Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії
The purpose of this work was to compare the seven popular classifiers of scikit-learn python-based library in the context of the performance of the voice biometrics system. The MFCCs (Mel-Frequency Cepstral Coefficients) method was used to compute the feature vectors of the person's voice under...
Збережено в:
| Дата: | 2019 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2019
|
| Теми: | |
| Онлайн доступ: | https://journal.iasa.kpi.ua/article/view/188562 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Репозитарії
System research and information technologies| _version_ | 1866391919019425792 |
|---|---|
| author | Danilov, Valery Ya. Grushko, Yaroslav G. |
| author_facet | Danilov, Valery Ya. Grushko, Yaroslav G. |
| author_sort | Danilov, Valery Ya. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2020-03-02T17:05:10Z |
| description | The purpose of this work was to compare the seven popular classifiers of scikit-learn python-based library in the context of the performance of the voice biometrics system. The MFCCs (Mel-Frequency Cepstral Coefficients) method was used to compute the feature vectors of the person's voice undergoing verification. The classifiers involved in this study are the following: K-NN (K-Nearest neighbors classifier), MLP (Multilayer perceptron), SVM (Support vector machine), DTC (Decision tree classifier), GNB (Gaussian Naive Bayes classifier), ABC (AdaBoost classifier), RFC (Random forest classifier). As the data, we used voice samples from 40 individuals with an average duration of 9 minutes per person. The performance criteria of the classifiers were dictated by the needs of voice biometrics systems. Thus, in the framework of this work, the fraud simulation was conducted during authentication. The most effective in voice recognition was the K-NN classifier, which, with zero number of incorrectly admitted persons, provided 3-85% better accuracy of verification than other classifiers. |
| doi_str_mv | 10.20535/SRIT.2308-8893.2019.4.08 |
| first_indexed | 2025-07-17T10:26:36Z |
| format | Article |
| fulltext |
В.Я. Данилов, Я.В. Грушко, 2019
Системні дослідження та інформаційні технології, 2019, № 4 77
TIДC
ТЕОРЕТИЧНІ ТА ПРИКЛАДНІ ПРОБЛЕМИ
ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМАННЯ
ПРИЙНЯТТЯ РІШЕНЬ
УДК 004.056.53
DOI: 10.20535/SRIT.2308-8893.2019.4.08
ПОРІВНЯННЯ ЕФЕКТИВНОСТІ КЛАСИФІКАТОРІВ
МАШИННОГО НАВЧАННЯ
У КОНТЕКСТІ ГОЛОСОВОЇ БІОМЕТРІЇ
В.Я. ДАНИЛОВ, Я.В. ГРУШКО
Анотація. Порівняно сім популярних класифікаторів Python-біблотеки scikit-
learn у контексті ефективності роботи системи голосової біометрії. Для виді-
лення векторів ознак голосу особи, що верифікується, застосовано метод
MFCCs (Mel Frequency Cepstral Coefficients). У дослідженні використано такі
класифікатори: K-NN (K-Nearest neighbours classifier), MLP (Multilayer
perceptron), SVM (Support vector machine), DTC (Decision tree classifier), GNB
(Gaussian Naive Bayes classifier), ABC (AdaBoost classifier), RFC (Random forest
classifier). Як аналізовану вибірку взято голосові зразки 40 осіб тривалістю в
середньому дев’ять хвилин на особу. Критерії ефективності класифікаторів
вибрано відповідно до потреб систем голосової біометрії. У межах роботи
виконано моделювання шахрайства у процесі аутентифікації. Найефективнішим
у голосовому розпізнаванні виявився класифікатор K-NN, який за нульової кі-
лькості неправильно допущених осіб, забезпечив на 3–85% вищу точність ве-
рифікації, ніж інші класифікатори.
Ключові слова: голосова біометрія, MFCC, порівняння класифікаторів, кла-
сифікатор K-NN, машинне навчання, штучний інтелект.
ВСТУП
Натепер стало популярним поняття «штучний інтелект» як серед науковців,
так і серед програмістів. Зазвичай під цим поняттям мають на увазі здат-
ність комп’ютерів до певного сприйняття, мислення та дій, притаманних
людині. Сюди можна віднести такі популярні течії штучного інтелекту, як
машинний зір (СV — Computer Vision), оброблення природної мови (NLP —
Natural-Language processing), голосова біометрія (VB — Voice Biometrics)
та ін. Зауважимо, що NLP у поєднанні з VB можуть слугувати для підви-
щення комфорту комунікації між людьми з обмеженими можливостями та
комп’ютером.
Яскравим прикладом актуальності досліджень з VB є опитування
500 компаній із США та Європи, проведене Pindrop у 2018 р., згідно з яким
57% з опитаних планують упровадити найближчим часом голосові тех-
нології для більшого комфорту клієнтів, а 28% уже застосовують такі
технології [1].
В.Я. Данилов, Я.В. Грушко
ISSN 1681–6048 System Research & Information Technologies, 2019, № 4 78
У світі вже існує досить багато готових рішень голосової біометрії, за-
пропонованих рядом комерційних компаній, серед яких можна виділити такі
великі компанії, як Nuance, Agnitio, VoiceVault. Але, на жаль, теоретична
база цих розробок у відкритий доступ майже (або зовсім) не надходить. Са-
ме тому цю роботу спрямовано на підвищення конкурентоспроможності
української наукової спільноти в галузі штучного інтелекту — Voice
Biometrics.
СТАН ДОСЛІДЖЕННЯ В УКРАЇНІ ТА ЗА КОРДОНОМ
Огляд сучасної літератури свідчить, що тематика систем голосової біометрії
не дуже популярна в україномовному науковому середовищі. Попри це,
праці, присвячені даній тематиці, є цікавими. Так, у праці [3] В.П. Захарова
та О.І. Зачека описано особливості застосування ідентифікації за голосом
порівняно з іншими методами біометрії (ідентифікацією за відбитками
пальців, сітківкою ока, клавіатурним почерком, венами руки, термографічною
картиною обличча, ДНК тощо). Переваги мультимодальної біометрії (за го-
лосом та обличчям особи) та огляд інших видів біометрії досліджено у ди-
сертації [4] Ю.О. Кумченка. Однак основну увагу автор приділив саме біо-
метрії за обличчям. Безперечно цікавою є також праця [5] О.А. Мясіщева, де
описано програму на операційній системі Android, за допомогою якої можна
віддалено керувати контролером Arduino через Bluetooth, подаючи відповід-
ні голосові команди.
Дещо ближчою за проблематикою пропонованої роботи є стаття [6]
Є.Ю. Щербакова, основна мета якої полягала у визначенні оптимального
методу та параметрів голосового розпізнавання особи. Найбільша точність
розпізнавання, якої, як повідомляється, вдалося досягнути, становить 98,6%.
Однак вибірка голосових зразків тут складалась лише з 10 осіб і кількість
класифікаторів дорівнювала трьом. Крім того, автор не врахував похибки
другого роду — найістотнішого параметра в роботі системи у режимі захис-
ту від несанкціонованого доступу.
Огляд зарубіжної літератури за тематикою систем голосової біометрії
також не виявив великої кількості праць із вільним доступом до параметрів
ідентифікаціїї та верифікації. Утім такі праці є і вони цікаві. Так, наприклад,
у [7] H.N.M. Shah і M.Z. Ab Rashid побудували систему голосової біометрії,
в основу якої покладено метод MFCCs отримання голосового відбитка, а
також описали такі методи, як SVM (Support Vector Machine), GMM
(Gaussian Mixture Model), VQ (Vector Quantization) і DTW (Dynamic Time
Warping). Метод MFCC опробовано авторами на 10 голосових зразках.
У статті [8] A. Shoup, T. Talkar проаналізували наявні системи голосо-
вої аутентифікації та розробили дві власні системи. Схема першої системи
включає два основні модулі: MFCCs, що був використаний для виділення
векторів ознак голосу, і класифікатор GMM. Другу систему голосової біомет-
рії виконано на базі Python-бібліотеки Dejavu [9]. На жаль, автори не надали
порівняльного аналізу ефективності застосованих класифікаторів.
Отже, з огляду літератури, що є у відкритому доступі, можна зробити
висновок, що питання вибору найкращого класифікатора та оптимальних
параметрів ідентифікації є досить дискусійним і привертає увагу багатьох
дослідників, які працюють у галузі VB.
Порівняння ефективності класифікаторів машинного навчання у контексті …
Системні дослідження та інформаційні технології, 2019, № 4 79
ПОСТАНОВКА ЗАВДАННЯ
Мета роботи — порівняння семи популярних класифікаторів бібліотеки з
машинного навчання scikit-learn [2] у контексті розроблення консольного
додатка (мовою Python) розпізнавання людини за голосом (Voice
Biometrics). Основним функціоналом такого додатка є те, що під час на-
вчання системи голосом певної людини виділяється набір векторів голосо-
вого відбитка особи за допомогою методу MFCCs (Mel-Frequency
Coefficients) [10–11], а також виконується навчання класифікатора вектора-
ми ознак. У процесі аутентифікації набір векторів ознак з голосу, отриманий
за допомогою MFCCs, подається на навчену модель класифікатора для іден-
тифікації та верифікації особи. Обсяг вибірки голосів становить 80 зразків,
які належать 40 різним дикторам. Ставиться завдання встановити найкра-
щий класифікатор для розпізнавання.
СХЕМА РОБОТИ СИСТЕМИ
Система, що використана в дослідженні, складається з двох основних моду-
лів: модуля MFCCs [12] отримання набору векторів ознак з голосу (теоретич-
ну складову методу добре описав Джеймс Ліонс [13]) та модуля класифіка-
тора бібліотеки scikit-learn [2]. Спрощену схему роботи системи в режимі
навчання зображено на рис. 1.
Як випливає з рис. 1, навчання системи голосу особи відбувається за
рахунок навчання моделі класифікатора. Спрощену схему роботи системи в
режимі проходження аутентифікації невідомою особою зображено на рис. 2.
Як видно з рис. 2, ідентифікація особи виконується безпосередньо за
допомогою класифікатора. Ідентифіковану особу верифікують з викорис-
танням деякого встановленого порога для певного параметра. Цей параметр
ніщо інше, як відношення імовірності правильної ідентифікації найімовір-
нішої особи до ймовірності другої найімовірнішої особи. Для детальнішого
пояснення припустімо, що система була навчена голосами п’ятьох осіб
Набір векторів
(голосовий
відбиток особи)
Навчання
моделі
класифікатора
Голос
відомої
особи
Алгоритм
MFCCs
Рис. 1. Спрощена схема роботи системи в режимі навчання
В.Я. Данилов, Я.В. Грушко
ISSN 1681–6048 System Research & Information Technologies, 2019, № 4 80
(Ярослава, Володимира, Ігоря, Олександра, Євгенія). Тепер нехай невідома
особа проходить аутентифікацію. Її голос подається на вхід системи розпі-
знавання, метод MFCCs виділяє з голосу вектори ознак, які подаються на
класифікатор, з метою ідентифікації особи. Зрозуміло, що система зможе
ідентифікувати особу, яка проходить аутентифікацію, тільки як одну з тих
п’яти осіб, голосами яких вона була навчена попередньо. Нехай імовірності
правильної ідентифікації невідомої особи, що відповідають відомим на-
вченим особам, наведено у таблиці.
Імовірності правильної ідентифікації невідомої особи,
що відповідають особам, які відомі системі
Ідентифікована особа
Імовірність правильної
ідентифікації, %
Ярослав 70
Володимир 12
Ігор 8
Олександр 5
Євгеній 5
Таким чином, параметр, на базі якого відбувається верифікація, розра-
ховується як Ident_varif = 70/12 = 5,83. Отже, чим більший цей параметр,
тим більша ймовірність, що ідентифікована особа є тією самою особою, яка
проходить аутентифікацію. Тому для цього параметра можна установити
певний поріг (у цьому випадку не більше як 5,83). І якщо значення парамет-
ра Ident_varif більше від заданого порога, то приймається рішення, що особа
верифікована правильно, тобто є тією особою, що проходить верифікацію.
Інакше робиться висновок, що особа не пройшла верифікацію і не може бу-
ти допущеною до охоронних даних.
ОПИС КРИТЕРІЮ ТОЧНОСТІ КЛАСИФІКАТОРА
Відповідно до основної мети роботи порівнюється точність деяких класифі-
каторів, наявних у бібліотеці scikit-learn. Оскільки класифікатори розгляда-
Модель класифікатора
Ідентифікація Верифікація
Набір векторів
(голосовий
відбиток особи)
Голос
невідомої
особи
Алгоритм
MFCCs
Рис. 2. Спрощена схема роботи системи в режимі аутентифікації невідомою
особою
Порівняння ефективності класифікаторів машинного навчання у контексті …
Системні дослідження та інформаційні технології, 2019, № 4 81
ються як частина системи голосової біометрії, то і критерії точності мають
бути актуальними для систем голосової біометрії. Для таких систем як різ-
новидів біометрії безперечно важливою є здатність недопустити зловмисни-
ка до даних. Виміряти таку здатність можна кількістю неправильно допуще-
них (allow-false) до закритих даних осіб, інакше кажучи, ця кількість — це
кількість помилок другого роду. Зрозуміло, що чим менша кількість непра-
вильно допущених осіб для певної вибірки, тим кращий застосований кла-
сифікатор.
Іншою, напевно, не менш важлививою здатністю систем біометрії є
здатність допустити відомих системі осіб, адже система не матиме сенсу,
якщо вона не буде допускати ані зловмисників, ані власників приватного
контенту. Кількісно цю здатність можна виміряти кількістю правильно до-
пущених (allow-true) осіб до закритих даних.
Маючи ці два протилежні критерії (allow-true та allow-false), можна до-
сить точно виміряти ефективність класифікатора для верифікації. Саме ці
два критерії і були використані для знаходження точності класифікаторів.
ОСОБЛИВОСТІ ВИБІРКИ
Класифікатори тестувалися на вибірці голосів, які належать 40 різним дик-
торам. Вибірку голосів взято з інтернет-ресурсу OpenSLR [14], де вона пе-
ребуває у вільному доступі. Як вибірку голосів використано голосові зразки
40 різних дикторів з тривалістю в середньому дев’ять хвилин. Такої трива-
лості виявилось цілком достатньо, щоб розбити ці зразки на менші фрагмен-
ти та утворити 160 зразків і подати їх на вхід системи, змоделювавши тим
самим 80 спроб запису та аутентифікації 40 різними особами.
Особливістю цього дослідження є моделювання зловмисної атаки на
систему. Моделювання реалізовано таким чином. Голосові зразки 10 осіб не
подавалися на навчання системи, хоча вони подавалися на подальшу аутен-
тифікацію, а отже, були для системи чужими. Таке моделювання щодо зло-
вмисників є цілком виправданим, оскільки, як відомо, для будь-якої системи
біометрії однією з найважливіших особливостей є здатність недопустити
зловмисника до конфеденційних даних.
Таким чином, у режимі моделювання маємо лише 80 спроб виконання
аутентифікації, 20 з яких напевне є зловмисними (оскільки система не була
навчена зразками голосів 10 з 40 дикторів), однак система наперед не знає,
які саме з цих спроб є зловмисними і повинна саме їх визначити такими.
Тому максимально можлива кількість спроб правильної аутентифікації ста-
новить 60 спроб, мінімальна — 0. Максимально можлива кількість неправи-
льної аутентифікації (кількість помилок другого роду) дорівнює 80, мініма-
льна — 0.
Зіставивши ці критичні кількості з конкретними показниками відповід-
них протестованих класифікаторів, можна зробити висновок про ефектив-
ність цих класифікаторів відповідно до завдання розпізнавання.
ПОРІВНЯННЯ СЕМИ КЛАСИФІКТОРІВ
У роботі протестовано сім популярних класифікаторів Python-бібліотеки
scikit-learn [2], а саме:
В.Я. Данилов, Я.В. Грушко
ISSN 1681–6048 System Research & Information Technologies, 2019, № 4 82
1) K-NN (K-Nearest neighbours classifier – К-найближчих сусідів);
2) MLP (Multilayer perceptron – багатошаровий перцептрон);
3) SVM (Support vector machine – метод опорних векторів);
4) DTC (Decision tree classifier – класифікатор дерев ухвалення рішень);
5) GNB (Gaussian Naive Bayes classifier – наївний байєсів класифіка-
тор);
6) ABC (AdaBoost classifier – адаптивний бустінг);
7) RFC (Random forest classifier – класифікатор випадкового лісу).
Кількісні характеристики за критеріями allow-true та allow-false цих
класифікаторів зображено на рис. 3.
Як випливає з рис. 3, найменші значення за критерієм allow-false (кіль-
кість помилок другого роду) та найбільше значення allow-true має класифі-
катор K-NN. Таким чином, класифікатор K-NN виявився найкращим у до-
слідженні. Крім того, цей класифікатор виявився точним за абсолютними
показниками, набравши мінімально можливе значення кількості помилок
другого роду (0 {allow-false: 0%}) і досить близьке до максимально можли-
вого значення кількості правильно розпізнаних і верифікованих осіб (54 із
60 максимально можливих {allow-true: 90%}). Друге і третє місця посіли
відповідно GNB (allow-true: 32 { на 36,7% менше за K-NN}, allow-false: 2
{на 2,5% більше за K-NN}) та RFC (allow-true: 26 {на 46,6% менше за K-NN
}, allow-false: 2 {на 2,5% більше за K-NN}). Четверте місце ділять між собою
одразу три класифікатори: DTC, ABC і MLP (allow-true: на 83,3% менше за
K-NN, allow-false: на 10% більше за K-NN). Найгірше значення в цьому
дослідженні показав метод SVM, набравши максимальне, порівняно
з іншими класифікаторами, значення за критерієм allow-false (53, що на 67%
більше за K-NN). Значення allow-true для клсифікатора SVM становить
усього 3 (тобто на 85% менше за K-NN).
Рис. 3. Кількісні характеристики за критеріями allow-true та allow-false семи
класифікаторів (у контексті додатка голосової біометрії)
Порівняння ефективності класифікаторів машинного навчання у контексті …
Системні дослідження та інформаційні технології, 2019, № 4 83
ВИСНОВКИ
Порівняно з наведеними у відкритих джерелах працях з аналізу класифіка-
торів, які використовуються для ідентифікації та верифікації особи у голо-
совій біометрії, виконане дослідження відрізняється такими характерними
ознаками:
виконано на найбільшій з відомих праць вибірці голосів осіб
(40 осіб);
застосовано моделювання шахрайства під час проходження аутен-
тифікації;
розраховано кількість помилок другого роду;
проаналізовано найбільшу з відомих праць кількість класифікаторів
(сім).
Описано загальну схему системи голосової біометрії, використану для
тестування класифікаторів із посиланням на використані Python-бібліотеки.
У результаті дослідження встановлено, що серед семи протестованих
класифікаторів python-біблотеки scikit-learn найвищі значення показників
ефективності відносно як правильно допущених осіб, так і похибки другого
роду має класифікатор K-NN. Абсолютні значення ефективності класифіка-
тора K-NN (з використанням моделювання зловмисного вторгнення в сис-
тему) становлять: кількість спроб правильно допущених осіб — 54 із 60 ма-
ксимально можливих (точність верифікації 90%) і кількість спроб
неправильно допущених осіб — 0 (стовідсотковий захист від зловмисників).
ЛІТЕРАТУРА
1. Pindrop 2018 voice intelligence report. — Available at: https://www.pindrop.
com/2018-voice-intelligence-report/ (дата звернення: 11.11.2019).
2. Classifier comparison. — Available at: https://scikit-learn.org/stable/auto_examples/
classification/plot_classifier_comparison.html (дата звернення: 11.11.2019).
3. Захаров В. Тенденції використання в діяльності правоохоронних органів біоме-
тричних технологій, які не входять до «трьох великих біометрик» /
В. Захаров, О. Зачек // Наук. вісн. Львів. держ. ун-ту внутрішніх справ.
Cерія юридична. — 2015. — № 2. — С. 285–291.
4. Кумченко Ю.О. Інформаційна технологія ідентифікації персоналу на основі
комплексу біометричних параметрів : дис. … канд. техн. наук: 05.13.06 /
Ю.О. Кумченко. — Херсон, 2017. — 129 с.
5. Мясіщев О. Голосове керування віддаленими пристроями через мережу інтер-
нет / О. Мясіщев, І. Муляр // Зб. наук. пр. Військ. ін-ту Київ. нац. ун-ту іме-
ні Тараса Шевченка. — 2017. — № 55. — С. 62–71.
6. Щербаков Є.Ю. Застосування математичних моделей для голосової ідентифі-
кації суб’єктів у сфері фінансової безпеки / Є.Ю. Щербаков // Нейронечіткі
технології моделювання в економіці. — 2017. — № 6. — С. 158–190.
7. Shah H.N.M. Biometric Voice Recognition in Security System / H.N.M. Shah,
M.Z. Ab Rashid // Indian Journal of Science and Technology. — 2014. — Vol. 7,
N 1. — P. 104–112.
8. An Overview and Analysis of Voice Authentication Methods. — Available at:
https://www.semanticscholar.org/paper/An-Overview-and-Analysis-of-Voice-
В.Я. Данилов, Я.В. Грушко
ISSN 1681–6048 System Research & Information Technologies, 2019, № 4 84
Authentication-Shoup-Talkar/572af444f0382b8e7e156ab36192da95a3b8dec4
(дата звернення: 11.11.2019).
9. Dejavu: Audio Fingerprinting and Recognition in Python. Available at:
https://github.com/ worldveil/dejavu (дата звернення: 11.11.2019).
10. Martinez J. Speaker recognition using Mel frequency Cepstral Coefficients (MFCC)
and Vector quantization (VQ) techniques / J. Martinez, H. Perez, E. Escamilla //
CONIELECOMP 2012, 22nd International Conference on Electrical
Communications and Computers. — 2012. — N 1. — P. 248–251. — DOI:
10.1109/CONIELECOMP.2012.6189918
11. Kelly A. The Effects of Windowing on the Calculation of MFCCs for Different
Types of Speech Sounds / A. Kelly, C. Gobl // Advances in Nonlinear Speech
Processing. NOLISP 2011. — Vol. 7015. — 2011.
12. Welcome to python_speech_features’s documentation! — Available at:
https://python-speech-features.readthedocs.io/en/latest/ (дата звернення: 11.11.
2019).
13. Mel frequency cepstral coefficient (mfcc) tutorial.— Available at:
http://www.practicalcryptography.com/miscellaneous/machine-learning/guide-
mel-frequency-cepstral-coefficients-mfccs/ (дата звернення: 11.11.2019).
14. Open Speech and Language Resources. — Available at: http://www.openslr.org/12
(дата звернення: 11.11.2019).
Надійшла 12.11.2019
|
| id | journaliasakpiua-article-188562 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2025-07-17T10:26:36Z |
| publishDate | 2019 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/ab/6f6266503a240ebcc74eaaed27270eab.pdf |
| spelling | journaliasakpiua-article-1885622020-03-02T17:05:10Z Comparison of the effectiveness of machine learning classifiers in the context of voice biometrics Сравнение эффективности классификаторов машинного обучения в контексте голосовой биометрии Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії Danilov, Valery Ya. Grushko, Yaroslav G. voice biometrics MFCC classifier comparison k-nearest neighbours machine learning artificial intelligence голосова біометрія MFCC порівняння класифікаторів к-найближчих сусідів машинне навчання штучний інтелект The purpose of this work was to compare the seven popular classifiers of scikit-learn python-based library in the context of the performance of the voice biometrics system. The MFCCs (Mel-Frequency Cepstral Coefficients) method was used to compute the feature vectors of the person's voice undergoing verification. The classifiers involved in this study are the following: K-NN (K-Nearest neighbors classifier), MLP (Multilayer perceptron), SVM (Support vector machine), DTC (Decision tree classifier), GNB (Gaussian Naive Bayes classifier), ABC (AdaBoost classifier), RFC (Random forest classifier). As the data, we used voice samples from 40 individuals with an average duration of 9 minutes per person. The performance criteria of the classifiers were dictated by the needs of voice biometrics systems. Thus, in the framework of this work, the fraud simulation was conducted during authentication. The most effective in voice recognition was the K-NN classifier, which, with zero number of incorrectly admitted persons, provided 3-85% better accuracy of verification than other classifiers. Выполнено сравнение семи популярных классификаторов Python-библотеки scikit-learn в контексте эффективности работы системы голосовой биометрии. Для выделения векторов признаков голоса лица, проходящего верификацию, использован метод MFCCs (Mel Frequency Cepstral Coefficients). В исследовании использованы следующие классификаторы: K-NN (K-Nearest neighbours classifier), MLP (Multilayer perceptron), SVM (Support vector machine), DTC (Decision tree classifier), GNB (Gaussian Naive Bayes classifier), ABC (AdaBoost classifier), RFC (Random forest classifier). В качестве анализируемой выборки взяты голоса 40 человек длительностью в среднем девять минут на человека. Критерии эффективности классификаторов выбраны в соответствии с потребностями систем голосовой биометрии. В рамках работы проведено моделирование мошенничества в процессе аутентификации. Наиболее эффективным в голосовом распознавании оказался классификатор K-NN, который, при нулевом количестве неверно допущенных человек, обеспечил на 3–85% высшую точность верификации, чем другие классификаторы. Порівняно сім популярних класифікаторів Python-біблотеки scikit-learn у контексті ефективності роботи системи голосової біометрії. Для виділення векторів ознак голосу особи, що верифікується, застосовано метод MFCCs (Mel Frequency Cepstral Coefficients). У дослідженні використано такі класифікатори: K-NN (K-Nearest neighbours classifier), MLP (Multilayer perceptron), SVM (Support vector machine), DTC (Decision tree classifier), GNB (Gaussian Naive Bayes classifier), ABC (AdaBoost classifier), RFC (Random forest classifier). Як аналізовану вибірку взято голосові зразки 40 осіб тривалістю в середньому дев’ять хвилин на особу. Критерії ефективності класифікаторів вибрано відповідно до потреб систем голосової біометрії. У межах роботи виконано моделювання шахрайства у процесі аутентифікації. Найефективнішим у голосовому розпізнаванні виявився класифікатор K-NN, який за нульової кількості неправильно допущених осіб, забезпечив на 3–85% вищу точність верифікації, ніж інші класифікатори. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2019-12-23 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/188562 10.20535/SRIT.2308-8893.2019.4.08 System research and information technologies; No. 4 (2019); 77-84 Системные исследования и информационные технологии; № 4 (2019); 77-84 Системні дослідження та інформаційні технології; № 4 (2019); 77-84 2308-8893 1681-6048 uk https://journal.iasa.kpi.ua/article/view/188562/190114 Copyright (c) 2021 System research and information technologies |
| spellingShingle | голосова біометрія MFCC порівняння класифікаторів к-найближчих сусідів машинне навчання штучний інтелект Danilov, Valery Ya. Grushko, Yaroslav G. Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії |
| title | Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії |
| title_alt | Comparison of the effectiveness of machine learning classifiers in the context of voice biometrics Сравнение эффективности классификаторов машинного обучения в контексте голосовой биометрии |
| title_full | Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії |
| title_fullStr | Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії |
| title_full_unstemmed | Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії |
| title_short | Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії |
| title_sort | порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії |
| topic | голосова біометрія MFCC порівняння класифікаторів к-найближчих сусідів машинне навчання штучний інтелект |
| topic_facet | voice biometrics MFCC classifier comparison k-nearest neighbours machine learning artificial intelligence голосова біометрія MFCC порівняння класифікаторів к-найближчих сусідів машинне навчання штучний інтелект |
| url | https://journal.iasa.kpi.ua/article/view/188562 |
| work_keys_str_mv | AT danilovvaleryya comparisonoftheeffectivenessofmachinelearningclassifiersinthecontextofvoicebiometrics AT grushkoyaroslavg comparisonoftheeffectivenessofmachinelearningclassifiersinthecontextofvoicebiometrics AT danilovvaleryya sravnenieéffektivnostiklassifikatorovmašinnogoobučeniâvkontekstegolosovojbiometrii AT grushkoyaroslavg sravnenieéffektivnostiklassifikatorovmašinnogoobučeniâvkontekstegolosovojbiometrii AT danilovvaleryya porívnânnâefektivnostíklasifíkatorívmašinnogonavčannâukontekstígolosovoíbíometríí AT grushkoyaroslavg porívnânnâefektivnostíklasifíkatorívmašinnogonavčannâukontekstígolosovoíbíometríí |