دانلود ترجمه مقاله شناسایی هویت با استفاده از یادگیری ماشین

1. مقدمه 2. مطالعات مربوطه 3. یادگیری ماشین 4. آماده سازی داده 5. آزمایشات و ارزیابی ها 6. نتیجه گیری و مطالعات آتی

چکیده – پایه احراز هویت بیومتریک، این است که هر کدام از خصوصیات فیزیکی و رفتاری شخص را بتوان به صورت دقیق تعریف کرد. بسیاری از تکنیک های احراز هویت، سالیان سال است که توسعه داده شده است. شناسایی هویت، از روی نحوه راه رفتن انسان، یکی از این تکنیک ها است. این مقاله، در پایگاه داده HugaDB، مورد مطالعه قرار گرفته است که در واقع خود، مربوطه به نحوه راه رفتن انسان، برای شناسایی فعالیت و تحلیل می باشد (کرشنو و کرتس-فارکاس 2017). داده فعالیت ترکیبی افراد مختلف، در پایگاه داده HugaDBجمع آوری شده اند (کرشنو و کرتس-فارکاس 2017). این فعالیت ها؛ راه رفتن، دویدن، نشستن و ایستادن است (کرشنو و کرتس-فارکاس 2017). داد های مدنظر، با دستگاه هایی همانند شتاب سنج و ژیروسکوپ، جمع آوری شده اند (کرشنو و کرتس-فارکاس 2017). تنها مجموعه داده راه رفتن، در HugaDB، از روش مبتنی بر شبکه عصبی مصنوعی، برای تحلیل نحوه راه رفتن بیدرنگ با حداقل تعداد واحدهای اندازه گیری لختی، استفاده نموده است (سان و همکاران 2018). در این مقاله، هر شخص به عنوان طبقه ای متفاوت در نظر گرفته می شود زیرا داده های راه رفتن چندین کاربر، در پایگاه داده وجود داشته و برخی از الگوریتم های یادگیری ماشین، برای داده های راه رفتن، دویدن، ایستادن و نشستن اعمال شده است. بهترین الگوریتم ها از الگوریتم های اعمال شده در داده HugaDB انتخاب شده و نتایج، به اشتراک گذاشته می شوند. مقدمه: شناسایی، یکی از مهم ترین جنبه های امنیت است. اطلاعات بیومتریک، یکی از تکنیک هایی است که می توان از آن برای شناسایی شخص استفاده کرد. برای مثال، شناسایی اثرانگشت، برای شناسایی هویت اشخاص مورد استفاده قرار می گیرد. علاوه بر شناسایی اثر انگشت، اطلاعات بیومتریک را می توان با گوش، رگ، پلاک وسیله نقلیه، شبکیه چشم و شناسایی هویت از طریق نحوه راه رفتن، چند برابر کرد. شناسایی هویت از روی نحوه راه رفتن، که در واقع شناسایی حرکات بدن شخص است، تکنیکی با ماهیت بیومتریک می باشد. در تحلیل نحوه راه رفتن، حرکات شخص، روش راه رفتن شخصی او را توصیف کرده و این یعنی این که می توان از این داده ها برای شناسایی یک شخص استفاده کرد. شناسایی هویت از روی نحوه راه رفتن، یک تکنیک بیومتریک است که برای شناسایی مشخصات رفتاری و بیولوژیکی استفاده می شود. روش های فناوری شناسایی هویت، از روی نحوه راه رفتن، به دو بخش تقسیم می شود: مورد اول، روشی مبتنی بر کُل نگری است و روش دوم، روشی مبتنی بر مدل می باشد. روش کُل نگری، بر استخراج ویژگی های آماری حرکت- محور، تمرکز دارد. در حالی که روش مدل-محور، قسمت های بدن را برای ایجاد یک مدل نحوه راه رفتن سه بعدی، شناسایی می کند. در این مقاله، فناوری شناسایی هویت از روی نحوه راه رفتن، به عنوان یک سیستم شناسایی ترجیح داده شده است. سیستم مدنظر، ویژگی های متمایزی دارد. پایگاه داده منبع-باز HugaDB استفاده شده که متشکل از چندین طبقه می باشد (همانند دویدن، راه رفتن، نشستن و ایستادن). داده ها، از یک شبکه حسگر بدن که متشکل از شش حسگر اینرسی قابل پوشیدن که در ران راست و چپ، ساق های پا و خود پا قرار گرفته اند، جمع آوری می شوند. علاوه برآن، دو حسگر EMG نیز در عضلات 4سر، برای اندازه گیری فعالیت عضله استفاده شده است. در انتها، 2111962 نمونه، با عملکرد 10ساعته از 18 شرکت کننده جمع آوری شد.

The basis of biometric authentication is that each person's physical and behavioral characteristics can be accurately defined. Many authentication techniques were developed for years. Human gait recognition is one of these techniques. This article was studied on HugaDB database which is a human gait data collection for analysis and activity recognition (2017, Chereshnev and Kertesz-Farkas). Combined activity data of different people were collected in HugaDB database (2017, Chereshnev and Kertesz-Farkas). The activities are walking, running, sitting and standing (2017, Chereshnev and Kertesz-Farkas). The data were collected with devices such as wearable accelerometer and gyroscope (2017, Chereshnev and Kertesz-Farkas). Only the walking dataset of the HugaDB was used artificial neural network-based method for real-time gait analysis with the minimal number of Inertial Measurement Units (2018, Sun et al). In this paper, each person is considered as a different class because there are multiple users' gait data in the database and some machine learning algorithms have been applied to walking, running, standing and sitting data. The best algorithms are chosen from the algorithms applied to the HugaDB data and the results are shared. INTRODUCTION: Identification is one of the most important aspects in security. Biometrics is one of the techniques that can be used to identify an individual. For example, fingerprint recognition is used for identifying people from each other by using their fingerprints. In addition to fingerprint recognition, biometrics can multiply with ear, vein, license plate, retina and gait recognition. Gait recognition, identifying a person’s body movement, is also a technique of biometrics. In gait analysis, a person’s movement describes personal way of walking and that means it could be used for identifying a person. Gait recognition is a biometric technique that is used for identifying biological and behavioral specification. Gait recognition technology methods divide into two; first one is holistic-based method and the second one is model-based method. Holistic-based approach relies on extracting statistical features of motion-based while model-based method identifies body parts to create a 3D gait model. In this paper, gait recognition technology was preferred as an identification system. This system is one of the distinctive attributes. Open source database HugaDB was used which consists of multi classes such as; running, walking, standing and sitting. Data were collected from a body sensor network consisting of six wearable inertial sensors located on the right and left thighs, shins and feet. In addition to that, two EMG sensors were also used on the quadriceps to measure muscle activity. At the end, 2,111,962 samples performed up to 10 hours were collected from 18 participants.