KR102641806B1 - 웨어러블 디바이스의 사용자를 인증하는 방법 및 장치 - Google Patents

웨어러블 디바이스의 사용자를 인증하는 방법 및 장치 Download PDF

Info

Publication number
KR102641806B1
KR102641806B1 KR1020230091865A KR20230091865A KR102641806B1 KR 102641806 B1 KR102641806 B1 KR 102641806B1 KR 1020230091865 A KR1020230091865 A KR 1020230091865A KR 20230091865 A KR20230091865 A KR 20230091865A KR 102641806 B1 KR102641806 B1 KR 102641806B1
Authority
KR
South Korea
Prior art keywords
user
signal
feature vector
photoplethysmographic signal
photoplethysmographic
Prior art date
Application number
KR1020230091865A
Other languages
English (en)
Inventor
이의철
석채린
송영도
안병선
Original Assignee
상명대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 상명대학교산학협력단 filed Critical 상명대학교산학협력단
Application granted granted Critical
Publication of KR102641806B1 publication Critical patent/KR102641806B1/ko

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • 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
    • G06F21/45—Structures or tools for the administration of authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06V40/50—Maintenance of biometric data or enrolment thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

일 측면에 따른 컴퓨팅 장치는, 적어도 하나의 메모리; 및 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 사용자의 광용적맥파 신호(PPG signal)를 이용하여 상기 사용자의 상기 웨어러블 디바이스 착용 여부를 결정하고, 상기 사용자가 상기 웨어러블 디바이스를 착용중인 것으로 결정된 것에 응답하여, 상기 광용적맥파 신호를 가공함으로써 가공된 광용적맥파 신호를 생성하며, 딥러닝 모델의 입력 데이터로써 상기 가공된 광용적맥파 신호를 입력하고, 출력 데이터로써 상기 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하여 상기 사용자를 인증한다.

