KR102517787B1 - 심전도 신호의 분할을 통한 개인식별 방법 및 장치 - Google Patents
심전도 신호의 분할을 통한 개인식별 방법 및 장치 Download PDFInfo
- Publication number
- KR102517787B1 KR102517787B1 KR1020200114596A KR20200114596A KR102517787B1 KR 102517787 B1 KR102517787 B1 KR 102517787B1 KR 1020200114596 A KR1020200114596 A KR 1020200114596A KR 20200114596 A KR20200114596 A KR 20200114596A KR 102517787 B1 KR102517787 B1 KR 102517787B1
- Authority
- KR
- South Korea
- Prior art keywords
- electrocardiogram signal
- fourier
- interest
- transform
- regions
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명은 심전도 신호의 분할을 통한 개인식별 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 심전도 신호의 분할을 통한 개인식별 방법은 (a) 사용자의 심전도 신호를 획득하는 단계; (b) 상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환(Fourier synchrosqueezed transform)하는 단계; (c) 상기 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하는 단계; 및 (d) 상기 분류된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하여 상기 사용자를 식별하는 단계;를 포함할 수 있다.
Description
본 발명은 심전도 신호의 분할을 통한 개인식별 방법 및 장치에 관한 것으로, 더욱 상세하게는 심전도 신호의 관심영역을 분할하고 딥러닝 네트워크에 적용하여 개인식별을 수행하기 위한 방법 및 장치에 관한 것이다.
과거 생체 신호로 사용자 확인을 위하여 지문, 홍채의 정보를 이용하였다면, 최근에는 사용자 편의성 및 보안성을 기반으로 한 심전도(ECG) 및 뇌파(EEG)를 사용하고 있다.
특히 심전도 신호는 심장의 전기 생리학적 요인과 심장의 위치, 크기, 신체적 조건 등에 의해 개인 고유의 특성을 가지고 있기 때문에 위조하기 어려워 관심이 증가하고 있다.
개인 심전도를 이용하여 사용자 확인을 통해 기존 사용자 기기로부터 동일한 서비스를 제공받을 수 있게 된다.
이는 사용자 기기를 다른 외부로부터 개인 정보 유출을 막고 보호하는 역할을 하게 된다. 사용자 기기는 사용자 확인 후 사용하므로 심전도를 이용한 개인 식별에 대한 연구가 진행 중이다.
최근에는 심전도 데이터의 채널 수, 측정 상태에 따른 개인 인식 알고리즘들이 연구되고 있으나 정확도가 매우 낮다는 문제점이 있다.
본 발명은 전술한 문제점을 해결하기 위하여 창출된 것으로, 심전도 신호의 분할을 통한 개인식별 방법 및 장치를 제공하는 것을 그 목적으로 한다.
또한, 본 발명은 심전도 신호를 푸리에 싱크로스퀴즈 변환(Fourier synchrosqueezed transform)하여 다수의 관심영역으로 분류하고, 분류된 다수의 관심영역 각각을 딥러닝 네트워크에 입력함으로써 개인식별을 수행하기 위한 방법 및 장치를 제공하는 것을 그 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상기한 목적들을 달성하기 위하여, 본 발명의 일 실시예에 따른 심전도 신호의 분할을 통한 개인식별 방법은 (a) 사용자의 심전도 신호를 획득하는 단계; (b) 상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환(Fourier synchrosqueezed transform)하는 단계; (c) 상기 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하는 단계; 및 (d) 상기 분류된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하여 상기 사용자를 식별하는 단계;를 포함할 수 있다.
실시예에서, 상기 (b) 단계는, 상기 획득된 심전도 신호의 시간-주파수 스펙트럼에 대한 시간분해능에 따라 상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환하는 단계;를 포함할 수 있다.
실시예에서, 상기 (c) 단계는, LSTM(Long short-term memory) 기반 딥러닝 네트워크를 이용하여 상기 푸리에 싱크로스퀴즈 변환된 심전도 신호를 상기 다수의 관심영역으로 분류하는 단계;를 포함할 수 있다.
