KALP SESİYLE (FONOKARDİYOGRAM İLE) KİMLİK DOĞRULAMA
Fakher TAFAKHERI
YÜKSEK LİSANS TEZİ
İLERİ TEKNOLOJİLER ANABİLİM DALI
GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
HAZİRAN 2017
Fakher TAFAKHERI tarafından hazırlanan “KALP SESİYLE (FONOKARDİYOGRAM İLE) KİMLİK DOĞRULAMA” adlı tez çalışması aşağıdaki jüri tarafından OY BİRLİĞİ ile Gazi Üniversitesi İLERİ TEKNOLOJİLER Anabilim Dalında YÜKSEK LİSANS TEZİ olarak kabul edilmiştir.
Danışman: Doç. Dr. Hasan Şakir BİLGE Elektrik Elektronik Mühendisliği Anabilim Dalı, Gazi Üniversitesi
Bu tezin, kapsam ve kalite olarak Yüksek Lisans Tezi olduğunu onaylıyorum. ...………
Başkan: Prof. Dr. İrfan KARAGÖZ
Elektrik Elektronik Mühendisliği Anabilim Dalı, Gazi Üniversitesi
Bu tezin, kapsam ve kalite olarak Yüksek Lisans Tezi olduğunu onaylıyorum. ………...
Üye: Yrd. Doç. Dr. Hilal KAYA
Bilgisayar Mühendisliği Anabilim Dalı, Yıldırım Beyazıt Üniversitesi
Bu tezin, kapsam ve kalite olarak Yüksek Lisans Tezi olduğunu onaylıyorum. ………...
Tez Savunma Tarihi: 19/06/2017
Jüri tarafından kabul edilen bu tezin Yüksek Lisans Tezi olması için gerekli şartları yerine getirdiğini onaylıyorum.
……….…….
Prof. Dr. Hadi GÖKÇEN Fen Bilimleri Enstitüsü Müdürü
ETİK BEYAN
Gazi Üniversitesi Fen Bilimleri Enstitüsü Tez Yazım Kurallarına uygun olarak hazırladığım bu tez çalışmasında;
Tez içinde sunduğum verileri, bilgileri ve dokümanları akademik ve etik kurallar çerçevesinde elde ettiğimi,
Tüm bilgi, belge, değerlendirme ve sonuçları bilimsel etik ve ahlak kurallarına uygun olarak sunduğumu,
Tez çalışmasında yararlandığım eserlerin tümüne uygun atıfta bulunarak kaynak gösterdiğimi,
Kullanılan verilerde herhangi bir değişiklik yapmadığımı,
Bu tezde sunduğum çalışmanın özgün olduğunu,
bildirir, aksi bir durumda aleyhime doğabilecek tüm hak kayıplarını kabullendiğimi beyan ederim.
Fakher TAFAKHERI 19.06.2017
KALP SESİYLE (FONOKARDİYOGRAM İLE) KİMLİK DOĞRULAMA (Yüksek Lisans Tezi)
Fakher TAFAKHERI
GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
Haziran 2017
ÖZET
Kalp sesi biyometriği (fonokardiyogram) güvenilir bir yöntem olup, 2008’den itibaren bu alanda araştırmalar yapılmaktadır. Bu çalışmada, fonokardiyogram sinyali bir biyometrik yöntem olarak kimlik doğrulama için kullanılmaktadır. Bu amaçla, sinyali normalleştirme, gürültüyü kaldırma ve kalp döngüsünü hesaplamadan sonra Mel-Ölçekli Dalgacık Dönüşüm, özellik çıkarma için kullanılır. Sesin referans ve test örneklerinin aynı düzeyde elde edilmesi için, Dinamik Zaman Bükme ile bir eşik değeri kullanılmaktadır. Bu çalışmada önceki araştırmalara göre %2,42 gibi daha düşük hata oranı elde edilmiştir. Bu araştırmanın önemli noktası desen eşleştirme (istatistiksel olmayan) yöntemi kullanarak hata oranının düşürülmesidir. Kullandığımız veri tabanı 206 kişiden kaydedilen 412 ses örneklerini içermektedir. Her kişiden iki örnek Wav formatında kayıt altına alınmış olup, örneklerin uzunluğu 20 ile 70 saniye arasında değişmektedir.
Bilim Kodu : 92427
Anahtar Kelimeler : Biyometrik, fonokardiyogram, mel-ölçekli dalgacık dönüşümü, dinamik zaman bükme
Sayfa Adedi : 71
Danışman : Doç. Dr. Hasan Şakir BİLGE
HEART SOUND (PHONOCARDIOGRAM) IN IDENTITY VERIFICATION (M. Sc. Thesis)
Fakher TAFAKHERI
GAZİ UNIVERSITY
GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCES June 2017
ABSTRACT
Heart sound biometry (phonocardiogram) is a reliable method and since 2008, research has been conducted on this field. In this study, phonocardiogram signal has been used as a biometric method for identity verification. For this purpose, signal normalization, noise filtering, and calculating the cardiac cycle are used; after these operations the Mel-Scaled Wavelet transform (MSWT) technique is used as a feature extraction method. Dynamic Time Warping (DWT) technique with a threshold is applied to get the similar reference and testing sound samples. In this study, a lower error rate of 2.42% was obtained compared to previous studies. The important point of this research is to reduce the error rate using the pattern matching (non-statistical) method. The database we use contains 412 audio samples recorded from 206 people. Two samples of each person are recorded in Wav format, and the length of the samples varies between 20 and 70 seconds.
Science Code : 92427
Key Words : Biometric, phonocardiogram, mel-scaled wavelet, dynamic time warping.
Page Number : 71
Supervisor : Assoc. Dr. Hasan Şakir BİLGE
TEŞEKKÜR
Bu tez çalışmasının her aşamasında yardım, tavsiye ve desteğini esirgemeden beni yönlendiren; bilgi ve birikimlerini bana aktaran değerli danışman hocam Doç. Dr. Hasan Şakir BİLGE’ye en içten teşekkürlerimi ve saygılarımı sunarım.
Yüksek lisans çalışmalarım sırasında benden her türlü desteğini esirgemeyen hayatımın her anında, yanımda bulunan bana güvenen ve bugünlere gelebilmemi sağlayan canım ailem ve yakın arkadaşlarım özelikle Sayın Vahid OLYAEI’ye teşekkür ederim.
İÇİNDEKİLER
Sayfa
ÖZET ... iv
ABSTRACT ... v
TEŞEKKÜR ... vi
İÇİNDEKİLER ... vii
ÇİZELGELERİN LİSTESİ ... xi
ŞEKİLLERİN LİSTESİ ... xii
RESİMLERİNLİSTESİ ... xiv
SİMGELER VE KISALTMALAR... xv
1. GİRİŞ
... 12. LİTERATÜR TARAMASI
... 52.1. İlgili Çalışmalara Genel bir Bakış ... 5
3. KALP SESLERİNİN ÜRETİM MEKANİZMASI
... 133.1. Mitral Kapağı ... 13
3.2. Aort Kapağı ... 13
3.3. Triküspid Kapağı ... 13
3.4. Pulmoner Kapağı ... 14
3.5. Kalp Atışı ... 14
4. BİYOMETRİK TEKNOLOJİSİ
... 174.1. Biyometriğin Tarihçesine Genel Bir Bakış ... 17
4.2. En İyi Biyometrik Özelikler ... 18
4.3. Bir Biyometrik Sistem Uygulaması ... 19
4.3.1. Uygulamaya göre sınıflandırma ... 20
4.3.2. Çevre uygulamalara göre sınıflandırma ... 21
Sayfa
4.4. Biyometrik Sisteminin Genel Modeli ... 23
4.5. İnsanlarda Farklı Biyometrik ... 23
4.5.1. Parmak izi ... 23
4.5.2. Yüz özelikleri ... 24
4.5.3. İris tanıma ... 24
4.5.4. El Geometrisi ... 25
4.5.5. Konuşma incelemesi ... 25
4.5.6. İmza incelemesi ... 26
4.5.7. Retina taraması ... 27
4.5.8. DNA ... 27
4.5.9.Avuç içi geometrisi ... 28
4.5.10. El Damarlarının haritası ... 28
4.5.11. Yürüme şekli ... 29
4.5.12. Kulak şekli ... 29
4.5.13. Vücut kokusu ... 30
4.5.14. Tırnak yapısı ... 30
4.5.15. Gülümseme tanıma ... 30
4.6. Güvenlik Sağlamada Biyometrik Uygulamaları ... 31
4.6.1. Suçluların tanımlanması ... 31
4.6.2. Ticari kullanımları (e-ticaret, tele market, ATM, POS ) ... 31
4.6.3. Ağ ve kişisel bilgisayarlara erişim ... 31
4.6.4. Fiziksel/Zamanlı erişim ve devamlılık ... 32
4.6.5. Vatandaşların tanımlanması ... 32
4.6.6. İzleme ... 32
Sayfa
