmaktadır. Bu tezde kişinin Elektrokardiyogram (EKG) ve ses işaretlerini kullanan biyometrik tanıma sistemi oluşturulmuştur. Yeterli zaman ve imkan olmadığından dolayı bu işaretler çeşitli kaynaklardan elde edilerek yapay bir veri tabanı oluşturulmuştur. Öncelikle, EKG işaretleri için MIT-BIH Arrhythmia Database’i kullanılmıştır. Bu veri tabanı 22 kadın ve 26 erkek olmak üzere toplamda 48 kişinin EKG işaretlerinden oluşmaktadır. Bu veri tabanına uygun olarak ses işaretleri için internet sitesinden [1] elde edilen ses kayıtları ile bir veri tabanı oluşturulmuştur. Bu tezde kullanılan biyometrik işaretlerin öznitelikleri ise EKG işaretleri için OK/AKD ( Özilinti Katsayıları/Ayrık Kosinüs Dönüşümü) yöntemi ve ses işaretleri için Mel Frekans Kepstral Katsayları (MFKK) kullanılarak çıkarılmıştır. Öznitelik çıkarımından elde edilen veriler daha sonra Gaussian Karışım Modeli (GKM) yöntemi ile sınıflandırılmıştır. Sınıflandırılma işleminden elde edilen veriler tek bir bireyin verileriymiş gibi birleştirilerek karar verme adımına geçilmiştir. Karar verme adımında tanıma oranları elde edilmiştir. EKG işareti için tanıma oranı %87.50 olup, 42 kişi doğru eşleşmiştir. 2 saniyelik ses işaretleri için tanıma oranı iv v %58.33 olup, 28 kişi doğru eşleşmiştir. Bu iki veri seti birleştirilmeden önce normalizasyon yapılmıştır. Birleştirme sonrası elde edilen tanıma oranı %70.83 olup, 34 kişi doğru eşleşmiştir. Fakat tanıma oranlarına bakıldığında birleşmeden sonra elde edilen tanıma oranının EKG işareti için elde edilen orana göre düşük olduğu gözlemlenmiştir. Bundan dolayı 2 saniyelik ses işaretleri yerine 10 saniyelik ses işaretleri kullanılmıştır. Bu durumda ses işaretlerinin tanıma oranı %97.9 olup, 47 kişi doğru eşleşmiştir. Daha sonra tekrar normalizasyon yapılıp iki veri seti birleştirilmiştir. Birleşme sonrası elde edilen tanıma oranı ise %95.8 ulaşmış ve 46 kişi doğru eşleşmiştir.en_US
dc.description.tableofcontentsIntroductionen_US
dc.description.tableofcontentsBiometric Recognition Systemen_US
dc.description.tableofcontentsHistory of Biometric Recognition Systemen_US
dc.description.tableofcontentsMultimodal Biometric Recognition Systemen_US
dc.description.tableofcontentsScenarios of Multimodal Biometric Recognition Systemsen_US
dc.description.tableofcontentsModes of Multimodal Biometric Recognition Systemsen_US
dc.description.tableofcontentsFusion for Multimodal Biometric Recognition Systemsen_US
dc.description.tableofcontentsIn This Projecten_US
dc.description.tableofcontentsThe Speech Signalsen_US
dc.description.tableofcontentsSpeaker Recognition Systemen_US
dc.description.tableofcontentsHistory of Recognition System based on Speech Signalen_US
dc.description.tableofcontentsThe ECG Signalsen_US
dc.description.tableofcontentsDetails of the ECG Signalen_US
dc.description.tableofcontentsECG Measurement Techniquesen_US
dc.description.tableofcontentsEinthoven’s Triangleen_US
dc.description.tableofcontentsAdvantages of the ECG Signalen_US
dc.description.tableofcontentsThe ECG Recognition Systemen_US
dc.description.tableofcontentsHistory of The ECG Recognition Systemen_US
dc.description.tableofcontentsFeature Extraction and Classification Methodsen_US
dc.description.tableofcontentsFeature Exraction Methoden_US
dc.description.tableofcontentsMel Frequency Cepstrum Coefficientsen_US
dc.description.tableofcontentsPre-Emphasisen_US
dc.description.tableofcontentsFrame Blockingen_US
dc.description.tableofcontentsWindowingen_US
dc.description.tableofcontentsFast Fourier Transformationen_US
dc.description.tableofcontentsMel-Frequency Warpingen_US
dc.description.tableofcontentsCepstrumen_US
dc.description.tableofcontentsLifteringen_US
dc.description.tableofcontentsThe Discrete Cosine Transform of the Autocorrelationen_US
dc.description.tableofcontentsFramingen_US
dc.description.tableofcontentsAutocorrelationen_US
dc.description.tableofcontentsDiscrete Cosine Transformen_US
dc.description.tableofcontentsClassification Methoden_US
dc.description.tableofcontentsGaussian Mixture Modelen_US
dc.description.tableofcontentsThe Parameter Estimationen_US
dc.description.tableofcontentsSpeech Signal and ECG Signal based Recognition Systemen_US
dc.description.tableofcontentsFeature Extraction Methodsen_US
dc.description.tableofcontentsExtraction of MFCC based Features from the Speech Signalsen_US
dc.description.tableofcontentsExtraction of AC/DCT based features from the ECG signalsen_US
dc.description.tableofcontentsBlock Diagramen_US
dc.description.tableofcontentsFusion & Matchingen_US
dc.description.tableofcontentsExperimental Worken_US
dc.description.tableofcontentsDatasetsen_US
dc.description.tableofcontentsNormalizationen_US
dc.description.tableofcontentsMin-max Normalizationen_US
dc.description.tableofcontentsZ-score normalizationen_US
dc.description.tableofcontentsResultsen_US
dc.description.tableofcontentsConclusion & Discussionen_US
dc.language.isoengen_US
dc.publisherIşık Üniversitesien_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.subjectAC/DCTen_US
dc.subjectECG signalsen_US
dc.subjectGMMen_US
dc.subjectMFCCen_US
dc.subjectMultimodal biometric recognition systemen_US
dc.subjectSpeech signalsen_US
dc.subjectÇoklu biyometrik tanıma sistemien_US
dc.subjectEKG işaretlerien_US
dc.subjectGKMen_US
dc.subjectMFKKen_US
dc.subjectOK/AKDen_US
dc.subjectSes işaretlerien_US
dc.subject.lccTK7882.B56 D87 2017
dc.subject.lcshBiometric identification.en_US
dc.subject.lcshAutomatic speech recognition.en_US
dc.subject.lcshElectrocardiography -- Data processing.en_US
dc.titleBiometric recognition using bio-signalsen_US
dc.title.alternativeBio işaretler kullanılarak biyometrik tanımaen_US
dc.typemasterThesisen_US
dc.contributor.departmentIşık Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik Mühendisliği Yüksek Lisans Programıen_US
dc.relation.publicationcategoryTezen_US
dc.contributor.institutionauthorDursun, Cerenen_US


Bu öğenin dosyaları:

Thumbnail

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster

info:eu-repo/semantics/openAccess
Aksi belirtilmediği sürece bu öğenin lisansı: info:eu-repo/semantics/openAccess