KR100750662B1 - 심전도를 이용한 생체인식 시스템 및 방법 - Google Patents

Abstract

본 발명은 리드Ⅲ 심전도 파형을 이용하여 사용자 인식을 행하는 심전도를 이용한 생체인식 시스템 및 방법을 제공하는 것으로, 생체인식 방법은, 해당 사용자의 리드Ⅲ 심전도 파형을 입력받아 이의 기저선 잡음을 제거하는 제1 단계; 각 파형의 기본 형태를 결정한 후, 사용자에 따른 전체 파형의 기본형태를 결정하는 제2 단계; 각각의 파형의 꼭지점을 검사하여 꼭지점의 개수를 바탕으로 파형의 기본형태 변화를 판단하여 해당 파형을 분류하는 제3 단계; 파형이 분류되면 사용자 인식을 위해 해당 파형의 특징을 추출하는 제4 단계; 상기 추출된 특징을 바탕으로 기정해져 있는 가중치에 의해 사용자를 인식할 수 있는 인식정보를 생성하는 제5 단계; 상기 인식정보를 바탕으로 사용자 인식을 행하는 제6 단계로 이루어진다.

생체인식, 심전도, 리드Ⅲ 파형, 특징 추출, 신경회로망

Description

심전도를 이용한 생체인식 시스템 및 방법{A BIOMETICS SYSTEM AND METHOD USING ELECTROCARDIOGRAM}

도 1은 일반적인 심전도 측정법의 예를 나타낸 도.

도 2는 본 발명에 따른 심전도를 이용한 생체인식 시스템의 구성도.

도 3은 도 2의 특징 형상 추출부의 상세 구성도.

도 4는 본 발명의 동작 흐름도.

도 5는 종래 IIR대역필터를 이용한 기저선 잡음제거신호를 나타낸 도.

도 6은 종래 IIR대역필터에 의한 심전도 파형의 왜곡을 설명하기 위한 도.

도 7은 본 발명에서 정의된 파형의 기본형태를 나타낸 도.

도 8은 본 발명에서의 TC증가에 따른 UTL과 LTL의 변화를 나타낸 도.

도 9는 본 발명에서의 꼭지점 분석의 예를 나타낸 도.

도 10은 본 발명에서의 타입1에 대한 파형의 간격 추출의 예도.

도 11은 본 발명에서 정의된 파형의 세부형상을 나타낸 도.

도 12는 본 발명에서의 특징 추출 결과를 나타낸 도.

도 13은 본 발명에서의 신경회로망의 개략적 구조도.

도 14는 본 발명의 테스트 패턴 환경을 나타낸 도.

도 15는 본 발명의 실험을 위한 대표적인 파형을 나타낸 도.

도 16은 본 발명에서의 테스트 파형 형태를 나타낸 도.

도 17은 본 발명에서의 테스트 패턴의 출력 결과를 나타낸 표.

<도면의 주요부분에 대한 부호의 설명>

100 : 입력부 200 : 특징 형상 추출부

210 : 기저선 잡음 제거부 220 : 파형 분류기

230 : 특징 추출부 300 : 신경회로망

400 : 메모리 500 : 제어부

600 : 출력부

본 발명은 심전도를 이용한 생체인식 시스템 및 방법에 관한 것으로, 특히 심전도(Electrocardiogram : ECG) 파형 중 리드 Ⅲ(Limb Lead Ⅲ) 파형을 이용하여 사용자 인식을 행하는 심전도를 이용한 생체인식 시스템 및 방법에 관한 것이다.

일반적으로, 생체인식기술(Biometics)이란 인간의 생리학적 또는 행동상의 특성을 기반으로 개개인만의 독특한 특징을 본인확인을 위한 측정단위로 활용하는 기술을 말한다. 즉, 인간의 생체적 특징을 자동화된 장치를 거쳐 신원확인에 이용하는 기술분야이다.

생체인식기술은 인식되는 사람이 인식 시점에 실제로 존재해야 하고 아울러 패스워드를 기억하거나 패스키를 가지고 다녀야하는 필요성을 없애주기 때문에 기존의 패스워드나 비밀번호를 이용한 신원확인 방법보다 더 안전하고 편리하다. 생체인식에 활용되는 생체부분은 지문, 망막, 홍채, 안면, 손, 정맥, 목소리, 서명, 몸냄새, DNA 등 다양하나 현재 가장 대중적으로 많이 이용되는 부분은 지문, 음성, 홍채, 안면을 이용하는 생체인식이다.

