В век информационных технологий все больше становится актуальна проблема информационной безопасности. Из-за ежедневного увеличения актуальности угроз появилась необходимость совершенствования существующих мер защиты. Одним из таких механизмов защиты информации является аутентификация [1], которая представляет процедуру проверки подлинности, предъявляемого идентификатора. В качестве аутентификаторов могут выступать: личная информация, доступная только авторизованному пользователю (фраза или пароль), уникальный физический объект (ключ от замка, пластиковая карта) или биометрия (отпечаток пальца, сетчатка глаза). Все существующие методы имеют определенные недостатки и необходимо использовать новые подходы и средства аутентификации, которые бы сложно было сфальсифицировать или украсть.
Использование медицинской диагностической аппаратуры открывает возможность использования в качестве аутентификаторов физиологические показатели, характеризующие работу физиологических систем организма, таких как сердечно-сосудистая система, дыхательная система, нервная система и т. д. Определенный набор данных показателей позволяет сопоставить конкретному человеку некий эталон, который в дальнейшем может использоваться для аутентификации его личности.
Система идентификации на основе данных медицинской диагностики. Для создания такой системы необходимо оборудование, которое будет измерять физические проявления физиологических процессов организма, и представлять их в удобном виде для обработки с помощью электронных средств [2, 3]. В качестве такого оборудования могут выступать: электрокардиограф, магнитокардиограф, фонокардиограф, фотоплетизмограф, электроэнцефалограф, сфигмограф, реограф и т. д.
Рассмотрим в качестве примера систему идентификации на основе анализа электрокардиограмм (ЭКГ), представленную на рис. 1. Перед началом работы системы требуется этап регистрации, который служит для сбора отличительных признаков ЭКГ и хранения их в базе данных. На этом этапе также реализуется специальная предварительная обработка для устранения шумов и артефактов, а также извлечение и обработка различных персональных признаков. После сохранения характеристик субъектов появляется возможность проведения идентификации, когда соответствующий алгоритм классификации присваивает извлеченные характеристики наилучшим совпадающим данным объекта, хранящимся в базе данных.
Рис. 1. Система идентификации на примере ЭКГ
Персональные признаки ЭКГ. Существующие подходы для обработки ЭКГ — сигнала могут быть сгруппированы по двум основным категориям: с предварительной сегментацией и без предварительной сегментации. Каждая категория может быть дополнительно подразделена, как показано на рис. 2.
Рис. 2. Классификация методов обработки ЭКГ
Под сегментацией понимается определение характерных точек в процессе сердцебиения. Временны́е параметры [4, 5] включают в себя: длительность волны сердцебиения в целом и различных интервалов (рис. 3а) между фазами работы сердца (PQ, RS, ST и т. д.). Амплитудные характеристики [5, 6] представляют собой значения амплитуд (рис. 3б), относительных амплитуд между пиками ЭКГ волны, амплитуды пиков 1-й и 2-й производных и т. д. Морфологическими признаками являются форма волны ЭКГ в целом либо формы ее составляющих интервалов.
Рис. 3. Примеры параметров ЭКГ (а — временны́х, б — амплитудных)
Все вышеописанные параметры демонстрируют главный недостаток: сигнал ЭКГ может обладать значительной вариабельностью по времени. Это, в свою очередь, вызывает изменение во временны́х, амплитудных и морфологических параметрах между волнами во время физической активности сердца, например, за счет препаратов или сильных эмоций. Поэтому необходимо нормировать значения относительно изменений ЧСС [7]. Также в качестве параметров можно выбирать значения нормированной автокорреляции [8] или же параметры вейвлет — анализа [9].
Выводы. Существует большое количество методов обработки, но вместе с ними и становятся актуальны следующие проблемы относительно адекватности использования данных медицинской диагностики в качестве аутентификатора. Во-первых, пока неясно, каков наилучший набор параметров следует использовать. Необходимы многочисленные исследования разных наборов признаков для достижения наилучшего результата аутентификации.
Во-вторых, изменчивость физиологических процессов в течение жизненного цикла. Примером тому может являться изменчивость, вызванная работой, старением, спортивной активностью, возникшими болезнями и т. д.
В-третьих, тесты, встречающиеся в литературе, в основном проводились на малом количестве людей. Таким образом, применимость биометрического распознавания диагностических данных в больших масштабах еще не доказана.
Литература:
- Аутентификация. Теория и практика обеспечения безопасного доступа к информационным ресурсам: учебное пособие для вузов / А. А. Афанасьев, Л. Т. Веденьев, А. А. Воронцов и др.; под ред. А. А. Шелупанова, С. Л. Груздева, Ю. С. Нахаева. — 2-е изд., стер. — Москва: Горячая линия — Телеком, 2012. — 552 с.
- Федотов А. А., Акулов С. А. Математическое моделирование и анализ погрешностей измерительных преобразователей биомедицинских сигналов. — М.: ФИЗМАТЛИТ, 2013. — 282 с.
- Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход / Пер. с англ под ред. А. П. Немирко. — М.: ФИЗМАТЛИТ, 2007. — 440 с.
- Biel L, Pettersson O, Philipson L, Wide P. ECG analysis: a new approach in human identification. IEEE Trans Instrum Meas. 2001;50(3):808–12 (IEEE).
- Israel SA, Scruggs WT, Worek WJ, Irvine JM. Fusing face and ECG for personal identification. In: Proceedings of the 32nd applied imagery pattern recognition workshop, 2003. IEEE. 2003. p. 226–31.
- Hoekema R, Uijen GJ, van Oosterom A. Geometrical aspects of the interindividual variability of multilead ECG recordings. IEEE Trans Biomed Eng. 2001;48(5):551–9.
- Israel SA, Irvine JM, Cheng A, Wiederhold MD, Wiederhold BK. ECG to identify individuals. Pattern Recognit. 2005;38(1):133–42.
- Plataniotis KN, Hatzinakos D, Lee JKM. ECG biometric recognition without fiducial detection. In: Biometrics symposium: special session on research at the biometric consortium conference, 2006. IEEE. 2006. p. 1–6.
- Chan ADC, Hamdy MM, Badre A, Badee V. Wavelet distance measure for person identification using electrocardiograms. IEEE Trans Instrum Meas. 2008;57(2):248–53.