실시예에서, 상기 LSTM 기반 딥러닝 네트워크는, LSTM 층, 완전연결 층(fully connected layer), 소프트맥스 층(softmax layer) 및 분류 층을 포함할 수 있다.
실시예에서, 상기 다수의 관심영역은, 상기 심전도 신호의 P파, QRS파 및 T파를 포함할 수 있다.
실시예에서, 상기 (d) 단계는, 상기 분류된 다수의 관심영역 각각을 푸리에 싱크로스퀴즈 변환하는 단계; 상기 푸리에 싱크로스퀴즈 변환된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하는 단계; 및 상기 딥 네크워크의 각 출력값을 결합하여 상기 사용자를 식별하는 단계;를 포함할 수 있다.
실시예에서, 심전도 신호의 분할을 통한 개인식별 장치는, 사용자의 심전도 신호를 획득하는 획득부; 및 상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환(Fourier synchrosqueezed transform)하고, 상기 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하고, 상기 분류된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하여 상기 사용자를 식별하는 제어부;를 포함할 수 있다.
실시예에서, 상기 제어부는, 상기 획득된 심전도 신호의 시간-주파수 스펙트럼에 대한 시간분해능에 따라 상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환할 수 있다.
실시예에서, 상기 제어부는, LSTM(Long short-term memory) 기반 딥러닝 네트워크를 이용하여 상기 푸리에 싱크로스퀴즈 변환된 심전도 신호를 상기 다수의 관심영역으로 분류할 수 있다.
실시예에서, 상기 LSTM 기반 딥러닝 네트워크는, LSTM 층, 완전연결 층(fully connected layer), 소프트맥스 층(softmax layer) 및 분류 층을 포함할 수 있다.
실시예에서, 상기 다수의 관심영역은, 상기 심전도 신호의 P파, QRS파 및 T파를 포함할 수 있다.
실시예에서, 상기 제어부는, 상기 분류된 다수의 관심영역 각각을 푸리에 싱크로스퀴즈 변환하고, 상기 푸리에 싱크로스퀴즈 변환된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하고, 상기 딥러닝 네트워크의 각 출력값을 결합하여 상기 사용자를 식별할 수 있다.
상기한 목적들을 달성하기 위한 구체적인 사항들은 첨부된 도면과 함께 상세하게 후술될 실시예들을 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 서로 다른 다양한 형태로 구성될 수 있으며, 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자(이하, "통상의 기술자")에게 발명의 범주를 완전하게 알려주기 위해서 제공되는 것이다.
본 발명의 일 실시예에 의하면, 심전도 신호의 불필요한 정보를 없애고 중요한 특징을 나타내는 파형들(P파, QRS파, T파)을 자동적으로 관심영역으로 분할하고, 이들 개별 파형들을 융합한 인공지능 기반 생체인식분야에 적용할 수 있다.
또한, 본 발명의 일 실시예에 의하면, 생체인식 분야뿐만 아니라 심전도 신호 기반 다양한 질병분류, 감정인식, 건강심리상태 분류 등 다양한 응용분야에 적용할 수 있다.
본 발명의 효과들은 상술된 효과들로 제한되지 않으며, 본 발명의 기술적 특징들에 의하여 기대되는 잠정적인 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 심전도 신호의 분할을 통한 개인식별 방법을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 심전도 신호의 관심영역을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 심전도 신호의 싱크로스퀴즈 변환 과정을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 심전도 신호의 분할 과정을 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 네트워크를 이용한 개인식별 과정을 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 심전도 신호의 분할을 통한 개인식별 장치의 기능적 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 심전도 신호의 관심영역을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 심전도 신호의 싱크로스퀴즈 변환 과정을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 심전도 신호의 분할 과정을 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 네트워크를 이용한 개인식별 과정을 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 심전도 신호의 분할을 통한 개인식별 장치의 기능적 구성을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시예들을 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
청구범위에 개시된 발명의 다양한 특징들은 도면 및 상세한 설명을 고려하여 더 잘 이해될 수 있을 것이다. 명세서에 개시된 장치, 방법, 제법 및 다양한 실시예들은 예시를 위해서 제공되는 것이다. 개시된 구조 및 기능상의 특징들은 통상의 기술자로 하여금 다양한 실시예들을 구체적으로 실시할 수 있도록 하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다. 개시된 용어 및 문장들은 개시된 발명의 다양한 특징들을 이해하기 쉽게 설명하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다.
본 발명을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.
이하, 본 발명의 일 실시예에 따른 심전도 신호의 분할을 통한 개인식별 방법 및 장치를 설명한다.
도 1은 본 발명의 일 실시예에 따른 심전도 신호의 분할을 통한 개인식별 방법을 도시한 도면이다. 도 2는 본 발명의 일 실시예에 따른 심전도 신호의 관심영역을 도시한 도면이다.
도 1을 참고하면, S101 단계는, 사용자의 심전도 신호를 획득하는 단계이다.
S103 단계는, 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환(Fourier synchrosqueezed transform)하는 단계이다.
일 실시예에서, 획득된 심전도 신호의 시간-주파수 스펙트럼에 대한 시간분해능에 따라 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환할 수 있다.
S105 단계는, 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하는 단계이다.
일 실시예에서, 다수의 관심영역은, 심전도 신호의 P파, QRS파 및 T파를 포함할 수 있다. 예를 들어, 도 2를 참고하면, 심전도 신호(200)는 P파, QRS파 및 T파로 분류될 수 있다. 이 경우, P파는 심장 탈분극을 나타내는 QRS파 이전의 작은 편향을 의미하고, QRS파는 심장박동의 최대 진폭부분을 의미하고, T파는 심실 재분극을 나타내는 QRS파 이후의 작은 편향을 의미할 수 있다.
S107 단계는, 분류된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하여 사용자를 식별하는 단계이다.
일 실시예에서, 분류된 다수의 관심영역 각각을 푸리에 싱크로스퀴즈 변환하고, 푸리에 싱크로스퀴즈 변환된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하고, 딥러닝 네트워크의 각 출력값을 결합하여 사용자를 식별할 수 있다.
도 3은 본 발명의 일 실시예에 따른 심전도 신호의 푸리에 싱크로스퀴즈 변환 과정을 도시한 도면이다.
도 3을 참고하면, S301 단계는, 사용자의 심전도 신호를 획득하는 단계이다.
S303 단계는, 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환하는 단계이다. 일 실시예에서, 각 심전도 신호 샘플에 대한 시간-주파수 스펙트럼을 계산하므로 원래 신호와 동일한 시간분해능을 유지해야 하는 문제에 적합한 푸리에 싱크로스퀴즈 변환이 사용될 수 있다.
일 실시예에서, 푸리에 싱크로스퀴즈 변환은, 스펙트럼을 좀더 매끄럽게 만들고(즉, 시간에 따른 주파수 변화를 좀더 명확히 가시화할 수 있음), 고정 시간 동안 주파수 상에서 에너지를 재할당하여 시간-주파수 평면의 특정 영역에 에너지를 국한하기 위해 사용될 수 있다.
일 실시예에서, 심전도 신호는 진폭 또는 주파수가 변조된 모드의 중첩으로서 표현될 수 있으므로, 시간-주파수 분석에서는 하기 <수학식 1>과 같이 분석 신호의 합으로 심전도 신호 f(t)를 나타낼 수 있다.
여기서 는 연속적으로 미분가능한 함수이며, 위상 는 순시 주파수에 대응되는 시간미분을 가질 수 있다. 이 경우, 정확한 위상이 알려지지 않을 때, 그것들을 추정하기 위해 푸리에 싱크로스퀴즈 변환이 사용될 수 있다.
푸리에 싱크로스퀴즈 변환은 단구간 푸리에 변환에 기반할 수 있다. 특정 종류의 비정상적인 신호에 대해서, 푸리에 싱크로스퀴즈 변환은 일반적인 스펙트럼과 유사하며, 이는 기존 변환보다 더 빠른 시간-주파수 추정치를 생성할 수 있다.