Description

웨어러블 디바이스의 사용자를 인증하는 방법 및 장치 {Method and apparatus for authenticating user of wearable device}
본 개시는, 웨어러블 디바이스의 사용자를 인증하는 방법 및 장치에 관한다. 보다 구체적으로는, 광용적맥파(PPG; Photoplethysmography) 신호를 이용하여 웨어러블 디바이스의 사용자를 인증하는 방법 및 장치에 관한다.
근래에는 다양한 종류의 웨어러블 디바이스들이 개발되어 사용되고 있다. 통신 기능을 구비하고, 다양한 사용자 편의 기능을 제공하는 손목 착용형 스마트 워치 또는 사용자가 특정 화면을 보고 그에 따른 정보를 처리할 수 있는 스마트 글라스 등을 그 예로 들 수 있다.
이와 같은 웨어러블 디바이스들은 개인 정보를 저장 및 처리하고, 금융 거래 또는 결제 수단으로도 이용될 수 있으므로, 인증된 사용자만이 웨어러블 디바이스를 사용할 수 있도록 하는 기술이 필요하다. 또한, 웨어러블 디바이스의 특성상 인증된 사용자뿐만이 아니라 외부인도 접근이 용이하므로, 간편하면서도 정확한 사용자 인증 방법이 필요한 실정이다.
종래에는, 지문 인식, 홍채 인식, 정맥 인식 등을 통하여 웨어러블 디바이스의 사용자를 인증하였다. 다만, 위와 같은 인증 방법들은 사용자의 인증을 위해 사용자에게 추가적인 행동이 필요하였다. 또한, 종래의 광용적맥파를 이용하여 웨어러블 디바이스의 사용자를 인증하는 기술은 사용자 등록을 위한 특징 추출에 소요되는 기간이 오래 걸린다는 문제점이 있었다.
이에 본 발명은, 위와 같은 문제를 해결하고자, 광용적맥파를 이용하여 웨어러블 디바이스의 사용자에게 추가적인 행동을 요구하지 않고, 짧은 시간 내에 웨어러블 디바이스의 사용자를 인증하는 방법을 제공하고자 한다.
웨어러블 디바이스의 사용자를 인증하는 방법 및 장치를 제공하는데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
본 개시의 일 측면에 따르면, 웨어러블 디바이스의 사용자를 인증하는 방법에 있어서, 상기 사용자의 광용적맥파 신호(PPG signal)를 이용하여 상기 사용자의 상기 웨어러블 디바이스 착용 여부를 결정하는 단계; 상기 사용자가 상기 웨어러블 디바이스를 착용중인 것으로 결정된 것에 응답하여 상기 광용적맥파 신호를 가공함으로써 가공된 광용적맥파 신호를 생성하는 단계; 및 딥러닝 모델의 입력 데이터로써 상기 가공된 광용적맥파 신호를 입력하고, 출력 데이터로써 상기 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하여 상기 사용자를 인증하는 단계;를 포함하는, 방법.을 제공할 수 있다.
본 개시의 다른 측면에 따른 컴퓨팅 장치는, 적어도 하나의 프로그램이 저장된 메모리; 및 상기 적어도 하나의 프로그램을 실행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 사용자의 광용적맥파 신호(PPG signal)를 이용하여 상기 사용자의 상기 웨어러블 디바이스 착용 여부를 결정하고, 상기 사용자가 상기 웨어러블 디바이스를 착용중인 것으로 결정된 것에 응답하여, 상기 광용적맥파 신호를 가공함으로써 가공된 광용적맥파 신호를 생성하며, 딥러닝 모델의 입력 데이터로써 상기 가공된 광용적맥파 신호를 입력하고, 출력 데이터로써 상기 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하여 상기 사용자를 인증할 수 있다.
본 개시의 또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.
웨어러블 디바이스의 사용자가 웨어러블 디바이스를 착용하고 있는 동안 지속적, 비자각적으로 광용적맥파 신호를 추출하고, 추출한 신호를 사용자 인증에 필요한 데이터로 활용하여 보안성을 높일 수 있다.
또한, 사용자에게 별도의 행동을 요구하지 않고, 원격 광용적맥파 신호를 이용함으로써, 사용자에게 편의를 제공할 수 있다.
또한, 광용적맥파 센서만을 사용하므로, 사용자 인증 시 별도의 센서를 요구하지 않을 수 있다.
실시예들에 의한 효과가 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 본 발명의 기재로부터 당해 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 웨어러블 디바이스의 사용자를 인증하는 방법의 일 예를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 웨어러블 디바이스의 사용자를 인증하는 장치의 일 예를 설명하기 위한 구성도이다.
도 3은 일 실시예에 따른 웨어러블 디바이스의 사용자를 인증하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 광용적맥파 신호의 경향성을 제거하는 일 예를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 광용적맥파 신호를 복수의 제1 서브 신호들로 분리하는 일 예를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 복수의 제1 서브 신호들을 보간하여 동일한 주기를 갖는 복수의 제2 서브 신호들을 생성하는 일 예를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 제2 서브 신호들을 이용하여 가공된 광용적맥파 신호를 생성하는 일 예를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 딥러닝 모델을 이용하여 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하는 일 예를 설명하기 위한 도면이다.
본 개시는 다양하게 변환하여 실시할 수 있고, 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 기재한다. 본 개시의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조해 명확해질 것이다.
실시 예들에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "~ 유닛", "~ 모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
