EKG SİNYALLERİYLE KİMLİK DOĞRULAMA VE ARİTMİ TESPİTİ İÇİN OTOKODLAYICI TEMELLİ GÜVENLİ BİR SİSTEM TASARIMI

Abstract

Elektrokardiyografi (EKG), kalbin elektriksel aktivitesini ölçmek için kullanılan bir yöntemdir ve bu aktivite bireyler arasında farklılık göstermektedir. Her bireyin kalp yapısının ve elektriksel özelliklerinin kendine özgü olması, EKG sinyallerini yalnızca tıbbi teşhis amacıyla değil, aynı zamanda biyometrik kimlik doğrulama sistemlerinde de kullanılabilir hâle getirmektedir. Bu çalışmada, EKG sinyallerinin derin öğrenme teknikleriyle analiz edilerek hem kalp hastalıklarının erken teşhisine hem de kimlik doğrulama süreçlerine yönelik güvenilir ve yenilikçi çözümler geliştirilmesi amaçlanmıştır. Çalışmada, MIT-BIH Aritmi Veri Seti kullanılarak EKG sinyalleri üzerinde derin sinir ağı mimarileri aracılığıyla aritmi tespiti ve kimlik doğrulama işlemleri gerçekleştirilmiştir. Özellik çıkarımı sürecinde Spindle otoencoder mimarisi ile modifiye edilmiş bir otoencoder mimarisi uygulanmıştır. Veri güvenliğini sağlamak ve kişisel mahremiyeti korumak amacıyla EKG sinyalleri önce sıkıştırılmış, ardından şifrelenerek işlenmiştir. Bu veriler, derin öğrenme tabanlı modeller üzerinde eğitilerek hem aritmi tespiti hem de kimlik doğrulama görevlerinde kullanılmıştır. Elde edilen bulgular hem kalp hastalıklarının teşhisinde hem de kimlik doğrulama uygulamalarında yüksek doğruluk oranlarına ulaşıldığını göstermektedir. Gerçekleştirilen deneyler sonucunda, kimlik doğrulama görevinde kullanılan iki farklı yöntemle sırasıyla %98,46 ve %98,60 doğruluk oranlarına ulaşılmıştır. Aritmi tespiti görevinde ise %99,7 ve %98,77 doğruluk elde edilmiştir. Bu sonuçlar, EKG sinyallerinin hem tıbbi tanı hem de biyometrik doğrulama açısından yüksek potansiyele sahip bir biyosinyal türü olduğunu ortaya koymaktadır.

Electrocardiography (ECG) is a method used to measure the electrical activity of the heart, which varies between individuals. The fact that each person's heart structure and electrical characteristics are unique makes ECG signals applicable not only for medical diagnosis but also for biometric authentication systems. This study aims to develop reliable and innovative solutions for both the early detection of heart diseases and identity verification processes by analyzing ECG signals using deep learning techniques. In this study, arrhythmia detection and authentication tasks were carried out on ECG signals using the MIT-BIH Arrhythmia Dataset through deep neural network architectures. During the feature extraction phase, both a Spindle autoencoder architecture and a modified autoencoder architecture were employed. To ensure data security and protect personal privacy, the ECG signals were first compressed and then encrypted before processing. These encrypted signals were then trained using deep learning-based models for both arrhythmia detection and identity verification tasks. The results demonstrate that high accuracy rates were achieved in both cardiac disease diagnosis and authentication applications. As a result of the experiments, accuracy rates of 98.46% and 98.60% were obtained using two different methods for the authentication task. In the arrhythmia detection task, accuracies of 99.7% and 98.77% were achieved. These findings indicate that ECG signals possess significant potential as a biosignal for both medical diagnosis and biometric authentication.