Reconocedor biométrico bimodal utilizando
señales PPG y ECG en el dominio temporal
implementado con un sistema embebido en
FPGA.
por
Ing. José Alfredo Jiménez Duarte
Tesis sometida como requerimiento parcial para obtener el grado de
Maestría en Ciencias en la especialidad de Electrónica
En el:
Instituto Nacional de Astrofísica, Óptica y Electrónica Agosto, 2019
Tonantzintla, Puebla
Asesor:
Dr. Juan Manuel Ramírez Cortés Co-Asesor:
Dr. Álvaro Hernández Alonso
c
INAOE 2019 Todos los derechos reservados
El autor(a) otorga al INAOE permiso para la reproducción y distribución del presente documento
Todos somos el resultado de lo que nuestros seres cercanos nos enseñan, somos el resultado de nuestro entorno. Esta tesis la dedico a todos ellos, quienes me han guiado para tomar mi lugar, en el ciclo de la vida.
Índice general
Índice de figuras vii
Índice de tablas xi
Agradecimientos xiii
Resumen xv
1. Introducción 1
2. Objetivos 5
2.1. Objetivo general . . . 5
2.2. Objetivos específicos . . . 5
3. Marco teórico 7 3.1. Reconocimiento biométrico . . . 7
3.1.1. Identificación y verificación . . . 8
3.1.2. Propiedades del reconocimiento biométrico . . . 8
3.1.3. Modalidades biométricas . . . 10
3.1.4. Proceso de reconocimiento biométrico . . . 11
3.2.1. Niveles de fusión multimodal . . . 13
3.2.2. Tipos de sistemas multimodales . . . 16
3.3. Biometría bimodal con señales PPG y ECG . . . 16
3.3.1. Captura de señales PPG y ECG . . . 17
3.3.2. Métodos de extracción de características seleccionados con base en prueba ANOVA . . . 21
3.3.3. Clasificación por DTW . . . 25
3.4. Sistema embebido con FPGA (SoC Zynq-7000) . . . 27
3.4.1. Lógica programable PL . . . 29
3.4.2. Integrador de IP en Vivado . . . 31
3.4.3. Interfaces de propósito general e IP para la extensión del PS en el PL . . . . 32
3.4.4. Bus AXI . . . 33
3.4.5. Sistema de procesamiento PS . . . 34
3.4.6. Kit de desarrollo de software de Xilinx (XSDK) . . . 37
4. Desarrollo Experimental 39 4.1. Adquisición de señales fotopletismográficas (PPG) y electrocardiográficas (ECG) . . 40
4.1.1. Sensor fotopletismográfico (PPG) . . . 41
4.1.2. Sensor electrocardiográfico (ECG) . . . 42
4.1.3. Acondicionamiento . . . 43
4.2. Conversión analógica digital . . . 45
4.2.1. Protocolo de comunicación del convertidor analógico digital Pmod AD1 . . . 47
4.2.2. Parámetros de diseño en hardware para el control del convertidor analógico digital Pmod AD1 . . . 47
4.3. Lógica programable . . . 50
4.3.2. Arquitectura del sistema . . . 57
4.4. Sistema de procesamiento . . . 58
4.4.1. Extracción de datos almacenados . . . 60
4.4.2. Algoritmos para extracción de características . . . 63
4.4.3. Algoritmo de generación para la base de datos (target) . . . 71
4.4.4. Algoritmo de clasificación por DTW . . . 72
5. Resultados 75 5.1. Elementos que integran la implementación . . . 75
5.2. Simulación de propiedad intelectual (IP) . . . 76
5.3. Funcionamiento . . . 78
5.4. Tiempo de procesos . . . 82
5.5. Pruebas estadísticas . . . 83
5.5.1. Matriz de confusión . . . 83
5.5.2. Curva ROC . . . 88
6. Conclusiones y trabajo futuro 95
A. Enlazar la descripción del hardware en VHDL con el bus AXI 97
B. Empaquetar la propiedad intelectual (IP) e integrarla a la lista de IPs 99
C. Generar un nuevo proyecto en Vivado y diagrama de bloques del hardware 101
D. Generar un constrain 103
E. Generar un proyecto en SDK 104
G. Interpretación de medidas obtenidas por matriz de confusión en la evaluación
del sistema y ecuaciones para su obtención 106
H. Interpretación de medidas obtenidas por gráfico ROC en la evaluación del
sis-tema y ecuaciones para su obtención 108
Índice de figuras
3.1. Modalidades biométricas. . . 11
3.2. Proceso de reconocimiento biométrico. . . 12
3.3. Fusión a nivel sensor. . . 14
3.4. Fusión a nivel de extracción de características. . . 14
3.5. Fusión a nivel de comparacion. . . 15
3.6. Fusión a nivel de decisión. . . 15
3.7. Sistema biométrico bimodal, fusionando señales ECG y PPG a nivel de extracción de características. . . 17
3.8. Las diferentes ondas del electrocardiograma. . . 18
3.9. Las diferentes ondas del pletismograma. . . 20
3.10. Proceso utilizado en la selección de métodos de extracción de características, esta-dísticamente significativos. . . 23
3.11. Arquitectura del SoC Zynq-7000 AP [1]. . . 29
3.12. Bloques de comunicación etre PS y PL [1]. . . 30
3.13. Diagrama a bloque de IP Zynq [1]. . . 33
3.14. Bus AMBA para microcontroladores [1]. . . 33
3.15. Arquitectura de canales en bus AXI4-Lite [1]. . . 34
3.16. Diagrama a bloques del sistema de procesamiento PS [1]. . . 35
4.1. Diagrama a bloques del reconocedor biométrico bimodal, utilizando señales PPG y
ECG en el dominio temporal, implementado con un sistema embebido en FPGA. . . 39
4.2. Proceso de adquisición y acondicionamiento de las señales PPG y ECG. . . 41
4.3. Sensor pletismográfico Spo2 g tecR. . . 42
4.4. Sensor de ritmo cardiaco AD8232 de SparkfunR y puntos anatómicos para la colo-cación de electrodos. . . 43
4.5. Acondicionamiento de señal fotopletismográfica de pulso (PPG), diseñado en LabviewR. 45 4.6. Acondicionamiento de señal electrocardiográfica (ECG), diseñado en LabviewR. . . 45
4.7. Descripción de pines para el Pmod AD1. . . 46
4.8. Protocolo de comunicación del convertidor analógico digital DigilentR Pmod AD1. . 47
4.9. Diagrama de flujo para conversión analógica digital muestreando a 125 Hz. . . 49
4.10. Diagrama de flujo para contador encargado de generar el periodo de muestreo. . . . 50
4.11. Diagrama de bloques de la lógica programable (PL) . . . 51
4.12. Diagrama de bloques para el funcionamiento de memoria RAM. . . 53
4.13. Diagrama de bloques para el funcionamiento de la máquina de estados finitos (FSM). 54 4.14. Interconexión de las descripciones (hardware) con el bus AXI. . . 56
4.15. Descripcción de hardware empaquetado como propiedad intelectual (IP). . . 56
4.16. Diagrama de bloques con la configuracion general del Hardware en Vivado. . . 57
4.17. Diagrama de bloques del sistema de procesamiento (PS). . . 59
4.18. Diagrama de bloques del proceso de extracción de datos del PL al PS. . . 62
4.19. Diagrama de bloques del algoritmo para la obtención de movilidad de la suma de señales PPG y ECG (parámetro Hjorth). . . 64
4.20. Diagrama de bloques del algoritmo para la obtención de movilidad de la señal ECG (parámetro Hjorth). . . 65
4.22. Diagrama de bloques del algoritmo para la obtención de movilidad de la señal PPG
(parámetro Hjorth). . . 68
4.23. Diagrama de bloques del algoritmo para la obtención de curtosis de la suma de señales PPG y ECG (parámetro Hjorth). . . 70
4.24. Diagrama de flujo del algoritmo para la obtención de la base de datos (target). . . . 72
4.25. Diagrama de flujo del algoritmo de clasificación por DTW. . . 73
4.26. Diagrama de flujo del algoritmo DTW. . . 74
5.1. Resultados obtenidos a partir del desarrollo experimental y pruebas del sistema. . . 75
5.2. Elementos físicos del sistema biométrico bimodal. . . 76
5.3. Simulación del tiempo de conversión analogica digital. . . 77
5.4. Simulación de la frecuencia de muestreo para la adquisición. . . 77
5.5. Simulación del tiempo de grabación en memorias RAM. . . 77
5.6. Señales PPG y ECG capturadas a 8.184s. . . 78
5.7. Menú principal del sistema biométrico bimodal. . . 78
5.8. Configuración de la opción 1 del menú principal. . . 79
5.9. Proceso de adquisición deltarget (modo usuario). . . 80
5.10. Proceso de reconocimiento (modo usuario). . . 81
5.11. Pruebas estadísticas de manera general. . . 83
5.12. Matriz de confusión realizada en 20 pruebas con 50 sujetos. . . 84
5.13. Gráfica comparativa de medidas (análisis e implementación). . . 85
5.14. Matriz de confusión realizada en 20 pruebas con 15 sujetos. . . 86
5.15. Gráfica comparativa de medidas (base de datos [2] y base de datos propia). . . 87
5.16. Gráfico ROC (análisis e implementación). . . 89
5.17. Tasas de falsos positivos y falsos negativos (análisis e implementación). . . 89
5.19. Tasas de igual error (análisis e implementación). . . 91
5.20. Gráfico ROC (base de datos [2] y base de datos propia). . . 92
5.21. Tasas de falsos positivos y falsos negativos (base de datos [2] y base de datos propia). 92
5.22. Tasas de igual error (EER) en curvas ROC (base de datos [2] y base de datos propia). 93
Índice de tablas
1.1. Sistemas de identificación evaluados para la biometría de señales PPG y ECG en el
estado del arte. . . 3
3.1. Métodos de extracción de características estadísticamente significativas obtenidas por ANOVA y multicomparación Tukey. . . 24
3.2. Características del SoC ZynqR c-7000. . . 28
3.3. Características generales del sistema de procesamiento (PS) y la Lógica programable (PL). . . 29
3.4. Componentes de los bloques de interconexión entre PS y PL. . . 31
3.5. Tabla de periféricos y sus IPs incluidos en Vivado. . . 32
3.6. Principales componentes de la región PS del SoC Zynq-7000. . . 35
3.7. Periféricos gestionados por el sistema de procesamiento PS. . . 36
4.1. Datos técnicos del sensor g.SpO2 . . . 42
4.2. Datos técnicos del sensor de ritmo cardiaco AD8232 de SparkfunR . . . 43
4.3. Especificaciones requeridas para acondicionamiento de señal fotopletismográfica de pulso (PPG). . . 44
4.4. Características del convertidor analógico digital DigilentR Pmod AD1 . . . 46
4.5. Configuración del contador direccionador y memoria RAM. . . 55
4.6. Tabla de conexiones entre IP_ADC_RAM (Entradas/Salidas) y puerto GPIO de la FPGA . . . 58
4.7. Tabla de direcciones para la IP_ADC_RAM. . . 58
4.8. Tabla de vinculación entre registros y entradas/salidas de IP_ADC_RAM. . . 61
4.9. Métodos de extracción de características estadísticamente significativas obtenidas por ANOVA y multicomparación Tukey. . . 63
5.1. Elementos físicos del sistema biométrico bimodal. . . 76
5.2. Tiempos y ciclos de reloj obtenidos por cada proceso del sistema biométrico bimodal. 82
5.3. Tabla comparativa de medidas basada en matriz de confusión (análisis e implemen-tación). . . 85
5.4. Tabla comparativa de medidas basada en matriz de confusión (base de datos [2] y base de datos propia). . . 87
5.5. Tabla comparativa de medidas basada en gráfico ROC (análisis e implementación). . 90
5.6. Tabla comparativa de medidas basada en gráfico ROC (base de datos [2] y base de datos propia). . . 93
Agradecimientos
Al Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE) por permitirme pertenecer a esta gran institución rica en conocimientos y cultura. A todo su personal por su gran calidad humana y sus excelentes valores.
Al Consejo Nacional de Ciencia y Tecnología (CONACYT) por su apoyo y financiamiento en mis actividades vinculadas al desarrollo de la investigación científica y tecnológica durante mi grado de maestría.
A la Universidad de Alcalá de Henares (UAH) por haber sido mi recinto durante mi estancia de tres meses. A su personal por compartir su cultura conmigo, brindándome tanto amistad como conoci-miento y a su país España por permitirme la entrada en su territorio, otorgándome la oportunidad para conocer su historia y modo de vida.
Un especial agradecimiento al Doctor Juan Manuel Ramírez Cortés asesor de esta tesis, por com-partir sus conocimientos conmigo, apoyándome en el desarrollo de mi posgrado en los cursos im-partidos, en el desarrollo de este trabajo y como un gran ser humano que es, convirtiéndose en mi mentor y un gran ejemplo a seguir.
Al Doctor Álvaro Hernández Alonso co-asesor de esta tesis, por brindarme a mí y a mis compañeros la oportunidad de tener una estancia en su país, apoyándonos pacientemente en el aprendizaje de lo que hoy es parte de mi tema de tesis, por su colaboración en este trabajo y su gran hospitalidad en la UAH, en su país y en su hogar.
Al Doctor José De Jesús Rangel Magdaleno por su gran apoyo durante mi maestría, siendo un gran mentor y amigo, le agradezco los conocimientos brindados que hoy son base fundamental de este trabajo, la oportunidad para trabajar con el equipo que tiene a su cargo y el placer de haber convivido con él, sus alumnos y su familia.
José De Jesús Rangel Magdaleno, por pertenecer al jurado de evaluación en mi tema de fin de maestría, siendo así un placer contar con sus comentarios y recomendaciones.
A mis padres José Alfredo Jiménez Pérez y Mónica Duarte Alba por ser quienes me han formado desde mi nacimiento, me han visto crecer, son ustedes la razón principal de lo que yo soy, les agradezco los valores que me han enseñado y nuevamente este logro es todo suyo, son mi ejemplo a seguir, los amo.
A mi hermana Abril Maroí Jiménez Duarte, por ese apoyo incondicional que me ha dado desde siempre, por esas alegrías que complementan mi vida, por ser parte de esta nueva etapa que incursioné desde que salí de la casa para alcanzar un nuevo sueño, por ser una gran hermana, un gran ejemplo y una gran amiga, cumple todos tus sueños nunca te rindas, te amo.
A mis abuelos José Duarte Rodríguez, Luvia Alba Chávez, María Elena Jiménez Martínez y Julio Jiménez Corona, por ser hoy y siempre los pilares de mi familia, por seguir enseñándome cada día algo nuevo, por ser mi ejemplo a seguir y mis primeros maestros, los amo mucho.
A mis tíos y tías, primos y primas, sobrinos y sobrinas, por inspirarme a seguir siendo mejor persona, por los valores que me han enseñado, principalmente la unión.
A mi familia no de sangre, pero sí de corazón: Juan Erasmo Mancilla Cardoso, Leticia Palestina Ayala, Leticia Mancilla Palestina, Iván Mancilla Palestina y Lia Maylet Candia Mancilla, que desde ya hace mucho tiempo me han brindado mucho amor, amistad, confianza, y una gran familia, les agradezco más que nada el amar tanto a Denisse.
A mis amigos y compañeros por permitirme conocerlos aprendiendo de cada uno de ellos, siendo mi familia aquí y en tierras lejanas.
El mayor de mis agradecimientos es para el amor de mi vida la Ingeniera y próximamente Maestra en Ciencias Denisse Escarlette Mancilla Palestina, porque toda esta etapa en mi vida se la debo a ella y a su amor, su coraje, su decisión, su conocimiento, su compañía, su apoyo, todas sus virtudes, ella más que nadie ha sido la razón por la que he puesto todo mi empeño en este trabajo y en la vida. Es mi pasado, mi presente y mi futuro, le agradezco el romper fronteras a mi lado y juntos llegar a lugares nunca imaginados, le agradezco no solo ser parte de mi maestría, también ser parte de mi vida, la parte más importante. Estoy muy orgulloso de ti, sigamos caminando por la vía agarrados de la mano y en un futuro, marcando más de cuatro huellas en la arena, TE ETERNUMESCALFMORE.
Resumen
Múltiples sistemas de identificación basados en la biometría unimodal se han vuelto vulne-rables a la falsificación, tal es el caso de los sistemas basados en la biometría por huella dactilar o el reconocimiento por voz, aunque algunas características físicas son difíciles de imitar y/o duplicar, esto no es imposible. El presente escrito describe el diseño e implementación de un sistema, cuyo objetivo es el reconocimiento de personas por clasificación biométrica bimodal, utilizando señales fotopletismográfica (PPG) y electrocardiográfica (ECG) en el dominio temporal, con un sistema embebido en FPGA.
El sistema adquiere las señales PPG y ECG de una persona (previamente registrada) con un tiempo de grabación de 8.184 s gestionado por la lógica programable (PL) del Sistem-On-Chip (SoC) en la FPGA, procesando dichas señales por el sistema de procesamiento (PS) del SoC en un tiempo de 1.491 ms con una fusión a nivel de extracción de características, en el cual son extraídas las características: movilidad de la suma de señales PPG y ECG (parámetro Hjorth), movilidad de ECG (parámetro Hjorth), curtosis ECG, movilidad de PPG (parámetro Hjorth) y curtosis de la suma de señales PPG y ECG. Es realizada la clasificación por el algoritmo de alineamiento Temporal Dinámico (DTW). El control del sistema en modo usuario, así como el resultado de la clasificación son desplegados en una PC.
El sistema se evaluó realizando pruebas con 50 señales PPG y ECG provenientes de la base de datos [2] y con 15 señales PPG y ECG provenientes de una base de datos propia para su identificación. Obteniendo un 99.5 % de exactitud, 86.84 % de precisión, 90.26 % de sensibilidad, 99.68 % de espe-cificidad y una tasa de igual error (EER) de 6.75 %, evaluando el sistema con la base de datos [2]. Y un 99.61 % de exactitud, 97.44 % de precisión, 97.33 % de sensibilidad, 99.78 % de especificidad y una tasa de igual error (EER) de 5.83 %, evaluando el sistema con la base de datos propia.
Palabras clave
Biometría bimodal, Identificación, Fotopletismográfica (PPG), Electrocardiográfica (ECG), Dominio temporal, Sistema embebido, FPGA.
Capítulo 1
Introducción
Como respuesta a la creciente demanda de seguridad existente en la actualidad. Se han desa-rrollado diferentes sistemas de identificación, implementando modalidades dentro de la biometría, las cuales se definen como características que permiten el reconocimiento, como son el reconocimien-to de la huella dactilar, forma del rostro, de iris, retina, geometría de dedos y manos, verificación de la voz, reconocimiento de la firma, etc. Esta investigación se enfoca en el reconocimiento de personas utilizando señales fotopletismográficas (PPG) y electrocardiográficas (ECG). En el esta-do del arte existen diferentes sistemas biométricos que utilizan como modalidades señales PPG o ECG para la identificación de personas, en la tabla 1.1 se muestran algunos trabajos y sus valores de exactitud y/o tasa de igual error (EER) resultado de la evaluación de sus sistemas donde:
An Adaptive Deep Learning Approach for PPG-Based Identification[3]. Presenta una técnica de identificación biométrica a través de aprendizaje profundo, monitoreando señales PPG a largo plazo atreves de biosensores portátiles logrando una precisión del 96.1 %.
Acceleration Plethysmogram Based Biometric Identification[4]. presenta el estudio basado en el biométrico pletismograma de aceleración (APG) como mecanismo de reconocimiento, este se obtiene de la segunda derivada de la señal fotopletismográfica de pulso (PPG). Fueron adquiridas señales APG de 10 sujetos, las características discriminantes se extraen de la morfología APG.
Microcontroller Based RR-Interval Measurement Using PPG Signals for Heart Rate Varia-bility based Biometric Application [5]. Este estudio está destinado a aprovechar la propiedad HRV del corazón para identificación de persona a través del sensor de pulso basado en señales
fotopletismográficas de pulso (PPG) y la medición del intervalo RR. La clasificación se realiza mediante el clasificador k vecinos más cercanos (KNN).
Deep Learning based Biometric Identification using Wrist-Worn PPG [6]. En este artículo se presenta un sistema basado en el aprendizaje profundo para la identificación biométrica, utilizando datos recopilados de señales fotopletismográficas (PPG) en ambientes ambulatorios utilizando una red neuronal profunda de cuatro capas: empleando dos redes neuronales de convolución (CNN) junto con dos memorias largas a corto plazo(LSTM), seguido de una capa de salida densa para modelar la secuencia temporal inherente dentro de la señal pulsátil representante de la actividad cardíaca. Se evaluó en el conjunto de datos TROIKA recopilado de 12 sujetos involucrados en actividad física, logrando una exactitud del 96 %.
A Multiresolution Convolutional Neural Network for ECG-Based Biometric Human Identifi-cation in Smart Health AppliIdentifi-cations[7]. Propone una red neuronal convolucional, permitiendo seleccionar ciegamente una señal fisiológica con fines de identificación, evitando el proceso de extracción de características fiduciales de la señal. Utiliza una red neuronal convolucional 1-D multirresolución (1-D-CNN) para un aprendizaje automático, logrando una tasa de identifi-cación promedio del 93.5 %.
ECG based authentication for E-Healthcare Systems: Towards a Secured ECG features trans-mission [8]. El algoritmo presentado es una nueva técnica que permite compartir de forma segura la identificación de ECG a través de un canal no confiable. La técnica oculta los datos confidenciales de ECG basados en la codificación de predicción lineal (LPC).
Towards a Continuous Biometric System Based on ECG Signals Acquired on the Steering Wheel [9]. En este artículo se utilizaron métodos de decisión basados en máquinas de soporte vectorial (SVM), k vecinos más cercano (kNN), perceptrones multicapa (MLP) y modelos de mezcla gaussiana tanto para tareas de identificación como de autenticación. También se estudiaron técnicas adicionales de autenticación ajustada por el usuario y ponderación de puntajes pasados. El rendimiento del método es de 94,9 % de precisión y tasa de error de autenticación igual a 2.66 % (EER).
ECG Biometric Recognition Using SVM-Based Approach [10]. 21 características basadas en distancias temporales, así como de amplitud entre puntos fiduciales detectados y 10 des-criptores morfológicos son extraído de cada latido del corazón. Una máquina de vectores de soporte (SVM) se usa como clasificador. El algoritmo se evaluó utilizando dos bases de datos (MIT-BIH arritmia y MIT-BIH Ritmo sinusal normal). El análisis de los resultados muestra
que la combinación de todas las características permitió mejorar la eficiencia de su sistema con respecto a sujetos humanos sanos y aquellos con arritmia.
Embedded system for individual recognition based on ECG Biometrics[11]. Este artículo pre-senta un sistema de reconocimiento biométrico embebido basado en la señal electrocardiográ-fica (ECG) para la identielectrocardiográ-ficación individual y la verielectrocardiográ-ficación. El sistema propuesto implementa un algoritmo de reconocimiento que extrae información en el dominio de la frecuencia. El sis-tema se basa en el procesador ARM Cortex 4. Los resultados preliminares muestran que las plataformas embebidas son un camino prometedor para la implementación de las aplicaciones basadas en señales ECG en un escenario del mundo real.
Tabla 1.1: Sistemas de identificación evaluados para la biometría de señales PPG y ECG en el estado del
arte.
Señales Trabajo Número de Individuos Número de características Clasificador EER Exactitud
PPG [3] 11 11 Lógica difuza ————— 96.10 %
PPG [4] 10 ————— K vecinos más cercanos (KNN) ————— 62.50 %
PPG [5] 40 20 K vecinos más cercanos (KNN) ————— 92.26 %
PPG [6] 12 11 Aprendizaje profundo ————— 96.00 %
ECG [7] 28 ————— Red neuronal convolucional ————— 93.50 %
ECG [8] 90 5000 ————— 15.00 % —————
ECG [9] ————— 163 Máquina de soporte vectorial (SVM) 2.66 % 94.90 %
ECG [10] 30 31 Máquina de soporte vectorial (SVM) ————— 98.80 %
ECG [11] 10 ————— Función de suma de pendiente 14.00 % 100.00 %
El objetivo de este trabajo es la implementación de un método de reconocimiento de personas por clasificación biométrica bimodal, utilizando señales fotopletismográfica (PPG) y electrocardiográ-fica (ECG) en el dominio temporal, con un sistema embebido en FPGA. El sistema es integrado por: el sensor Spo2 g tecR, el sensor de ritmo cardiaco AD8232 de SparkfunR para la adquisición
de las señales PPG y ECG respectivamente, un convertidor analógico digital DigilentR Pmod AD1
de 12 bits, una tarjeta de adquisición de datos National InstrumentsR, una FPGA Zed board y
una PC donde son desplegados los resultados obtenidos por el sistema. Las señales fotopletismo-gráficas (PPG) y electrocardiofotopletismo-gráficas (ECG) son adquiridas y almacenadas a una frecuencia de muestreo de 125 Hz, con un tiempo de grabación de 8.184 segundos para su procesamiento. El tiempo de procesamiento (que engloba la extracción de características y la etapa de identificación) es de 1.491 ms. El sistema es operado en modo usuario a través de una interfaz organizada en forma de menú, donde se puede seleccionar las opciones programadas con instrucciones sintetizadas para guiarlo durante la operación. Se realizaron pruebas con 50 señales PPG y ECG provenientes de la
base de datos [2] y con 15 señales PPG y ECG provenientes de una base de datos propia para su identificación. Obteniendo un 99.5 % de exactitud, 86.84 % de precisión, 90.26 % de sensibilidad, 99.68 % de especificidad y una tasa de igual error (EER) de 6.75 %, evaluando el sistema con la base de datos [2]. Y un 99.61 % de exactitud, 97.44 % de precisión, 97.33 % de sensibilidad, 99.78 % de especificidad y una tasa de igual error (EER) de 5.83 %, evaluando el sistema con la base de datos propia.