또한, 명세서에서 사용되는 "제 1" 또는 "제 2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다.
또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 편의를 위하여 임의로 나타낸 것으로, 본 개시는 반드시 도시된 바에 한정되지 않는다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다. 그러나 실시 예는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 예에 한정되지 않는다.
도 1은 일 실시예에 따른 웨어러블 디바이스의 사용자를 인증하는 방법의 일 예를 설명하기 위한 도면이다.
도 1을 참조하면, 사용자(110)의 웨어러블 디바이스(120)를 이용하여 광용적맥파 신호(130)를 추출하고, 추출한 광용적맥파 신호(130)를 이용하여 사용자를 인증하는 방법의 일 예가 도시되어 있다.
예를 들어, 사용자(110)의 특정 신체 부위에서 광용적맥파 신호(130)를 추출하고, 추출한 광용적맥파 신호(130)를 이용하여 사용자(110)를 인증할 수 있다. 예를 들어, 사용자(110)의 얼굴에서 광용적맥파 신호(130)를 추출할 수 있으나, 광용적맥파 신호(130)를 추출하는 신체 부위는 얼굴뿐 아니라 손목, 팔, 다리 등 다른 신체 부위일 수 있다.
또한, 광용적맥파 신호(130)를 추출하는 신체 부위에 따라 피부의 상태(예를 들어, 빛의 세기, 온도, 움직임 등)가 달라질 수 있으므로, 달라지는 신체 부위에 따라 광용적맥파 신호(130)를 추출하는 방법도 달라질 수 있다.
또한, 도 1에는 사용자(110)의 손목에 착용하는 워치 형태의 웨어러블 디바이스만 도시하였으나, 이는 설명의 편의를 위한 것이고, 웨어러블 디바이스는 워치뿐 아니라, 반지, 팔찌, 발찌, 목걸이, 귀걸이, 안경 등을 포함할 수 있다.
도 2는 일 실시예에 따른 웨어러블 디바이스의 사용자를 인증하는 장치의 일 예를 설명하기 위한 구성도이다.
도 2를 참조하면, 장치(200)는 통신부(210), 프로세서(220), 메모리(230) 및 센서부(240)를 포함할 수 있다. 도 2의 장치(200)에는 실시예와 관련된 구성요소들 만이 도시되어 있다. 따라서, 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 당해 기술분야의 통상의 기술자에게 자명하다.
장치(200)는, 스마트폰, 가전기기, 카메라가 탑재된 디바이스 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있다. 또한, 장치(200)는 데이터 프로세싱 기능을 구비한 시계, 팔찌, 발찌, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 다만, 이에 한정되는 것은 아니다.
통신부(210)는 외부 서버 또는 외부 장치와 유선/무선 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 통신부(210)는 외부 서버 또는 외부 장치와의 통신을 위한 근거리 통신부(미도시) 및 이동 통신부(미도시) 등을 포함할 수 있다.
예를 들어, 통신부(210)는 센서부(240)가 획득한 사용자의 광용적맥파 신호 또는 다른 생체 정보를 수신할 수 있다.
메모리(230)는 장치(200) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 프로세서(220)의 처리 및 제어를 위한 프로그램을 저장할 수 있다.
예를 들어, 메모리(230)에는 센서부(240) 로부터 획득한 광용적맥파 신호 또는 기타 생체 정보, 프로세서(220)의 동작에 따라 생성된 데이터 등 다양한 데이터가 저장될 수 있다. 또한, 메모리(230)에는 운영체제(OS)와 적어도 하나의 프로그램(예를 들어, 프로세서(220)가 동작하는데 필요한 프로그램 등)이 저장될 수 있다.
메모리(230)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다.
센서부(240)는 적어도 하나 이상의 센서를 포함할 수 있다. 예를 들면, 센서부(240)는, PPG 센서, 적외선 센서, LED 센서, 정전 센서 등을 포함할 수 있으며, 이에 한정되지 아니한다.
센서부(240)는 다양한 정보를 획득하는데 이용될 수 있다. 예를 들어, 센서부(240)는 사용자를 인증하기 위한 정보를 획득하는데 이용될 수 있다. 일 예시로, 센서부(240)는 사용자의 광용적맥파 신호를 획득할 수 있다. 다른 예시로, 센서부(240)는 지문 정보, 얼굴 정보, 음성 정보, 홍채 정보, 심전도 정보 등을 획득할 수 있으며, 이에 한정되지 아니하고 다양한 생체 정보를 획득할 수 있다.
프로세서(220)는 장치(200)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(220)는 메모리(230)에 저장된 프로그램들을 실행함으로써, 입력부(미도시), 디스플레이(미도시), 통신부(210), 메모리(230), 센서부(240) 등을 전반적으로 제어할 수 있다.
프로세서(220)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
프로세서(220)는, 메모리(230)에 저장된 프로그램들을 실행함으로써, 장치(200)의 동작을 제어할 수 있다. 일 예로, 프로세서(220)는 도 3 내지 도 8을 참조하여 서술하는, 웨어러블 디바이스의 사용자를 인증하는 방법 중 적어도 일부를 수행할 수 있다.
다시 말해, 프로세서(220)는, 사용자의 광용적맥파 신호(PPG signal)를 이용하여 사용자의 웨어러블 디바이스 착용 여부를 결정하고, 사용자가 웨어러블 디바이스를 착용중인 것으로 결정된 것에 응답하여 광용적맥파 신호를 가공함으로써 가공된 광용적맥파 신호를 생성하며, 딥러닝 모델의 입력 데이터로써 가공된 광용적맥파 신호를 입력하고, 출력 데이터로써 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하여 사용자를 인증할 수 있다.
먼저, 프로세서(220)는 사용자의 광용적맥파 신호(PPG signal)를 이용하여 사용자의 웨어러블 디바이스 착용 여부를 결정할 수 있다.
또한, 프로세서(220)는 사용자가 웨어러블 디바이스를 착용중인 것으로 결정된 것에 응답하여 광용적맥파 신호를 가공함으로써 가공된 광용적맥파 신호를 생성할 수 있다.
예를 들어, 프로세서(220)는 광용적맥파 신호의 SNR(Signal to Noise Ratio) 값을 산출하고, SNR 값이 기 설정된 임계 값 이상인 광용적맥파 신호를 추출하고, 추출된 광용적맥파 신호의 경향성을 제거할 수 있다. 또한, 프로세서(220)는 경향성이 제거된 광용적맥파 신호를 복수의 제1 서브 신호들로 분리하고, 제1 서브 신호들을 보간하여 동일한 주기를 갖는 복수의 제2 서브 신호들을 생성하며, 적어도 둘 이상의 제2 서브 신호들을 이용하여 적어도 하나의 가공된 광용적맥파 신호를 생성할 수 있다.
여기에서, 딥러닝 모델은 제1 모델 및 제2 모델을 포함할 수 있다. 예를 들어, 제1 모델은, 가공된 광용적맥파 신호에서 제1 특징벡터를 추출할 수 있다. 또한, 제2 모델은, 제1 특징벡터와 제2 특징벡터의 차이를 계산하고, 차이를 나타내는 제3 특징벡터를 생성하고, 제3 특징벡터를 이용하여 사용자의 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호 사이의 유사도를 산출할 수 있다. 여기에서, 제2 특징벡터는, 기 등록된 사용자의 광용적맥파 신호에서 추출한 특징벡터일 수 있다. 예를 들어, 프로세서(220)는 제1 특징벡터와 제2 특징벡터 간의 차이를 나타내는 제3 특징벡터를 생성하고, 제2 모델은 제3 특징벡터를 이용하여 사용자의 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호 사이의 유사도를 산출할 수 있다.
또한, 프로세서(220)는 유사도가 기 설정된 범위에 포함되는지 여부를 결정하고, 유사도가 기 설정된 범위에 포함되는 것으로 결정된 것에 응답하여 사용자를 인증할 수 있다.
여기에서, 딥러닝 모델은 학습 데이터로써, 갱신되는 인증된 사용자의 제1 특징벡터를 이용하여 재학습될 수 있다. 또한, 제2 특징벡터는 인증된 사용자의 제1 특징벡터에 기초하여 갱신될 수 있다. 또한, 제2 모델은, 웨어러블 디바이스가 계속적으로 수신하는 광용적맥파 신호로부터 추출된 제1 특징벡터와 갱신된 제2 특징벡터의 차이를 계산하고, 차이를 나타내는 제3 특징벡터를 생성할 수 있다.
도 3은 일 실시예에 따른 웨어러블 디바이스의 사용자를 인증하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 3을 참조하면, 웨어러블 디바이스의 사용자를 인증하는 방법은 단계 310 내지 330을 포함할 수 있다. 다만, 이에 제한되는 것은 아니고, 도 3에 도시되는 단계들 외에 다른 범용적인 단계들이 웨어러블 디바이스의 사용자를 인증하는 방법에 더 포함될 수 있다. 또한, 도 1 및 도 2를 참조하여 상술한 바와 같이, 도 3에 도시된 흐름도의 단계들 중 적어도 하나는 프로세서(220)에서 처리될 수 있다.
단계 310에서 프로세서(220)는 사용자의 광용적맥파 신호를 이용하여 사용자의 웨어러블 디바이스 착용 여부를 결정할 수 있다.
예를 들어, 프로세서(220)는 센서부(240)가 감지하는 사용자의 광용적맥파 신호 유무에 따라 사용자가 웨어러블 디바이스를 착용하고 있는지 여부를 결정할 수 있다. 일 예시로, 센서부(240)가 사용자의 광용적맥파 신호를 감지하면, 프로세서(220)는 사용자가 웨어러블 디바이스를 착용하고 있는 것으로 결정할 수 있다. 다른 예시로, 센서부(240)가 사용자의 광용적맥파 신호를 감지하지 못하면, 프로세서(220)는 사용자가 웨어러블 디바이스를 착용하고 있지 아니한 것으로 결정할 수 있다. 프로세서(220)가 사용자가 웨어러블 디바이스를 착용하고 있지 아니한 것으로 결정한 때에는, 센서부(240)는 다시 사용자의 광용적맥파 신호를 탐지할 수 있다.
또한, 프로세서(220)는 센서부(240)가 감지하는 사용자의 움직임에 따라 사용자가 웨어러블 디바이스를 착용하고 있는지 여부를 결정할 수 있다. 예를 들어, 센서부(240)가 사용자의 움직임을 감지하고, 사용자의 광용적맥파 신호도 감지하면, 프로세서(220)는 사용자가 웨어러블 디바이스를 착용하고 있는 것으로 결정할 수 있다.
다시, 도 3을 참조하면, 단계 320에서 프로세서(220)는 사용자가 웨어러블 디바이스를 착용중인 것으로 결정된 것에 응답하여 광용적맥파 신호를 가공함으로써 가공된 광용적맥파 신호를 생성할 수 있다.
먼저, 프로세서(220)는 광용적맥파 신호의 SNR(Signal to Noise Ratio) 값을 산출하고, SNR 값이 기 설정된 임계 값 이상인 광용적맥파 신호를 추출할 수 있다.
예를 들어, 프로세서(220)는 수학식 1을 이용하여 광용적맥파 신호의 SNR 값을 산출할 수 있다. 수학식 1은 다음과 같다.
여기에서, 는 광용적맥파 신호를 퓨리에 변환(Fourier transform)을 이용하여 주파수 대역대로 변환한 때 Power 값을 의미한다. 또한, 는 심박 대역에 해당하는 0.8 내지 3Hz(약 50 내지 180bpm)에서 광용적맥파 신호의 최대 Power 값이고, 은 전체 주파수 대역에서 광용적맥파 신호의 Power 값들을 합한 값을 의미한다.
프로세서(220)는 수학식 1을 이용하여 산출한 SNR 값이 기 설정된 임계 값 이상인 광용적맥파 신호만을 추출할 수 있다. 여기에서, 기 설정된 임계 값은, 0.8일 수 있으나, 이에 한정되지 아니한다. 따라서, 프로세서(220)는 수학식 1을 이용하여 산출한 SNR 값이 0.8 이상인 광용적맥파 신호만을 추출할 수 있다.
또한, 프로세서(220)는 추출된 광용적맥파 신호의 경향성을 제거할 수 있다.
이하, 도 4를 참조하여, 프로세서(220)가 추출된 광용적맥파 신호의 경향성을 제거하는 일 예를 설명한다.
도 4는 일 실시예에 따른 프로세서(220)가 광용적맥파 신호의 경향성을 제거하는 일 예를 설명하기 위한 도면이다.
도 4를 참조하면, 프로세서(220)는 추출된 광용적맥파 신호(410)를 경향성이 제거된 광용적맥파 신호(420)로 가공할 수 있다.
