Máquinas de aprendizado extremo aplicadas à identificação de pessoas através de eletrocardiograma (ECG)

• Ano de defesa: 2016
• Autor(a) principal: Favoretto, Saulo
• Orientador(a): Okida, Sergio
• Banca de defesa: Moraes, Raimes, Linares, Kathya Silvia Collazos, Corrêa, Fernanda Cristina, Okida, Sérgio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Ponta Grossa
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Identificação biométrica; Eletrocardiografia; Engenharia elétrica; Biometric identification; Electrocardiography; Electric engineering
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/2417

Esta 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.