특히, 지문인식은 많은 어플리케이션에 성공적으로 이용되어온 가장 오래된 기술 중에 하나이다. 지문은 땀샘에 융기되어 일정한 흐름을 형성한 것으로 그 형태가 개인마다 서로 다르고 태어날때의 모습 그대로 평생 동안 변하지 않는 고유한 특성 때문에 식별 성능에 대한 신뢰도와 안정도에 있어서 망막(Retina), 홍채(Iris), 혈관(Vein), 안면(Face) 등의 수단보다 높은 것으로 평가되어 효율적인 개인 인증 방법으로 이용되고 있다.

일반적으로 종래의 지문인식 방법으로는 크게 세선화나 주파수 공간에서의 푸리에 변환이나 웨이브릿변환, 또는 신경회로망이나 퍼지논리에 의한 것 등이 있으며, 이들은 대부분 잡음을 줄이는 전처리와 보정과정의 후처리를 필요로하게 된다. 또한, 이들간에는 구문론적 방법이나 통계적, 규칙 기반적, 신경회로망 구성등의 방법이 혼재되어 사용되는 것이 일반적이며, 특징적인 방법으로 체인코드나 융선 추적등이 사용된다. 이러한 종래의 특징점 기반의 지문인식 알고리즘은 지문영상의 해상도, 화소값 분포특성, 지문입력센서의 센싱 방식이 틀려지면 동일인의 지문영상이라 하여도 추출된 특징점에 기하학적인 변형이 발생하여 적절한 인식을 보 장할 수 없는 문제점이 있고, 융선개수정보추출 및 사용방법은 지문의 회전과 국부적인 변형에 취약하며, 재현성이 떨어진다는 문제점이 있다.

망막 스캐닝 기술은 인간의 망막 내의 혈관 패턴을 평가한다. 이 기술의 단점은 알콜이 혈액에 포함되거나 안경 또는 콘택트 렌즈를 불규칙적으로 사용하는 경우에 현관 패턴이 시간에 따라 변경될 수 있다는 것이다. 또한, 사용자는 망막 스캐닝이 수행되는 동안 눈이 조명되는 것에 불편함을 느낄 수 있고, 눈과 스캐닝 장치가 접촉하여 눈이 오염될 가능성도 있다.

식별 특성으로서 음성 패턴을 이용하는 것은 시간에 따라 인간 음성의 변화가 광범위하다는 것과 평가가 이루어지는 동안 배경 잡음이 존재할 수 있으며, 위조자가 허가된 개인의 음성을 녹음하여 시스템을 기만할 가능성이 있다는 단점이 있다.

또한, 안면 인식(Face Recognition) 기술은 영상인식 및 머신 비전 분야에서 중요한 위치를 차지하고 있으며, 최근 들어 휴먼 인터페이스를 위한 차세대 생체인식 알고리즘으로서 더욱 활발한 연구가 진행되고 있으나, 안면인식 역시 변조가 가능하다는 단점이 있다.

한편, 오늘날 언제 어디서나 시간과 장소에 구애 받지 않고 네트워크에 접속해 인터넷과 멀티미디어를 즐기는 이른바 "유비쿼터스환경"에 대해 이슈가 되고 있다. 그와 동시에 그것을 의료장비에 접목하여 실시간으로 질병과 건강상태를 체크하고 위험상황에 대처하려는 움직임은 고령화 사회에서 필수적인 요소가 되고 있다. 그러기 위해서는 개인별 맞춤형 의료기기의 개발이 우선되어야 한다.

일반적으로 심전도는 심장의 수축에 따른 활동전류를 곡선으로 표시, 기록한 것으로 심장 근육의 미세한 전류를 증폭하므로 사람마다 반복성이 있는 다른 특성을 보이게 되며, 변조가 불가능하고 무자극이며 단채널로도 생체인식이 가능하기 때문에 차세대 생체인식 기술로 발전할 가능성이 있으며, 이러한 심전도는 심장질환 진단에 사용되는 가장 기본적인 진단도구이며, 심장질환 진단에는 주로 심전도 파형 중 리드Ⅱ 파형을 이용한다.

심전도는 도 1에 나타난 바와 같이 측정 부위나 전극의 수에 따라 양손(제1유도), 오른손과 왼발(제2유도), 왼손과 왼발(제3유도)의 표준유도 외 흉부유도, 단극유도 등이 있다.

심전도 파형은 사람마다 조금씩 차이가 있으며 동일인의 경우에도 몸의 상태나 측정환경, 특히 노이즈에 큰 차이를 보인다. 따라서, 정확한 진단을 위한 표준화된 규칙을 정의하기가 쉽지 않아 현재의 심전도 파형 검사로는 개인에 따른 정밀 진단이 어려웠다.

자동화된 개인별 맞춤형 진단을 위해서는 측정대상에 대한 생체인식 기술이 필수적이다. 심장질환의 자동진단을 위한 연구는 현재까지 꾸준히 진행되고 있는 상황이며, 현재 측정자의 연령대나 남녀 성별을 고려한 진단방법은 일부 연구되었으나, 개인별 특징을 고려한 진단방법은 개발되지 못한 상황이다.

따라서 본 발명은 이러한 점을 감안한 것으로, 본 발명은 심전도 파형 중 상 대적으로 우수한 재현성을 갖고 있는 리드Ⅲ(제3유도) 파형의 특징들을 추출, 신경회로망을 이용하여 사용자 인식을 수행함으로써 변조가 불가능함은 물론 개인별 특징을 고려한 심전도를 이용한 생체인식 시스템 및 방법을 제공함에 그 목적이 있다.

상기 목적을 달성하기 위한 본 발명에 따른 심전도를 이용한 생체인식 시스템은, 입력수단을 통해 입력되는 심전도 파형으로부터 잡음을 제거한 후, 사용자 인식을 위한 특징형상 추출을 행하는 특징 형상 추출수단과; 상기 특징 형상 추출수단에서 추출된 특징값들의 학습에 의해 각 특징과 사용자와의 관계를 가중치값으로 정하고, 이 가중치를 이용하여 해당 사용자를 인식할 수 있는 인식정보를 생성하는 신경회로망; 상기 신경회로망에서 얻어지는 가중치값이 저장되는 메모리수단; 상기 신경회로망으로부터의 인식정보에 따라 해당 사용자의 인식을 행하는 제어수단을 포함하는 것을 특징으로 한다.

상기 특징 형상 추출수단은 상기 입력수단을 통해 입력되는 사용자의 심전도 파형의 기저선 잡음을 제거하는 기저선 잡음 제거부; 상기 기저선 잡음 제거부를 통해 기저선 잡음이 제거된 심전도 파형을 그 형태에 따라 세 가지의 기본형태로 분류한 후, 사용자에 따른 전체 파형의 기본형태를 결정하는 파형 분류기; 상기 기저선 잡음 제거부와 파형 분류기를 통해 잡음이 제거됨과 더불어 파형의 기본형태가 결정된 해당 파형에 대하여 사용자 인식을 위한 정보로 사용될 소정 개수의 특 징을 추출하는 특징 추출부;로 구성됨을 특징으로 한다.

상기 기저선 잡음 제거부는 피크점을 기준으로 한 파형씩 분리추출하여 각 파형의 평균값을 새로운 기저선 값으로 사용하여 기저선의 잡음을 제거하며, 상기 파형 분류기는 사용자에 따른 전체 파형의 기본형태 결정 후, 결정된 전체 파형의 기본 형태를 각각의 파형의 기본 형태와 다시 비교하면서 그 기본형태가 다른 파형은 잡음이 포함된 신호로 판단하여 제거하도록 되며, 또한 상기 전체 파형의 기본 형태 결정 후, 각각의 파형의 꼭지점을 검사하여 꼭지점의 개수를 바탕으로 한 파형의 기본형태 변화를 판단하여 기본형태가 다를 경우 해당 파형은 잡음을 포함한 신호로 판단하여 제거하도록 된 것을 특징으로 한다.

상기 목적을 달성하기 위한 본 발명의 심전도를 이용한 생체인식 방법은, 해당 사용자의 심전도 파형을 입력받아 이의 기저선 잡음을 제거하는 제1 단계; 각 파형의 기본 형태를 결정한 후, 사용자에 따른 전체 파형의 기본형태를 결정하는 제2 단계; 각각의 파형의 꼭지점을 검사하여 꼭지점의 개수를 바탕으로 파형의 기본형태 변화를 판단하여 해당 파형을 분류하는 제3 단계; 파형이 분류되면 사용자 인식을 위해 해당 파형의 특징을 추출하는 제4 단계; 상기 추출된 특징을 바탕으로 기정해져 있는 가중치에 의해 사용자를 인식할 수 있는 인식정보를 생성하는 제5 단계; 상기 인식정보를 바탕으로 사용자 인식을 행하는 제6 단계;로 이루어짐을 특징으로 한다.

이하, 본 발명을 첨부된 도면을 참조로 하여 보다 상세하게 설명한다. 단, 하기 실시예는 본 발명을 예시하는 것일 뿐 본 발명의 내용이 하기 실시예에 한정 되는 것은 아니다.

도 2는 본 발명에 따른 심전도를 이용한 생체인식 시스템의 블록 구성도를 나타낸 것이다.

