Fusión de datos aplicada a la identificación biométrica: una revisión

Resumen. Existe un creciente interés en la fusión de datos orientada a la identificación y

autenticación de rasgos biométricos y señales fisiológicas, debido a su capacidad para combinar
múltiples fuentes y el análisis multimodal permite mejorar el rendimiento de estos sistemas. Por
ello, consideramos necesario realizar una revisión analítica sobre este dominio. Este documento
resume el estado del arte de la fusión de datos orientada a la autenticación e identificación
biométrica, explorando sus técnicas, beneficios, ventajas, desventajas y desafíos.

Palabras clave: biométrico - fusión de datos - Sistemas multimodales - Señales fisiológicas

- Procesamiento de señales.

1. Introducción
Los sistemas biométricos son usados para el control de acceso y la identificación de seres
humanos, y se basan en diferentes medidas fisiológicas, como rasgos físicos (PT), señales
fisiológicas, ácido desoxirribonucleico (ADN), entre otros. Este tipo de reconocimiento de identidad
es muy llamativo ya que cada persona posee características físicas diferentes que no pueden
copiarse fácilmente [5]. Hoy en día, se aplica ampliamente para asegurar computadoras, teléfonos
inteligentes, sistemas de comunicación, edificios e información confidencial, entre otros. Sin
embargo, las múltiples técnicas de identificación individual se habían vuelto vulnerables a la
falsificación, como el sistema de identificación basado en la huella digital [1, 2], que se ha utilizado
durante varios años, pero se puede falsificar con diferentes métodos [4], poniendo en riesgo la
integridad jurídica y financiera de un individuo.

Aunque algunas características físicas son difíciles de imitar / duplicar, no es imposible. Por
lo tanto, diferentes investigadores han propuesto la fusión o combinación de múltiples señales
fisiológicas (PS) y rasgos con el objetivo de brindar mayor robustez al sistema [6–34]. Sin embargo,
la biometría es un área de investigación abierta centrada en el tipo y la cantidad de datos,
algoritmos y modos de funcionalidad, y se clasifican en 3 categorías de modalidades biométricas
de la siguiente manera: (i) biológica, se basa en el análisis de datos obtenido del ADN; (ii) de
comportamiento, esto se basa en el análisis del comportamiento del individuo; y (iii) los datos de
morfología, se basan en características físicas específicas que son permanentes y únicas para
cada individuo (por ejemplo, cara o huellas dactilares) [1].

© Springer International Publishing AG 2017

A. Solano y H. Ordoñez (Eds.): CCC 2017, CCIS 735, pp. 721–733, 2017.
DOI: 10.1007 / 978-3-319-66562-7_51

En este documento, analizamos los PS y los rasgos aplicados a la autenticación biométrica junto
con diferentes combinaciones entre ellos (es decir, múltiples señales y múltiples rasgos) utilizando
técnicas de fusión de datos. La revisión se llevó a cabo en las bases de datos Scopus y la Web of
Sciences basados en estos criterios de búsqueda: (i) (biométrico) y ("señales fisiológicas"); y (ii)
(("fusión de datos") o ("fusión de información") y (biométrica)) o ("señales fisiológicas"). Los
artículos seleccionados se informaron entre los años 2008 y 2017 en revistas de cuartil 1 y de
cuartil 2 principalmente.

2 Señales y rasgos fisiológicos aplicados en sistemas biométricos

Hoy en día, el uso de PS ha pasado de ser usado solo para diagnósticos médicos, a convertirse en
una herramienta muy importante para la seguridad, demostrando la capacidad de proporcionar
características que permiten identificar a una persona con alta precisión.
El PS debe cumplir con una serie de criterios que sean aptos en biometría. Los criterios son los
siguientes: (i) la señal debe poder ser recogida en cualquier persona; (ii) singularidad, la señal
debe poder distinguir diferentes individuos; (iii) permanencia, la señal no debe ser alterada
abruptamente en el tiempo; (iv) robustez contra los ataques, no debe ser imitada fácilmente [35].

La Figura 1 muestra una taxonomía resumida de los rasgos y PS reportadas para la autenticación
y/o identificación biométrica.

Fig. 1. Taxonomía de señales y rasgos fisiológicos aplicados en biometría

La Tabla 1 presenta los resultados de la revisión con respecto al uso de las señales y rasgos,
incluido el tipo de modalidad. 56 estudios biométricos basados en modalidades unimodales y
multimodales (es decir, unimodal es la aplicación de solo una señal o rasgo y multimodal es la
aplicación de dos o más señales y PT). Se han estudiado múltiples señales y rasgos de forma
independiente (autenticación o identificación monomodal), tales como: Electroencefalograma-EEG,
Electrocardiograma-EKG, fonocardiografía-PCG, electrooculografía-EOG, Electromiograma-EMG,
foto-pletismografía-PPG, huela digital, impresión de la palma de la mano, Vibrometria Doppler
láser-LDV, Habla, Impresión del nudillo del dedo-FKP, venas del dedo, lengua, Iris, cara, oido,
labios, ojos, el paso y aceleración de la rodilla-knA.

Tabla 1. Estudios biométricos monomodales y multimodales.

Otros estudios se basan en la combinación o fusión de múltiples señales junto con múltiples rasgos
(autenticación multimodal o identificación) que se evidencian.

2.1 Señales fisiológicas aplicadas en biometría.

El EKG y el PCG son medidas no invasivas y toman información sobre el corazón, particularmente
el EKG toma información sobre la actividad eléctrica del corazón. Esta señal se adquiere colocando
electrodos en la zona torácica, con el propósito de recolectar las señales producidas por el
miocardio, mientras que las señales PCG se basan en el análisis de las características de la
frecuencia de los sonidos cardíacos, estos sonidos se presentan en sístole (S1) y diástole (S2) [30,
31]. La condición de las aurículas, los ventrículos y las válvulas cardíacas entre otras, cada una de
estas características mencionadas es diferente para cada individuo. cuando ambas características
se usan al mismo tiempo obtenemos mucha información del corazón. En [31] se fusionan ambos
tipos de señales obteniendo una tasa de error más baja en comparación con el error obtenido con
las señales individuales.

Las señales de EEG tampoco son invasivas, y generalmente se registran desde la superficie del
cuero cabelludo [5]. Estas señales se dividen en cinco bandas de frecuencia de la siguiente
manera: Delta (δ) 0.5–4 Hz, Theta (θ) 4 –8 Hz, Alpha (α) 8 –14 Hz, Beta (β) 14 –30 Hz y Gamma
(γ) más de 30 Hz [6]. Las señales de EEG pueden ser una excelente opción para la identificación
biométrica debido a que la actividad eléctrica del cerebro es única en cada individuo y además está
estrechamente relacionada con los estímulos visuales, del estado de ánimo, auditivos y, en
general, de cualquier estímulo experimentado por la persona. Por lo tanto, es necesario tener en
cuenta que la respuesta cerebral a cualquiera de estos estímulos es diferente para cada individuo,
lo que hace que las señales de EEG sean difíciles de reemplazar y obtener, por lo tanto, estas
señales son prácticas en biometría. Otras señales han sido menos reportadas en el área
biométrica, como las señales EOG, que consisten en el registro de la diferencia de potencial
existente entre la córnea y la retina para la detección de movimientos oculares [55, 56]. Aunque es
posible obtener información relevante sobre un individuo, es muy difícil de implementar porque es
incómodo para el participante, ya que los electrodos ubicados en ambos lados de los ojos, por
encima y por debajo de éstos, reúnen los potenciales generados por el movimiento de los globos
oculares. [56]. El EKG, EEG, EOG y PCG tienen características muy importantes para su uso en
biometría, ya que no son fácilmente accesibles y también proporcionan información confiable de un
individuo.

2.2 Rasgo fisiológico aplicado a la biometría.

La figura 2 muestra imágenes de los rasgos fisiológicos reportados en la literatura, aun así, tienen
características bastante satisfactorias en el reconocimiento de personas. Estas imágenes
corresponden de izquierda a derecha a nudillo del dedo [17], vena del dedo [46], labios [44], lengua
[47], metacarpofalángica [57] y reconocimiento del paso [48] respectivamente. El rasgo más
popular hoy en día es la huella dactilar. Es muy utilizado en la autenticación personal por el hecho
conocido de que cada individuo tiene una huella dactilar única y su adquisición es muy fácil y
barata [58]. La huella dactilar se refiere a los patrones ubicados en las puntas de los dedos. Por
otro lado, las manos tienen una gran cantidad de plieges en los nudillos que se utilizan en
reconocimiento, este método se denomina nudillo del dedo (FKP) y se basa en la captura de la
imagen alrededor de la superficie de la articulación falangeal del dedo [18, 59 ], mientras que la
identificación basada en patrones en la articulación metacarpofalángica (MPJ) consiste en la
obtención de patrones de la superficie posterior de la mano, dado que esta zona presenta muchas
líneas y pliegues que permiten discriminar a una persona de otra. El reconocimiento MJP ofrece
una alternativa satisfactoria y firme para la autenticación de identidad [57], aunque la ventaja de
estos métodos es la gran cantidad de información disponible, como líneas, formas y patrones, que
son diferentes para cada individuo, una dificultad en el reconocimiento en FKP y MJP son los falsos
rechazos debido a la variación de la posición del nudillo del dedo al tomar la imagen [17].
 Fig. 2. Rasgos fisiológicos aplicados en biometría

En [46] se propuso un sistema de verificación que utiliza la vena del dedo como una característica
biométrica en respuesta a la alta vulnerabilidad registrada en sistemas biométricos basados en la
huella dactilar. El reconocimiento de la vena del dedo consiste en localizar un haz en el dedo, que
hace visibles las venas en esa zona. Los patrones de las venas se consideran un rasgo
interesante, dado que estos patrones no son fácilmente asequibles y son diferentes para cada
persona. La temperatura y el volumen de la sangre, y la posición incorrecta de la superficie a
analizar afecta a esta característica.

Recientemente, el reconocimiento del paso ha sido estudiado en biometría, se basa en la marcha

biomecánica para extraer características propias de cada persona. Una de sus ventajas más
marcada es la posibilidad de obtener cientos de muestras del ciclo del paso en pocos minutos. Esta
característica es significativa dado que el éxito del diseño y la validación de un sistema de
reconocimiento de patrones depende en gran medida del tamaño de la muestra, pero también tiene
algunos desafíos como la ropa del sujeto, la sensibilidad a las variaciones del entorno, ángulo de
captura de la cámara y la distancia entre el sujeto y la cámara, que Hace que los sistemas de
reconocimiento del paso sean una tarea difícil de realizar en el entorno real [48-50].

Otro rasgo biométrico son los labios, de hecho es una característica importante de la cara humana.
Las características de los labios son características geométricas simples basadas en el contorno
de éstos y pueden interpretarse como espesor y altura espacial multiple desde el centro de masa
[44]. Por ser un rasgo capturado por imágenes, presenta la misma dificultad que las características
anteriores, por el posicionamiento incorrecto del área de interés. Además, viene la pregunta de si
es posible obtener una buena tasa de reconocimiento cuando los labios están en movimiento.

La lengua es un rasgo, que ha sido muy poco estudiado, pero tiene características muy
interesantes en la identificación biométrica; Ha usado características dinámicas y estáticas
obtenidas de la lengua. Dentro de las características dinámicas estan la textura, geometría, grosor
y grietas. Todo obtenido de la imagen, pero como es bien sabido, todo sistema está expuesto a
ataques y, eventualmente, el sistema no podría ser capaz de diferenciar la imagen de una persona
viva y una muerta. Por lo tanto, los investigadores han planteado la necesidad de realizar la
detección de vitalidad con el último propósito de asegurar que los patrones de entrada no sean
procedentes de un objeto inanimado. Las características dinámicas referidas a la obtención de
patrones relacionados al movimiento continuo e involuntario de la lengua, es una excelente
dinámica firme en biométria. Gracias a todas estas características, la lengua se utiliza como un
rasgo fisiológico en biometría [47]. Finalmente, hemos resumido las ventajas y desventajas de las
señales fisiológicas (PS) y rasgos aplicados en biometría en la Tabla 2.
Tabla 2. Rasgos y señales fisiológicas. ventajas y desventajas
3 Sistemas Multimodales
La interacción humana se considera un proceso multimodal natural y contiene expresiones
fisiológicas y psicológicas profundas. Un sistema biométrico multimodal combina dos o más
señales o rasgos [ 65 ], Durante años, la autenticación se ha basado en sistemas biométricos
monomodales, que comparan solamente una característica, sin embargo, el rendimiento de estos
sistemas varía en función de la presencia de factores externos, como el ruido, el costo
computacional, y los dispositivos de calidad de adquisiciones de señal.
Luego, en los últimos años se ha introducido el sistema biométrico multimodal con el fin de superar
las debilidades del sistema biométrico monomodal.

3.1 Arquitectura de Sistemas de Procesamiento Multimodal

En [ 66 ] se presenta una descripción de la arquitectura del sistema multimodal (ver Fig. 3 ) Una
vez que se ha determinado las diferentes fuentes biométricas, el siguiente paso a seguir es la
selección de la arquitectura del sistema. En general, hay dos tipos de diseño de sistema
multimodal, serie y paralelo

Fig. 3. Arquitectura sistema Multimodal [ 66 ]

(i) serie: en la arquitectura de serie, también llamada arquitectura en cascada, el procesamiento

de señales se lleva a cabo en secuencia. Por lo tanto la salida de la primera característica
biométrica influye en la transmisión de la segunda caracterista; (ii) paralelo: En la arquitectura
paralela, el procesamiento de varias entradas biométricas son independientes entre sí. Una vez
que ambas señales se procesan por separado, los resultados se combinan.

4 Sistemas de fusión de datos

La fusión de datos tiene una noción mas bien difusa que toma varias interpretaciones con las
aplicaciones y propósitos específicos [ 67 ]. Sin embargo, en este documento la definición
adoptada en [ 68 ] como un conjunto de metodologías y tecnologías que posibilitan la combinación
sinérgica de datos heterogéneos de varias fuentes junto con nuevos datos, conteniendo mas
información que la suma de cada fuente. A través de varios términos se ha reportado en la
literatura tales como: fusión de decisión [ 69 ], combinación de datos [ 70 ], agregación de datos
[ 71 ] Integración multisensor [ 72 ], fusión de datos multisensor [ 73 ], y fusión de informacion [74].
A pesar de que estos términos describen la misma tarea, con algunas variaciones en términos de
aplicación y el tipo de datos que pueden ser difíciles de diferenciar, que se discute en [75], Los
términos que utilizan indistintamente son fusión de datos y fusión de la información.

La fusión de datos se considera una tarea muy desafiante por varias razones: (i) la complejidad de
los datos; (ii) los procesos dependen de n variables sin ser todo medible; ( iii) en conjuntos de
datos heterogéneos es difícil explotar las ventajas de cada conjunto y desechar las desventajas
[ 67 ]. Para la fusión de datos se utilizan diferentes técnicas tales como, la probabilística, soft-
computing, optimización de algoritmos, entre otros, cuyo uso (caracterización, estimación,
agregación, clasificación, compresión entre otros) depende del tipo de aplicación y también es
necesario tener en cuenta las ventajas y desventajas de las técnicas para una selección
adecuada con el fin de obtener un rendimiento efectivo. La Fig. 3, presenta la taxonomía de las
metodologías de fusión de datos desde las cuales se pueden clasificar los algoritmos de fusión de
datos y son ampliamente discutidas en [76].

Particularmente en el caso de la biometría, la fusión de datos es muy utilizada a nivel de fusión de

señales, fusión de características de nivel y fusion clasificadoras de nivel permitiendo mejorar el
rendimiento de los sistemas de identificación que usan varios PS como se informa en [ 77 – 79 ].

La tabla 3 muestra las señales biométricas y sus respectivas técnicas que obtuvieron
caracterización y clasificación posterior.

Tabla 3. Métodos de fusión usados en biometría

5. Conclusión

Esta revisión describe ventajas, desventajas y deficiencias de PS y rasgos orientados a la

biométria, cuando se mezclan se puede reducir la tasa de error de identificacion. Hasta ahora, una
señal biométrica ideal que cumpla con los criterios de alta seguridad, la fácil adquisición, bajo costo
computacional y que el usuario se sienta cómodo durante el proceso no se ha logrado todavía.

En general, los sistemas unimodales comparados con los sistemas multimodales, éstos últimos
reportan menos porcentaje de error. EEG, EOG, PCG, y ECG, entre otros, se consideran altamente
prometedores en biométria para diferentes autores, ya que tienen un error bastante pequeño y esto
asegura que el sujeto identificado este vivo. Sin embargo, la accesibilidad a ellos es muy limitado,
pero a su vez implica equipos de alta tecnología debido a la adquisición compleja, y eventualmente
generan incomodidad para el usuario. Además, algunos problemas deben ser resueltos cómo el
análisis de las señales con patologías, la relación de ruido de las señales, la mejora de los
dispositivos de adquisición junto con el desarrollo de sensores con características especiales.

Otros parámetros biométricos fisiológicos o de comportamiento se pueden fusionar a hacer la

autenticación más confiable [ 9 ]. Aunque el presente trabajo muestra que existe un gran potencial
en el uso de PS para el reconocimiento biométrico, es importante que el futuro análisis se realice
con un conjunto más grande de señales. Respeto a los PT, éstos tienen hoy en día los retos del
reconocimiento de imágenes, tales como el ángulo de captura de la imagen. Además, algunos
métodos reconocidos no detectan si el sujeto está vivo. Por lo tanto, son necesarios estudios sobre
áreas del cuerpo en movimiento. Por último, planteamos como desafíos el estudio de otras técnicas
biométricas tales como las arquitecturas de bioinspiracion de identificación y de fusión de datos
para PS y procesamiento de rasgos orientado a la autenticación biométrica.

Reconocimientos. Este trabajo fue apoyado por la tesis doctoral “modelo de fusión de datos
orientado a la calidad de la información” de la “Universidad Nacional de Colombia ”.

Referencias

1. Abo-Zahhad, M., Ahmed, S.M., Abbas, S.N.: A new multi-level approach to EEG based human
authentication using eye blinking. Pattern Recognit. Lett., 1–10 (2015)

2. Ferdowsi, S., Abolghasemi, V., Sanei, S.: A new informed tensor factorization approach to EEG–
fMRI fusion. J. Neurosci. Methods 254, 27 –35 (2015)

3. Yeom, S.-K., Suk, H.-I., Lee, S.-W.: Person authentication from neural activity of face-specific
visual self-representation. Pattern Recognit. 46(4), 1159–1169 (2013)

4. Molla, M.K.I., Rabiul Islam, M., Tanaka, T., Rutkowski, T.M.: Artifact suppression from EEG signals
using data adaptive time domain filtering. Neurocomputing 97, 297–308 (2012)

5. Campisi, P., La Rocca, D.: Brain waves for automatic biometric-based user recognition. IEEE Trans.
Inf. Forensics Secur. 9(5), 782–800 (2014)

6. O’Regan, S., Marnane, W.: Multimodal detection of head-movement artefacts in EEG. J.

Neurosci. Methods 218(1), 110–120 (2013)

7. Al-Hudhud, G., Abdulaziz Alzamel, M., Alattas, E., Alwabil, A.: Using brain signals patterns for
biometric identity verification systems. Comput. Human Behav. 31, 224–229 (2014)
8. Belgacem, N., Fournier, R., Nait-Ali, A., Bereksi-Reguig, F.: A novel biometric authentication
approach using ECG and EMG signals. J. Med. Eng. Technol. 39(4), 226– 238 (2015)

9. Pal, S., Mitra, M.: Increasing the accuracy of ECG based biometric analysis by data modelling.
Meas. J. Int. Meas. Confed. 45(7), 1927–1932 (2012)

10. Tseng, K.K., Luo, J., Hegarty, R., Wang, W., Haiting, D.: Sparse matrix for ECG identification with
two-lead features. Sci. World J. 2015 (2015)

11. Luz, E.J.D.S., Menotti, D., Schwartz, W.R.: Evaluating the use of ECG signal in low frequencies as
a biometry. Expert Syst. Appl. 41(5), 2309–2315 (2014)

12. Jekova, I., Bortolan, G.: Personal Verification/Identification via Analysis of the Peripheral ECG
Leads: Influence of the Personal Health Status on the Accuracy, vol. 2015 (2015)

13. Wahabi, S., Member, S., Pouryayevali, S., Member, S.: On evaluating ECG biometric systems:
session-dependence and body posture 9(11), 2002–2013 (2014)

14. Gargiulo, F., Fratini, A., Sansone, M., Sansone, C.: Subject identification via ECG fiducial-based
systems: Influence of the type of QT interval correction. Comput. Methods Programs Biomed.
121(3), 127–136 (2015)

15. Singh, Y.N.: Human recognition using fisher’s discriminant analysis of heartbeat interval
features and ECG morphology. Neurocomputing 167, 322–335 (2015)

16. Lourenço, A., Silva, H., Fred, A.: Unveiling the biometric potential of finger-based ECG signals.
Comput. Intell. Neurosci. 2011,1 –8 (2011)

17. Bugdol, M.D., Mitas, A.W.: Multimodal biometric system combining ECG and sound signals.
Pattern Recognit. Lett. 38(1), 107–112 (2014)

18. Gao, G., Zhang, L., Yang, J., Zhang, L., Zhang, D.: Reconstruction based finger-knuckle-print. IEEE
Trans. Image Process. 22(12), 5050–5062 (2013)

19. Zhang, L., Zhang, L., Zhang, D., Zhu, H.: Online finger-knuckle-print verification for personal
authentication. Pattern Recognit. 43(7), 2560–2571 (2010)

20. Singh, Y.N., Singh, S.K., Gupta, P.: Fusion of electrocardiogram with unobtrusive biometrics: An
efficient individual authentication system. Pattern Recognit. Lett. 33(14), 1932–1941 (2012)

21. de Mira, J., Neto, H.V., Neves, E.B., Schneider, F.K.: Biometric-oriented iris identification based
on mathematical morphology. J. Signal Process. Syst. 80(2), 181–195 (2015)

22. Alvarez-Betancourt, Y., Garcia-Silvente, M.: A keypoints-based feature extraction method for iris
recognition under variable image quality conditions. Knowledge-Based Syst. 92, 169–182 (2016)

23. Wang, Q., Zhang, X., Li, M., Dong, X., Zhou, Q., Yin, Y.: Adaboost and multi-orientation 2D
Gabor-based noisy iris recognition. Pattern Recognit. Lett. 33(8), 978–983 (2012)

24. Abo-Zahhad, M., Ahmed, S.M., Abbas, S.N.: Biometric authentication based on PCG and ECG
signals: present status and future directions. Signal, Image Video Process. 8(4), 739– 751 (2014)
25. Poursaberi, A., Noubari, H., Gavrilova, M., Yanushkevich, S.N.: Gauss–Laguerre wavelet textural
feature fusion with geometrical information for facial expression identification. EURASIP J. Image
Video Process. 2012(1), 17 (2012)

26. Travieso, C.M., Del Pozo-Banos, M., Alonso, J.B.: Fused intra-bimodal face verification approach
based on Scale-Invariant Feature Transform and a vocabulary tree. Pattern Recognit. Lett. 36(1),
254–260 (2014)

27. Li, A., Shan, S., Chen, X., Gao, W.: Cross-pose face recognition based on partial least squares.
Pattern Recognit. Lett. 32(15), 1948–1955 (2011)

28. Raghavendra, R., Dorizzi, B., Rao, A., Hemantha Kumar, G.: Particle swarm optimization based
fusion of near infrared and visible images for improved face verification. Pattern Recognit. 44(2),
401–411 (2011)

29. Li, M., et al.: Multimodal physical activity recognition by fusing temporal and cepstral
information. IEEE Trans. Neural Syst. Rehabil. Eng. 18(4), 369–380 (2010)

30. Beritelli, F., Serrano, S.: Biometric identification based on frequency analysis of cardiac sounds.
IEEE Trans. Inf. Forensics Secur. 2(3), 596–604 (2007)

31. Klonovs, J., Petersen, C., Olesen, H., Hammershoj, A.: ID proof on the go: development of a
mobile EEG-based biometric authentication system. IEEE Veh. Technol. Mag. 8(1), 81–89 (2013)

32. Xu, Y., Fan, Z., Qiu, M., Zhang, D., Yang, J.Y.: A sparse representation method of bimodal
biometrics and palmprint recognition experiments. Neurocomputing 103, 164–171 (2013)

33. Dai, J., Zhou, J., Member, S.: Multifeature-based high-resolution palmprint recognition 33(5),
945–957 (2011)

34. Bhavsar, A.A., Kshirsagar, V.: Face and palmprint multi-modal biometric recognition based on
feature level fusion abstract 3(2), 368–372 (2014)

35. Park, U., Jillela, R.R., Ross, A., Jain, A.K.: Periocular biometrics in the visible spectrum. IEEE
Trans. Inf. Forensics Secur. 6(1), 96–106 (2011)

36. Eskandari, M., Toygar, Ö., Demirel, H.: Feature extractor selection for face-iris multimodal
recognition. Signal Image Video Process. 8(6), 1189–1198 (2014)

37. Liau, H.F., Isa, D.: Feature selection for support vector machine-based face-iris multimodal
biometric system. Expert Syst. Appl. 38(9), 11105–11111 (2011)

38. Eskandari, M., Toygar, Ö.: Selection of optimized features and weights on face-iris fusion using
distance images. Comput. Vis. Image Underst. 137, 63 –75 (2014)

39. Benaliouche, H., Touahria, M.: Comparative study of multimodal biometric recognition by
fusion of iris and fingerprint. Sci. World J. 2014 (2014)

40. Nanni, L., Lumini, A., Ferrara, M., Cappelli, R.: Combining biometric matchers by means of
machine learning and statistical approaches. Neurocomputing 149(PB), 526–535 (2015)
41. Murillo-Escobar, M.A., Cruz-Hernández, C., Abundiz-Pérez, F., López-Gutiérrez, R.M.: A robust
embedded biometric authentication system based on fingerprint and chaotic encryption. Expert
Syst. Appl. 42(21), 8198–8211 (2015)

42. Martinez-Diaz, M., Fierrez, J., Galbally, J., Ortega-Garcia, J.: An evaluation of indirect attacks and
countermeasures in fingerprint verification systems. Pattern Recognit. Lett. 32(12), 1643–1651
(2011)

43. Ahmadian, K., Gavrilova, M.: A multi-modal approach for high-dimensional feature recognition.
User Model. User-Adapt. Interact. 29(2), 123–130 (2013)

44. Zhang, D., Liu, Z., Yan, J.: Dynamic tongueprint: a novel biometric identifier. Pattern Recognit.
43(3), 1071–1082 (2010)

45. Travieso, C.M., Zhang, J., Miller, P., Alonso, J.B., Ferrer, M.A.: Bimodal biometric verification
based on face and lips. Neurocomputing 74(14–15), 2407–2410 (2011)

46. Xue, Z., Ming, D., Song, W., Wan, B., Jin, S.: Infrared gait recognition based on wavelet
transform and support vector machine. Pattern Recognit. 43(8), 2904–2910 (2010)

47. Odinaka, I., O’Sullivan, J.A., Sirevaag, E.J., Rohrbaugh, J.W.: Cardiovascular biometrics:
Combining mechanical and electrical signals. IEEE Trans. Inf. Forensics Secur. 10(1), 16–27 (2015)

48. Crihalmeanu, S., Ross, A.: Multispectral scleral patterns for ocular biometric recognition.
Pattern Recognit. Lett. 33(14), 1860–1869 (2012)

49. Chin, Y.J., Ong, T.S., Teoh, A.B.J., Goh, K.O.M.: Integrated biometrics template protection
technique based on fingerprint and palmprint feature-level fusion. Inf. Fusion 18(1), 161– 174
(2014)

50. Hang, L.W., Hong, C.Y., Yen, C.W., Chang, D.J., Nagurka, M.L.: Gait verification using knee
acceleration signals. Expert Syst. Appl. 38(12), 14550–14554 (2011)

51. Yuan, L., Mu, Z.C.: Ear recognition based on local information fusion. Pattern Recognit. Lett.
33(2), 182–190 (2012)

52. Rigas, I., Abdulin, E., Komogortsev, O.: Towards a multi-source fusion approach for eye
movement-driven recognition. Inf. Fusion, 1–13 (2015)

53. Chen, M., et al.: Laser doppler vibrometry measures of physiological function: Evaluation of
biometric capabilities. IEEE Trans. Inf. Forensics Secur. 5(3), 449–460 (2010)

54. Song, W., Kim, T., Kim, H.C., Choi, J.H., Kong, H.-J., Lee, S.-R.: A finger-vein verification system
using mean curvature. Pattern Recognit. Lett. 32(11), 1541–1547 (2011)

55. Wang, J.-C., Wang, C.-Y., Chin, Y.-H., Liu, Y.-T., Chen, E.-T., Chang, P.-C.: Spectral-temporal
receptive fields and MFCC balanced feature extraction for robust speaker recognition. Multimed.
Tools Appl. 76(3), 4055–4068 (2017)

56. Lee, A., Kim, Y.: Photoplethysmography as a form of biometric authentication. In: 2015 IEEE
SENSORS, pp. 1–2 (2015)
57. Sidek, K.A., Khalil, I., Jelinek, H.F.: ECG biometric with abnormal cardiac conditions in remote
monitoring system. IEEE Trans. Syst. Man Cybern. 44(11), 1498–1509 (2014)

58. Sengottuvelan, P.: Analysis of living and dead finger impression identification for biometric
applications. Comput. Intell. (c), 471–475 (2007)

59. Su, F., Xia, L., Cai, A., Ma, J.: A dual-biometric-modality identification system based on
fingerprint and EEG. In: IEEE 4th International Conference on Biometrics Theory, Applications and
Systems, BTAS 2010, pp. 3–8 (2010)

60. Kumar, S.B.B.: Analysis of phonocardiogram signal for biometric identification system (c), 2–5
(2015)

61. Sanjeeva Reddy, M., Narasimha, B., Suresh, E., Subba Rao, K.: Analysis of EOG signals using
wavelet transform for detecting eye blinks. In: 2010 International Conference on Wireless
Communications & Signal Processing, WCSP 2010, pp. 1–3 (2010)

62. Punsawad, Y., Wongsawat, Y., Parnichkun, M.: Hybrid EEG-EOG brain-computer interface system
for practical machine control. In: 2010 Annual International Conference of the IEEE Engineering in
Medicine Biology Society, EMBC 2010, pp. 1360–1363 (2010)

63. Woodard, D.L., Flynn, P.J.: Finger surface as a biometric identifier. Comput. Vis. Image Underst.
100(3), 357–384 (2005)

64. Belgacem, N., Fournier, R., Nait-Ali, A., Bereksi-Reguig, F.: A novel biometric authentication
approach using ECG and EMG signals. J. Med. Eng. Technol. 39(4), 226– 238 (2015)

65. Polikar, R., et al.: An ensemble based data fusion approach for early diagnosis of Alzheimer’s
disease. Inf. Fusion 9(1), 83–95 (2008)

66. Liu, Y., Hatzinakos, D., Member, S.: Earprint: transient evoked otoacoustic emission for
biometrics 9(12), 2291–2301 (2014)

67. Zhao, Z., Yang, L.: ECG identification based on Matching Pursuit. In: 2011 4th International
Conference on Biomedical Engineering and Informatics, pp. 721–724 (2011)

68. Annapurani, K., Sadiq, M.A.K., Malathy, C.: Fusion of shape of the ear and tragus – a unique
feature extraction method for ear authentication system. Expert Syst. Appl. 42(1), 649–656 (2015)
69. Wübbeler, G., Stavridis, M., Kreiseler, D., Bousseljot, R.D., Elster, C.: Verification of humans
using the electrocardiogram. Pattern Recognit. Lett. 28, 1172–1175 (2007)

70. Fridman, L., et al.: Multi-modal decision fusion for continuous authentication. Comput. Electr.
Eng. 41(C), 142–156 (2015)

71. Tao, Q., Veldhuis, R.: Biometric authentication system on mobile personal devices. IEEE Trans.
Instrum. Meas. 59(4), 763–773 (2010)

72. Ozkaya, N.: Metacarpophalangeal joint patterns based personal identification system. Appl.
Soft Comput. 37, 288–295 (2015) 73. O’Regan, S., Marnane, W.: Multimodal detection of head-
movement artefacts in EEG. J. Neurosci. Methods 218(1), 110–120 (2013)