KR100718125B1 - 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법 - Google Patents

생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법 Download PDF

Info

Publication number
KR100718125B1
KR100718125B1 KR1020050024938A KR20050024938A KR100718125B1 KR 100718125 B1 KR100718125 B1 KR 100718125B1 KR 1020050024938 A KR1020050024938 A KR 1020050024938A KR 20050024938 A KR20050024938 A KR 20050024938A KR 100718125 B1 KR100718125 B1 KR 100718125B1
Authority
KR
South Korea
Prior art keywords
denotes
signal
biometric
template
periodic
Prior art date
Application number
KR1020050024938A
Other languages
English (en)
Other versions
KR20060102882A (ko
Inventor
김경호
김경섭
윤태호
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020050024938A priority Critical patent/KR100718125B1/ko
Priority to US11/312,442 priority patent/US7630521B2/en
Publication of KR20060102882A publication Critical patent/KR20060102882A/ko
Application granted granted Critical
Publication of KR100718125B1 publication Critical patent/KR100718125B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

생체신호와 인공신경회로망을 이용한 생체인식 장치 및 방법이 개시된다. 그 장치는, 주어진 생체신호로부터 주기적으로 반복되는 하나 이상의 주기신호를 추출하는 주기신호 추출부 추출된 주기신호를 이용하여 템플릿 값을 산출하는 템플릿 산출부 복수의 생체 각각마다 대응되는 템플릿 값을 저장하는 템플릿 저장부 및 산출된 템플릿 값에 가장 근사한 템플릿 값을 템플릿 저장부로부터 독출하는 독출부를 포함함을 특징으로 한다. 그러므로, 본 발명은 개인 고유의 생체신호의 특성을 모두 고려하여 생체를 인식함으로써 정확히 개인을 식별할 수 있는 효과를 갖는다.