도시한 바와 같이, 사용자의 리드Ⅲ 심전도 파형을 입력받는 입력부(100), 상기 입력부(100)를 통해 입력된 리드Ⅲ 심전도 파형으로부터 잡음을 제거한 후, 사용자 인식을 위한 특징형상 추출을 행하는 특징 형상 추출부(200), 상기 특징 형상 추출부(200)에서 추출된 특징값들의 학습에 의해 각 특징과 사용자와의 관계를 가중치(Weight)값으로 정하고, 이 가중치를 이용하여 해당 사용자를 인식할 수 있는 인식정보를 생성하는 신경회로망(300), 상기 신경회로망(300)에서 얻어지는 가중치값이 저장되는 메모리(400), 상기 신경회로망(300)으로부터의 인식정보에 따라 해당 사용자의 인식을 행하는 제어부(500), 상기 제어부(500)의 제어에 따라 심전도를 이용한 생체인식시스템의 전반적인 상태 및 제어부(500)에서의 사용자 인식결과에 따른 메시지 등을 표시하는 출력부(600)로 구성된다.

상기 특징 형상 추출부(200)는 도 3에 도시한 바와 같이, 상기 입력부(100)를 통해 입력되는 사용자의 리드Ⅲ의 심전도 파형의 피크점을 기준으로 한 파형씩 분리추출하여 각 파형의 평균값을 새로운 기저선 값으로 사용하여 기저선(Baseline)의 잡음을 제거하는 기저선 잡음 제거부(210), 상기 기저선 잡음 제거부(210)를 통해 기저선 잡음이 제거된 리드Ⅲ 심전도 파형을 그 형태에 따라 세 가지의 기본형태로 분류한 후, 사용자에 따른 전체 파형의 기본형태를 결정하면서 잡음이 포함된 신호를 제거하며, 파형의 기본형태 결정 후, 각각의 파형의 꼭지점을 검 사하여 꼭지점의 개수를 바탕으로 해당 파형의 잡음을 제거하는 파형 분류기(220), 상기 기저선 잡음 제거부(210)와 파형 분류기(220)를 통해 잡음이 제거됨과 더불어 파형의 기본형태가 결정된 해당 파형에 대하여 파형의 간격(Interval)과 세부 형상(Detail Shape)을 이용하여 사용자 인식을 위한 정보로 사용될 열일곱 가지의 특징을 추출하는 특징 추출부(230)로 구성된다.

이와 같이 구성된 본 발명의 심전도를 이용한 생체인식 시스템의 동작에 대하여 도 4의 흐름도와 함께 설명한다.

먼저, 본 발명에서는 심전도 파형에서 사용자 인식을 위한 특징 형상(Feature)을 추출하기 위해서 잡음성분의 제거가 우선되어야 하며, 잡음성분은 파형의 기저선 잡음제거, 파형의 타입 결정을 통한 잡음 제거 및 꼭지점 분석의 세가지 과정을 통하여 제거된다.

즉, 입력부(100)를 통해 사용자의 리드Ⅲ 심전도 파형이 입력되면(S101) 이는 특징 형상 추출부(200)로 입력되어 특징 형상의 추출이 이루어지게 된다.

특징 형상의 추출을 위해서는 먼저, 기저선 잡음 제거부(210)를 통해 기저선의 잡음 제거가 이루어지게 된다(S103).

기존에는 기저선의 잡음제거를 위하여 1~50[Hz] IIR대역필터가 많이 사용되었다. 대역필터는 도 5b와 같이 노이즈로 인해 기저선 변동이 있는 경우 잡음제거에는 효과가 있으나, 도 6에 나타낸 바와 같이 파형의 중요한 특징이 되는 꼭지점과 신호 간격 등이 왜곡될 수 있다.

따라서 본 발명에서는 유동 기저선(Dynamic Baseline) 법을 제안한다. 이 알 고리즘은 연속적으로 나오는 심전도 파형의 피크점을 기준으로 한 파형씩 분리추출하여 각 파형의 평균값을 새로운 기저선 값으로 사용하는 것이다. 이 경우 잡음에 의한 기저선의 변동에 대하여 각각의 파형마다 조정된 기저선을 사용하므로 잡음제거를 통한 왜곡 없이 원신호의 형태를 유지할 수 있다.

상기 기저선 잡음 제거부(210)를 통한 기저선의 잡음 제거 후, 파형 분류기(220)에 의해 파형의 기본형태가 결정되어 파형이 분류된다.

즉, 기저선 잡음이 제거된 신호는 그 형태에 따라 도 7과 같이 세 가지 기본형태(Base type)로 분류된다. 파형을 세 가지 기본형태로 분류하는 이유는 파형마다 특징 추출방법에 차이가 있기 때문이다. 예를 들면, 타입3(type3)은 타입1(type1)과 타입2(type2)와 같이 신호가 아래로 떨어지는 형태가 없으므로 파형의 신호 간격 빈도를 결정하는 방법이 달라진다.

