Semerci, Neyir ÖzcanEngizek, Egemen2024-11-192024-11-192024-06-27https://hdl.handle.net/11452/48081Biyometrik veriler kişiye özgü ve değişmeyen özellikler olarak tanımlanır. Kişiye ait bu özellikler fiziksel (parmak izi, avuç içi izi, yüz, iris, retina, kulak, el damarı, vücut kokusu veya DNA bilgisi şeklinde) veya davranışsal (ses, yürüyüş, imza vb.) olabilir. Bu özellikler kişiye özel olduğundan biri ya da birkaçı ile kimlik tanıma ve doğrulama işlemleri yapılabilmektedir. Soft biyometrik veriler ise kişiye ait boy, kilo, göz rengi, saç rengi, saç yoğunluğu, etnik köken ve ırk gibi daha genel özellikleri temsil etmektedir. Bu çalışmada, dokunmatik yüzey (cep telefonu) kullanan kişinin dokunma biçimi, dokunma karakteristik özellikleri gibi soft biyometrik verileri ile cep telefonuna entegre edilen bir devre yardımıyla ölçülen biyoempedansı kullanılmıştır. Yapılan çalışmada yaşları 10 ile 65 arasında değişen 164 (86 erkek, 78 kadın) gönüllüden dokunmatik ekrana 4 farklı çizimi (saat yönünde çember çizimi, saat yönü tersine çember çizimi, saat yönünde üçgen çizimi, saat yönü tersine üçgen çizimi) ve 4 farklı kaydırma (yukarı kaydırma, aşağı kaydırma, sola kaydırma ve sağa kaydırma) işlemlerini 15 defa tekrarlamaları istenmiş, eş zamanlı olarak gönüllülerin biyoempedans ölçümleri telefon kılıfına monte edilmiş devreye bağlı bakir bantlara dokunmaları suretiyle yapılmıştır. Elde edilen veriler makine öğrenmesi yöntemleri (K-NN, DVM ve Mantıksal Regresyon) ile analiz edilerek kişilerin yaş aralığı ve cinsiyeti belirlenmiştir. Yapılan bu sınıflandırma sonucunda oluşturulan profil, kayıtlı kullanıcılar ile karşılaştırılarak kimlik doğrulama için kullanılabilmektedir. Ayrıca belirlenen yaş aralığına göre cihazın kullanımı engellenebilir ya da bazı uygulamalara erişimine kısıtlama getirilebilir. Yapılan bu çalışma ile kişilerin cihaz kullanımlarında düşük güvenlikli kimlik doğrulama için eşsiz biyometrik verilerini paylaşma gerekliliğinin ortadan kaldırılması amaçlanmaktadırBiometric data is a type of data that defined as person-specific and unchanging characteristics. These characteristics of a person can be physical (in the form of fingerprints, palm prints, face, iris, retina, ears, hand veins, body odor or DNA information) or behavioral (voice, gait, signature, etc.). Physical features are personal; identification and verification can be done with one or more of them. Soft biometric data, on the other hand, representing more general characteristics of the person such as height, weight, eye color, hair color, hair density, ethnicity and race. In this study, soft biometric data such as the touch style and touch characteristics of the person using a touch surface (mobile phone) and the bioimpedance measured with the help of a circuit integrated into the mobile phone were used. In the study, 160 volunteers (80 men, 80 women) aged between 10 and 65 have been asked to make 4 different drawings (clockwise circle drawing, counterclockwise circle drawing, clockwise triangle drawing, counterclockwise triangle drawing) and 4 different swipe movements (swiping left, swiping right, swiping down and swiping up) repeating processes 15 times, and simultaneously, the volunteers' bioimpedance measurements were made by touching the metal copper bands connected to the circuit mounted on the phone case. The obtained data were analyzed with machine learning methods (K-NN, SVM, Linear Regression) and the age range and gender of the people were determined. The profile created because of this classification can be used for authentication by comparing it with registered users. Additionally, depending on the specified age range, the use of the device may be prevented or access to some applications may be restricted. This study aims to eliminate the need for people to share their unique biometric data for low-security authentication when using their devices.IX, 93 sayfatrinfo:eu-repo/semantics/openAccessSoft biyometriBiyoempedansKimlik doğrulamaMakine öğrenmesiBiyometrik veriDestek vektör makineleriK-En yakın komşularRegresyonSoft biometricsBioimpedanceAuthenticationMachine learningBiometric dataSupport vector machinesK-Nearest neighbourRegressionmasterThesis