Module also offered within study programmes:
General information:
Name:
Biometrics in forensics
Course of study:
2019/2020
Code:
CChK-2-110-s
Faculty of:
Materials Science and Ceramics
Study level:
Second-cycle studies
Specialty:
-
Field of study:
Chemistry in forensics
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
Brożek-Płuska Beata (beata.brozek-pluska@p.lodz.pl)
Module summary

Przedstawienie metodyk stosowanych w identyfikacji osób, dokonywanej na podstawie śladów pozostawianych na miejscu przestępstwa oraz na podstawie informacji stanowiącej materiał dowodowy, zarejestrowanej w formie zdjęć, nagrań dźwięku i nagrań wideo. Prezentacja podstawowych metod weryfikacji hipotez statystycznych.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Skills: he can
M_U001 Stosuje zasady bezpieczeństwa i higieny pracy zalecane w środowisku laboratoryjnym ChK2A_U11 Execution of laboratory classes,
Activity during classes
M_U002 Potrafi oceniać i krytycznie analizować sposób funkcjonowania istniejących rozwiązań technicznych ChK2A_U06 Execution of laboratory classes,
Activity during classes
Knowledge: he knows and understands
M_W001 Po zakończeniu kształcenia student rozumie istotę procedur identyfikacji osób bazujących na obrazach twarzy, wzorach linii papilarnych i śladach DNA. ChK2A_W03 Test
M_W002 Student zna matematyczne podstawy wybranych algorytmów klasyfikacji danych ChK2A_W03 Test
M_W003 Zna metody statystycznej weryfikacji hipotez w odniesieniu do przeprowadzonej analizy biometrycznej ChK2A_W02, ChK2A_W03 Test
M_W004 Student zna wybrane metody wyboru cech opisujących dane biometryczne ChK2A_W03 Test
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
60 30 0 30 0 0 0 0 0 0 0 0
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Skills
M_U001 Stosuje zasady bezpieczeństwa i higieny pracy zalecane w środowisku laboratoryjnym - - + - - - - - - - -
M_U002 Potrafi oceniać i krytycznie analizować sposób funkcjonowania istniejących rozwiązań technicznych - - + - - - - - - - -
Knowledge
M_W001 Po zakończeniu kształcenia student rozumie istotę procedur identyfikacji osób bazujących na obrazach twarzy, wzorach linii papilarnych i śladach DNA. + - + - - - - - - - -
M_W002 Student zna matematyczne podstawy wybranych algorytmów klasyfikacji danych + - + - - - - - - - -
M_W003 Zna metody statystycznej weryfikacji hipotez w odniesieniu do przeprowadzonej analizy biometrycznej + - + - - - - - - - -
M_W004 Student zna wybrane metody wyboru cech opisujących dane biometryczne + - + - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 108 h
Module ECTS credits 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 60 h
Preparation for classes 15 h
Realization of independently performed tasks 30 h
Examination or Final test 2 h
Contact hours 1 h
Module content
Lectures (30h):

1 Wprowadzenie: terminologia, uwarunkowania analizy biometrycznej , miary stosowane w ocenie działania systemów biometrycznych
2 Metodologia rozpoznawania biometrycznego: wyznaczanie ilościowej reprezentacji cech biometrycznych (biometryk) – selekcja/ekstrakcja, budowa modeli klas i klasyfikacja (metody minimalnoodległościowe, sieci neuronowe)
3. Metodyki rozpoznawania linii papilarnych: analiza bazująca na punktach charakterystycznych oraz analiza bazująca na polach orientacji
4. Metodyki rozpoznawania twarzy: metoda twarzy własnych, analiza z wykorzystaniem konwolucyjnych sieci neuronowych
5. Metodyka rozpoznawania śladów DNA.
6. Weryfikacja hipotez statystycznych w odniesieniu do zagadnień biometrii.

Laboratory classes (30h):
Klasyfikacja danych

Przedstawienie elementarnej metodyki klasyfikacji danych, bazującej na przyjęciu odległości, określonej w przestrzeni cech, jako podstawy ocena podobieństwa sprawdzanych próbek do modeli klas. Prezentacja metody k-NN klasyfikacji danych oraz metody selekcji cech istotnych z wykorzystaniem współczynników Fishera.

Additional information
Teaching methods and techniques:
  • Lectures: Wykład wykorzystujący techniki multimedialne
  • Laboratory classes: Ćwiczenia wykorzystujące narzędzia programistyczne
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Kolokwia obejmujące kolejne partie materiału.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego.
Method of calculating the final grade:

Średnia z ocen uzyskanych z kolokwiów

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Samodzielna praca studentów rozliczana kolokwium w terminie dodatkowym

Prerequisites and additional requirements:

Podstawowa znajomość algebry i analizy matematycznej.

Recommended literature and teaching resources:

Krzysztof Ślot: “Wybrane zagadnienia biometrii”, Wydawnictwa Komunikacji I Łączności, Warszawa, 2008

Scientific publications of module course instructors related to the topic of the module:

1. Adhikari S., Yang C., Slot K., Strzelecki M, and Kim H.: Hybrid No-Propagation Learning for Multilayer Neural Networks, Neurocomputing, 321 (2018) 28–35; on-line Sept. 2018, https://doi.org/10.1016/j.neucom.2018.08.034 (lista A – 2018-30 p., IF: 3.126)

2. Adhikari S., Yang C., Slot K., and Kim H.: ‘Accurate Natural Trail Detection Using a Combination of a Deep Neural Network and Dynamic Programming’, Sensors, 18(1), 178, 2018. doi: 10.3390/s18010178 (lista A – 2018-30 p., IF: 2.677) 3. Adamiak K., Ślot K.: ‘Misclassification-Driven Sample Relabeling for Supervised Kernel Principal Component Analysis’, Schedae Informaticae Vol. 25 (2016): 25–35, doi: 10.4467/20838476SI.16.002.6183 (wykaz B, 2016-11p.)

4. Ślot K., Adamiak K., Duch P., Żurek D.: “Supervised Kernel Principal Component Analysis by Most Expressive Feature Reordering”, Journal of Telecommunications and Information Technology, vol. 2, 3-10, 2015 (wykaz B, 2015-15p.)

5. Ślot K., Cichosz J., Bronakowski Ł., Kim H.: “Application of Poincare-Mapping of Voiced-Speech Segments for Emotion Sensing”, Sensors vol. 9 (12), 9858-9872, 2009 (SCIE)

Additional information:

None