Description

생체신호와 인공신경회로망을 이용한 생체인식 장치 및 방법{Biometric apparatus and method using bio signal and artificial neural network}
도 1은 인공신경회로망을 설명하기 위한 참고도이다.
도 2는 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 장치를 설명하기 위한 블록도이다.
도 3(a) 및 도 3(b) 는 심전도 신호의 예를 각각 도시한 것이다.
도 4는 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 방법을 설명하기 위한 일 실시예의 플로우챠트이다.
도 5는 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 방법을 설명하기 위한 다른 실시예의 플로우챠트이다.
도 6은 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 방법을 설명하기 위한 또 다른 실시예의 플로우챠트이다.
< 도면의 주요 부분에 대한 부호의 설명 >
210 : 아날로그-디지털 변환부 220 : 주기신호 추출부
230 : 템플릿 산출부 240 : 템플릿 저장부
250 : 독출부 260 : 검사부
270 : 인증부 280 : 갱신부
본 발명은 심전도와 같은 생체신호와 인공신경회로망을 이용한 생체인식에 관한 것으로, 보다 상세하게는, 개인의 고유한 생체신호로부터 주기적인 신호를 추출하고 그 추출된 신호를 이용하여 산출된 템플릿 값을 분석함으로써 생체를 인식하는 생체신호와 인공신경회로망을 이용한 생체인식 장치 및 방법에 관한 것이다.
현대인들은 금융, 통신 및 보안 등 다양한 분야에서 인증 장치를 어렵지 않게 접할 수 있다. 더욱이, 분실 또는 복제의 염려가 적은 개인 고유의 생체 특성을 이용하여 인증을 수행하는 인증 장치가 보편화되고 있는 것이 오늘날의 추세이다.
인증 장치에서 이용하는 개인 고유의 생체 특성으로는 홍채의 고유한 형태, 지문의 고유한 형태, 얼굴의 고유한 형태, 손등 정맥의 패턴 등이 그 예가 될 수 있다.
홍채인식 장치는 동공에 입사되는 광량을 조절하는 기관인 홍채 조직이 개인마다 고유한 형태를 갖는다는 점을 이용하여 개인을 식별하는 장치이다. 이러한, 홍채인식 장치는 사용자가 눈을 깜빡 거리거나 미세하게 움직이면 정확한 인식을 수행할 수 없으며, 외부 조명의 영향을 많이 받는다는 문제점을 갖는다.
지문인식 장치는 지문을 영상처리 및 분석하여 개인을 식별하는 장치이다. 이러한 지문인식 장치는 땀 또는 피부의 일그러짐에 의해 정확한 인식을 수행할 수 없다는 문제점을 갖는다.
얼굴인식 장치는 얼굴 모양이 인증 대상자의 얼굴 각도, 표정, 나이에 따라 달라질 수 있기 때문에 실제로 개인 인증에 활용하기 어렵다는 문제점을 갖는다. 이러한 문제점은 인증 대상자의 무의식적인 표정 변화에 의해서 두드러진다.
정맥패턴 인식장치는 손등정맥 패턴을 접촉식 적외선 촬영장치를 이용하여 촬영하고 개인을 식별하는 장치이다. 이러한 정맥패턴 인식장치는 패턴을 정규화 및 데이터베이스로 구축하기가 어렵다는 문제점을 갖는다.
한편, 생체신호, 특히 심전도를 이용한 생체인식 장치가, 2002년에 'T.W. Shen, W.J. Tompkins 및 Y.H. Hu'에 의해"One-Lead ECG for Identity Verification"라는 제목으로"2nd Joint Conference of the IEEE Engineering in Medicine and Biology Society and the Biomedical Engineering Society"라는 발표지의 페이지 62쪽부터 63쪽에 개시되었다. 그러나, 이와 같은 종래의 장치는 단순히 특이점 간의 거리만을 계산하기 때문에 개인 고유의 심전도 파형 모양 특성을 전혀 고려할 수 없다는 문제점을 갖는다. 또한, 특이점들의 상대적인 거리로부터 도출되는 개인 식별자의 정보가 몇 가지로만 제한되어 있어 실제로 개인을 인증하는데 필요한 정보들이 많이 결핍되어 있다는 문제점도 갖는다.
또한, 심전도 생체신호를 이용하여 개인을 식별하고자 하는 종래의 다른 생체인식 장치가 2001년에'Lean Biel, Ola Pettersson, Lennart Philipson 및 Peter Wide'에 의해 "ECG Analysis: A New Approach in Human Identification"라는 제목으로 "IEEE Transactions on Instrumentation and Measurement, vol.50, no.3, June 2001"라는 학회지의 페이지 808쪽부터 812쪽에 개시되었다. 그러나, 이러한 종래 장치도 상술한 종래의 심전도를 이용한 생체인식 장치가 갖는 문제점을 해결하지 못한다.
그 밖에, 심전도 생체신호를 이용하여 개인을 식별하고자 하는 종래의 또 다른 생체인식 장치가 2001년에 'Masaki Kyoso 및 Akihiko Uchiyama'에 의해 "Development of An ECG Identification System"라는 제목으로 IEEE 국제 학술 대회인"23rd Annual EMBS International Conference"라는 학술 대회의 발표지의 페이지 3721쪽부터 3723쪽에 개시되었다. 그러나, 이러한 종래 장치 역시 상술한 종래의 심전도를 이용한 생체인식 장치가 갖는 문제점을 해결하지 못한다.
본 발명이 이루고자 하는 기술적 과제는, 개인의 고유한 생체신호로부터 주기적인 신호를 추출하고 그 추출된 신호를 이용하여 산출된 템플릿 값을 분석함으로써 생체를 인식하는 생체신호와 인공신경회로망을 이용한 생체인식 장치를 제공하는 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 개인의 고유한 생체신호로부터 주기적인 신호를 추출하고 그 추출된 신호를 이용하여 산출된 템플릿 값을 분석함으로써 생체를 인식하는 생체신호와 인공신경회로망을 이용한 생체인식 방법을 제공하는 것이다.
본 발명이 이루고자 하는 또 다른 기술적 과제는, 개인의 고유한 생체신호로부터 주기적인 신호를 추출하고 그 추출된 신호를 이용하여 산출된 템플릿 값을 분석함으로써 생체를 인식하는 적어도 하나의 컴퓨터 프로그램을 저장하는 컴퓨터로 읽을 수 있는 기록매체를 제공하는 것이다.
상기 과제를 이루기 위해, 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 장치는, 주어진 생체신호로부터 주기적으로 반복되는 하나 이상의 주기신호를 추출하는 주기신호 추출부 상기 추출된 주기신호를 이용하여 템플릿 값을 산출하는 템플릿 산출부 복수의 생체 각각마다 대응되는 템플릿 값을 저장하는 템플릿 저장부 및 상기 산출된 템플릿 값에 가장 근사한 템플릿 값을 상기 템플릿 저장부로부터 독출하는 독출부를 포함함을 특징으로 한다.
본 발명의 상기 주기신호 추출부는, 상기 추출된 주기신호를 퓨리에 전개하고 역 퓨리에 전개하여 시간정규화 신호를 생성하며, 상기 템플릿 산출부는, 상기 생성된 시간정규화 신호를 이용하여 상기 템플릿 값을 산출하고, 상기 생성된 시간정규화 신호들 각각의 시간폭은 동일함이 바람직하다.
본 발명은 상기 생성된 시간정규화 신호를 샘플링하여 디지털 신호로 변환하는 아날로그-디지털 변환부를 더 포함하며, 상기 탬플릿 산출부는, 상기 변환된 디지털 신호를 이용하여 상기 템플릿 값을 산출하고, 상기 변환된 디지털 신호들 각각의 샘플 개수는 동일함이 바람직하다.
본 발명은 상기 독출된 템플릿에 해당하는 생체를 상기 주어진 생체신호에 해당하는 생체로 인식하는 인식부를 더 포함함이 바람직하다. 본 발명은 상기 독출된 템플릿 값에 해당하는 생체와 인증요청 생체와의 일치 여부를 검사하는 검사부 및 상기 검사된 결과에 응답하여 상기 주어진 생체신호가 상기 인증요청 생체로부터 생성되었는지를 인증하는 인증부를 더 포함함이 바람직하다. 또한, 본 발명은 상기 검사된 결과에 응답하여 상기 저장된 템플릿 값을 갱신하는 갱신부를 더 포함함이 바람직하다.
본 발명의 상기 주기신호 추출부는 상기 추출된 주기신호의 크기를 정규화하여 크기정규화 신호를 생성하며, 상기 템플릿 산출부는 상기 생성된 크기정규화 신호를 이용하여 상기 템플릿 값을 산출함이 바람직하다.
상기 다른 과제를 이루기 위해, 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 방법은, 주어진 생체신호로부터 주기적으로 반복되는 하나 이상의 주기신호를 추출하는 단계 상기 추출된 주기신호를 이용하여 템플릿 값을 산출하는 단계 및 복수의 생체 각각에 대응되어 저장된 템플릿 값 중 상기 산출된 템플릿 값에 가장 근사한 템플릿 값을 독출하고, 상기 독출된 템플릿에 해당하는 생체를 상기 주어진 생체신호에 해당하는 생체로 인식하는 단계를 포함함을 특징으로 한다.
상기 또 다른 과제를 이루기 위해, 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 방법을 수행하기 위한 적어도 하나의 컴퓨터 프로그램을 저장하는 컴퓨터로 읽을 수 있는 기록매체는, 주어진 생체신호로부터 주기적으로 반복되는 하나 이상의 주기신호를 추출하는 단계 상기 추출된 주기신호를 이용하여 템플릿 값을 산출하는 단계 및 복수의 생체 각각에 대응되어 저장된 템플릿 값 중 상기 산출된 템플릿 값에 가장 근사한 템플릿 값을 독출하고, 상기 독출된 템플릿에 해당하는 생체를 상기 주어진 생체신호에 해당하는 생체로 인식하는 단계를 포함함을 특징으로 한다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 생체신호와 인공신경회로망을 이용한 생체인식 장치와 방법 및 컴퓨터 프로그램을 저장하는 컴퓨터로 읽을 수 있는 기록매체의 일 실시예에 대해 상세히 설명한다. 다만, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 당해 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 인공신경회로망을 설명하기 위한 참고도이다. 컴퓨터와 뇌를 비교해 보면 기본적으로 정보 처리의 방식이 전혀 다르다. 즉, 컴퓨터는 주어진 프로그램에 따라서 한 번에 하나의 명령을 처리하는 직렬 처리를 하는 반면, 뇌는 수많은 뉴런들이 병렬적으로 명령을 처리한다. 또한 컴퓨터는 문제를 해결하기 위하여 문제의 해결 과정, 즉 알고리즘을 컴퓨터 언어로 표시하여야 하지만, 뇌는 학습에 의하여 문제를 해결하게 된다. 그 결과 뇌는 학습한 문제뿐만 아니라 학습하지 않은 문제도 유추를 통하여 해결할 수 있다. 이러한 뇌의 특성, 즉 신경망을 모방한 것이 인공신경회로망(Artificial Neural Network)이다. 이를 보다 구체적으로 설명하면 다음과 같다.
뉴런(neuron)은 생체 속에서 정보 처리를 위해 특별한 분화를 이룬 세포이다. 뉴런은 본체인 세포체 부분, 축색(axon) 부분 및 수상돌기(dendrite) 부분의 세 가지로 이루어진다.
축색은 세포체 본체로부터의 신호를 다른 뉴런에 전달하는 섬유(nerve fibers)이다. 한편, 수상돌기는 다른 뉴런으로부터의 신호를 받아들이는 섬유이다. 즉, 다른 뉴런의 축색의 말단이 수상돌기에 연결되어 있다. 이 연결 부분을 시냅스(synapse)라 부른다.
하나의 뉴런은 평균해서 수천 개, 많은 것은 수 만개의 축색으로부터 신호를 받고 있다고 한다. 따라서 하나의 뉴런이 다수의 축색과 결합하기 위해서는 그 뉴런의 수상돌기를 복잡하게 만들어 축색과 결합 가능한 장소를 넓힐 필요가 있다. 세포 본체는 많은 입력 신호에 대해 계산을 실행하며, 그 답은 축색을 통해 다른 뉴런에 전달된다. 이러한 신경회로망에서 어떠한 계산(혹은 정보 처리)을 할 것인가는 수상돌기의 연결 부분, 즉 시냅스에 분산되어 저장되어 있다고 여겨진다.
일반적으로 뉴런 내부의 전위(potential)는 외부에 비하여 낮다. 그러나외부로부터 입력 신호가 도달하면, 어떤 조건 하에서 뉴런이 흥분하고 내부 전위가 갑자기 높아진다. 이 때 뉴런은 발화했다고 하며, 이것은 전기 펄스신호로서 다른 뉴런에 전달된다.
뉴런의 발화를 보다 구체적으로 설명하면 다음과 같다. 수상돌기에 다른 뉴런으로부터의 전기 펄스가 오면 수상돌기 여러 곳의 전압이 약간씩 변동된다. 이 변동 값이 본체까지 도달하여 합산된다. 이 때, 그 합계가 어떤 임계치(threshold)를 넘으면 이것이 계기가 되어 뉴런이 발화하지만, 임계치를 넘지 못한다면 아무 반응도 일어나지 않는다.
한편, 전술한 전압의 변동에는 양의 변동과 음의 변동이 있다. 뉴런에는 흥분성 뉴런과 억제성 뉴런이 있으며, 흥분성 뉴런의 경우 양의 변동을 보이지만 억제성 뉴런의 경우 음의 변동을 보인다. 결국, 뉴런은 다른 뉴런으로부터 신호를 받아 들이고, 그 받아들인 신호마다 가중치를 곱하여 합산한 뒤 그 합산결과에 따라 발화 여부를 결정한다. 이 때, 가중치는 시냅스의 신호전달 효율을 의미하며, 양의 값을 가질 수도 있고 음의 값을 가질 수도 있다. 신경회로망의 이러한 원리를 수리적인 모델로 표시하여 구성한 회로망이 인공신경회로망이다.
인공신경회로망은 구조면에서 전방향 신경망(feedforward neural network)과 회귀 신경회로망(recurrent neural network)의 두 가지 유형으로 구분될 수 있다. 여기서, 전방향 신경회로망은 신호가 한 방향으로만 전달되는 신경회로망을 의미하고, 회귀 신경회로망은 신호가 양방향으로 전달 가능한 신경회로망을 의미한다.
특히, 전방향 신경회로망은 주로 입출력의 비선형사상(nonlinear mapping)에 적용된다. 도 1에 도시된 인공신경회로망(130)은 전방향 신경회로망의 일례로서, 복수의 층(layer)으로 이루어져 있으며 각 층은 바로 전 층(110)에서 신호를 받아 처리한 후 다음 층(120)에 전달하는 구조로 되어 있다. 여기서, X는 전 층(110)을 이루는 뉴런을 의미하며, Y는 다음 층(120)을 이루는 뉴런을 의미한다. Wij란 전 층(110)의 i번째 뉴런과 다음 층(120)의 j번째 뉴런의 결합 정도를 나타내는 가중치를 의미한다.
뇌는 과거의 경험에 의해서뿐만 아니라 학습(training)에 의하여도 자신의 동작을 보다 적절한 것으로 바꾸어 간다. 마찬가지로, 인공신경회로망의 가중치는 학습에 의해 변할 수 있다. 이 때, 심리학자 헵(Hebb)이 뇌의 해마(hippocampus)에서 관찰된 결과를 토대로 제안한 방식이 학습의 원리로서 적용된다. 식별 대상자로부터 검출된 생체신호가 인공신경회로망에 주어지는 경우, 그 인공신경회로망의 가중 치는 학습과정을 거쳐 그 생체신호에 대응되는 가중치로 설정된다. 또한, 일단 설정된 가중치도 추후 변경될 수 있다. 가중치는 이하 템플릿으로 명명될 수도 있다.
도 2는 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 장치(이하 "본 장치"라 함)를 설명하기 위한 블록도로서, 아날로그-디지털 변환부(210), 주기신호 추출부(220), 템플릿 산출부(230), 템플릿 저장부(240), 독출부(250), 인식부(255), 검사부(260), 인증부(270) 및 갱신부(280)를 포함한다.
여기서, IN1은 주어진 생체신호를 의미하며, 시간의 함수이다. 한편, 생체는 식별 대상자의 신체임이 바람직하고, 생체신호는 심전도(ECG), 뇌파(EEG), 근전도(EMG) 및 피부전기활동(EDA) 중 하나임이 바람직하다. 본 발명의 경우, 설명의 편의상 생체는 신체이며 생체신호는 심전도인 경우에 대해 설명하도록 한다.
한편, 본 장치에 주어지는 생체신호는 생체에 부착되는 소정의 센서를 통해 감지되어 주어짐이 바람직하다. 보다 구체적으로, 신체의 심전도는 손목 부근에 부착된 센서를 통해 감지될 수도 있고, 센서에 안착된 손바닥으로부터 감지될 수도 있다.
생체신호 IN1은 생체 즉, 식별 대상자마다 상이하다. 또한, 동일한 생체에서 감지된 생체신호일지라도 시간의 경과 또는 그 생체의 상태에 따라 감지되는 생체신호가 변할 수 있다. 예컨대, 신체의 건강 상태나 감정 상태에 따라 심전도는 변할 수 있다.
본 발명의 일 실시예에 따르면, 아날로그-디지털 변환부(210)는 소정의 아날로그 신호를 샘플링(sampling)하여 디지털 신호로 변환한다. 이 때, 샘플링은 일정 시각마다 이루어질 수도 있고 랜덤(random)한 시각마다 이루어질 수도 있다. 또한, 소정의 아날로그 신호란 주어진 생체신호 IN1을 의미할 수도 있고, 후술할 주기신호를 의미할 수도 있다.
도시된 바에 따르면, 주기신호 추출부(220)는 디지털 신호로부터 주기신호를 추출한다. 그러나, 이는 설명의 편의를 위한 것으로 그에 제한되지 않으며, 주기신호 추출부(220)는 아날로그-디지털 변환부(210)에 의해 변환된 디지털 신호로부터 주기신호를 추출할 수도 있고, 주어진 생체신호 IN1으로부터 주기신호를 추출할 수도 있다.
주기신호 추출부(220)는 하나의 변환된 디지털 신호 또는 하나의 주어진 생체신호로부터 하나 이상의 주기신호를 추출함이 바람직하다. 설명의 편의상, 주기신호 추출부(220)는m개의 주기신호를 추출한다고 가정한다. 이 때, m은 1보다 큰 양의 정수이다. 즉, 변환된 디지털 신호 또는 감지되는 생체신호 IN1은 시간이 경과함에 따라 다양한 주기신호를 나타낼 수 있고, 주기신호 추출부(220)는 그 중 m개의 주기신호를 추출한다.
주기신호 추출부(220)가 주어진 생체신호 IN1으로부터 주기신호를 추출하는 경우, 그 과정은 다음과 같다. 도 3(a) 및 도 3(b) 는 심전도 신호의 예를 각각 도시한 것이다. 도시된 심전도 신호에서 P, Q, R, S, T라고 하는 변곡점들을 포함한 부분이 주기적으로 반복되는 경우 그 변곡점들을 포함한 부분이 하나의 주기신호가 된다. 여기서, 변곡점이란 신호 파형 모양이 급격히 변하는 부분을 말하며, 급격인지 여부는 사전에 결정된 기준치에 근거하여 결정됨이 바람직하다. P, Q, R, S, T 등은 이러한 변곡점을 설명하기 위해 편의상 제시된 기호들이다.
따라서, 주기신호 추출부(220)는 이 변곡점들을 이용하여 생체신호 IN1으로부터 주기신호를 추출할 수 있다. 한편, 주기신호 추출부(220)는 주어진 생체신호 IN1으로부터 추출된 주기신호를 퓨리에 급수(Fourier Series)로 전개하고 역 퓨리에 전개(Inverse Fourier Series)하여 시간정규화 신호를 생성함이 바람직하다. 추출된 주기신호의 N(단, N은 2이상의 정수)차 주파수까지의 퓨리에 급수 전개는 다음과 같은 수학식에 의해 이루어짐이 바람직하다.
Figure 112005015868489-pat00001
where, i=1,2,...,p
where, j=1,2,...,m
여기서, Ci,N은 퓨리에 계수(Fourier Coefficient)를 의미하고, i는 식별 대상자를 의미하며, j는 각 생체신호로부터 추출되는 주기신호 각각을 의미한다. 또한, f는 주기신호를 의미하고, F는 퓨리에 전개를 의미한다. 예컨대,
Figure 112006087509469-pat00002
는 2번째 식별 대상자로부터 감지된 생체신호에서 3번째로 추출된 주기신호, 즉, 2번째 주어진 생체신호에서 3번째로 추출된 주기신호를 의미한다.
한편, 퓨리에 전개된 주기신호의 역 퓨리에 전개는 다음과 같은 수학식에 의해 이루어진다.
Figure 112005015868489-pat00003
여기서, IFS 는 역 퓨리에 전개를 의미하고, X는 시간정규화 신호를 의미한다.
전술한 바와 같이, 본 발명에 총 p개의 생체신호가 주어지고, 생체신호마다 총 m개의 주기신호가 추출된다면 p*m개의 주기신호 각각의 패턴 및 시간 폭은 상이함이 일반적이다. 이 경우, 주기신호 추출부(220)가 주기신호를 이용하여 시간정규화 신호를 생성한다면, 총 p*m개의 시간정규화 신호가 생성되며 그 시간정규화 신호 각각의 시간 폭은 동일하게 된다. 여기서, p는 1보다 큰 양의 정수이며, p개의 생체신호가 주어진다 함은 p명의 신체 각각으로부터 심전도를 감지함을 의미한다.
주기신호 추출부(220)가 주어진 생체신호 IN1으로부터 주기신호를 추출하고 시간정규화 신호를 생성한 경우, 아날로그-디지털 변환부(210)는 그 시간정규화 신호를 샘플링(sampling)하여 디지털 신호를 생성함이 바람직하다. 이 경우, 생성된 디지털 신호는 주기신호 추출부(220)에 전달되며, 그 전달된 신호는 후술할 템플릿 산출부(230)에 전달된다.
결국, p명의 식별 대상자로부터 감지된 p개의 생체신호에서, 주기신호 추출부(220)가 추출한 주기신호는, IN1으로부터 추출한 p*m개의 아날로그 신호 각각을 의미할 수도 있고, 그 추출된 p*m개의 아날로그 신호 각각의 시간정규화 신호를 의미할 수도 있으며, 그 p*m개의 시간정규화 신호를 샘플링한 디지털 신호를 의미할 수 도 있고, p개의 IN1을 샘플링하여 생성한 디지털 신호마다 추출한 m개의 주기성을 갖는 신호를 의미할 수도 있다.
다만, 설명의 편의상 이하 주기신호는 p*m개의 시간정규화 신호를 샘플링한 디지털 신호를 의미한다고 가정한다. 전술한 바와 같이, p*m개의 주기신호 각각의 패턴 및 시간 폭은 일반적으로 상이하지만, p*m개의 시간정규화 신호 각각의 시간 폭은 일치하므로 샘플링 패턴이 모든 시간정규화 신호에 대해 일치한다면 p*m개의 주기신호 각각이 갖는 샘플 개수는 모두 일치하게 된다. 결국, 주기신호 추출부(220)는 주어진 생체신호로부터 주기신호를 추출하고, 추출된 모든 주기신호에 대해 샘플 개수를 정규화함이 바람직하다.
템플릿 산출부(230)는 템플릿 값을 추출된 주기신호를 이용하여 산출할 수도 있고, 전술한 시간정규화 신호를 이용하여 산출할 수도 있고, 그 시간정규화 신호가 샘플링된 디지털 신호를 이용하여 산출할 수도 있다. 템플릿 산출부(230)는 다음의 수학식을 이용하여 템플릿 값을 산출함이 바람직하다.
Figure 112005015868489-pat00004
여기서, k는 주어진 생체신호에 해당하는 생체를 의미할 수도 있고, 그 주어진 생체신호를 의미할 수도 있으며, 1 내지 p 중 하나의 값임이 바람직하다. 한편, j1 또는 j2는 j의 가능한 수치 중 하나로서 사전에 결정된다. 특히, j1은 1이고, j2는 2 내지 m 중 하나임이 바람직하다.
이 때,
Figure 112005015868489-pat00005
는 다음의 수학식에 의해 산출된다.
Figure 112005015868489-pat00006
p*m개의 시간정규화 신호 각각이 갖는 샘플 개수가 N2개로 동일하고, 그 시간정규화 신호가 샘플링된 디지털 신호를 주기신호로 본다면, i번째 식별 대상자로부터 감지된 생체신호 중 j번째로 추출된 주기신호는 수학식 4에 의해 표현될 수 있다. 결국,
Figure 112005015868489-pat00007
는 벡터열로 구성된 행렬이라 할 수 있다. 이하,
Figure 112005015868489-pat00008
는 템플릿 벡터라 명명될 수 있다. 한편, T는 행렬의 트랜스포즈(transpose)를 의미한다.
템플릿 저장부(240)는 복수의 생체 각각마다 대응되는 템플릿 값을 저장한다. 한편, 템플릿 저장부(240)에 저장되는 템플릿 값은 다음의 수학식에 의해 산출된 결과임이 바람직하다.
Figure 112005015868489-pat00009
여기서, W 는 저장된 템플릿 값을 의미한다.
독출부(250)는 템플릿 산출부(230)에서 산출된 템플릿 값에 가장 근사한 템플릿 값을 템플릿 저장부(240)로부터 독출한다. 독출부(250)는 다음의 수학식을 이용하여 산출된 벡터
Figure 112005015868489-pat00010
의 크기를 최소로 하는 k에 대응되어 저장된 템플릿 값을 템플릿 저장부(240)로부터 독출한다.
Figure 112005015868489-pat00011
또한, 인식부(255)는 그 독출된 템플릿 값에 해당하는 생체를 그 주어진 생체신호에 해당하는 생체로 인식한다. 본 발명에 의하면 인식부(255)는 마련되지 않을 수도 있다.
검사부(260)는 독출부(250)에서 독출한 템플릿 값에 해당하는 생체와 인증요청 생체와의 일치 여부를 검사한다. IN2는 인증요청 생체를 의미하며, 인증요청 생체란 인증이 요구되는 생체를 말한다. 예컨대, 주어진 생체신호가 '갑'으로부터 감지된 생체신호임에도 불구하고 '을'의 생체신호라고 주장되는 경우, 인증요청 생체는 '을'이다. 이 경우, 독출한 템플릿 값에 해당하는 생체는 '갑'이며, 인증요청 생체는 '을'이다.
인증부(270)는 검사부(260)에서 검사된 결과에 응답하여, 주어진 생체신호 IN1가 인증요청 생체로부터 생성되었는지를 인증한다. 보다 구체적으로, 검사부(260)가 독출된 템플릿 값에 해당하는 생체와 인증요청 생체가 일치한다고 검사한 경우에 인증부(270)가 인증하게 된다.
본 발명의 다른 실시예에 따르면, 본 발명에 갱신부(280)가 마련됨이 바람직하다. 갱신부(280)는 검사부(260)에서 검사된 결과에 응답하여, 템플릿 저장부(240)에 저장된 템플릿 값을 갱신한다. 보다 구체적으로, 저장된 템플릿 값은 다음 의 수학식들을 이용하여 산출된 값으로 갱신됨이 바람직하다.
Figure 112005015868489-pat00012
Figure 112005015868489-pat00013
여기서, new는 갱신 후를 의미하며, old는 갱신 전을 의미한다. 또한, a+b=1이고 c+d=1임이 바람직하다.
생체신호 IN1은 동일한 생체로부터 감지될지라도, 시간이 경과함에 따라 변할 수 있다. 따라서, 본 발명에 의해 보다 정확한 개인 식별을 하기 위해서는, 인증부(280)에 의한 개인 인증이 임계 횟수이상 반복적으로 이루어지는 경우에 그 개인 인증을 확정함이 바람직하다. 여기서, 임계 횟수는 사전에 결정됨이 바람직하다.
예컨대, 인증에 n 번 연속적으로 성공한 경우에 한해, 주어진 생체신호가 인증요청 생체로부터 감지되었음을 확정할 수 있다고 할 때, 인증부(270)가 인증에 최초로 성공한 경우 갱신부(280)는 템플릿 저장부(240)에 저장된 템플릿 값을 갱신하고 인증부(270)는 재차 인증을 시도한다. 즉, 주기신호 추출부(220)는 그 주어진 생체신호 IN1으로부터 주기신호를 새로이 추출하고, 템플릿 산출부(230)는 그 새로이 추출된 주기신호의 템플릿 값을 새로이 산출한다. 결국, 주기신호 추출부(220)가 주기신호를 새로이 추출하는 대상은, 인증부(270)가 종전에 인증에 성공할 당시 보다 소정 시간 경과한 후에 동일한 식별 대상자로부터 감지되는 생체신호를 말한다.