여기에서, 경향성 제거는, 시계열 데이터의 선형 추세를 제거하는 데이터 가공 방법의 하나일 수 있다. 경향성이 제거된 신호는 전체적인 변화가 감소하여, 해당 신호의 최대, 최소값을 정확하고 쉽게 찾을 수 있다. 또한, 도 4에 도시된 추출된 광용적맥파 신호(410) 및 경향성이 제거된 광용적맥파 신호(420) 그래프들의 가로축은 시간(초), 세로축은 진폭(밀리미터)를 의미할 수 있다.
프로세서(220)는 추출된 광용적맥파 신호(410)의 경향성을 제거하기 위해, Detrending 연산을 이용할 수 있다. 프로세서(220)는 Detrending 연산을 이용하여 경향성이 제거된 광용적맥파 신호(420)를 정규화 시켜 평균이 0인 광용적맥파 신호를 생성한다. 따라서, 프로세서(220)는 정규화를 거친 광용적맥파 신호의 최대, 최소값을 정확하고 쉽게 찾을 수 있다.
또한, 프로세서(220)는 경향성이 제거된 광용적맥파 신호를 복수의 제1 서브 신호들로 분리할 수 있다.
이하, 도 5를 참조하여, 프로세서(220)가 경향성이 제거된 광용적맥파 신호를 복수의 제1 서브 신호들로 분리하는 일 예를 설명한다.
도 5는 일 실시예에 따른 프로세서(220)가 광용적맥파 신호를 복수의 제1 서브 신호들로 분리하는 일 예를 설명하기 위한 도면이다.
도 5를 참조하면, 프로세서(220)는 경향성이 제거된 광용적맥파 신호(510)를 제1 서브 신호(520)들로 분리할 수 있다.
여기에서, 제1 서브 신호(520)는, 단일 주기 신호, 즉 하나의 주기를 갖는 신호를 의미한다. 또한, 도 5에 도시된 경향성이 제거된 광용적맥파 신호(510) 그래프의 가로축은 시간(초), 세로축은 진폭(밀리미터)를 의미하며, 제1 서브 신호(520) 그래프의 가로축은 샘플의 수(개), 세로축은 진폭(밀리미터)를 의미할 수 있다.
예를 들어, 프로세서(220)는 경향성이 제거되고, 정규화를 거친 광용적맥파 신호의 아래쪽에 존재하는 변곡점, 즉, 광용적맥파 신호의 피크(Peak) 값들을 검출하여 단일 주기 신호들로 분리한다. 다시 말해, 프로세서(220)는 경향성이 제거된 광용적맥파 신호(510)의 피크 값들을 검출하고, 인접한 두 개의 피크 값들 사이의 신호를 제1 서브 신호(520)로 분리한다.
여기에서, 프로세서(220)는 파라미터를 설정하여 피크 값들을 검출할 수 있다. 예를 들어, 프로세서(220)는 최소거리 및 최소값을 파라미터로 사용하여 피크 값들을 검출할 수 있다.
프로세서(220)는 제1 서브 신호들을 보간하여 동일한 주기를 갖는 복수의 제2 서브 신호들을 생성할 수 있다.
이하, 도 6을 참조하여, 프로세서(220)가 제1 서브 신호들을 보간하여 동일한 주기를 갖는 복수의 제2 서브 신호들을 생성하는 방법의 일 예를 설명한다.
도 6은 일 실시예에 따른 프로세서(220)가 복수의 제1 서브 신호들을 보간하여 동일한 주기를 갖는 복수의 제2 서브 신호들을 생성하는 일 예를 설명하기 위한 도면이다.
도 6을 참조하면, 프로세서(220)는 제1 서브 신호(620)들을 보간신호(630)들로 보간하여 제2 서브 신호(610)들을 생성할 수 있다.
여기에서, 도 6에 도시된 그래프의 상단 가로축은 제2 서브 신호(610)의 샘플 수(개), 하단 가로축은 제1 서브 신호(620)의 샘플 수(개), 세로축은 진폭(밀리미터)를 의미할 수 있다.
사용자의 심박수는 각 심박마다 차이가 있으므로, 사용자의 광용적맥파 신호의 각 주기마다도 차이가 있다. 각 주기마다 차이가 있는 경우에는, 각 주기들의 동일한 지점에서 평균값을 구할 수 없으므로, 동일한 주기를 갖는 신호가 필요하다.
따라서, 프로세서(220)는 보간법을 이용하여 동일한 길이의 신호, 즉, 동일한 주기의 제2 서브 신호(610)를 생성한다. 여기에서, 프로세서(220)는 2차 스플라인 보간법을 이용하여 제2 서브 신호(610)를 생성할 수 있다. 2차 스플라인 보간법은, 복수의 데이터 포인트들을 통해 곡선을 형성하는 보간법으로써, 각 데이터 포인트들 사이에서 보간되는 값들을 추정하는 방법이다. 다만, 프로세서(220)가 이용하는 보간법의 예는 이에 한정되지 아니한다.
또한, 프로세서(220)는 적어도 둘 이상의 제2 서브 신호들을 이용하여 적어도 하나의 가공된 광용적맥파 신호를 생성할 수 있다.
이하, 도 7을 참조하여, 프로세서(220)가 제2 서브 신호들을 이용하여 가공된 광용적맥파 신호를 생성하는 일 예를 설명한다.
도 7은 일 실시예에 따른 제2 서브 신호들을 이용하여 가공된 광용적맥파 신호를 생성하는 일 예를 설명하기 위한 도면이다.
도 7을 참조하면, 프로세서(220)는 복수의 제2 서브 신호(710)들을 이용하여 하나의 가공된 광용적맥파 신호(720)를 생성할 수 있다.
여기에서, 도 7에 도시된 그래프의 가로축은 가공된 광용적맥파 신호(720)의 샘플 수(개), 세로축은 진폭(cm)을 의미할 수 있다.
예를 들어, 프로세서(220)는 복수의 제2 서브 신호(710)들을 겹쳐 평균을 산출하여 하나의 가공된 광용적맥파 신호(720)를 생성할 수 있다. 여기에서, 프로세서(220)는 다섯 개의 제2 서브 신호(710)들을 겹쳐 하나의 가공된 광용적맥파 신호(720)를 생성할 수 있으나, 제2 서브 신호(710)들의 수는 이에 한정되지 아니한다.
예를 들어, 프로세서(220)는 앙상블 평균을 이용하여 복수의 제2 서브 신호(710)들의 평균을 산출할 수 있다. 여기에서, 앙상블 평균이란, 광용적맥파 신호의 시간 축을 고정시킨 상태에서 복수의 표본 평균을 산출하는 것을 의미한다. 또한, 프로세서(220)는 수학식 2를 이용하여 복수의 제2 서브 신호(710)들의 앙상블 평균을 산출할 수 있다. 수학식 2는 다음과 같다.
여기에서, 는 생성되는 가공된 광용적맥파 신호(720)를 의미하고, 은 겹쳐지는 제2 서브 신호(710)의 수를 의미하고, 는 제2 서브 신호(710)의 주기를 의미하고, 은 가공된 광용적맥파 신호(720)의 번째 샘플을 의미한다.
따라서, 프로세서(220)는 수학식 2를 이용하여 복수의 제2 서브 신호(710)들의 평균을 산출하고, 산출된 평균을 나타내는 하나의 가공된 광용적맥파 신호(720)를 생성할 수 있다.
