Показати скорочену інформацію

Біометрична ідентифікація фотоплетизмографічних сигналів в клініці щелепно-лицевої хірургії з використанням технологій глибокого навчання

dc.contributor.authorПавлов, В. С.uk
dc.contributor.authorЗаболотна, Н. І.uk
dc.contributor.authorПоліщук, В. С.uk
dc.contributor.authorДаліщук, А. І.uk
dc.contributor.authorСкорюкова, Я. Г.uk
dc.contributor.authorЛунінь, Янuk
dc.contributor.authorPavlov, V. S.en
dc.contributor.authorZabolotna, N. I.en
dc.contributor.authorSkoriukova, Y. H.en
dc.date.accessioned2026-01-20T12:54:23Z
dc.date.available2026-01-20T12:54:23Z
dc.date.issued2025
dc.identifier.citationПавлов В. С., Заболотна Н. І., Поліщук В. С., Даліщук А. І., Скорюкова Я. Г., Лунінь Ян. Біометрична ідентифікація фотоплетизмографічних сигналів в клініці щелепно-лицевої хірургії з використанням технологій глибокого навчання // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані. 2025. № 1. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/783.uk
dc.identifier.issn2307-5376
dc.identifier.urihttps://ir.lib.vntu.edu.ua//handle/123456789/50507
dc.description.abstractЦе дослідження направлене на підвищення ефективності оброблення сигналів фотоплетизмографії (ФПГ), які мають низку переваг перед традиційними біометричними методами. Було створено комплексну методику для реєстрації ФПГ сигналів від 95 пацієнтів за допомогою оптико-електронної системи оцінювання тканинної мікроциркуляції Фотоплетизмографічні сигнали були перетворені в двовимірні вигляд за допомогою матриці Грама. Для аналізу та автентифікації використовувалася модель EfficientNetV2 B0, яка інтегрована з мережею довготривалої короткочасної пам'яті (ДКП), що дозволило досягти точності інтерпретації 99 %. Удосконалена модель була додатково перевірена для ідентифікації в реальному часі, що підкреслює її ефективність і надійність для систем біометричного розпізнавання. Загалом це дослідження вирішує ключові проблеми біометричної автентифікації шляхом використання переваг ФПГ сигналів і сучасних методологій глибокого навчання, дозволяючи підвищити ефективність застосування біомедичних систем. Значною перевагою підходу є його застосовність під час обробки сигналів в реальному часі. Розроблена оптико-електронна система, яка включає в себе збір, попередню обробку та класифікацію сигналів ФПГ в режимі реального часу, демонструє практичну доцільність біометричних систем на основі ФПГ. Оптико-електронна система для оцінювання тканинної мікроцикуляції дозволяє реєструвати та обробляти ФПГ сигнали частини тіла. що додає системі універсальності. Це дослідження вирішує ключові проблеми біометричної автентифікації шляхом використання переваг ФПГ сигналів і сучасних методологій глибокого навчання, дозволяючи підвищити ефективність застосування біомедичних систем. Значною перевагою підходу є його застосовність при обробці сигналів в реальному часі. Розроблена оптико-електронна система, яка включає в себе збір, попередню обробку та класифікацію сигналів ФПГ в режимі реального часу, демонструє практичну доцільність біометричних систем на основі ФПГ.uk
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofНаукові праці Вінницького національного технічного університету. № 1.uk
dc.relation.urihttps://praci.vntu.edu.ua/index.php/praci/article/view/783
dc.subjectсигнали фото плетизмографіїuk
dc.subjectдвовимірні вимірюванняuk
dc.subjectперетворення матриці Грамаuk
dc.subjectглибоке навчанняuk
dc.subjectкласифікаціяuk
dc.subjectпрогнозування в реальному часіuk
dc.titleБіометрична ідентифікація фотоплетизмографічних сигналів в клініці щелепно-лицевої хірургії з використанням технологій глибокого навчанняuk
dc.typeArticle, professional native edition
dc.typeArticle
dc.identifier.udc615.471.03:616.073
dc.relation.referencesMedical fuzzy-expert system for prediction of engraftment degree of dental implants in patients with chronic liver disease/ V.Polishchuket al.IAPGOŚ. 2024.Vol.14, No1.P. 90–95. http://doi.org/10.35784/iapgos.5585.en
dc.relation.referencesHistological changes of bone tissue in the perforation defect site of the rat mandibule when using hepatoprotector in odstructive hepatitis/S. S.Polishchuket al.World of medicine and biology. 2020. No2(72). Р.193–198.en
dc.relation.referencesStathopoulos P, Rallis G. Poorly controlled diabetes mellitus is strongly associated with descending necrotizing mediastinitis of odontogenic origin. Oral Surg Oral Med Oral Pathol Oral Radiol.2023 Sep 15.P. S2212–4403.en
dc.relation.referencesBiometrics, the Technology That Measures and Analyses Our Biological Data, Iberdrola. (accessed on 15 October 2023). URL: https://www.iberdrola.com/innovation/advantages-and-uses-of-biometrics.en
dc.relation.referencesPhotoplethysmography Biometric Recognition Model Based on Sparse Softmax Vector and k-Nearest Neighbor / J. Yang et al.Journal of Electrical and Computer Engineering. 2020. Volume 2020, Article ID 9653470, P. 1–9. https://doi.org/10.1155/2020/9653470.en
dc.relation.referencesFeatures from the photoplethysmogram and the electrocardiogram for estimating changes in blood pressure /E. Finnegan et al. Sci. Rep. 2023. No13. Р.986.en
dc.relation.referencesReal-Time PPG-Based Biometric Identification: Advancing Security with 2D Gram Matrices and Deep Learning Models/ A. Cherry et al.Sensors.2025.No25. Р.40.en
dc.relation.referencesWannenburg J.,Malekian R. Body sensor network for mobile health monitoring, a diagnosis and anticipating system. IEEE Sens. J.2015.No15.Р. 6839–6852.en
dc.relation.referencesMedical image segmentation using deep semantic-based methods: A review of techniques, applications and emerging trends / I.Qureshiet al. Inf. Fusion.2023.No90.Р. 316–352.en
dc.relation.referencesAbbas Q.,Baig A.R. Hussain A. Classification of Post-COVID-19 Emotions with Residual-Based Separable Convolution Networks and EEG Signals. Sustainability.2023.No15.Р. 1293.en
dc.relation.referencesCheriyedath S. News Medican & Life Sciences. URL: https://www.news-medical.net/health/ Photoplethysmography-(PPG).aspx (accessed on 18 November 2023).en
dc.relation.referencesIncel O.D.,Bursa S. On-Device Deep Learning for Mobile and Wearable Sensing Applications: A Review. IEEE Sens. J.2023.No23.Р. 5501–5512.en
dc.relation.referencesDeep Learning for PPG-Based Biometric Identification /X. Li et al. IEEE Trans. Inf. Forensics Secur. 2018.No13.Р. 2203–2213.en
dc.relation.referencesHanilciA.,Gürkan H. ECG biometric identification method based on parallel 2-d convolutional neural networks. J. Innov. Sci. Eng. JISE.2019.No3.Р. 11–22.en
dc.relation.referencesKim M.-G.,Ko H.,Pan S.B. A study on user recognition using 2D ECG based on ensemble of deep convolutional Neural Networks. J. Ambient. Intell. Humaniz. Comput. 2019.No11.Р. 1859–1867.en
dc.relation.referencesKim J.-S.,Kim M.-G.,Pan S.-B. Two-step biometrics using electromyogram signal based on convolutional neural network-long short-term memory networks. Appl. Sci. 2021.No11.Р. 6824.en
dc.relation.referencesBiometric recognition of PPG Cardiac signals using transformed spectrogram images. In Pattern Recognition /Donida Labati R.et al.ICPR International Workshops and Challenges,Springer Nature: Berlin/Heidelberg,Germany, 2021.P. 244–257.en
dc.relation.referencesLaser photoplethysmography in integrated evaluation of collateral circulation of lower extremities / S. V. Sander et al.Proceedings of SPIE2015.No9816.Р. 98161K.en
dc.relation.referencesWójcik W., Smolarz A. Information Technology in Medical Diagnostics. London, Taylor & Francis Group CRC Press Reference. 2017. P. 210.en
dc.relation.referencesPhotoplethysmohrafic technologies of the cardiovascular control / Pavlov S. V., Kozhemiako V. P., Petruk V. G., Kolesnik P. F. Vinnitsa: Universum-Vinnitsa, 2007.254 р.en
dc.relation.referencesWójcik W., Pavlov S., Kalimoldayev M. Information Technology in Medical Diagnostics II. London: Taylor & Francis Group, CRC Press, Balkema book, 2019. 336p.en
dc.relation.referencesPavlovS.V., KozhukharA. T. Electro-optical system for the automated selection of dental implants according to their colour matching. Przegląd elektrotechniczny.2017. R. 93. NR 3.Р. 121-124.ISSN 0033-2097.en
dc.relation.referencesInformation Conversion in Measuring Channels with Optoelectronic Sensors / V .Kukharchuk et al. Sensors22. 2022. No 1: 271. https://doi.org/10.3390/s22010271.en
dc.relation.referencesOptoelectronic multispectral device for determining the state of peripheral blood circulation/ Kozlovska T.I.et al. Proc. SPIE 11581, Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments.2020.V. 115810L. https://doi.org/10.1117/12.2580360.en
dc.relation.referencesStudy of tissue microcirculation disorders after tooth extraction by photoplethysmography in diabetic patients/Kanishyna T. et al.Proc. SPIE 12476, Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments.2022.V. 1247603. https://doi.org/10.1117/12.2657895.en
dc.relation.referencesMethod of glitch reduction in DAC with weight redundancy /O. D.Azarovet al. Proc. SPIE 9816, Optical Fibers and Their Applications.2015.98161T (17 December 2015).https://doi.org/10.1117/12.2229045.en
dc.relation.referencesPhotodynamic therapy with laser scanning mode of tumor irradiation/ V.Kholinet al.Proc. SPIE 9816, Optical Fibers and Their Applications.2015.98161F (17 December 2015).https://doi.org/10.1117/12.2229030.en
dc.relation.referencesPolarimetric characterisation of histological section ofskin with pathological changes/ R.H.Roviraet al.Proc. SPIE 10031, Photonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experiments.2016.100313E (28 September 2016).https://doi.org/10.1117/12.2249373.en
dc.identifier.doihttps://doi.org/10.31649/2307-5376-2025-1-109-120


Файли в цьому документі

Thumbnail
Ім'я:
192792.pdf
Розмір:
1.398Mb
Формат:
PDF
Відкрити

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію