Parmak ucu EKG tabanlı biyometrik tanıma sistemi

Projenin başlıca amacı, 10 yıldan beri süre gelen EKG sinyali ile yapılan biyometrik sistemlerini, farklı bir ölçüm yöntemiyle gerçekleştirmektir. Şu ana kadar yapılan EKG tabanlı biyometrik sistemlerin çoğu, hastanelerde kullanılan hasta başı monitör veya yüksek hızlı veri analiz kartları yardımıyla EKG ölçümlerinin alınarak veri kümelerinin oluşturulmasına dayanmaktadır. Bu kapsamda her bir deneğin göğsüne tek kullanımlık 3 adet elektrot takılarak kanal 1 ölçüm uçlarından EKG sinyali alınmıştır. Her bir denek için kullanılan elektrotlar hem maliyeti arttırmakta, hem de zahmetli bir iş olmaktadır. Bu cihazların pahalı olmasının yanı sıra kullanılabilirlikleri de bir hayli zordur. Bu yüzden amacımız; kolaylıkla taşınabilir, kullanımı kolay, elektrot tak çıkar derdinden kurtaracak bir sistem yaparak biyometrik tanıma sistemini gerçekleştirmek istememizdir. Diğer biyometrik tanıma sistemlerinde, kalbin sağ ve sol tarafına yerleştirilen elektrotlar ve sağ bacağa takılan referans elektrodu ile alınan EKG sinyallerinden oluşan veri kümeleri kullanılmıştır. Sistemimizde ise sağ ve sol kol baş parmaklardan alınan EKG sinyallerinin diğer parmakları da referans alarak veri kümesini oluşturmaktayız. Diğer sistemlerden farklı olarak sistemimizde, EKG sinyallerinin üstüne binen EMG gürültüsü daha fazla olmaktadır. EKG ve EMG sinyallerin frekans aralıkları iç içe olduklarından dolayı birbirinden filtreler yardımıyla ayrılması bir hayli zordur. Bu nedenle farklı filtreler uygulayarak EKG sinyallerinin gürültü oranını azaltmaya yönelik yöntemler kullandık ve EKG veri tabanlarımızı geliştirdik. Otuz kişiden iki farklı haftada aldığımız EKG sinyalleriyle oluşturulan veri kümesinin ilk haftası AC/DCT ve MFCC metotlarına uygulanarak kişilik bilgileri çıkartılır ve eğitim veri seti olacak şekilde ayrılır. İkinci hafta aldığımız EKG sinyalleri ise AC/DCT ve MFCC metotlarından geçirilerek test veri seti olarak isimlendirilir. AC/DCT öznitelikleri çıkarılan kişi LDA sınıflandırıcıya sokularak bir aday belirlenir. Eş zamanlı olarak aynı kişinin MFCC öznitelikleri de LDA sınıflandırıcıya sokularak bir aday daha belirlenir. Eğer bu iki aday aynı ise, A veya B kişisi diye etiketlenir. Eğer birbirinden farklı iseler AC/DCT özniteliklerinden çıkarılan en yakın iki adayın QRS bölütleri ve MFCC özniteliklerinden çıkarılan en yakın iki adayın QRS bölütleri K-NN algoritmasına gönderilir. Bu dört adayın QRS bölütleri, bilinmeyen kişinin QRS bölütüne yakınlığına göre küçükten büyüğe sıralanır ve en yakın aday, A veya B kişisi olarak etiketler. Önerdiğimiz yöntemle ortalama bölüt tanıma oranı %96 'ya ulaşmıştır.