이 때, 독출부(250)는 템플릿 산출부(230)에서 새로이 산출된 템플릿 값에 가장 근사한 템플릿 값을 템플릿 저장부(240)로부터 독출한다. 여기서, 템플릿 저장부(240)에 저장된 템플릿 값은 갱신부(280)에 의해 갱신된 상태이다. 독출부(250)는 다음의 수학식을 이용하여 산출된 벡터
Figure 112005015868489-pat00014
의 크기를 최소로 하는 k에 대응되어 저장된 템플릿 값을 템플릿 저장부(240)로부터 독출한다.
Figure 112005015868489-pat00015
그 새로이 검사된 결과에 응답하여, 인증부(270)가 재차 인증에 성공하는 경우, 인증부(270)는 인증에 성공한 총 횟수가 n이라면 개인 인증에 성공했음을 확정한다. 그러나, 인증에 성공한 총 횟수가 n보다 작다면, 인증부(270)는 전술한 바와 같이 인증을 재차 시도함이 바람직하다.
본 발명의 또 다른 실시예에 따르면, 주기신호 추출부(220)는 추출한 주기신호의 크기를 정규화하여 크기정규화 신호를 생성함이 바람직하다. 즉, 주기신호 추출부(220)에서 추출되는 주기신호는, 전술한 바와 같이, IN1으로부터 추출한 p*m개의 아날로그 신호 각각을 의미할 수도 있고, 그 추출된 p*m개의 아날로그 신호 각각의 시간정규화 신호를 의미할 수도 있으며, 그 p*m개의 시간정규화 신호를 샘플 링한 디지털 신호를 의미할 수도 있고, p개의 IN1을 샘플링하여 생성한 디지털 신호마다 추출한 m개의 주기성을 갖는 신호를 의미할 수도 있다. 나아가, 본 발명의 또 다른 실시예에 따르면, 주기신호는 그 시간정규화 신호의 크기정규화 신호를 의미할 수도 있고, 그 시간정규화 신호의 크기정규화 신호를 샘플링한 디지털 신호를 의미할 수도 있다. 크기정규화 신호는 후술할 인자
Figure 112005015868489-pat00016
를 이용하여 생성됨이 바람직하다. 그 생성 원리에 대하여는 후술하도록 한다.
한편, 템플릿 산출부(230)는 템플릿 값을 생성된 크기정규화 신호를 이용하여 산출할 수도 있고, 시간정규화 신호의 크기정규화 신호를 이용하여 산출할 수도 있으며, 시간정규화 신호의 크기정규화 신호를 샘플링한 디지털 신호를 이용하여 산출할 수도 있다.
이하 설명의 편의를 위해, 템플릿 산출부(230)는 시간정규화 신호의 크기정규화 신호를 샘플링한 디지털 신호를 이용하여 템플릿 값을 산출한다고 가정한다. 이 경우, 템플릿 산출부(230)는 주어진 생체신호로부터 추출된 주기신호의 템플릿 값을 다음의 수학식을 이용하여 산출함이 바람직하다.
Figure 112005015868489-pat00017
Figure 112005015868489-pat00018
여기서, k는 주어진 생체신호 IN1에 해당하는 생체를 의미하며, j1 또는 j2는 j의 가능한 수치 중 하나로서 사전에 결정되고, B는 주어진 생체신호 크기의 최대값을 의미한다.
한편, 템플릿 저장부(240)에 저장된 템플릿은 다음과 같은 수학식에 의해 산출됨이 바람직하다.
Figure 112005015868489-pat00019
Figure 112005015868489-pat00020
여기서, A는 사전에 설정된 상수이며,
Figure 112005015868489-pat00021
는 벡터열
Figure 112005015868489-pat00022
의 인자(element) 중 최대값을 의미한다.
이 경우, 독출부(250)는 다음의 수학식을 이용하여 산출된 벡터
Figure 112005015868489-pat00023
의 크기를 최소로 하는 k에 대응되어 저장된 템플릿 값을 독출한다.
Figure 112005015868489-pat00024
도 4는 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 방법을 설명하기 위한 일 실시예의 플로우챠트로서, 추출하는 단계(제410 단계), 산출하는 단계(제420 단계), 독출하는 단계(제430 단계), 판단하는 단계(제440 단계) 및 인 증하는 단계(제450 단계)로 이루어진다.
주기신호 추출부(220)는 주어진 생체신호로부터 주기신호를 추출한다(제410 단계). 템플릿 산출부(230)는 그 추출된 주기신호를 이용하여 템플릿 값을 산출한다(제420 단계).
독출부(250)는 산출된 템플릿 값에 가장 근사한 템플릿 값을 템플릿 저장부(240)로부터 독출한다(제430 단계). 검사부(260)는 독출된 템플릿 값에 해당하는 생체와 인증요청 생체가 일치하는지를 판단한다(제440 단계).
그 판단 결과 일치한다면, 인증부(280)는 그 주어진 생체신호 IN1가 인증요청 생체로부터 생성되었음을 인증한다(제450 단계).
도 5는 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 방법을 설명하기 위한 다른 실시예의 플로우챠트로서, 인증 시도 단계(제510 ~ 550 단계들), 저장된 템플릿 값의 갱신 단계(제560 단계) 및 인증 확정 단계(제570 ~ 580 단계들)로 이루어진다.
주기신호 추출부(220)는 주어진 생체신호로부터 주기신호를 추출한다(제510 단계). 템플릿 산출부(230)는 그 추출된 주기신호를 이용하여 템플릿 값을 산출한다(제520 단계).
독출부(250)는 산출된 템플릿 값에 가장 근사한 템플릿 값을 템플릿 저장부(240)로부터 독출한다(제530 단계). 검사부(260)는 독출된 템플릿 값에 해당하는 생체와 인증요청 생체가 일치하는지를 판단한다(제540 단계).
그 판단 결과 일치한다면, 인증부(280)는 그 주어진 생체신호 IN1가 인증요청 생체로부터 생성되었음을 인증한다(제550 단계). 제550 단계 후에, 갱신부(280)는 템플릿 저장부(240)에 저장된 템플릿 값을 갱신한다(제560 단계).
제560 단계 후에, 인증부(280)는, 그 주어진 생체신호 IN1에 대한 총 인증 성공 횟수가 사전에 결정된 임계치에 도달했는지 여부를 판단한다(제570 단계).
그 판단 결과 도달했다면(제570 단계), 인증부(280)는 그 주어진 생체신호 IN1에 대해 인증을 확정한다(제580 단계). 그에 반해, 도달하지 않았다고 판단된 경우(제570 단계), 제510 단계로 진행한다.
도 6은 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 방법을 설명하기 위한 또 다른 실시예의 플로우챠트로서, 추출 단계(제610 단계), 생성 단계(제620 ~ 630 단계들), 산출 단계(제640 단계), 독출 단계(제650 단계), 판단 단계(제660 단계), 인증 단계(제670 단계) 및 갱신 단계(제680 단계)로 이루어진다.
주기신호 추출부(220)는 주어진 생체신호로부터 주기신호를 추출하고(제610 단계), 그 추출된 주기신호의 시간정규화 신호를 생성하고(제620 단계), 그 생성된 시간정규화 신호의 크기정규화 신호를 생성한다(제630 단계).
템플릿 산출부(230)는 그 생성된 크기정규화 신호를 샘플링한 디지털 신호를 이용하여 템플릿 값을 산출한다(제640 단계).
독출부(250)는 산출된 템플릿 값에 가장 근사한 템플릿 값을 템플릿 저장부(240)로부터 독출한다(제650 단계). 검사부(260)는 독출된 템플릿 값에 해당하는 생체와 인증요청 생체가 일치하는지를 판단한다(제660 단계).
그 판단 결과 일치한다면, 인증부(280)는 그 주어진 생체신호 IN1가 인증요청 생체로부터 생성되었음을 인증한다(제670 단계). 이 경우, 갱신부(280)는 템플릿 저장부(240)에 저장된 템플릿 값을 갱신한다(제680 단계).
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있으며, 또한 케리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상에서 설명한 것은 본 발명에 따른 생체신호와 인공신경회로망을 이용한 생체인식 장치와 방법 및 컴퓨터 프로그램을 저장하는 컴퓨터로 읽을 수 있는 기록매체를 실시하기 위한 하나의 실시예에 불과한 것으로서, 본 발명은 상기한 실시예에 한정되지 않고 이하의 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변경 실시가 가능할 것이다.
이상에서 설명한 바와 같이, 본 발명에 의한 생체신호와 인공신경회로망을 이 용한 생체인식 장치와 방법 및 컴퓨터 프로그램을 저장하는 컴퓨터로 읽을 수 있는 기록매체는, 개인 고유의 생체신호의 특성을 모두 고려하여 생체를 인식함으로써 정확히 개인을 식별할 수 있는 효과를 갖는다.
또한, 본 발명에 의한 생체신호와 인공신경회로망을 이용한 생체인식 장치와 방법 및 컴퓨터 프로그램을 저장하는 컴퓨터로 읽을 수 있는 기록매체는, 동일인이라도 시간의 흐름이나 신체의 상태에 따라 변할 수 있는 생체신호의 특성을 모두 고려하여 생체를 인식함으로써 정확히 개인을 식별할 수 있는 효과를 갖는다.

Claims (24)

  1. 주어진 생체신호로부터 주기적으로 반복되는 하나 이상의 주기신호를 추출하는 주기신호 추출부;
    상기 추출된 주기신호를 이용하여 템플릿 값을 산출하는 템플릿 산출부;
    복수의 생체 각각마다 대응되는 템플릿 값을 저장하는 템플릿 저장부; 및
    상기 산출된 템플릿 값에 가장 근사한 템플릿 값을 상기 템플릿 저장부로부터 독출하는 독출부를 포함함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
  2. 제1 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 장치는,
    상기 주기신호 추출부는, 상기 추출된 주기신호를 퓨리에 전개하고 역 퓨리에 전개하여 시간정규화 신호를 생성하며,
    상기 템플릿 산출부는, 상기 생성된 시간정규화 신호를 이용하여 상기 템플릿 값을 산출하고,
    상기 생성된 시간정규화 신호들 각각의 시간폭은 동일한 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
  3. 제2 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 장치 는,
    상기 생성된 시간정규화 신호를 샘플링하여 디지털 신호로 변환하는 아날로그-디지털 변환부를 더 포함하며,
    상기 탬플릿 산출부는, 상기 변환된 디지털 신호를 이용하여 상기 템플릿 값을 산출하고,
    상기 변환된 디지털 신호들 각각의 샘플 개수는 동일한 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
  4. 제1 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 장치는,
    상기 독출된 템플릿에 해당하는 생체를 상기 주어진 생체신호에 해당하는 생체로 인식하는 인식부를 더 포함함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
  5. 제1 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 장치는,
    상기 독출된 템플릿 값에 해당하는 생체와 인증요청 생체와의 일치 여부를 검사하는 검사부; 및
    상기 검사된 결과에 응답하여 상기 주어진 생체신호가 상기 인증요청 생체로부터 생성되었는지를 인증하는 인증부를 더 포함함을 특징으로 하는 생체신호와 인 공신경회로망을 이용한 생체인식 장치.
  6. 제3 항에 있어서, 상기 저장된 템플릿 값은 다음의 수학식들을 이용하여 산출된 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
    [ 수학식 1 ]
    Figure 112005015868489-pat00025
    Figure 112005015868489-pat00026
    Figure 112005015868489-pat00027
    [ 수학식 2 ]
    Figure 112005015868489-pat00028
    [ 수학식 3 ]
    Figure 112005015868489-pat00029
    ( 여기서, W 는 상기 저장된 템플릿 값을 의미하고, i는 상기 복수의 생체 각각을 의미하며, p는 1보다 큰 양의 정수로서 상기 복수를 의미하고, j는 상기 주기신호를 의미하며, m은 1보다 큰 양의 정수로서 상기 주어진 생체신호에서 추출 가능한 상기 주기신호의 갯수를 의미하고, F는 퓨리에 전개(fourier series)를 의미하며, IFS는 역 퓨리에 전개(inverse fourier series)를 의미하고, X는 상기 시간정규화 신호를 의미하며, N2는 상기 변환된 디지털 신호의 샘플링 값의 총 수를 의 미하며,
    Figure 112005015868489-pat00030
    는 템플릿 벡터를 의미하고, T는 트랜스포즈(transpose)를 의미한다.)
  7. 제6 항에 있어서, 상기 템플릿 산출부는 다음의 수학식을 이용하여 상기 템플릿 값을 산출함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
    [ 수학식 4 ]
    Figure 112006087509469-pat00031
    ( 여기서, W 는 상기 저장된 템플릿 값을 의미하고, i는 상기 복수의 생체 각각을 의미하며, p는 1보다 큰 양의 정수로서 상기 복수를 의미하고, j는 상기 주기신호를 의미하며, m은 1보다 큰 양의 정수로서 상기 주어진 생체신호에서 추출 가능한 상기 주기신호의 갯수를 의미하고, F는 퓨리에 전개(fourier series)를 의미하며, IFS는 역 퓨리에 전개(inverse fourier series)를 의미하고, X는 상기 시간정규화 신호를 의미하며, N2는 상기 변환된 디지털 신호의 샘플링 값의 총 수를 의미하며,
    Figure 112006087509469-pat00057
    는 템플릿 벡터를 의미하고, T는 트랜스포즈(transpose)를 의미하고, k는 상기 주어진 생체신호에 해당하는 생체를 의미하며, j1 또는 j2는 j의 가능한 수치 중 하나로서 사전에 결정된다.)
  8. 제7 항에 있어서, 상기 독출부는 다음의 수학식을 이용하여 산출된
    Figure 112006087509469-pat00032
    의 크기를 최소로 하는 k에 대응되어 저장된 상기 템플릿 값을 독출함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
    [ 수학식 5 ]
    Figure 112006087509469-pat00033
    (여기서, W 는 상기 저장된 템플릿 값을 의미하고, i는 상기 복수의 생체 각각을 의미하며, p는 1보다 큰 양의 정수로서 상기 복수를 의미하고, j는 상기 주기신호를 의미하며, m은 1보다 큰 양의 정수로서 상기 주어진 생체신호에서 추출 가능한 상기 주기신호의 갯수를 의미하고, F는 퓨리에 전개(fourier series)를 의미하며, IFS는 역 퓨리에 전개(inverse fourier series)를 의미하고, X는 상기 시간정규화 신호를 의미하며, N2는 상기 변환된 디지털 신호의 샘플링 값의 총 수를 의미하며,
    Figure 112006087509469-pat00058
    는 템플릿 벡터를 의미하고, T는 트랜스포즈(transpose)를 의미하고, k는 상기 주어진 생체신호에 해당하는 생체를 의미하며, j1 또는 j2는 j의 가능한 수치 중 하나로서 사전에 결정된다.)
  9. 제1 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 장치는,
    주어진 생체신호를 샘플링하여 디지털 신호로 변환하는 아날로그-디지털 변환부를 더 포함하며,
    상기 주기신호 추출부는 상기 변환된 디지털 신호로부터 주기적으로 반복되는 하나 이상의 주기신호를 추출하는 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
  10. 제1 항 내지 제6 항 중 어느 한 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 장치는,
    상기 독출된 템플릿 값에 해당하는 생체와 인증요청 생체와의 일치 여부를 검사하는 검사부; 및
    상기 검사된 결과에 응답하여 상기 저장된 템플릿 값을 갱신하는 갱신부를 더 포함함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
  11. 제10 항에 있어서, 상기 갱신부는 다음의 수학식들을 이용하여 상기 템플릿 값을 갱신하는 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
    [ 수학식 6 ]
    Figure 112006087509469-pat00034
    where, a+b = 1
    [ 수학식 7 ]
    Figure 112006087509469-pat00035
    where, c+d = 1
    ( 여기서, W 는 상기 저장된 템플릿 값을 의미하고, i는 상기 복수의 생체 각각을 의미하며, p는 1보다 큰 양의 정수로서 상기 복수를 의미하고, j는 상기 주기신호를 의미하며, m은 1보다 큰 양의 정수로서 상기 주어진 생체신호에서 추출 가능한 상기 주기신호의 갯수를 의미하고, F는 퓨리에 전개(fourier series)를 의미하며, IFS는 역 퓨리에 전개(inverse fourier series)를 의미하고, X는 상기 시간정규화 신호를 의미하며, N2는 상기 변환된 디지털 신호의 샘플링 값의 총 수를 의미하며,
    Figure 112006087509469-pat00059
    는 템플릿 벡터를 의미하고, T는 트랜스포즈(transpose)를 의미하고, new는 갱신 후를 의미하며, old는 갱신 전을 의미한다.)
  12. 제11 항에 있어서,상기 독출부는 다음의 수학식을 이용하여 산출된
    Figure 112006087509469-pat00036
    의 크기를 최소로 하는 k에 대응되어 저장된 상기 템플릿 값을 독출함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
    [ 수학식 8 ]
    Figure 112006087509469-pat00037
    (여기서, W 는 상기 저장된 템플릿 값을 의미하고, i는 상기 복수의 생체 각각을 의미하며, p는 1보다 큰 양의 정수로서 상기 복수를 의미하고, j는 상기 주기신호를 의미하며, m은 1보다 큰 양의 정수로서 상기 주어진 생체신호에서 추출 가능한 상기 주기신호의 갯수를 의미하고, F는 퓨리에 전개(fourier series)를 의미하며, IFS는 역 퓨리에 전개(inverse fourier series)를 의미하고, X는 상기 시간정규화 신호를 의미하며, N2는 상기 변환된 디지털 신호의 샘플링 값의 총 수를 의미하며,
    Figure 112006087509469-pat00060
    는 템플릿 벡터를 의미하고, T는 트랜스포즈(transpose)를 의미하고, new는 갱신 후를 의미하며, old는 갱신 전을 의미한다.)
  13. 제1 항에 있어서, 상기 주기신호 추출부는 상기 추출된 주기신호의 크기를 정규화하여 크기정규화 신호를 생성하며, 상기 템플릿 산출부는 상기 생성된 크기정규화 신호를 이용하여 상기 템플릿 값을 산출하는 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
  14. 제13 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 장치는,
    상기 독출된 템플릿 값에 해당하는 생체와 인증요청 생체와의 일치 여부를 검사하는 검사부; 및
    상기 검사된 결과에 응답하여 상기 주어진 생체신호가 상기 인증요청 생체로부터 생성되었는지를 인증하는 인증부를 더 포함함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
  15. 제14 항에 있어서, 상기 저장된 템플릿 값은 다음의 수학식들을 이용하여 산출된 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
    [ 수학식 9 ]
    Figure 112005015868489-pat00038
    Figure 112005015868489-pat00039
    Figure 112005015868489-pat00040
    Figure 112005015868489-pat00041
    [ 수학식 10 ]
    Figure 112005015868489-pat00042
    [ 수학식 11 ]
    Figure 112005015868489-pat00043
    ( 여기서, W는 상기 저장된 템플릿 값을 의미하고, i는 상기 복수의 생체 각각을 의미하며, p는 1보다 큰 양의 정수로서 상기 복수를 의미하고, j는 상기 주기신호를 의미하며, m은 1보다 큰 양의 정수로서 상기 주어진 생체신호에서 추출 가능한 상기 주기신호의 갯수를 의미하고, F는 퓨리에 전개(fourier series)를 의미하며, IFS는 역 퓨리에 전개(inverse fourier series)를 의미하고, X는 상기 시간정규화 신호를 의미하며, N2는 상기 변환된 디지털 신호의 샘플링 값의 총 수를 의미하며,
    Figure 112005015868489-pat00044
    는 템플릿 벡터를 의미하고, T는 트랜스포즈(transpose)를 의미하고, A는 사전에 설정된 상수이며,
    Figure 112005015868489-pat00045
    는
    Figure 112005015868489-pat00046
    의 인자(element) 중 최대값을 의미한다.)
  16. 제15 항에 있어서, 상기 템플릿 산출부는 다음의 수학식을 이용하여 상기 템플릿 값을 산출함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
    [ 수학식 12 ]
    Figure 112006087509469-pat00047
    Figure 112006087509469-pat00048
    ( 여기서, W는 상기 저장된 템플릿 값을 의미하고, i는 상기 복수의 생체 각각을 의미하며, p는 1보다 큰 양의 정수로서 상기 복수를 의미하고, j는 상기 주기신호를 의미하며, m은 1보다 큰 양의 정수로서 상기 주어진 생체신호에서 추출 가능한 상기 주기신호의 갯수를 의미하고, F는 퓨리에 전개(fourier series)를 의미하며, IFS는 역 퓨리에 전개(inverse fourier series)를 의미하고, X는 상기 시간정규화 신호를 의미하며, N2는 상기 변환된 디지털 신호의 샘플링 값의 총 수를 의미하며,
    Figure 112006087509469-pat00061
    는 템플릿 벡터를 의미하고, T는 트랜스포즈(transpose)를 의미하고, A는 사전에 설정된 상수이며,
    Figure 112006087509469-pat00062
    는
    Figure 112006087509469-pat00063
    의 인자(element) 중 최대값을 의미하고, k는 상기 주어진 생체신호에 해당하는 생체를 의미하며, j1 또는 j2는 j의 가능한 수치 중 하나로서 사전에 결정되고, B는 상기 주어진 생체신호 크기의 최대값을 의미한다.)
  17. 제16 항에 있어서, 상기 독출부는 다음의 수학식을 이용하여 산출된
    Figure 112006087509469-pat00049
    의 크기를 최소로 하는 k에 대응되어 저장된 상기 템플릿 값을 독출함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 장치.
    [ 수학식 13 ]
    Figure 112006087509469-pat00050
    ( 여기서, W는 상기 저장된 템플릿 값을 의미하고, i는 상기 복수의 생체 각각을 의미하며, p는 1보다 큰 양의 정수로서 상기 복수를 의미하고, j는 상기 주기신호를 의미하며, m은 1보다 큰 양의 정수로서 상기 주어진 생체신호에서 추출 가능한 상기 주기신호의 갯수를 의미하고, F는 퓨리에 전개(fourier series)를 의미하며, IFS는 역 퓨리에 전개(inverse fourier series)를 의미하고, X는 상기 시간정규화 신호를 의미하며, N2는 상기 변환된 디지털 신호의 샘플링 값의 총 수를 의미하며,
    Figure 112006087509469-pat00064
    는 템플릿 벡터를 의미하고, T는 트랜스포즈(transpose)를 의미하고, A는 사전에 설정된 상수이며,
    Figure 112006087509469-pat00065
    는
    Figure 112006087509469-pat00066
    의 인자(element) 중 최대값을 의미하고, k는 상기 주어진 생체신호에 해당하는 생체를 의미하며, j1 또는 j2는 j의 가능한 수치 중 하나로서 사전에 결정되고, B는 상기 주어진 생체신호 크기의 최대값을 의미한다.)
  18. 주어진 생체신호로부터 주기적으로 반복되는 하나 이상의 주기신호를 추출하는 단계;
    상기 추출된 주기신호를 이용하여 템플릿 값을 산출하는 단계; 및
    복수의 생체 각각에 대응되어 저장된 템플릿 값 중 상기 산출된 템플릿 값에 가장 근사한 템플릿 값을 독출하고, 상기 독출된 템플릿에 해당하는 생체를 상기 주어진 생체신호에 해당하는 생체로 인식하는 단계를 포함함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 방법.
  19. 제18 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 방법은,
    상기 독출된 템플릿 값에 해당하는 생체와 인증요청 생체와의 일치 여부를 판 단하는 단계; 및
    상기 판단 결과 일치한다면, 상기 주어진 생체신호가 상기 인증요청 생체로부터 생성되었음을 인증하는 단계를 더 포함함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 방법.
  20. 제18 항에 있어서, 상기 생체신호와 인공신경회로망을 이용한 생체인식 방법은,
    상기 독출된 템플릿 값에 해당하는 생체와 인증요청 생체와의 일치 여부를 판단하는 단계; 및
    상기 판단 결과 일치한다면, 상기 저장된 템플릿 값을 갱신하는 단계를 더 포함함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 방법.
  21. 제18 항 내지 제20 항 중 어느 한 항에 있어서, 상기 추출하는 단계는 상기 추출된 주기신호의 크기를 정규화하여 크기정규화 신호를 생성하며, 상기 산출하는 단계는 상기 생성된 크기정규화 신호를 이용하여 상기 템플릿 값을 산출하는 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 방법.
  22. 제18 항에 있어서,
    상기 추출하는 단계는 상기 추출된 주기신호를 퓨리에 전개하고 역 퓨리에 전개하여 시간정규화 신호를 생성하며, 상기 산출하는 단계는 상기 생성된 시간정규 화 신호를 이용하여 상기 템플릿 값을 산출하고,
    상기 생성된 시간정규화 신호들 각각의 시간 폭은 동일한 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 방법.
  23. 제22 항에 있어서,
    상기 추출하는 단계는 상기 생성된 시간정규화 신호를 샘플링하여 디지털 신호로 변환하는 단계를 더 포함하며, 상기 산출하는 단계는 상기 변환된 디지털 신호를 이용하여 상기 템플릿 값을 산출하고,
    상기 변환된 디지털 신호들 각각의 샘플 개수는 동일한 것을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 방법.
  24. 주어진 생체신호로부터 주기적으로 반복되는 하나 이상의 주기신호를 추출하는 단계;
    상기 추출된 주기신호를 이용하여 템플릿 값을 산출하는 단계; 및
    복수의 생체 각각에 대응되어 저장된 템플릿 값 중 상기 산출된 템플릿 값에 가장 근사한 템플릿 값을 독출하고, 상기 독출된 템플릿에 해당하는 생체를 상기 주어진 생체신호에 해당하는 생체로 인식하는 단계를 포함함을 특징으로 하는 생체신호와 인공신경회로망을 이용한 생체인식 방법을 수행하기 위한 컴퓨터 프로그램을 저장하는 컴퓨터로 읽을 수 있는 기록매체.
KR1020050024938A 2005-03-25 2005-03-25 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법 KR100718125B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020050024938A KR100718125B1 (ko) 2005-03-25 2005-03-25 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법
US11/312,442 US7630521B2 (en) 2005-03-25 2005-12-21 Biometric identification apparatus and method using bio signals and artificial neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020050024938A KR100718125B1 (ko) 2005-03-25 2005-03-25 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법

Publications (2)

Publication Number Publication Date
KR20060102882A KR20060102882A (ko) 2006-09-28
KR100718125B1 true KR100718125B1 (ko) 2007-05-15

Family

ID=37035210

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050024938A KR100718125B1 (ko) 2005-03-25 2005-03-25 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법

Country Status (2)

Country Link
US (1) US7630521B2 (ko)
KR (1) KR100718125B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018212380A1 (ko) * 2017-05-19 2018-11-22 전자부품연구원 개인인증을 위한 웨어러블 디바이스의 ecg 템플릿 검출 방법
US10188351B2 (en) 2016-02-01 2019-01-29 Samsung Electronics Co., Ltd. Electrocardiogram (ECG) signal based authentication apparatus and method

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060053812A (ko) 2004-11-17 2006-05-22 삼성전자주식회사 생체신호를 이용한 생체 인식 장치 및 방법
KR100718125B1 (ko) * 2005-03-25 2007-05-15 삼성전자주식회사 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법
JP4923910B2 (ja) * 2006-09-22 2012-04-25 富士通株式会社 生体認証装置、制御方法及び制御プログラム
US20100090798A1 (en) * 2006-09-29 2010-04-15 Koninklijke Philips Electronics N.V. Template synthesis for ecg/ppg based biometrics
KR100866215B1 (ko) * 2006-12-20 2008-10-30 삼성전자주식회사 뇌파를 이용한 단말의 구동 방법 및 장치
GB0704429D0 (en) * 2007-03-08 2007-04-18 Sensor Technologies & Devices Method and apparatus for determining information concerning the identity of an individual
US8065529B2 (en) * 2007-05-21 2011-11-22 Ut-Battelle, Llc Methods for using a biometric parameter in the identification of persons
DK2023663T3 (da) * 2007-08-07 2011-05-30 Bernafon Ag BTE-høreapparat med udskifteligt dæksel
US7801594B1 (en) * 2007-10-22 2010-09-21 Pacesetter, Inc. Morphology discrimination based on inflection point-related information
US7594122B2 (en) * 2007-11-13 2009-09-22 Wavesynch Technologies, Inc. Method of determining whether a test subject is a specific individual
US20100069775A1 (en) * 2007-11-13 2010-03-18 Michael Milgramm EEG-Related Methods
WO2010140039A2 (en) * 2009-05-30 2010-12-09 Lange Daniel H Electro-biometric methods and apparatus
US8775341B1 (en) 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
JP5870929B2 (ja) * 2010-11-02 2016-03-01 日本電気株式会社 情報処理システム、情報処理装置および情報処理方法
WO2012151680A1 (en) 2011-05-10 2012-11-15 Agrafioti Foteini System and method for enabling continuous or instantaneous identity recognition based on physiological biometric signals
PT106102B (pt) 2012-01-19 2014-08-11 Inst Superior Técnico Dispositivo e método para reconhecimento biométrico contínuo baseado em sinais eletrocardiográficos
US8942431B2 (en) 2012-06-24 2015-01-27 Neurologix Security Group Inc Biometrics based methods and systems for user authentication
KR101416538B1 (ko) * 2012-08-01 2014-07-09 주식회사 로웸 패스워드의 사용자 장기 기억을 이용하는 분실 패스워드 처리 시스템 및 분실 패스워드 처리 방법
KR102136836B1 (ko) * 2013-09-09 2020-08-13 삼성전자주식회사 생체 신호들을 이용하여 사용자 인증을 수행하는 착용형 기기 및 그 착용형 기기의 인증 방법
WO2015194918A1 (ko) * 2014-06-20 2015-12-23 주식회사 퓨처플레이 사용자 인터페이스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
US9613197B2 (en) 2014-11-10 2017-04-04 Wipro Limited Biometric user authentication system and a method therefor
US9577992B2 (en) 2015-02-04 2017-02-21 Aerendir Mobile Inc. Data encryption/decryption using neuro and neuro-mechanical fingerprints
US9836896B2 (en) 2015-02-04 2017-12-05 Proprius Technologies S.A.R.L Keyless access control with neuro and neuro-mechanical fingerprints
US10357210B2 (en) 2015-02-04 2019-07-23 Proprius Technologies S.A.R.L. Determining health change of a user with neuro and neuro-mechanical fingerprints
US9590986B2 (en) 2015-02-04 2017-03-07 Aerendir Mobile Inc. Local user authentication with neuro and neuro-mechanical fingerprints
US9824287B2 (en) * 2015-09-29 2017-11-21 Huami Inc. Method, apparatus and system for biometric identification
US10467548B2 (en) * 2015-09-29 2019-11-05 Huami Inc. Method, apparatus and system for biometric identification
US9787676B2 (en) 2015-09-29 2017-10-10 Anhui Huami Information Technology Co., Ltd. Multi-modal biometric identification
US10130307B2 (en) * 2016-01-06 2018-11-20 Samsung Electronics Co., Ltd. Electrocardiogram (ECG) authentication method and apparatus
CN106951753B (zh) * 2016-01-06 2020-08-21 北京三星通信技术研究有限公司 一种心电信号的认证方法和认证装置
KR20180009979A (ko) 2016-07-20 2018-01-30 삼성전자주식회사 장치간 보안 동기화 및 페이링을 위한 방법 및 이를 지원하는 장치
US10198655B2 (en) * 2017-01-24 2019-02-05 Ford Global Technologies, Llc Object detection using recurrent neural network and concatenated feature map
CN108875467B (zh) * 2017-06-05 2020-12-25 北京旷视科技有限公司 活体检测的方法、装置及计算机存储介质
RU2678494C1 (ru) * 2017-08-24 2019-01-29 Самсунг Электроникс Ко., Лтд. Устройство и способ для биометрической идентификации пользователя с использованием рч (радиочастотного) радара
CN111149104B (zh) 2017-09-21 2023-10-27 诺基亚技术有限公司 用于生物特征识别的装置、方法和计算机可读存储介质
KR102079318B1 (ko) * 2018-05-28 2020-02-19 광운대학교 산학협력단 난수 생성 장치 및 그 방법
KR102161758B1 (ko) * 2018-10-24 2020-10-05 아주대학교 산학협력단 사용자 단말, 서버 및 이를 포함하는 클라이언트 서버 시스템
KR102022510B1 (ko) * 2018-11-30 2019-09-18 가천대학교 산학협력단 심전도 신호를 이용한 개인 인증 방법 및 장치
EP3799647A1 (en) 2019-06-18 2021-04-07 UAB "Neurotechnology" Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR950020395A (ko) * 1993-12-22 1995-07-24 크리스토퍼 엔. 말본 생체- 신호를 이용한 음성 인식 방법
US5799276A (en) 1995-11-07 1998-08-25 Accent Incorporated Knowledge-based speech recognition system and methods having frame length computed based upon estimated pitch period of vocalic intervals
US5884257A (en) 1994-05-13 1999-03-16 Matsushita Electric Industrial Co., Ltd. Voice recognition and voice response apparatus using speech period start point and termination point

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6179444A (ja) * 1984-09-28 1986-04-23 株式会社アドバンス 生体信号ア−チフアクト検出装置
US5645069A (en) * 1994-05-26 1997-07-08 Lg Electronics Inc. System for and method of analyzing electrocardiograms employing chaos techniques
DE19752094C1 (de) * 1997-11-25 1999-07-15 Bundesrep Deutschland Verfahren zur Bestimmung wenigstens einer diagnostischen Information aus Signalmustern medizinischer Sensorsysteme
EP1331876B1 (en) * 2000-11-10 2009-08-05 C.R. Bard, Inc. Deriving p-waves in electrocardiac signals having superimposed complexes
CN1672357A (zh) * 2002-07-29 2005-09-21 C－西格雷特有限公司 用于电生物身份识别的方法和装置
JP3980969B2 (ja) * 2002-08-30 2007-09-26 パイオニア株式会社 心拍数計測システム、心拍数計測方法、心拍数計測プログラムおよびそのプログラムを記録した記録媒体
US6609023B1 (en) * 2002-09-20 2003-08-19 Angel Medical Systems, Inc. System for the detection of cardiac events
JP2004133794A (ja) * 2002-10-11 2004-04-30 Ntt Docomo Inc 認証装置、認証システム、および認証方法
US7249263B2 (en) * 2003-07-25 2007-07-24 International Business Machines Corporation Method and system for user authentication and identification using behavioral and emotional association consistency
US7751877B2 (en) * 2003-11-25 2010-07-06 Braingate Co., Llc Neural interface system with embedded id
US7702599B2 (en) * 2004-10-07 2010-04-20 Bernard Widrow System and method for cognitive memory and auto-associative neural network based pattern recognition
KR20060053812A (ko) * 2004-11-17 2006-05-22 삼성전자주식회사 생체신호를 이용한 생체 인식 장치 및 방법
KR100718125B1 (ko) * 2005-03-25 2007-05-15 삼성전자주식회사 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법
KR100825888B1 (ko) * 2005-10-05 2008-04-28 삼성전자주식회사 전극 동잡음 보상 회로 및 전극 동잡음 보상 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR950020395A (ko) * 1993-12-22 1995-07-24 크리스토퍼 엔. 말본 생체- 신호를 이용한 음성 인식 방법
US5884257A (en) 1994-05-13 1999-03-16 Matsushita Electric Industrial Co., Ltd. Voice recognition and voice response apparatus using speech period start point and termination point
US5799276A (en) 1995-11-07 1998-08-25 Accent Incorporated Knowledge-based speech recognition system and methods having frame length computed based upon estimated pitch period of vocalic intervals

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IEEE Paper "ECG Analysis: A New Approach in Human
IEEE Paper "One-Lead ECG for Identity Verification

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10188351B2 (en) 2016-02-01 2019-01-29 Samsung Electronics Co., Ltd. Electrocardiogram (ECG) signal based authentication apparatus and method
US11109812B2 (en) 2016-02-01 2021-09-07 Samsung Electronics Co., Ltd. Electrocardiogram (ECG) signal based authentication apparatus and method
WO2018212380A1 (ko) * 2017-05-19 2018-11-22 전자부품연구원 개인인증을 위한 웨어러블 디바이스의 ecg 템플릿 검출 방법

Also Published As

Publication number Publication date
US7630521B2 (en) 2009-12-08
US20060215883A1 (en) 2006-09-28
KR20060102882A (ko) 2006-09-28

Similar Documents

Publication Publication Date Title
KR100718125B1 (ko) 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법
CN110507335B (zh) 基于多模态信息的服刑人员心理健康状态评估方法及系统
Zhang et al. Mindid: Person identification from brain waves through attention-based recurrent neural network
CN108776788B (zh) 一种基于脑电波的识别方法
Singh et al. Bioelectrical signals as emerging biometrics: Issues and challenges
Phua et al. Heart sound as a biometric
Hwang et al. Evaluation of the time stability and uniqueness in PPG-based biometric system
Das et al. A spatio-temporal model for EEG-based person identification
Siam et al. PPG-based human identification using Mel-frequency cepstral coefficients and neural networks
CA2586772A1 (en) Method and apparatus for electro-biometric identity recognition
KR20120131043A (ko) 심전도 신호 및 지문인식을 이용한 생체인식 시스템
Raji et al. A novel respiration pattern biometric prediction system based on artificial neural network
Abuqadumah et al. Personal authentication application using deep learning neural network
Andrews et al. Biometric authentication and stationary detection of human subjects by deep learning of passive infrared (PIR) sensor data
Demir et al. Multi-Layer Co-Occurrence Matrices for Person Identification from ECG Signals.
Khan et al. AT2GRU: A human emotion recognition model with mitigated device heterogeneity
Farid et al. Biometric authentication for dementia patients with recurrent neural network
CN115444419A (zh) 一种基于脑电信号的域自适应智能情绪识别方法及装置
Zhang et al. Classification of evoked emotions using an artificial neural network based on single, short-term physiological signals
Abdelraheem et al. Human identification using the main loop of the vectorcardiogram
Taşar Deep-BBiIdNet: Behavioral Biometric Identification Method Using Forearm Electromyography Signal
Azhari et al. Neural Network Classification of Brainwave Alpha Signals in Cognitive Activities.
CN114983434A (zh) 一种基于多模态脑功能信号识别的系统及方法
Jyotishi et al. Person identification using spatial variation of cardiac signal
Hegde et al. Statistical analysis for human authentication using ECG waves

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130422

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20140424

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20150422

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20160420

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20170418

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20180423

Year of fee payment: 12

FPAY Annual fee payment

Payment date: 20190422

Year of fee payment: 13