基于击键动态与指关节成像融合的用户验证及NMF在医疗数据中的应用

### 基于击键动态与指关节成像融合的用户验证及NMF在医疗数据中的应用 在当今数字化时代，用户身份验证的准确性和安全性至关重要。同时，医疗数据的分析和处理也对于疾病的诊断和治疗有着重要意义。本文将介绍一种基于击键动态与指关节成像融合的生物特征用户验证系统，以及非负矩阵分解（NMF）在医疗数据筛选中的应用。 #### 击键动态与指关节成像融合的用户验证系统 1. **系统流程** - 当击键验证未通过阈值时，用户需进入指关节验证阶段。 - 指关节图像采集使用特殊设备，该设备包含一个带有摄像头和三个内置白色LED灯的盒子，LED灯用于从不同方向均匀照亮手指，摄像头聚焦于食指。 - 采集到指关节图像后，进行一系列分析处理，包括Hessian滤波、Otsu二值化和Pavlidis细化算法，以提取手指纹路。 - 完成图像分析后，为被验证人员（记为A）形成两个集合X和Y。集合X包含A的所有可能图像对的相似度系数值，集合Y包含A的指关节图像与另一个随机用户B的指关节图像的相似度系数值。 - 通过正常互相关（NCC）技术计算任意两个指关节图像的相似度。 - 将待验证的指关节图像与数据库中声称身份的用户的随机图像进行比较，得到比较结果d*。 - 使用k - NN分类器对验证的指关节图像进行分类，根据多数原则确定d*所属的类别（c1或c2），若d*属于c1，则表示验证的指关节图像来自合法用户。 - 最终的用户验证决策基于击键和指关节图像验证结果的融合，通过分析击键验证结果的阈值τ和k - NN方法中的参数k值来做出决策。 2. **实验结果** - 实验在包含4000个向量F和150个指关节图像（来自30人）的数据库上进行，所有实验重复10次以提高统计准确性。 - 分类模块采用C4.5、贝叶斯网络、支持向量机和随机森林四个单一分类器的集成。 - 通过网格搜索确定参数τ′、τ′′和k*的最优值，结果表明，当τ′ = 3，τ′′ = 2和k* = 5时，分类效率最佳。 - 分析指关节图像数量对结果的影响，发现分析每人8个指关节图像时，分类效率最高。 - 将融合方法的效率与单独的击键验证和指关节验证方法进行比较，结果显示，两种方法的融合在分类上比单独使用一种方法更有效。 | 集合X和Y的元素数量 | 误识率（FAR）[%] | 拒识率（FRR）[%] | 平均错误率（AER）[%] | 准确率（ACC）[%] | τ′ | τ′′ | k* | | --- | --- | --- | --- | --- | --- | --- | --- | | 4和4 | 7.72 ± 1.36 | 19.38 ± 2.32 | 13.55 ± 1.73 | 93.36 ± 1.89 | 3 | 2 | 5 | | 6和6 | 6.38 ± 0.51 | 12.56 ± 1.45 | 9.47 ± 2.12 | 95.17 ± 2.54 | 3 | 2 | 5 | | 8和8 | 1.07 ± 1.47 | 3.35 ± 2.04 | 2.21 ± 1.76 | 98.50 ± 1.33 | 3 | 2 | 5 | | 10和10 | 1.11 ± 1.13 | 3.33 ± 2.26 | 2.22 ± 1.64 | 98.49 ± 1.22 | 3 | 2 | 7 | | 12和12 | 1.09 ± 1.45 | 3.36 ± 2.35 | 2.22 ± 1.32 | 98.51 ± 1.53 | 3 | 2 | 5 | #### 非负矩阵分解（NMF）在医疗数据筛选中的应用 1. **NMF方法概述** - NMF是一种无监督机器学习方法，用于学习患者通气系统的正常和异常状态。 - 与主成分分析（PCA）和奇异值分解（SVD）相比，NMF基于分析数据矩阵和派生因子矩阵均应为非负的假设，这使得派生因子更易于解释。 - NMF可作为降维方法，通过非负约束直接提供分析数据集中数据向量的组隶属信息，有时还能实现双聚类。 2. **医疗数据应用** - 研究使用包含77名患者、每个患者由12个变量表征的医疗数据集，旨在探索NMF在该数据集上的聚类能力。 - 用热图可视化肺部数据。 - 详细展示NMF模型在将数据维度降至2和3