또한, 측정인의 파형형태는 잡음이나 신체변화를 제외하고는 변하지 않으므로, 측정 중 파형의 기본형태가 바뀌는 신호는 잡음성분이 포함된 신호로 판단되어 인식을 위한 정보에서 제거할 수 있다.

파형의 기본형태 분류를 위해 UTL(Upper Threshold Line)과 LTL(Lower Threshold Line)을 아래 식(1),(2)과 같이 정의하였다(S105). 이들 값은 꼭짓점과 간격(Interval)등의 파형특징을 추출하기위한 기준점이 된다.

UTL=기저선값+TC×(최대피크값+기저선값) (1)

LTL=기저선값 - ┃ UTL-기저선값 ┃ (2)

여기서, TC(Threshold Coefficient)는 0.3∼0.9의 값을 갖는다. TC의 초기값 은 0.3이다. 그 다음 TC의 값을 0.1씩 증가시키며 파형을 조사하여 파형의 타입의 변화가 생기는지 판단하게 된다. TC가 증가하게 되면 도 8에서 보는 바와 같이 UTL과 LTL의 간격이 넓어지게 된다.

UTL은 최대 피크점을 넘지 않으며, 최종적으로 파형의 기본형태가 바뀐 시점에서의 TC값을 이용한다.

각 파형의 기본형태가 결정되면 사용자에 따른 전체 파형의 기본형태를 결정하게 된다(S107,S109). 결정된 전체 파형의 기본형태는 각각의 파형의 기본형태와 다시 비교하면서 그 기본형태가 다른 파형은 잡음이 포함된 신호로 판단되어 제거하게 된다.

파형의 기본형태가 결정되면 각각의 파형의 꼭지점을 검사하게 된다. 꼭지점의 추출은 파형이 TL(Threshold Line)을 넘어서는 순간부터 샘플링 된 두개의 점에서 미분을 취하여 부호의 변동을 체크한다.

도 9에서와 같이 a1의 미분변화율 부호는 '+' 이며, a2의 미분변화률의 분호는 '-'이다. 두 미분변화율의 부호가 서로 바뀌는 (b)지점을 꼭지점으로 인식하게 된다. 여기서 얻어진 꼭지점의 수는 바로 앞 파형의 평균 꼭지점의 수와 비교되며, 꼭지점의 차이가 4이상일 경우 TC를 0.1증가시킨 후, 파형 분류기(220)에서 파형을 분류하게 되며, 파형 분류기(220)에서는 파형의 기본형태 변화를 판단하여 기본형태가 다를 경우 그 파형은 잡음을 포함한 신호로 판단하여 제거한다(S111,S113).

잡음이 제거된 신호는 특징 추출부(230)에 의해 파형의 세부형상과 간격을 이용하여 열일곱 가지의 특징이 추출된다(S115).

파형의 간격은 파형의 기본형태에 따라 추출방법이 달라진다. 도 10은 타입1의 파형에 대한 간격(Interval) 추출의 예이다. 도 10a는 UTL을 기준으로, 도 10b는 LTL을 기준으로, 도 10c는 기저선(base line)을 기준으로 파형의 간격을 추출하게 된다. 그러나 타입3의 경우는 도 10b와 같은 간격은 구할 수 없으므로 도 10a와 도 10c의 형태를 갖는 간격만을 파형의 특징으로 추출하게 된다.

이후, 파형의 세부 형상을 추출하게 된다.

파형의 세부 형상은 전체적으로 파형이 어떤 형상인가를 기저선을 중심으로 기저선 위쪽과 아래쪽 신호에 대해 각각 검사하여 신호에 대한 형상특징으로 이용한다. 파형형상은 도 11과 같이 총 여덟 가지로 정의하였다.

도 11의 (a) 내지 (c)는 기저선을 기준으로 파형의 위쪽 형상에 대해 정의하며, 도 11의 (d) 내지 (f)는 기저선을 기준으로 파형의 아래쪽 형상을 정의한다. 그리고 도 11의 (g), (h)는 최소점의 위치가 최대 피크점을 기준으로 앞에 있는지 혹은 뒤에 있는지를 판단하기 위한 형상으로 타입3의 형태를 갖는 측정인들의 심전도 신호에서 특징을 추출하는데 유용하다.

예를 들어, 도 6에 나타난 파형을 특징추출을 위해 분류하자면, 기본형태는 도 7의 타입3에 해당하며, 세부형상은 도 11c에 해당하게 된다. 그리고 최소점이 최대 피크점을 기준으로 왼쪽에 있으므로 도 11g에 해당한다.

파형의 간격 및 세부형상을 분류하는 방법으로 본 발명에서는 총 17개의 특징들을 추출하였다. 도 12는 도 6에 나타난 파형에 대해 17개의 특징을 추출한 결과 값이다. 도 12의 항목 a는 파형의 기본형태에 대한 평균값으로 일부신호에 잡음 이 있어 파형의 형태가 다르게 결정된 기록이 있다면 그 값이 소수점으로 나오게 된다. 항목b는 항목a에서 나온 타입값을 정수로 표현해준 것이다. 항목c는 꼭지점의 개수이며, 항목d와 항목e는 기저선에서 최대 피크점까지의 크기와 기저선에서 최소 피크점까지의 값을 각각 나타낸다. 항목f는 항목d와 항목e의 비율값을 나타내고, 항목 g 내지 i는 도 10에서 정의된 파형의 간격값들이며, 항목j 내지 q는 도 11에 정의된 여덟 가지 세부형상에 대한 정보를 포함한다.

이와 같이, 특징이 추출되면 이는 제어부(500)를 통해 신경회로망(300)에 입력되며, 신경회로망(300)에서는 이미 학습에 의해 기정해져 메모리(400)에 저장되어 있는 가중치에 의해 사용자를 인식할 수 있는 인식정보를 생성하게 된다(S117). 이 인식정보를 바탕으로 제어부(500)에서 해당 사용자의 인식을 행하게 되며(S119), 제어부(500)의 제어에 따라 출력부(600)에 사용자 인식결과에 따른 메시지 등이 출력된다.

여기서, 상기 신경회로망(300)에 대하여 간략히 살펴본다.

상기 특징 형상 추출부(200)에 의해 특징 17개가 추출되면 이는 신경회로망(300)에 입력으로 넣게 되며, 입력으로 특징을 넣을 땐 타겟(Target)값이라고 하여 이 특징은 A라는 사람것이며 이 특징은 B라는 사람, 이 특징은 C라는 사람, 등등이라고 타겟값을 잡고 학습을 시키면 신경회로망(300)은 각 특징과 사람과의 관계를 가중치값으로 메모리(400) 저장하게 된다.

상기 가중치는 "어느 특징이 사람들을 비교할 때 중요한가"의 정도를 나타내는 값으로, 학습이 된 신경회로망(300)은 시험(테스트)을 하기 위해 새로 측정된 모르는 사람D의 심전도 특징 17개를 입력으로 넣고 테스트를 하라고 명령을 주면 이미 학습이 된 가중치 값을 현재 입력된 특징들의 입력에 적용하여 어떤 사람의 특징과 가장 가까운가를 사용자 인식정보로서 알려주게 되며, 신경회로망(300)의 구조는 도 13에 나타낸 바와 같이, 입력층(input), 은닉층(Hidden layer), 출력층(Output layer)으로 구성된다. 본 발명에서는 특징이 17개 이므로 입력은 17개가 되고 출력은 사람의 수가 된다.

다음은 본 발명의 실험결과에 대하여 살펴본다.

심전도를 이용한 사용자 인식을 위하여 7명의 사용자를 대상으로 실험을 하였다. 사용자 인식을 위해서는 도 12에 정의된 바와 같이 17개의 항목으로 구성된 파형의 특징을 신경회로망(300)의 입력으로 하였고 출력층은 각 사용자를 대표하는 뉴런을 한 개씩 할당하여 구성하였다. 그리고 BP neural networks의 Transfer function을 최적화하기 위해 3종류(log-sigmoid, tan-sigmoid, linear-transfer function)의 function 조합으로 시험을 해본 결과 도 13과 같이, 은닉층 log-sigmoid, 출력층 log-sigmoid의 function 조합에서 최고의 인식률을 보였다.

한편, 도 12에서 Representation의 끝부분 00100010의 의미는 도 11에서 a ~ c까지는 파형의 윗부분을, d ~ f까지는 파형의 아랫부분을, g ~ h는 타입3에서 최소값의 위치이며, 도 12에서 j ~ l까지는 파형의 윗부분을, n ~ o까지는 파형의 아랫부분을, p ~ q는 타입3에서 최소값의 위치로, 도 6의 파형을 예로 들 경우, 파형의 윗부분은(j~l까지) 정점(Peak점)을 기준으로 오른쪽에 꼭지점이 있기 때문에 001이 되고, 파형의 아랫부분이 없기 때문에 n~o까지는 000이 되며, 타입3이므로 파형의 최소값이 정점을 기준으로 왼쪽에 있으므로 10이 되며, 이에 따라 00100010으로 특징이 추출됨을 나타낸 것이다.

다음, 본 발명의 실험에서 총 7명의 심전도 파형에서 58개의 데이터를 추출하여, 33개의 패턴은 신경회로망(300)의 학습에 사용하고, 나머지 25개의 패턴은 테스트 패턴으로 사용하였다. 테스트는 크게 두 가지로 수행되었다.

먼저, 측정된 5분 동안의 심전도 신호 중 일부분을 학습에 이용하고, 나머지 부분을 테스트에 사용하였다. 이 경우, 측정환경 및 측정자의 신체적 변화에 변동이 매우 적어 100%의 인식률을 보였다.

두 번째 방법에서는 학습에는 정상상태에서 측정한 신호만을 이용하고 테스트를 위한 파형은 신체에 인위적인 변화를 준 후 심전도를 측정하여 사용하였다. 인위적인 사용자의 변화를 발생하기 위하여 커피, 담배 및 주류를 섭취와 계단 오르내리기 등의 운동을 통한 신체 스트레스 후의 심전도 측정결과를 이용하였다. 도 14는 25개의 테스트 환경을 그래프화 한 것이다.

도 15는 7명의 대표적인 파형모양이고, 도 16은 6개의 테스트 패턴파형 모양의 예이다. 그리고 도 17의 표는 도 16의 테스트 패턴의 출력 결과이다. 도 17의 표를 보면 테스트 패턴 1에서 4까지는 7명의 사용자를 정확히 인식하였으나, 테스트 패턴5와 테스트 패턴6은 인식을 못 하였다. 테스트 패턴5의 경우는 사용자2였으나 사용자3으로 인식을 하였다. 그 이유는 파형의 타입이라든지 꼭지점의 수, 파형의 간격 등이 사용자3과 매우 유사하였음을 알 수 있었다. 그리고 테스트 패턴6은 심한 운동(계단 오르내리기)으로 심장에 인위적인 스트레스를 주고 측정한 파형으 로 이 경우 파형의 잡음과 리듬변화로 인해 특징추출에 실패 하였다. 총 25개의 테스트 패턴 중에 도 17의 테스트 패턴5,6을 제외한 모든 테스트 패턴을 인식한 결과를 얻었다.

상술한 바와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 또는 변경하여 실시할 수 있다.

이상에서 살펴본 바와 같이, 본 발명에 따른 심전도를 이용한 생체인식 시스템 및 방법은 심전도 파형 중 상대적으로 우수한 재현성을 갖는 리드Ⅲ 파형의 특징들을 추출하여 신경회로망을 이용하여 사용자 인식을 수행함으로써 변조가 불가능하고 무자각으로 측정되기 때문에 차세대 생체인식기술로 활용될 수 있으며, 유비쿼터스 환경에서 측정자가 인식하지 못하는 상황에서 자동으로 측정자를 인식하여 맞춤형 진단을 할 수 있는 기술로 활용이 가능하게 된다. 또한, 개인별 데이터 관리와 질변관리 등의 맞춤의료서비스에 응용될 수 있으며, 군용으로 개발하여 군인별 생체인식을 통한 전시 위치파악과 총상여부 혹은 생사확인 등을 별도의 인터페이스 없이 적용할 수 있다.

Claims (15)

1. 심전도를 이용한 생체인식 시스템에 있어서,

   입력수단을 통해 입력되는 리드Ⅲ 심전도 파형으로부터 잡음을 제거한 후, 사용자 인식을 위한 특징형상 추출을 행하는 특징 형상 추출수단과;

   상기 특징 형상 추출수단에서 추출된 특징값들의 학습에 의해 각 특징과 사용자와의 관계를 가중치값으로 정하고, 이 가중치를 이용하여 해당 사용자를 인식할 수 있는 인식정보를 생성하는 신경회로망;

   상기 신경회로망에서 얻어지는 가중치값이 저장되는 메모리수단;

   상기 신경회로망으로부터의 인식정보에 따라 해당 사용자의 인식을 행하는 제어수단을 포함하는 것을 특징으로 하는 심전도를 이용한 생체인식 시스템.
2. 제 1 항에 있어서, 상기 특징 형상 추출수단은

   상기 입력수단을 통해 입력되는 사용자의 심전도 파형의 기저선 잡음을 제거하는 기저선 잡음 제거부;

   상기 기저선 잡음 제거부를 통해 기저선 잡음이 제거된 심전도 파형을 그 형태에 따라 세 가지의 기본형태로 분류한 후, 사용자에 따른 전체 파형의 기본형태를 결정하는 파형 분류기;

   상기 기저선 잡음 제거부와 파형 분류기를 통해 잡음이 제거됨과 더불어 파 형의 기본형태가 결정된 해당 파형에 대하여 사용자 인식을 위한 정보로 사용될 소정 개수의 특징을 추출하는 특징 추출부;로 구성됨을 특징으로 하는 심전도를 이용한 생체인식 시스템.
3. 삭제
4. 제 2 항에 있어서, 상기 기저선 잡음 제거부는

   피크점을 기준으로 한 파형씩 분리추출하여 각 파형의 평균값을 새로운 기저선 값으로 사용하여 기저선의 잡음을 제거하는 것을 특징으로 하는 심전도를 이용한 생체인식 시스템.
5. 제 2 항에 있어서, 상기 파형 분류기는

   사용자에 따른 전체 파형의 기본형태 결정 후, 결정된 전체 파형의 기본 형태를 각각의 파형의 기본 형태와 다시 비교하면서 그 기본형태가 다른 파형은 잡음이 포함된 신호로 판단하여 제거하도록 된 것을 특징으로 하는 심전도를 이용한 생 체인식 시스템.
6. 제 5 항에 있어서, 상기 파형 분류기는

   상기 전체 파형의 기본 형태 결정 후, 각각의 파형의 꼭지점을 검사하여 꼭지점의 개수를 바탕으로 한 파형의 기본형태 변화를 판단하여 기본형태가 다를 경우 해당 파형은 잡음을 포함한 신호로 판단하여 제거하도록 된 것을 특징으로 하는 심전도를 이용한 생체인식 시스템.
7. 제 2 항에 있어서, 상기 특징 추출부는

   파형의 간격과 세부 형상을 이용하여 사용자 인식을 위한 정보로 사용될 특징을 추출하도록 된 것을 특징으로 하는 심전도를 이용한 생체인식 시스템.
8. 해당 사용자의 리드Ⅲ 심전도 파형을 입력받아 이의 기저선 잡음을 제거하는 제1 단계;

   각 파형의 기본 형태를 결정한 후, 사용자에 따른 전체 파형의 기본형태를 결정하는 제2 단계;

   각각의 파형의 꼭지점을 검사하여 꼭지점의 개수를 바탕으로 파형의 기본형태 변화를 판단하여 해당 파형을 분류하는 제3 단계;

   파형이 분류되면 사용자 인식을 위해 해당 파형의 특징을 추출하는 제4 단계;

   상기 추출된 특징을 바탕으로 기정해져 있는 가중치에 의해 사용자를 인식할 수 있는 인식정보를 생성하는 제5 단계;

   상기 인식정보를 바탕으로 사용자 인식을 행하는 제6 단계;로 이루어짐을 특징으로 하는 심전도를 이용한 생체인식 방법.
9. 삭제
10. 제 8 항에 있어서, 상기 제1 단계에서의 잡음제거는

    심전도 파형의 피크점을 기준으로 한 파형씩 분리추출하여 각 파형의 평균값을 새로운 기저선 값으로 사용하여 기저선의 잡음을 제거하도록 된 것을 특징으로 하는 심전도를 이용한 생체인식 방법.
11. 제 8 항에 있어서, 상기 제2 단계는

    상기 결정된 전체 파형의 기본 형태를 각각의 파형의 기본 형태와 다시 비교하면서 그 기본 형태가 다른 파형은 잡음으로 판단하여 제거하도록 된 것을 특징으로 하는 심전도를 이용한 생체인식 방법.
12. 제 8 항에 있어서, 상기 제3 단계는

    상기 꼭지점은 파형이 TL(Threshold Line)을 넘어서는 순간부터 샘플링된 두개의 점에서 미분을 취하여 부호의 변동을 체크하여 미분변화율의 부호가 바뀌는 지점을 꼭지점으로 인식하도록 된 것을 특징으로 하는 심전도를 이용한 생체인식 방법.
13. 제 12 항에 있어서, 해당 파형의 꼭지점의 수가 바로 앞 파형의 평균꼭지점의 수와 비교되어 꼭지점의 차이가 4이상이면 TC(Threshold Coefficient)를 증가시킨 후, 파형의 기본형태 변화를 판단하여 기본형태가 다를 경우 그 파형을 잡음으로 판단하여 제거하도록 된 것을 특징으로 하는 심전도를 이용한 생체인식 방법.
14. 제 8 항에 있어서, 상기 제4 단계에서의 특징 추출은

    파형의 간격과 세부 형상을 이용하여 추출하는 것을 특징으로 하는 심전도를 이용한 생체인식 방법.
15. 제 8 항에 있어서, 상기 가중치는

    상기 추출된 특징값들의 학습에 의해 각 특징과 사용자와의 관계를 정한 값인 것을 특징으로 하는 심전도를 이용한 생체인식 방법.

Images