Resumo |
A popularização da internet, ocasionou um aumento significativo no número de dispositivos/coisas interconectadas, compondo a Internet of Things (IoT). Visto isso, existem dentro da categoria IoT, diversos dispositivos vestíveis. Entre eles, citam-se relógios, pulseiras, óculos inteligentes, dentre outros. Estes dispositivos são capazes de aferir e monitorar dados sigilosos, referentes a sinais vitais do usuário. Portanto, este cenário exige atenção especial para dois importantes pilares do desenvolvimento IoT, são eles a segurança e a privacidade dos dados. Com a finalidade de aprimorar a segurança em dispositivos vestíveis, sinais vitais com características biométricas são explorados em pesquisas recentes a fim de identificar e autenticar usuários. Dentre os principais sinais listados no estado da arte, existem avanços em potencial referentes aos sinais de Fotopletismografia (PPG) e Eletrocardiograma (ECG). Esses sinais representam os batimentos cardíacos de um indivíduo. Tais representações possuem características únicas e invariáveis no tempo para cada pessoa. Com isso, estudos consideram o uso de técnicas de aprendizado de máquinas para extrair e identificar tais características de modo a aumentar a segurança em sistemas de autenticação de usuários. Portanto, a combinação de sinais biométricos com redes neurais mostra-se promissora. As redes neurais convolucionais (Convolutional Neural Network - CNN), foram propostas originalmente para o reconhecimento de imagens. Entretanto, pesquisas provaram também sua eficácia em realizar autenticação biométrica. O principal objetivo deste estudo é prover acesso seguro e confiável aos dispositivos e suas respectivas informações. Portanto, considera-se a aplicação de CNNs para a identificação biométrica de usuários. Ainda destaca-se a combinação de sinais PPG e ECG, a fim de tornar ainda mais robusta a segurança e privacidade dos dados em relação a usuários maliciosos. Logo, a rede neural permite reconhecer pessoas apenas pela frequência cardíaca. Neste processo, foram usadas CNNs combinadas em cascata explorando convoluções unidimensionais para a identificação de indivíduos autorizados. O projeto foi implementado inteiramente em linguagem de programação Python. Para a implementação foram utilizadas ferramentas consolidadas, como Tensor Flow e Keras. Além destas, outras bibliotecas foram utilizadas para a manipulação e operações sobre o conjunto de dados, tais como, Pandas, NumPy e Scipy. Portanto, os principais avanços em relação ao estado da arte compreendem a proposta de uma nova rede neural multimodal para minimizar a taxa de falsa aceitação (FAR) e aumentar a precisão, mantendo alta acurácia. Além de evoluir os resultados para estas métricas, o sistema de autenticação proporciona uma maior segurança contra ataques externos em comparação aos demais métodos. Adicionalmente, os parâmetros usados na rede foram otimizados. A otimização dos parâmetros também assegura maior robustez e resistência. |