Catégorie Saine Fin Catégories Asthme et COPD bj ai α Classification KNN
Catégorie Asthme Catégorie COPD α
La méthode de discrimination des catégories consiste à comparer le premier paramètre b du modèle fractionnaire de l’équation (IV.8) d’un enregistrement sous test en termes de la distance euclidienne D de l’équation (IV.15) aux éléments de la première colonne mb du
tableau (IV.11) afin de décider si le paramètre extrait b est celui d'une personne saine ou malade, c'est-à-dire distinguer la catégorie saine des deux catégories asthme et COPD. Ensuite, les deux maladies sont discriminées en comparant le second paramètre extrait a de l’enregistrement sous test aux éléments de la seconde colonne ma du tableau (IV.11). Si les deux premiers paramètres extraits ne peuvent pas donner la catégorie exact; le classificateur KNN compare le paramètre extrait α de l’enregistrement sous test aux éléments de la troisième colonne m du tableau (IV.11) afin de décider de la catégorie asthme ou COPD de l’enregistrement sous test. L’organigramme de cette méthode de classification des maladies respiratoires proposée est illustré dans la figure (IV.11).
L’indice de performance utilisé pour l’évaluation de cette méthode de classification des maladies respiratoires est la justesse donnée par l’expression suivante :
100 * testés battements des total Nombre correctes s chantillon é des total Nombre (%) ustesse J (IV.16)
IV.3.3 Résultats et discussions
Dans ce contexte, 15 enregistrements de l’impédance respiratoire contenant 5 enregistrements Sain, 5 enregistrements Asthme et 5 enregistrements COPD ont été utilisés pour l’évaluation de l’efficacité et des performances de la méthode de classification proposée. L’indice de performance utilisé dans l’évaluation est la justesse, de l’équation (IV.16). La figure (IV.12) montre la justesse de la classification en termes des paramètres pertinents utilisés dans le processus de discrimination.
Figure (IV.12) : Justesse de la méthode de classification proposée
De la figure (IV.12), la justesse de la classification en utilisant le premier paramètre pertinent bj a atteint 40 %. Elle atteint 75 % en ajoutant le second paramètre pertinent ai au premier bj. Lorsqu’on ajoute encore le troisième paramètre pertinent α aux deux premiers bj et ai la justesse de la classification atteint 100 %. On conclut alors que la méthode de classification proposée en utilisant les trois paramètres pertinents suggérés peut distinguer sans erreur les trois catégories de personnes saines, asthmatiques et atteint de la maladie COPD à partir de la modélisation de l’impédance respiratoire par un modèle fractionnaire d’ordre commensurable.
IV.3.4 Conclusion
Dans ce chapitre, nous avons présenté la classification des arythmies cardiaques et des maladies respiratoires en se basant sur la modélisation par modèle fractionnaire d’ordre commensurable du complexe QRS de l’ECG et de l’impédance respiratoire d’entrée. En premier lieu, trois méthodes de classification des battements normaux et ectopiques prématurés (PVC) ainsi que les blocs de branche droite et gauche (RBBB-LBBB) ont été proposées. Dans les trois méthodes de classification proposées, les coefficients du modèle fractionnaire ont été utilisés comme paramètres pertinents dans le processus de discrimination des battements. Deux techniques heuristiques proposées ainsi que l’algorithme KNN ont été
bj ai α 0 10 20 30 40 50 60 70 80 90 100 Justesse de classification (%)
utilisées comme classificateurs. La base de données MIT-BIH a été utilisée pour effectuer des séries de tests pour valider et évaluer l'efficacité des méthodes de classification des arythmies cardiaques proposées. Les résultats de classification obtenus ont été comparés avec plusieurs travaux de la littérature utilisant la même base de données MIT/BIH. Les résultats de classification et de comparaison réalisés ont été très satisfaisants.
La seconde étape de ce chapitre a été consacrée à la classification des maladies respiratoires par l’exploitation de l’impédance respiratoire d’entrée. Une méthode de classification des personnes saines, asthmatiques et atteintes de la maladie de COPD a été proposée. Dans ce contexte, les coefficients du modèle fractionnaire d’ordre commensurable de l’impédance respiratoire d’entrée ont aussi été utilisés comme paramètres pertinents pour la première fois dans ce type d’expérience pour caractériser les enregistrements de l’impédance respiratoire. L’algorithme KNN a été utilisé comme classificateur dans le processus de discrimination des enregistrements. La méthode de classification proposée pour l’impédance respiratoire a été validée en utilisant une base de données avec des personnes saines, asthmatiques et atteintes de la maladie de COPD collectées au département de médecine respiratoire de l'hôpital de l'Université de Gand en Belgique. Les résultats de classification réalisés ont été très satisfaisants parce que la méthode de classification proposée a atteint une justesse de 100%.
Système de reconnaissance
biométrique
V.1 Introduction……….. 112
V.2 Introduction aux technologies biométriques et aux applications……….. 112
V.2.1 Principe de fonctionnement de l’identification biométrique……….. 113 V.2.2 Vérification par identification………... 113 V.2.3 Avantage des technologies biométriques………. 114 V.2.4 Désavantage des technologies biométrique………. 114 V.2.5 Modalités biométriques………. 115
V.3 Biométrie par ECG……….……….. 115
V.3.1 Elaboration de la méthode de classification proposée……….………... 116 V.3.1.1 Construction de la base de données biométrique……… 117 V.3.1.2 Identification d’une personne……….………... 118 V.3.2 Résultats et discussion………... 121
V.4 Conclusion……….…… 122
V
V. 1 Introduction
La biométrie est la mesure et l'analyse statistique des caractéristiques physiques et comportementales des personnes. Elle est principalement utilisée pour l'identification des individus, le contrôle d'accès, ou la reconnaissance des personnes sous surveillance. Le principe fondamental de la reconnaissance biométrique est que chaqu’individu est unique et qu’il est le seul à être identifié par ses traits physiques ou comportementaux [104]. Les techniques biométriques les plus utilisées dans la reconnaissance automatisée utilisent les empreintes digitales, du visage, de l'iris, de la rétine, de la géométrie des mains, de la voix et de la signature [105].
Récemment, l'utilisation du signal ECG comme un trait biométrique pour identifier les individus a été proposé [106]. Contrairement à d'autres traits biométriques humains, les caractéristiques de l’ECG peuvent être uniques et difficiles à falsifier. La validité de l'utilisation de l'ECG pour la reconnaissance biométrique est étayée par le fait que les différences physiologiques et géométriques du cœur chez différents individus présentent une singularité dans leurs ECG [106]. Un système de reconnaissance biométrique basé sur l’ECG peut être appliqué dans une grande variété d'applications, y compris le contrôle d'accès physique, la gestion des dossiers médicaux, en plus des applications gouvernementales et judiciaires. Dans ce chapitre, nous présentons d’abord une introduction générale sur la biométrie, ses propriétés ainsi que les différentes modalités biométriques. Ensuite, nous proposons une technique d'identification biométrique développée en se basant sur des paramètres temporels et les coefficients du modèle fractionnaire du contenu fréquentiel du complexe QRS de l’ECG. Les résultats ont été validés en utilisant la base de données MIT/BIH.
V. 2 Introduction aux technologies biométriques et aux applications
Le domaine de la biométrie est un domaine prometteur de la technologie qui repose sur la mesure de certaines caractéristiques physiques, biologiques ou comportementales d'une personne afin d'établir une identification, d'effectuer une vérification d'identité ou de reconnaître automatiquement une personne à travers ses caractéristiques. Les progrès récents dans les domaines de l'informatique, du traitement du signal et de la médecine ont permis aux systèmes biométriques d'identifier les personnes de façon unique. Cependant, la biométrie n’est pas vraiment récente. Son apparition remonte au 19ème siècle, avec les premières études alors appelées anthropométrie.
V. 2. 1 Principe de fonctionnement de l’identification biométrique
Le principe de fonctionnement des systèmes d’identification biométrique est pratiquement similaire, malgré les différents modes de fonctionnement de ces systèmes. Un système biométrique est un système d'identification en temps réel qui identifie une personne en mesurant une caractéristique physique ou comportementale particulière puis en la comparant à une bibliothèque de caractéristiques appartenant à beaucoup de personnes. Les appareils biométriques sont constitués par un ensemble de dispositifs. D’abord, des capteurs ainsi que des dispositifs de numérisation pour capter l’information biométrique à analyser de l’individu, puis ils convertissent l'information scannée en une forme numérique. Des logiciels sont ensuite utilisés pour traiter les informations biométriques et extraire des paramètres caractéristiques reliés à l’individu. Enfin, un algorithme est utilisé pour comparer ces caractéristiques avec d’autres déjà mémorisées dans la base de données. La figure (V.1) présente le principe de fonctionnement d’un système d’identification biométrique [104].
Figure (V.1) : Bloc diagramme de l’identification biométrique
V. 2. 2 Vérification par identification
Un système biométrique peut fonctionner en mode de vérification ou d'identification. En mode de vérification, le système effectue une comparaison un-à-un d'un biométrique capturé avec un modèle spécifique stocké dans une base de données biométriques pour vérifier que la personne est la personne qu'il prétende être. La «reconnaissance positive» est une utilisation
Capture Prétraitement Signature Fichier Apprentissage Vérification Transmission du résultat Capture Prétraitement Comparaison Fichier Signature
commune un mode de vérification, où l'objectif est d'empêcher plusieurs personnes d'utiliser la même identité. En mode d'identification, le système effectue une comparaison un-à-plusieurs dans une base de données biométriques pour tenter d'établir l'identité d'un individu inconnu. Le système réussira à identifier l'individu si la comparaison de l'échantillon biométrique à un modèle dans la base de données relève d'un seuil précédemment défini [105].
V. 2. 3 Avantage des technologies biométriques
Les technologies biométriques peuvent être appliquées aux zones nécessitant des solutions d'accès logique et peuvent être utilisées pour accéder aux applications, aux ordinateurs personnels, aux réseaux, aux comptes financiers, aux enregistrements des ressources humaines, au système téléphonique et à l'utilisation de profils personnalisés pour améliorer la mobilité des personnes handicapées [107]. La portée mondiale d'Internet a rendu les services et les produits d'une entreprise disponibles 24 heures sur 24 et 7 jours sur 7, à condition que le consommateur ait un nom d'utilisateur et un mot de passe pour se connecter. Dans de nombreux cas, le consommateur a peut-être oublié son nom d'utilisateur, son mot de passe ou les deux. Le consommateur doit ensuite prendre des mesures pour récupérer ou réinitialiser ses informations de connexion perdues ou oubliées. En mettant en œuvre un système d'authentification biométrique, les consommateurs peuvent choisir d'enregistrer leur trait biométrique ou leur carte à puce avec l'environnement de commerce électronique d'entreprise à consommateur, ce qui permettra à un consommateur d'accéder à son compte et de payer des biens et des services. Le bénéfice est qu'un consommateur ne perdra jamais ou n'oubliera son nom d'utilisateur ou son mot de passe et pourra mener ses affaires à leur convenance. Un système d'identification biométrique peut être appliqué aux zones nécessitant des solutions d'accès physique, telles que l'entrée dans un bâtiment, une pièce, un coffre-fort ou il peut être utilisé pour démarrer un véhicule motorisé. En outre, un système d'authentification biométrique peut facilement être lié à une application informatique utilisée pour surveiller le temps et la fréquentation des employés lorsqu'ils entrent et quittent les installations de l'entreprise. En bref, la biométrie sans contact peut et se prête à des personnes de tous niveaux.
V. 2. 4 Inconvénients des technologies biométriques
Certaines personnes, en particulier les personnes handicapées, peuvent avoir des problèmes avec la biométrie de contact. Non pas parce qu'ils ne veulent pas l'utiliser, mais parce qu'ils endurent un handicap qui les empêchent de manœuvrer dans une position qui leur permettra d'utiliser la biométrie ou parce que le système d'authentification biométrique n'est pas adaptable à l'utilisateur. Par exemple, si l'utilisateur est aveugle, une biométrie vocale peut être appropriée [107].
V. 2. 5 Modalités biométriques
Il existe plusieurs caractéristiques morphologiques uniques pour un individu et chacune pouvant être mesurée de plusieurs façons [105] :
La main : analyse de la longueur, largeur, forme des phalanges, des articulations, des
lignes de la main [108].
Les empreintes digitales : analyse des détails caractéristiques des sillons cutanés, ou
« minuties » : terminaison des sillons, croisements, bifurcations [109].
Le visage (en lumière visible ou infrarouge) : analyse de la géométrie du visage de
face et profil, ou en trois dimensions : forme des yeux, de la bouche, du nez, position
des pommettes, etc. à partir d’une photographie numérique ou d’une caméra
infrarouge; celle-ci permet l’analyse des vaisseaux sanguins du visage [109].
La voix : analyse des caractéristiques : fréquences, harmoniques, puissance sonore
[105].
L’oreille : analyse de la forme de l’oreille [104].
V. 3 Biométrie par ECG
Au cours des dernières années, plusieurs méthodes de reconnaissance biométrique ont été présentées sur la base des signaux ECG dans le but de construire un système d'identification humain efficace et fiable. Ces approches biométriques présentent des différences en termes d'extraction de caractéristiques et de mécanismes d'identification de personne. Dans [104], les auteurs ont analysé le signal ECG et ont prouvé sa faisabilité et son potentiel d'utilisation comme modalité biométrique pour l'identification humaine en raison de son universalité, de sa
permanence, de son caractère unique et de sa stabilité. Dans certaines techniques biométriques basées sur l'ECG, les auteurs ont utilisé des caractéristiques morphologiques telles que les durées de la forme d'onde de l'ECG, les intervalles, les amplitudes et les pentes des segments [104,110]. Récemment, les caractéristiques utilisées dans les méthodes biométriques basées sur l’ECG sont extraites du signal ECG traité en utilisant diverses techniques de traitement du signal telles que la corrélation, la décomposition des ondelettes, la modélisation des données et l'analyse statistique [111-113]. Pour les mécanismes d'identification des personnes, les méthodologies généralement utilisées dans la littérature comprennent l'appariement des modèles, les réseaux neuronaux, le classificateur KNN, la technique de mesure de distance en ondelettes, l'analyse des composants principaux et l'analyse discriminante linéaire.
Dans ce chapitre, on propose une méthode d'identification humaine en utilisant des caractéristiques temporelles et fréquentielles du complexe QRS du signal ECG [114]. Des séries de tests ont été effectuées pour évaluer l'algorithme d'identification proposé en utilisant 20 sujets de la base de données MIT-BIH [81].
V. 3. 1 Elaboration de la méthode de classification proposée
La description schématique de la méthode d’identification proposée est illustrée sur la figure (V.2). L’algorithme biométrique proposé est une technique de faible complexité commençant par l’étape de modélisation fractionnaire d’ordre commensurable du contenu fréquentiel de chaque QRS complexe du signal ECG du chapitre III. Dans la deuxième étape, le classificateur KNN est utilisé pour l'identification de la personne. Les caractéristiques utilisées dans l’identification biométriques sont extraites du modèle d'ordre fractionnaire en plus de la surface temporelle du complexe QRS.
Figure (V.2) : Méthode d’identification des personnes proposée
Le modèle proposé est un système linéaire fractionnaire d'ordre commensurable dont la fonction de transfert est représentée comme suit :
N 1 i i i M 0 j j j s a 1 s b G(s) (V.1)La procédure de modélisation du complexe QRS s'effectue à l'aide de la fonction Sanko[80]. Cette fonction reçoit la fréquence en rad/s, le gain en dB et la phase en degrés du contenu fréquentiel du complexe QRS, l'ordre commensurable α = 0,68, M = 4 et N = 6; elle retourne les 11 paramètres estimés ai (1 ≤ i ≤ 6) et bj (0 ≤ j ≤ 4).
V. 3. 1. 1 Construction de la base de données biométrique
La première étape dans un système biométrique est la construction d’une base de données des caractéristiques. Dans ce contexte, les paramètres pertinents choisis pour construire le modèle de la base de données de caractéristiques sont les coefficients b0, b1, b2, b3, b4 du numérateur de la fonction de transfert du modèle fractionnaire du contenu fréquentielle du complexe QRS du signal ECG de l'équation (V.1) ainsi que la surface temporelle, notée A, de ce même complexe QRS. La procédure de calcul pour générer le modèle de la base de données des caractéristiques est décrite comme suit :
Prendre 100 battements d'une personne de l'enregistrement ECG filtré et extraire les 100
complexes QRS correspondants, comme indique le chapitre III.
Calculer le coefficient de surface A de tous les 100 complexes QRS.
Modéliser le contenu fréquentiel de ces 100 complexes QRS en utilisant le modèle
d'ordre fractionnaire de la section précédente et extraire les 100 ensembles des
coefficients b0, b1, b2, b3, b4 du numérateur de la fonction de transfert de l'équation (V.1).
