АРХИТЕКТУРА НЕЙРОСЕТЕВОГО АНАЛИЗАТОРА БИОМЕТРИЧЕСКИХ ПАРАМЕТРОВ СЛУШАТЕЛЕЙ СИСТЕМЫ ДИСТАНЦИОННОГО ОБУЧЕНИЯ

Автор(и)

  • Людмила Терейковская Киевский национальный университет строительства и архитектуры, Киев https://orcid.org/0000-0002-8830-0790

DOI:

https://doi.org/10.32347/2412-9933.2020.44.91-99

Ключові слова:

нейронные сети, распознавание эмоций, распознавание личности, дистанционное обучение, защита информации

Анотація

Обоснована актуальность задачи разработки инструментальных средств нейросетевого анализа биометрических параметров для распознавания личности и эмоций слушателей системы дистанционного обучения. Показана необходимость формализации  архитектурных решений, используемых при создании  программных средств, предназначенных для нейросетевого анализа биометрических параметров. В результате проведенных исследований в терминах языка моделирования UML разработана архитектура нейросетевого анализатора биометрических параметров. Разработаны диаграммы вариантов использования нейросетевого анализатора как при распознавании личности студента при входе в систему, так и при распознавании личности и эмоций студента в процессе его взаимодействия с системой дистанционного обучения. Также, базируясь на разработанных диаграммах вариантов использования, построена структурная схема анализатора. Обоснована необходимость включения в состав анализатора подсистем определения функциональных параметров анализатора, регистрации биометрических параметров, нейросетевого анализа зарегистрированных биометрических параметров, распознавания личности и распознавания эмоций. Оригинальной особенностью предложенных архитектурных решений является внедрение в подсистему нейросетевого анализа модуля интегрированного анализа, предназначенного для обобщения результатов нейросетевого анализа отдельно каждого из биометрических параметров. Разработано правило принятия интегрированного решения, учитывающее результаты нейросетевого анализа каждого из регистрируемых биометрических параметров и соответствующие им весовые коэффициенты, определенные путем экспертного оценивания. Внедрение модуля интегрированного анализа позволяет повысить точность распознавания эмоций и личности студента, поскольку окончательная классификация реализуется за счет обобщенной оценки нескольких гарантированно значимых биометрических параметров. Кроме этого, использование данного модуля позволяет повысить надежность нейросетевого анализатора в случае трудностей, связанных с регистрацией того или иного биометрического параметра. Установлено, что правило принятия решения возможно усовершенствовать за счет использования в модуле интегрированного анализа одной или нескольких нейронных сетей, предназначенных для обобщения результатов нейросетевого анализа всех регистрируемых биометрических параметров. Предложено соотнести направления дальнейших исследований с разработкой соответствующих нейросетевых решений.

Біографія автора

Людмила Терейковская , Киевский национальный университет строительства и архитектуры, Киев

Кандидат технических наук, доцент, доцент кафедры информационных технологий проектирования и прикладной математики

Посилання

Alghamdi, S.J., Elrefaei, L.A. (2015). Dynamic user verification using touch keystroke based on medians vector proximity. Procc. Computational Intelligence, Communication Systems and Networks (CICSyN), pp. 121–126. IEEE, 2015.

Ali, M.L., Thakur, K, & Tappert, C. (2015). User authentication and identification using neural network. I-manager's Journal on Pattern Recognition, 2(2), 28–39.

Al-Raisi, A.N., Al-Khouri, A.M. (2008). Iris recognition and challenge of homeland and border control security in UEA. Telematics and Informatics, 25, 117-132.

Barmak, O., Krak, I., Mazurets, O., Pavlov, S., Smolarz, A. (2020). Research of efficiency of information technology for creation of semantic structure of educational materials. Advances in Intelligent Systems and Computing, 1020, 554–569.

Drugman, T., Dutoit, T. (2010). On the Potential of Glottal Signatures for Speaker Recognition. Interspeech, 2106-2109.

Dua, M., Gupta, R., Khari, M. et al. (2019). Biometric iris recognition using radial basis function neural network. Soft Comput., 23, 11801–11815.

Variani, Ehsan, Lei, Xin, McDermott, Erik, Lopez Moreno, Ignacio and Gonzalez-Dominguez, Javier. (2014). Deep neural networks for small footprint text-dependent speaker verification. Acoustics, Speech and Signal Processing (ICASSP), 2014 IEEE International Conference, pp. 4052-4056.

Ganchev, T., Fakotakis, N., Kokkinakis, G. (2005). Comparative evaluation of various MFCC implementations on the speaker verification task. Procc. 10th International Conference on Speech and Computer, Patras, Greece.

Hajaria, K., Ujwalla, Gawandeb, Golharc, Y. (2015). Neural Network Approach to Iris Recognition in Noisy Environment. Procc. International Conference on Information Security & Privacy (ICISP2015), 11-12 December 2015, Nagpur, INDIA, 78 (2016), pp. 675–682.