다시, 도 3을 참조하면, 단계 330에서 프로세서(220)는 딥러닝 모델의 입력 데이터로써 가공된 광용적맥파 신호를 입력하고, 출력 데이터로써 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하여 사용자를 인증할 수 있다.
예를 들어, 프로세서(220)는 유사도가 기 설정된 범위에 포함되는지 여부를 결정하고, 유사도가 기 설정된 범위에 포함되는 것으로 결정된 것에 응답하여 사용자를 인증할 수 있다.
여기에서, 딥러닝 모델은, 제1 모델 및 제2 모델을 포함할 수 있다. 예를 들어, 제1 모델은 가공된 광용적맥파 신호에서 제1 특징벡터를 추출할 수 있다. 예를 들어, 제2 모델은 제1 특징벡터와 제2 특징벡터의 차이를 계산하고, 차이를 나타내는 제3 특징벡터를 생성할 수 있다. 또한, 제2 모델은 제3 특징벡터를 이용하여 사용자의 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호 사이의 유사도를 산출할 수 있다. 여기에서, 제2 특징벡터는, 기 등록된 사용자의 광용적맥파 신호에서 추출한 특징벡터일 수 있다. 예를 들어, 프로세서(220)는 제1 특징벡터와 제2 특징벡터 간의 차이를 나타내는 제3 특징벡터를 생성하고, 제2 모델은 제3 특징벡터를 이용하여 사용자의 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호 사이의 유사도를 산출할 수 있다.
이하, 도 8을 참조하여, 프로세서(220)가 딥러닝 모델을 이용하여 사용자를 인증하는 방법의 일 예를 설명한다.
도 8은 일 실시예에 따른 딥러닝 모델을 이용하여 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하는 일 예를 설명하기 위한 도면이다.
도 8을 참조하면, 프로세서(220)는 딥러닝 모델(820)의 입력 데이터로써 가공된 광용적맥파 신호(810)를 입력하고, 출력 데이터로써 유사도(830)를 획득한다.
먼저, 딥러닝 모델(820)은 제1 모델 및 제2 모델을 포함할 수 있다. 여기에서, 제1 모델 및 제2 모델은 각각 하나의 딥러닝 모델을 의미하는 것이 아니고, 하나의 딥러닝 모델(820)의 일부 구성 또는 일부 파트들로써 각각 상이한 동작을 할 수 있다. 예를 들어, 제1 모델은 수개의 1차원 컨볼루션 레이어를 쌓은 형태일 수 있으며, 제2 모델은 수개의 리니어 레이어를 쌓은 형태일 수 있다.
예를 들어, 제1 모델은 가공된 광용적맥파 신호에서 제1 특징벡터를 추출할 수 있다. 다시 말해, 프로세서(220)가 딥러닝 모델(820)의 입력 데이터로써 도 4 내지 도 7을 참조하여 상술한 가공된 광용적맥파 신호(810)를 입력하면, 제1 모델은 가공된 광용적맥파 신호(810)를 가공된 광용적맥파 신호(810)의 특징을 표현하는 제1 특징벡터를 생성할 수 있다.
예를 들어, 제2 모델은 제1 특징벡터와 제2 특징벡터의 차이를 계산할 수 있다. 여기에서, 제2 특징벡터는 기 등록된 사용자의 광용적맥파 신호에서 추출한 특징벡터일 수 있으며, 제2 모델에 기 저장된 특징벡터일 수 있다.
일 예로서, 제2 모델은 제1 특징벡터와 제2 특징벡터의 차이를 나타내는 제3 특징벡터를 생성할 수 있으며, 제3 특징벡터를 이용하여 사용자의 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호 사이의 유사도를 산출할 수 있다. 다른 예로서, 프로세서(220)가 제1 특징벡터와 제2 특징벡터 간의 차이를 나타내는 제3 특징벡터를 생성하고, 제2 모델은 제3 특징벡터를 이용하여 사용자의 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호 사이의 유사도를 산출할 수 있다. 여기에서, 제2 모델은 소정의 함수를 이용하여 유사도(830)를 0 내지 1 사이의 값으로 출력할 수 있다.
예를 들어, 프로세서(220)는 출력된 유사도(830)가 기 설정된 범위에 포함되는지 여부를 결정하고, 출력된 유사도(830)가 기 설정된 범위에 포함되는 것으로 결정된 것에 응답하여 사용자를 인증할 수 있다. 여기에서, 기 설정된 범위는, 0.7 내지 1 사이의 범위를 의미할 수 있으나, 이에 한정되지 아니한다.
예를 들어, 딥러닝 모델은 학습 데이터로써, 갱신되는 인증된 사용자의 제1 특징벡터를 이용하여 재학습될 수 있다. 다시 말해, 딥러닝 모델은 프로세서(220)가 사용자를 인증한 근거가 된 제1 특징벡터를 학습 데이터로 갱신하여 재학습될 수 있다.
예를 들어, 제2 특징벡터는 인증된 사용자의 제1 특징벡터에 기초하여 갱신될 수 있다. 다시 말해, 프로세서(220)는 사용자를 인증한 근거가 된 제1 특징벡터를 이후의 사용자 인증 과정에서 제2 특징벡터로 이용할 수 있다.
일 예시로, 제2 모델은 웨어러블 디바이스가 계속적으로 수신하는 광용적맥파 신호로부터 추출된 제1 특징벡터와 갱신된 제2 특징벡터의 차이를 계산하고, 차이를 나타내는 제3 특징벡터를 생성할 수 있다. 다시 말해, 프로세서(220)는 사용자의 인증 요청이 없는 경우에도, 계속적으로 사용자의 광용적맥파 신호를 추출하여 제1 특징벡터 및 제3 특징벡터를 생성함으로써 사용자 인증 과정을 인증된 사용자에게 최적화할 수 있다.
다른 예시로, 프로세서(220)는 웨어러블 디바이스가 계속적으로 수신하는 광용적맥파 신호로부터 추출된 제1 특징벡터와 갱신된 제2 특징벡터의 차이를 나타내는 제3 특징벡터를 생성하고, 제2 모델은 제3 특징벡터를 이용하여 사용자 인증 과정을 인증된 사용자에게 최적화할 수 있다.
상술한 바에 따르면, 본 발명은 접촉식 장치를 이용하지 않고도 웨어러블 디바이스의 사용자를 인증할 수 있다.
또한, 본 발명은, 계속적으로 광용적맥파를 추출하여 최신화함으로써 인증된 사용자에게 최적화된 사용자 인증 과정을 제공할 수 있다.
한편, 상술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 램, USB, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하며, 권리 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점을 포함하는 것으로 해석되어야 할 것이다.
110: 사용자
120: 웨어러블 디바이스
130: 광용적맥파 신호

