One Lead ECG Based Personal Identification with Feature Subspace Ensembles 1st Edition by Hugo Silva, Hugo Gamboa, Ana Fred 9783540734987

One Lead ECG Based Personal Identification with
Feature Subspace Ensembles 1st Edition by Hugo
Silva, Hugo Gamboa, Ana Fred 9783540734987
install download
https://ebookball.com/product/one-lead-ecg-based-personal-
identification-with-feature-subspace-ensembles-1st-edition-by-
hugo-silva-hugo-gamboa-ana-fred-9783540734987-9216/
Explore and download more ebooks or textbooks
at ebookball.com

Get Your Digital Files Instantly: PDF, ePub, MOBI and More
Quick Digital Downloads: PDF, ePub, MOBI and Other Formats
Nonlinear Feature Selection by Relevance Feature Vector Machine 1st
Edition by Haibin Cheng, Haifeng Chen, Guofei Jiang, Kenji Yoshihira
9783540734987
https://ebookball.com/product/nonlinear-feature-selection-by-
relevance-feature-vector-machine-1st-edition-by-haibin-cheng-
haifeng-chen-guofei-jiang-kenji-yoshihira-9783540734987-9614/
Parity and Exploration Games on Infinite Graphs 1st Edition by Hugo
Gimbert ISBN 9783540301240
https://ebookball.com/product/parity-and-exploration-games-on-
infinite-graphs-1st-edition-by-hugo-gimbert-
isbn-9783540301240-9222/
Mandibular Growth Anomalies Terminology Aetiology Diagnosis Treatment
1st Edition by Hugo Obwegeser ISBN 9783662045343 3662045346
https://ebookball.com/product/mandibular-growth-anomalies-
terminology-aetiology-diagnosis-treatment-1st-edition-by-hugo-
obwegeser-isbn-9783662045343-3662045346-7750/
LNAI 2842 Identification with Probability One of Stochastic
Deterministic Linear Languages 1st Edition by Colin de la Higuera,
Jose Oncina ISBN 9783540200574 354020057X
https://ebookball.com/product/lnai-2842-identification-with-
probability-one-of-stochastic-deterministic-linear-languages-1st-
edition-by-colin-de-la-higuera-jose-oncina-
isbn-9783540200574-354020057x-11750/

SmartClip Self Ligating Appliance System Concept and Biomechanics 1st
Edition by Hugo Trevisi DDS ISBN 072343395X 9780723433958
https://ebookball.com/product/smartclip-self-ligating-appliance-
system-concept-and-biomechanics-1st-edition-by-hugo-trevisi-dds-
isbn-072343395x-9780723433958-8062/
Practical Gastroenterology and Hepatology Liver and Biliary Disease
1st Edition by Nicholas Talley, Keith Lindor, Hugo Vargas ISBN
9781444347876
https://ebookball.com/product/practical-gastroenterology-and-
hepatology-liver-and-biliary-disease-1st-edition-by-nicholas-
talley-keith-lindor-hugo-vargas-isbn-9781444347876-2612/
Systemized Orthodontic Treatment Mechanics 1st Edition by Richard P
McLaughlin, John C Bennett, Hugo Dr Trevisi D ISBN 072343171X
9780723431718
https://ebookball.com/product/systemized-orthodontic-treatment-
mechanics-1st-edition-by-richard-p-mclaughlin-john-c-bennett-
hugo-dr-trevisi-d-isbn-072343171x-9780723431718-8052/
State Of The Art Orthodontics Self Ligating Appliances Miniscrews and
Second Molars Extraction 1st edition by Hugo Trevisi,Trevisi Zanelato
0723437203 9780723437208
https://ebookball.com/product/state-of-the-art-orthodontics-self-
ligating-appliances-miniscrews-and-second-molars-extraction-1st-
edition-by-hugo-trevisi-trevisi-
zanelato-0723437203-9780723437208-5406/
Statistical Identification of Key Phrases for Text Classification 1st
Edition by Frans Coenen, Paul Leng, Robert Sanderson, Yanbo Wang
9783540734987
https://ebookball.com/product/statistical-identification-of-key-
phrases-for-text-classification-1st-edition-by-frans-coenen-paul-
leng-robert-sanderson-yanbo-wang-9783540734987-10238/

One Lead ECG Based Personal Identiﬁcation
with Feature Subspace Ensembles
Hugo Silva
1
,HugoGamboa
2
,andAnaFred
3
1
Instituto de Telecomunica¸c˜oes, Lisbon, Portugal
[email protected]
2
Escola Superior de Tecnologia de Set´ubal, Campus do IPS,
Set´ubal, Portugal
[email protected]
3
Instituto de Telecomunica¸c˜oes,
Instituto Superior T´ecnico, Lisbon, Portugal
[email protected]
Abstract.In this paper we present results on real data, focusing on per-
sonal identiﬁcation based on one lead ECG, using a reduced number of
heartbeat waveforms. A wide range of features can be used to character-
ize the ECG signal trace with application to personal identiﬁcation. We
apply feature selection (FS) to the problem with the dual purpose of im-
proving the recognition rate and reducing data dimensionality. A feature
subspace ensemble method (FSE) is described which uses an association
between FS and parallel classiﬁer combination techniques to overcome
some FS diﬃculties. With this approach, the discriminative information
provided by multiple feature subspaces, determined by means of FS, con-
tributes to the global classiﬁcation system decision leading to improved
classiﬁcation performance. Furthermore, by considering more than one
heartbeat waveform in the decision process through sequential classiﬁer
combination, higher recognition rates were obtained.
1 Introduction
Fiducial points of the electrocardiographic (ECG) signal, are typically used in
clinical applications for diagnostics and evaluation of the cardiac system function
[1][2][3]. These points have well characterized reference values, and deviations
from those may express multiple anomalies.
The ECG provides a visualization of the electrical activity of the cardiac
muscle ﬁbres; as measured from the body surface, the ECG signal is directly re-
lated to the physiology of each individual. These measurements are inﬂuenced by
physiologic factors which include: skin conductivity, genetic singularities, posi-
tion, shape and size of the heart. Regardless of what factors originate diﬀerences
in the measurement, the fact that the ECG contains physiologic dependant sin-
gularities potentiates its application to personal identiﬁcation.
Recent research work has been devoted to the characterization of ECG fea-
tures, unique to an individual, with clear evidence that accurate ECG based
P. Perner (Ed.): MLDM 2007, LNAI 4571, pp. 770–783, 2007.
cﬀSpringer-Verlag Berlin Heidelberg 2007

One Lead ECG Based Personal Identiﬁcation with FSE 771
personal identiﬁcation is possible [4][5][6]. As a behavioral biometric technique
the ECG is very appealing:it is a non-invasive technique;it is not easily repli-
cated or circumvented;andit requires the subject to be physiologically active,
among other characteristics.
A wide range of features can be used to characterize the ECG signal trace with
application to personal identiﬁcation [1][7][8][9][3], and a question arises:for a
given feature set, which features are truly relevant for the decision process, and
which can be discarded. The reasons why addressing this question is of paramount
importance include: (a)the curse of dimensionality problem[10]; and (b)the fact
that some features may misguide the decision process[11][12].
In pattern recognition, this can be addressed throughfeature selection(FS).
Considering ad-dimensional feature representation space (FRS),F={f1,···,fd},
feature selection consists of determining which subspaceF
∗
⊂F,ifany,contains
the featuresfj∈Fwith most relevant discriminative information [13]. For this
purpose, a variety of methods has been proposed [14][15][16].
This paper presents results on real data, for the application of one lead ECG
data to personal identiﬁcation. Previous approaches to the problem [4][5][6], also
using real data, have shown the potential of ECG data for subject identiﬁcation
through contingency matrix analysis. In our approach, we study the potential
of subject identiﬁcation using a reducednumber of heartbeat waveforms, with
the purpose of real-time analysis. We focus on studying the classiﬁcation perfor-
mance provided on one hand by a single heartbeat waveform, and on the other
hand by multiple heartbeat waveforms. FS and classiﬁer combination techniques
are applied to the problem to improve the recognition rates, with positive results
when compared to the caseswhere no FS is performed.
An overview of ourfeature subspace ensemble(FSE) approach is presented:
a parallel classiﬁer combination method, in which a global decision is produced
by combination of the individual decisions of multiple classiﬁers, designed using
subspaces of the original feature representation space F, obtained by means of
FS [17]. Each considered feature subspace contributes to the global decision as a
result of the classiﬁer combination process. This allows us to overcome one of the
diﬃculties associated with FS:retrieval of relevant discriminative information
contained in discarded features. FSE was applied to the problem, and proved to
be more eﬀective than a single classiﬁer trained on a single FRS, both for the
cases where the original spaceF, and FS determined subspaces were used.
We evaluate the recognition rate of a single heartbeat waveform for diﬀerent
sizes of the training and validation data, in order to determine the minimum
number of patterns necessary to achieve maximum recognition rates. With the
same purpose, sequential classiﬁer combination is also employed, to determine
how the recognition rate evolves by using a reduced number of heartbeat wave-
forms for personal identiﬁcation instead of a single one.
The rest of the paper is organized as follows: Section 2 describes the feature
subspace ensemble parallel classiﬁer combination approach. Section 3 details
our one lead ECG based personal identiﬁcation setup and evaluation conditions.

772 H. Silva, H. Gamboa, and A. Fred
Section 4 presents results for the one lead ECG based personal identiﬁcation
problem. Finally, section 5 summarizes results and presents the main conclusions.
2 Feature Subspace Ensembles
Feature selection is an important tool in classiﬁcation system design. The clas-
siﬁcation process is essentially a mappingF→W, of the original FRS,F,into
asetW={w1,···,wc}ofccategories. FS consists on determining a subspace
F
∗
⊂F, containing only the featuresfj∈Fwith the most relevant discrimi-
native information, with the threefold aim of: (a)improving the discriminative
capacitive;(b)reducing computational demands;and(c)removing redundant or
superﬂuous information[13]. For this purpose, numerous methods and frame-
works have been suggested [18][19][20][14]. In this section, we overview FS and
some of the diﬃculties arising from its usage, and describe a feature subspace
ensemble (FSE) method, designed toovercome some of those problems.
Typically, FS methods fall into one of three generic classes:ﬁlter methods,
which are based on the discriminative information provided by individual or
groups of features from the original FRS;wrapper methods, which are based on
the performance of a learning machine; andembedded methods,inwhichthe
feature subspaces are a consequence of the classiﬁer training process. In general,
FS methods are based on the optimization of a feature subspace evaluation
criteria, which measures the relevance ofF
∗
in terms of discriminative potential,
and usually only suboptimal solutions are guaranteed.
LetS(A, J, X)denoteafeature selection context(FSC), deﬁned as the FS
parameters comprehended by the feature selection algorithmA, the feature sub-
space evaluation criteriaJ, and the training dataX, through which a givenF
∗
is determined.
As a result of FS, some features from the original FRS are discarded during
the process and not incorporated inF
∗
. Although interesting results are achieved
through FS [21][14][15], some diﬃculties often arise: (a)solution overﬁtting to
a particular feature selection context(FSC); (b)suboptimality of the obtained
solutions;(c)solution diversity with respect to the FSC;and(d)loss of relevant
discriminative information contained in featuresfj∈F\F
∗
.
Thus, we devised a more eﬀective method which uses parallel classiﬁer com-
bination rules [12][22], to combine the decisions of multiple, individual classiﬁers
Cr; each designed using its own subspaceF
∗
r⊂F, obtained by means of feature
selection in diﬀerent FSCs. A related approach proposed in [23], uses the com-
bined decision of classiﬁers constructed on sequentially selected features sets,
forcing the full coverage of the original FRS,F.
LetS={S1,···,Sp}be a set ofpfeatures selection contexts, diﬀering in any
combination of the parametersAr,Jr,orXr,(0<r≤p). In ourfeature subspace
ensemble(FSE) approach [17], a set ofpfeature subspacesF
∗
={F
∗
1,···,F
∗
p}is
determined using each FSC,Sr∈S(thus the term feature subspace ensemble).
Using each feature subspaceF
∗
r∈F, a classiﬁerCris designed, forming a set
C={C1,···,Cp}ofpclassiﬁers. For the classiﬁcation of a given patternxi,each

One Lead ECG Based Personal Identiﬁcation with FSE 773
individual classiﬁerCr∈Cproduces a decisions ˆwCr, and in the end all decisions
are combined by a classiﬁer combination strategy [12][24][22][25][26], in order to
produce a global decision ˆwxi. Figure 1 illustrates the described approach.
Fig. 1.Feature subspace ensemble (FSE) system. A setC={C1,···,Cp}ofpclassiﬁers
is trained using individual feature subspacesF
∗
robtained for some variationSrof
the FSC. Each classiﬁerCr∈Cproduces an individual decision ˆwCr. All individual
decisions are combined using a classiﬁer combination strategy to produce a global
decision ˆwx
i
.
Figure 2 condenses the results of 50 FS runs on the SAT benchmark data from
the UCI machine learning repository [27]; in a given runr, the feature selection
contextSr,(0<r≤50), is composed by ﬁxedArandJr(that is, the same type
in all runs), and randomly selecting 50% of the available patterns in each run
to createXr.Aris a sequential forward search (SFS) wrapper framework (later
describedinsection3.3);Jris the classiﬁcation performance of a 1-NN decision
rule usingXras training data to classify the remaining 50% of the available
patterns (used as validation set).
In the context of ﬁgure 2, in a FRS of dimensiond= 36 features, the mean
feature subspace size was approximately 23 features; an horizontal line indicates
the histogram mean. As shown, only a few features are consistently selected in
most feature subspaces over all runs, and there is full coverage of the original
FRS. This means that there is a great diversity of subspaces with relevant dis-
criminative information, and in a single FS run some of the discarded features
may still contain useful information.
Through parallel classiﬁer combination we incorporate in the global decision
relevant discriminative information contained in each particular feature sub-
space, eventually recovering relevant features discarded as a result of a single FS
run (e.g., due to a particularly inadequate or misleading FSC). This way, the
classiﬁcation system becomes less sensitive to misleading feature subspaces; the
combined decisions of individual classiﬁers is capable of overcoming inaccurate

774 H. Silva, H. Gamboa, and A. Fred
5 10 15 20 25 30 35
0
5
10
15
20
25
30
35
40
45
50
d
Fig. 2.Illustrative histogram of 50 FS runs on the SAT benchmark data from the UCI
machine learning repository. The FSC contextSrof a given runrwas established as
follows:ArandJrare ﬁxed for all runs,Arbeing a wrapper sequential forward search
framework, andJrbeing the classiﬁcation performance of a 1-NN decision rule trained
onXrto classify a validation set;Xris randomly selected from the available set of
patterns in each run. The horizontal axis corresponds to each of the dimensions of the
FRS; the vertical axis corresponds to the number of times a given dimensiondwas
selected. An horizontal line indicates the histogram mean.
decisions resulting from low quality feature subspaces, provided that a suﬃcient
number of feature subspaces exists, that leads to accurate decisions.
In section 3.3 we present a FSE implementation, which we have applied to
the ECG based personal identiﬁcation problem. Comparative results show that,
a single classiﬁer designed using a single feature subspace obtained by means
of FS, outperforms the case where the original feature representation spaceF
is used, that is, when no feature selection is performed. With feature subspace
ensembles further improvements were obtained, outperforming the classiﬁcation
performance of both cases.
3 One Lead ECG Based Personal Identiﬁcation
3.1 Data Acquisition
Unlike previous work, where ECG recordings were performed at rest [28][6],
and in stress potentiating tasks [4], we present preliminary results on real data
acquired during a cognitive activity. Twenty six subjects, 18 males and 8 females,
between the ages of 18 and 31 years, willingly participated in individual sessions
(one per subject), during the course of which their ECG signal was recorded.
In each individual session the subjectwas asked to complete a concentration
task on a computer, designed for an average completion time of 10 minutes.
The subject interacted with the computer in a sitting position, using only the
mouse as input device. No posture or motion restrictions during the activity

One Lead ECG Based Personal Identiﬁcation with FSE 775
were imposed, however, the ECG acquisition was part of a wider multi-modal
physiological signal acquisition experiment; therefore due to the placement of
other measurement apparatus in the subjects passive hand
1
it was suggested to
the subject to reduce the movements of the passive hand to the indispensable
minimum.
Fig. 3.Illustration of one grid of digits from the concentration task that each subject
was asked to complete, and during which the ECG signal acquisition was performed
The task consisted on the presentation of two grids with 800 digits, similar
to the one illustrated in ﬁgure 3, with the goal of identifying every consecutive
pair of digits that added 10. Each grid was traversed in a line wise manner, from
the top left to right bottom corner. The task was designed to induce saturation,
having the following constraints: in order to be able to move from a current line
to the next, the current line would have to be fully traversed; once a new line was
moved into, the previously traversed ones could not be accessed. An horizontal
bar and a cursor followed the mouse movement along the horizontal axis; the
horizontal bar informed the subject of the point until which the current line had
been traversed, and the cursor highlighted the pair of consecutive numbers over
which the mouse was hovering at a given point. Whenever the user identiﬁed a
consecutive pair of numbers matching the goal and highlighted by the cursor, he
would mark it with a mouse click, and although it was not possible to return to
previously visited lines, within the same line the markings could be revised.
A one lead surface mount ECG placement on theV2precordial derivation
[1][3] was used. Facing the subject, theV2derivation is located on the fourth
intercostal space over the mid clavicular line, at the right of the sternum. Prior
to sensor placement, the area was prepared with abrasive gel and conductive
paste was used on the electrodes to improve conductivity.
1
we deﬁne active hand as the one used to control the input device; passive hand as
the free hand.

776 H. Silva, H. Gamboa, and A. Fred
3.2 Signal Processing and Feature Extraction
The acquired ECG signals were band-pass ﬁltered in the passing band 2−30Hz
with a zero-phase forward and reverse scheme [29], to remove high frequency
powerline noise and low frequency baseline wander artifacts from the signal.
Fig. 4.Measured features from the ECG heartbeat waveform
Each heartbeat waveform was sequentially segmented from the full recording,
and after this all waveforms were aligned by theirRpeaks. From the resulting
collection of ECG heartbeat waveforms, the mean wave for groups of 10 heart-
beat waveforms (without overlapping), was computed to minimize the eﬀect of
outliers. A labeled database was compiled, in which each pattern corresponds to
a mean wave.
For each mean waveform, 8 latency and amplitude features were extracted,
along with a sub-sampling of the waveform itself. This resulted in a feature
representation spaceFof dimensiond= 53, with 4 latency features, 4 amplitude
features measured at selected points (ﬁgure 4), and 45 amplitude values measured
at the sub-sampled points. No time limit was imposed to complete the task, and
therefore the heartbeat wave form collection of each subject in the database was
truncated at approximately 6 minutes
2
to ensure uniform class distribution.
3.3 Feature Selection and Classiﬁcation
The ECG mean wave database is used for evaluation purposes; 50 data selec-
tion runs were performed, where in each runrthree mutually exclusive setsXr,
YrandZr, of randomly selected patterns from the full recording are created.
Also a feature subspaceF
∗
r
is determined using the individual feature subspace
2
Corresponding to the fastest completion time over all subjects.

One Lead ECG Based Personal Identiﬁcation with FSE 777
selection framework described next. As a result, 50 feature subspaces will be
available as a result of the performed data selection runs.Xris created with
22.5% of the available patterns and used as training set both for FS and classiﬁer
design;Yris created with another 22.5% of the available patterns and used as
validation set in FS; and the remaining 55% of the available patterns were used to
createZr, which served as testing set for classiﬁcation performance assessment.
For our experiments we have employed a wrapper FS framework [16], with a
heuristic sequential forward search (SFS) method [30]. SFS is a state space search
method, which starts from an initial stateF
∗
t=0
=∅and iteratively evolves by
constructing at each step all possible super-spacesFt+1=F
∗
t
∪{fj∈F\F
∗
t
},
adding each of the featuresfj∈F\F
∗
tto the optimal subspaceF
∗
tobtained
at the previous step.Jis used to evaluate each of the resulting super-spaces
Ft+1,andF
∗
t+1
is selected as the set which optimizesJ.IfJ(F
∗
t+1
)<J(F
∗
t
)
the search is stopped
3
,andF
∗
r=F
∗
tis considered to be the feature subspace
with most relevant discriminative information for a given FSCr. Although con-
ceptually simple, wrapper SFS feature selection has provento hold comparable
results in benchmark data when compared to other (more complex) methods
[31][32].
The feature subspaceevaluation criteriaJin wrapper methods is the opti-
mization of the classiﬁcation performance of a learning machine. In our imple-
mentation,Jis trained withXr, and the recognition error overYris used for
feature subspace evaluation; thereforeF
∗
ris determined as the feature subspace
that provides higher recognition rate over the validation setYr.Usingallfeature
subspaces computed through SFS during the 50 data selection runs, a feature
subspace ensembleF={F
∗
1,···,F
∗
50}was created, and used for classiﬁcation
performance evaluation of the FSE method.
For classiﬁcation, we use thek-NN decision rule with anEuclidean neighbor-
hood metric [12]. A 1-NN neighborhood was adopted, since it is a particular case
of thek-NN rule where ˆwxifor a given patternxiis assigned as the category
of the closest pattern from the training setXr. The same type of classiﬁer is
used for feature subspace evaluation criteriaJ, and for classiﬁcation performance
assessment.
Two types of classiﬁcation performance analysis were performed. On one hand,
we evaluated the recognition rate of a single heartbeat waveform for diﬀerent
sizes of the training and validation data, in order to determine the minimum
number of patterns necessary to achieve maximum recognition rates. On the
other hand, to determine how the recognition rate evolves by using more than
one heartbeat waveforms in personal identiﬁcation instead of a single one, we
evaluated the classiﬁcation performance achieved by combination of the individ-
ual decisions of a reduced set of heartbeat waveforms.
Therefore, additionally to the FSE parallel classiﬁer combination method,
sequential classiﬁer combination was also employed. A simple majority voting
strategy was adopted as classiﬁer combination rule in both cases [33][24][34].
3
J(F) denotes the usage ofJin the evaluation of a given feature subspace F.

778 H. Silva, H. Gamboa, and A. Fred
4Results
In this section we present results for the one lead ECG based personal identiﬁ-
cation. We evaluate the classiﬁcation performance of a single classiﬁer designed
using a single feature subspace both for the cases where no feature selection is
performed, and for FS selected feature subspaces. Our feature subspace ensemble
method, described in section 2 is also applied to the problem.
Figure 5 illustrates the evolution of the mean recognition error of a single
heartbeat waveform (ﬁgure 5(a)), and feature subspace size (ﬁgure 5(b)), com-
puted over 50 runs according to the methodology described in section 3.3. To
determine the minimum numbernof patterns necessary to achieve the maxi-
mum recognition rate, we experimented training and validation sets (Xr,and
Yrrespectively) of diﬀerent sizes, ranging from a single training and validation
patternn= 1 (1 mean heartbeat waveform), to the full set ofn= 9 patterns
(which as described in section 3.3, corresponds to 22.5% of the available pat-
terns in each run). As we can observe the error rate is fairly similar with (curve
iSF S) and without SFS feature selection (curveiALL), although feature selec-
tion leads to more compact feature spaces, as illustrated in ﬁgure 5(b). An im-
proved recognition rate was achieved with the application of FSE to the problem
(curveeSF S).
We can observe that even using a singlepattern per subject in the training
and validation sets, the average recognition error rate is approximately 19.65%
using all features, and 19.66% with SFS selected feature subspaces. In this case,
the feature subspace ensemble methodreduced the recognition error rate to
approximately 11.86%. By increasing the numbernof patterns in the training
and validation sets, the recognition error rate is highly decreased. The minimal
values are reached when the whole set of training and validation data is used,
with a recognition error rate of 2.80% using all features and 2.58% with SFS
selected feature subspaces. In this case, the FSE method further improved the
average recognition error rate to 1.91%.
Figure 6 illustrates the feature histogram for the SFS selected feature sub-
spaces over all runs, when the full set of training and validation patterns is used.
The mean subspace size is 19.62 features; as we can observe, there is a high
feature subspace diversity, and there are several relevant features that not all
FSCs lead to. This explains why feature subspace ensembles consistently im-
proved the recognition error rate. We can also observe the presence of irrelevant
features, which FS discards or are rarely selected. From ﬁgure 5(a) we can see
that these, although irrelevant are not misleading the classiﬁer designed using
the original feature representation spaceF, since the recognition error rate is
only marginally superior to the results obtained for the classiﬁer design using a
single SFS selected feature subspace.
With FSE, a single mean heartbeat waveform, which in our case corresponds
to approximately 7 seconds of signal acquisition
4
(since each pattern corresponds
4
this calculation was performed taking as a reference an average normal resting heart
rate of 70 beats per minute [3].

One Lead ECG Based Personal Identiﬁcation with FSE 779
0 2 4 6 8 10
0
5
10
15
20
25
30
n
E
iALL
iSFS
eSFS
(a) Mean classiﬁcation error and standard deviation intervals
0 2 4 6 8 10
0
10
20
30
40
50
60
n
d
ALL
SFS
(b) Mean feature subspace size and standard deviation intervals
Fig. 5.Mean recognition error of a single ECG heartbeat waveform (ﬁgure 5(a)), and
feature subspace size (ﬁgure 5(b)).n: number of patterns used for the training and
validation sets (XrandYr);E: mean classiﬁcation error;
¯
d: mean subspace size;all:
no feature selection;sfs: wrapper sequential forward search; theipreﬁx denotes the
curves for individual classiﬁer and subspace cases, and theepreﬁx denotes the curves
for the feature subspace ensemble method.
to the mean wave of a group of 10 heartbeat waveforms), provides 98.09% recog-
nition accuracy, using a training set of 9 patterns (that is, 63 seconds).
Maintaining the methodology described in section 3.3, we also evaluated
the recognition rate of personal identiﬁcation using more than one heartbeat

780 H. Silva, H. Gamboa, and A. Fred
5 10 15 20 25 30 35 40 45 50
0
10
20
30
40
50
d
Fig. 6.Histogram for the SFS selected feature subspaces over all runs when the full
set of training and validation patterns is used. The horizontal axis corresponds to each
dimension of the FRS; the vertical axis corresponds to the number of times a given
dimensiondwas selected. The horizontal line indicates the histogram mean.
waveform. The classiﬁcation performance obtained for reduced sets ofh=
3,···,8 heartbeat waveforms was evaluated, and sequential classiﬁer combina-
tion through majority voting was used as classiﬁer combination strategy. Figure 7
illustrates these results. It is important to recall that the FS step was performed
to optimize the recognition rate of a single heartbeat waveform (as described
in section 3.3). Nonetheless, as we can observe, considering a reduced set of
heartbeat waveforms greatly improves the recognition accuracy. The highest
recognition rate (99.97%), was obtained by majority voting the individual FSE
2 3 4 5 6 7 8 9
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
h
E
iALL
iSFS
eSFS
Fig. 7.Mean recognition error and standard deviation intervals for subject identiﬁca-
tion from sets with a reduced numberhof ECG heartbeat waveforms.h:sizeofthe
set of heartbeats waveforms;E: mean classiﬁcation error;all: no feature selection;sfs:
wrapper sequential forward search; theipreﬁx denotes the curves for individual clas-
siﬁer and subspace cases, and theepreﬁx denotes the curves for the feature subspace
ensemble method.

One Lead ECG Based Personal Identiﬁcation with FSE 781
decisions for a group of 8 heartbeat waveforms (the equivalent to 56 seconds of
signal acquisition according to the adopted methodology).
5 Conclusions
In this paper we addressed a real data problem of ECG based personal identiﬁca-
tion using a single, and reduced sets of heartbeat waveforms described in a feature
representation space of dimensiond= 53 measured features. We evaluated the clas-
siﬁcation performance of a single classiﬁer using the original FRS, and recurred to
feature selection to improve the recognition rate and reduce data dimensionality.
We introduced the concept of feature selection context (FSC): the conditions
under which a given feature subspace is obtained; and described the generic fea-
ture subspace ensemble (FSE) approach: a parallel classiﬁer combination method
which uses an association between FS and classiﬁer combination techniques [17].
FSE was designed to overcome some of the diﬃculties resulting from FS, namely:
FSC overﬁtting;suboptimality of FS methods;andrecovery of relevant discrim-
inative information contained in features discarded by FS.
An instantiation of the FSE method using a wrapper heuristic sequential for-
ward search (SFS) framework, 1-NN classiﬁer and the majority voting classiﬁer
combination rule, was applied to the ECG based personal identiﬁcation problem
providing higher recognition rates than the single classiﬁer designed using a single
FRS cases (both the original FRS, and FS selected through feature subspaces).
Preliminary results have shown that the ECG can be used to identify individ-
uals, particularly useful as a behavioral biometric technique. High recognition
rates were achieved using a single heartbeat waveform, and we were able to fur-
ther improve the results by using sequential classiﬁer combination techniques to
combine the individual decisions of a reduced set of heartbeat waveforms. It is
important to enhance that, in each evaluation run, a random selection of the
patterns was performed from the full recording. This indicates robustness of the
ECG signal, since the task during which the signal was acquired was designed
to induce saturation.
Through FSE, using a set of 9 training patterns we achieved a personal
identiﬁcation rate of 98.09% from a single heartbeat waveform pattern (which
according to the adopted methodology corresponds to 7 seconds of signal acqui-
sition). Using sequential classiﬁer combination in conjunction with FSE, combin-
ing the individual decisions from FSE over a reduced set of heartbeat waveforms
to produce a global decision, further improved the recognition rates. We were
able to achieve a 99.97% subject recognition rate by combining the individual
decisions of 8 heartbeat waveforms, which according to the adopted methodology
corresponds to 56 seconds of signal acquisition.
FS targets dimensionality reduction and better discriminative ability, by
selecting from the original FRS only the features with relevant discriminative
information for a given FSC. Classiﬁer combination strategies target the decision
reﬁnement, by taking into account multiple individual decisions in order to pro-
vide for a global decision. FSE has the potential to combine the advantages of

782 H. Silva, H. Gamboa, and A. Fred
both FS and classiﬁer combination, since through FS reduced dimensionality is
achieved; and through classiﬁer combination, the classiﬁcation system becomes
less sensitive to misleading feature subspaces due to particularly inadequate FSCs.
Ongoing and future work includes further validation of the obtained results
by including longer databases and a higher number of recordings per individual.
Acknowledgments
This work was partially supported by the Portuguese Foundation for Science and
Technology (FCT), Portuguese Ministry of Science and Technology, and FEDER,
under grant POSI/EEA-SRI/61924/2004, and by the Institute for Systems and
Technologies of Information, Control and Communication (INSTICC) and the
Instituto de Telecomunica¸c˜oes (IT), P´olo de Lisboa, under grant P260.
References
1. Chung, E.: Pocketguide to ECG Diagnosis. Blackwell Publishing Professional,
Malden (December 2000)
2. Dubin, D.: Rapid Interpretation of EKG’s, 6th edn. Cover Publishing Company,
Cover (2000)
3. Lipman, B.: Ecg Assessment and Interpretation. F.A. Davis (February 1994)
4. Israel, S., Irvine, J., Cheng, A., Wiederhold, M., Wiederhold, B.: Ecg to identify
individuals. Pattern Recognition 38(1), 133–142 (2005)
5. Shen, T., Tompkins, W., Hu, Y.: One-lead ecg for identity veriﬁcation. In: Pro-
ceedings of the Second Joint EMBS/BMES Conference, pp. 62–63 (2002)
6. Biel, L., Petterson, O., Phillipson, L., Wide, P.: Ecg analysis: A new approach in hu-
man identiﬁcation. IEEE Transactions on Instrumentation and Measurement 50(3),
808–812 (2001)
7. Liang, H.: Ecg feature elements identiﬁcation for cardiologist expert diagnosis.
In: ICPR 2004. Proceedings of the 27th Annual International Conference of the
IEEE Engineering in Medicine and Biology Society, vol. 1-7, pp. 3845–3848. IEEE
Computer Society Press, Los Alamitos (2005)
8. Kunzmann, U., von Wagner, G., Schochlin, J.A.B.: Parameter extraction of ecg
signals in real-time. Biomedizinische Technik. Biomedical engineering 47, 875–878
(2002)
9. Duskalov, I., Dotsinsky, I., Christov, I.: Developments in ecg acquisition, prepro-
cessing, parameter measurement, and recording. IEEE Engineering in Medicine
and Biology Magazine 17(2), 50–58 (1998)
10. Bellman, R.: Adaptive Control Processes. Princeton University Press, Princeton
(1961)
11. Heijden, V., Duin, R., Ridder, D., Tax, D.: Classiﬁcation, parameter estimation
and state estimation - an engineering approach using MATLAB. John Wiley &
Sons, Chichester (2004)
12. Duda, R., Hart, P., Stork, D.: Pattern classiﬁcation, 2nd edn. John Wiley & Sons,
Chichester (2001)
13. Guyon, I., Elisseeﬀ, A.: An introduction to variable and feature selection. Journal
of Machine Learning Research 3, 1157–1182 (2003)

One Lead ECG Based Personal Identiﬁcation with FSE 783
14. Kudo, M., Sklansky, J.: Comparison of algorithms that select features for pattern
classiﬁers. Pattern Recognition 33, 25–41 (2000)
15. Jain, A., Zongker, D.: Feature selection: Evaluation, application, and small sam-
ple performance. IEEE Transactions on Pattern Analysis and Machine Intelli-
gence 19(2), 153–158 (1997)
16. Kohavi, R., John, G.: Wrappers for feature subset selection. Artiﬁcial Intelli-
gence 97(1-2), 273–324 (1997)
17. Silva, H., Fred, A.: Feature subspace ensembles: A parallel classiﬁer combination
scheme using feature selection. In: MCS 2007. LNCS, vol. 4472, Springer, Heidel-
berg (to appear, 2007)
18. Forman, G.: A pitfall and solution in multi-class feature selection for text classiﬁ-
cation. In: ICML ’04. Proceedings of the 21st International Conference on Machine
Learning, pp. 38–46. ACM Press, New York (2004)
19. Molina, L., Belanche, L., Nebot, A.: Feature selection algorithms: A survey and
experimental evaluation. lsi technical report lsi-02-62-r (2002)
20. Kittler, J., Pudil, P., Somol, P.: Advances in statistical feature selection. In: Singh,
S., Murshed, N., Kropatsch, W.G. (eds.) ICAPR 2001. LNCS, vol. 2013, pp. 425–
434. Springer, Heidelberg (2001)
21. Molina, L., Belanche, L., Nebot, A.: Feature selection algorithms: a survey and ex-
perimental evaluation. In: ICDM 2002. Proceedings. IEEE International Conference
on Data Mining, pp. 306–313. IEEE Computer Society Press, Los Alamitos (2002)
22. Duin, R., Tax, D.: Experiments with classiﬁer combining rules. In: Kittler, J., Roli,
F. (eds.) MCS 2000. LNCS, vol. 1857, Springer, Heidelberg (2000)
23. Skurichina, M., Duin, R.: Combining feature subsets in feature selection. In: Oza,
N.C., Polikar, R., Kittler, J., Roli, F. (eds.) MCS 2005. LNCS, vol. 3541, pp. 165–
175. Springer, Heidelberg (2005)
24. Fred, A.: Finding consistent clusters in data partitions. In: Kittler, J., Roli, F.
(eds.) MCS 2001. LNCS, vol. 2096, pp. 309–318. Springer, Heidelberg (2001)
25. Lam, L.: Classiﬁer combinations: Implementation and theoretical issues. In: Kittler,
J., Roli, F. (eds.) MCS 2000. LNCS, vol. 1857, pp. 78–86. Springer, Heidelberg (2000)
26. Kittler, J., Hatef, M., Duin, R., Matas, J.: On combining classiﬁers. IEEE Trans-
actions on Pattern Analysis and Machine Intelligence 20, 226–239 (1998)
27. Newman, D., Hettich, D., Blake, C., Merz, C.: UCI repository of machine learning
databases (1998)
28. Shen, T., Tompkins, W.: Biometric statistical study of one-lead ecg features and
body mass index (bmi). In: Proceedings of 27th Annual International Conference
of the IEEE Engineering in Medicine and Biology Society, pp. 1162–1165. IEEE
Computer Society Press, Los Alamitos (2005)
29. Gustafsson, F.: Determining the initial states in forward-backward ﬁltering. IEEE
Transactions on Signal Processing 44(4), 988–992 (1996)
30. Russell, S., Norvig, P.: Artiﬁcial Intelligence: A Modern Approach, 2nd edn.
Prentice-Hall, Englewood Cliﬀs (2002)
31. Silva, H.: Feature selection in pattern recognition systems. Master’s thesis, Univer-
sidade T´ecnica de Lisboa, Instituto Superior T´ecnico (2007)
32. Reunanen, J.: Overﬁtting in making comparisons between variable selection meth-
ods. Journal of Machine Learning Research 3, 1371–1382 (2003)
33. Tax, D., Duin, R.: Using two-class classiﬁers for multiclass classiﬁcation. In: Inter-
national Conference on Pattern Recognition, Quebec, Canada (2002)
34. Lam, L., Suen, S.: Application of majority voting to pattern recognition: An anal-
ysis of its behavior and performance. IEEE Transactions on Systems, Man, and
Cybernetics 27, 553–568 (1997)

Other documents randomly have
different content

XXXIV.
Szőnyeg és pokrócz.
A kapus csöndíte, s mi a virágokkal diszített széles lépcsőn
gyorsan haladtunk föl, a pompás előszobában egész raja által
fogadtatánk a fényes szolgáknak, s a pompás világításu terembe
utasítatánk. Előitélet talán, de nem tehetek róla, hogy én a
rendkivüli fényüzéssel soha nem birtam megbarátkozni, habár oly
helyen találkozom is azzal, melynek birtokosától még nagyobbszerű
pazarlás is kitelnék, a nélkül, hogy azért tönkre jutna. Itt pedig még
kellemetlenebbül hatott rám e vakító pompa, mert jól emlékezém,
hogy hirlapokban olvasám, mikép e dicsőségek tulajdonosnője
országosnak nevezhető kár enyhítésére öt forintot adakozott, s én
most, a lépcső aljától a terem ajtajáig, legalább ezer forintot érő
finom szőnyegeken haladtam keresztül. Kárhoztasson bárki, de rám
mód nélkül keserüen hat az ily aránytalanság.
Kellemetlen érzésem a terembe léptemkor még inkább
növekedett. A pompa egészen elnyomott, lélegzetem szinte
nehezült, midőn körültekinték. Roppant jövedelem nagy része
vándorlott e dicsőségekért külföldre; még a virágok is jobbadán
ismeretlenek valának előttem. Szegény magyar haza, tehát még csak
virágokkal sem elégítheted ki a hatalmasok nagy részének telhetlen
vágyait, ámbár kincseid legjobbjaival oly dúsan halmozod el őket,
hogy sokan közőlök minden tekintetben több külföldi fejedelemmel is
vetélkedhetnek!
A bemutatás alig igényle fél perczet, mert hiszen csak névre,
vagy névvel biró ismerősre van szükség ily helyeken, s a közélet
minden apró szokásain tulteheti magát az ember. Pedig vajmi
gyakran történik meg azután, hogy konkoly és vadócz vegyül a buza

közé, s oly tények mennek gyakran véghez, melyektől polgári házak
is irtóznának, azon polgári házak tagjai, melyek előtt e finom
szőnyegzetü teremek ajtainak arany kilincsei soha nem nyilnak meg,
vagy legfölebb is csak akkor néhány pillanatra, midőn a kincsforrások
kissé elapadnak, és uj táplálékot kell számokra szerezni. Ámde ez
semmi, hiszen a tenger sem veti meg az apró folyamok vizét.
Teremből terembe, szobából szobába menénk, minden lépés után
azt gondolám, hogy most láttam a fénynek ne-továbbját, s minden
lépés után csalatkozám, mert folyvást uj tárgyakkal találkozám,
melyek minden látottat elhomályosítának pazar fényökkel. A mit itt
láték, azt csak az «Ezer egy éjszaka» tündérregéinek csillogó
képeivel hozhatám hasonlításba; pedig itt nem működtek tündérek,
hanem csak pénz és emberi kezek.
Boldog emberek, kik ily körökben élhetitek le napjaitokat, nem
ismerve gondot és bánatot! Boldog hölgyek, kik egy egy falu értékét
hordozzátok füleitekben, mily kéjteljesen folynak le óráitok minden
perczei! Szerencsés férfiak, kik a haza boldogításának súlyos
munkája után ily igéző hölgykoszoru virágait szállonghatjátok körűl!
Ha Mahommed paradicsoma nem fonóházban koholt mese, ugy itt
van az, itt kell lennie.
De tekintsünk nagyobb figyelemmel körül.
Itt két hölgy és ugyanannyi férfi ül a kártyaasztalka mellett, azon
korszakában van mind a négy az életnek, melyben némely örömei
már bucsuzni kezdenek a természet rende szerint, s épen azért még
becsesebbek előttünk, mint korábbi években.
A két hölgy mégis köhécsel, gyakran használja szagos
üvegcséjét, kurtán vesz lélekzetet, s bágyadtan pillant szintelen
szemeivel; a férfiak ellenben gyakran dörzsölgetik lábszáraikat, s
mindannyiszor kedvetlenül redőzik össze magas homlokaikat, melyek
koponyájukkal egyesülnek hajuk gyérülése miatt. Ők nem boldogok;
ámde ez csak kivétel.

E pamlag szögletében kedvetlenül vesztegel két csodaszép hölgy,
arczaik azonban észrevehetőleg nélkülözik azon vidor rugalmasságot,
azon pezsgő életet, mely a természetes jó kedvnek elmaradhatlan
kisérője szokott lenni. Ennyi embertömeg, ennyi fény és élvezet
közepett nem bírnak mulatságot találni. Talán azért, mivel a legjobb
ételnek füszeres zamatját is csak az egészséges étvágy adhatja
meg? Ők nem érzik magokat valódilag boldogoknak; ámde ez csak
kivétel.
E fiatal hajadonok, mint megannyi üvegházi pompás rózsák,
tánczolnak, lábaik erdei vagy légi tündérek gyanánt lebegnek, alig
érintve a tükörsima padlatot; de szemeikből nem lángol a kéjnek
félreismerhetlen tüze; homlokaikról nem ragyog az elégültség tiszta
csillaga; ajkaikról nem mosolyg azon valódi életöröm, mely szünetet
és lankadást nem ismer, midőn a zene szárnyain dicsőülve leng körül
a fiatal test; táncz után nyugodtan és hidegen ülnek le, s a szoros
illedék teremies szabályai szerint redőzik vagy simítják minden
vonásaikat. Nem, ezek nem lehetnek boldogok; ámde ez talán csak
kivétel.
Az ifjak táncz után kedvetlenül, vagy legalább közönyösen törlik
homlokukat, összecsoportoznak, s a magyaron kivül csaknem
minden nyelven ily szókat váltanak:
– Iszonyu munka!
– Mily hőség!
– Ezen illat kábító.
– Nem eléggé finom.
– Nem tánczolok.
– Ah, az nem illik.
– Hogy tetszik ** grófnő?
– Dicső komornája van.

– Hja, Párisból hozta.
– Meddig tart itt az estély?
– Éjfélig.
– Oh, ugy hát még elmehetünk mulatni.
– Én is társ leszek.
– Hiszen már fáradtak vagytok.
– Ah, az egészen más.
– Itt legfárasztóbb a feszengés.
– Minden oly modorban megy, mintha szerepét mondaná föl az
ember.
– Franczia modor.
– Hiszen dicső, azt nem tagadhatni, de a változtatás azért mégis
nagyon kedves.
– Egy idegent is látok ma itt.
– Valami *** Bende.
– Nem ismerem.
– ** gróf hozta ide.
– Ah, ugy bizonyosan jó régi családból származik.
– Gondolod?
– ** gróf különben bizonyosan nem hozta volna őt ide.
– Már azt gondolám, hogy valami afféle iró, vagy művész, kiknek
az uj divat a legjobb teremek ajtait is megnyitja, mert nagyon komor.
– Ah, hova gondolsz, Dongai grófnő e részben nem ismer tréfát,
s e tekintetben is példányul szolgálhatna az egész főnemességnek,

mert ő maga mindeddig tisztán tudta termeit tartani mind azon
egyenlőségi botor eszméktől, miket a franczia forradalom szült, s
miket most már számos rangrokonink is tárt karokkal kezdenek
fogadni.
– Gondold csak, * grófnő tegnapi estélyén csupán magyarul
beszéltek.
– Hallatlan!
– Ugy van, még magamnak is ugyancsak törnöm kellett a magyar
szót.
– De az istenért, ne ásíts, meglátják.
– Oh, kezdődik már ismét a zene!
– Tehát munkára.
A fanyar ábrázatra kényszerített kesernyés mosolylyal ismét
tánczhoz fognak, és illedelmesen járják a francziát.
Bizony, bizony, ezek sem boldogok; ámde talán ez is csak kivétel.
Itt egy nő véletlenül találkozik férjével. Mondhatom, mindkettő
ugyancsak remek műve a természetnek, s mindkettő fiatal.
Véletlenül egymásra tekintenek, a nő kendőjébe ásít, a férj *
bárónő mellé ül a pamlagra, s fontos ábrázattal kérdi: hol szokta
remek szagu illatszerét vásárlani?
Valóban, ezek sem oly boldogok, mint óhajtanám; ámde ez is
alkalmasint csak kivétel.
Lépjünk a csemegetárba. Mily csillogó fényözön, mily finom illata
a legdrágább eledeleknek, mily félelmes választékosság a bortermő
világrészek minden becses nedveiben! Itt bizonyosan az sem
hiányzik, melyet Hebe töltögetett a hajdani Olymp isteneinek. E sok
jó talán a haldoklót is megnyerhetné még néhány pillanatra az
életnek. És ezen kis jeges tenger, a szivárvány minden szineivel

ellátva, bizonyosan a háborgó Vezúv tüzét is meghűtené. Oh, ti
boldogok, kik mindezt nagyobb bőségben élvezhetitek, mint
mindennapi száraz kenyerét a szegény ember!
De nézzünk szét. Számosan sétálnak a terhök alatt görnyedező
asztalok körül, fiatalok és öregek mind a két nemből. Szemeik
elégületlenül járnak végik az anyagi élvezet e tömérdek tárgyain, s
egy két kanál langyos thea vagy fagylalt minden, mi előttök
kegyelemre talál, s ez is csak azért, hogy a divatnak elég tétessék, s
hogy az ólomlépésü idő ezzel is teljék.
Árva lelkemre mondom, hogy bizony ezek sem boldogok; ámde
meglehet, hogy talán ez is csak kivétel.
Most a férfiak nagy játéktermében állunk. Kell-e említenem, hogy
ennek pompája is méltán mérkőzhetik a többivel? Mily különbség
ezen díszterem, s azon városi nyilvános barlangok közt, mikben
annyi gazdag és szegény ember koldussá lesz! S mégis, mily nagy
hasonlatosság is van közöttök. Itt is, valamint azokban, a drága időt
vesztegetik, melynek egy részét legalább oly méltán igényelhetné a
haza és emberiség, s a pénz harácsoltatik el itt is, mely annyi
intézetet, annyi családot boldogíthatna, s a boldogítóknak oly menyei
öntudatot szerezne, míg az erőt fogyasztó átdőzsölt éjszakák csak
bánatot, vagy elfásulást vonnak magok után, minden szellemi és
anyagi nemesb irányú élvezetre nézve. Sőt ez utóbbi tekintetben az
ily fényes játéktermek, még a nyilvános játékházak alatt állanak,
mert az utóbbiakban legalább szenvedély vezérli az uralkodó pálczát,
mely izgat, s a lélek minden erejét, a testnek minden izmait feszítve
tartja a nyerési vágy, vagy vesztéstől remegés által; de itt, hol
gazdagok ölik az időt, a helyett, hogy a tettekkel adóznának érette,
itt ezen durva származású ingert sem láthatni. Itt gazdagok űzik az
unalmat, ezreket nyernek és vesztenek, százezrek birtokosai, kiket a
nyereség nem vidíthat föl, kiket a veszteség nem busíthat meg, kik
oly közönyösen forgatják a kártyát, mintha csak dióért játszanának.
Bizony meg vagyok győződve, hogy ezek sem boldogok; ámde
talán ez is csak kivétel.

Legyen mindenkinek hite és kedve szerint, de én csak a mellett
maradok, hogy a túlfeszített húr lepattan, a túlterhelt sajka elmerül,
az élvezet túlhajtása eltompít, s hogy mindezen fényben úszó
szerencsések csakugyan nem boldogok.
De mi ez? Várakozásomban csakugyan nem csalatkoztam;
Dalmer báró itt van! Előtte halommal áll az arany és bankjegy, ő a
banktartó. Tehát pokrócz a drága szőnyeg fölött!
A hosszú asztal alsó végén állék, Dalmer folyvást nyert, s e
szerencsében csak két férfi osztozott vele, azon ifjú, ki már kétszer
voná magára oldala mellett figyelmemet, s egy ismeretlen férfi. Hah,
ez sem ismeretlen többé előttem! Most szólott, s én e hangot azon
gyűlésben hallottam ma, mely valódi alakjában ismerteté meg velem
Dalmert. Tehát ily emberek is útat bírnak magoknak törni a
szőnyeges termekbe, kiknek pokróczot kellene szőniök valamely
javítóházban! De ki tehet erről! Szívökbe nem láthatni, s külsejök
máza oly kedveltető, hazudott neveik többnyire oly jó hangzásúak, s
ajánló ismerőseik oly hitelesek, e körökben pedig több oly ritkán
kivántatik meg, hogy jelenlétöket éppen nem lehet csodálni, s
valamely rendkívüli eseménynek tartani.
Dalmer most fölemelé szemeit, s tekintete élesen kémkedő
szemeimbe ütközött. Mintha kigyóra lépett volna, oly rángás futá
végig egész testét. Megindulása azonban csak egyetlen
másodperczig tartott, s kívülem bizonyosan senki sem veheté azt
észre, azután ismét szokott mosolylyal folytatá a játékot, azon egy
különbséggel, hogy több kártyája egymásután vesztett, s két társától
is elpártolt a szerencse, miután szemeivel sokat jelentőleg intett
nekik.
Szemeimet folyvást merően függesztém arczára s kezeire, és a
kártyák folyvást vesztettek. Alig telt el egy óranegyed, s a bank
eloszlott és a játékosak fölkeltek, rövid ideig pihenni akarván a nagy
munkától, hogy azután megújult erővel folytathassák.

Dalmer már épen a másik terembe akart surranni kisérőjével,
midőn rögtön e szókkal tartóztatám őt vissza:
– Ön ma nagyon szerencsétlen.
Ő hidegen felelt:
– Egy kis pénzveszteség csak koldust búsíthat.
– Én a mai gyűlést is értem.
– Uram –
– Minek a fölindulás. Uram, én tanuja valék önök mai gyűlésének
és mindent hallottam. Ön egészen kezemben van.
– Mit akar ön tőlem?
– Igaz választ minden kérdésemre.
– Itt?
– Itt, vagy más helyen; az nekem mindegy; de nem hagyom önt
többé kezeim közől kisiklani.
– Tehát holnap reggel nyolcz órakor szolgálatára állok önnek a
városligetben.
– Ki áll nekem jót arról, hogy meg fog ön jelenni?
– Becsületszavam.
– Ne kényszerítsen ön kaczajra, nekem szilárdabb alapon nyugvó
kezesség kell.
– Uram, ez –
– Csöndesen. Ön engem tüstént követ saját bérkocsimban
szállásomra, ha nem akarja, hogy nyilvános botrányt okozzak e
fényes termekben.

– Uram, e hang illő visszatorlást kivánna ugyan részemről, de én
jobban tudom tisztelni e helyet, mint ön, ki alkalmasint csak oly
helyeken szokott eddig megfordulni, hol minden illedéket lábbal
tapodhatni. Ezért majd számolunk ott, hol helye és ideje fog lenni.
Most pedig menjünk, ha úgy tetszik.
Dalmer néhány szót válta súgva az ifjúval s barátjával, és karját
nyújtá nekem, édes mosolylyal s nyájas beszélgetés közt ballagván
végig velem az illatos termeken. Ez engedékenysége előttem nagyon
gyanusnak tetszék, s azért minden mozdulatát legfeszültebb
figyelemmel kísértem.
Dongai grófnő előtt néhány pillanatra megállott, engem mint
legjobb barátainak egyikét mutatott be, s édes hangon mondá, hogy
rosszul érzem magamat, s azért szállásomra akar kisérni.
A grófnő néhány lekötelező szót monda, s Dalmert figyelmezteté,
hogy másnap a reggelitől el ne maradjon, és mi távozánk.
A ház előtt bérkocsimba segítém Dalmert, s rögtön utána
ugrottam. Egészen szállásomig egyetlen szót sem váltottunk. Ott
leszállék s a bárónak segítségül akarék lenni, hogy valamikép
futásnak ne eredjen; de ő máskép számolt. Alig tevém lábamat a
földre, s ő kiálta:
– Hajts, kocsis!
A kocsi elrobogott, s én csak ügyességemnek köszönhetém, hogy
lábam kerék alá nem jutott. Tüstént kiálték ugyan, de a kocsi zaja
elfojtá hangomat, s látám, hogy jól kiszámolt tervem ismét nem úgy
sült el, mint kellett volna. Azonban körmeimet már többé nem
kerülheti el, gondolám, s meglehetős megnyugvással szobámba
sieték, hol Bertók azonnal jelenté, mikép este felé egy sírásó által
kerestettem, ki azt mondá, hogy fontos ujságot kell velem közlenie, s
hogy reggel nyolcz órakor ismét eljövend. E váratlan hír rendkívül
meglepett, s előre örvendék, hogy talán újabb felfödözésnek fogok
nyomába juthatni.

Ezután kiadám Marczinak és Bertóknak a szükséges utasításokat,
hogy veszély esetén segélyemre lehessenek, mind a kettőt
fölfegyverzém, valamint magamat is, és lakásomat elhagyám.

XXXV.
Éjféli vándorlás.
Éppen háromnegyedet ütött tizenegyre, midőn az országútról a
nagyhíd-utczába hajtottam. A lég nyomasztó vala, s a csillagokat
fekete felhőrétegek burkolák; néha-néha egyes szélrohanások söprék
az utcza porát, s az emberek gyorsíták lépéseiket, hogy még a vihar
kitörése előtt szállásaikra juthassanak. A lámpákban alig pislogott a
láng, de minek is, hiszen viharos sötét éjszakákon úgyis csak
tolvajok és csavargók járnak az utczákon, ezeknek pedig nem kell
működésüket kényelmessé tenni. A német szinháztéri bódéban még
ekkor is ült néhány vendég, mohón nyelve a fagylaltot, s egyik pohár
vizet másik után öntögetve le. Én azon gondolatra jövék már
néhányszor, mikép a nagyon divatba jött fagylaltevés okozta talán,
hogy az emberek szíve most sokkal hidegebb, mint azelőtt.
Egyébiránt, ha ez nem állna is, de annyi mégis csakugyan bizonyos,
hogy azóta a betegségek száma rendkívül szaporodik.
A hídon mély csönd uralkodik, de mi mozog itt? Egy rongyos
ember csúszik föl a hídhajók egyikéből, és vigyázva surran a város
felé. Ez a nappalt bizonyosan a hajóban aludta el, s most sötét
mesterségét siet gyakorlani. Hát azon két szegény ember ugyan mit
akar? Ezek nappal teherhordással kerestek néhány garast, melynek
valamely csapszékben nyakára hágtak, s most a hídhajókba bújnak
aludni, mert szállást nem bírnak fizetni. Ezek a pesti Lazzaronik,
kiket reggel csoportonként láthatni a pesti hídfőnél, vagy a vácziút
előtti téren, munkára várakozva, ha nincs pénzök, s fogaikat henyén
barnítatva a nap által, ha van még nehány garaskájok. Hát itt ugyan
mi fekszik az úton? Egy részeg ember, ki ugyancsak dicsérheti
szerencséjét, ha valamely elkésett kocsi által össze nem gázoltatik. A

budai part egyik csatornanyílásában ugyan mi mozog? Ah, ez már a
veszélyesb tolvajok közé tartozik, kiket folyvást üldöz a rendőrség, s
kik annálfogva napjaikat ezen bűzhödt csatornákban, patkányok s
férgek közt kénytelenek eltölteni, s csak éjjel másznak elő éhségök s
rablási vágyuk kielégítésére. Ugyan meg fogja-e ezeket a kényelmes
és tiszta palotabörtön javítani, hol gond és fáradalom nélkül élik le
napjaikat, miután ezen irtózatos nyomor és szenvedés sem bírja őket
jobb útra téríteni?! De hát ez mit jelent? Ott két ember épen oly
csatornába megy, s az egyik keskeny kurta létrát visz, míg a másik
lámpával és rövid rúddal követi. Ezek saját és új nemét födözék föl a
rablásnak. A házak nagy részének udvarából ugyanis mellékcsatorna
nyílik a főcsatornába, s így ezen éji madarak a nagyból a kis
csatornába vándorolnak, ennek vas rostélyát fölemelik, s a legjobban
elzárt udvarok közepén lelik magokat, hol a nappal kiszemelt
tárgyakat összeszedik, s ugyanazon úton nyom nélkül távoznak.
Veszélyes emberek ezek, s miattok sok ártatlan cseléd esett már
súlyos lopási gyanuba, minthogy az ily rablásoknál minden nyoma
eltünik a valódi tolvajnak.
Ah, emberem már várakozik rám, most már nem púpos, hanem
karcsú, és sokkal nagyobbnak látszik, mint esti találkozásunkkor. E
változtatást alkalmasint magos kalap és magos csizmasark által
eszközlé. Némán int kezével, s én követém őt.
Mintegy ötven lépésnyire a hídtól rozzant bérkocsi áll, vezetőm
megnyitja ajtaját. Beszállás előtt számát akarom megtekinteni, de a
zöld kocsi számhelyére zöld posztó van ragasztva, s így a számot
nem láthatom. A kocsis arczát akarom tehát megvizsgálni, de elviselt
köpönyegének fölhajtott magos gallérától orrát sem láthatom.
Vezetőm föllép utánam, az ajtót becsapja, a kocsi elindul, s nem
tagadhatom, hogy e pillanatban szivem kissé erősebben dobogott,
mint különben szokott, s midőn a tűzőrcsapat mellettünk a
halászvárosban ellovagolt, már megnyitám ajkaimat, és kiáltani
akarék; de csakhamar elhatározám, hogy minden áron végére járok
e kalandnak, s mélyen hallgatva támaszkodám a kocsi mélyébe,

miután jobbomat oldalzsebemben levő pisztolyaim egyikére tevém.
Vezetőm behunyá szemeit és szunyadni látszott.
A felhők mindinkább sűrűdtek, s a sötétség annyira növekedett,
hogy alig bírám néhány ölnyire a kocsitól a tárgyakat
megkülönböztetni, csak midőn villám czikázott át a villanyos levegőn,
láthaték kissé világosabban, mert a vizivárosi lámpák oly homályosan
égtek, mintha csak azért gyujtattak volna meg, hogy az utczán
elkésettek jobban érezhessék a világosság szükségét.
Az apáczák templomán túl mindenütt legmélyebb csönd
uralkodék, egyetlen embert se lehete látni, úgy látszék, hogy itt még
tolvajok sem járnak, mintha attól tartanának, hogy ők bizonyosan
semmit nem fognak oly házakban lelni, mikben magok a lakosok
fényes nappal sem igen sokat találhatnak. Sőt még kutyaugatás sem
volt hallható, mintha azok is fölöslegesnek tartanák itt ez éjjeli
őrködést. Mondhatom, e rendkívüli elhagyatottság leverőleg hatott
rám, s beszélgetés által akarám lehangolt kedélyemet ébresztgetni,
de minden kisérletem hasztalan volt, vezetőm néma maradt, mint a
bűn.
Már a császárfürdőt is elhagytuk, s most már egészen falun
képzelém magamat a rokkant házikók és döczögős utczák
tömkelegében. Úgy látszott, hogy a kocsis szándékosan kerülé az
egyenes főutczát, mert minduntalan jobbra balra kanyarodott, s
minden pillanatban attól kelle tartanom, hogy rozzant kocsink
darabokra törik, vagy fölfordul. Mintegy óranegyedig haladánk még,
midőn az óra tizenkettőre háromnegyedet ütött, s egy hosszú villám
fényénél látám, hogy éppen az ó-budai templom irányában balra
haladunk. E villámot már tompa dörgés követé, jeléül, hogy az
égiháború már közelít, s rövid idő mulva egész dühét ki fogja
ömleszteni. Vezetőm néhány érthetlen szót monda, s a kocsis
megcsapkodá lovait, és gyorsabban haladott.
Rövid idő mulva vezetőm hozzám fordult, és hidegen szóla:

– Nagyságos uram, útunkat most már csak egy föltétel alatt
folytathatjuk.
– És az?
– Engedje szemeit bekötnöm.
– Hogyan?
– Ez mindenesetre szükséges.
– Nem teszem.
– Meg kell lenni.
– Nem.
– Tehát nincs nagyságodnak bátorsága!
– Erről ma este nem szólottál.
– Mert bátornak hittem nagyságodat.
– Mért kötném be szemeimet, midőn a sötétség miatt úgysem
láthatok?
– Tehát méltóztassék kiszállani és Pestre visszaballagni.
– Ám legyen, bekötöm szemeimet, de csak egy föltétel alatt.
– Méltóztassék.
– Előbb kezeidet megkötözöm.
– Kezeimet?
– Igen.
– Nem hittem volna, hogy nagyságos uram ily erőtlen beteges
embertől félni tudjon.
– Igen, vagy nem?

– Nem bánom.
– Legkisebb gyanus mozdulatodra tüstént keresztül lőlek.
– A mint tetszik.
E rövid megegyezés után kezeit saját kendőjével keményen
megkötözém, s azután szemeimet tulajdon kendőmmel bekötém, és
ismét néma csönd uralkodék közöttünk, melyet csak a vihar
növekedő ereje szakaszta meg.
Azt gondolám, hogy rövid idő mulva czélnál leszünk; de
csalatkoztam, mert még jó óranegyedig hajtott a kocsis, még pedig,
mikép a levegő szabadabb húzásából sejtém, most már nyilt mezőn.
Meg nem foghatám, mi szándéka lehet velem titkos vezetőmnek;
életemet azonban teljességgel nem hívém közelében veszélyeztetve,
mert első gyanus mozdulatra azonnal vérében boszulhattam volna
meg magamat. Talán csak ünnepélyesebbé akará előttem ezen
alakoskodás által ez egész jelenetet tenni, vagy valóban oly helyre
vezetett, hogy érdekében vala annak fekvését általam meg nem
ismertetni, hogy egyedül többé oda ne találhassak?
Legvalószínűbbnek tartám mindenesetre ezen utóbbi sejtésemet, s
azért pillanatról pillanatra mindinkább megnyugodtam, mert ha ő
csakugyan életemet kívánná bizonyos veszélynek kitenni, úgy
alkalmasint nem használna ily rendkívüli elővigyázatot, minthogy a
holtak nem lehetnek árulókká. Ez iránt tehát megnyugodván, Marczi
és Bertók jutottak eszembe. Hűségökről tökéletesen meg valék
győződve, de kissé mégis nyugtalankodtam, mert nem tudhatám,
hogy föltalálák-e magokat, s közel vannak-e hozzám e pillanatban,
vagy nem vesztették-e el nyomomat; azonban Bertók eleven
eszében mégis bízhatni véltem, s így meglehetős nyugalommal
rendezgetém kérdéseimet, miket Móriczhoz intézni szándékoztam,
sőt reménylém, hogy szükség esetén el is foghatom őt, mert markos
és bátor embereimmel öt vagy hat közönséges férfi ellen is bátran
merheték küzdeni; minek bekövetkezésétől egyébiránt nem igen
tarték, mert nem hihetém, hogy Móriczért, ki most nem legfényesb
viszonyokban állhatott, ennyi ember kivánta volna életét

koczkáztatni. Nyugalmam, s ezzel lélekjelenlétem tehát csakhamar
tökéletesen helyreállott, s minden aggály nélkül kezdék a
történendők elibe tekinteni.
Ekkor a kocsi megállapodott, s vezetőm szokott hidegségével
szóla:
– Méltóztassék kiszállani.
– És te?
– Követem nagyságodat.
– Czélnál vagyunk?
– Tüstént.
Kiszállottunk tehát, s én bal kezemmel azonnal megragadám
vezetőm karját, jobbommal pedig pisztolyomat elővonám.
– Hová megyünk?
– Csak néhány lépésnyire.
– Mi ez? A kocsi visszahajt.
– Csak egyet fordul, s várakozni fog ránk e helyen.
Most útunkat gyalog folytattuk, s mintegy tíz percz mulva ismét
megszólalt vezetőm:
– Czélnál vagyunk.
– Valahára!
– Méltóztassék szemeit kioldani.
– Megvan.
– Most kezeimet.
– És most?

– Köszönöm. Méltóztassék engem követni.
– Előre tehát.
E pillanatban ismét erős villám hasítá a levegőt, s tisztán
különböztethetém meg a körülöttem levő tárgyakat, s őszintén
megvallom, hogy előbbi bátorságom meglehetősen alább szállott.
Néhány hét előtt ugyanis egy párszor írt a «Pesti Hirlap» bizonyos
elhagyatott csárdáról, mely Ó-Budán túl, a légbe röpült régi
lőportorony irányában fekszik, s közönségesen «Radlwirthshaus» név
alatt ismeretes. Mondatott egyszersmind az érintett két czikkben,
hogy ezen elhagyatott romokban éjszakánként tolvajok s mindenféle
bitóra való csavargók szoktak összegyülekezni, prédájokon osztozni,
és újabb rablások fölött tervezni, miket igen kényelmesen lehet a
vörösvári közel országúton gyakorlani. E czikkelyek szerfölött
fölébreszték kiváncsiságomat, s több közrendű ó-budai emberektől
tudakozódtam néhányszor a gonosz hírű «Radlwirthshaus» titkai
felől. Hallottam ezektől, hogy majd minden hintó, mely éjjel hajt el
arra, rendesen megkönnyíttetik terhe egy részétől; hogy a csárdát
föld alatti titkos út kapcsolja a lőportorony romjaihoz; hogy ezen
utóbbiakban régi római fürdők romjai is találtatnak, melyek
bejárásánál oly fojtó a levegő, hogy senki nem merészel a
tekervényes torkolatba szállani, s hogy a csárdai rablók ide rejtik
orzott prédájokat, s azoknak testeit, kiket meggyilkolnak.
Ezen hírek nagy részét természetesen mesének tartám ugyan, de
kandiságom mégis ellenállhatlanul ösztönzött az elhagyatott csárda
megtekintésére, mit néhány ismerősöm kiséretében kevés nap mulva
csakhamar véghez is vittem.
A csárda hegy alatt áll, s azért hagyatott el, mivel a közel
hegyekről leomló vízpatakok és kövek, valahányszor egy kis
felhőszakadás volt, mindig tetemesül megrongálák az épületet, s ez
minden nyáron megtörtént egy párszor. A csárda két egymással
szemközt fekvő épületből áll, melyek rácsos kőfallal vannak
egymáshoz kapcsolva, melynek éjszaki része be van dőlve. Az egyik

épület két terjedelmes istállót foglal magában, a másiknak közepén
konyhát, balra egy, s jobbra három szobát leltünk, ajtók, ablakok és
padló nélkül; a ház alatt pedig nagy pinczét, meglehetősen elkorhadt
lépcsőkkel, s e helyeken mindenütt tüzelés nyomait, mi azt látszott
tanúsítani, hogy ismeretlen lakóik majd egyik, majd másik helyen
szoktak tanyázni. Egyébiránt, ámbár minden zúgot gondosan
kifürkésztünk, egy a padláson alvó hét vagy nyolcz éves beteg
gyermeken s néhány rongyhalmazon kívűl semmit nem találtunk, mi
különös figyelmet érdemlett volna.
És most ezen elhagyatott épület konyhájának küszöbén állottam,
legellenkezőbb indulatok árjától ostromoltatva, a nélkül, hogy
eszméim zavarában vezérgondolatot ragadhattam volna meg.
Egyedül az állott előttem tiszta világosságban, hogy most már többé
nem léphetek vissza, s mulhatlanul tovább kell haladnom.
Mellettem csak ismeretlen vezetőm volt, körülöttem átláthatlan
éjféli sötétség, fölöttem pedig perczről-perczre félelmesebben
növekedő vihar csattogott.

Csak érdeme szerint! A kiadó.
Kérem, ne sértse ön szerénységemet! A szerző.
Mire való ez a teketória?! A betüszedő.
Hát még az irót is fizetik már?! Egy olvasó.
Lábjegyzetek.
1)

TARTALOM.
Nagy Ignácz. Irta: Mikszáth Kálmán V
Bevezetés 1
I. Titkok titka 11
II. A berettyói komp 14
III. A bőrös zsidó 24
IV. A zsiványfészek 32
V. Úti képecskék 41
VI. Járdai kényelem 51
VII. Szolgafogadás 58
VIII. Szobanézés 67
IX. Szökött katona 75
IX. Rablóbarlang 81
X. Két pisztoly 90
XI. A legszebb utcza 98
XII. A halottvizsgáló 106
XIII. Dalárda 111
XIV. Hideg víz és savó 118
XV. Bottal és bot nélkül 124
XVI. Az árvák sorsa 132
XVII
. Prókátor, fiskális és ügyvéd 147
XVII
I. Temetés 167
XIX. A titkos nyomozó 175
XX. Egy reménynyel kevesebb 181
XXI. Halottrablás 187
XXII
. Jóslat 193

XXII
I. A karperecz 206
XXI
V. Utczai szemle 231
XXV. Városi csárda 238
XXV
I. Nokok és nökök 246
XXV
II. Táncziskola 253
XXV
III. Mulatság ingyen 262
XXI
X. Két halott 270
XXX. Finom gazemberek 277
XXX
I. Házaló fogorvos 286
XXX
II. Nyúlvásár 294
XXX
III. Tőr és feszület 306
XXX
IV. Szőnyeg és pokrócz 312
XXX
V. Éjféli vándorlás 323

KÉPJEGYZÉK.
Nagy Ignácz arczképe II
Berettyói komp 20
Járdai kényelem 56
Dalárda 116
Bottal és bot nélkül 130
Jóslat 201
Utczai szemle 232
Táncziskola 259
Nyúlvásár 300
Javítások.
Az eredeti szöveg helyesírásán nem változtattunk.
A nyomdai hibákat javítottuk. Ezek listája:
1 Hites Ügyvéa Hites Ügyvéd
1 tiszleltem meg tiszteltem meg
5 «Oh, uram, – Oh, uram,
11 Mive azonban Mivel azonban
40 katonái, hahahal katonái, hahaha!
67 sétálásközben úgy sétálás közben úgy
70 lehet-e ennnél lehet-e ennél
87 nagyvennyolcz egész negyvennyolcz egész
105 bogy böcsülni hogy böcsülni

118 gyögédséggel vezete gyöngédséggel vezete
140 kérdém őt kiváncsián kérdém őt kiváncsian
143 A gyermek oly – A gyermek oly
148 ügyvédi sorozatott ügyvédi sorozatot
158 el a folyamódokat el a folyamodókat
158 van fesülve van fésülve
160 – Kissé boszúsan Kissé boszúsan
161 fraczia könyvek franczia könyvek
183 Mikor a távozott Mikor távozott
212 ízmos öklei izmos öklei
220 asszonyhoz hasnnló asszonyhoz hasonló
228 mit vetettél? mit vétettél?
238 Városi esárda Városi csárda
269 szerencsétlenek testeitlszerencsétlenek testeit?
276 bizonzosan szó bizonyosan szó
283 franczia és és olasz franczia és olasz
307 barátomboz hajtaték barátomhoz hajtaték
321 fenyes termekben fényes termekben
322 valamint magam t valamint magamat
331 kiket meggyikolnak kiket meggyilkolnak
333 Utczai szemla Utczai szemle

*** END OF THE PROJECT GUTENBERG EBOOK MAGYAR TITKOK:
REGÉNY (1. KÖTET) ***
Updated editions will replace the previous one—the old editions
will be renamed.
Creating the works from print editions not protected by U.S.
copyright law means that no one owns a United States
copyright in these works, so the Foundation (and you!) can copy
and distribute it in the United States without permission and
without paying copyright royalties. Special rules, set forth in the
General Terms of Use part of this license, apply to copying and
distributing Project Gutenberg™ electronic works to protect the
PROJECT GUTENBERG™ concept and trademark. Project
Gutenberg is a registered trademark, and may not be used if
you charge for an eBook, except by following the terms of the
trademark license, including paying royalties for use of the
Project Gutenberg trademark. If you do not charge anything for
copies of this eBook, complying with the trademark license is
very easy. You may use this eBook for nearly any purpose such
as creation of derivative works, reports, performances and
research. Project Gutenberg eBooks may be modified and
printed and given away—you may do practically ANYTHING in
the United States with eBooks not protected by U.S. copyright
law. Redistribution is subject to the trademark license, especially
commercial redistribution.
START: FULL LICENSE

THE FULL PROJECT GUTENBERG LICENSE

PLEASE READ THIS BEFORE YOU DISTRIBUTE OR USE THIS WORK
To protect the Project Gutenberg™ mission of promoting the
free distribution of electronic works, by using or distributing this
work (or any other work associated in any way with the phrase
“Project Gutenberg”), you agree to comply with all the terms of
the Full Project Gutenberg™ License available with this file or
online at www.gutenberg.org/license.
Section 1. General Terms of Use and
Redistributing Project Gutenberg™
electronic works
1.A. By reading or using any part of this Project Gutenberg™
electronic work, you indicate that you have read, understand,
agree to and accept all the terms of this license and intellectual
property (trademark/copyright) agreement. If you do not agree
to abide by all the terms of this agreement, you must cease
using and return or destroy all copies of Project Gutenberg™
electronic works in your possession. If you paid a fee for
obtaining a copy of or access to a Project Gutenberg™
electronic work and you do not agree to be bound by the terms
of this agreement, you may obtain a refund from the person or
entity to whom you paid the fee as set forth in paragraph 1.E.8.
1.B. “Project Gutenberg” is a registered trademark. It may only
be used on or associated in any way with an electronic work by
people who agree to be bound by the terms of this agreement.
There are a few things that you can do with most Project
Gutenberg™ electronic works even without complying with the
full terms of this agreement. See paragraph 1.C below. There
are a lot of things you can do with Project Gutenberg™
electronic works if you follow the terms of this agreement and
help preserve free future access to Project Gutenberg™
electronic works. See paragraph 1.E below.

1.C. The Project Gutenberg Literary Archive Foundation (“the
Foundation” or PGLAF), owns a compilation copyright in the
collection of Project Gutenberg™ electronic works. Nearly all the
individual works in the collection are in the public domain in the
United States. If an individual work is unprotected by copyright
law in the United States and you are located in the United
States, we do not claim a right to prevent you from copying,
distributing, performing, displaying or creating derivative works
based on the work as long as all references to Project
Gutenberg are removed. Of course, we hope that you will
support the Project Gutenberg™ mission of promoting free
access to electronic works by freely sharing Project Gutenberg™
works in compliance with the terms of this agreement for
keeping the Project Gutenberg™ name associated with the
work. You can easily comply with the terms of this agreement
by keeping this work in the same format with its attached full
Project Gutenberg™ License when you share it without charge
with others.
1.D. The copyright laws of the place where you are located also
govern what you can do with this work. Copyright laws in most
countries are in a constant state of change. If you are outside
the United States, check the laws of your country in addition to
the terms of this agreement before downloading, copying,
displaying, performing, distributing or creating derivative works
based on this work or any other Project Gutenberg™ work. The
Foundation makes no representations concerning the copyright
status of any work in any country other than the United States.
1.E. Unless you have removed all references to Project
Gutenberg:
1.E.1. The following sentence, with active links to, or other
immediate access to, the full Project Gutenberg™ License must
appear prominently whenever any copy of a Project
Gutenberg™ work (any work on which the phrase “Project

Gutenberg” appears, or with which the phrase “Project
Gutenberg” is associated) is accessed, displayed, performed,
viewed, copied or distributed:
This eBook is for the use of anyone anywhere in the United
States and most other parts of the world at no cost and
with almost no restrictions whatsoever. You may copy it,
give it away or re-use it under the terms of the Project
Gutenberg License included with this eBook or online at
www.gutenberg.org. If you are not located in the United
States, you will have to check the laws of the country
where you are located before using this eBook.
1.E.2. If an individual Project Gutenberg™ electronic work is
derived from texts not protected by U.S. copyright law (does not
contain a notice indicating that it is posted with permission of
the copyright holder), the work can be copied and distributed to
anyone in the United States without paying any fees or charges.
If you are redistributing or providing access to a work with the
phrase “Project Gutenberg” associated with or appearing on the
work, you must comply either with the requirements of
paragraphs 1.E.1 through 1.E.7 or obtain permission for the use
of the work and the Project Gutenberg™ trademark as set forth
in paragraphs 1.E.8 or 1.E.9.
1.E.3. If an individual Project Gutenberg™ electronic work is
posted with the permission of the copyright holder, your use and
distribution must comply with both paragraphs 1.E.1 through
1.E.7 and any additional terms imposed by the copyright holder.
Additional terms will be linked to the Project Gutenberg™
License for all works posted with the permission of the copyright
holder found at the beginning of this work.
1.E.4. Do not unlink or detach or remove the full Project
Gutenberg™ License terms from this work, or any files

containing a part of this work or any other work associated with
Project Gutenberg™.
1.E.5. Do not copy, display, perform, distribute or redistribute
this electronic work, or any part of this electronic work, without
prominently displaying the sentence set forth in paragraph 1.E.1
with active links or immediate access to the full terms of the
Project Gutenberg™ License.
1.E.6. You may convert to and distribute this work in any binary,
compressed, marked up, nonproprietary or proprietary form,
including any word processing or hypertext form. However, if
you provide access to or distribute copies of a Project
Gutenberg™ work in a format other than “Plain Vanilla ASCII” or
other format used in the official version posted on the official
Project Gutenberg™ website (www.gutenberg.org), you must,
at no additional cost, fee or expense to the user, provide a copy,
a means of exporting a copy, or a means of obtaining a copy
upon request, of the work in its original “Plain Vanilla ASCII” or
other form. Any alternate format must include the full Project
Gutenberg™ License as specified in paragraph 1.E.1.
1.E.7. Do not charge a fee for access to, viewing, displaying,
performing, copying or distributing any Project Gutenberg™
works unless you comply with paragraph 1.E.8 or 1.E.9.
1.E.8. You may charge a reasonable fee for copies of or
providing access to or distributing Project Gutenberg™
electronic works provided that:
• You pay a royalty fee of 20% of the gross profits you derive
from the use of Project Gutenberg™ works calculated using the
method you already use to calculate your applicable taxes. The
fee is owed to the owner of the Project Gutenberg™ trademark,
but he has agreed to donate royalties under this paragraph to
the Project Gutenberg Literary Archive Foundation. Royalty

payments must be paid within 60 days following each date on
which you prepare (or are legally required to prepare) your
periodic tax returns. Royalty payments should be clearly marked
as such and sent to the Project Gutenberg Literary Archive
Foundation at the address specified in Section 4, “Information
about donations to the Project Gutenberg Literary Archive
Foundation.”
• You provide a full refund of any money paid by a user who
notifies you in writing (or by e-mail) within 30 days of receipt
that s/he does not agree to the terms of the full Project
Gutenberg™ License. You must require such a user to return or
destroy all copies of the works possessed in a physical medium
and discontinue all use of and all access to other copies of
Project Gutenberg™ works.
• You provide, in accordance with paragraph 1.F.3, a full refund of
any money paid for a work or a replacement copy, if a defect in
the electronic work is discovered and reported to you within 90
days of receipt of the work.
• You comply with all other terms of this agreement for free
distribution of Project Gutenberg™ works.
1.E.9. If you wish to charge a fee or distribute a Project
Gutenberg™ electronic work or group of works on different
terms than are set forth in this agreement, you must obtain
permission in writing from the Project Gutenberg Literary
Archive Foundation, the manager of the Project Gutenberg™
trademark. Contact the Foundation as set forth in Section 3
below.
1.F.
1.F.1. Project Gutenberg volunteers and employees expend
considerable effort to identify, do copyright research on,
transcribe and proofread works not protected by U.S. copyright

law in creating the Project Gutenberg™ collection. Despite these
efforts, Project Gutenberg™ electronic works, and the medium
on which they may be stored, may contain “Defects,” such as,
but not limited to, incomplete, inaccurate or corrupt data,
transcription errors, a copyright or other intellectual property
infringement, a defective or damaged disk or other medium, a
computer virus, or computer codes that damage or cannot be
read by your equipment.
1.F.2. LIMITED WARRANTY, DISCLAIMER OF DAMAGES - Except
for the “Right of Replacement or Refund” described in
paragraph 1.F.3, the Project Gutenberg Literary Archive
Foundation, the owner of the Project Gutenberg™ trademark,
and any other party distributing a Project Gutenberg™ electronic
work under this agreement, disclaim all liability to you for
damages, costs and expenses, including legal fees. YOU AGREE
THAT YOU HAVE NO REMEDIES FOR NEGLIGENCE, STRICT
LIABILITY, BREACH OF WARRANTY OR BREACH OF CONTRACT
EXCEPT THOSE PROVIDED IN PARAGRAPH 1.F.3. YOU AGREE
THAT THE FOUNDATION, THE TRADEMARK OWNER, AND ANY
DISTRIBUTOR UNDER THIS AGREEMENT WILL NOT BE LIABLE
TO YOU FOR ACTUAL, DIRECT, INDIRECT, CONSEQUENTIAL,
PUNITIVE OR INCIDENTAL DAMAGES EVEN IF YOU GIVE
NOTICE OF THE POSSIBILITY OF SUCH DAMAGE.
1.F.3. LIMITED RIGHT OF REPLACEMENT OR REFUND - If you
discover a defect in this electronic work within 90 days of
receiving it, you can receive a refund of the money (if any) you
paid for it by sending a written explanation to the person you
received the work from. If you received the work on a physical
medium, you must return the medium with your written
explanation. The person or entity that provided you with the
defective work may elect to provide a replacement copy in lieu
of a refund. If you received the work electronically, the person
or entity providing it to you may choose to give you a second
opportunity to receive the work electronically in lieu of a refund.

If the second copy is also defective, you may demand a refund
in writing without further opportunities to fix the problem.
1.F.4. Except for the limited right of replacement or refund set
forth in paragraph 1.F.3, this work is provided to you ‘AS-IS’,
WITH NO OTHER WARRANTIES OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO WARRANTIES OF
MERCHANTABILITY OR FITNESS FOR ANY PURPOSE.
1.F.5. Some states do not allow disclaimers of certain implied
warranties or the exclusion or limitation of certain types of
damages. If any disclaimer or limitation set forth in this
agreement violates the law of the state applicable to this
agreement, the agreement shall be interpreted to make the
maximum disclaimer or limitation permitted by the applicable
state law. The invalidity or unenforceability of any provision of
this agreement shall not void the remaining provisions.
1.F.6. INDEMNITY - You agree to indemnify and hold the
Foundation, the trademark owner, any agent or employee of the
Foundation, anyone providing copies of Project Gutenberg™
electronic works in accordance with this agreement, and any
volunteers associated with the production, promotion and
distribution of Project Gutenberg™ electronic works, harmless
from all liability, costs and expenses, including legal fees, that
arise directly or indirectly from any of the following which you
do or cause to occur: (a) distribution of this or any Project
Gutenberg™ work, (b) alteration, modification, or additions or
deletions to any Project Gutenberg™ work, and (c) any Defect
you cause.
Section 2. Information about the Mission
of Project Gutenberg™

Project Gutenberg™ is synonymous with the free distribution of
electronic works in formats readable by the widest variety of
computers including obsolete, old, middle-aged and new
computers. It exists because of the efforts of hundreds of
volunteers and donations from people in all walks of life.
Volunteers and financial support to provide volunteers with the
assistance they need are critical to reaching Project
Gutenberg™’s goals and ensuring that the Project Gutenberg™
collection will remain freely available for generations to come. In
2001, the Project Gutenberg Literary Archive Foundation was
created to provide a secure and permanent future for Project
Gutenberg™ and future generations. To learn more about the
Project Gutenberg Literary Archive Foundation and how your
efforts and donations can help, see Sections 3 and 4 and the
Foundation information page at www.gutenberg.org.
Section 3. Information about the Project
Gutenberg Literary Archive Foundation
The Project Gutenberg Literary Archive Foundation is a non-
profit 501(c)(3) educational corporation organized under the
laws of the state of Mississippi and granted tax exempt status
by the Internal Revenue Service. The Foundation’s EIN or
federal tax identification number is 64-6221541. Contributions
to the Project Gutenberg Literary Archive Foundation are tax
deductible to the full extent permitted by U.S. federal laws and
your state’s laws.
The Foundation’s business office is located at 809 North 1500
West, Salt Lake City, UT 84116, (801) 596-1887. Email contact
links and up to date contact information can be found at the
Foundation’s website and official page at
www.gutenberg.org/contact

Section 4. Information about Donations to
the Project Gutenberg Literary Archive
Foundation
Project Gutenberg™ depends upon and cannot survive without
widespread public support and donations to carry out its mission
of increasing the number of public domain and licensed works
that can be freely distributed in machine-readable form
accessible by the widest array of equipment including outdated
equipment. Many small donations ($1 to $5,000) are particularly
important to maintaining tax exempt status with the IRS.
The Foundation is committed to complying with the laws
regulating charities and charitable donations in all 50 states of
the United States. Compliance requirements are not uniform
and it takes a considerable effort, much paperwork and many
fees to meet and keep up with these requirements. We do not
solicit donations in locations where we have not received written
confirmation of compliance. To SEND DONATIONS or determine
the status of compliance for any particular state visit
www.gutenberg.org/donate.
While we cannot and do not solicit contributions from states
where we have not met the solicitation requirements, we know
of no prohibition against accepting unsolicited donations from
donors in such states who approach us with offers to donate.
International donations are gratefully accepted, but we cannot
make any statements concerning tax treatment of donations
received from outside the United States. U.S. laws alone swamp
our small staff.
Please check the Project Gutenberg web pages for current
donation methods and addresses. Donations are accepted in a
number of other ways including checks, online payments and

credit card donations. To donate, please visit:
www.gutenberg.org/donate.
Section 5. General Information About
Project Gutenberg™ electronic works
Professor Michael S. Hart was the originator of the Project
Gutenberg™ concept of a library of electronic works that could
be freely shared with anyone. For forty years, he produced and
distributed Project Gutenberg™ eBooks with only a loose
network of volunteer support.
Project Gutenberg™ eBooks are often created from several
printed editions, all of which are confirmed as not protected by
copyright in the U.S. unless a copyright notice is included. Thus,
we do not necessarily keep eBooks in compliance with any
particular paper edition.
Most people start at our website which has the main PG search
facility: www.gutenberg.org.
This website includes information about Project Gutenberg™,
including how to make donations to the Project Gutenberg
Literary Archive Foundation, how to help produce our new
eBooks, and how to subscribe to our email newsletter to hear
about new eBooks.

Welcome to Our Bookstore - The Ultimate Destination for Book Lovers
Are you passionate about books and eager to explore new worlds of
knowledge? At our website, we offer a vast collection of books that
cater to every interest and age group. From classic literature to
specialized publications, self-help books, and children’s stories, we
have it all! Each book is a gateway to new adventures, helping you
expand your knowledge and nourish your soul
Experience Convenient and Enjoyable Book Shopping Our website is more
than just an online bookstore—it’s a bridge connecting readers to the
timeless values of culture and wisdom. With a sleek and user-friendly
interface and a smart search system, you can find your favorite books
quickly and easily. Enjoy special promotions, fast home delivery, and
a seamless shopping experience that saves you time and enhances your
love for reading.
Let us accompany you on the journey of exploring knowledge and
personal growth!
ebookball.com

One Lead ECG Based Personal Identification with Feature Subspace Ensembles 1st Edition by Hugo Silva, Hugo Gamboa, Ana Fred 9783540734987

About This Presentation

Slide Content

Tags

Categories

Download

Quick Actions

Statistics

Related Slideshows

One Lead ECG Based Personal Identification with Feature Subspace Ensembles 1st Edition by Hugo Silva, Hugo Gamboa, Ana Fred 9783540734987

About This Presentation

Slide Content

Slide 1

Slide 2

Slide 3

Slide 4

Slide 5

Slide 6

Slide 7

Slide 8

Slide 9

Slide 10

Slide 11

Slide 12

Slide 13

Slide 14

Slide 15

Slide 16

Slide 17

Slide 18

Slide 19

Slide 20

Slide 21

Slide 22

Slide 23

Slide 24

Slide 25

Slide 26

Slide 27

Slide 28

Slide 29

Slide 30

Slide 31

Slide 32

Slide 33

Slide 34

Slide 35

Slide 36

Slide 37

Slide 38

Slide 39

Slide 40

Slide 41

Slide 42

Slide 43

Slide 44

Slide 45

Slide 46

Slide 47

Slide 48

Slide 49

Slide 50

Slide 51

Slide 52

Slide 53

Slide 54

Tags

Categories

Download

Quick Actions

Statistics

Related Slideshows

TLE-9-Prepare-Salad-and-Dressing.pptxkkk

LESSON 1 ABOUT MEDIA AND INFORMATION.pptx

GRADE-8-AQUACULTURE-WEEKQ1.pdfdfawgwyrsewru

Feelings PP Game FOR CHILDREN IN ELEMENTARY SCHOOL.pptx

Jeopardy_Figures_of_Speech_Template.pptx [Autosaved].pptx

Jeopardy_Figures_of_Speech.pptxvdsvdsvsdvsd