4.7. Güvenlik İçin Biyometrik Sistemlerin Avantajları ve Dezavantajları ... 32
4.8. Avantajlar ... 33
4.8.1. Güvenliği artırmak ... 33
4.8.2. Kolaylığı artırmak ... 33
4.8.3. Dolandırıcılığı önleme ... 33
4.8.4. Şüphelileri tanımlama ... 33
4.9. Dezavantajlar ... 33
4.10. Dünyada Güvenlik Alanında Pratik Faaliyet Örnekleri ... 34
4.10.1. Çoklu kimlik doğrulama araçları ... 34
4.10.2. Dünyada biyometrik pasaportların kullanılması ... 35
4.11. Türkiye’de Biyometrik Faaliyetlere Örnekler ... 36
4.11.1. Sonuç... 37
5. ÖNERİLEN YÖNTEM
... 375.1. Önişleme ... 37
5.2. Kalp Döngüsü Elde Etme ... 39
5.2.1. Sinyalin farklı döngülerini algılama ... 39
5.2.2. Fizyolojik parametrelerin uygulanması ... 42
5.2.3. Detay katsayıların sinyal üzerinde uygulanması ... 43
5.2.4. Uyarlamalı algoritma kullanarak kalp döngüsünün hesaplanması ... 44
5.3. Özellik Çıkarma Süreci ... 46
5.3.1. Fonokardiyogram sinyali çerçeveleme ... 46
5.3.2. Pencereleme ... 47
5.3.3. Hızlı Fourier dönüşümü ... 48
5.3.4. Mel filtre bankası ... 49
Sayfa
5.3.5. Ayrık dalgacık dönüşümü ... 50
5.4. Dalgacık Analizi ... 50
5.4.1. Fourier dönüşümü ... 50
5.4.2. Dalgacık dönüşümü ... 52
5.4.3. Ayrık dalgacık dönüşümü ... 54
5.4.4. Çeşitli ana dalgacıklar ... 55
5.5. Bir sinyal üzerinde dalgacık uygulamasına örnek ... 55
5.6. Dinamik Zaman Bükme (DTW) ile Benzerlik Ölçümü ... 58
6. DENEYSEL SONUÇLAR
... 616.1. Öneriler ... 63
KAYNAKLAR ... 65
ÖZGEÇMİŞ ... 71
ÇİZELGELERİN LİSTESİ
Çizelge Sayfa
Çizelge 1.1. Farklı biyometriklerin dezavantajları ... 3
Çizelge 2.1. Kalp sesleri biyometriği ile ilgili çalışmaların karşılaştırılması ... 6
Çizelge 4.1. «Pozitif» ve «negatif» sistemlerin tanımlama yöntemleri ... 21
Çizelge 4.2. Birkaç multi-model biyometriklerin üretimi ... 35
Çizelge 5.1. Çeşitli pencereler ... 48
Çizelge 5.2. Mel, Braque ve frekans bağlantısı ... 49
Çizelge 6.1. İki farklı filtreye ve farklı kişi sayısına göre eşit hata oranları ... 62
Çizelge 6.2. Önerilen yöntemin literatür sonuçlarla karşılaştırılması ... 62
ŞEKİLLERİN LİSTESİ
Şekil Sayfa
Şekil 3.1. Kalp sesi üreten kapaklar ... 14
Şekil 3.2. Sistol ve diyastol aşamaları ... 15
Şekil 3.3. Kalp sesi sinyali ... 15
Şekil 4.1. Kişisel bilgileri içeren bir parmak izi örneği ... 24
Şekil 4.2. Kimlik doğrulama için yüzde kullanılan noktalar ... 24
Şekil 4.3. İris tanıma sistemi ... 25
Şekil 4.4. El geometrisi ... 25
Şekil 4.5. Konuşmacı tanıma sisteminde insan sesini temsil etmek için kullanılan spektrogram gösterisi ... 26
Şekil 4.6. Bir imzada bulunan bazı dinamik özellikler ... 26
Şekil 4.7. Retina üzerinde kan damarları ... 27
Şekil 4.8. DNA’nın çift sarmalı yapısı ... 27
Şekil 4.9. Avuç içi çizgileri ... 28
Şekil 4.10. El damar görüntüsü ... 28
Şekil 4.11. Yürüyüş döngüsünün süresi her ayak için siyah alanlarla işaretlenmiştir .... 29
Şekil 4.12. Kulağın dışındaki anatomik özellik gösterilmektedir ... 29
Şekil 4.13. Vücut kokusu biyometriği ile bir kimlik doğrulama sistemi ... 30
Şekil 5.1. Fourier dönüşümü ... 51
Şekil 5.2. Frekans bileşenleri ... 51
Şekil 5.3. Kısa zamanlı Fourier dönüşümü ... 52
Şekil 5.4. Dalgacık dönüşümü süreci ... 53
Şekil 5.5. Sağ ve sol şekil sırayla bir dalgacık kaydırması ve ölçeğidir ... 53
Şekil 5.6. Ana dalgacıkların bazı tipleri ... 56
Şekil Sayfa
Şekil 5.7. Haar dalgacığın test sinyali ... 56
Şekil 5.8. Haar dalgacığın dönüşüm matrisi ... 57
Şekil 5.9. Ölçek açısından test sinyal bileşenleri ... 57
Şekil 5.10. Ölçek açısından test sinyalin yeniden inşası ... 58
RESİMLERİN LİSTESİ
Resim Sayfa Resim 5.1. Önerilen yöntemin blok diyagramı ... 37 Resim 5.2. Orijinal sinyal, ikinci dereceden bant geçiren Butterworth filtre ve
Chebychev filtre uygulanmış sinyaller ... 38 Resim 5.3. Orijinal sinyal, ikinci dereceden bant geçiren Butterworth filtresi ve
Chebychev filtresi uygulanmış sinyallerin frekans spektrumları ... 39 Resim 5.4. Fonokardiyogram sinyal üzerinde uygulanan FWT’nin uygulanarak
beşinci aşamasının enerji katsayıları ... 40 Resim 5.5. Orijinal sinyalin enerjisi, yaklaşım katsayılarının Shannon enerjisi ve
sıfır geçiş analizinin sonucu ... 41 Resim 5.6. Fizyolojik parametreler uygulanması ve ilgisiz döngülerin kaldırılması:
yukarıdaki diyagram PCG sinyalinin enerjisi üzerinde parametreler uygulanmadan önce ve aşağıdaki resim uygulanmadan sonrasını göstermektedir ... 43 Resim 5.7. PCG sinyali üzerinde uyarlamalı algoritma uygulanmasından öncesi ve
sonrası: aşağıdaki şekilde kayıp olan HFS algoritma ile belirlenmiştir ... 45 Resim 5.8. Özellik çıkarma blok diyagramı ... 46 Resim 5.9. Mel frekans ölçeğinde dalgacık dönüşümü ... 50
SİMGELER VE KISALTMALAR
Bu çalışmada kullanılmış simgeler ve kısaltmalar, açıklamaları ile birlikte aşağıda sunulmuştur.
Simgeler Açıklamalar
𝑺𝟏 Sistol
𝑺𝟐 Diyastol
Hz Hertz
ms Milisaniye
𝒄𝒎𝟐 Santimetrekare
𝑓 Frekans
<> Frekans enerjisinin ortalama değeri
RPM devir/saniye
𝝎 Açısal frekans
F Fourier dönüşümü
C Dalgacık katsayıları
𝝁 Ortalama
𝝈 Standart sapma
Kısaltmalar Açıklamalar
DTW Dinamik Zaman Bükme
DWT Ayrık Dalgacık Dönüşümü
Db Daubechies
EER Eşit Hata Oranı
ECG Elektrokardiyogram
FBI Federal Soruşturma Bürosu
FWT Hızlı Dalgacık Dönüşümü
FAR Yanlış Kabul Oranı
FRR Yanlış Reddedilme Oranı
Kısaltmalar Açıklamalar
GMM Gauss Karışım Modelleri
K-NN En Yakın K Komşu
LFCC Doğrusal Frekans Spektral Katsayıları
MSE Ortalama Kare Hatası
MSWT Mel-Ölçekli Dalgacık Dönüşümü
PCG Fonokardiyogram
SVM Destek Vektör Makinesi
1. GİRİŞ
Biyometrik, ölçüm bilimi ve teknolojisi ve biyolojik verilerin istatistiksel analizi anlamına gelmektedir. Bilgi teknolojisinde teknoloji koleksiyonu olduğu söylenen biyometrik kelimesi, parmak izi, avuç geometrisi, göz irisi ve retinası, ses deseni, yüz desenleri, yüz termografisi, DNA, el yazısı (imza) veya klavye dokunma dinamiği gibi davranışsal ve fiziksel özelikleri kimlik doğrulama, ölçüm ve analiz için kullanılmaktadır. Bu teknoloji, ölçüm değerlerinin ve özelliklerin karşılaştırmasının otomatik olarak yapılmasına çalışmaktadır. Biyometrik teknolojiler aslında yüksek güvenlik gerektiren özel uygulamalar için önerilmiştir, ama şimdi e-ticaret sistemlerinin geliştirilmesinde, çevrimiçi sistemlerde, aynı şekilde çevrimdışı güvenlik sistemlerinde ve bireysel güvenlik sistemleri için de kullanılmaktadır. Bu teknoloji, sisteme erişim ve katılım şeklinin düzenlenmesi ve gözetlenmesi için önemli parçaları sağlamaktadır. Bu teknolojilerin esas uygulama alanları şunlardır: E-ticaret, güvenlik izleme, veri tabanına erişim, sınır ve göç kontrolü, adli soruşturma ve tele-tıp [1-4].
