Development of an Efficient ECG and PPG Signal Processing-based Spoof Detection System using Convolutional Neural Networks
Notice bibliographique
Résumé
Biometric authentication systems have a large range of applications in the real-life situations. These systems receive various types of signals from the biometric sensors and process them efficiently in order to determine their authenticity. However, these systems are often vulnerable to the biometric spoof signals that are synthetically generated. In view of this, the design of the efficient spoof detection methods for the biometric authentication systems is of paramount importance. There exist various biological signal processing-based biometric authentication systems that use the combination of electrocardiogram (ECG) and photoplethysmogram (PPG) signals for performing their operations. In this paper, we propose a novel spoof detection method for the ECG and PPG signal processing-based biometric authentication systems that is able to reliably detect the spoof signals from the authentic ones. Specifically, the proposed method utilizes two stages, which the first stage involves in obtaining the authenticity status of the ECG and PPG signals separately using the convolutional neural networks and the Bayes classifier. In the second stage of the proposed scheme, the spectro-temporal features of the ECG and PPG signals are extracted in order to further enhance the performance of the task of spoof detection. It is shown that our spoof detection system is able to provide a high performance on the benchmark dataset of the biometric applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».