Desarrollo de métodos no fiduciales para sistemas biométricos basados en ECG

En muchas aplicaciones o servicios de control de acceso es necesaria la identificación o autenticación del usuario. Sin embargo, estos todavía confían en métodos tradicionales basados en contraseñas, tarjetas de crédito, firmas, etc que son vulnerables al robo de identidad. La biometría ofrece una solución en el campo de la identificación humana ya que no se basa en los métodos típicos mencionados que usan características extrínsecas de las personas. Actualmente, se están investigando y usando características fisiológicas y de comportamiento, por ejemplo: la huella dactilar, el iris, la voz, el rostro... Pero, en la mayoría de los casos estos rasgos carecen de fortaleza contra la falsificación, por ejemplo: el rostro puede ser falsificado artificialmente, la voz puede ser grabada y el iris se puede falsificar utilizando lentes de contacto con rasgos impresos. En los últimos años, las investigaciones han sugerido que el electrocardiograma (ECG) posee importantes características para el reconocimiento de identidad. Las señales de ECG reflejan la actividad eléctrica del corazón y, a la vez, actúan como un indicador de vida. Además, estas señales muestran variaciones significativas entre las personas debido a que existen diferencias fisiológicas y geometrías del corazón. El presente proyecto fin de grado propone el desarrollo de varios métodos robustos para el reconocimiento biométrico basado en ECG donde se prescinde completamente de la localización de marcadores o puntos fiduciales en la forma de onda de la señal. La señal de ECG refleja la actividad eléctrica del latido cardíaco a lo largo del tiempo, su espectro se concentra en el intervalo de 10 a 40 Hz y sus características son únicas para cada individuo. Los métodos que se van a proponer se van a aprovechar de estas diferencias para llevar a cabo el proceso de identificación o autenticación. Durante muchos años, la distancia temporal entre puntos fiduciales se ha utilizado para el propósito de reconocimiento de identidad, sin embargo, el riesgo de acertar en la localización exacta de estos puntos es bastante pequeño ya que no existen unas reglas definidas que dicten dónde se encuentran. Es aquí donde la autocorrelación (AC), que ya ha sido estudiada antes para este propósito, aparece como una buena alternativa a los puntos fiduciales. La motivación por la cual se usa la AC es que esta operación matemática refleja las características más representativas y discriminantes de cada sujeto que aparecen en las señales de ECG. La AC se aplica sobre segmentos de más de un latido de duración de las señales grabadas. Sin embargo, el resultado que produce esta operación es considerablemente alto por lo que los algoritmos como el Linear Discriminant Analysis (LDA), Discrete Cosine Transform (DCT) o Principal Component Analysis (PCA) junto con LDA, al que llamaremos PCA-LDA en adelante, se utilizan para el proceso de reducción de dimensionalidad de los datos. LDA es una técnica muy usada en problemas de reducción de dimensionalidad en el bloque de preprocesado, en aplicaciones de machine learning y clasificación de patrones. Por otro lado, DCT tiene una propiedad de compactación de la energía bastante potente lo que convierte este algoritmo en apropiado para la necesidad de reducción de dimensionalidad. Y finalmente, PCA-DA resuelve el problema de LDA denominado Small Sample Size (SSS) cuando el número de sujetos a identificar se incrementa. La autocorrelación junto con estos tres métodos de reducción de dimensionalidad recibe el nombre de AC/DCT, AC/LDA y AC/PCA-LDA. Tras el proceso de simulación de los algoritmos que se han mencionado, se llega a la conclusión de que solo AC/DCT y AC/PCA-LDA prometen altos rendimientos para posibles bases de datos con un mayor número de sujetos. Esto abre la posibilidad a que futuros estudiantes puedan desarrollar sistemas en tiempo real con un mayor número de sujetos que permitan usar el ECG como rasgo biométrico. Abstract: The identity of a person needs to be determined in many applications of access control. But, traditional identity verification methods based on passwords and ID cards are vulnerable to identity theft. Biometric recognition offers an indisputable solution in the human identification field because these modalities do not rely on conventional identification strategies. In fact, physiological and behavioral characteristics are being investigated for biometric use, for example: fingerprint, iris, voice, face…But those, in most cases, have a lack of robustness against falsification, for instance: face can be artificially falsified, audio records can be used for voice playback and the iris can be falsified using contact lenses with traits printed on. In recent years, researches have suggested that electrocardiogram (ECG) has potential features to be used for identity recognition. ECG signals reflect the electrical activity of the heart while acting as a life indicator. In addition, these signals exhibit significant variations among people because there are physiological and geometrical variations. This final project proposes robust methods for biometric recognition based on ECG where the need for fiducial localization is completely released. The ECG signal depicts the electrical potential of the heartbeat over time, its spectrum is concentrated in the interval of 10 Hz – 40 Hz and its geometrical and physiological features are unique for individuals. The methodology suggested takes advantage of these morphological aspects of a single heartbeat. For many years, temporal and amplitude distance between fiducial points have been used for identity recognition. However, when a method has to rely on the accuracy of a few fiducials points, the representation or choice of discriminant characteristics are risked because there is no rule for defining where they are. The autocorrelation (AC) appears as a good alternative for fiducial points, in fact, AC has been tested before for biometric recognition. The motivation behind AC is that it embeds information about representative and highly discriminative and non-random characteristics of signals recorded from different subjects. This mathematical operation is applied in each segment of the segmented signal. However, the dimensionality of autocorrelated segments are considerably high and Linear Discriminant Analysis (LDA), Discrete Cosine Transform (DCT) and a combination of Principal Component Analysis (PCA) with LDA, that we call PCA-LDA, is applied for dimensionality reduction. LDA is a very common technique for dimensionality reduction problems as a preprocessing step for machine learning and pattern classification applications. DCT has an energy compaction property which makes it appropriate for dimensionality reduction proposes and PCA-LDA solves the Small Sample Size (SSS) problem when the number of subjects for identification increases in LDA. AC in conjunction with DCT, LDA or PCA-LDA will be called AC/DCT, AC/LDA and AC/PCA-LDA respectively. After the simulation process, the conclusion extracted id that just AC/DCT and AC/PCA-LDA algorithms, achieve high scores of successes ratio when the number of subjects in the data base increases. This fact offers new opportunities for further researches in the development of real time systems based on ECG with high number of subjects