Claims (7)

  1. 웨어러블 디바이스의 사용자를 인증하는 방법에 있어서,
    상기 사용자의 광용적맥파 신호(PPG signal)를 이용하여 상기 사용자의 상기 웨어러블 디바이스 착용 여부를 결정하는 단계;
    상기 사용자가 상기 웨어러블 디바이스를 착용중인 것으로 결정된 것에 응답하여 상기 광용적맥파 신호를 가공함으로써 가공된 광용적맥파 신호를 생성하는 단계; 및
    딥러닝 모델의 입력 데이터로써 상기 가공된 광용적맥파 신호를 입력하고, 출력 데이터로써 상기 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하여 상기 사용자를 인증하는 단계;를 포함하고,
    상기 딥러닝 모델은 제1 모델 및 제2 모델을 포함하고,
    상기 제1 모델은 상기 가공된 광용적맥파 신호에서 제1 특징벡터를 추출하고,
    상기 제2 모델은 상기 제1 특징벡터와 상기 기 등록된 사용자의 광용적맥파 신호에서 추출한 제2 특징벡터 간의 차이를 계산하고, 상기 차이를 나타내는 제3 특징벡터를 생성하며, 상기 제3 특징벡터를 이용하여 상기 유사도를 산출하는, 방법.
  2. 제1항에 있어서,
    상기 가공된 광용적맥파 신호를 생성하는 단계는,
    상기 광용적맥파 신호의 SNR(Signal to Noise Ratio) 값을 산출하고, 상기 SNR 값이 기 설정된 임계 값 이상인 상기 광용적맥파 신호를 추출하는 단계;
    상기 추출된 광용적맥파 신호의 경향성을 제거하는 단계;
    상기 경향성이 제거된 광용적맥파 신호를 복수의 제1 서브 신호들로 분리하는 단계;
    상기 제1 서브 신호들을 보간하여 동일한 주기를 갖는 복수의 제2 서브 신호들을 생성하는 단계; 및
    적어도 둘 이상의 상기 제2 서브 신호들을 이용하여 적어도 하나의 상기 가공된 광용적맥파 신호를 생성하는 단계;
    를 포함하는, 방법.
  3. 제1항에 있어서,
    상기 인증하는 단계는,
    상기 유사도가 기 설정된 범위에 포함되는지 여부를 결정하고, 상기 유사도가 상기 기 설정된 범위에 포함되는 것으로 결정된 것에 응답하여 상기 사용자를 인증하는 단계;
    를 포함하는, 방법.
  4. 제1항에 있어서,
    상기 딥러닝 모델은 학습 데이터로써, 갱신되는 상기 인증된 사용자의 상기 제1 특징벡터를 이용하여 재학습되는, 방법.
  5. 제1항에 있어서,
    상기 제2 특징벡터는 상기 인증된 사용자의 상기 제1 특징벡터에 기초하여 갱신되고,
    상기 제2 모델은,
    상기 웨어러블 디바이스가 계속적으로 수신하는 광용적맥파 신호로부터 추출된 제1 특징벡터와 상기 갱신된 제2 특징벡터의 차이를 계산하고, 상기 차이를 나타내는 제3 특징벡터를 생성하는, 방법.
  6. 웨어러블 디바이스의 사용자를 인증하는 장치에 있어서,
    적어도 하나의 프로그램이 저장된 메모리; 및
    상기 적어도 하나의 프로그램을 실행하는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 사용자의 광용적맥파 신호(PPG signal)를 이용하여 상기 사용자의 상기 웨어러블 디바이스 착용 여부를 결정하고,
    상기 사용자가 상기 웨어러블 디바이스를 착용중인 것으로 결정된 것에 응답하여, 상기 광용적맥파 신호를 가공함으로써 가공된 광용적맥파 신호를 생성하며,
    딥러닝 모델의 입력 데이터로써 상기 가공된 광용적맥파 신호를 입력하고, 출력 데이터로써 상기 가공된 광용적맥파 신호와 기 등록된 사용자의 광용적맥파 신호의 유사도를 산출하여 상기 사용자를 인증하고,
    상기 딥러닝 모델은 제1 모델 및 제2 모델을 포함하고,
    상기 제1 모델은 상기 가공된 광용적맥파 신호에서 제1 특징벡터를 추출하고,
    상기 제2 모델은 상기 제1 특징벡터와 상기 기 등록된 사용자의 광용적맥파 신호에서 추출한 제2 특징벡터 간의 차이를 계산하고, 상기 차이를 나타내는 제3 특징벡터를 생성하며, 상기 제3 특징벡터를 이용하여 상기 유사도를 산출하는, 장치.
  7. 제1항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020230091865A 2023-05-16 2023-07-14 웨어러블 디바이스의 사용자를 인증하는 방법 및 장치 KR102641806B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230062953 2023-05-16
KR20230062953 2023-05-16

Publications (1)

Publication Number Publication Date
KR102641806B1 true KR102641806B1 (ko) 2024-02-28

Family

ID=90052806

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230091865A KR102641806B1 (ko) 2023-05-16 2023-07-14 웨어러블 디바이스의 사용자를 인증하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102641806B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190107616A (ko) * 2019-08-30 2019-09-20 엘지전자 주식회사 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
KR20220107725A (ko) * 2021-01-26 2022-08-02 (주)이플마인드 기기 착용 여부를 고려한 제어를 수행하는 웨어러블 디바이스, 그 제어 방법 및 컴퓨터 프로그램

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190107616A (ko) * 2019-08-30 2019-09-20 엘지전자 주식회사 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
KR20220107725A (ko) * 2021-01-26 2022-08-02 (주)이플마인드 기기 착용 여부를 고려한 제어를 수행하는 웨어러블 디바이스, 그 제어 방법 및 컴퓨터 프로그램

Similar Documents

Publication Publication Date Title
US9946942B2 (en) Method, apparatus and system for biometric identification
US10646168B2 (en) Drowsiness onset detection
Chu et al. ECG authentication method based on parallel multi-scale one-dimensional residual network with center and margin loss
EP3189779A2 (en) Electrocardiogram (ecg) authentication method and apparatus
CN106031638B (zh) 基于指纹和心电图信号的用户验证方法和设备
WO2017201972A1 (zh) 基于脑电信号的身份识别的方法和装置
JP2012212362A (ja) 情報処理装置、情報処理方法及びプログラム
Islam et al. HBS: a novel biometric feature based on heartbeat morphology
US20160132669A1 (en) Biometric user authentication system and a method therefor
JP2016539747A (ja) 睡眠サイクルに基づいて睡眠段階を決定するためのシステム及び方法
US9672339B2 (en) Electro-biometric authentication
KR20180082948A (ko) 심전도 신호를 사용한 사용자의 신분 인증 방법 및 신분 인증 장치.
Hasan et al. Gait recognition with wearable sensors using modified residual block-based lightweight cnn
Jaafar et al. Acceleration plethysmogram based biometric identification
Ekiz et al. End-to-end deep multi-modal physiological authentication with smartbands
KR102641806B1 (ko) 웨어러블 디바이스의 사용자를 인증하는 방법 및 장치
Girish Rao Salanke et al. An enhanced intrinsic biometric in identifying people by photopleythsmography signal
Li et al. Hiding your signals: A security analysis of PPG-based biometric authentication
Mesin et al. A low cost ECG biometry system based on an ensemble of support vector machine classifiers
US11266346B2 (en) Method and apparatus for determining sleep state using biometric information and motion information
US12016665B2 (en) Method for generating heart rate variability information related to external object by using plurality of filters, and device therefor
Wan et al. Deep learning-based photoplethysmography biometric authentication for continuous user verification
RU2751137C1 (ru) Способ определения фазы сна в длительной записи ээг
Progonov et al. Heartbeat-based authentication on smartwatches in various usage contexts
Bui et al. A biometric modality based on the seismocardiogram (SCG)

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant