Аннотації

АРХІТЕКТУРА НЕЙРОМЕРЕЖЕВОГО АНАЛІЗАТОРА БІОМЕТРИЧНИХ ПАРАМЕТРІВ СЛУХАЧІВ СИСТЕМИ ДИСТАНЦІЙНОГО НАВЧАННЯ

Автор(и):
Терейковская Л. А.
Автор(и) (англ)
Tereikovska Liudmyla
Дата публікації:

02.11.2020

Анотація (укр):

Обґрунтовано актуальність завдання розроблення інструментальних засобів нейросіткового аналізу біометричних параметрів для розпізнавання особистості й емоцій слухачів системи дистанційного навчання. Показано необхідність формалізації архітектурних рішень, які використовуються при створенні програмних засобів, призначених для нейросіткового аналізу біометричних параметрів. В результаті проведених досліджень в термінах мови моделювання UML розроблена архітектура нейросіткового аналізатора біометричних параметрів. Розроблено діаграми варіантів використання нейромережевого аналізатора як при розпізнаванні особистості студента при вході в систему, так і при розпізнаванні особистості й емоцій студента в процесі його взаємодії із системою дистанційного навчання. Також, базуючись на розроблених діаграмах варіантів використання, побудована структурна схема аналізатора. Обґрунтовано необхідність включення до складу аналізатора підсистем визначення функціональних параметрів аналізатора, реєстрації біометричних параметрів, нейросіткового аналізу зареєстрованих біометричних параметрів, розпізнавання особистості і розпізнавання емоцій. Оригінальною особливістю запропонованих архітектурних рішень є впровадження в підсистему нейросіткового аналізу модуля інтегрованого аналізу, призначеного для узагальнення результатів нейросіткового аналізу окремо кожного з біометричних параметрів. Розроблено правило прийняття інтегрованого рішення, що враховує результати нейросіткового аналізу кожного з реєстрованих біометричних параметрів і відповідні їм вагові коефіцієнти, визначені шляхом експертного оцінювання. Впровадження модуля інтегрованого аналізу дозволяє підвищити точність розпізнавання емоцій і особистості студента, оскільки остаточна класифікація реалізується за рахунок узагальненої оцінки декількох гарантовано значущих біометричних параметрів. Крім цього використання даного модуля дозволяє підвищити надійність нейросетевого аналізатора в разі труднощів, пов'язаних з реєстрацією того чи іншого біометричного параметра. Встановлено, що правило прийняття рішення можливо вдосконалити за рахунок використання в модулі інтегрованого аналізу однієї або декількох нейронних мереж, призначених для узагальнення результатів нейросетевого аналізу всіх реєстрованих біометричних параметрів. Запропоновано співвіднести напрямки подальших досліджень з розробкою відповідних нейромережевих рішень.

Анотація (рус):

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.

Анотація (англ):

The urgency of the task of developing tools for neural network analysis of biometric parameters for recognizing the personality and emotions of students of the distance learning system has been substantiated. The necessity of formalizing the architectural solutions used in the creation of software for neural network analysis of biometric parameters is shown. As a result of the research carried out in terms of the UML modeling language, the architecture of the neural network analyzer of biometric parameters has been developed. Diagrams of options for using the neural network analyzer have been developed both for recognizing the personality of a student when entering the system, and for recognizing the personality and emotions of a student in the process of his interaction with the distance learning system. Also, based on the developed use case diagrams, a structural diagram of the analyzer is built. The necessity of including subsystems for determining the functional parameters of the analyzer, registration of biometric parameters, neural network analysis of registered biometric parameters, personality recognition and emotion recognition is substantiated. An original feature of the proposed architectural solutions is the introduction into the neural network analysis subsystem of an integrated analysis module designed to summarize the results of neural network analysis separately for each of the biometric parameters. A rule for making an integrated decision has been developed, taking into account the results of a neural network analysis of each of the registered biometric parameters and the corresponding weight coefficients determined by expert evaluation. The introduction of the integrated analysis module makes it possible to increase the accuracy of recognition of emotions and personality of a student, since the final classification is realized through a generalized assessment of several guaranteed significant biometric parameters. In addition, the use of this module makes it possible to increase the reliability of the neural network analyzer in case of difficulties associated with the registration of a particular biometric parameter. It has been established that the decision-making rule can be improved by using one or more neural networks in the integrated analysis module, designed to generalize the results of the neural network analysis of all registered biometric parameters. It is proposed to correlate the directions of further research with the development of appropriate neural network solutions.

Література:

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. Drugman, T., Dutoit, T. (2010). On the Potential of Glottal Signatures for Speaker Recognition. Interspeech, 2106-2109.
  6. Dua, M., Gupta, R., Khari, M. et al. (2019). Biometric iris recognition using radial basis function neural network. Soft Comput., 23, 11801–11815.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. Malik, Jyoti, Girdhar, Dhiraj, Dahiya, Ratna, Sainarayanan, G. (2014). Reference Threshold Calculation for Biometric Authentication IJIGSP, 6, 2, 46-53.
  14. 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.
  15. 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.
  16. Liu, M., Guan, J. (2019). User keystroke authentication based on convolutional neural network. Communications in Computer and Information Science, 971, 157-168.
  17. 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.
  18. 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.
  19. 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.
  20. Sanjay, R., Mirza, S. (2013). Iris Recognition System And Analysis Using Neural Networks. International Journal of Engineering Research & Technology (IJERT), 2, 7, 1051-1054.
  21. 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.
  22. 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.
  23. 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.
  24. 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.
  25. 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.
  26. 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.
  27. Xiaofeng, L., Shengfei, Z., Shengwei, Y. (2019). Continuous authentication by free-text keystroke based on CNN plus RNN. Procedia Computer Science, 147, 314-318.
  28. Yunbin, D., Yu, Z. (2015). Keystroke Dynamics Advances for Mobile Devices Using Deep Neural Network. GCSR,
    2, 59-70.