ترجمه مقاله الگوریتم طبقه بندی برای شناخت بیومتریک با استفاده از سیگنال های PPG - نشریه الزویر

ترجمه مقاله الگوریتم طبقه بندی برای شناخت بیومتریک با استفاده از سیگنال های PPG - نشریه الزویر
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
الگوریتم طبقه بندی ویژگی جدید برای شناخت بیومتریک با استفاده از سیگنال های PPG
عنوان انگلیسی
A novel feature ranking algorithm for biometric recognition with PPG signals
صفحات مقاله فارسی
29
صفحات مقاله انگلیسی
15
سال انتشار
2014
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
6609
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی پزشکی
گرایش های مرتبط با این مقاله
بیوالکتریک
مجله
کامپیوترها در زیست شناسی و پزشکی - Computers in Biology and Medicine
دانشگاه
دپارتمان برق و الکترونیک، دانشکده مهندسی، دانشگاه سقاریه
کلمات کلیدی
بیومتریک، فوتوپلتیسموگرافی (PPG)، شناسایی، طبقه‌بندی، مشتقات، استخراج ویژگی
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1- مقدمه
2- پژوهش‌های مرتبط
3- مفاهیم و روشها
1-3- مجموعه داده بیومتریک PPG
2-3- سیستم تشخیص پیشنهادی بیومتریک PPG
1-2-3- مرحله تمایز
2-2-3- مرحله استخراج ویژگی: ویژگیهای حوزه زمانی
3-2-3- مرحله رتبه بندی ویژگی : فاله براساس الگوریتم طبقه بندی شده ویژگی تحت نظارت
4-2-3- مراحل انتخاب ویژگی
5-2-3- مرحله طبقه‌بندی: فاصله براساس الگوریتم‌های طبقه‌بندی کننده
5- نتایج و پژوهش‌های آتی
نمونه چکیده متن اصلی انگلیسی
Abstract

This study is intended for describing the application of the Photoplethysmography (PPG) signal and the time domain features acquired from its first and second derivatives for biometric identification. For this purpose, a sum of 40 features has been extracted and a feature-ranking algorithm is proposed. This proposed algorithm calculates the contribution of each feature to biometric recognition and collocates the features, the contribution of which is from great to small. While identifying the contribution of the features, the Euclidean distance and absolute distance formulas are used. The efficiency of the proposed algorithms is demonstrated by the results of the k-NN (k-nearest neighbor) classifier applications of the features. During application, each 15-period-PPG signal belonging to two different durations from each of the thirty healthy subjects were used with a PPG data acquisition card. The first PPG signals recorded from the subjects were evaluated as the 1st configuration; the PPG signals recorded later at a different time as the 2nd configuration and the combination of both were evaluated as the 3rd configuration. When the results were evaluated for the k-NN classifier model created along with the proposed algorithm, an identification of 90.44% for the 1st configuration, 94.44% for the 2nd configuration, and 87.22% for the 3rd configuration has successfully been attained. The obtained results showed that both the proposed algorithm and the biometric identification model based on this developed PPG signal are very promising for contactless recognizing the people with the proposed method.

نمونه چکیده ترجمه متن فارسی
چکیده
این مطالعه به توصیف کاربرد سیگنال فوتوپلیتیسموگرافی (PPG) و ویژگی‌های غالب زمانی برگفته از مشتق‌های اول و دوم خود برای شناسایی بیومتریک می‌پردازد. برای این منظور، مجموع 40 ویژگی استخراج شده و الگوریتم طبقه‌بندی ویژگی پیشنهاد شده است. این الگوریتم پیشنهادی به محاسبه سهم هر ویژگی برای شناخت بیومتریک و مرتب‌سازی ویژگی‌ها می‌پردازد، که در آن توزیع آن زیاد به کم صورت گرفته است. در عین شناسایی توزیع ویژگی ها، فرمول‌های قدر مطلق و فاصله اقلیدسی مورد استفاده قرار گرفته است. کارآیی الگوریتم‌های پیشنهادی به واسطه نتایج برنامه‌های کاربردی طبقه‌بندی کننده k-NN (نزدیکترین همسایه k) این ویژگی‌ها نشان داده شده است. در طول این برنامه، هریک از سیگنال‌های PPG دوره 15 به دو زمان مختلف از هر سی فرد سالم تعلق داشت که از کارت‌های فراگیری داده PPG استفاده کرده بودند. این سیگنال‌های PPG از آزمودنی‌هایی گزارش شده بودند که به عنوان پیکره‌بندی 1 مورد استفاده قرار گرفته بودند: سیگنال‌های PPG گزارش شده بعدی در زمان دیگر به عنوان پیکره‌بندی دوم گزارش شده بود و ترکیبی از این دو به عنوان پیکره‌بندی سوم ارزیابی شد. این در حالی است که نتایج برای مدل طبقه‌بندی کننده k-NN ایجاد شده همراه با الگوریتم پیشنهادی ایجاد شد، یعنی شناسایی 90.44 درصد برای پیکره‌بندی اول، 94.44 درصد برای پیکره‌بندی دوم و 87.22 درصد برای پیکره‌بندی سوم با موفقیت حاصل شد. نتایج حاصل نشان داد که این دو الگوریتم پیشنهادی و مدل‌های شناسایی بیومتریک مبتنی بر سیگنال PPG ایجاد شده، همراه با روش پیشنهادی، برای شناسایی افراد فاقد ارتباط بسیار امیدوارکننده است.

بدون دیدگاه