Kimlik doğrulama adımı, veri tabanında mevcut özelliklerle ilgili bir kişinin iddia edilen özelliklerini eşleştirmedir. Biyometriğe dayalı güvenlik sistemleri, kimlik doğrulama aşaması yerine tanıma aşamasını kullanabilirler. Bu yöntemde belirli bir kişinin kimliğini iddia etmesi gerekmez; bu nedenle sistem iddia eden kişinin özelliklerini kendindeki bütün özelliklerle karşılaştırarak birisiyle aynı olunca o kişinin özelliklerinin sistemde kaydı tanımlanır ve bu sürece bire çok işlem denilmektedir [5].
Araştırmanın önemi ve gerekliliği
Biyometrik teknolojilerin hızlı gelişimi ve bu konuda yapılan faaliyetler, pahalı biyometrik makinelerin üretimine yol açmıştır. Bu cihazlar yüksek fiyatlara ek olarak, hız ve performans açısından da genellikle uygun değildir ya da en azından iyi bir performans elde etmek için kullanılan ortamın özel koşulları olmalıdır veya kullanıcıların kapsamlı eğitim almaları gerekmektedir. Bununla birlikte biyometrik teknolojilerin bazıları piyasada ticari ürünler halindeyken, birçoğu da araştırma ve test aşamasındadırlar. Bu teknolojilerin özel uygulamalarda kullanılması için, istikrar veya performans açısından daha fazla araştırma yapılması gerekmektedir. Dolandırıcılığa karşı istikrar, gerekli performans, hız ve gerekli
donatım, donanım ve yazılım ile tutarlılık, maliyet, kullanım kolaylığı ve kullanıcı tarafından kabul edilme faktörleri kullanılan her bir teknolojinin başarılı olması için çok önemlidir. Araştırmacılar davranışsal ve fiziksel özelliklere sahip kişileri tanımlamak için çeşitli yöntemler kullanmışlar, ama bu yöntemlerin hiçbirisi tüm beklentileri karşılamamıştır. Örneğin parmak izi biyometrik en yaygın tanıma yöntemi olarak hız ve doğruluk açısından çok iyidir ama bu yöntemin dezavantajlarından birisi dolandırıcılığa karşı yüksek istikrar eksikliğidir. Diğer bir ifadeyle, bir suçlu parmak izini asitle tamamen yok edebilir. Bu nedenle dolandırıcılığa karşı olmak için yüksek kararlığa sahip yöntemler üzerinde çalışmak gerekmektedir.
Diğer taraftan kalp sesi biyometrik teknolojinin üretimi ve kopyalanması kolay değildir, çünkü bu sinyaller her kişiye ait vücudun doğal varyasyonudur. Bu sistemi ses sistemiyle karşılaştırdığımızda, kalp sesi Biyometrik ölçümler konusunda iki önemli avantaj bulunacaktır [6];
Sesi keşif ve tespit etmek kolaydır, ama kalp sesini kullanmak için insanın göğsünde titreyen bir kalp olmalıdır. Bundan dolayı bulmak ve çalmak kolay değildir.
Kalp sesini yapay olarak üretmek ve doğal sinyallerle karşılaştırma veya onda kullanılabilen analizlerin üretimi mümkün değildir.
Tanımlar ve gereksinimler
Bu çalışmada kalp sesinin güvenilir bir biyometrik ölçüm olarak kullanımı araştırılmaktadır. Bu biyometrik için tanımlar ve gereksinimler aşağıdaki gibidir;
Genellik: İnsan hayatı kalp atışıyla başlar ve hayatının sonuna kadar devam eder.
Ölçülebilirlik: Stetoskop, kalp sesini dijital olarak ölçer.
Savunmasızlık: Günümüzde pek çok mevcut sistem, kolayca kopyalanıp dolandırıcılar tarafından kullanılabilirler. Bu güvenlik açığı Çizelge 1.1’de özetlenmiştir [7].
Çizelge 1.1. Farklı biyometriklerin dezavantajları
Kabul edilebilirlik: Kalp sesinin insanlar için gizliliği ve günlük yaşamda kullanımı kimlik doğrulama alanı etkilemiştir. Kişiler hastanede kaldıklarında kalp seslerini stetoskopla kopyalayarak kötüye kullanım riski vardır. Bundan dolayı birçok kişi onun faydalarını reddedebilirler. Bu nedenle onlarda korkuyu azaltmak ve onların bilgilerinin her zaman gizli kalacağı konusunda güven oluşturmak, sistemin iyileştirilmesi için en önemli faktördür.
Benzersizlik: Kalbin fiziksel yapısı yaş, boy ve genetik faktörler açısından farklıdır.
Ayrıca kalp hastalıklarında kişilerin kalplerine bağlı olarak farklıklar gösterir.
Kararlılık: Kontrollü bir ortamda, insan kalbi yeterince uzun bir süre içinde değişmeyen özelliklere sahiptir.
Tezin amacı
Son yıllarda, kalp sesiyle kimlik doğrulama üzerinde çalışmalar yapılmaktadır. Farklı algoritmalar ve yaklaşımlar, istatistiksel ve istatistiksel olmayan yöntemler şeklinde özellik çıkarma ve sınıflandırma için kullanılmaktadır. Bu çalışmanın amacı, akıllı yöntemler ve verimli algoritmalar kullanarak en iyi ve en ayırt edici özellikleri çıkarmak ve son olarak uygun sınıflandırmayla istenilen sonuçlar elde etmektir. Bu eşit hata oranını uygun değer ve kabul edilebilir bir seviyeye getirmek anlamına gelmektedir.
Tezin başarıları
Bu çalışmada kalp sesiyle kimlik doğrulama için yeni bir yaklaşım sağlanmıştır. Bu yaklaşımda elde edilen eşit hata oranı diğer yöntemlere göre daha düşüktür. Önerilen
Biyometrik Savunmasızlık
DNA Bir parçası hırsızlığıyla kimlik tespit edilebilir
Ses Kaydetme ile kullanılabilir
İmza ve el yazısı Kopyalanabilir Parmak izi, el ve
ayak termografisi
Bir kişinin sisteme dokunması ile kopyalanıp sonra plastik malzemeler ile üretilebilirler
yaklaşımın amacı Mel-Ölçekli Dalgacık Dönüşümü kullanarak özellik çıkarmak ve Dinamik Zaman Bükme ile örnekleri karşılaştırmaktır. Böylece hata oranı literatüre göre daha düşük çıkmıştır.
Tezin düzeni
İkinci bölümde fonokardiyogram biyometriğinin geçmişi genel olarak gözden geçirilmiştir.
Üçüncü bölümde kalp sesinin üretim mekanizması anlatılmıştır. Dördüncü bölümün konusu biyometrik teknoloji ile ilgili tartışmalardır. Beşinci bölüm bu çalışmanın en önemli bölümü olarak kullandığımız yaklaşımda yapılan ön işleme, kalp döngüsü elde etme, özellik çıkarma, Dinamik Zaman Bükme konularını içermektedir. Altıncı bölüm deneyler sonuçları içermektedir.
2. LİTERATÜR TARAMASI
Biyometrik biliminde 2008’den itibaren fonokardiyogram sinyaliyle kimlik doğrulama konusunda bilimsel çalışmalar yapılmaktadır. Son yıllarda araştırma grupları kimlik doğrulama ve biyometrik tanımlama için kalp sesi kullanma olasılığı üzerinde çeşitli çalışmalar yürütmektedirler.
2.1. İlgili Çalışmalara Genel bir Bakış
Bu bölümde, özet olarak doğrulama ile ilgili kullanılan yöntemler açıklanmıştır. Çizelge 2.1’de bu bölümde incelenen işlemlerin temel özelliği, aşağıdaki kriterlere göre özetlenmiştir;
Veri tabanı: Çalışmada kullanılan kişilerin kalp sesinden oluşmaktadır.
Özellikler: Çerçeve veya genel dizi seviyesinde çıkarılan özellikleri göstermektedir.
Sınıflandırma: Özelliklerin nasıl kullanılacaklarına karar vermektedir.
Çizelge 2.1’de iki nedenle algoritmaların verimliği gösterilmemektedir: İlk olarak, birçok çalışmada aynı değerlendirme standartları kullanılmamaktadır, bu yüzden karşılaştırmak zor olabilir. İkinci olarak, her çalışmada farklı veri tabanı ve yöntemler kullanılmaktadır.
Çizelge 2.1. Kalp sesleri biyometriği ile ilgili çalışmaların karşılaştırılması
Çalışma Veri tabanı Özellikler Sınıflandırma
Phua ve arkadaşları 2008
10 kişi ve her birinden 100 kalp sesi
Mel Frekansı Sepstral katsayıları (MFCC) ve Doğrusal Frekansı Sepstral Katsayıları (LFCC)
Gauss Karışım Modelleri (GMM) ve Vektör Kuantizasyon
Tran ve arkadaşları 2010
52 kişi ve her birinden
100 kalp sesi Çoklu özellik Dinamik Zaman Bükme (SVM)
Jasper ve arkadaşları 2010
10 kişi ve her birinden 20
kalp sesi Energy pikleri Öklides Mesafesi
Fatemain ve arkadaşları 2010
21 kişi ve her birinden 8 saniyelik 6 kalp sesi
Mel Frekansı Sepstral katsayıları
(MFCC) ve energy pikleri Öklides Mesafesi
El-Bendary ve arkadaşları 2010
40 kişi ve her birinden 10 saniyelik 10 kalp sesi
Otokorelasyon, çapraz korelasyon ve spestrum kombinasyonu
Kare Hata Ortalama (MSE) ve K En Yakın Komşu
Beritelli ve arkadaşları 2011
165 kişi ve her birinden 2 kalp sesi
Mel Frekansı Sepstral katsayıları (MFCC) ve the first-to-second ratio (FSR)
Öklides Mesafesi
Gautam ve arkadaşları 2013
50 kişi ve her birinden 2 kalp sesi
Linear Frequuency Band Cepstral
(LFBC) BP-MLP-ANN
Verma ve arkadaşları 2014
52 kişi ve her birinden 100 kalp sesi
Mel Frekansı Sepstral katsayıları
(MFCC) Dinamik Zaman Bükme (SVM)
Mohammad Mustafa ve arkadaşları 2015
40 kişi (35 kişiden 2 tane 5 kişiden üç tane kalp sesi )
Çoklu özellik Öklides Mesafesi
Abo-Zahhand ve arkadaşları 2016
206 kişi (157 erkek ve 49
kadından) WPCC Dinamik Zaman Bükme (DTW)
Hadri Hussain ve arkadaşları 2016
206 kişi (157 erkek ve 49
kadından) MFCC Hidden Markov Model (HMM)
Rashmi ve arkdaşları 2016
30 kişi ve her birinden 10
kalp sesi MFCC Dinamik Zaman Bükme (SVM)
Bassiouni ve arkadaşları 2016
206 kişi (157 erkek ve 49
kadından) MFCC Artificial Neural Network (ANN)
Faradisa ve arkadaşları 2016
50 kişi ve her birinden 2
kalp sesi STFT Lavenberg Maquardt
Backpropogation (LMB)
Phua, Chen, Dat, yapmış oldukları bu çalışmada; kalp sesleri biyometriği alanı üzerinde ilk araştırmaları yapmışlardır. Bu çalışmada, ilk olarak araştırmacılar 128 kişiden oluşan bir dakika uzunluğunda kalp sesi kaydederek veri tabanı oluşturmuşlar ve bu veri tabanında benzer sinyalleri iki gruba (test ve eğitim) ayırarak onların bir biyometrik özellik olasılığını incelemişlerdir. HTK kitleri ile iyi doğrulama performansı elde etmek amacıyla, 10 kişi ve her biri 100 kalp sesinden oluşan veri tabanı üzerinde daha fazla testler yaparak sistemin performansını çeşitli özellik çıkarma algoritmaları (Mel Frekans Spektral Katsayıları ve Doğrusal Frekans Spektral Katsayıları), farklı sınıflandırmalar (Gauss Karışım Modelleri ve Vektör Kuantizasyon) ve sinyalin çerçeve boyutu etkisi ile incelemişlerdir. Birçok farklı testin içinde en yüksek performansı veren sistem 60 spektrum katsayısı + enerji logaritması + üst üste gelmeyen 256 milisaniyelik çerçeve + Gauss karışım model sınıflandırma özelliklerinden oluşmuştur [8].
Tran, Leng, Li, Phua ve diğerlerinin çalışması üzerinde çalışmışlardır. Onlar kalp sesinde iyi özellikler bularak onlardan yedisini (geçit şekli, spektrum şekli, kepstrum katsayısı, harmonik özellikleri, ritim özellikleri, kalp özellikleri ve üstün vektör Gauss karışım modeli) incelemişlerdir. Sonra, bu özellikleri kullanarak REE-SVM bir özellik seçme yöntemi hazırlamışlar ve en iyi özellik kümesini bulmak için iki özellik seçme yönteminden yararlanmışlardır. Deneyler 25 kişi üzerinde yapılmış ve sonuç eşit hata oranı (EER) şeklinde gösterilmiştir. Eşit hata oranı otomatik seçilen özellik kümesi için bireysel özellik kümesine göre daha iyi sonuç vermiştir [9].
Osman ve Jasper, başlangıçta sinyalin frekansını 11025 Hz’den 22050 Hz’e değiştirmişlerdir. Sonra Ayrık Dalgacık Dönüşümü (Daubechies6) kullanarak işlem yapmışlar ve daha fazla işlem için de D5 (Daubechies5) ve D4 (Daubechies4) kullanmışlardır. Normalleştirme ve çerçevelemeden sonra araştırmacılar sinyalden bazı parametreler çıkarmışlar ve bu parametreler (özellikler) içinde Shannon enerjisi ile 10 kişilik veri tabanı için daha yüksek performans elde edilmiştir [10].
Fatemian Agrafioti, Hatzinakos, sadece PCG sinyali kullanmamışlar, onlar hem PCG hem de ECG sinyalini biyometrik tanımlama için incelemişlerdir. Burada sadece PCG ile ilgili yaptıkları işlemlerden bir kısmı dikkate alınacaktır. Kalp seslerini D5 dalgacık dönüşümü kullanarak beşinci ölçeğe kadar işlemişler ve sadece ölçeklerin üçüncü, dördüncü ve beşinci katsayılarını saklamışlardır. Daha sonra gelecek adımlarda kullanılması gereken
değeri seçmek için iki enerji eşiği kullanmışlardır. Sonra kalan çerçevelerin boyutunu azaltmak için Kısa Zamanlı Fourier Dönüşümü ve MFCC kullanmışlardır. Bu sistemde, özellik vektörleri arasındaki Öklid Mesafesi ile indeks kararlılığı hesaplamışlardır. Bu gruptaki araştırmacılar, PCG tabanlı sistemi 21 kişiden oluşan bir veri tabanı üzerinde incelemişler ve PCG-ECG’den oluşan bileşik sistemler daha iyi bir performans göstermiştir [11].
Ayrık Dalgacık Dönüşümü (DWT) kullanarak sinyalleri filtre edip Otokorelasyon, Çapraz- Korelasyon ve Kombinasyon Kepstrum özellikleri çıkarmışlardır. Sonra 40 kişiden oluşan veri tabanında bireylerin kimliğini inceleyerek sınıflandırma için iki ölçüt kullanmışlardır:
Kare Hata Ortalama (MSE) ve K-En Yakın Komşu. Onların veri tabanında K-En Yakın Komşu yöntemi, MSE’den daha iyi performans göstermiştir [12].
Beritelli ve Al-Qeheri 2011’den önce yaptıkları işlem üzerinde çalıştılar. Onlar 2007’deki Serrano ve Beritelli sistemini geliştirdiler ve sistemin performansını büyük bir veri tabanı üzerinde değerlendirdiler. Araştırmacılar uygun bir özellik (doğrusal kepstrum katsayıları) seçerek kalp sesine FSR (First-to-second Ratio) denilen özel bir zaman-alanı (time- domain) özelliği eklediler ve aynı zaman kaliteye dayalı (quality-based) bir veri seçme algoritması kullandılar. Beritelli ve Spadaccini 2010’da yöntemdeki bir sorun için alternatif yöntem sundular. Bu sistem Gauss Karışım Modelini kullanarak istatistiksel modelleme için bir sistemdi. Bu teknik 2008’deki Phua ve arkadaşlarının kullandığı yöntemden farklıydı. Bu farklıklardan en önemlisi kalp sesi, veri tabanı, kalp sesi için özellik kullanma ve istatistiksel uyarıcılardı. Bu sistem büyük bir veri tabanında uygun bir performans göstermiştir. Eşit hata oranının miktarı bu yöntem için 13.70 olmuştur. Bu çalışmada veri tabanı 165 kişi ve her kişi için 2 kalp sinyali kayıt olmuştur [13].
Gautam, 2013’te kimlik doğrulama için PCG sinyali üzerinde çalışmışlardır. Onlar çalışmalarında her bir kişiden üç farklı zamanda stetoskop kullanarak 100 örnekten kayıt yapmışlardır. Bu verilerdeki kişilerin yaşı 20 ile 40 aralığındadır. Bu çalışmada özellikler LFBC (Linear Frequuency Band Cepstral) yöntemi ile elde edilmiştir. Kullanılan bu yöntemde sinyal zaman alanından frekans alanına STDFT kullanarak çevrilmiştir. Sonra sinyalden gürültüyü içeren fazları kaldırmışlardır. Ardından filtre bankası kullanarak yüksek bileşenleri atmışlardır. DCT (Discrete Cosine Transform) yönteminin ürettiği ilk 24 katsayıyı kullanmışlardır. Kalp sesi kayıt ederken, el hareketinin konumunu gösteren
nesneleri kaldırmak için Spike Removal işlemini uygulamışlardır. Spektral katsayıları, bir özellik vektörü olarak alınmıştır. Çalışmacıların kullandıkları BP-MLP-ANN isimli sınıflandırma yöntemi 50 tane eğitim ve 50 tane test örneği üzerinde uygulanmıştır [14].
Verma , 2014’te Tren ve Phua’nın çalışmasından yararlanmışlardır. Onlar kalp sesi için daha iyi 7 özellik kümesi (tempolar şekli, spektral şekli, spektral katsayıları, harmonik özellikleri, ritmik özellikleri, kardiyak özellikleri ve GMM denetleyicisi ) bulmuşlardır.
Önerilen insan tanıma sisteminin deneysel sonuçları 30 kişi üzerinde denenmiştir. Bu çalışmadaki tüm örnekler, gürültüsüz ve 44100 Hz’den örneklenmiştir. Veri tabanındaki her kalp sesi, yaklaşık 9 saniyeliktir. Bunların kullandıkları özellik çıkarma yöntemi MFCC dir ve sınıflandırma yöntemi SVM dir. Bu yöntem ile elde edilen oranlar, TPR (True Positive Rate), TNR (True Negative Rate), FPR (False Positive Rate) ve FNR (False Negative Rate) olarak elde edilmiştir [15].
Mohammad Mustafa 2015’te 40 kişiden alınan kalp seslerin, (35 kişiden farklı zamanlarda iki kalp sesi ve 5 kişiden farklı zamanlarda üç kalp sesi) kayıt etmişlerdir. Ön işleme bu çalışmada üç aşamadan oluşmuştur: gürültüyü kaldırmak (bu da üç adımdan oluşmuş:
ayrıştırma, ayrıntılı katsayıların eşik değerini bulma ve yeniden yapma), normalleştirmek ve bölmek. Özellik için bu çalışmada kalp seslerinden alınan enerji ve güç spektrum özelliklerinin diyagramı dalga + çerçeveleme + genlik spektrumunun logaritmasını alma + mel ölçeği ve düzleştirmek + ayrık kosinüs dönüşümünden oluşmaktadır. Öklid mesafesi kullanılarak test ve eğitim örnekleri karşılaştırılmıştır [16].
Abo-Zahhand, Ahmet ve Abbas, çalıştıkları bu çalışmada HSCT-11 veri tabanını kullanmışlardır. Bu veri tabanı 206 kişiden (157 erkek ve 49 kadından) oluşmuştur. Kayıtta kullandıkları algılayıcı bir ThinkLabs Rhythm dijital stetoskoptur. Dolayısıyla 11025 Hz ve örnek başına 16 bitlik bir örnekleme frekansı kullanarak elde edilmiştir ve Wav biçiminde saklanmıştır. Sinyal üzerinde önişleme yaptıktan sonra, özellikleri çıkarmak için WPCC yöntemini kullanmışlardır (WPCC yöntemi: çerçeveleme – pencereleme – WPD – enerji seçme – logaritma – DCT ve sonuç olarak özellikleri elde etmek). Araştırmacılar özellikleri DTW sınıflandırma ile karşılaştırarak sonuçları elde etmişlerdir [17].
Hadri Hussain 2016’da HSCT-11 veri tabanı üzerinde çalışmışlardır. Onlar ön işlem olarak temel hareket kayması, güç hattı gürültüsü, yüksek frekanslı paraziti ve sinyali alırken
insan hatasını veya stetoskopun hareketi nedeniyle oluşan gürültüyü engellemek için kullanmaktadırlar. Sonra özellik çıkarma için MFCC kullanarak ilk 12 katsayıyı elde etmişlerdir. HMM (Hidden Markov Model) sınıflandırma yöntemini de test ve eğitim verileri üzerinde uygulayarak sonuçlara ulaşmışlardır [18].
Rashmi, Meghashree, Meghashree, Lakshmi, Redd ve Pooja,, 2016’da kimlik doğrulama için 60 tane kalp sesi (30 tane eğitim için ve 30 tane test için) kullanmışlardır. Kalp seslerinin sinyalleri 44100 Hz’de örneklenmiştir. Her kalp sesinin uzunluğu 4 saniyedir.
MFCC yöntemi 1000 Hz’in altındaki düşük frekansta doğrusal aralık ve 1000 Hz’in üstündeki logaritma aralık, filtre çeşitlerine sahip oldukları için bu yöntem özellik çıkarmak için kullanmışlardır. MFCC’in blok diyagramı Pre-Emphasis (yüksek geçiren filtre) + Framing + Windowing + FFT + Mel Filter Bank + Discrete Cosine Transform şeklindedir. Bu çalışmada sınıflandırma işlemi olarak SVM kullanılmıştır [19].
Bassiouni, Khalefa, El-Dahshan, ve Salem, 2016’da HSCT-11 veri tabanında çalışmışlardır. Sinyalde bulunan ana ortak gürültü, beyaz gauss gürültüsüdür; bu da bir implus Otokorelasyon fonksiyonuna ve düz bir güce sahip tamamen rastgele ses spektrumudur (beyaz gürültü teorik olarak tüm frekansları eşit güçte içermektedir). Bunun için çalışmacılar sinyale bir beyaz Gauss gürültüsü ekledikten sonra dalgacık dönüşümüyle filtrelemeye çalışmışlardır. Özellik çıkarma için kullandıkları yöntem MFCC yöntemidir.
Sonra temel bileşenleri analiz etmek için özellik indirgeme işlemini PCA algoritmasıyla yapmışlardır. Sınıflandırma işlemi için yapay sinir ağı (Artificial Neural Network) kullanılmıştır [20].
Kalp sinyali normal insanların doğrulamasında ve hasta insanların tanımlamasında kullanabilmektedir. Faradisa ve arkadaşları, 2016’da PCG sinyallerini kalp hastalığını tespit etmek için kullanmışlardır. Normal kalplerde, kalp sesi S1, S2, S3 ve S4’ten oluşmaktadır, ama anormal kalplerde murmur (üfürüm) denilen bir ses de söylediğimiz seslere eklenmektedir. Murmur, kalp kapağının tam açılıp kapanmamasından veya kapak kusuru nedeniyle kanın geri akışından sebep olmaktadır. Murmur iki sınıfa ayrılmaktadır (Sistolik murmur ve diastolik murmur). Çalışmadaki veri tabanı 50 kişiden (hasta ve sağlıklı kişilerden) oluşmaktadır. Sinyaller 20 ile 40 saniye aralığındadır. Bu sinyallerden gürültüyü kaldırmak için bant geçiren filtre (0.5-100 aralığında) kullanılmaktadır. Kısa Zaman Fourier Dönüşümünü (STFT) normal ve anormal kalp seslerinin frekans ve zaman
analizinde kullanmışlardır. Bu çalışmada sınıflandırma işlemi Lavenberg Maquardt Backpropogation (LMB) yöntemi ile yapılmaktadır [21].
Bu bölümde fonokardiyogram biyometrik geçmişi üç ölçüte göre (veri tabanı, özellik çıkarma ve sınıflandırma ölçütü) kısa olarak anlatılmıştır. Şu noktaya dikkat edilmelidir, yapılan işlemlerde aynı veri tabanları ve değerlendirme standartları kullanılmaması nedeniyle, çalışmalardaki sonuçları karşılaştırmak mümkün değildir. Bu konuda literatürde başka çalışmalar da bulunmaktadır [22-29].
3. KALP SESLERİNİN ÜRETİM MEKANİZMASI
Kalp vücudun önemli organlarından biri olarak vücudun diğer bölgelerine kan, oksijen ve besin taşımasına yardım eder. İnsan kalbi 4 boşluğu (2 atrium ve 2 ventrikül) ve 4 kapağı (triküspid, mitral, pulmoner ve aort) vardır.
Kalp kapakları tek yönde kan akışına neden olur. Kalp atışı kanın pompalamasına sebep olur ve bu da kalp duvarlarında baskının artması demektir. Her atıştan sonra kalbin dinleme zamanıdır ve bu durumda duvarlara baskı azalmaktadır.
3.1. Mitral Kapağı
İki yaprakçıktan oluşan mitral kapağı sol atrium ve sol ventrikül arasındadır. Kan akciğerde oksijen ile karıştırıldığı zaman, pulmoner yardımıyla atriuma doldurulur ve sonra mitral kapak açılmasıyla sol ventriküle boşalmaktadır. Oksijen ile karışan kan vücuda dağılması için sol ventrikül kasılmaktadır. Böylece aort damarına da baskı artmaktadır. Bu anda kan sol atriuma dönmemesi için mitral kapak kapanarak aort kapağı açılmaktadır. Mitral damar daraldığında kan sol atriumdan sol ventriküle boşalmaktadır.
3.2. Aort Kapağı
Bu kapak sol ventrikül ve aort arasında yer almaktadır. Mitral kapağı kapalı olduğunda, sol ventrikül içindeki kan aort kapağını iterek açar ve kan oradan vücudun tüm parçalarına akar.
3.3. Triküspid Kapağı
Bu kapak sağ atrium ve sağ ventrikül arasındadır. Vücudun tüm parçalarından dönen kan sağ atrium içine girer ve basınçla sağ ventriküle boşalır. Sağ atriumdan sağ ventriküle kan boşaldığında kapak kapanır, kapakta sorun nedeniyle tam kapanamadığı zaman kalbin performansında sorunlar oluşabilir.
3.4. Pulmoner Kapağı
Sağ ventrikül ve pulmoner arter arasında yer almaktadır. Akciğerlere karbon dioksit içeren kan girdikten sonra arıtılır ve oksijen ile zengin olur ve sonra pulmoner içinden sol atriuma akar. Şekil 3.1’de kalp sesi üreten kapaklar gösterilmektedir.
Şekil 3.1. Kalp sesi üreten kapaklar
3.5. Kalp Atışı
Kalbin sürekli faaliyeti pompalama fonksiyonu gibi küçük birimler haline gelirken daha kolay anlaşılabilmektedir. Sağlıklı bir kalp, bir dakikada 50 ila 75 kez arasında atmaktadır.
Bu da her atışın bir saniyeden daha kısa olması anlamına gelmektedir. Kalp atışı iki aşamadan, yani Sistolik ve Diyastolik’ten oluşmaktadır.
Kalbin daralma fazına sistol ve dinlenme fazına diyastol denilmektedir. Sistol aslında kalbin ard arda gelen iki pompalama fonksiyonu şeklinde yani atrium sistol ve ventrikül sistolden oluşmaktadır. Stetoskop’la dinlenen LOP-DAP sesi, aslında bir kalp atışı sırasında kapakların kapanma sesidir. Birinci ses LOP mitral ve triküspid kapağı kapanmasından oluşur. İkinci ses DAP Kalbin aort ve pulmoner kapağı kapanışından oluşur. Kalbin dinlenme evrimi diastolik, daha uzun olarak iki sağ ve sol atriuma kan toplanma zamanında gerçekleşir. Oksijence zengin kan akciğerlerden sol atriuma ve oksijenden tükenmiş kan vücudun diğer bölgelerinden sağ atriuma girer. Sistolün başlangıç zamanında, bir elektriksel stimülasyon nedeniyle atriumlar daralır ve dolayısıyla onlardan
kan süzülür. Önce mitral ve triküspid kapaklar açılır ve kanın ventriküller içine geçmesine izin verilir. Ventriküller kan ile dolduğu zaman elektriksel stimülasyon, ventriküllerin üst kısmına taşınır ve üçüncü ve son aşama yani ventrikül sistoliğe sebep olur. Kalbin dört kapağı da bu aşamada söz konusudur. Triküspid ve mitral kapakları kan akışını ventriküllerden atriumlara akışını önlemek için kapanır ve kalpten kan çekilmesi için akciğer ve aort kapaklar açılır. Kan akciğerlerde oksijence zengin olması için kalbin sağ kısmında, kan sağ ventrikülden pulmoner arter içine sürülür. Kalbin sol tarafında, oksijence zengin kan sol ventrikülden aorta toplanır ve kan dolaşım sitemine ve aynı zamanda kalbin koroner arterlerine girer. Ventriküller kandan boşaldığı zaman dilenirler ve aort ve akciğer kapakları kapanır. Ventriküller gevşemesinde basınç azalır ve mitral ve triküspid kapakları açılmasına izin verir, bu nedenle devir yine başlar [30].
Şekil 3.2. Sistol ve diyastol aşamaları
Sistol ve diyastol aşamaları Şekil 3.2’de gösterilmektedir. Sistol ve diyastol aşamalarında üretilen sesler sırayla S1 ve S2 ile tanımlanmaktadır. Sistol yaklaşık 0,15 ve diyastol ise yaklaşık 0,12 saniye sürer. Kalp atışı sonucunda üretilen dalga şekli Şekil 3.3’te gösterilmektedir.
Şekil 3.3. Kalp sesi sinyali
4. BİYOMETRİK TEKNOLOJİSİ
Biyometrik teknolojisi, fiziksel veya davranışsal özelliklerine göre kişileri otomatik olarak tanımlamaktadır. Bu tanımda iki kelime «otomatik» ve «kişi» vardır. Otomatik kelimesi, biyometriği insan tanımlama bilimi gibi daha büyük alandan ayırmaktadır. Kimlik doğrulama teknikleri tamamen makine tarafından genelde (ve her zaman olmasa da) bir sayısal bilgisayar ile yapılır. Otomatik tanıma teknikleri hayvanlar, meyveler ve sebzeler için de kullanılabilir, ama biyometrik kimlik doğrulamada söz konusu canlı insanlardır. Bu nedenle, bu alana «insan vücuduna bağlı kimlik doğrulama» demek daha doğru olacaktır.
İkinci anahtar kelime kişidir. İstatistiksel teknikler, genellikle parmak izi gibi özelliği kullanan teknikler, farklı insan gruplarını birbirinden ayırma veya bağlama için veya büyük ihtimalle bir kişiyi bir gruba bağlama için kullanılabilir ama biyometrik sadece bireysel insanların tanımı için kullanılmaktadır. Fizyolojik ve davranışsal bileşenler gibi kullanılan tüm ölçekler geniş ölçüde değişebilir ya da geniş bir aralık içinde aynı olabilirler. Bazı ölçekler davranıştan ve bazıları fizyolojikten etkilenmesine rağmen, her hangi bir teknoloji net olarak onların birisine bağlı değildir. Davranışsal bileşenler, biyometrik kimlik doğrulamada tüm insan faktörlerinin biyometrik ölçeklerini güzelce göstermektedir. Pratik olarak, «biyometrik kimlik doğrulama» kelimesi sadece
«biyometrik» kelimesi şekline kısaltılmaktadır. Ancak eskiden, biyometrik kelimesi genellikle istatistiksel ve niceliksel analiz açıdan verilerle ilgilenen biyolojik dalı olarak kullanılmaktadır. Buna rağmen bu çalışmada biyometrik demenin amacı, bireyler arasındaki tüm benzerlik ve farklıklara göre, bilgisayar kullanarak kişileri doğrulamaktır.
Son olarak biyometrik kimlik doğrulama sisteminin performansı ve herhangi özel bir iş için uygun olması, otomatik mekanizma ile bireylerin etkileşimine bağlıdır [31].
4.1. Biyometriğin Tarihçesine Genel Bir Bakış
İnsan davranışı, alışkanlığı ve fiziksel özelliklerinin niceliksel ölçümü literatürde, Alphonse BERTİLLON ölçüm sistemiyle 1870’lerde başlamıştır. ABD’de Bertillon sistemi mahkûmları tanımlamak için onların kafatası çapı, kol ve bacak uzunluğunu ölçmek ile 1920’ye kadar kullanılmıştır. Henry FAULDS, William HERCHEL ve Sir Francis GALTAN 1880 yıllında parmak izi ve yüz ölçümü ile niceliksel tanımlamayı
önermişlerdir. Sayısal sinyal işleme teknikleri otomatik tanımlama alanında 1960 yılında hızlı gelişmiştir. Ses ve parmak izi tanıma sistemleri de bu alana ilk katılanlardandırlar.
1960’ların başında bu teknolojinin uygulama potansiyeli yüksek güvenli erişim, kişisel anahtar ve finans işlemeleri için uygun görülmüştür. 70’ler el geometri sistemlerinin gelişme, kullanma ve büyük çapta deneme ve ayrıca devlet tarafından otomatik tanıma sistemlerinin kullanma zamanıdır. 80’li yıllarda imza doğrulama sistemleri ve ardından yüz tanıma sistemleri geliştirildi ve iris tanıma sistemleri de 90’lı yıllarda geliştirildi [32].
4.2. En İyi Biyometrik Özelikler
Günümüzde parmak izi, ses, iris, retina, el, yüz, el yazısı ve parmak şekli gibi fizyolojik ve davranışsal özellikler otomatik tanımlama için kullanılmaktadır. Ama bu hikâyenin sadece bir parçasıdır. Çünkü günümüzde yeni ölçümler (örneğin yürüyüş, kulak şekli, cildin optik yansıması, vücut kokusu gibi) geliştirilmektedir. Özelliklerin geniş alanda kullanılması için, bu teknolojileri görüntüleme ihtiyacı artmaktadır. Bu sistemler ses gibi tek boyutlu sinyal veya birkaç tek boyutlu sinyaller (el yazısı), iki boyutlu görüntüler (parmak izi), bazı iki boyutlu ölçüler (el geometrisi), iki boyutlu görüntüden zaman seti (yüz ve iris) veya üç boyutlu görüntü (yüz tanıma sistemi) olarak ölçebilirler. Ama asıl soru şu olabilir, en uygun biyometrik özellikler hangileridir?
İdeal biyometrik özelliğin beş kalitesi vardır;
Dayanıklılık, zamanla değişmemesi anlamına gelmektedir.
Ayırt edicilik, kişiler arasındaki birçok değişikliği göstermektedir.
Kullanılabilirlik, ideal olarak bütün kişilerde bir ölçeğin olması anlamına gelmektedir.
Erişilebilirlik, elektronik sensörler kullanarak kolay görüntüleme anlamına gelmektir.
Kabul edilebilirlik, kişilerin bu ölçümlere karşı koymama anlamına gelmektedir.
Günümüzde bu beş kalitenin niceliksel ölçümü belirlenmiştir;
Dayanıklılık, uyumsuzluk oranı ile ölçülmektedir ama kaydedilen görüntüler ile örnekler arasında uyumsuzluk olasılığı da vardır.
Ayırt edicilik, uyumluluk oranının hatası ile ölçülmektedir ve başka bir kullanıcının
kaydedilmiş görüntüleriyle örnekler arasında uyumluluk olasılığı da vardır.
Kullanılabilirlik, başarısızlık/kayıt oranı ile ölçülmektedir, kayıt tipine göre kullanıcının bilgileri okunmayan bir şekilde olma ihtimali vardır.
Erişilebilirlik, niceliksel sistemin çıkış oranı ile ölçülmektedir, bu da aynı zamanda kayıt işlemi yapan kişilerin sayısı anlamına gelmektedir. Bu zaman birimi bir saat ya da bir dakika olabilir.
Kabul edilebilirlik sistem, kullanıcıların oyuyla ölçülmektedir.
Kalite boyutlarını tanımlayarak, kullanıcıların özelliklerini belirleyen testlerin uygulaması daha kolay bir hale getirilebilir. Bu nedenle her birinin önem değerini ağırlıklandırması ile en iyi biyometrik özelliği elde edilir. Ne yazık ki, tüm biyometrik özelliklerinde istenilen kaliteler kullanıcı özelliklerine, nüfus (fizyoloji ve davranış) ve donanım veya yazılım sistemine bağlıdır. Sonuç olarak, her hangi biyometrik özelliğin tüm uygulamalar, nüfuslar, teknoloji ve politika için uygun olması mümkün değildir. Şimdiye kadar, bazı özel uygulamalarda bazı biyometrik özellikleri diğer özelliklere göre daha iyi olması kabul edilmiştir ve sistem operatörleri en iyi ve en belirgin biyometrik özellikleri kullanarak tamamen işlevsel kimlik doğrulamaya çalışmışlardır [32].
4.3. Bir Biyometrik Sistem Uygulaması
Diğer teknolojiler gibi biyometrik uygulamaların pratik amaçları çeşitli olmaktadır. Bazı sistemler tanınmış ve bazıları da tanımsız kişileri aramaktadırlar; ayrıca bazıları iddia edilen kimlikleri dikkate alırlar ve kimi de her hangi bir kişinin sistemde kayıt olasılığını incelerler. Bazı sistemler bir veya birkaç kayıtın milyonlarca kayıttan oluşan veri tabanı içinde araştırırlar. Sistemlerin bir kısmı, kaydedilmiş örnekler ile kimlikleri tanınan ve tanınmayan desenlerle karşılaştırırlar. Birkaç sistem de bir veya fazla deseni sadece bir desen veya model ile incelerler. Buna ek olarak, uygulama ortamlarına göre biyometrik uygulamalar fazlasıyla değişebilir. Ortam dış veya iç, denetimli veya denetimsiz ya da eğitimli veya eğitimsiz kişilerden oluşarak, kullanılan araçlar ve sistemlere göre değişebilir. Bizim tüm teknolojileri anlamak için sistematik yönteme ihtiyacımız vardır.
İleride tüm kategoriler (uygulamalı ve çevresel) birer birer incelenecektir.
4.3.1. Uygulamaya göre sınıflandırma
Bir kişiden kaydedilmiş örnekler sistem tarafından tanınmaktadır.
Bir kişiden kaydedilmiş örnekler sistem tarafından tanınmamaktadır.
İlk hipotez testi için uygulamalar, pozitif tanımlama sistemleridir (doğru iddia edilen bir kaydı onaylama). Ancak, ikinci hipotezi inceleyen uygulamalar, negatif tanımlama sistemleridir (doğru iddia edilen bir kaydı onaylamama). Tüm biyometrik sistemleri birinci veya ikinci tiptendir. Bu farklı sistemler arasındaki en önemli ayrımdır.
Bu «pozitif» ve «negatif» tanımlama birbiriyle aynıdırlar, pozitif tanımlama sistemi genelde bir kimlikle birkaç kullanıcı tanımlamayı engellemek için kullanılmaktadır, ancak negatif tanımlama sistemi bir kullanıcı birden fazla kimlik kullanmasını engellemektedir.
Pozitif tanımlama sistemlerinde, depolanmış desen veya kayıt modeli odaklı veya odaklı olmayan şeklinde olabilir. Mesela manyetik bant veya optik disk veya akıllı kart üzerine yerleştirme gibi. Ama negatif tanımlama sistemleri odaklı depolamaya ihtiyacı vardır.
Pozitif tanımlama sistemleri, kayıt örnekler ve kayıt desenler arasında hiçbir benzerlik bulamaz ise, tanımlama için kullanıcı talebini reddedecektir. Negatif tanımlama sistemleri benzerlik bulursa, kullanıcı talebini reddetmektedir. Sistem tipine bağımsız olarak, yanlış reddetme, kullanıcıları rahatsız edebilir ve yanlış kabul etme, dolandırıcılığa sebep olur.
Pozitif tanımlama sisteminde biyometrik kullanması gönüllü olabilir, çünkü kimlik doğrulama talebi için başka yöntemler de vardır. Biyometrik yöntemleri kullanmayanlar kendi kimliklerini başka yöntemlerle doğrulayabilirler (Örneğin, bir pasaport veya ehliyet göstermek ile). Ama negatif tanımlama sisteminde biyometrik sistemi kullanımı tüm kullanıcılar için zorunlu olmalıdır, çünkü bilinmeyen kimliğin doğrulaması için başka bir yol yoktur. Pozitif tanımlama sisteminin kişiler tarafından aldatılması için sistemde kendilerinden eşleşen bir desen oluşturmaları gerekmektedir ve negatif tanımlama sistemini aldatan kişiler sistemde önceki kayıt desenleriyle farklı örnekler oluşturmak zorundadırlar. Genel olarak bazı sistemlerde giriş örnek saklanan bir desenle karşılaştırarak bir «onay» yaparlar (bire bir uygulama) ve bazı diğer sistemlerde bir giriş örnek birkaç saklanan desenle karşılaştırarak bir «tanıma» oluştururlar (bire çok uygulama). Çizelge 4.1’de kısa olarak pozitif ve negatif sistemlerin farklıkları önerilmiştir.
Çizelge 4.1. «Pozitif» ve «negatif» sistemlerin tanımlama yöntemleri
4.3.2. Çevre uygulamalara göre sınıflandırma
1990’ların başında, biyometrik cihazların kullanım deneyimi ile birlikte, çevre uygulamada değişim, araç performansı üzerine önemli bir etkisini göstermiştir. Aslında, çerçeve uygulama özellikleri en iyi biyometrik teknoloji seçimi için ve sistemin uygulama özelliklerinin tahmininde gerekmektedir. Teklif edilen uygulama ortamı için aşağıdaki yöntem, “pozitif” ve “negatif” kullanımı ötesinde, uygulamaları altı gruba ayırarak farklılaştırmaya çalışmaktadır.
Gizliye karşı açık
Birinci bölüm, “açık/gizli” olmaktadır. Kullanıcı, biyometrik tanımlayıcı tarafından ölçümün farkında ise, kullanım açık ve farkında değilse, kullanım gizlidir.
Pozitif Negatif
Benim sistem tarafından tanımlanan bir kişi olduğumu kanitlamak için
Benim bir sistem tarafından tanınmayan bir kişi olduğumu kanıtlamak için
Bir kimliği birçok kişi tarafından kullanımını yasaklamak için
Birçok kimlik bir kişi tarafından kullanmasını yasaklamak için
Sistemde iddia edilen bir örneği sistemdeki kayıt olan örnek ile karşılaştırmak (bire bir). Bir çok sistem böyle çalışmaktadır
Sistemde iddia edilen bir örnek tüm kayıtlı örnekler ile karşılaştırmak(bire kaç) Bir «yanlış eşleştirme» bir «yanlış kabul etmeye»
sebep olabilmektedir
Bir «yanlış eşleştirme» veya bir «alma hatası» bir
«yanlış reddetmemeye» sebep olmaktadır Bir «yanlış eşleştirmeme» veya bir «alma hatası»
bir «yanlış reddetmeye» sebep olmaktadır
Bir «yanlış eşleştirmeme» bir «yanlış kabul etmeye» sebep olmaktadır
Alternatif bir tanıma yöntemi vardır Alternatif bir tanıma yöntemi yoktur
Gönüllü olabilir Tüm kişiler için zorunlu olmalıdır
Sistem başka bir kişinin biyometrik özellikleri tarafından aldatılmaktadır
Sistem başka bir kişinin biyometrik özelliklerine ihtiyaç olmadan veya özellikler değişirken aldatılmaktadır
Yabancıya karşı tanıdık
İkinci bölüm “tanıdık/yabancı”, bu sistem gönüllü kullanıcılar tarafından kullanılmaktadır.
Sisteme günlük olarak bir biyometrik özelliği sunan kullanıcılar, kısa bir süreden sonra sisteme tanıdık olabilirler. Sistem tarafından biyometrik özellikleri alınmayan kişiler sistem bakışından yabancı olabilirler.
Gözetimsize karşı gözetimli
Üçüncü bölüm “gözetimli/gözetimsiz” olmaktadır ve bu anlam gelir, acaba uygulama sırasında biyometrik araçların kullanımı, sistem yönetimi tarafından görünmekte veya yönlenmektedir yoksa “hayır”? Genellikle gözetimsiz sistemlerde performans izlenmesi gerekmektedir, ama gözetimli sistemler izlenmeye serbest olmaktadırlar. Neredeyse tüm sistemlerde, uygulama süreçlerini izlerler, ancak bu izleme bazı sistemlerde olmamaktadır.
Standart olmayan ortama karşı standart ortam
Dördüncü ortam “standart/standart olmayan” ortamdır. Standart bir ortamda uygulama içsel olarak standart sıcaklığında(20° C'de), bir atmosfer basıncında ve diğer ortam koşullarda özellikle kontrollü ışık koşullarında yapılmaktadır. Dış sistemler ve bazı sıradışı iç sistemler “standart olmayan ortam” sistemleri olarak kabul edilmektedir.
Özele karşı genel
Beşinci bölüm “özel/genel” olmaktadır. Acaba sistem kullanıcıları, sistem yönetiminin müşterileri midirler (genel) yoksa çalışanları mıdırlar(özel)? Açıkça, araçların kullanım yöntemi -direkt performansı etkileyerek- son kullanıcılar ve sistem yönetimi arasındaki ilişki bağlı olarak değişmektedir.