Este documento se divide en 6 capítulos, el capítulo 1 corresponde a la sección done se expone el planteamiento del problema, el estado del arte y los alcances de la investigación, en el capítulo 2 se muestran los objetivos de la implementación, en el capítulo 3 se encuentra la teoría utilizada para la implementación del sistema, en el capítulo 4 se describe el desarrollo experimental donde se expresa cuál fue el procedimiento que se siguió para la implementación del sistema, en los capítulos 5 y 6 se encuentran los resultados, conclusiones y trabajo futuro, finalmente en la sección de bibliografía se enlistan las referencias del escrito.
Capítulo 2
Objetivos
2.1.
Objetivo general
El objetivo principal de este trabajo es, la implementación de un método de reconocimiento de personas por clasificación biométrica bimodal, utilizando señales fotopletismográfica (PPG) y electrocardiográfica (ECG) en el dominio temporal, con un sistema embebido en FPGA.
2.2.
Objetivos específicos
Diseñar e implementar en FPGA una propiedad intelectual (IP) capaz de controlar el conver-tidor analógico digital PMOD AD1, adquiriendo señales fotopletismográficas de pulso (PPG) y electrocardiográficas (ECG) a una frecuencia de muestreo de 125 Hz, almacenándolas con un tiempo de grabación de aproximadamente 8s.
Implementar los algoritmos para las técnicas de extracción de características estadísticamente significativas del trabajo [12].
Implementar el algoritmo de alineamiento temporal dinámico (DTW) como clasificador del sistema biométrico bimodal en modo de identificación.
Diseñar en forma de menú una interfaz de control del sistema en modo usuario.
Medir tiempo de los procesos de: adquisición, algoritmos para la extracción de características, algoritmo de identificación por DTW y el tiempo total.
Evaluar el sistema biométrico bimodal y comparar resultados entre análisis [12] e implemen-tación.
Capítulo 3
Marco teórico
3.1.
Reconocimiento biométrico
La biometría es la ciencia que estudia el reconocimiento de seres vivos por medio de sus carac-terísticas físicas o de comportamiento. El reconocimiento biométrico permite realizar la verificación o la identificación de un ser vivo mediante sistemas automáticos [13]. En términos etimológicos las palabras, “bios” y “metrón”, literalmente significan “vida” y “medida” ó “medida de la vida” [14].
De manera general, el reconocimiento se realiza comparando muestras características (obtenidas de los parámetros biológicos) con muestras adquiridas y almacenadas previamente del mismo individuo u otros. Existen dos maneras para realizar reconocimiento:
Identificación. Cuando la comparación se realiza de un individuo a varios [13].
Verificación. Cuando la comparación se realiza de un individuo a sí mismo [13].
La biometría es aplicada principalmente en humanos, como respuesta a la creciente demanda de seguridad existente en la actualidad. Existen diferentes modalidades dentro de la biometría, las cuales se definen como características que permiten el reconocimiento como son:
Reconocimiento de la huella dactilar
Reconocimiento de la cara
Geometría de dedos/mano
Autentificación de la voz
Reconocimiento de la firma
Un sistema biométrico en general consta de componentes tanto hardware como software necesarios para el proceso de reconocimiento. Dentro del hardware se incluyen principalmente los sensores que son los dispositivos encargados de extraer la característica deseada. Una vez obtenida la información del sensor, será necesario realizar sobre ella las tareas de acondicionamiento necesarias, para ello se emplean diferentes métodos dependiendo del sistema biométrico utilizado [15].
3.1.1.
Identificación y verificación
Las dos principales variedades del reconocimiento biométrico son la identificación y la ve-rificación de personas. La identificación es utilizada para reconocer la identidad de una persona, comparando una serie de características biométricas con aquellas del mismo usuario y otros más almacenadas previamente conocidas como características objetivo ó traducido al inglés “target”. Este proceso consiste en proponer criterios de aceptación en la comparación de características, ya que las muestras o modelos comparados pueden o no tener márgenes de error aceptables, bajo estas premisas la identificación puede corresponder a un usuario reconocido o no identificado. Para la verificación, se determina si las características biométricas corresponden con quien el usuario dice ser. Para ello, se comparan dichas características con el modelo del usuario. Si la similitud no supera un margen de error, se considera que el usuario es quien dice ser. En caso contrario, se considera que es un impostor [13].
3.1.2.
Propiedades del reconocimiento biométrico
Existe una gran variedad de medios disponibles para identificar a una persona, en función de una asociación de datos correspondientes a cada una de ellas como son:
Apariencia. Cómo se ven las personas.
Comportamiento social. Cómo interactúan unas personas con otras.
Nombres. Cómo una persona es llamada por otras.
Conocimiento. El saber de las personas.
Objetos. Las posesiones de las personas.
Biodinámica. Las acciones realizadas por las personas.
Fisiografía natural. La constitución física de las personas.
Características físicas impuestas. La situación particular de vida de las personas en un deter-minado momento.
Como parámetros de referencia aplicables a la biometría se tiene la apariencia, el comportamiento social, la biodinámica, la fisiología y las características físicas impuestas [16].
Las propiedades deseables para cualquier sistema de reconocimiento biométrico son:
Universalidad: Se dice que una característica biométrica es universal cuando se encuentra en todos los individuos de la población.
Unicidad: La unicidad implica que las características biométricas consideradas sean diferentes para cada uno de los individuos y diferenciables de las de cualquier otro individuo, de manera que cada individuo sea distinguible del resto a partir de dichas características.
Permanencia: La permanencia hace referencia a la estacionalidad de las características bio-métricas. Es deseable que éstas se mantengan a lo largo del tiempo, de manera que no varíen con la edad del individuo ni con situaciones transitorias como enfermedad, estado del humor, utilización de accesorios, etc.
Cuantificación: Las características biométricas deben ser mensurables y cuantificables de for-ma objetiva. De esta for-manera, los valores obtenidos para las diferentes características serán comparables entre sí y permitirán discriminar entre los diferentes individuos.
Aceptación: Ciertas modalidades biométricas pueden ser poco aceptadas por los potenciales usuarios, bien sea por ser consideradas intrusivas o bien por ser relacionadas con aplicaciones criminales y forenses o de alta seguridad.
La adecuada combinación de estas características determina la efectividad de un sistema biomé-trico, aunque ninguna modalidad biométrica cumple con ninguna de estas características de forma absoluta [16].
Otras características que deben tenerse en cuenta en el diseño de un sistema de reconocimiento biométrico son:
Fiabilidad: Los resultados proporcionados por los sistemas de reconocimiento biométrico de-ben proporcionar unos resultados de reconocimiento acordes con la seguridad requerida por la aplicación.
Facilidad de uso: Esta característica se refiere a la facilidad en la adquisición, la medición y el almacenamiento de los datos, así como a la facilidad y rapidez en la obtención del resultado de reconocimiento.
Prevención de ataques: Un sistema de reconocimiento debe ser robusto a los posibles ataques malintencionados por parte de individuos que pretendan acceder a lugares o datos a los que no tienen derecho de acceso.
Coste: El coste depende del hardware, la instalación, la facilidad de uso, el mantenimiento, la base de datos, etc. Es importante tener en cuenta el coste, principalmente en aplicaciones de seguridad media [13].
3.1.3.
Modalidades biométricas
Se considera modalidad biométrica a cualquier característica que permita distinguir entre diferentes individuos. Una de las formas más comunes de clasificar las modalidades biométricas es distinguir entre modalidades biométricas fisiológicas y conductuales [13], como se muestra en la figura 3.1, donde:
Biometrías fisiológicas: Son aquellas relacionadas con las características físicas de los indivi-duos, como pueden ser las características faciales, las huellas dactilares, la geometría de la mano, la retina, la geometría de la oreja, el ADN o la altura.
Biometrías conductuales: Están relacionadas con el comportamiento o la forma en que alguna acción se realiza. Algunas de estas modalidades biométricas pueden ser la forma de escribir o firmar, la frecuencia de pulsación en un teclado, la gestualidad o la forma de caminar.
Figura 3.1: Modalidades biométricas.
Otras formas de clasificar las modalidades biométricas es distinguir entre modalidades estáticas y dinámicas [15].
Biometría estática. La medición de las características corporales de las personas. Los princi-pales estudios y aplicaciones de la biometría estática están basados en la medición de huellas digitales, geometría de la mano, iris, forma de la cara, retina y venas del dorso de la mano. Existen también, pero menos usadas, las técnicas biométricas basadas en forma de las orejas, temperatura corporal (termografía) y forma del cuerpo.
Biometría dinámica. La medición de las características de comportamiento de las personas. Los principales estudios y aplicaciones de la biometría dinámica están basados en el patrón de voz, firma manuscrita, dinámica del tecleo, cadencia del paso y análisis gestual.
3.1.4.
Proceso de reconocimiento biométrico
El proceso de reconocimiento de sistemas biométricos comprende desde la captación biomé-trica hasta la decisión final. Sus principales componentes son la adquisición de la señal biomébiomé-trica, la extracción de parámetros o características, la clasificación de dichos parámetros y la evaluación de los resultados obtenidos [17].
Las diferentes características biométricas deben ser captadas y convertidas en señales para que puedan ser procesadas por los sistemas de reconocimiento. Para ello es necesaria la utilización de
sensores que conviertan propiedades físicas en señales eléctricas [13].
De manera general, la arquitectura de un sistema biométrico consta de cinco secciones principales [14] como se muestra en la figura 3.2, donde:
Sección de captura. Consiste en capturar los datos provenientes de las propiedades físicas biométricas para extraer una representación numérica de manera digital. Esta representación se utiliza también para el registro de un modelo característico del usuario y es aplicado en la verificación o identificación.
Sección de procesamiento de señal. Permite la reducción de los datos numéricos extraídos, optimiza la cantidad de datos a almacenar durante el registro, disminuye tiempo de procesa-miento durante las fases de verificación e identificación.
Sección de almacenamiento. Se utiliza para almacenar el modelo biométrico de cada individuo.
Sección de coincidencia. Se utiliza para comparar los datos biométricos extraídos con uno o más modelos biométricos previamente almacenados. Por lo tanto, esta sección determina el grado de similitud (o divergencia) entre dos vectores biométricos.
Sección de decisión: se utiliza para determinar si el grado de similitud devuelto es suficiente para determinar la identidad de un individuo.
3.2.
Biometría multimodal
Múltiples técnicas biométricas se han vuelto vulnerables a la falsificación, un ejemplo de esto es el sistema de identificación basado en datos digitales de huella dactilar, poniendo en riesgo la integridad jurídica y financiera de un individuo. Aunque algunas características físicas son difíciles de imitar y/o duplicar, esto no es imposible. Por lo tanto, diferentes investigaciones han propuesto la fusión o combinación de múltiples señales fisiológicas, con el objetivo de proporcionar robustez al sistema [18].
Los sistemas biométricos multimodales combinan diversas modalidades en un sistema de reco-nocimiento único. La fusión multimodal permite mejorar los resultados obtenidos por una sola característica biométrica y hacen el sistema más robusto a ruidos e interferencias y más resistente a posibles ataques. La fusión se puede realizar a nivel de las señales adquiridas por los distintos sensores, de los parámetros obtenidos para cada modalidad, de las puntuaciones proporcionadas por sistemas unimodales o de la decisión tomada por dichos sistemas [19].
3.2.1.
Niveles de fusión multimodal
Los sistemas multimodales combinan propiedades de diferentes sistemas biométricos unimo-dales y adquieren un resultado global de reconocimiento. Para esto es necesario realizar un proceso de fusión con diferentes características, con la intención de interpretar la información multimodal en una decisión sobre la identidad de una persona.
Existen cuatro niveles de fusión a partir de diferentes características unimodales [20]:
A nivel de sensor. En este modelo de fusión los datos obtenidos por los diferentes sensores están fusionados como se muestra en la figura 3.3. Se pueden utilizar muestras de la misma característica biométrica obtenidas por múltiples sensores compatibles o múltiples caracterís-tica del mismo rasgo biométrico usando un solo sensor. En él, los datos se fusionan en una etapa muy temprana, por lo que tiene una gran cantidad de información en comparación con otros niveles de fusión.
Figura 3.3: Fusión a nivel sensor.
A nivel de extracción de características. Los modelos o conjunto de características que se originan de varios sensores se fusionan como se muestra en la figura 3.4. Estos vectores de características son entonces concatenados para formar un nuevo vector único. La fusión a nivel de extracción de características es un reto, dado que la relación entre características es comúnmente incompatible en su dimensionalidad. Debido a estas dificultades, comúnmente las investigaciones se enfocan en la fusión a nivel de característica bimodales.
Figura 3.4: Fusión a nivel de extracción de características.
A nivel de comparación. Cada sistema proporciona una puntuación de coincidencia obtenida por el módulo de comparación, el cual indica la proximidad del vector característico con el vector modelo como se observa en la figura 3.5. Para este nivel de fusión, los puntajes se pueden combinar para afirmar la veracidad del veredicto. Si las puntuaciones que obtuvieron los diferentes módulos no son idénticas, la técnica de decisión se basa en la diferencia entre puntuaciones de coincidencias.
Figura 3.5: Fusión a nivel de comparacion.
A nivel de decisión. Las salidas finales de los clasificadores se combinan, como se muestra en la figura 3.6. El esquema de voto mayoritario se puede utilizar para la toma de decisión final. La fusión a nivel de decisión incluye un nivel muy abstracto de información, por lo que son menos preferidos en el diseño de sistemas biométricos bimodales.
3.2.2.
Tipos de sistemas multimodales
Dependiendo de los rasgos, sensores y conjuntos de características, existen diferentes tipos sistemas multimodales [20], como son:
Rasgo biométrico único (sensores múltiples). Múltiples sensores son utilizados para registrar la misma característica biométrica. Los datos obtenidos por los diferentes sensores pueden ser combinados a nivel de extracción de característica o a nivel de comparación.
Biometría múltiple. Diferentes sensores son usados para múltiples rasgos biométricos que puedan ser combinados como ejemplo, huellas dactilares y forma de la cara.
Unidades múltiples (rasgos biométricos únicos). Un ejemplo de este tipo de biometría se aplica cuando, dos o más dedos del mismo usuario pueden usarse como rasgo biométrico. Es una forma económica de implementar un sistema multimodal, ya que no requiere sensores múltiples o incorporar métodos de extracción de características adicionales.
Múltiples muestras (rasgos biométricos únicos). Se utiliza más de una muestra de la misma característica biométrica para el proceso de reconocimiento. Por ejemplo, múltiples muestras del mismo dedo o múltiples muestras de voz
Múltiples algoritmos. Se utilizan diferentes métodos para la extracción de características y coincidencia en los rasgos biométricos.
3.3.
Biometría bimodal con señales PPG y ECG
La fusión o combinación de múltiples señales fisiológicas es implementada con el objetivo de proporcionar robustez al sistema, los sistemas biométricos multimodales combinan diversas modalidades en un sistema de reconocimiento único. Comúnmente las investigaciones se enfocan en los sistemas biométricos bimodales fusionando a nivel de extracción de característica dado que, la relación entre características en sistemas que combinan más de dos modalidades biométricas es comúnmente incompatible en su dimensionalidad. [19].
Este trabajo se enfoca en el desarrollo de un sistema biométrico bimodal combinando modalidades biométricas fisiológicas (señal electrocardiográfica (ECG) y señal pletismográfica (PPG)) e imple-mentando un sistema de fusión a nivel de extracción de características como se muestra en la figura 3.7.
Figura 3.7: Sistema biométrico bimodal, fusionando señales ECG y PPG a nivel de extracción de caracte-rísticas.
3.3.1.
Captura de señales PPG y ECG
Como se mencionó, la sección de captura en el proceso de reconocimiento biométrico, con-siste en capturar los datos provenientes de las propiedades físicas biométricas, para extraer de manera digital una representación numérica de dichas propiedades. Las propiedades o modalidades biométricas fisiológicas de interés para este trabajo, son las señales electrocardiográficas (ECG) y pletismográficas (PPG), obtenidas por electrodos de contacto superficial y sensor oxímetro de pulso, respectivamente.
Señal electrocardiográfica (ECG)
El electrocardiograma registra la diferencia de potencial que se genera en el corazón, a través de electrodos colocados en puntos preestablecidos, generalmente en la superficie corporal. El electrocardiograma es un reflejo de las diferencias de potencial transmembrana que ocurren en las células miocárdicas durante los fenómenos de despolarización y repolarización. El potencial eléctrico registrado en las derivaciones electrocardiográficas representa la sumatoria de las fuerzas eléctricas instantáneas que ocurren en forma secuencial durante los procesos de despolarización y
repolarización [21].
En [22] se indica la posibilidad de trabajar con la señal ECG sin pérdida de información (ancho de banda entre 0-1000 Hz), señalando anchos de banda de la señal ECG con fines de diagnóstico (0,01 - 250 Hz) y monitoreo (0,5 - 40 Hz).
Comúnmente en un ECG, cada complejo consta de una serie de deflexiones (ondas del ECG) que alternan con la línea basal como se muestra en la figura 3.8. Realizando la lectura de izquierda a derecha, se distinguen la onda P, el segmento P-R, el complejo QRS, el segmento ST y finalmente la onda T [23], donde:
Figura 3.8: Las diferentes ondas del electrocardiograma.
Onda P. Es la primera deflexión hacia arriba que aparece en el ECG. Representa el momento en que las aurículas se están contrayendo y enviando sangre hacia los ventrículos.
Segmento P-R. Es el tramo de la línea basal (línea isoeléctrica) que se encuentra entre el final de la onda P y la siguiente deflexión —que puede ser hacia arriba (positiva) o hacia abajo (negativa)— del ECG. Durante este período, las aurículas terminan de vaciarse y se produce una relativa desaceleración en la transmisión de la corriente eléctrica a través del corazón, justo antes del inicio de la contracción de los ventrículos.
Complejo QRS. Corresponde con el momento en que los ventrículos se contraen y expulsan su contenido sanguíneo. Como su nombre indica, consta de las ondas Q, R y S. La onda Q no siempre está presente. Se identifica por ser la primera deflexión negativa presente después del segmento P-R. Toda deflexión positiva que aparezca después del segmento P-R corresponde ya a la onda R propiamente dicha y, como se ha comentado, el hecho de que no vaya precedida
por una onda Q no es en absoluto patológico. De hecho, y siempre en relación con un ECG normal, las ondas Q deben ser de pequeño tamaño, tanto en longitud (duración) como en profundidad (voltaje). La onda R es muy variable en altura (voltaje). La onda S se observa como continuación directa de la onda R y comienza a partir del punto en que esta última, en su fase decreciente, se hace negativa.
Segmento ST. Es el trazado de la línea basal que se encuentra entre el final de la onda S y el comienzo de la onda T. Su elevación o descenso en relación con la línea basal puede significar insuficiencia en el riego del corazón, especialmente si dichas oscilaciones coinciden con sintomatología característica que pueda expresar afectación en el aporte de oxígeno al corazón. En este sentido, su valor como herramienta diagnóstica resulta insustituible.
Onda T. Se inscribe a continuación del segmento ST. Consiste en una deflexión normalmente positiva que asemeja el relieve de una montaña más o menos simétrica. La onda T representa el momento en que el corazón se encuentra en un período de relajación, una vez que ha expulsado la sangre que se hallaba en los ventrículos.
La señal ECG es adquirida a partir de electrodos que funcionan como transductores de señales electroquímicas a corrientes eléctricas, comúnmente se emplean electrodos superficiales para el monitoreo y diagnóstico de señales ECG, también existen electrodos invasivos, los cuales tienen contacto directo con la superficie del corazón y su propósito es el mismo, servir como transductor entre las señales electroquímicas generadas en el corazón y transformarlas en corrientes eléctricas para su captura y análisis en los sistemas biométricos.
Señal pletismográfica (PPG)
La señal de PPG es el resultado de las variaciones que se producen en el flujo o en el volumen sanguíneo que ocurre con cada contracción cardíaca, tiene componentes en frecuencia entre 1 y 2 Hz [24]. Se puede detectar con esta señal, actividades como, la frecuencia cardíaca, la respiración, saturación de oxígeno, la viscosidad de la sangre, la presión arterial o incluso cambios de la postura del usuario. El ciclo completo de la señal de PPG puede verse en la figura 3.9. A continuación, se describen los principales parámetros de esta señal [25]:
Figura 3.9: Las diferentes ondas del pletismograma.
Pico sistólico. Es el nivel máximo de volumen que se detecta en el área sometida a medición correspondiente a la fase sistólica del corazón, donde se eyecta la sangre.
Pico diastólico. Después del pico sistólico, el volumen comienza a decrecer, el pico diastólico está relacionado con la fase diastólica del sistema cardiovascular en la que los ventrículos se llenan de sangre. Este pico no siempre es visible al representar gráficamente la señal de PPG, quedando oculto por la bajada desde del pico sistólico.
Incisura dicrota. Punto de inflexión entre el pico sistólico y el pico diastólico. Representa el momento de cierre de la válvula aórtica.
La adquisición de esta señal emplea un sistema de pulso oximetría, consiste en monitorear la absorción de luz en áreas periféricas como pueden ser, las yemas de los dedos o los lóbulos de las orejas. Estos cambios volumétricos se producen debidos a los latidos del corazón, irrigando todas las zonas de nuestro cuerpo [25].
El sistema está compuesto típicamente por dos diodos LED, uno de longitud de frecuencia corres-pondiente al color rojo y otro correscorres-pondiente al infrarrojo, que emiten luz pulsátil intermitente e intercaladamente. En el otro extremo del sensor hay un fotodetector que adquiere aquella luz que no ha sido absorbida. De este modo, se puede componer una señal en DC y AC de la que puede extraerse información como el pulso cardíaco, la saturación de oxígeno en la hemoglobina y otros parámetros como la frecuencia en la respiración [25].
3.3.2.
Métodos de extracción de características seleccionados con base en prueba
ANOVA
La sección que corresponde a “procesamiento de señales” en el proceso de reconocimiento biométrico, permite la reducción de los datos numéricos extraídos por los sensores de pulso oximetría y los electrodos de contacto superficial, utilizados para la obtención de las señales PPG y ECG respectivamente.
Los métodos de extracción de características consisten en extraer información asociada a los pará-metros biológicos de interés y pueden ser usados en el proceso de clasificación de datos.
La selección de técnicas no redundantes para los métodos de extracción de características, es uno de los objetivos para el análisis de señales en una dimensión. Un procedimiento estadístico para evaluar el grado de asociación o independencia entre valores cuantitativos, se conoce como Análisis de la Varianza (ANOVA) y se ha implementado como discriminador estadístico en la selección de técnicas, para la extracción de características en señales PPG y ECG [12][26].
Prueba ANOVA como discriminador estadístico en la selección de técnicas, para la extracción de características en señales PPG y ECG
El análisis de varianza ANOVA por sus siglas en inglés (Analysis of Variance), se utiliza para determinar si existen diferencias estadísticamente significativas entre las medias de tres o más grupos conocidos como factor en estudio y los distintos tratamientos en los grupos se conocen como niveles del factor. ANOVA es aplicado para aceptar o rechazar las siguientes hipótesis [27]:
Hipótesis alternativa. "Hay una diferencia significativa entre los niveles del factor".
Hipótesis nula. "No hay una diferencia significativa entre niveles del factor ".
Luego de realizar el ANOVA, si se acepta la hipótesis alternativa, se puede determinar entre qué ni-veles del factor existen diferencias estadísticamente significativas mediante pruebas de comparación múltiple [27][26].
En el trabajo desarrollado por [12], se detalla la metodología utilizada para la selección de métodos de extracción características estadísticamente significativas en señales PPG y ECG, los cuales fueron implementados para el desarrollo de este trabajo.
de métodos no redundantes, es uno de los objetivos para el análisis de señales en una dimensión [26]. En el trabajo [12], fueron seleccionados 18 métodos para la extracción de características de señales PPG y ECG:
1. Varianza de la diferencia de instantes de cruce por la media de la señal PPG.
2. Varianza de la diferencia de instantes de cruce por la media de la señal ECG.
3. Actividad de PPG (parámetro Hjorth).
4. Movilidad de PPG (parámetro Hjorth).
5. Complejidad de PPG (parámetro Hjorth).
6. Actividad de ECG (parámetro Hjorth).
7. Movilidad de ECG (parámetro Hjorth).
8. Complejidad de ECG (parámetro Hjorth).
9. Asimetría PPG.
10. Curtosis PPG.
11. Asimetría ECG.
12. Curtosis ECG.
13. Varianza de la diferencia de instantes de cruce por la media de la suma de señales PPG y ECG.
14. Actividad de la suma de señales PPG y ECG (parámetro Hjorth).
15. Movilidad de la suma de señales PPG y ECG (parámetro Hjorth).
16. Complejidad de la suma de señales PPG y ECG (parámetro Hjorth).
17. Asimetría de la suma de señales PPG y ECG.
El proceso utilizado por [12] en la selección de métodos estadísticamente significativos se ilustra en la figura 3.10. Donde:
Figura 3.10: Proceso utilizado en la selección de métodos de extracción de características, estadísticamente
significativos.
Niveles del factor. Corresponde a los 18 métodos de extracción de características seleccionados.
Factores de estudio. En [12], se utilizó la base de datos [2], donde se obtuvieron grabaciones de señales ECG y PPG de 50 sujetos, cada una de 8 minutos de duración muestreadas a 125 Hz.
ANOVA. Se aplicó la prueba ANOVA a los 50 factores de estudio (sujetos), cada uno con 18 niveles del factor(métodos de extracción de características). Se propuso un nivel de signifi-cancia (alpha) de 0.05 y se obtuvo un P-valor igual a cero, menor al nivel de signifisignifi-cancia. Esto indica que, se tiene un 95 % de confianza al aceptar la hipótesis alterna, donde “Hay una diferencia significativa entre los niveles del factor” [27]. Por lo tanto, se concluyó que existen métodos de extracción de características no redundantes, que podrían otorgar información para el reconocimiento de cada sujeto en la base de datos.
Multicomparación. En [12], se aplicó la técnica de multicomparación Tukey [28] donde se obtuvieron los P- valores de cada combinación por pares de métodos de extracción de ca-racterísticas. De igual manera, se propuso un nivel de significancia (alpha) de 0.05, lo cual indica que se tiene un 95 % de confianza al aceptar la hipótesis de que, existe una diferencia
estadísticamente significativa en los métodos de extracción de características con un P-valor menor a alpha.
Niveles del factor no redundantes. Después de ANOVA y el análisis de multicomparación Tukey en [12] se obtuvo como resultado los métodos de extracción de características mostrados en la tabla 3.1, los cuales demostraron tener diferencias estadísticamente significativas.
Tabla 3.1: Métodos de extracción de características estadísticamente significativas obtenidas por ANOVA y
multicomparación Tukey.
# Método Nombre
15 Movilidad de la suma de señales PPG y ECG (parámetro Hjorth)
7 Movilidad de ECG (parámetro Hjorth).
12 Curtosis ECG.
4 Movilidad de PPG (parámetro Hjorth).
18 Curtosis de la suma de señales PPG y ECG.
Métodos de extracción de características obtenidas por ANOVA (Movilidad y Curtosis)
Con base en los resultados obtenidos por [12], este trabajo se enfoca en los métodos de extracción de características: movilidad de la suma de señales PPG y ECG, movilidad de ECG, curtosis ECG, movilidad de PPG y curtosis de la suma de señales PPG y ECG. De manera general las técnicas de interés son la movilidad (parámetro Hjorth) y la curtosis donde:
Movilidad. Este método de extracción de características pertenece a uno de los descriptores de Hjorth (métricas de propiedades estadísticas de señales en el dominio temporal, sus resultados también pueden interpretarse en el dominio de la frecuencia) [29]. Movilidad representa la frecuencia media de la señal, para obtenerla se divide la desviación estándar de la primera derivada de la señal entre la desviación estándar de la señal original como se muestra en (3.1). El incremento en la frecuencia de la señal da como resultado una movilidad creciente [30].
M ovilidad= v u u t
vardydt(n)
Donde:
var.- Varianza.
y.- Señal original.
n.- Muestra.
Curtosis. Informa sobre el grado de homogeneidad de la distribución de datos de la señal. Representa el grado de apuntamiento que tiene dicha distribución de datos. Mediante la curtosis se puede saber la proporción de la varianza explicada por la combinación de valores atípicos respecto a la media en contraposición con datos en posiciones más centrales [29]. Para el cálculo de la curtosis se utiliza (3.2).
Curtosis= 1 N
P(x
i−x¯)4
σ4 (3.2)
Donde:
xi.- Datos de la señal.
¯
x.- Media de la señal.
σ.- Desviación estándar.
3.3.3.
Clasificación por DTW
El algoritmo de alineamiento temporal dinámico (DTW por sus siglas en inglés Dynamic Time Warping) compara dos vectores que pueden tener distinta longitud. El propósito del algoritmo es modificar de forma no lineal la dimensión temporal de ambos vectores, y mapearlos en un único conjunto de índices, de tal forma que la distancia calculada componente a componente sea mínima. Así, las zonas donde el vector de referencia coincida con el vector de prueba se ubiquen y queden “alineados” [31].
En el trabajo realizado por [12] es utilizado el algoritmo DTW como método de clasificación en su sistema biométrico. En este trabajo se implementó dicho algoritmo como medida de distancia entre datos a clasificar, con la intensión de comparar la evaluación del sistema con los resultados obtenidos por [12]. En [32] se menciona que la elección de una medida de distancia depende de las características de los datos a clasificar y que el alineamiento temporal dinámico (DTW) según los experimentos realizados en el documento y todos los experimentos justos reproducibles en la literatura, que no existe gran cantidad de evidencia de alguna medida de distancia que sea sistemáticamente mejor que DTW.
Algoritmo
A continuación, se describe el algoritmo para obtener el valor de DTW de 2 vectores uno de referencia almacenado en la base de datos del sistema biométrico y otro de prueba [33].
Sea Xun vector de longitudN eY un vector de longitudM, ver (3.3) (3.4).
X(n) ={x1, x2, x3, ..., xN,} (3.3)
Y(m) ={y1, y2, y3, ..., yM,} (3.4)
Con (3.5), es construida la matriz de “distancias locales” d(n,m) el resultado se observa en (3.6).
d(n, m) =|x(n)−y(m)|; 1≤n≤N,1≤m≤M (3.5)
Y(m) .. . Y(2) Y(1)
d(1, m) d(2, m) · · · d(n, m) ..
. ... · · · ... d(1,2) d(2,2) · · · d(n,2) d(1,1) d(2,1) · · · d(n,1)
h
X(1) X(2) · · · X(n) i
(3.6)
A partir de la matriz de distancias locales se aplica la función de recursión mostrada en (3.7).
D(x, y) =d(x, y) +min[D(x−1, y), D(x−1, y−1), D(x, y−1)] (3.7)
Finalmente se obtiene el valor deDTW(x,y) con (3.8).
DT W(x, y) = D(N, M)
L (3.8)
Donde:
D(N,M).- Función de recursión evaluada en (N,M)
L. – Longitud del camino optimo desdeD(0,0) aD(N,M)
La sección de decisión es la última etapa en el proceso de reconocimiento biométrico, el valorDTW es el índice que indica al sistema biométrico el grado de similitud entre el vector de prueba y los
vectores almacenados en la base de datos, donde se toma como un individuo identificado aquel que obtenga el mínimo valor de DTW, lo cual indica la mínima diferencia entre vectores.
3.4.
Sistema embebido con FPGA (SoC Zynq-7000)
Un sistema embebido SoC por sus siglas en inglés (System-on-Chip) se trata de un sistema de computación diseñado para realizar una o algunas funciones para cubrir necesidades específicas. Al contrario de lo que ocurre con las computadoras de propósito general (como una computadora personal o PC), diseñados para cubrir un amplio rango de necesidades. En un sistema embebido la mayoría de los componentes se encuentran incluidos en la placa base (la tarjeta de vídeo, audio, módem, etc.). Es un sistema que incluye entradas, salidas, y una unidad de cálculo con propósito especifico. Un sistema embebido tiene como características generales [34]:
Fiabilidad. Deben ser capaces de funcionar de manera ininterrumpida en modo desatendido.
Personalización. Deben posibilitar la modificación del sistema de acuerdo a las necesidades del proceso.
La familia ZynqR-7000 SoC integra la capacidad de programación de software con un procesador
basado en ARMR y la capacidad de programación de hardware de una FPGA, esto permite
implementar un sistema embebido basado en la tecnología del SoC Zynq-7000 cuyas características se muestran en la tabla 3.2 [1]:
Tabla 3.2: Características del SoC ZynqR c-7000.
Caracteristicas Complementos
Procesador y periféricos
Procesadores Dual RMR c Cortex TM-A9.
Interconexión AXI.
Componentes periféricos AXI.
Reset, clocking, depurar puertos.
Plataforma de software para sistema de procesamiento
Sistemas operativos (por ejemplo,
Li-nux, FreeRTOS).
Soporte de lenguaje C.
Servicios de procesador.
C drivers para hardware.
Aplicación de usuario.
C drivers para hardware.
Aplicación de usuario.
La arquitectura del “system on chip” Zynq-7000 AP está compuesta por dos grandes secciones conocidas como “sistema de procesamiento” PS (por sus siglas del inglés processing system) y la “lógica programable” PL (por sus siglas del inglés progammable logic), las cuales se muestran en la figura 3.11.
Figura 3.11: Arquitectura del SoC Zynq-7000 AP [1].
Las características generales del sistema de procesamiento y de la logica programable se muestran en la tabla 3.3 [1]:
Tabla 3.3: Características generales del sistema de procesamiento (PS) y la Lógica programable (PL).
PS: Sistema de procesamiento PL: Lógica programable
Procesadores Dual ARMR CortexTM-A9. ArtixTMen dispositivos: Z-7010, Z-7015 and Z-7020 (so-lamente en bancos de entradas y salidas de alto rango).
Múltiples periféricos.
KintexTM en dispositivos: Z-7030, Z-7035, Z-7045, and
Z-7100 (combinado en bancos de entradas y salidas de
alto rango y alto rendimiento).
Núcleo de silicio sólido. ——————————
3.4.1.
Lógica programable PL
La sección PL en el SoC Zynq-7000 consiste en un conjunto de bloques lógicos configurables (LBs) unidos entre sí por una matriz de conexiones programables, multiplexores y bloques de
entradas y salidas (I/O). La matriz de interconexión programable, permite modificar la unión de los LBs y así realizar las funciones deseadas. Los bloques de entradas y salidas (I/O), son la interfaz que permite la comunicación con el exterior de la FPGA y así realizan el intercambio de información con elementos externos en modo de escritura y lectura [35]. La comunicación entre el sistema de procesamiento y la lógica programable se muestra en la figura 3.12.
Como es mostrado en la tabla 3.4, la interconexión del PS y el PL se realiza mediante tres bloques [1].
Tabla 3.4: Componentes de los bloques de interconexión entre PS y PL.
Bloque de interconexión Componentes
Procesamiento del Sistema maestro
Dos puertos que comunican desde el PS al PL.
Una conexión del bloque de la CPU a los
pe-riféricos comunes a través de la interconexión
central.
Procesamiento del Sistema esclavo Dos puertos que comunican desde el PL al PS.
Rango de direcciones periféricas en PL modo esclavo
Rango de direcciones periféricas en PL modo
esclavo.
4000_0000 y 7FFF_FFFF (conectados a GP0)
8000_0000 y BFFF_FFFF (conectados a GP1)
3.4.2.
Integrador de IP en Vivado
Vivado es el conjunto de herramientas para el diseño de FPGA de Xilinx e incluye la capa-cidad para el diseño de sistemas embebidos. Su integrador de IP (propiedad intelectual) permite el diseño a nivel de sistema en la parte de hardware de un sistema embebido. Vivado incluye todas las herramientas, IP y documentación que se requieren para el diseño de sistemas con el SoC Zynq-7000 AP y / o el procesador MicroBlaze Xilinx[1].
El catálogo de IP contiene una colección de IP que se puede usar para ensamblar el sistema embebido, esto facilita la construcción rápida del sistema, cada bloque de IP tiene sus propios parámetros de configuración, la mayoría de los IP son gratuitos, algunos requieren licencias, se encuentran almacenados como código fuente en el directorio de instalación. Los periféricos en el PS están siempre presentes y se pueden habilitar o deshabilitar dinámicamente a través del asistente de configuración del PS[1], los periféricos IP incluidos de forma gratuita en vivado se muestran en la tabla 3.5.
Tabla 3.5: Tabla de periféricos y sus IPs incluidos en Vivado.
Periféricos IP incluidos en Vivado
Controladores de bus y bridge
Conector AXI a AXI.
Bus de memoria local (LMB).
AXI Chip a Chip.
AHB-Lite a AXI.
AXI4-Lite a APB.
AXI4 a AHB-Lite.
Núcleos de depuración Analizador lógico integrado.
DMA y temporizadores Perro guardián, intervalo fijo.
Comunicación entre procesadores
Controlador periférico externo, Memoria y controlador de memoria
Periféricos de comunicación
Controlador MAC AXI 10/100 Ethernet.
Ethernet de modo triple de núcleo sólido.
AXI IIC.
AXI SPI.
AXI UART.
Otros núcleos
Monitor del sistema.
Convertidor de analógico-digital Xilinx (XADC).
Generador de reloj, módulo de reinicio del sistema.
Controlador de interrupción.
Generador de tráfico, monitor de rendimiento.
3.4.3.
Interfaces de propósito general e IP para la extensión del PS en el PL
Para añadir IP en el procesador lógico PL es necesario configurar desde la opción de vi-vado “PS-PL configuration” los puertos GP de personalización del PS. por ejemplo, habilitar M_AXI_GP0 / 1 o S_AXI_GP0 / 1. Los puertos estarán disponibles en el diagrama de blo-ques de Zynq como se muestra en la figura 3.13 y se conecta la IP agregada al puerto apropiado, se
asigna una dirección a la IP agregada o se agrega si no lo está, si es necesario se puede configurar la IP y hacer conexiones externas, es posible agregar puertos e interfaces externas si la IP agregada está interactuando con dispositivos externos.
Figura 3.13: Diagrama a bloque de IP Zynq [1].
3.4.4.
Bus AXI
El estándar de interfaz extensible avanzado (AXI por sus siglas del inglés Advanced Ex-tensible Interface), se trata de un protocolo perteneciente a la especificación AMBA (Advance Microcontroller Bus Arquitecture) de tercera y cuarta generación de ARM [35].
Concretamente, como se muestra en la figura 3.14, el SoC Zynq-7000 emplea el AXI4, que hace referencia a la especificación AMBA4 (curta versión) desarrollada en 2010. Este protocolo se emplea como medio de comunicación entre los bloques IP, se encarga de comunicar la lógica programable (PL) y el sistema de procesamiento (PS) del SoC.
Figura 3.14: Bus AMBA para microcontroladores [1].
Para el desarrollo de este proyecto se emplea el AXI4-Lite, que es una variante reducida de la espe-cificación AXI4-Full solo permite una transferencia de datos por transacción (no soporta ráfagas). Como se muestra en la figura 3.15, la interfaz AXI4-Lite consta de cinco canales diferentes [1].
Figura 3.15: Arquitectura de canales en bus AXI4-Lite [1].
Cada canal presente en una interfaz AXI4 se gestiona mediante un protocolo de establecimiento de comunicación (handshake). Para establecer automáticamente una negociación entre pares, que establece de forma dinámica los parámetros de un canal de comunicación entre ellos antes de que comience la comunicación normal por el canal. Es decir, emisor y receptor se comunican entre sí para realizar las operaciones de escritura y lectura [35].
3.4.5.
Sistema de procesamiento PS
La sección del sistema de procesamiento PS mostrado en el diagrama a bloques de la figura 3.16 es la zona del SoC donde se localiza el microprocesador de doble núcleo ARM Cortex, encargado de ejecutar desde aplicaciones de usuario hasta programas como un sistema operativo, así como el control de diferentes periféricos de entrada y salida [1]. Los principales componentes de la región PS del SoC son enlistados en la tabla 3.6.
Figura 3.16: Diagrama a bloques del sistema de procesamiento PS [1].
Tabla 3.6: Principales componentes de la región PS del SoC Zynq-7000.
Componentes de la región PS
Unidad de procesamiento de aplicaciones (APU).
Periféricos de entrada y salida (IOP).
Interfases de memoria.
Memoria de acceso directo (DMA).
Temporizadores.
Control de interrupción general.
Memorias ROM y RAM.
Controlador de depuración: CoreSight.
Una de las características del sistema de procesamiento PS es gestionar los diferentes periféricos en el SoC mostrados en la tabla 3.7, los cuales pueden observarse en el diagrama de bloques de la figura 3.17 [1].
Tabla 3.7: Periféricos gestionados por el sistema de procesamiento PS.
Periféricos del sistema de procesamiento PS Detalles Dos USB 2.0 OTG / Dispositivo / anfitrión
Dos Tri-modo GigE (10/100/1000)
Dos interfaces SD / SDIO Tarjetas de memoria, entrada y salida.
Dos CAN 2.0Bs, SPIs, I2Cs, UARTs
Cuatro bloques GPIO de 32 bits Cuatro bloques GPIO de 32 bits
Entrada / salida multiplexada (MIO) Multiplexado de periféricos y memorias estáticas.
MIO extendido Periféricos mapeados del PS al PL.
Figura 3.17: Diagrama a bloques los periféricos del PS [1].
Como se muestra en la figura 3.16, la memoria de la lógica programable en el sistema de proce-samiento PS cuenta con dos puertos que van al DDR y un puerto al OCM SRAM. En el PS la interconexión central activa otras interconexiones de comunicación, los periféricos maestros USB, GigE, SDIO conecta al DDR y PL a través de la interconexión central, los periféricos esclavos son: CPU, DMA, y PL acceden a los periféricos IOP [1].
