بهبود کارایی احراز هویت با استفاده از روش های ادغام داده و یادگیری عمیق در سیستم های بیومتریک

با توجه به افزایش تهدیدات امنیتی و ضعف روش های سنتی احراز هویت، این پژوهش به توسعه ی یک سامانه بیومتریک چند حالته مبتنی بر یادگیری عمیق می پردازد که با ترکیب ویژگی های صوتی (رفتاری) و الگوی رگ کف دست (فیزیولوژیکی) دقت و پایداری شناسایی را به طور چشمگیری ارتقا می دهد. در روش پیشنهادی، شبکه های عصبی کانولوشنی (CNN) به صورت مجزا برای هر مدالیته طراحی شده و ویژگی های متمایز از داده ها استخراج می گردد. سپس با بهره گیری از سازوکار ادغام تطبیقی مبتنی بر توجه (Adaptive Attention Fusion)، وزن هر مدالیته به طور پویا متناسب با کیفیت داده ها تنظیم می شود تا تصمیم گیری نهایی بر پایه ی اطلاعات معتبرتر انجام گیرد. مدل بر روی مجموعه داده ی چند حالته ی SDUMLA-HMT و BiosecureID ارزیابی شده و نتایج نشان می دهد که سیستم پیشنهادی با دستیابی به دقت ۹۹.۹٪، نرخ خطای EER برابر با ۰.۰۰۹ و مقدار FPR پایین ۰.۰۱٪ نسبت به روش های مرسوم عملکرد برتری دارد. این چارچوب می تواند مبنایی کارآمد برای سامانه های احراز هویت هوشمند و مقاوم در شرایط نویزی و واقعی باشد.

کلیدواژه ها:

ادغام ، بیومتریک چند حالتی ، تطبیقی ، یادگیری عمیق ، شبکه عصبی کانولوشنی