基于深度学习和智能环境中的传统方法的增强多式生物识别系统
Sahar A El Rahman1, Ala Saleh Alluhaidan2
1Department of Electrical Engineering, Faculty of Engineering-Shoubra, Benha University, Cairo, Egypt.
PloS one
|February 15, 2024
概括
结合心电图 (ECG) 和指纹数据的多式生物识别技术显著提高了安全性. 这些融合系统,特别是使用卷积神经网络 (CNN) 的序列融合,在智能环境中表现出优于单模方法的性能.
科学领域:
- 生物识别安全 生物识别安全
- 数据安全 数据安全
- 模式识别 模式识别
背景情况:
- 生物识别安全对于数据安全至关重要,多式联网系统提供了更高的准确性.
- 整合心电图 (ECG) 信号和指纹数据是一个有效的多式联络方法.
- 在为智能环境开发准确可靠的多式联络生物识别技术方面仍然存在挑战.
研究的目的:
- 使用卷积神经网络 (CNN) 评估单模和多模生物识别系统.
- 将传统方法与指纹和心电图融合的深度学习方法进行比较.
- 评估多模式生物识别中的并行和顺序融合策略的有效性.
主要方法:
- 使用CNN开发并比较单模和多模生物识别系统.
- 采用了各种特征提取和分类技术,用于指纹和心电图融合.
- 在MIT-BIH (ECG) 和FVC2004 (指纹) 数据库上评估系统,包括带有和没有增强的虚拟数据集.
主要成果:
- 顺序的多模式生物识别实现了0.99.9的ROC曲线下的最佳面积 (AUC).
- 平行多模式生物识别实现了0.96的AUC,超过了单模式指纹生物识别 (0.87AUC).
- 拟议的CNN模型,特别是对心电图和顺序融合,在其他系统相比,表现出优越的性能.
结论:
- 多模式生物识别,特别是使用CNN,在准确性和检测率方面明显优于单模式系统.
- 电脑心电图和指纹数据的顺序融合显示出对强大的生物识别安全非常有前途.
- 提出的基于CNN的方法为智能环境中的高级生物识别身份验证提供了强大的解决方案.