기존 정의와 달리, 상기 <수학식 2>는 별도의 지수 함수 부분을 가짐을 확인할 수 있다. 이 때, 변환 값은 시간-주파수 평면에 순시 주파수의 곡선 주위에 집중하도록 압축되어질 수 있다.
S305 단계는, 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하는 단계이다. 일 실시예에서, S305 단계는 하기 도 4에서 상세히 설명된다.
S307 단계는, 분류된 다수의 관심영역에 기반하여 학습 데이터와 검증 데이터를 분할하는 단계이다. 일 실시예에서, 학습 데이터는 딥러닝 모델을 설계하고, 검증 데이터는 딥러닝 모델이 타당하게 설계되었는지 검증하는데 이용될 수 있다.
도 4는 본 발명의 일 실시예에 따른 LSTM 기반 딥러닝 네트워크(400)를 이용한 심전도 신호의 분할 과정을 도시한 도면이다.
도 4를 참고하면, LSTM 기반 딥러닝 네트워크(400)를 이용하여 푸리에 싱크로스퀴즈 변환된 심전도 신호를 다수의 관심영역으로 분류할 수 있다.
일 실시예에서, 다수의 관심영역은 P파, QRS파 및 T파를 제외한 심전도 신호의 나머지 영역(설명의 편의를 위해 ‘None 파’로 지칭)을 더 포함할 수 있다. 여기서, None 파는 노이즈(noise)에 해당하며, 개인식별 과정에서 학습데이터로 사용되지 않을 수 있다.
이 경우, LSTM 기반 딥러닝 네트워크(400)는, LSTM 층(401), 완전연결 층(fully connected layer)(403), 소프트맥스 층(softmax layer)(405) 및 분류 층(407)을 포함할 수 있다.
일 실시예에서, LSTM 기반 딥러닝 네트워크(400)는 LSTM 장단기 메모리를 의미할 수 있으며, 은닉층의 메모리 셀에 입력게이트, 망각게이트, 출력게이트를 추가하여 불필요한 기억을 삭제하고, 기억해야하는 정보를 결정할 수 있다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 네트워크를 이용한 개인식별 과정을 도시한 도면이다.
도 5를 참고하면, S501 단계는, 푸리에 싱크로스퀴즈 변환된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하는 단계이다. 일 실시예에서, 딥러닝 네트워크는 LSTM 기반 딥러닝 네트워크 또는 컨벌루션 신경회로망과 같은 형태로 입력 영상의 사이즈를 일치시켜 입력으로 사용할 수 있다.
일 실시예에서, 학습데이터의 규모가 작을 경우 기존 학습된 딥러닝 모델을 이용한 전이학습을 사용하거나 데이터 증대방법을 이용하여 대규모 데이터를 생성하여 학습에 사용할 수 있다.
일 실시예에서, 일반적으로 데이터 증대방법은 크기조정, 회전, 반사와 같은 선택적 처리를 사용하여 데이터를 증대시킬 수 있다.
예를 들어, 학습 데이터가 임계값(예: 1000)개 미만일 경우, 사전 학습된 딥러닝 네트워크에 의한 전이학습이 사용되고, 학습 데이터가 임계값 이상인 경우, 학습 데이터를 이용하여 직접 딥러닝 네트워크를 설계하여 사용할 수 있다.
이와 같이, 푸리에 싱크로스퀴즈 변환된 다수의 관심영역 각각을 하나의 딥너링 네트워크에 동시에 입력하지 않고, 각 딥러닝 네트워크에 개별적으로 입력하여 출력값을 생성함으로써, 개인식별 시 세부적인 특징을 사용할 수 있어 인식 성능을 향상시킬 수 있다.
S503 단계는, 딥 네크워크의 각 출력값을 결합하여 최종 결과값을 생성하는 단계이다. 일 실시예에서, 각 딥러닝 네트워크로 나오는 출력값(예: 확률값)을 합(Sum) 또는 곱(product)하여 결합할 수 있다.
S505 단계는, 결과값에 기반하여 사용자를 식별하는 단계이다. 일 실시예에서, 레이트 퓨전(late fusion)방법에 의해 최종 융합된 결과값을 이용하여 생체 인식을 위한 개인식별에 사용할 수 있다.
일 실시예에서, 최종 결과값 가운데 제일 큰 값을 가진 클래스를 나타낼 수 있다. 예를 들어, 5명에 대해 개인식별을 한다면, 5개의 결과값들이 각각 [0.1 0.2 0.5 0.1 0.2]라고 한다면, 0.5값이 제일 크므로 세 번째 사람으로 인식할 수 있다.
도 6은 본 발명의 일 실시예에 따른 심전도 신호의 분할을 통한 개인식별 장치(600)의 기능적 구성을 도시한 도면이다.
도 6을 참고하면, 개인식별 장치(600)는 획득부(610), 제어부(620) 및 저장부(630)를 포함할 수 있다.
획득부(610)는 사용자의 심전도 신호를 획득할 수 있다. 일 실시예에서, 획득부(610)는 심전도 신호를 검출하기 위한 센서부를 포함할 수 있다.
일 실시예에서, 획득부(610)는 통신부를 포함할 수 있으며, 이 경우, 통신부는 유선 통신 모듈 및 무선 통신 모듈 중 적어도 하나를 포함할 수 있다. 통신부의 전부 또는 일부는 '송신부', '수신부' 또는 '송수신부(transceiver)'로 지칭될 수 있다.
제어부(620)는 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환하고, 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하고, 분류된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하여 사용자를 식별할 수 있다.
일 실시예에서, 제어부(620)는 적어도 하나의 프로세서 또는 마이크로(micro) 프로세서를 포함하거나, 또는, 프로세서의 일부일 수 있다. 또한, 제어부(620)는 CP(communication processor)라 지칭될 수 있다. 제어부(620)는 본 발명의 다양한 실시예에 따른 개인식별 장치(600)의 동작을 제어할 수 있다.
저장부(630)는 심전도 신호, 다수의 관심영역 및 사용자 식별 정보를 저장할 수 있다. 일 실시예에서, 저장부(630)는 심전도 신호에 기반하여 분할된 학습 데이터와 검증 데이터를 저장할 수 있다.
일 실시예에서, 저장부(630)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 저장부(630)는 제어부(620)의 요청에 따라 저장된 데이터를 제공할 수 있다.
도 6을 참고하면, 개인식별 장치(600)는 획득부(610), 제어부(620) 및 저장부(630)를 포함할 수 있다. 본 발명의 다양한 실시 예들에서 개인식별 장치(600)는 도 6에 설명된 구성들이 필수적인 것은 아니어서, 도 6에 설명된 구성들보다 많은 구성들을 가지거나, 또는 그보다 적은 구성들을 가지는 것으로 구현될 수 있다.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로, 통상의 기술자라면 본 발명의 본질적인 특성이 벗어나지 않는 범위에서 다양한 변경 및 수정이 가능할 것이다.
따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라, 설명하기 위한 것이고, 이러한 실시예들에 의하여 본 발명의 범위가 한정되는 것은 아니다.
본 발명의 보호범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 이해되어야 한다.