Calculer les valeurs moyennes des coefficientsb , 0 b , 1 b , 2 b , 3 b et 4
A
des 100 ensembles des coefficients b0, b1, b2, b3, b4 et A. Enfin, chaque personne est représentée par les six coefficients b , 0 b , 1 b , 2 b , 3 b et 4
A
.L'organigramme de la construction de la base de données des caractéristiques proposées à partir de l'ensemble des coefficients b , 0 b , 1 b , 2 b , 3 b et 4
A
est illustré dans la figure (V.3).Figure (V.3) : Organigramme de la construction de la base de données des caractéristiques
V. 3. 1. 2 Identification d’une personne
Généralement, la reconnaissance de la personne est la dernière étape dans tout processus d'identification biométrique. Le classificateur KNN est utilisé en reconnaissance personnelle en raison de sa simplicité, de son succès dans la résolution des problèmes et de la haute précision des résultats obtenus. Comme le présente le chapitre précédent, le classificateur KNN est généralement basé sur la distance euclidienne entre les caractéristiques de l'échantillon sous test et chaque échantillon du modèle de base de données des caractéristiques stockées. La distance euclidienne normalisée entre deux points x1 et x2 est la longueur du segment de ligne qui les relie comme étant:
x2
1 x T 2 x 1 x n 1 ) 2 x , 1 D(x (V.2)où n est la dimension des vecteurs x1 et x2. La procédure de calcul pour générer le score de reconnaissance de personne d'un échantillon sous test en utilisant l’ECG est décrite comme suit:
Début
Prétraitement du Signal ECG
Extraction des Paramètres Fractionnaires Calcul de la Surface A du Complexe QRS Modélisation Fractionnaire du Complexe QRS Base de données Fin
Prendre un segment de 50 battements seulement (environ 45 secondes) de l’ECG de l'échantillon sous test ; puis filtrer le et extraire les 50 complexes QRS du segment.
Calculer le coefficient de surface A de tous les 50 complexes QRS ; puis calculer la
valeur moyenne
A
. Modéliser le contenu fréquentiel de ces 50 complexes QRS en utilisant le modèle fractionnaire d'ordre commensurable de l’équation (V.1); Extraire ensuite les 50
ensembles des coefficients b0, b1, b2, b3, b4 du numérateur de la fonction de transfert de l'équation (V.1).
Calculer les valeurs moyennes des coefficientsb , 0 b , 1 b , 2 b , 3 b et 4
A
en utilisant les 50 ensembles des coefficients b0, b1, b2, b3, b4 et A. La personne de l'échantillon sous test est caractérisée donc par les six coefficients b , 0 b , 1 b , 2 b , 3 b et4A
. Utilisez le classificateur KNN pour chaque coefficient des 5 coefficients b , 0 b , 1 b , 2
3
b , b pour trouver la meilleure correspondance entre l'échantillon sous test et les 4 éléments de la base de données des caractéristiques stockées. Le résultat des scores de
reconnaissance obtenu est donc 5 personnes correspondants aux 5 coefficients b , 0 b , 1
2
b , b , 3 b . 4
Si toutes les 5 personnes des scores de reconnaissance sont identiques, le processus de reconnaissance de personne va s’arrêter.
Sinon, on utilise le classificateur KNN pour le coefficient A pour trouver la meilleure correspondance entre l'échantillon sous test et les 5 personnes des scores de
reconnaissance obtenues précédemment. Le résultat des scores de reconnaissance
obtenu est donc une seule personne correspondants au coefficient A.
Figure (V.4) : Algorithme d’identification d’une personne. Les cinq scores
non identiques Classificateur KNN pour le coefficient
A
Début Personne identifiée Classificateur KNN pour chaque coefficient0
b , b , 1 b , 2 b , 3 b 4
Personne identifiée Prendre un Segment de
45 s d’un Signal ECG
Calcul du coefficient
A
Calcul des 5 coefficientsb , 0 b , 1 b , 2 b , 3 b 4 Calcul du coefficient de surface A du complexe
QRS
Extraction des 5 paramètres b0, b1, b2, b3, b4 de la modélisation fractionnaire du complexe QRS
Fin
Les cinq scores identiques
Personne non identifiée
V. 3. 2 Résultats et discussion
Cette section présente l'évaluation de la méthode d'identification humaine à base du complexe QRS du signal ECG. Vingt enregistrements d’ECG de la base de données MIT/BIH représentant vingt personnes différentes contenant des battements normaux et anormaux ont été utilisés [81]. Une série de tests a été effectuée dans laquelle la base de données des caractéristiques et le processus de reconnaissance de la personne ont été effectués pour différentes sections de chaque enregistrement ECG. Pour la construction de la base de données des caractéristiques, cent battements (environ 90 secondes) de chaque enregistrement ECG ont été utilisés et pour la génération du score de reconnaissance de la personne, seuls cinquante battements (environ 45 secondes) de chaque enregistrement ECG ont été utilisés. Six coefficients ont été utilisés pour les deux phases de la biométrie ECG proposée. Cinq coefficients proviennent du domaine fréquentiel qui sont les coefficients du numérateur de la fonction de transfert du modèle fractionnaire du contenu fréquentiel du complexe QRS et une caractéristique du domaine temporel qui est la surface du complexe QRS. L'algorithme de