Hayreddin, Ç., Shambhu, U. (2017). Sensitivity analysis in keystroke dynamics using convolutional neural networks. Procc. 2017 IEEE Workshop on Information Forensics and Security (WIFS), 4-7 Dec, Pp. 1-6.

Hu, Z., Tereikovskyi, I., Korystin, O., Mihaylenko, V., Tereikovska, L. (2021) Two-Layer Perceptron for Voice Recognition of Speaker’s Identity. Advances in Intelligent Systems and Computing, 1247, 508-517.

Hu, Z., Tereykovskiy, I., Zorin, Y., Tereykovska, L., Zhibek, A. (2019). Optimization of Convolutional Neural Network Structure for Biometric Authentication by Face Geometry. Advances in Intelligent Systems and Computing, 754.

Malik, Jyoti, Girdhar, Dhiraj, Dahiya, Ratna, Sainarayanan, G. (2014). Reference Threshold Calculation for Biometric Authentication IJIGSP, 6, 2, 46-53.

Kanimozhi, M., Puvirajasingam, K. & Avitha, M.S. (2014). Survey on keystroke dynamics for a better biometric authentication system. International Journal of Emerging Technologies and Engineering (IJETE), 1(9), 116-139.

Krak, I., Barmak, O., Mazurets, O. (2018). The practice implementation of the information technology for automated definition of semantic terms sets in the content of educational materials. CEUR Workshop Proceedings, 2139, Pp. 245–254.

Liu, M., Guan, J. (2019). User keystroke authentication based on convolutional neural network. Communications in Computer and Information Science, 971, 157-168.

Lin, C.-H., Liu, J.-C., Lee, K.-Y. (2018). On neural networks for biometric authentication based on keystroke dynamics. Sensors and Materials, 30(3), 385-396.

Muhammad, A., Rizwan, Ali Naqvi, Dong, Seop Kim, Phong, Ha Nguyen, Muhammad, Owais and Kang, P. (2018). IrisDenseNet: Robust Iris Segmentation Using Densely Connected Fully Convolutional Networks in the Images by Visible Light and Near-Infrared Light Camera Sensors. Sensors, 18, 1501, 1-30.

Saket, M., Soumyajit, G., Vikram, P. (2017). Deep Secure: A Fast and Simple Neural Network based approach for User Authentication and Identification via Keystroke Dynamics. Procc. IWAISe, International Joint Conference on Artificial Intelligence (IJCAI), pp. 34-40.

Sanjay, R., Mirza, S. (2013). Iris Recognition System And Analysis Using Neural Networks. International Journal of Engineering Research & Technology (IJERT), 2, 7, 1051-1054.

Sorokin, V.N., Tsyplikhin, A.I. (2010). Speaker verification using the spectral and time parameters of voice signal. Journal of Communications Technology and Electronics, 55, 12, 1561-1574.

Tereikovska, L., Tereikovskyi, I., Mussiraliyeva, S., Akhmed, G. (2019). Recognition of emotions by facial Geometry using a capsule neural network. International Journal of Civil Engineering and Technology (IJCIET), 10, 04, 270-279. Article ID: IJCIET_10_04_029.

Tereikovskyi, I., Mussiraliyeva, S., Kosyuk, Y., Bolatbek, M., Tereikovska, L. (2018). An experimental investigation of infrasound influence hard drives of a computer system. International Journal of Civil Engineering and Technology, 9, 6, 1558–1566.

Tereikovskiy, I., Parkhomenko, I., Toliupa, S., Tereikovska, L. (2018). Markov model of normal conduct template of computer systems network objects. Procc. 14th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering, TCSET 2018.

Toliupa, S., Tereikovskyi, I., Tereikovskyi, O., Tereikovska, L., Nakonechnyi, V. and Kulakov, Y. (2020). Keyboard Dynamic Analysis by Alexnet Type Neural Network. Procc. 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 2020, pp. 416-420.

Dias, Usham, Frietas, Vinita, Sandeep, P.S. and Fernandes, Amanda. (2010). А neural network based iris recognition system for personal identification. Ictact Journal on Soft Computing, 2, 78-83.

Xiaofeng, L., Shengfei, Z., Shengwei, Y. (2019). Continuous authentication by free-text keystroke based on CNN plus RNN. Procedia Computer Science, 147, 314-318.

Yunbin, D., Yu, Z. (2015). Keystroke Dynamics Advances for Mobile Devices Using Deep Neural Network. GCSR, 2, 59-70.

##submission.downloads##

Опубліковано

2020-11-30

Як цитувати

Терейковская , Л. . (2020). АРХИТЕКТУРА НЕЙРОСЕТЕВОГО АНАЛИЗАТОРА БИОМЕТРИЧЕСКИХ ПАРАМЕТРОВ СЛУШАТЕЛЕЙ СИСТЕМЫ ДИСТАНЦИОННОГО ОБУЧЕНИЯ. Управління розвитком складних систем, (44), 91–99. https://doi.org/10.32347/2412-9933.2020.44.91-99

Номер

Розділ

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ ПРОЄКТУВАННЯ