Kapalıya karşı açık
Altıncı bölüm “açık/kapalı” olmaktadır. Acaba sistem şimdi ya da gelecekte diğer yöntemlerle çalışan biyometrik sistemler ile veri alışverişine ihtiyacı var mıdır? Örneğin, Amerika Birleşik Devletleri’nde bazı sosyal hizmet kurumları, diğer devletlerle biyometrik
veri alışverişine gönüllüler, bu açık bir sistemde oluşursa, veri toplama, yoğunluk ve uluslararası standartlar özellikleri gerekecektir. Ama kapalı bir sistem, tamamen özel avantajlar üzerinde çalışabilir.
4.4. Biyometrik Sisteminin Genel Modeli
Biyometrik sistemler çok farklı teknolojilere dayanmasına rağmen, genel olarak bu konuda tartışabiliriz. Genel bir biyometrik belirleyen sistem beş alt sisteme bölünmektedir [33];
1. Bilgi toplama 2. Gönderme 3. Sinyal işleme 4. Karar verme 5. Veri toplama
4.5. İnsanlarda Farklı Biyometrik
Biyometrik özellikleri temelde iki kategoriye ayırılır: Fizyolojik ve Davranışsal özellikler.
Fizyolojik özellikler, vücudun yapısı ve şekline bağlıdır. Bunlardan en eskisi parmak izi 100 yıllardan önce kullanılmaya başlamıştır. Yüz, damar yapısı, el yapısı, parmaklar ve iris taraması günümüzde kullanılan yeni yöntemlerdir.
Davranışsal özellikler, adından da anlaşılacağı gibi bazı insan davranışlarını dikkate almaktadır. Bu tip özeliklerden yaygın olarak bu güne kader hep kullanılan özellik parmak izidir. Tabi ki günümüzde el yazısı incelemesi ve ritim (klavyeye dokunma, insan sesi) gibi yeni yöntemlerde kullanılmaktadır.
4.5.1. Parmak izi
En eski ve en kapsamlı yöntemlerden birisi olarak parmak üzerindeki olukları, örneğin:
kenar sayısı, tasarım türü, kenarlar arasındaki mesafe, merkez noktası ve gözenekler gibi özellikleri ölçmektedirler. Örnekler düz yataklı tarayıcı, örnekler etrafını tarayan tarayıcı (10 görüntü kullanarak) veya bir anda 4 parmak görüntüsü veren tarayıcılarla toplanmaktadırlar [34].
Şekil 4.1. Kişisel bilgileri içeren bir parmak izi örneği
4.5.2. Yüz özelikleri
Bu yöntemde, yüz geometrisi veya başka bir değişle bileşenler (burun ve ağız vs.) arasındaki mesafe veya bazı durumlarda yüz cildindeki doku incelenmektedir. Bu yöntemde örnekler kızılötesi termal radyasyonlu bir sabit kamera ile toplanmaktadır ve yerel özelliklerin analiz algoritmaları da sinir ağları ve yüzey dokusu analizi için kullanılmaktadır [35].
Şekil 4.2. Kimlik doğrulama için yüzde kullanılan noktalar
4.5.3. İris tanıma
Bu yöntemde, gözün renkli kısmının rastgele dokusu özellikleri ölçülmektedir. Bu benzersiz özellikler 266’ya kadar belirlenebilir. Numune alınması için yakın mesafede kızılötesi radyasyon kullanılmaktadır. Bu yöntemin sorunu, katarakt gibi göz hastalıklarından etkilenmesidir [36].
Şekil 4.3. İris tanıma sistemi
4.5.4. El Geometrisi
Bu yöntemde, parmak şekli ve uzunluğu gibi boyutlar ölçülür. Geniş olarak bu yöntem savunma bakanlığında, nükleer tesisatlarında ve ABD havalimanları gibi yerlerde fiziksel erişim kontrolü için kullanılmaktadır. Bu yöntemin hata oranı çok düşüktür [37].
Şekil 4.4. El geometrisi
4.5.5. Konuşma incelemesi
Bu yöntemde, her kişinin sesinin adımı, piki, tonu ve ezgisi alınarak önceden kayıt olmuş seslerin bu özellikleri ile karşılaştırılmaktadır. Ses telleri, burun boşluğu, ağız şekli ve uzunluğu sesleri birbirinden ayırmaktadır. Bu yöntem hem davranışsal hem de fizyolojik olarak hastalık ve stres gibi faktörlerden etkilenmektedir [38].
Şekil 4.5. Konuşmacı tanıma sisteminde insan sesini temsil etmek için kullanılan spektrogram gösterisi
4.5.6. İmza incelemesi
Bu yöntemde her kişinin basınç, hız, şekil, kalem açısı ve çizim dizisi gibi el imza özellikleri ölçülmektedir. Günümüzde bu yöntem çoğunlukla alışveriş merkezlerinde imza tableti ve özel kalem gibi malzemeler ile yapılmaktadır. Stres, baş dönmesi, oturma veya ayakta olma gibi davranışsal faktörler bu yöntemi etkilemektedir [39]. Bu yöntem bir davranışsal faktörüdür ve ayrıca Typing Model’i olarak da bilinir. Bir kişinin klavye ile etkileşimi, tuşlama süresi, tuşlama basıncı vs. gibi tedbirleri ölçmektedir.
Şekil 4.6. Bir imzada bulunan bazı dinamik özellikler
4.5.7. Retina taraması
Bu yöntemde, göz bebeğine ışık tutarak retina haritası ve kan damarları ölçülmektedirler.
Bu yöntem iris tarama yönteminden de zordur ve genellikle yüksek uygulamalar için kullanılmaktadır [40].
Şekil 4.7. Retina üzerinde kan damarları
4.5.8. DNA
Bu yöntemde, her bir kişinin sabit DNA dizisi özellikleri (kişi başına 6 milyar) kimlik doğrulama için kullanılmaktadır ve son derece hassas bir yöntemdir. Her kimlik doğrulama için örnekleme gerektiğinde ve uzun inceleme süresine (10 saatten fazla) rağmen, bu yöntemin kullanması çok zor ve hassas durumlarla sınırlıdır [41].
Şekil 4.8. DNA’nın çift sarmalı yapısı
4.5.9.Avuç içi geometrisi
Bu yöntem parmak izi yöntemine benzer ama daha büyük ölçekte yapılmaktadır ve bu nedenle kimlik doğrulama için ondan daha fazla özellik çıkarabilirler. Bu yöntemde olukların durumu, avuç içi çizgilerin durumu, delta alanı ve ayrıca cilt dokusu gibi özellikler ölçülmektedir [42].
Şekil 4.9. Avuç içi çizgileri
4.5.10. El Damarlarının haritası
Bilek ve el üstü damarların haritası insanlarda farklı olduğundan dolayı, bu yöntem kimlik doğrulama için kullanılmaktadır. Bu yöntemde damar görüntülemesi için kızılötesi radyasyon kullanılmaktadır. Bu yöntem, araştırma aşamasındadır [43].
Şekil 4.10. El damar görüntüsü
4.5.11. Yürüme şekli
Bu yöntem, davranışsal biyometrik bir yöntem olarak kolların sallanma miktarı, yürüyüş ritmi, yaylı ve kararlı yürüyüş modu miktarı, adım uzunluğu, baş ve ayak arasındaki mesafe, baş ve pelvis arasındaki mesafe vs. gibi özellikler ölçmektedir [44].
Şekil 4.11. Yürüyüş döngüsünün süresi her ayak için siyah alanlarla işaretlenmiştir
4.5.12. Kulak şekli
Kulak şekli ve boyutu, yüz aksine göre farklı yaşlarda ve farklı ruh ve psikoloji baskılarda değişmez ve neredeyse sabit kalmaktadır. Bu nedenle, yeni bir yaklaşım olarak kabul edilmektedir [45].
Şekil 4.12. Kulağın dışındaki anatomik özellik gösterilmektedir
4.5.13. Vücut kokusu
Bu biyometrik yöntemi her insanın kendine ait bir kokuya sahip olması gerçeğine dayanmaktadır. Bu koku vücut tarafından yayımlanan kimyasal bileşimine bağlıdır. Bu bileşikler sensörler tarafından toplanarak saklanmaktadır. Bu yöntem araştırma aşamasında olarak kendine ait avantajları ve dezavantajları vardır. Yöntemin dezavantajı vücudu farklı durumlarda ve etkinlerde farklı kokular yaymasıdır [46].
Şekil 4.13. Vücut kokusu biyometriği ile bir kimlik doğrulama sistemi
4.5.14. Tırnak yapısı
Bu yöntemde, tırnak lazer ile yazılarak ultraviyole ışık yayıldığında bir mikroskop aracıyla okunmaktadır. Bu yöntem, kimlik doğrulama için yeni yöntem olarak önerilmiştir [47].
4.5.15. Gülümseme tanıma
Bu yöntemde yüz kasların deformasyonu, gülümseme öncesi ve sonrası ölçülmektedir. Bu yöntem, makyaj veya gülümseme boyutuyla etkilenmez ve hatta yüzün değişmemesine çalışan bir kişide de kas kasılmaları ölçülebilir [6].
