Extreme learning machine applied to the identification of people through electrocardiogram (ECG)

This research studies the use of neural network Extreme Learning Machine (ELM) to identify individuals (biometrics) by electrocardiogram (ECG). Biometric data offer a high level of security for identifying people, and ECG is an emerging technique and increasing development. ELM was little used in pattern recognition systems that use the ECG signal. In this way, the signal processing techniques were studied: Wavelet Transform and Principal Component Analysis (PCA), with the objective of treating and reducing the dimensionality of the input data, as was as, to make a comparative study between the ELM and Multilayer Perceptron (MLP). The tests were performed with 90 people, the ECG signal used is related to the lead I containing 500 samples/s and 12- bit resolution within a nominal range of ±10 mV of variation, the number of records ranged from 2 to 20 for each people. The size of each ECG cycle to complete the process of forming the sample space defined in two ways: 167 samples containing the P+QRS waves and 280 samples containing the P+QRS+T waves, of which 10 cycles were used to had the highest level of similarity. With the Wavelet Transform, the ECG signal was decomposed into 3 levels, where for the P+QRS waves the reductions were 86, 45 and 25 samples, and for the P+QRS+T waves were 142, 73 and 39 samples. For PCA, the signal for reduced from 10 cardiac cycles to only 1. These were presented to network forming the joint training and testing. The Artificial Neural Networks ELM and MLP were used for ECG classification. The results obtained proved that the ELM may be used to identify individuals.CapesEsta pesquisa estuda a utilização da rede neural Máquina de Aprendizado Extremo (ELM) para identificação de pessoas (biometria) através do eletrocardiograma (ECG). Os dados biométricos oferecem um nível elevado de segurança para a identificação de pessoas, e o ECG é uma técnica emergente e em crescente desenvolvimento. A ELM foi pouco empregada em sistemas de reconhecimento de padrões que utilizam o sinal de ECG. Desta forma, foram estudadas as técnicas de processamento de sinal: a Transformada Wavelet e a Análise dos Componentes Principais (PCA), com o objetivo de tratar e reduzir a dimensionalidade dos dados de entrada, bem como, fazer um estudo comparativo entre a ELM e a Percepetron Múltiplas Camadas (Multilayer Perceptron – MLP). Os testes foram realizados com 90 pessoas, o sinal de ECG utilizado é referente à derivação I contendo 500 amostras/s e 12-bits de resolução dentro de uma faixa nominal de ±10mV de variação, o número de registros variou de 2 a 20 para cada pessoa. O tamanho de cada ciclo completo de ECG para o processo de formação do espaço amostral foi definido de duas formas: 167 amostras contendo as ondas P+QRS e 280 amostras contendo as ondas P+QRS+T, dos quais foram utilizados os 10 ciclos que possuíam o mais elevado nível de similaridade. Com a Transformada Wavelet, o sinal de ECG foi decomposto em 3 níveis, onde para as ondas P+QRS as reduções foram de 86, 45 e 25 amostras, e para as ondas P+QRS+T foram de 142, 73 e 39 amostras. Já para o PCA o sinal foi reduzido de 10 ciclos cardíacos para apenas 1. Estes foram apresentadas a rede formando os conjuntos de treinamento e teste. Foram utilizadas as Redes Neurais Artificiais ELM e MLP para classificação do ECG. Os resultados obtidos comprovaram que a ELM pode ser utilizada para identificação de pessoas