200: 심전도 신호
400: LSTM 기반 딥러닝 네트워크
401: LSTM 층
403: 완전연결 층
405: 소프트맥스 층
407: 분류 층
600: 개인식별 장치
610: 획득부
620: 제어부
630: 저장부
400: LSTM 기반 딥러닝 네트워크
401: LSTM 층
403: 완전연결 층
405: 소프트맥스 층
407: 분류 층
600: 개인식별 장치
610: 획득부
620: 제어부
630: 저장부
Claims (12)
- 사용자의 심전도 신호를 획득하는 단계;
상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환(Fourier synchrosqueezed transform)하는 단계;
상기 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하는 단계;
상기 분류된 다수의 관심영역 각각을 푸리에 싱크로스퀴즈 변환하는 단계;
상기 푸리에 싱크로스퀴즈 변환된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하는 단계; 및
상기 딥러닝 네크워크의 각 출력값을 결합하여 상기 사용자를 식별하는 단계;
를 포함하고,
상기 심전도 신호는 [수학식 1]과 같이 결정되고,
[수학식 1]
여기서, f(t)는 심전도 신호이고, 는 연속적으로 미분가능한 함수이며, 위상 는 순시 주파수에 대응되는 시간미분을 가지고,
상기 심전도 신호의 단구간 푸리에 변환은 [수학식 2]와 같이 결정되고,
[수학식 2]
여기서, 는 단구간 푸리에 변환을 나타내고, 는 스펙트럴 윈도우를 나타내고,
상기 푸리에 싱크로스퀴즈 변환은 상기 단구간 푸리에 변환에 기반하여 [수학식 3]과 같이 결정되고,
[수학식 3]
여기서, 는 푸리에 싱크로스퀴즈 변환을 나타내고, 순시 주파수는 위상변환 (Phase transform) 에 의해 결정되는,
심전도 신호의 분할을 통한 개인식별 방법.
- 제1항에 있어서,
상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환하는 단계는,
상기 획득된 심전도 신호의 시간-주파수 스펙트럼에 대한 시간분해능에 따라 상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환하는 단계;
를 포함하는,
심전도 신호의 분할을 통한 개인식별 방법.
- 제1항에 있어서,
상기 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하는 단계는,
LSTM(Long short-term memory) 기반 딥러닝 네트워크를 이용하여 상기 푸리에 싱크로스퀴즈 변환된 심전도 신호를 상기 다수의 관심영역으로 분류하는 단계;
를 포함하는,
심전도 신호의 분할을 통한 개인식별 방법.
- 제3항에 있어서,
상기 LSTM 기반 딥러닝 네트워크는,
LSTM 층, 완전연결 층(fully connected layer), 소프트맥스 층(softmax layer) 및 분류 층을 포함하는,
심전도 신호의 분할을 통한 개인식별 방법.
- 제1항에 있어서,
상기 다수의 관심영역은,
상기 심전도 신호의 P파, QRS파 및 T파를 포함하는,
심전도 신호의 분할을 통한 개인식별 방법.
- 삭제
- 사용자의 심전도 신호를 획득하는 획득부; 및
상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환(Fourier synchrosqueezed transform)하고,
상기 푸리에 싱크로스퀴즈 변환된 심전도 신호로부터 다수의 관심영역을 분류하고,
상기 분류된 다수의 관심영역 각각을 푸리에 싱크로스퀴즈 변환하고,
상기 푸리에 싱크로스퀴즈 변환된 다수의 관심영역 각각을 딥러닝 네트워크에 입력하고,
상기 딥러닝 네트워크의 각 출력값을 결합하여 상기 사용자를 식별하는 제어부;
를 포함하고,
상기 심전도 신호는 [수학식 1]과 같이 결정되고,
[수학식 1]
여기서, f(t)는 심전도 신호이고, 는 연속적으로 미분가능한 함수이며, 위상 는 순시 주파수에 대응되는 시간미분을 가지고,
상기 심전도 신호의 단구간 푸리에 변환은 [수학식 2]와 같이 결정되고,
[수학식 2]
여기서, 는 단구간 푸리에 변환을 나타내고, 는 스펙트럴 윈도우를 나타내고,
상기 푸리에 싱크로스퀴즈 변환은 상기 단구간 푸리에 변환에 기반하여 [수학식 3]과 같이 결정되고,
[수학식 3]
여기서, 는 푸리에 싱크로스퀴즈 변환을 나타내고, 순시 주파수는 위상변환 (Phase transform) 에 의해 결정되는,
심전도 신호의 분할을 통한 개인식별 장치.
- 제7항에 있어서,
상기 제어부는,
상기 획득된 심전도 신호의 시간-주파수 스펙트럼에 대한 시간분해능에 따라 상기 획득된 심전도 신호를 푸리에 싱크로스퀴즈 변환하는,
심전도 신호의 분할을 통한 개인식별 장치.
- 제7항에 있어서,
상기 제어부는,
LSTM(Long short-term memory) 기반 딥러닝 네트워크를 이용하여 상기 푸리에 싱크로스퀴즈 변환된 심전도 신호를 상기 다수의 관심영역으로 분류하는,
심전도 신호의 분할을 통한 개인식별 장치.
- 제9항에 있어서,
상기 LSTM 기반 딥러닝 네트워크는,
LSTM 층, 완전연결 층(fully connected layer), 소프트맥스 층(softmax layer) 및 분류 층을 포함하는,
심전도 신호의 분할을 통한 개인식별 장치.
- 제7항에 있어서,
상기 다수의 관심영역은,
상기 심전도 신호의 P파, QRS파 및 T파를 포함하는,
심전도 신호의 분할을 통한 개인식별 장치.
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200114596A KR102517787B1 (ko) | 2020-09-08 | 2020-09-08 | 심전도 신호의 분할을 통한 개인식별 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200114596A KR102517787B1 (ko) | 2020-09-08 | 2020-09-08 | 심전도 신호의 분할을 통한 개인식별 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220032817A KR20220032817A (ko) | 2022-03-15 |
KR102517787B1 true KR102517787B1 (ko) | 2023-04-03 |
Family
ID=80816565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200114596A KR102517787B1 (ko) | 2020-09-08 | 2020-09-08 | 심전도 신호의 분할을 통한 개인식별 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102517787B1 (ko) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101760441B1 (ko) | 2015-11-30 | 2017-07-25 | 조선대학교산학협력단 | 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법 |
KR101937778B1 (ko) * | 2017-02-28 | 2019-01-14 | 서울대학교산학협력단 | 인공지능을 이용한 기계학습 기반의 한국어 대화 시스템과 방법 및 기록매체 |
-
2020
- 2020-09-08 KR KR1020200114596A patent/KR102517787B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR20220032817A (ko) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hammad et al. | A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication | |
Abdeldayem et al. | A novel approach for ECG-based human identification using spectral correlation and deep learning | |
Khan et al. | Multiclass EEG motor-imagery classification with sub-band common spatial patterns | |
Abo-Zahhad et al. | Biometric authentication based on PCG and ECG signals: present status and future directions | |
Abo‐Zahhad et al. | State‐of‐the‐art methods and future perspectives for personal recognition based on electroencephalogram signals | |
Agrafioti et al. | Heart biometrics: Theory, methods and applications | |
Singh et al. | Bioelectrical signals as emerging biometrics: Issues and challenges | |
Wieclaw et al. | Biometrie identification from raw ECG signal using deep learning techniques | |
Sun et al. | A review of adaptive feature extraction and classification methods for EEG-based brain-computer interfaces | |
Abdeldayem et al. | ECG-based human authentication using high-level spectro-temporal signal features | |
Kim et al. | Personal recognition using convolutional neural network with ECG coupling image | |
Hammad et al. | End-to-end data authentication deep learning model for securing IoT configurations | |
Thomas et al. | Utilizing individual alpha frequency and delta band power in EEG based biometric recognition | |
El Boujnouni et al. | A wavelet-based capsule neural network for ECG biometric identification | |
Khan et al. | Biometric authentication based on EMG signals of speech | |
CN112804937A (zh) | 在生物识别中的高频qrs | |
Bastos et al. | Double authentication model based on ppg and ecg signals | |
Cordoș et al. | ECG signal classification using convolutional neural networks for biometric identification | |
Kuila et al. | Feature extraction of electrocardiogram signal using machine learning classification | |
Alotaiby et al. | A nonfiducial PPG‐based subject Authentication Approach using the statistical features of DWT‐based filtered signals | |
KR102517787B1 (ko) | 심전도 신호의 분할을 통한 개인식별 방법 및 장치 | |
Fatemian | A wavelet-based approach to electrocardiogram (ECG) and phonocardiogram (PCG) subject recognition | |
Tseng et al. | Ecg identification system using neural network with global and local features. | |
Enamamu et al. | Transparent authentication: Utilising heart rate for user authentication | |
Yeen et al. | Development of heartbeat based biometric system using wavelet transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |