Autoreferat podsumowujący dorobek i osiągnięcia naukowe kandydata do uzyskania stopnia doktora habilitowanego w dziedzinie nauk technicznych i dyscyplinie informatyka Dr inż. Marcin Zalasiński Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki Instytut Inteligentnych Systemów Informatycznych ul. Armii Krajowej 36, 42-200 Częstochowa tel. +48343250558 marcin.zalasinski@iisi.pcz.pl iisi.pcz.pl/~mzalasinski Częstochowa, 10 października 2018 r.
Spis treści Informacja dotycząca dokumentu...1 1. Zestawienie informacji podstawowych dotyczących habilitanta... 2 1.1. Skrócone informacje o stopniach i tytułach... 2 1.2. Skrócone informacje o przebiegu zatrudnienia... 2 2. Opis działalności naukowej habilitanta przed uzyskaniem przez niego stopnia naukowego doktora... 4 3. Opis osiągnięcia naukowego habilitanta... 10 3.1. Metody doboru neuronowo-rozmytego klasyfikatora jednoklasowego behawioralnych cech biometrycznych...19 3.2. Metody ewolucyjnej selekcji deskryptorów opisujących behawioralne cechy biometryczne...22 3.3. Metody szybkiej selekcji charakterystycznych deskryptorów opisujących behawioralne cechy biometryczne...24 3.4. Metody predykcji zmian w czasie wartości deskryptorów behawioralnych cech biometrycznych...25 3.5. Metody oceny stabilności w czasie deskryptorów behawioralnych cech biometrycznych...27 3.6. Potencjał aplikacyjny metod opracowanych przez habilitanta...28 3.7. Podsumowanie...29 4. Opis pozostałych aspektów działalności naukowej habilitanta po uzyskaniu przez niego stopnia naukowego doktora... 32 4.1. Wykonane recenzje...32 4.2. Udział w projektach...32 4.3. Udział w międzynarodowych konferencjach naukowych...33 4.4. Współpraca zagraniczna...34 4.5. Nagrody i wyróżnienia...34 5. Opis działalności dydaktycznej habilitanta po uzyskaniu przez niego stopnia naukowego doktora... 36 6. Opis działalności organizacyjnej habilitanta po uzyskaniu przez niego stopnia naukowego doktora... 37 Spis rysunków... 38
Spis tabel... 39 Literatura... 40
Informacja dotycząca dokumentu Przyjęta struktura tego dokumentu wynika z wymogów obowiązujących na Politechnice Częstochowskiej, jako uczelni wskazanej przez habilitanta do przeprowadzenia postępowania o nadanie stopnia doktora habilitowanego. 1
1. Zestawienie informacji podstawowych dotyczących habilitanta W tym rozdziale zostały zaprezentowane skrócone informacje o stopniach i tytułach uzyskanych przez Marcina Zalasińskiego oraz o przebiegu jego zatrudnienia. 1.1. Skrócone informacje o stopniach i tytułach Przebieg kariery naukowej Marcina Zalasińskiego można podsumować następująco: W roku 2014. uzyskał on stopień naukowy doktora w dziedzinie nauk technicznych i dyscyplinie naukowej informatyka. Jego rozprawa doktorska nosiła tytuł Algorytmy weryfikacji tożsamości na podstawie dynamicznych cech podpisu odręcznego z wykorzystaniem wybranych metod inteligencji obliczeniowej, jej promotorem był Prof. dr hab. inż. Krzysztof Cpałka (wówczas dr hab. inż., Prof. PCz). Postępowanie doktorskie zostało przeprowadzone na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. Recenzentami w tym postępowaniu byli: Prof. dr hab. inż. Ryszard Tadeusiewicz i Dr hab. inż. Robert Nowicki, Prof. PCz. Wspomniana praca została obroniona z wyróżnieniem. W roku 2009. uzyskał on stopień naukowy magistra i tytuł zawodowy inżyniera w dziedzinie nauk technicznych i dyscyplinie naukowej informatyka. Jego praca magisterska nosiła tytuł Projekt i realizacja portalu informacyjnego poświęconego tematyce sportu żużlowego, jej promotorem był Prof. dr hab. inż. Krzysztof Cpałka (wówczas dr inż.). Wspomniana praca została obroniona z wynikiem bardzo dobrym na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. 1.2. Skrócone informacje o przebiegu zatrudnienia Przebieg zatrudnienia Marcina Zalasińskiego można podsumować następująco: Od grudnia roku 2014. jest on zatrudniony na stanowisku adiunkta w Instytucie Inteligentnych Systemów Informatycznych na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. Od stycznia roku 2014. do grudnia roku 2014. był on zatrudniony na stanowisku starszego referenta w Instytucie Inteligentnych Systemów 2
Informatycznych na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. Do jego zadań należało m.in. tworzenie projektowej dokumentacji technicznej systemów informatycznych. Funkcje pełnione przez Marcina Zalasińsiego można podsumować następująco: Od roku 2016. pełni on funkcję członka Rady Wydziału Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. W roku 2015. był on członkiem Technicznej Komisji Rekrutacyjnej działającej na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. Od roku 2014. jest on opiekunem Laboratorium Programowania Obiektowego w Instytucie Inteligentnych Systemów Informatycznych na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. Od roku 2010. jest on administratorem strony internetowej Instytutu Inteligentnych Systemów Informatycznych na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. Jest ona dostępna pod adresem iisi.pcz.pl. 3
2. Opis działalności naukowej habilitanta przed uzyskaniem przez niego stopnia naukowego doktora W czasie pisania swojej pracy dyplomowej magisterskiej Marcin Zalasiński postanowił, że w przypadku jej pomyślnej obrony chciałby przystąpić do egzaminu na studia doktoranckie i spróbować swych sił w prowadzeniu badań naukowych. Okazało się to możliwe dzięki uprzejmości Pana Profesora Krzysztofa Cpałki z Instytutu Inteligentnych Systemów Informatycznych (funkcjonującego wówczas jako Katedra Inżynierii Komputerowej) Wydziału Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej, który zgodził się zostać opiekunem naukowym Marcina Zalasińskiego oraz Pana Profesora Leszka Rutkowskiego, dyrektora Katedry, który także poparł kandydaturę aktualnego habilitanta na uczestnika studiów doktoranckich. Po pomyślnym zdaniu wspomnianego egzaminu, Marcin Zalasiński rozpoczął swoje działania naukowe pod okiem swojego Opiekuna naukowego. Pierwsze naukowe zainteresowania Marcina Zalasińskiego zwróciły się w kierunku biometrii, czyli dziedziny nauki, która zajmuje się ustalaniem tożsamości człowieka na podstawie jego cech unikatowych, np. wyglądu lub sposobu zachowania. Głównym celem analizy biometrycznej jest identyfikacja lub weryfikacja tożsamości danego użytkownika na podstawie analizy jego określonej cechy biometrycznej. Identyfikacja ma za zadanie określić tożsamość danej osoby. W związku z tym system biometryczny staje przed koniecznością porównania wartości danej cechy z wartościami cech wszystkich użytkowników umieszczonych w rozważanej bazie danych. Wynikiem tego procesu są dane osoby, którą udało się zidentyfikować. Z kolei przy próbie weryfikacji tożsamości użytkownik, który ma zostać uwierzytelniony, określa, kim jest. Jego cecha biometryczna jest porównywana do cechy konkretnej osoby, umieszczonej wcześniej w rozważanej bazie danych. Wynikiem tego procesu jest odpowiedź, czy tożsamość została zweryfikowana poprawnie. Cechy biometryczne dzielą się na dwie główne grupy morfologiczne (fizyczne) oraz behawioralne. Pierwsza z tych grup obejmuje pewne cechy osobnicze, wykształcone w wyniku zachodzenia fizykochemicznych procesów formowania się 4
tkanek (najczęściej w okresie prenatalnym). Druga grupa obejmuje wyuczone lub wykształcone przez człowieka umiejętności o silnie indywidualnym charakterze [1]. Po dokonaniu gruntownego przeglądu literatury przez Marcina Zalasińskiego, jego szczególną uwagę zwróciła behawioralna cecha biometryczna określająca sposób składania podpisu, zwana w literaturze podpisem. Podpis jest powszechnie stosowaną formą autoryzacji, która nie budzi kontrowersji, jakie może powodować weryfikacja tożsamości za pomocą innych cech biometrycznych, np. odcisku palca oraz obrazu tęczówki oka. Cecha ta może zostać podzielona na dwie kategorie podpis statyczny [2, 3, 4] oraz podpis dynamiczny [5, 6, 7]. Podpis statyczny zawiera jedynie informacje dotyczące stylu pisma, czyli kształtu podpisu. Podpis dynamiczny oprócz informacji dotyczących stylu pisma, zawiera także informacje dotyczące dynamiki pisania (np. siły nacisku pióra, chwilowej prędkości prowadzenia pióra, kąta nachylenia pióra itp.) w formie sygnałów zmiennych w czasie, które są pobierane za pomocą cyfrowego urządzenia wejściowego, np. tabletu graficznego lub ekranu dotykowego. Co ważne, analiza podpisu dynamicznego stwarza dużo większe możliwości niż analiza podpisu statycznego, pozwalając wydobyć charakterystyczne deskryptory opisujące podpis użytkownika. W związku z tym zastosowanie podpisu dynamicznego w biometrii przynosi zwykle zdecydowanie lepsze rezultaty niż zastosowanie podpisu statycznego [8]. Zainteresowania naukowe Marcina Zalasińskiego zwróciły się także w kierunku metod sztucznej inteligencji, które były przez niego wykorzystywane do m.in. nadawania hierarchii tzw. deskryptorom podpisu, ich wstępnej selekcji oraz w procesie klasyfikacji podpisów do grupy prawdziwych lub fałszywych. Wspomniane deskryptory można definiować jako cechy charakterystyczne danego podpisu utworzone na podstawie pobranych sygnałów opisujących go. W przypadku podpisu możemy wyróżnić deskryptory: a) globalne, stanowiące wartości liczbowe opisujące np. czas trwania podpisu, liczbę podniesień pióra w czasie składania podpisu itp., b) lokalne, stanowiące funkcje, których przebiegi są najczęściej porównywane oraz c) regionalne, opisujące pewne fragmenty podpisu. Efektem badań Marcina Zalasińskiego prowadzonych na potrzeby pracy doktorskiej było powstanie 7. publikacji, z których 2. zostały opublikowane 5
w czasopismach z listy A MNiSW, a pozostałe 5 zostało opublikowanych w materiałach konferencyjnych międzynarodowych konferencji naukowych indeksowanych w bazie Web of Science. Szczegółowy wykaz tych publikacji zaprezentowano w Tabeli 1. Należy podkreślić, że działania Marcina Zalasińskiego zostały docenione w Narodowym Centrum Nauki, gdzie uzyskał on finansowanie swoich badań w ramach indywidualnego grantu pt. Nowe metody weryfikacji tożsamości na podstawie dynamicznych cech podpisu odręcznego z wykorzystaniem wybranych metod sztucznej inteligencji (numer 2011/01/N/ST6/06964). Grant był realizowany w latach 2011-2014. Tab. 1. Lista publikacji Marcina Zalasińskiego opublikowanych przed uzyskaniem przez niego stopnia naukowego doktora. W odwołaniach bibliograficznych przyjęto następujące oznaczenia: D wskazuje, że praca została opublikowana przed uzyskaniem stopnia naukowego doktora, A wskazuje, że praca została opublikowana w czasopiśmie z listy A MNiSW, WoS wskazuje, że praca została opublikowana w materiałach konferencji międzynarodowej zaindeksowanych w bazie Web of Science. Lp. Odwołanie bibliograficzne Dane publikacji Liczba punktów Impact wg listy MNiSW Factor z dnia 26.01.2017 r. Cpałka, K., Zalasiński, M. i Rutkowski L. 1. [DA_1] (2014). New method for the on-line signature verification based on horizontal partitioning. Pattern Recognition, 47, str. 2652 2661. 40 (lista A) 3,962 Cpałka, K. i Zalasiński, M. (2014). On-line 2. [DA_2] signature verification using vertical signature partitioning. Expert Systems with Applications, 41, str. 4170-4180. 35 (lista A) 3,768 3. [DWoS_1] Zalasiński, M., Cpałka, K. i Hayashi, Y. (2014). New Method for Dynamic Signature Verification Based on Global Features. Lecture Notes in Computer Science, 8468, str. 231-245. 15 (zaindeksowana w Web of Sciene) - 6
Lp. Odwołanie bibliograficzne Dane publikacji Liczba punktów Impact wg listy MNiSW Factor z dnia 26.01.2017 r. Zalasiński, M., Cpałka, K. i Er M.J. (2014). New Method for Dynamic Signature 15 4. [DWoS_2] Verification Using Hybrid Partitioning. Lecture Notes in Computer Science, 8468, str. 216 230. (zaindeksowana w Web of Sciene) - Zalasiński, M., Łapa, K. i Cpałka K. (2013). New Algorithm for Evolutionary Selection of 15 5. [DWoS_3] the Dynamic Signature Global Features. Lecture Notes in Computer Science, 7895, str. 113-121. (zaindeksowana w Web of Sciene) - Zalasiński, M. i Cpałka, K. (2013). New Approach for the On-Line Signature 15 6. [DWoS_4] Verification Based on Method of Horizontal Partitioning. Lecture Notes in Computer Science, 7895, str. 342-350. (zaindeksowana w Web of Sciene) - Zalasiński, M. i Cpałka, K. (2013). Novel Algorithm for the On-Line Signature 15 7. [DWoS_5] Verification Using Selected Discretization Points Groups. Lecture Notes in Computer Science, 7894, str. 493-502. (zaindeksowana w Web of Sciene) - suma 150 7,730 Finalnym efektem badań Marcina Zalasińskiego prowadzonych podczas studiów doktoranckich było napisanie pracy doktorskiej pt. Algorytmy weryfikacji tożsamości na podstawie dynamicznych cech podpisu odręcznego z wykorzystaniem wybranych metod inteligencji obliczeniowej, która została obroniona z wyróżnieniem w roku 2014. na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. W ramach tej pracy zostały opisane następujące algorytmy weryfikacji tożsamości na podstawie podpisu dynamicznego z wykorzystaniem metod inteligencji obliczeniowej: Metoda weryfikacji tożsamości na podstawie charakterystycznych regionów podpisu dynamicznego związanych z wartościami sygnałów prędkości i siły nacisku, które opisują podpis [DA_1, DWoS_4]. Metoda ta opiera się na 7
podziale podpisu na regiony, które są wyznaczane na podstawie wartości wspomnianych sygnałów opisujących podpis. Następnie, w każdym z powstałych regionów tworzone są deskryptory regionalne charakteryzujące podpis, które są wykorzystywane na etapie uczenia systemu weryfikacji tożsamości oraz na etapie klasyfikacji podpisów testowych, czyli weryfikacji tożsamości. Weryfikacja ta następuje z wykorzystaniem dedykowanego systemu rozmytego. Metoda weryfikacji tożsamości na podstawie charakterystycznych regionów podpisu dynamicznego związanych z chwilami czasowymi powstawania sygnałów opisujących podpis [DA_2, DWoS_5]. Metoda ta opiera się na podziale podpisu na regiony, które są wyznaczane dla wartości chwil czasowych powstania sygnałów opisujących podpis. Następnie, w każdym z powstałych regionów tworzone są deskryptory regionalne charakteryzujące podpis, które są wykorzystywane na etapie uczenia systemu weryfikacji tożsamości oraz na etapie klasyfikacji podpisów testowych, czyli weryfikacji tożsamości. Weryfikacja ta następuje z wykorzystaniem dedykowanego systemu rozmytego. Metoda weryfikacji tożsamości na podstawie charakterystycznych regionów podpisu dynamicznego związanych z wartościami sygnałów prędkości i siły nacisku oraz z chwilami czasowymi powstawania sygnałów opisujących podpis [DWoS_2]. Metoda ta łączy w sobie zalety obu poprzednich metod, dzieląc także podpis na regiony. Następnie, w każdym z powstałych regionów tworzone są deskryptory regionalne charakteryzujące podpis, które są wykorzystywane na etapie uczenia systemu weryfikacji tożsamości oraz na etapie klasyfikacji podpisów testowych, czyli weryfikacji tożsamości. Weryfikacja ta następuje z wykorzystaniem dedykowanego systemu rozmytego. Metoda weryfikacji tożsamości na podstawie cech globalnych podpisu dynamicznego [DWoS_1, DWoS_3]. Metoda ta wykorzystuje klasyczny algorytm genetyczny [9, 10] z odpowiednio zaprojektowaną funkcją oceny opartą o metodę PCA [11] do selekcji najbardziej charakterystycznych deskryptorów globalnych podpisu dynamicznego w kontekście każdego użytkownika. Następnie wyselekcjonowane deskryptory globalne 8
charakteryzujące podpis są wykorzystywane na etapie uczenia systemu weryfikacji tożsamości oraz na etapie klasyfikacji podpisów testowych, czyli weryfikacji tożsamości. Weryfikacja ta następuje z wykorzystaniem dedykowanego systemu rozmytego. Po obronie pracy doktorskiej, Marcin Zalasiński na drodze procedury konkursowej został zatrudniony na stanowisku adiunkta w Instytucie Inteligentnych Systemów Informatycznych Wydziału Inżynierii Mechanicznej Politechniki Częstochowskiej, gdzie mógł w dalszym ciągu rozwijać się naukowo. 9
3. Opis osiągnięcia naukowego habilitanta Niniejszy rozdział przedstawia wskazane osiągnięcie naukowe Marcina Zalasińskiego wynikające z art. 16 ust. 2 ustawy z dnia 14 marca 2003 r. o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakresie sztuki (Dz. U. 2016 r. poz. 882 z późniejszymi zmianami). Osiągnięciem naukowym Marcina Zalasińskiego jest cykl publikacji powiązanych tematycznie pt. Metody sztucznej inteligencji w wybranych zagadnieniach biometrii behawioralnej. Na cykl ten składa się łącznie 15 publikacji, z których 3 zostały opublikowane w czasopismach z listy A MNiSW, a pozostałe 15 zostało opublikowanych w materiałach konferencyjnych międzynarodowych konferencji naukowych indeksowanych w bazie Web of Science. Szczegółowy wykaz wspomnianych publikacji został umieszczony w Tabeli 2. Procentowy udział autorów tych publikacji został umieszczony w Tabeli 3. Tab. 2. Lista publikacji Marcina Zalasińskiego wchodzących w skład cyklu publikacji powiązanych tematycznie pt. Metody sztucznej inteligencji w wybranych zagadnieniach biometrii behawioralnej. W odwołaniach bibliograficznych przyjęto następujące oznaczenia: A wskazuje, że praca została opublikowana w czasopiśmie z listy A MNiSW, WoS wskazuje, że praca została opublikowana w materiałach konferencji międzynarodowej zaindeksowanych w bazie Web of Science. Lp. Odwołanie bibliograficzne Dane publikacji Liczba punktów wg listy MNiSW z dnia 26.01.2017 r. Impact Factor Zalasiński, M., Łapa, K. i Cpałka, K. (2018). 1. [A_1] Prediction of values of the dynamic signature features. Expert Systems with Appications, 104, str. 86-96. 35 (lista A) 3,768 Zalasiński, M. i Cpałka, K. (2018). A new 2. [A_2] method for signature verification based on selection of the most important partitions of the dynamic signature. Neurocomputing, 289, 30 (lista A) 3,241 str. 13-22. 10
Lp. Odwołanie bibliograficzne Dane publikacji Liczba punktów wg listy MNiSW z dnia 26.01.2017 r. Impact Factor Cpałka, K., Zalasiński, M. i Rutkowski, L. 3. [A_3] (2016). A new algorithm for identity verification based on the analysis of a handwritten dynamic signature. Applied Soft 40 (lista A) 3,907 Computing, 43, str. 47 56. Zalasiński, M., Cpałka, K. i Grzanek, K. (2018). Stability of Features Describing the 15 4. [WoS_1] Dynamic Signature Biometric Attribute. Lecture Notes in Computer Science, 10842, str. 250-261. (zaindeksowana w Web of Sciene) - Zalasiński, M., Cpałka, K. i Rutkowski, L. 5. [WoS_2] (2018). Fuzzy-Genetic Approach to Identity Verification Using a Handwritten Signature. Advances in Data Analysis with Computational Intelligence Methods, 738, str. 15 (zaindeksowana w Web of Sciene) - 375-394. Zalasiński, M. i Cpałka, K. (2018). A Method for Genetic Selection of the Dynamic 15 6. [WoS_3] Signature Global Features Subset. Advances in Intelligent Systems and Computing, 655, str. 73-82. (zaindeksowana w Web of Sciene) - 7. [WoS_4] Zalasiński, M., Cpałka, K. i Er, M.J. (2017). Stability Evaluation of the Dynamic Signature Partitions Over Time. Lecture Notes in Computer Science, 10245, str. 733-746. 15 (zaindeksowana w Web of Sciene) - Zalasiński, M., Cpałka, K. i Hayashi, Y. 8. [WoS_5] (2017). A Method for Genetic Selection of the Most Characteristic Descriptors of the Dynamic Signature. Lecture Notes in Computer Science, 10245, 15 (zaindeksowana w Web of Sciene) - str. 747-760. 11
Lp. Odwołanie bibliograficzne Dane publikacji Liczba punktów wg listy MNiSW z dnia 26.01.2017 r. Impact Factor Zalasiński, M., Łapa, K., Cpałka, K. i Saito, T. (2017). A Method for Changes Prediction of 15 9. [WoS_6] the Dynamic Signature Global Features over Time. Lecture Notes in Computer Science, 10245, str. 761-772. (zaindeksowana w Web of Sciene) - Zalasiński, M., Cpałka, K. i Rakus-Andersson, E. (2016). An Idea of the Dynamic Signature 15 10. [WoS_7] Verification Based on a Hybrid Approach. Lecture Notes in Computer Science, 9693, str. 232-246. (zaindeksowana w Web of Sciene) - Zalasiński, M., Cpałka, K. i Hayashi, Y. 11. [WoS_8] (2016). A New Approach to the Dynamic Signature Verification Aimed at Minimizing the Number of Global Features. Lecture Notes in Computer Science, 9693, 15 (zaindeksowana w Web of Sciene) - str. 218-231. Zalasiński, M. (2016). New algorithm for on-line signature verification using 15 12. [WoS_9] characteristic global features. Advances in Intelligent Systems and Computing, 432, str. 137-146. (zaindeksowana w Web of Sciene) - Zalasiński, M. i Cpałka, K. (2016). New algorithm for on-line signature verification 15 13. [WoS_10] using characteristic hybrid partitions. Advances in Intelligent Systems and Computing, 432, str. 147-157. (zaindeksowana w Web of Sciene) - Zalasiński, M., Cpałka, K. i Hayashi Y. (2015). New Fast Algorithm for the Dynamic 15 14. [WoS_11] Signature Verification Using Global Features Values. Lecture Notes in Computer Science, 9120, str. 175-188. (zaindeksowana w Web of Sciene) - 12
Lp. Odwołanie bibliograficzne Dane publikacji Liczba punktów wg listy MNiSW z dnia 26.01.2017 r. Impact Factor Zalasiński, M., Cpałka, K. i Er, M.J. (2015). A New Method for the Dynamic Signature 15 15. [WoS_12] Verification Based on the Stable Partitions of the Signature. Lecture Notes in Computer Science, 9120, str. 161-174. (zaindeksowana w Web of Sciene) - suma 285 10,916 Tab. 3. Procentowy udział autorów w publikacjach Marcina Zalasińskiego wchodzących w skład cyklu publikacji powiązanych tematycznie pt. Metody sztucznej inteligencji w wybranych zagadnieniach biometrii behawioralnej. Publikacja Udział habilitanta w wykonaniu publikacji Udział pozostałych autorów [A_1] 40 % 60 % [A_2] 80 % 20 % [A_3] 70 % 30 % [WoS_1] 80 % 20 % [WoS_2] 70 % 30 % [WoS_3] 80 % 20 % [WoS_4] 80 % 20 % [WoS_5] 80 % 20 % [WoS_6] 70 % 30 % [WoS_7] 80 % 20 % [WoS_8] 80 % 20 % [WoS_9] 100 % 0 % [WoS_10] 90 % 10 % [WoS_11] 80 % 20 % [WoS_12] 80 % 20 % Średnia 77 % 23 % 13
Podczas swoich badań w czasie pracy na stanowisku adiunkta Marcin Zalasiński zwrócił uwagę na nowe problemy biometrii behawioralnej, którymi postanowił się zająć. Były to następujące problemy: Problem braku próbek cech biometrycznych pochodzących od fałszerzy na etapie fazy treningowej systemu biometrycznego. W celu zastosowania systemu biometrycznego do skutecznej weryfikacji lub identyfikacji tożsamości należy przeprowadzić fazę treningu (uczenia) systemu, korzystając z treningowych próbek cech biometrycznych opisanych ich deskryptorami. W praktyce na etapie uczenia systemu biometrycznego mamy do dyspozycji jedynie próbki prawdziwych cech biometrycznych, nie posiadając próbek wygenerowanych przez fałszerzy, co w znacznym stopniu utrudnia uczenie klasyfikatora. Problem różnej mocy dyskryminacyjnej deskryptorów opisujących daną cechę biometryczną. Jak wcześniej wspomniano, każda z cech biometrycznych może zostać opisana za pomocą pewnych deskryptorów, charakteryzujących daną cechę i pozwalających odróżnić cechy biometryczne różnych użytkowników systemu biometrycznego. Wcześniejsze badania Marcina Zalasińskiego wykazały jednak, że nie wszystkie cechy biometryczne charakteryzują się taką samą mocą dyskryminacyjną w stosunku do różnych użytkowników systemu [12]. Problem ten jest widoczny szczególnie w przypadku posiadania dużej liczby deskryptorów opisujących daną cechę biometryczną, ponieważ wówczas dobór zestawu najbardziej charakterystycznych deskryptorów w kontekście danego użytkownika systemu jest mocno utrudniony. Niewłaściwy dobór deskryptorów może mieć kluczowy wpływ na skuteczność procesu weryfikacji tożsamości. Problem dużej liczby deskryptorów opisujących daną cechę biometryczną. Kolejnym problemem biometrii behawioralnej może być zbyt duża liczba deskryptorów opisujących daną cechę biometryczną, co także może znacznie utrudnić selekcję najbardziej charakterystycznych deskryptorów w kontekście danego użytkownika systemu biometrycznego, niepotrzebnie wydłużać czas potrzebny na uczenie klasyfikatora oraz utrudniać czytelność sposobu działania systemu weryfikacji tożsamości. 14
Problem zmian zachodzących w zachowaniu użytkowników systemu biometrycznego wraz z upływem czasu. Jak powszechnie wiadomo, ludzkie zachowania mają tendencję do zmian w czasie. Ta sama zasada dotyczy, choć w mniejszym stopniu, także zachowań opisanych behawioralnymi cechami biometrycznymi [13]. Pomimo swojego stabilnie ukształtowanego charakteru, pod wpływem zmian fizycznych zachodzących w ludzkim organizmie wraz z upływem czasu, czy też pod wpływem różnych przebytych doświadczeń, zachowania te mogą ulegać pewnym zmianom. Co za tym idzie, zmianom mogą także ulegać wartości opisujące deskryptory behawioralnych cech biometrycznych. To może mieć istotny wpływ na skuteczność procesu weryfikacji tożsamości na podstawie danej cechy biometrycznej. Problem indywidualnych zmian zachodzących w różnych deskryptorach opisujących cechy biometryczne wraz z upływem czasu. Jak wspomniano wcześniej, cechy biometryczne wraz z upływem czasu mogą ulegać zmianom, co wpływa także na zmiany zachodzące w deskryptorach je opisujących. Zmiany te jednak są indywidualne w kontekście każdego deskryptora oraz użytkownika. To oznacza, że jedne deskryptory mogą być bardziej odporne na te zmiany, a inne mniej. W związku z tym może pojawić się problem oceny podatności na zmiany deskryptorów cech behawioralnych oraz selekcję najmniej zmiennych deskryptorów, które powinny brać udział w procesie weryfikacji tożsamości. W ramach cyklu publikacji stanowiącego osiągnięcie naukowe Marcina Zalasińskiego zostały opracowane nowe metody rozwiązujące wspomniane problemy biometrii behawioralnej. Scharakteryzowano je w dalszej części tego dokumentu. Do metod tych zaliczyć można: Metody doboru neuronowo-rozmytego klasyfikatora jednoklasowego behawioralnych cech biometrycznych. Metody te charakteryzują się odpowiednim doborem parametrów jednoklasowego klasyfikatora cech biometrycznych w kontekście każdego użytkownika systemu, pozwalając na efektywną weryfikację tożsamości poprzez system biometryczny uczony bez 15
wykorzystania próbek fałszywych cech biometrycznych. Szerszy opis tych metod zamieszczono w Sekcji 3.1. Metody ewolucyjnej selekcji deskryptorów opisujących behawioralne cechy biometryczne. Metody te charakteryzują się selekcją charakterystycznych deskryptorów cech biometrycznych każdego użytkownika systemu za pomocą algorytmów ewolucyjnych. Algorytmy te działają w sposób iteracyjny, sprawdzając za każdym razem (za pomocą odpowiednio zdefiniowanej funkcji oceny) przydatność wyselekcjonowanej grupy deskryptorów w kontekście skutecznej weryfikacji tożsamości rozpatrywanego użytkownika. W praktyce deskryptorów opisujących daną cechę biometryczną może być dużo, w związku z tym bez zastosowania odpowiedniej metody ich selekcji trudno jest dokonać odpowiedniego wyboru zestawu deskryptorów, który ma zostać wykorzystany na etapie uczenia systemu biometrycznego oraz na etapie weryfikacji tożsamości danego użytkownika. Warto nadmienić, że podzbiór deskryptorów dla każdego użytkownika może być inny. Dzięki zastosowaniu rozważanych metod skuteczność procesu weryfikacji tożsamości staje się bardziej efektywna. Szerszy opis tych metod zamieszczono w Sekcji 3.2. Metody szybkiej selekcji charakterystycznych deskryptorów opisujących behawioralne cechy biometryczne. Metody te charakteryzują się szybką selekcją charakterystycznych deskryptorów cech biometrycznych każdego użytkownika systemu, pozwalając na ich wykorzystanie na etapie uczenia systemu biometrycznego oraz na etapie weryfikacji tożsamości rozważanego użytkownika. W przeciwieństwie do poprzedniej grupy metod, rozważane metody nie mają charakteru iteracyjnego, a działają w oparciu o odpowiedni wybór zestawu deskryptorów cech biometrycznych (np. na podstawie wyznaczonych uprzednio wartości wag ważności deskryptorów). Dzięki temu łatwiej uzyskać skalowalność rozwiązania, a działanie systemu weryfikacji tożsamości staje się bardziej czytelne. Szerszy opis tych metod zamieszczono w Sekcji 3.3. Metody predykcji zmian w czasie wartości deskryptorów behawioralnych cech biometrycznych. Metody te mają za zadanie 16
przewidzieć, jak zmienią się wartości poszczególnych deskryptorów opisujących behawioralną cechę biometryczną wraz z upływem czasu. Dzięki temu po upływie pewnego okresu czasu możliwe będzie przeprowadzenie ponownego uczenia klasyfikatora systemu biometrycznego, w celu poprawy skuteczności procesu weryfikacji tożsamości. Szerszy opis tych metod zamieszczono w Sekcji 3.4. Metody oceny stabilności w czasie deskryptorów behawioralnych cech biometrycznych. Metody te mają za zadanie określić podatność na zmiany poszczególnych deskryptorów cech biometrycznych wraz z upływem czasu. Dzięki temu dla każdego użytkownika systemu będzie możliwy dobór najbardziej stabilnych deskryptorów, które będą wykorzystywane na etapie uczenia systemu biometrycznego oraz podczas weryfikacji tożsamości tego użytkownika. Celem takiego działania jest poprawa skuteczności procesu weryfikacji tożsamości wraz z upływem czasu. Rozważane metody bazują na odpowiednio zdefiniowanych kryteriach. Szerszy opis tych metod zamieszczono w Sekcji 3.5. Należy podkreślić, że cykl publikacji Marcina Zalasińskiego spotkał się z dużym zainteresowaniem, czego dowodem może być wzrost poziomu liczby cytowań jego prac naukowych. To wpłynęło z kolei na wzrost wartości jego indeksu Hirscha (h-indeksu). Aktualne wartości dotyczące poziomu cytowań publikacji Marcina Zalasińskiego odnotowane przez poszczególne systemy można podsumować następująco: W systemie Web of Science aktualna liczba cytowań 23. zaewidencjonowanych publikacji Marcina Zalasińskiego wynosi 483 (Rys. 1), w tym 379 bez autocytowań, a jego h-indeks jest równy 12. W systemie Scopus aktualna liczba cytowań 26. zaewidencjonowanych publikacji Marcina Zalasińskiego wynosi 569 (Rys. 2), w tym 438 bez autocytowań, a jego h-indeks jest równy 14. W systemie Google Scholar aktualna liczba cytowań 28. zaewidencjonowanych publikacji Marcina Zalasińskiego wynosi 642 (Rys. 3), a jego h-indeks jest równy 16. 17
Marcin Zalasiński był ponadto często zapraszany do recenzji prac naukowych z zakresu weryfikacji tożsamości. Po uzyskaniu stopnia doktora wykonał w sumie 13 recenzji w czasopismach z listy A MNiSW. Szczegóły dotyczące tych recenzji przedstawiono w Sekcji 4.1. 250 200 202 150 100 82 105 50 50 36 0 8 2013 2014 2015 2016 2017 2018 Rys. 1. Liczba cytowań publikacji Marcina Zalasińskiego według systemu Web of Science z podziałem na lata dla okresu czasu od roku 2013. do roku 2018. Pozycje wykresu oznaczone kolorem niebieskim dotyczą okresu po uzyskaniu przez kandydata stopnia doktora. 250 215 200 150 100 85 109 94 50 58 0 8 2013 2014 2015 2016 2017 2018 Rys. 2. Liczba cytowań publikacji Marcina Zalasińskiego według systemu Scopus z podziałem na lata dla okresu czasu od roku 2013. do roku 2018. Pozycje wykresu oznaczone kolorem niebieskim dotyczą okresu po uzyskaniu przez kandydata stopnia doktora. 18
250 229 200 150 138 100 66 92 98 50 0 2 17 2012 2013 2014 2015 2016 2017 2018 Rys. 3. Liczba cytowań publikacji Marcina Zalasińskiego według systemu Google Scholar z podziałem na lata dla okresu czasu od roku 2012. do roku 2018. Pozycje wykresu oznaczone kolorem niebieskim dotyczą okresu po uzyskaniu przez kandydata stopnia doktora. W badaniach naukowych prowadzonych po uzyskaniu stopnia doktora Marcin Zalasiński skupił się na typowej behawioralnej cesze biometrycznej, którą jest tzw. podpis dynamiczny. Podpis dynamiczny ma tę zaletę, że jest powszechnie akceptowalny społecznie, a analiza dynamiki jego składania jest ciekawym problemem naukowym. Należy jednak podkreślić, że algorytmy opracowane przez Marcina Zalasińskiego mają charakter uniwersalny i mogą być one wykorzystane w przypadku pozostałych cech biometrii behawioralnej opisywanych poprzez sygnały zmienne w czasie. Kolejne podrozdziały zawierać będą szerszy opis metod zaprezentowanych w publikacjach wchodzących w skład cyklu publikacji stanowiącego osiągnięcie naukowe Marcina Zalasińskiego. 3.1. Metody doboru neuronowo-rozmytego klasyfikatora jednoklasowego behawioralnych cech biometrycznych Bezpieczeństwo systemów informatycznych związane jest m.in. ze skuteczną weryfikacją tożsamości korzystających z nich osób. Weryfikacja ta może być przeprowadzana różnymi metodami, które bazują zwykle na: a) tym, co się ma (np. na karcie chipowej), b) tym, co się wie (np. na haśle), c) tym, czym/kim się jest 19
(np. cechach biometrycznych). Trzecie podejście jest najwygodniejsze dla osób, których tożsamość poddawana jest weryfikacji oraz najtrudniejsze do podrobienia dla ewentualnych fałszerzy. Z tego powodu cieszy się ono dużym zainteresowaniem oraz stwarza interesujące możliwości w zakresie opracowywania nowych rozwiązań. Pewne wyzwanie dla systemów informatycznych weryfikujących tożsamość na podstawie behawioralnych cech biometrycznych stanowi dobór oraz trening odpowiedniego klasyfikatora. Wynika to z faktu, iż w praktyce na etapie uczenia systemu nie dysponuje się próbkami fałszywych cech biometrycznych, które w warunkach rzeczywistych są generowane przez fałszerzy. Fałszerze ci są często wyuczeni [14] i posiadają wiedzę na temat sposobu zachowania użytkowników systemu biometrycznego, które mogło zostać przez nich podpatrzone. Problem ten bywa rozwiązywany w ten sposób, iż jako losowe próbki fałszywe [14] na etapie uczenia systemu są traktowane cechy biometryczne innych użytkowników systemu. Takie podejście jest często stosowane w literaturze [15, 16, 17] i było także stosowane w pracach Marcina Zalasińskiego opublikowanych przed uzyskaniem stopnia doktora. Jednak nie jest ono zgodne z realnymi warunkami panującymi podczas weryfikacji tożsamości, gdyż system uczony za pomocą losowych próbek fałszywych cech może nie uchronić się przed atakiem wyuczonego fałszerza. Co więcej, chcąc przeprowadzić uczenie takiego systemu należy przyjąć założenie, że w bazie danych zgromadzono już dane odpowiedniej liczby użytkowników, których cechy można wykorzystać jako losowe próbki fałszywe. W związku z tym jednym z największych problemów biometrii behawioralnej jest utworzenie skutecznego klasyfikatora jednoklasowego, który na etapie uczenia wykorzystuje jedynie deskryptory cech wzorcowych użytkownika, którego tożsamość ma zostać zweryfikowana. Jednym z przedmiotów badań Marcina Zalasińskiego były prace nad utworzeniem efektywnego klasyfikatora rozwiązującego opisane problemy, czego wynikiem było powstanie nowego neuronowo-rozmytego klasyfikatora jednoklasowego behawioralnych cech biometrycznych. Cechą charakterystyczną opracowanego przez habilitanta klasyfikatora jest to, że weryfikacja testowych cech biometrycznych bazuje na odpowiedziach elastycznego systemu neuronowo-rozmytego. System tego typu charakteryzuje się działaniem bazującym na zestawie reguł postaci jeżeli to i możliwością doboru parametrów w tzw. procesie uczenia. Ponadto system elastyczny pozwala uwzględniać hierarchię ważności 20
przesłanek reguł i całych reguł [18]. Jego parametry w kontekście problemu rozważanego przez habilitanta muszą być dobrane indywidualnie dla każdego użytkownika uwzględnianego w bazie danych systemu. Klasyfikator opracowany przez habilitanta spełnia wszystkie wymogi stawiane algorytmom weryfikacji tożsamości na podstawie cech biometrycznych, tj.: działa niezależnie od liczby użytkowników (jego dokładność nie zależy od liczby użytkowników w bazie), ma możliwość łatwej rozbudowy o cechy nowych użytkowników, nie uwzględnia cech innych użytkowników w weryfikacji podpisów rozważanego użytkownika. W bardzo wielu zastosowaniach do doboru parametrów reguł systemów rozmytych jest wykorzystywane uczenie maszynowe (m.in. gradientowe lub ewolucyjne), które jednak nie nadaje się do użycia w połączeniu z algorytmami weryfikacji tożsamości. Jest to spowodowane tym, iż skuteczność działania systemu klasyfikacji uczonego maszynowo zależy w dużej mierze od liczby oraz od jakości próbek treningowych. W przypadku systemów biometrycznych na etapie uczenia dysponuje się zwykle małą liczbą próbek wzorcowych danej cechy biometrycznej oraz nie dysponuje się próbkami fałszerzy o odpowiedniej jakości. Uczenie maszynowe jest ponadto procesem iteracyjnym, który należałoby przeprowadzać niezależnie dla każdego użytkownika bazy danych. W związku z tym habilitant zaproponował nową strukturę rozmytego elastycznego klasyfikatora jednoklasowego, którego parametry zależą od deskryptorów wzorcowych cech biometrycznych. Są one wyznaczane analitycznie (nie zaś w procesie uczenia nadzorowanego) i indywidualnie dla każdego użytkownika (jego cech wzorcowych). Do wspomnianych parametrów systemu należą: a) współczynnik zawierania się danego deskryptora w obrębie danej klasy reprezentującej użytkownika oraz b) waga ważności deskryptora, która jest miarą podobieństwa wartości deskryptorów różnych podpisów wzorcowych danego użytkownika. Współczynniki te są wyznaczane na podstawie wartości deskryptorów cech wzorcowych danego użytkownika bez udziału próbek reprezentujących cechy biometryczne potencjalnych fałszerzy. Należy także zaznaczyć, że opracowany klasyfikator posiada strukturę pozwalającą na zinterpretowanie zgromadzonej w nim wiedzy. Opracowany klasyfikator może 21
ponadto współpracować z dowolnymi deskryptorami opisującymi behawioralne cechy biometryczne. W badaniach habilitanta został on przetestowany na przykładzie różnych deskryptorów podpisu dynamicznego: a) globalnych [WoS_2, WoS_3, WoS_4, WoS_9, WoS_11], b) regionalnych [A_2, A_3, WoS_10, WoS_12] oraz c) połączeniu globalnych i regionalnych [WoS_5, WoS_7]. 3.2. Metody ewolucyjnej selekcji deskryptorów opisujących behawioralne cechy biometryczne Prowadzone przez habilitanta badania wykazały, że nie wszystkie deskryptory opisujące daną cechę biometryczną są równie ważne w kontekście weryfikacji tożsamości dla różnych użytkowników systemu biometrycznego. W związku z tym ciekawym rozwiązaniem wydają się być autorskie metody habilitanta dokonujące automatycznej selekcji najbardziej charakterystycznych deskryptorów w kontekście każdego użytkownika systemu. W ramach badań prowadzonych przez habilitanta zostało utworzonych kilka nowych metod ewolucyjnej selekcji najbardziej charakterystycznych deskryptorów behawioralnych cech biometrycznych. Wspomniane metody łączą w sobie następujące cechy: wykorzystują algorytm populacyjny do selekcji deskryptorów cech biometrycznych, eliminując cechy, które mogą mieć wpływ na pogorszenie dokładności weryfikacji tożsamości, działają indywidualnie dla każdego użytkownika systemu, nie wymagają na etapie uczenia wzorców w postaci cech fałszywych lub cech prawdziwych innych użytkowników, a bazują jedynie na cechach wzorcowych aktualnie rozważanego użytkownika, nie są zależne od liczby elementów zestawu cech, który może być dowolnie pomniejszany lub powiększany. W pracy [WoS_2] została zaprezentowana metoda indywidualnej selekcji deskryptorów cech biometrycznych, która wykorzystuje klasyczny algorytm genetyczny ze specjalnie zaprojektowaną funkcją oceny. W metodzie tej każdy z chromosomów zawiera zakodowaną binarnie informację na temat zestawu deskryptorów, który będzie podlegać ocenie. Do oceny przydatności wybranych deskryptorów podpisów wzorcowych w kontekście skuteczności weryfikacji tożsamości wyznaczana jest miara ich podobieństwa do szablonu, która jest wyrażona 22
w postaci odległości Mahalanobisa. W pracy tej proponowana metoda została przetestowana z wykorzystaniem deskryptorów globalnych podpisu dynamicznego, jednak jest ona metodą uniwersalną. Wyniki uzyskane podczas symulacji metody potwierdzają, że zastosowanie indywidualnej selekcji deskryptorów cech biometrycznych zwiększa skuteczność procesu weryfikacji tożsamości. Co więcej, przeprowadzone badania potwierdziły, że dla każdego z użytkowników wybrany zestaw deskryptorów może mieć charakter indywidualny. W pracy [WoS_3] została zaprezentowana metoda indywidualnej selekcji deskryptorów cech biometrycznych, która oprócz uwzględniania oceny przydatności wybranych deskryptorów podpisów wzorcowych w kontekście skuteczności weryfikacji tożsamości bierze pod uwagę także liczbę selekcjonowanych cech. Jest to o tyle istotne, że pozwoliło skonkretyzować liczbę rozważanych na etapie klasyfikacji deskryptorów cech biometrycznych, co wpłynęło na zwiększenie szybkości działania klasyfikatora oraz na zwiększenie czytelności sposobu jego działania. Metoda ta realizowana jest za pomocą algorytmu genetycznego ze specjalnie zaprojektowaną funkcją oceny, zbudowaną w oparciu o ważoną algebraiczną t-normę trójkątną [18]. Wyniki uzyskane podczas symulacji potwierdzają skuteczność działania metody. Przeprowadzone badania wykazały także, że algorytm dokonuje często wyboru liczby cech, która jest mniejsza od zakładanej. Świadczy to o tym, iż szuka on kompromisu pomiędzy wyborem deskryptorów najbardziej przydatnych w procesie weryfikacji tożsamości, a zakładaną liczbą deskryptorów przechowujących różnorodne informacje o podpisie. W pracy [WoS_5] została zaprezentowana metoda indywidualnej selekcji deskryptorów cech biometrycznych, która uwzględnia deskryptory różnego rodzaju. Pozwala to na wykorzystanie w procesie weryfikacji tożsamości najbardziej charakterystycznych deskryptorów z różnych grup, np. globalnych i regionalnych. Dzięki temu w procesie uczenia systemu weryfikacji tożsamości oraz na etapie działania tego systemu możliwe jest wykorzystanie najbardziej charakterystycznych deskryptorów danego użytkownika, niezależnie od tego, do jakiej grupy deskryptorów należą i jakie składowe cechy biometrycznej opisują. Metoda ta została przetestowana z wykorzystaniem deskryptorów globalnych i regionalnych podpisu dynamicznego. Wyniki uzyskane podczas symulacji metody potwierdzają skuteczność jej działania. 23
3.3. Metody szybkiej selekcji charakterystycznych deskryptorów opisujących behawioralne cechy biometryczne Badania prowadzone przez habilitanta obejmowały także opracowanie metod szybkiej selekcji charakterystycznych deskryptorów opisujących behawioralne cechy biometryczne. Słowo szybkie nawiązuje do specyfiki ich działania, ponieważ metody te miały na celu: skrócenie procesu uczenia systemu weryfikacji tożsamości, zredukowanie złożoności systemu weryfikacji tożsamości, co ma wpływ na zwiększenie czytelności sposobu jego działania, zbadanie wpływu liczby wybranych deskryptorów na skuteczność procesu weryfikacji tożsamości. W pracy [WoS_11] zaprezentowano szybką metodę selekcji deskryptorów rozważanej cechy biometrycznej, która nie wymaga złożonych obliczeń. Bazuje ona na ustaleniu hierarchii ważności deskryptorów, a następnie wybiera liczbę n najbardziej charakterystycznych (najważniejszych) w kontekście danego użytkownika. Metoda ta została przetestowana z wykorzystaniem deskryptorów globalnych podpisu dynamicznego. W celu przeprowadzenia weryfikacji tożsamości wykorzystany został jednoklasowy klasyfikator neuronowo-rozmyty. Otrzymane wyniki symulacji potwierdzają wysoką skuteczność działania opracowanej metody przy jej stosunkowo niskiej złożoności obliczeniowej. W pracy [WoS_8] zbadano wpływ liczby charakterystycznych deskryptorów cechy biometrycznej na skuteczność weryfikacji tożsamości. Przeprowadzone badania potwierdziły oczywiste przypuszczenia, że dokonując zbyt dużej redukcji rozważanego zbioru deskryptorów można w znacznym stopniu obniżyć skuteczność weryfikacji tożsamości. Pozwoliły one jednak wskazać taką redukcję cech, która skutkuje akceptowalną (odpowiednio wysoką) dokładnością weryfikacji. Jest to istotne spostrzeżenie w kontekście stosowania szybkich metod selekcji charakterystycznych deskryptorów opisujących behawioralną cechę biometryczną. Wspomniane badania zostały przeprowadzone z wykorzystaniem deskryptorów globalnych podpisu dynamicznego. 24
3.4. Metody predykcji zmian w czasie wartości deskryptorów behawioralnych cech biometrycznych Istotnym problemem biometrii behawioralnej jest podatność cech biometrycznych na zmiany zachodzące wraz z upływem czasu. Wynikają one przykładowo ze zmian fizycznych zachodzących w ludzkim organizmie wraz z upływem czasu lub/i z powodu wpływu różnych przebytych doświadczeń na ludzkie zachowania. Może to powodować spadek skuteczności systemów weryfikacji tożsamości na podstawie cech biometrycznych. W związku z tym ciekawym rozwiązaniem było opracowanie metod predykcji zmian wartości deskryptorów cech biometrycznych. Celem przewidywania było m.in. usprawnienie skuteczności procesu weryfikacji tożsamości w przypadku, gdy odstęp czasowy pomiędzy poszczególnymi sesjami akwizycji cechy biometrycznej był duży. Odstęp ten może powodować pewne zmiany w sposobie zachowania, które z kolei mogą przekładać się na zmianę wartości deskryptorów cechy biometrycznej. Wówczas zmienia się także skuteczność procesu weryfikacji tożsamości, która najczęściej maleje. Możliwość przewidywania wartości deskryptorów cech biometrycznych przyczynia się zatem do częściowej eliminacji opisanego problemu. Było to kolejnym przedmiotem badań habilitanta. W pracy [WoS_6] zaprezentowano metodę do przewidywania zmian wartości deskryptorów cech biometrycznych w czasie. Zakłada ona, że dysponuje się zestawem uczącym w postaci danych opisujących cechy biometryczne, które zostały utworzone w kilku sesjach przeprowadzonych w pewnych odstępach czasu. Wykorzystuje ona możliwości systemów rozmytych i może działać dla dowolnej liczby deskryptorów cechy biometrycznej. System użyty do predykcji wartości ma podawane na wejścia wartości cech pojedynczej sesji poprzedniej. Do uczenia wspomnianego systemu użyto strategii ewolucyjnej (μ + λ). Rozważana metoda bazuje na zestawie deskryptorów wyznaczonych dla cech pobranych w kolejnych sesjach treningowych, które odbyły się w pewnych odstępach czasu. Zakres wartości deskryptorów w obrębie poszczególnych sesji jest zwykle różny (mimo, że jest rozpatrywany dla każdego użytkownika niezależnie). W związku z tym ich wartości były normalizowane. Uśrednione wartości deskryptorów wchodzą w skład ciągu uczącego i testowego, wykorzystywanego w fazie uczenia i testowania systemu użytego do predykcji (systemu rozmytego). System ten jest tworzony dla każdego użytkownika niezależnie i zgodnie z założeniem, że predykcja bazuje na wartościach deskryptora jedynie z sesji poprzedniej (w celu 25
zwiększenia dokładności predykcja może uwzględniać także większą liczbę sesji poprzednich). Do predykcji wykorzystywany jest system rozmyty typu Mamdaniego, uczony za pomocą strategii ewolucyjnej (μ + λ). Do oceny działania systemu rozmytego w fazie uczenia wykorzystano standardowy błąd RMSE (jego użycie ma sens dzięki realizowanej normalizacji cech). Błąd ten jest wykorzystywany w fazie ewolucyjnego uczenia do oceny osobników kodujących parametry użytego do predykcji systemu rozmytego (celem algorytmu uczenia jest minimalizacja wspomnianego błędu). W ramach rozważanej pracy przeprowadzono symulacje mające na celu predykcję wartości deskryptorów globalnych podpisu dynamicznego, które potwierdziły, że dla każdego użytkownika można z dobrą dokładnością przewidywać wartości rozważanego zestawu deskryptorów, choć zmiany wartości deskryptorów dla poszczególnych użytkowników mają charakter indywidualny. W pracy [A_1] habilitant kontynuował badania nad przewidywaniem zmian wartości deskryptorów cech biometrycznych w czasie. W pracy tej zaproponowano nową strukturę systemu rozmytego wykorzystywanego do przewidywania wartości deskryptorów cech biometrycznych, która mogła uwzględniać wartości deskryptorów ze wszystkich poprzednich sesji akwizycji cech. W celu uczenia klasyfikatora wykorzystano ponadto fajerwerkowy algorytm populacyjny [19]. W ramach tej pracy przeprowadzono zatem symulacje mające na celu predykcję wartości deskryptorów globalnych podpisu dynamicznego. Potwierdziły one, że dla każdego użytkownika można przeprowadzić wspomnianą predykcję z dobrą dokładnością. W czasie symulacji badano także, jaki wpływ na błąd predykcji ma liczba sesji uwzględnionych na wejściach systemu. Przewidziane wartości były ponadto wykorzystane do przeprowadzenia kolejnej sesji treningowej klasyfikatora w celu zbadania wpływu mechanizmu przewidywania wartości deskryptorów na skuteczność weryfikacji tożsamości dla cech biometrycznych pobranych w późniejszym czasie (ostatniej sesji). Wyniki symulacji dowiodły, że skuteczność procesu weryfikacji tożsamości przy zastosowaniu przewidzianych wartości deskryptorów cech biometrycznych wzrosła aż pięciokrotnie, co potwierdza słuszność kierunku podjętych badań. 26
3.5. Metody oceny stabilności w czasie deskryptorów behawioralnych cech biometrycznych Ważnym zagadnieniem biometrii behawioralnej jest analiza zmienności deskryptorów cech biometrycznych w czasie. Wydaje się ona być szczególnie istotna w przypadku problemu weryfikacji tożsamości, w związku z tym w ramach prowadzonych przez habilitanta badań zajął się on również tym problemem. W pracy [WoS_6] zostały zdefiniowane następujące miary stabilności deskryptorów cech biometrycznych: współczynnik poziomu zmienności deskryptorów cechy biometrycznej utworzonych w kolejnych sesjach akwizycji w odniesieniu do deskryptorów cechy wzorcowej danego użytkownika (szablonu), współczynnik poziomu rozrzutu deskryptorów cechy biometrycznej utworzonych w kolejnych sesjach akwizycji, współczynnik oceny najbardziej stabilnych deskryptorów cechy biometrycznej. Wymienione współczynniki służyły do oceny stabilności cech biometrycznych oraz przydatności ich poszczególnych deskryptorów w kontekście procesu weryfikacji tożsamości. Ich mniejsze wartości świadczyły o większej odporności deskryptora na zmiany. W ramach pracy [WoS_6] przeprowadzono symulacje mające na celu ocenę stabilności deskryptorów regionalnych podpisu dynamicznego. Wykazały one, że wartości wszystkich zdefiniowanych kryteriów oceny zmienności deskryptorów regionalnych podpisu dynamicznego rosną wraz z upływem czasu (zjawisko niekorzystne), co ma swoje odzwierciedlenie w tendencji do zmniejszania dokładności weryfikacji tożsamości z biegiem czasu. Trend wzrostu błędu weryfikacji wraz z upływem czasu był zgodny z trendem wzrostu wartości kryteriów oceny stabilności podpisu. W ramach rozważanej pracy udało się także wyodrębnić najbardziej stabilne deskryptory. W pracy [WoS_1] skupiono się z kolei na porównaniu współczynników służących do oceny stabilności w czasie behawioralnych cech biometrycznych dla deskryptorów globalnych oraz deskryptorów regionalnych podpisu dynamicznego. Symulacje przeprowadzone w ramach tej pracy wykazały, że wartości wszystkich 27
zdefiniowanych kryteriów oceny zmienności deskryptorów rosną z biegiem czasu, co świadczyło o pogarszającym się przystosowaniu obu grup deskryptorów do skutecznej weryfikacji tożsamości. Okazało się jednak, że zmiany wartości miar stabilności deskryptorów globalnych są większe niż w przypadku deskryptorów regionalnych, choć nie miało to znaczącego wpływu na skuteczność weryfikacji tożsamości. Może to natomiast świadczyć o tym, że pewne grupy deskryptorów lepiej nadają się do wykorzystania w procesie weryfikacji tożsamości pomimo zmian swych wartości wraz z upływem czasu. 3.6. Potencjał aplikacyjny metod opracowanych przez habilitanta W obecnych czasach weryfikacja lub identyfikacja tożsamości odgrywa kluczową rolę w wielu dziedzinach życia. Wobec coraz większego zagrożenia bezpieczeństwa oraz potrzeby bezpiecznego i skutecznego uwierzytelniania, np. dostępu do komputera czy konta bankowego, systemy biometryczne znajdują coraz szerszy wachlarz zastosowań. Ponadto możliwości wykorzystywania cech biometrycznych np. na odległość dodatkowo przyczyniają się w dobie komunikacji internetowej do rozwoju systemów biometrycznych. Warto także zauważyć, że nawet, gdy system biometryczny nie może być jedyną metodą weryfikacji lub identyfikacji tożsamości, może z powodzeniem stanowić metodę wspomagającą. Zastosowania systemów biometrycznych można podzielić na trzy główne kategorie [14]: Zastosowania w aplikacjach komercyjnych. Zastosowania te umożliwiają m.in. logowanie do systemu komputerowego, uwierzytelnianie do urządzenia mobilnego, ochronę danych za pomocą klucza biometrycznego etc. Zastosowania w aplikacjach sektora publicznego. Zastosowania te obejmują m.in. weryfikację tożsamości za pomocą cech biometrycznych zapisanych w dowodzie osobistym, paszporcie, prawie jazdy, czy też powiązanie cech biometrycznych użytkowników z innymi informatycznymi systemami państwowymi. Zastosowania w kryminalistyce. Zastosowania te umożliwiają m.in. ustalanie tożsamości podejrzanych, identyfikację zwłok etc. 28
Metody opracowane przez habilitanta znakomicie wpasowują się w aktualne trendy panujące w biometrii behawioralnej. Ich możliwości aplikacyjne zostały wstępnie potwierdzone w czasie symulacji dotyczących weryfikacji tożsamości na podstawie podpisu dynamicznego, który jest powszechnie akceptowalną społecznie cechą biometryczną. Wspomniane metody mogą być jednak z powodzeniem wykorzystywane w przypadku innych behawioralnych cech biometrycznych, które można opisać za pomocą sygnałów zmiennych w czasie (czyli zdecydowanej większości cech). Można więc stwierdzić, że metody opracowane przez habilitanta charakteryzują się wysokim potencjałem aplikacyjnym. 3.7. Podsumowanie Cykl publikacji habilitanta, który został scharakteryzowany w Rozdziale 3, opisuje nowe metody wykorzystywane do rozwiązywania problemów biometrii behawioralnej, do których zaliczyć można m.in.: Metodę utworzenia neuronowo-rozmytego klasyfikatora jednoklasowego behawioralnych cech biometrycznych (Rozdział 3.1), eliminującą problem braku próbek cech biometrycznych fałszerzy na etapie fazy treningowej klasyfikatora cech biometrycznych. Ewolucyjne metody selekcji deskryptorów (Rozdział 3.2), eliminujące problem określenia mocy dyskryminacyjnej deskryptorów opisujących daną cechę biometryczną. Szybkie metody selekcji deskryptorów cech biometrycznych (Rozdział 3.3), eliminujące problem redukcji dużej liczby deskryptorów opisujących daną cechę biometryczną. Metody predykcji zmian w czasie wartości deskryptorów behawioralnych cech biometrycznych (Rozdział 3.4), eliminujące problem zmian zachodzących w ludzkim zachowaniu wraz z upływem czasu. Metody oceny stabilności w czasie deskryptorów behawioralnych cech biometrycznych (Rozdział 3.5), eliminujące problem indywidualnych zmian zachodzących w różnych deskryptorach opisujących cechy biometryczne wraz z upływem czasu. 29
Wymienione metody korzystają z dedykowanych algorytmów sztucznej inteligencji, które pozwalają na zastosowanie indywidualnego podejścia do każdego użytkownika systemu biometrycznego oraz indywidualny dobór deskryptorów cechy biometrycznej dla tego użytkownika. Należy zaznaczyć, że metody te są w pełni uniwersalne i mogą być stosowane w przypadku różnych cech biometrii behawioralnej opisywanych za pomocą sygnałów zmiennych w czasie. Opracowane metody zostały przetestowane w symulacjach przeprowadzonych z wykorzystaniem autorskiego środowiska testowego (zostało ono zaimplementowane przez habilitanta w języku C#), a uzyskane wyniki badań potwierdzają słuszność przyjętych założeń oraz aplikacyjny potencjał. Habilitant chciałby podkreślić rozwojowy charakter prowadzonych przez siebie badań, wynikający z możliwości tworzenia kolejnych, dedykowanych metod sztucznej inteligencji na potrzeby efektywnego rozwiązywania problemów z zakresu biometrii behawioralnej. Metody te mogą obejmować m.in. zagadnienia związane z: Zastosowaniem algorytmów populacyjnych do generowania deskryptorów rozważanej cechy biometrycznej. Dotyczy to np. partycji wydzielanych aktualnie w cesze biometrycznej na podstawie średniej wartości sygnałów opisujących zmianę wartości tej cechy. Korzystanie ze średniej utrudnia jednak uwzględnianie np. zakłóceń wynikających z możliwości i sposobu obsługi sprzętu wykorzystywanego do akwizycji cechy. Metody korzystające z podejścia ewolucyjnego mogłyby eliminować tę niedogodność. Tego typu rozwiązania nie były dotychczas rozważane w literaturze. Szerszym zastosowaniem mechanizmu predykcji do eliminacji wpływu zmian w czasie rozważanej cechy biometrycznej na dokładność weryfikacji. Mechanizm ten mógłby być użyty nie tylko w kontekście cech globalnych, ale także partycji, szablonów, współczynników oceny deskryptorów itd. Tego typu rozwiązania nie były dotychczas rozważane w literaturze. Zastosowaniem podejścia łączącego możliwości metod dedykowanych do analizy właściwości statycznych i dynamiki rozważanej cechy biometrycznej. Przykładowo w kontekście podpisu dynamicznego chodzi o opracowanie metod bazujących na analizie kształtu podpisu oraz analizie dynamiki jego 30
składania. Tego typu rozwiązania nie były dotychczas rozważane w literaturze. Zastosowaniem metod z zakresu computer vision do analizy właściwości statycznych i dynamiki rozważanej cechy biometrycznej. Przykładowo w kontekście podpisu dynamicznego chodzi o odpowiednie użycie takich metod jak np. algorytm scale-invariant feature transform (SIFT), algorytm speeded up robust features (SURF), algorytm local energy-based shape histogram (LESH) czy też konwolucyjnej sieci neuronowej (ang. convolutional neural network, CNN) w celu porównywania dynamiki procesu składania podpisu. Tego typu rozwiązania nie były dotychczas rozważane w literaturze. Mechanizmem wstępnej weryfikacji podejścia do analizy rozważanej cechy biometrycznej uwzględniającym skuteczność dla każdego użytkownika indywidualnie. Tego typu rozwiązania nie były dotychczas rozważane w literaturze. 31
4. Opis pozostałych aspektów działalności naukowej habilitanta po uzyskaniu przez niego stopnia naukowego doktora W ramach tego rozdziału omówione zostaną pozostałe aspekty działalności naukowej habilitanta uzyskane po otrzymaniu stopnia naukowego doktora. Uwzględniają one m.in. wykonane recenzje, udział w projektach, współpracę zagraniczną, nagrody i wyróżnienia. 4.1. Wykonane recenzje Podczas pracy naukowej na stanowisku adiunkta habilitant był recenzentem 13. prac naukowych dla 5. uznanych międzynarodowych czasopism. Są to następujące czasopisma: Expert Systems with Applications (35 pkt. wg listy MNiSW; Impact Factor 5,824), 7 prac w latach 2014 2018. IEEE Transactions on Information Forensics and Security (40 pkt. wg listy MNiSW; Impact Factor 3,768), 2 prace w latach 2016-2017. Pattern Recognition Letters (30 pkt. wg listy MNiSW; Impact Factor 1,952), 2 prace w latach 2017-2018. IEEE transactions on Cybernetics (50 pkt. wg listy MNiSW; Impact Factor 8,803), 1 praca w roku 2016. Knowledge-Based Systems (40 pkt. wg listy MNiSW; Impact Factor 4,396), 1 praca w latach 2016-2017. 4.2. Udział w projektach Podczas pracy naukowej na stanowisku adiunkta habilitant brał udział w 4. projektach: Grancie wydziałowym nr BS/MN 1-109-301/16/P pt. Algorytmy weryfikacji tożsamości na podstawie dynamicznych cech podpisu odręcznego wykorzystujące możliwości metod sztucznej inteligencji przyznanym w ramach dotacji dla młodych naukowców oraz uczestników studiów doktoranckich Politechniki Częstochowskiej i realizowanym w latach 2016-2017 (jako kierownik). Grancie nr 2012/05/B/ST7/02138 pt. Nowe algorytmy tworzenia dokładnych, nieliniowych, interpretowalnych i dostosowanych do działania w czasie rzeczywistym 32
modeli układów dynamicznych z wykorzystaniem inteligencji obliczeniowej finansowanym przez Narodowe Centrum Nauki i realizowanym w latach 2013-2016 (jako wykonawca). Projekcie nr POIG.01.03.01-26-021/12 pt. Technologia uprawy mikroglonów w bioreaktorach zamkniętych z recyklingiem CO 2 i innych odpadów z biogazowni, finansowanym przez Narodowe Centrum Badań i Rozwoju i realizowanym w latach 2013-2015 (jako uczestnik). Projekcie nr POIG.02.03.03-00-091/10 pt. Portal Nauki - Platforma transferu wiedzy dla społeczności naukowej i przemysłu, finansowanym z funduszy Unii Europejskiej i realizowanym w latach 2011-2015 (jako wykonawca). 4.3. Udział w międzynarodowych konferencjach naukowych Habilitant w czasie swojej działalności naukowej brał czynny udział w następujących międzynarodowych konferencjach naukowych: International Conference on Artificial Intelligence and Soft Computing ICAISC 2018, Zakopane, 3-7 czerwca 2018. W trakcie tej konferencji habilitant prezentował referat pt. Stability of Features Describing the Dynamic Signature Biometric Attribute. Information Systems Architecture and Technology ISAT 2017, Szklarska Poręba, 17-19 września 2017. W trakcie tej konferencji habilitant prezentował referat pt. A Method for Genetic Selection of the Dynamic Signature Global Features Subset. Za pracę zaprezentowaną na konferencji została przyznana nagroda Best Paper Award. International Conference on Artificial Intelligence and Soft Computing ICAISC 2017, Zakopane, 11-15 czerwca 2017. W trakcie tej konferencji habilitant prezentował referaty pt. Stability Evaluation of the Dynamic Signature Partitions Over Time, A Method for Genetic Selection of the Most Characteristic Descriptors of the Dynamic Signature, A Method for Changes Prediction of the Dynamic Signature Global Features over Time. International Conference on Artificial Intelligence and Soft Computing ICAISC 2016, Zakopane, 12-16 czerwca 2016. W trakcie tej konferencji habilitant prezentował referaty pt. An Idea of the Dynamic Signature 33
Verification Based on a Hybrid Approach, A New Approach to the Dynamic Signature Verification Aimed at Minimizing the Number of Global Features. Information Systems Architecture and Technology ISAT 2015, Karpacz, 20-22 września 2015. W trakcie tej konferencji habilitant prezentował referaty pt. New algorithm for on-line signature verification using characteristic global features, New algorithm for on-line signature verification using characteristic hybrid partitions. International Conference on Artificial Intelligence and Soft Computing ICAISC 2015, Zakopane, 14-18 czerwca 2015. W trakcie tej konferencji habilitant prezentował referaty pt. New Fast Algorithm for the Dynamic Signature Verification Using Global Features Values, A New Method for the Dynamic Signature Verification Based on the Stable Partitions of the Signature. 4.4. Współpraca zagraniczna Podczas pracy naukowej na stanowisku adiunkta habilitant nawiązał współpracę z renomowanymi ośrodkami badawczymi, czego efektem było powstanie publikacji naukowych: Meiji University, Department of Computer Science, Japonia (5 publikacji, w tym 1 nie wchodząca do cyklu publikacji stanowiącego osiągnięcie naukowe habilitanta): [WoS_5, WoS_6, WoS_8, WoS_11, 20]. Nanyang Technological University, School of Electrical & Electronic Engineering, Singapur (2 publikacje): [WoS_4, WoS_12]. Blekinge Institute of Technology, Karlskrona, Szwecja (1 publikacja): [WoS_7]. Clark University, Worcester, MA 01610, USA (1 publikacja): [WoS_1]. 4.5. Nagrody i wyróżnienia Podczas pracy na stanowisku adiunkta habilitant był laureatem następujących nagród dotyczących jego działalności naukowej: Nagrody Best paper award za artykuł pt. A method for genetic selection of the dynamic signature global features subset, otrzymanej podczas 38. międzynarodowej konferencji Information Systems Architecture and 34
Technology, która odbyła się w Szklarskiej Porębie w dniach 17-19 września 2017 r. Nagrody Rektora Politechniki Częstochowskiej zespołowej III. stopnia za opublikowanie cyklu publikacji z zakresu metod sztucznej inteligencji, otrzymanej w roku 2017. Nagrody Rektora Politechniki Częstochowskiej zespołowej III. stopnia za opublikowanie cyklu publikacji z zakresu metod sztucznej inteligencji, otrzymanej w roku 2015. Nagrody Rektora Politechniki Częstochowskiej indywidualnej III. stopnia za wyróżnioną pracę doktorską, otrzymanej w roku 2015. 35
5. Opis działalności dydaktycznej habilitanta po uzyskaniu przez niego stopnia naukowego doktora Do najważniejszych osiągnięć dydaktycznych habilitanta po uzyskaniu przez niego stopnia doktora zaliczyć można: 1. Przygotowanie i prowadzenie zajęć dla studentów kierunku informatyka Wydziału Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej z następujących przedmiotów: Programming of web pages (w ramach programu ERASMUS+) wykład i laboratorium (prowadzone w języku angielskim). Object programming (w ramach programu ERASMUS+) wykład i laboratorium (prowadzone w języku angielskim). Programowanie stron internetowych wykład i laboratorium. Aplikacje WWW wykład i laboratorium. Programowanie obiektowe laboratorium. Programowanie interaktywnej grafiki na stronach WWW laboratorium. Podstawy sieci komputerowych laboratorium. 2. Promotorstwo 13. prac dyplomowych kierunku informatyka Wydziału Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej zakończonych obroną (z wynikiem pozytywnym). 3. Opieką nad 10. studentami kierunku informatyka Wydziału Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej przygotowującymi aktualnie swoje prace dyplomowe. 4. Koordynowanie praktyk studenckich dla studentów kierunku informatyka stopnia I specjalności Programowanie Aplikacji Internetowych na Wydziale Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. 36
6. Opis działalności organizacyjnej habilitanta po uzyskaniu przez niego stopnia naukowego doktora Działalność organizacyjną habilitanta po uzyskaniu przez niego stopnia doktora można podsumować następująco: Został on wybrany na Członka Rady Wydziału Inżynierii Mechanicznej i Informatyki w roku 2016, gdzie reprezentuje pracowników zatrudnionych na stanowisku adiunkta. Był on członkiem komitetów organizacyjnych międzynarodowych konferencji naukowych International Conferences on Artificial Intelligence and Soft Computing (ICAISC), organizowanych przez Instytut Inteligentnych Systemów Informatycznych Wydziału Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej oraz Polskie Towarzystwo Sieci Neuronowych, które odbyły się w Zakopanem w latach 2015, 2016, 2017 i 2018. Opiekuje się on stroną internetową Instytutu Inteligentnych Systemów Informatycznych Wydziału Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej (iisi.pcz.pl). Opiekuje się on laboratorium programowania obiektowego w Instytucie Inteligentnych Systemów Informatycznych Wydziału Inżynierii Mechanicznej i Informatyki Politechniki Częstochowskiej. 37
Spis rysunków Rys. 1. Liczba cytowań publikacji habilitanta według systemu Web of Science z podziałem na lata dla okresu czasu od roku 2013. do roku 2018. (stan na dzień 25 września 2018 roku). Pozycje wykresu oznaczone kolorem niebieskim dotyczą okresu po uzyskaniu przez kandydata stopnia doktora.... 18 Rys. 2. Liczba cytowań publikacji habilitanta według systemu Scopus z podziałem na lata dla okresu czasu od roku 2013. do roku 2018. (stan na dzień 25 września 2018 roku). Pozycje wykresu oznaczone kolorem niebieskim dotyczą okresu po uzyskaniu przez kandydata stopnia doktora.... 18 Rys. 3. Liczba cytowań publikacji habilitanta według systemu Google Scholar z podziałem na lata dla okresu czasu od roku 2012. do roku 2018. (stan na dzień 25 września 2018 roku). Pozycje wykresu oznaczone kolorem niebieskim dotyczą okresu po uzyskaniu przez kandydata stopnia doktora.... 19 38
Spis tabel Tab. 1. Lista publikacji habilitanta opublikowanych przed uzyskaniem przez niego stopnia naukowego doktora. W odwołaniach bibliograficznych przyjęto następujące oznaczenia: D wskazuje, że praca została opublikowana przed uzyskaniem stopnia naukowego doktora, A wskazuje, że praca została opublikowana w czasopiśmie z listy A MNiSW, WoS wskazuje, że praca została opublikowana w materiałach konferencji międzynarodowej zaindeksowanych w bazie Web of Science.... 6 Tab. 2. Lista publikacji habilitanta wchodzących w skład cyklu publikacji powiązanych tematycznie pt. Metody sztucznej inteligencji w wybranych zagadnieniach biometrii behawioralnej. W odwołaniach bibliograficznych przyjęto następujące oznaczenia: A wskazuje, że praca została opublikowana w czasopiśmie z listy A MNiSW, WoS wskazuje, że praca została opublikowana w materiałach konferencji międzynarodowej zaindeksowanych w bazie Web of Science.... 10 Tab. 3. Procentowy udział autorów w publikacjach habilitanta wchodzących w skład cyklu publikacji powiązanych tematycznie pt. Metody sztucznej inteligencji w wybranych zagadnieniach biometrii behawioralnej... 13 39
Literatura [1] Ślot, K. (2008). Wybrane zagadnienia biometrii. Wydawnictwa Komunikacji i Łączności, 2008. [2] Batista, L., Granger, E. i Sabourin, R. (2012). Dynamic selection of generative dis- criminative ensembles for off-line signature verification. Pattern Recognition, 45, 1326 1340. [3] Bhattacharya, I., Ghosh, P. i Biswas, S. (2013). Offline signature verification using pixel matching technique. Procedia Technology, 10, str. 970 977. [4] Kumar, R., Sharma, J. D. i Chanda, B. (2012). Writer-independent off-line signa- ture verification using surroundedness feature. Pattern Recognition Letters, 33, str. 301 308. [5] Faundez-Zanuy, M. (2007). On-line signature recognition based on VQ-DTW. Pattern Recognition, 40, str. 981 992. [6] Jeong, Y. S., Jeong, M. K. i Omitaomu, O. A. (2011). Weighted dynamic time warping for time series classification. Pattern Recognition, 44, str. 2231 2240. [7] Nanni, L., Maiorana, E., Lumini, A. i Campisi, P. (2010). Combining local, regional and global matchers for a template protected on-line signature verification system. Expert Systems with Applications, 37, str. 3676 3684. [8] Batista, L., Granger, E. i Sabourin, R. (2012). Dynamic selection of generative discriminative ensembles for on-line signature verication. Pattern Recognition, 45, str. 1326-1340. [9] Michalewicz, Z. (1998). Genetic Algorithms+Data Structures=Evolution Programs. Springer Verlag. [10] Rutkowski, L. (2008). Computational intelligence. Springer, 2008. [11] Wold, S., Esbensen, K. i Geladi, P (1987). Principal component analysis. Chemometrics and Intelligent Laboratory Systems, 2 (1 3), str. 37-52. [12] Cpałka, K. i Zalasiński, M. (2014). On-line signature verification using vertical signature partitioning. Expert Systems with Applications, 41, str. 4170-4180. [13] Galbally, J., Martinez-Diaz, M. i Fierez, J. (2013). Aging in biometrics: An experi- mental analysis on-line signature. PLOS ONE, 8 (7), e69897. [14] Fierrez, J. i Ortega-Garcia, J. (2008). On-Line Signature Verification. W: Jain A.K., Flynn P., Ross A.A. (ed) Handbook of Biometrics. Springer, Boston, MA. 40
[15] Nanni, L. (2006). An advanced multi-matcher method for on-line signature verification featuring global features and tokenised random numbers. Neurocomputing, 69, str. 2402 2406. [16] Nanni, L., Maiorana, E., Lumini, A. i Campisi, P. (2009). Combining local, regional and global matchers for a template protected on-line signature verification system. Expert Systems with Applications, 37 (5), str. 3676-3684. [17] Doroz, R., Porwik, P., Orczyk, T. (2016). Dynamic signature verification method based on association of features with similarity measures. Neurocomputing, 171, str. 921 931. [18] Cpałka, K. (2017). Design of Interpretable Fuzzy Systems, Springer. [19] Tan, Y. i Zhu, Y. (2010). Fireworks algorithm for optimization. Advances in Swarm Intelligence, Lecture Notes in Computer Science, 6145, str. 355 364. [20] Saito, T., Yasuda, K., Ishikawa, T., Hosoi, R., Takahashi, K., Chen, Y. i Zalasiński, M. (2016). Estimating CPU Features by Browser Fingerprinting, Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS), 2016 10th International Conference on, str. 587-592. 41