JP2017123170A - 心電図認証方法及び装置並びに学習方法 - Google Patents

Abstract

【課題】心電図認証に用いられるニューラルネットワークモデルの性能を改善させた心電図認証方法及び装置並びに学習方法を提供する。
【解決手段】本発明の心電図認証方法は、ユーザの心電図信号を取得し、ニューラルネットワークモデルを用いて心電図信号のセマンティック特徴を抽出し、抽出されたセマンティック特徴に基づいてユーザを認証する。
【選択図】図２

Description

本発明は、生体認証技術に関し、より詳細には、生体信号を用いてユーザを認証する心電図認証方法及び装置並びに心電図認証に用いられるニューラルネットワークモデルの学習方法に関する。

生体認証は、紅彩、指紋、顔、音声、静脈パターン、及び歩きパターンなどの個人の生まれつきの生物的特徴又は行為の特徴を用いてユーザの身分を確認することである。生体認証のうちの心電図（ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｍ：ＥＣＧ）認証は、心電図信号を用いてユーザの身分を確認する方式である。心電図認証は、偽造し難く、実現に必要なコストが小さいと共に、高い識別力を有するという長所がある。

本発明は、上記従来技術に鑑みてなされたものであって、本発明の目的は、心電図認証に用いられるニューラルネットワークモデルの性能を改善させた心電図認証方法及び装置並びにその学習方法を提供することにある。

上記目的を達成するためになされた本発明の一態様による心電図認証方法は、ユーザの心電図信号を取得するステップと、ニューラルネットワークモデルを用いて前記取得された心電図信号のセマンティック特徴を抽出するステップと、前記抽出されたセマンティック特徴に基づいて前記ユーザを認証するステップと、を有する。

前記心電図認証方法は、前記セマンティック特徴を抽出する前に前記心電図信号を前処理するステップを更に含み、前記心電図信号を前処理するステップは、前記取得された心電図信号をフィルタリングするステップと、前記ニューラルネットワークモデルに対応する基準点に基づいて、前記フィルタリングされた心電図信号から少なくとも１つの基準点を検出するステップと、前記少なくとも１つの基準点に基づいて、前記フィルタリングされた心電図信号からデータセグメントを取得するステップと、を含み得る。
前記取得された心電図信号のセマンティック特徴を抽出するステップは、前記ニューラルネットワークモデルを用いて前記データセグメントからセマンティック特徴を抽出し得る。
前記少なくとも１つの基準点は、前記フィルタリングされた心電図信号のピーク点及び該ピーク点に隣接する１つ以上の極小点のうちの少なくとも１つを含み得る。
前記ユーザを認証するステップは、前記抽出されたセマンティック特徴と予め定義された登録特徴との間の類似度を算出するステップと、前記類似度と閾値との間の比較結果に基づいて前記心電図信号の認証の可否を決定するステップと、を含み得る。
前記ニューラルネットワークモデルは、心電図学習データに基づくディープラーニング方式で学習されたセマンティック特徴抽出モデルであり得る。
前記少なくとも１つの基準点は、（ａ）前記フィルタリングされた心電図信号のピーク点と該ピーク点の左側及び右側に隣接する複数の極小点、（ｂ）前記ピーク点及び該ピーク点の左側に隣接する極小点、又は（ｃ）前記ピーク点及び該ピーク点の右側に隣接する極小点を含み得る。

上記目的を達成するためになされた本発明の一態様による心電図認証装置は、プロセッサを備える心電図認証装置であって、前記プロセッサは、ユーザの心電図信号を受信する動作と、ニューラルネットワークモデルを用いて前記心電図信号のセマンティック特徴を抽出する動作と、前記抽出されたセマンティック特徴に基づいて前記ユーザを認証する動作と、を実行する。

上記目的を達成するためになされた本発明の一態様による学習方法は、心電図学習データを受信するステップと、前記心電図学習データを増加させるステップと、前記増加させた心電図学習データに基づいて心電図認証に用いられるニューラルネットワークモデルを学習させるステップと、を有する。

前記心電図学習データを増加させるステップは、フィルタを用いて前記心電図学習データをフィルタリングするステップと、前記フィルタリングされた心電図学習データから少なくとも１つの基準点を検出するステップと、前記少なくとも１つの基準点に基づいて、前記フィルタリングされた心電図学習データからそれぞれ異なる長さを有する複数のデータセグメントを取得するステップと、を含み得る。
前記心電図学習データをフィルタリングするステップは、複数のそれぞれ異なる通過帯域を有するバンドパスフィルタを用いて前記心電図学習データをフィルタリングし得る。
前記心電図学習データをフィルタリングするステップは、通過帯域が固定されたバンドパスフィルタを用いて前記心電図学習データをフィルタリングし得る。
前記少なくとも１つの基準点は、前記フィルタリングされた心電図学習データのピーク点及び該ピーク点に隣接する１つ以上の極小点のうちの少なくとも１つを含み得る。
前記心電図学習データを増加させるステップは、前記心電図学習データの現在のデータセグメントから基準点を選択するステップと、前記選択された基準点に基づいて前記現在のデータセグメントにオフセットを行うステップと、前記オフセットが行われたデータセグメントを正規化するステップと、を更に含み得る。
前記ニューラルネットワークモデルを学習させるステップは、前記増加させた心電図学習データのそれぞれに対して複数の候補ニューラルネットワークモデルを学習させるステップと、前記候補ニューラルネットワークモデルによって抽出された候補セマンティック特徴の正確度に基づいて、前記複数の候補ニューラルネットワークモデルのうちの少なくとも１つの候補ニューラルネットワークモデルを選択するステップと、を含み得る。
前記学習方法は、前記選択された少なくとも１つの候補ニューラルネットワークモデルに基づいて心電図認証のための最終ニューラルネットワークモデルを決定するステップを更に含み得る。
前記学習方法は、前記抽出された候補セマンティック特徴の正確度を増加させるために前記抽出された候補セマンティック特徴に結合された第２候補ニューラルネットワークモデルに対応するセマンティック特徴に基づいて、残りの候補ニューラルネットワークモデルのうちから前記第２候補ニューラルネットワークモデルを選択するステップを更に含み得る。
前記ニューラルネットワークモデルを学習させるステップは、前記心電図学習データに対応する個体を識別するための識別信号及び複数の心電図学習データが同一の個体に対応するか否かを識別するための認証信号に基づいて前記ニューラルネットワークモデルを学習させ得る。

上記目的を達成するためになされた本発明の他の態様による心電図認証装置は、アンテナと、セルラー通信標準により前記アンテナを介してデータを送受信するセルラー無線通信部と、タッチ検出ディスプレイと、ユーザの心電図信号を測定するセンサと、命令を格納するメモリと、前記ユーザの心電図信号を受信し、ニューラルネットワークモデルを用いて前記心電図信号のセマンティック特徴を抽出し、前記抽出されたセマンティック特徴に基づいて前記ユーザを認証し、前記タッチ検出ディスプレイに前記認証した結果を表示するプロセッサと、を備える。

前記プロセッサは、前記アンテナを用いて他の装置によって測定された前記心電図信号を受信し得る。

本発明によれば、心電図認証に用いられるニューラルネットワークモデルの性能を改善させることができる。

一実施形態による心電図信号を用いてユーザを認証する一例を示す図である。 一実施形態による心電図認証方法の動作を示すフローチャートである。 一実施形態による心電図学習データを用いてニューラルネットワークモデルを学習させる動作を示すフローチャートである。 一実施形態による心電図学習データのフィルタリング結果の一例を示す図である。 一実施形態による心電図学習データのフィルタリング結果の一例を示す図である。 一実施形態による心電図学習データのフィルタリング結果の一例を示す図である。 一実施形態による心電図学習データのフィルタリング結果の一例を示す図である。 一実施形態による心電図学習データのフィルタリング結果の一例を示す図である。 一実施形態による心電図学習データから検出された基準点を示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による基準点を用いて取得されたデータセグメントを示す図である。 一実施形態による心電図学習データに対してデータ追加処理が実行された結果を示す図である。 一実施形態による心電図学習データに対してデータ追加処理が実行された結果を示す図である。 一実施形態による心電図学習データに対してデータ追加処理が実行された結果を示す図である。 一実施形態による心電図学習データに対してデータ追加処理が実行された結果を示す図である。 一実施形態によるニューラルネットワークモデルを示す図である。 他の実施形態によるニューラルネットワークモデルを示す図である。 一実施形態による貪欲アルゴリズムを用いて複数の候補ニューラルネットワークモデルのうちから最適な候補ニューラルネットワークモデルを選択する動作を説明するための図である。 一実施形態による心電図認証装置の構成を示す図である。 一実施形態による学習装置の構成を示す図である。

本発明の実施形態に対する特定の構造的な説明又は機能的説明は、単に例示のための目的として開示したものであって、様々な形態に変更されて実施され得る。従って、本実施形態は特定の開示形態に限定されることなく、本明細書の記載範囲は技術的な思想に含まれる変更、均等物、又は代替物を含む。

第１又は第２などの用語を複数の構成要素を説明するために用いるが、このような用語は１つの構成要素を他の構成要素から区別する目的としてのみ解釈されなければならない。例えば、第１構成要素は第２構成要素と命名し、同様に第２構成要素は第１構成要素と命名する。

いずれかの構成要素が他の構成要素に「連結されて」いると言及した場合、その次の構成要素に直接的に連結されてもよく、又は中間に他の構成要素が存在することもあり得る。

単数の表現は、文脈上明白に異なる意味をもたない限り複数の表現を含む。本明細書において、「含む」又は「有する」等の用語は明細書上に記載した特徴、数字、ステップ、動作、構成要素、部品、又はこれらを組合せたものが存在することを示すものであって、１つ又はそれ以上の他の特徴や数字、ステップ、動作、構成要素、部品、又はこれらを組合せたものなどの存在又は付加の可能性を予め排除しない。

異なる定義がされない限り、技術的であるか又は科学的な用語を含むここで用いる全ての用語は、本実施形態が属する技術分野で通常の知識を有する者によって一般的に理解されるものと同じ意味を有する。一般的に用いられる予め定義された用語は、関連技術の文脈上で有する意味と一致する意味を有するものと解釈すべきであって、本明細書で明白に定義しない限り、理想的又は過度に形式的な意味として解釈されることはない。

以下、本発明を実施するための形態の具体例を、図面を参照しながら詳細に説明する。図面を参照して説明する際に、図面符号に関係なく同一の構成要素には同一の参照符号を付与し、これに対する重複する説明を省略する。

図１は、一実施形態による心電図信号を用いてユーザを認証する一例を示す図である。

心電図認証装置１１０は、ユーザ１２０の心電図信号に基づいて心電図認証を行う。心電図信号は、心臓の電気的活動に関する情報を含む信号であり、心電図認証装置１１０に備えられた電極をユーザ１２０の皮膚に接触させることで測定される。心電図認証は、ユーザ１２０の身体から測定された心電図信号に基づいてユーザ１２０が予め登録されたユーザ１２０であるか否かを判断する過程を含む。心電図認証は、アクセス制御、金融取引、空港チェックイン、ヘルスケア、セキュリティーなどの様々なアプリケーションに適用される。

一実施形態によると、図１に示すように心電図認証装置１１０は、例えば、モバイルフォン、セルラーフォン、スマートフォン、パーソナルコンピュータ、ラップトップ、ノート型パソコン、サブノート型パソコン、ネットブック又はウルトラモバイルパーソナルコンピュータ（ＵＭＰＣ）、タブレットパーソナルコンピュータ（タブレット）、ファブレット（ｐｈａｂｌｅｔ）、モバイルインターネットデバイス（ＭＩＤ）、ＰＤＡ、エンタープライズデジタルアシスタント（ＥＤＡ）、デジタルカメラ、デジタルビデオカメラ、携帯用ゲームコンソール、ＭＰ３プレーヤー、パーソナルマルチメディアプレーヤー（ＰＭＰ）、ハンドヘルドＥ−Ｂｏｏｋ、ＧＰＳ、ナビゲーション、光学ディスクプレーヤー、ＤＶＤプレーヤー、ブルーレイプレイヤー、セットトップボックス、ホームアプライアンス、通信システム、映像処理装置、グラフィック処理システム、又はその他の電子機器に内蔵されるか若しくはこれらと相互動作する。心電図認証装置１１０は、スマート家電機器、知能型車両、自律走行装置、スマートホーム環境、スマートビルディング環境、スマートオフィス環境、スマート電子セキュリティーシステムなどに内蔵されるか又はこれらと相互動作する。

心電図認証装置１１０は、ユーザの身体に着用されるウェアラブル機器に含まれて動作する。例えば、ウェアラブル機器は、指輪、時計、メガネ、メガネタイプの装置、ブレスレット、ベルト、バンド、ネックレス、イヤリング、ヘアーバンド、ヘルメット、服に内蔵された装置、メガネディスプレイ（ＥＧＤ）などのようにユーザの身体に着用される。

一例として、ユーザ１２０が、いずれか一方の手にウェアラブル機器を着用し、他方の手でウェアラブル機器の一電極を接触すると、ユーザ１２０の身体の内部に電気的な閉回路が形成される。このような電気的な閉回路で、心臓拍動による電流の変化が心電図の変化として測定される。

心電図認証装置１１０は、ニューラルネットワークモデルを用いて取得された心電図信号の特徴を抽出し、抽出された特徴に基づいて認証するか否かを決定する。例えば、心電図認証装置１１０は、抽出された特徴と予め登録された特徴との間の類似度を算出し、類似度が閾値以上である場合に認証が成功したと決定し、類似度が閾値未満である場合に認証が失敗したと決定する。ニューラルネットワークモデルは、生物学の神経網を模倣した統計学的なモデルとして、学習過程により問題の解決能力を有する。ニューラルネットワークモデルのパラメータは学習過程に基づいて調整される。

心電図認証装置１１０は、様々な学習データに基づいて学習されたニューラルネットワークモデルを用いることにより、ユーザ１２０の固有の生体特徴をよく表す心電図の特徴を取得する。心電図認証装置１１０が取得した心電図信号の特徴は、学習されたニューラルネットワークモデルを用いて抽出された特徴である。このような特徴は、セマンティック特徴と称される。

以下、心電図認証装置によって実行される心電図認証方法をより詳しく説明する。

図２は、一実施形態による心電図認証方法の動作を示すフローチャートである。

図２に示す動作は図示するように順次実行される。しかし、数個の動作は、本実施形態の範囲及び技術的思想から離れることなく、一部の動作が実行されないか、又は動作の順が変更される。図２に示した動作は並列的又は同時に実行される。上記の図１に示す説明も図３に適用され、参照としてここに含まれる。また、ここで、上記で説明した内容と重なる内容は省略する。

図２を参照すると、ステップＳ２１０において、心電図認証装置（例えば、図１に示す心電図認証装置１１０又は図１０に示す心電図認証装置１０００）は、ユーザの心電図信号を取得する。例えば、心電図認証装置は、心電図認証装置に備えられたセンサを用いて心電図信号を取得するか、又は他の機器によって測定された心電図信号を受信する。

ステップＳ２２０において、心電図認証装置は心電図信号を前処理する。前処理過程は、フィルタリング、基準点検出、及びデータセグメント取得ステップを含む。本実施形態によると、心電図認証装置は、予め定義された周波数帯域のみを通過させるバンドパスフィルタを用いて心電図信号をフィルタリングする。バンドパスフィルタの通過周波数帯域の特性は、心電図信号のセマンティック特徴を抽出するために用いられるニューラルネットワークモデルの学習過程で決定される。フィルタリングによって心電図信号に含まれるノイズを除去するか、又は心電図信号から関心のある周波数帯域の心電図信号を取得する。

心電図認証装置は、フィルタリングされた心電図信号から１つ以上の基準点を検出する。基準点は、ピーク点及びピーク点に隣接する１つ以上の極小点のうちの１つ以上を含む。基準点はキーポイントとも称される。心電図信号は、複数の極大点及び極小点を有するが、このうちのピーク点を中心にピーク点に隣接する極小点が定義される。フィルタリングされた心電図信号から如何なる基準点を検出するかについて、ニューラルネットワークモデルの学習過程で予め決定される。例えば、フィルタリングされた心電図信号からピーク点を検出するか又はピーク点に隣接する極小点を検出する際に、検出される基準点の種類が予め決定される。複数の基準点が用いられる場合に識別の正確度がより向上する。

心電図認証装置は、検出された１つ以上の基準点に基づいて、フィルタリングされた心電図信号からデータセグメントを取得する。例えば、心電図認証装置は、フィルタリングされた心電図信号でピーク点を中心に予め定義された長さ（ピーク点を中心にする予め定義された左右の時間区間）の信号をデータセグメントとして取得する。

他の実施形態において、前処理過程は省略される。

ステップＳ２３０において、心電図認証装置は、ニューラルネットワークモデルを用いて心電図信号のセマンティック特徴を抽出する。ニューラルネットワークモデルは、学習データに基づく予め学習された特徴抽出モデルとして、入力されたデータから心電図認証に用いられる心電図信号のセマンティック特徴を出力する。ニューラルネットワークモデルの学習過程については、以下の図３を参照して詳しく説明する。

本実施形態により、ニューラルネットワークモデルには、ステップＳ２２０の前処理過程が実行された心電図信号が入力されるか、又は前処理過程が実行されないステップＳ２１０で取得された心電図信号が入力される。ニューラルネットワークモデルは、心電図信号又は前処理過程で取得されたデータセグメントから認証に用いられるセマンティック特徴を抽出する。

ステップＳ２４０において、心電図認証装置は、抽出されたセマンティック特徴に基づいてユーザを認証する。心電図認証装置は、セマンティック特徴と予め定義された登録特徴（又はセマンティック特徴と比較対象となる基準特徴）との間の類似度を算出し、算出された類似度と閾値との間の比較結果に応じて認証結果を認証成功又は認証失敗のように決定する。類似度を測定するための方法の一例として、セマンティック特徴のベクトルと登録特徴のベクトルとの間のコサイン類似度を用いる。ここで、コサイン類似度が大きいほどセマンティック特徴と登録特徴との間の類似度は大きく、心電図認証装置は、コサイン類似度が閾値以上である場合に認証成功として決定し、コサイン類似度が閾値以下である場合に認証失敗として決定する。他の実施形態において、心電図認証装置は、コサイン類似度の他に様々な方式を用いてセマンティック特徴と登録特徴との間の類似度を算出する。

図３は、一実施形態による心電図学習データを用いてニューラルネットワークモデルを学習させる動作を示すフローチャートである。

図３に示す動作は、図示するように順次実行される。しかし、数個の動作は本実施形態の範囲及び技術的思想から離れることなく、一部の動作が実行されていないか、又は動作の順が変更される。図３に示した動作は並列的又は同時に実行される。上記の図１及び図２に示す説明も図３に適用され、参照としてここに含まれる。また、ここで、上記で説明した内容と重なる内容は省略する。

学習装置（例えば、図１１に示す学習装置１１００）は、心電図学習データを用いて心電図認証装置によって用いられるニューラルネットワークモデルを学習させる。図３を参照すると、学習装置は、ステップＳ３１０において心電図学習データを受信し、ステップＳ３２０において心電図学習データを増加させる。学習装置は、フィルタリング、基準点に基づくデータ分割、オフセット処理などにより本来の心電図学習データよりも多い量の心電図学習データを取得する。心電図学習データを増加させるステップは、データ増加処理ステップのように称される。ニューラルネットワークモデルが様々な心電図学習データによってよく学習されると、学習されたニューラルネットワークモデルは、心電図信号から優れた識別力を有する特徴をよりよく抽出することができる。

本実施形態によると、ステップＳ３２０は、ステップＳ３２１〜ステップＳ３２６のステップを含む。一実施形態において、ステップＳ３２１〜ステップＳ３２６は全て実行されるか、又は一部のステップは省略される。

ステップＳ３２１において、学習装置は、フィルタを用いて心電図学習データをフィルタリングする。学習装置は、フィルタリングによって心電図学習データに含まれるノイズを除去する。一実施形態によると、学習装置は、通過帯域が固定されたバンドパスフィルタを用いて心電図学習データをフィルタリングする。他の実施形態によると、学習装置は、複数のそれぞれ異なる通過帯域のバンドパスフィルタを用いることで様々な周波数帯域の心電図学習データを取得する。

ステップＳ３２２において、学習装置は、フィルタリングされた心電図学習データから１つ以上の基準点を検出する。学習装置は、フィルタリングされた心電図学習データのピーク点及びピーク点に隣接する１つ以上の極小点のうちの１つ以上を検出し、検出された極小点を基準点に設定する。心電図信号は、複数の極大点又は極小点を有するが、このうちのピーク点を中心に周辺に極小点が形成される。学習装置は、フィルタリングされた心電図学習データに対して（ａ）ピーク点及びピーク点の左右に隣接する極小点、（ｂ）ピーク点及びピーク点の左側に隣接する極小点、又は（ｃ）ピーク点及びピーク点の右側に隣接する極小点のうちのいずれか１つにより基準点を検出する。

ステップＳ３２３において、学習装置は、１つ以上の基準点に基づいて、フィルタリングされた心電図学習データからそれぞれ異なる長さを有する複数のデータセグメントを取得する。学習装置は、基準点を中心としてそれぞれ異なる長さを有するデータセグメントを取得する。例えば、学習装置は、フィルタリングされた心電図学習データから、ピーク点を中心として予め定義されたそれぞれ異なる長さを有するデータセグメントと、ピーク点の左側に隣接する極小点を中心として予め定義されたそれぞれ異なる長さを有するデータセグメントを取得する。

学習装置は、心電図学習データを増加させるために選択的にステップＳ３２５及びステップＳ３２６を実行する。学習装置は、ステップＳ３２５及びステップＳ３２６のそれぞれの追加的な処理でデータセグメントにオフセットを行って正規化する。追加的な処理は、ディスターバンス（ｄｉｓｔｕｒｂａｎｃｅ）処理のように称され、このような追加的な処理過程によって心電図学習データはより多様化される。

ステップＳ３２４において、学習装置は、現在のデータセグメントでオフセットを行うための基準点を選択する。ステップＳ３２５において、学習装置は、選択された基準点に基づいて現在のデータセグメントに対してオフセットを行う。例えば、現在のデータセグメントでピーク点が基準点として選択された場合、学習装置は、ピーク点を中心にそれぞれ異なる長さを有する複数のデータセグメントを取得する。ステップＳ３２６において、学習装置は、オフセットが行われたデータセグメントを同一の長さで正規化する。

学習装置は、心電図学習データに対してデータ増加処理及びディスターバンス処理を行った後、様々な形態を有する増加させた心電図学習データを取得する。増加させた心電図学習データの個数は「それぞれ異なる通過帯域を有するフィルタの個数×基準点の個数×それぞれ異なる長さのデータセグメントの個数」に対応する。

一般に、ニューラルネットワークモデルを学習させるための心電図学習データは充分でない場合がある。心電図学習データを増加させるステップは、最初の心電図学習データで有用な情報を増加させる。有用な情報を含む多くの心電図学習データを用いてニューラルネットワークモデルを学習させることで、心電図信号から識別力のあるセマンティック特徴を抽出するためのニューラルネットワークモデルの性能は改善される。

一人から収集された心電図学習データを増加させる場合、心電図学習データの収集時期や心臓拍動率の偏差が大きいこともある。学習装置は、心電図学習データを増加させる過程によって最初の心電図学習データに含まれる有用な情報を増加させ、心電図学習データの収集環境の差又は心臓拍動率の偏差に対応するニューラルネットワークモデルの性能を改善させる。

その後、ステップＳ３３０において、学習装置は、増加させた学習データを用いて心電図認証に用いられるニューラルネットワークモデルを学習させる。ニューラルネットワークモデルは、ディープラーニング方式で学習される。ディープラーニング方式とは、様々な非線型変換方式の組合せを用いて高いレベルの抽象化を試みる機械学習アルゴリズムを意味する。ディープラーニング方式により学習されるニューラルネットワークモデルは、入力レイヤ及び出力レイヤ、入力レイヤと出力レイヤとの間に位置する１つ以上の隠れレイヤを含む。

一実施形態によると、学習装置は、識別信号及び認証信号を用いてニューラルネットワークモデルを学習させる。ここで、識別信号は、第１心電図に対応する個体を識別するために用いられる信号を意味し、認証信号は、第１心電図に対応する個体と第２心電図に対応する個体が互いに同一であるか否かを判断するために用いられる信号を意味する。識別信号及び認証信号は、監督信号のように称される。

ニューラルネットワークモデルは、それぞれ異なる個体の心電図学習データのセマンティック特徴間の特徴空間における差異点を増加させて類似性が減少されるように学習する。また、ニューラルネットワークモデルは、同じ個体の心電図学習データのセマンティック特徴間の特徴空間における類似性を増加させて差異点が減少されるように学習する。

本実施形態によると、ステップＳ３３０はステップＳ３３１及びステップＳ３３２のステップを含む。

ステップＳ３３１において、学習装置は、増加させた心電図学習データのそれぞれに対して複数の候補ニューラルネットワークモデルを学習させる。学習された候補ニューラルネットワークモデルのそれぞれは、周波数通過帯域、基準点の種類及び個数、データセグメントの長さに対応する。従って、学習装置は、「それぞれ異なる通過帯域を有するフィルタの個数×基準点の個数×それぞれ異なる長さのデータセグメントの個数」に該当する個数の候補ニューラルネットワークモデルを取得する。

例えば、データ増加処理及びディスターバンス処理が行われた後、合計２９（それぞれ異なる通過帯域を有するフィルタの個数）×３（基準点の個数）×３（それぞれ異なる長さのデータセグメントの個数）＝２６１個のデータセグメントが取得される。学習装置は、２６１個のデータセグメントのそれぞれに対して独立的に候補ニューラルネットワークモデルを学習させる過程により２６１個の学習された候補ニューラルネットワークモデルを取得する。

各候補ニューラルネットワークモデルは、複数のレイヤを含む。候補ニューラルネットワークモデルの出力レイヤに該当する最も高いレイヤには、複数の個体のそれぞれに対応するノードが配置される。例えば、ニューラルネットワークモデルの最後から２番目のレイヤは完全接続レイヤ（ｆｕｌｌｙ ｃｏｎｎｅｃｔｉｏｎ ｌａｙｅｒ）であり、最後のレイヤは複数のノードで構成されたソフトマックス（ｓｏｆｔ−ｍａｘ）レイヤである。ここで、各ノードが複数の個体のそれぞれに対応するため、ノードの個数は個体の個数と同一である。

一実施形態によると、学習装置は、監督学習方式を用いて候補ニューラルネットワークモデルを学習させる。監督学習に用いられる監督信号は、候補ニューラルネットワークモデルから出力された信号の比較対象となる信号であって、候補ニューラルネットワークモデルに含まれるニューロンの加重値を調整するためのものである。監督信号は、識別信号及び認証信号を含む。識別信号は、レイヤの非線型マッピングによって心電図学習データが属する類型の個体を識別した結果が有効であるか否かを決定するために用いられる。認証信号は、レイヤの非線型マッピングによって２つの心電図学習データが同じ個体に属するか否かを識別した結果が有効であるか否かを決定するために用いられる。

学習装置は、候補ニューラルネットワークモデルの最も高いレイヤのノードから出力された信号を監督信号と比較する。学習装置は、比較結果を示すエラー関数の値が閾値以下になるように候補ニューラルネットワークモデルに含まれるニューロンの加重値を調整する。ここで、エラー関数は、候補ニューラルネットワークモデルから出力された信号と監督信号との間の差を測定する関数を意味する。学習装置は、例えば、エラー関数としてクロスエントロピー損失関数（Ｃｒｏｓｓ−Ｅｎｔｒｏｐｙ ｌｏｓｓ ｆｕｎｃｔｉｏｎ）を用いる。

学習装置は、次の数式（１）のようにクロスエントロピーを最小化することによって、候補ニューラルネットワークモデルに含まれるニューロンの加重値を調整する。数式（１）は識別信号に対応する損失関数を示す。学習装置は、数式（１）の出力値が減少する方向にニューロンの加重値を調整することによって、それぞれ異なる個体の心電図学習データのセマンティック特徴間の特徴空間における差異点を増加させて類似性を減少させる。

数式（１）において、ｆは候補ニューラルネットワークモデルの最後の完全接続レイヤの出力であって、心電図学習データから抽出されたセマンティック特徴を示す。ｔは実際の類型の個体を示すインデックスを示す。θ_ｉｄは候補ニューラルネットワークモデルの最後のレイヤであるソフトマックスレイヤのパラメータを示す。ｐ_ｉは心電図学習データに対応する実際の確率分布を示す。ここで、ｉ＝ｔである場合にｐ_ｉ＝１であり、ｉ＝ｔでない場合にｐ_ｉ＝０である。

は候補ニューラルネットワークモデルにより推定された確率分布を意味する。数式（１）において、実際の類型の個体ｔの予測確率が大きいか又は数式（１）の損失関数の値が小さいほど候補ニューラルネットワークモデルの性能が優れる。

次の数式（２）は認証信号に対応する損失関数を示す。学習装置は、同一の個体から特徴を抽出して認証のための学習過程を実行する。同一の個体から抽出された心電図学習データの対は正の（ｐｏｓｉｔｉｖｅ）サンプル（ｙ＝＋１）のように称される。異なる個体から抽出された心電図学習データの対は負の（ｎｅｇａｔｉｖｅ）サンプル（ｙ＝０）のように称される。

数式（２）において、ｘ_ｉ及びｘ_ｊは心電図学習データを意味し、ｆ（ｘ_ｉ）及びｆ（ｘ_ｊ）は心電図学習データに対応するセマンティック特徴を示す。ｙ_ｉｊ＝１である場合、ｘ_ｉ及びｘ_ｊのセマンティック特徴間のユークリッド距離が最小化することから、ｘ_ｉ及びｘ_ｊが同じ個体に属する。ｙ_ｉｊ＝０である場合、ユークリッド距離が最小化する場合にもｘ_ｉ及びｘ_ｊの特徴間の距離がｍよりも大きくなり、ｘ_ｉ及びｘ_ｊが他の個体に属する。ここで、ｍは、予め設定された定数である。

学習装置は、パラメータが一定の値に取り込まれるまで心電図学習データの対を選択する。心電図学習データが多い場合、選択された心電図学習データの対が正のサンプルである確率は低い。選択された心電図学習データの対が正のサンプルである確率を増加させるために、学習装置は、心電図学習データを複数のグループ（ｍｉｎｉ−ｂａｔｃｈ）に分類し、それぞれのグループから正のサンプルの対を検索する。それぞれのグループから正のサンプルの対を検索することによって、学習装置は一回に１つのサンプルの対を選択する場合よりも多い量のサンプルの対を生成する。各グループの損失関数は、数式（１）及び数式（２）を修正することによって導き出される。導き出された損失関数は次の数式（３）の通りである。

数式（３）において、Ｎは小さいグループに含まれるサンプルの和の個数であり、
Ｌ＝Ｄ−Ｙ、

である。λは２項目間の加重値を意味し、Ｔｒ（）はトレース（ｔｒａｃｅ）演算を意味する。損失関数Ｌｏｓｓで第ｉ番目のサンプルに関する部分は数式（４）の通りである。

学習装置は、数式（４）を用いてｘ_ｉの傾斜度を算出する。学習装置は傾斜度を算出した後、最適化の過程に進入する。一実施形態によると、学習装置は、逆伝搬（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ）方式により、候補ニューラルネットワークモデルの各パラメータを更新する。

逆伝搬方式は、前方伝搬とエラー逆伝搬の過程を含む。入力レイヤのノードは外部の入力情報を受信し、入力された情報を中間レイヤに伝達する。中間レイヤは、候補ニューラルネットワークモデル内の情報処理レイヤであり、情報交換の機能を行う。中間レイヤは、１つ以上の隠れレイヤを含む。最後の隠れレイヤによって出力レイヤの各ノードに伝えられる情報が処理された後、前方伝搬過程が実行される。その後、学習装置は出力レイヤを用いて情報処理結果を出力する。

候補ニューラルネットワークモデルの実際の出力が期待出力と異なる場合、学習装置は、候補ニューラルネットワークモデルのパラメータ（例えば、ニューロンの加重値）を調整するためにエラー逆伝搬過程を実行する。学習装置は、候補ニューラルネットワークモデルの実際の出力と期待出力との間の誤差に基づいて誤差傾斜度の下降方式により候補ニューラルネットワークモデルに含まれる各レイヤの加重値を修正する。学習装置は、このような方式で出力レイヤから隠れレイヤ及び入力レイヤの加重値を修正する。学習装置は、前方伝搬及びエラー逆伝搬過程を繰り返し実行することで、各レイヤの加重値を調整して学習過程を完了する。このような学習過程は、候補ニューラルネットワークモデルの実際の出力と期待出力との間の誤差が閾値以下になるか、又は予め設定された学習回数に達するまで繰り返し実行される。

一実施形態によると、ステップＳ３３２において、学習装置は、候補ニューラルネットワークモデルによって抽出された候補セマンティック特徴の正確度に基づいて、複数の候補ニューラルネットワークモデルのうちの１つ以上の候補ニューラルネットワークモデルを選択する。学習装置は、選択された１つ以上の候補ニューラルネットワークモデルに基づいて心電図信号の認証に用いられるための最終ニューラルネットワークモデルを決定する。

例えば、学習装置は、複数の候補ニューラルネットワークモデルのうちから正確度の最も高い候補セマンティック特徴を出力した候補ニューラルネットワークモデルを選択する。或いは、学習装置は、貪欲アルゴリズムを用いて複数の候補セマンティック特徴のうちから正確度が高いと判断した１つ以上の候補セマンティック特徴を選択する。選択されたセマンティック特徴に対応する候補ニューラルネットワークモデルが最終ニューラルネットワークモデルとして決定される。例えば、学習装置は、フォワード貪欲アルゴリズムとバックワード貪欲アルゴリズムを用いて、複数の候補セマンティック特徴のうちから正確度が高い候補セマンティック特徴を選択する。学習装置は、先にフォワード貪欲アルゴリズムを用いて各候補セマンティック特徴の正確度を算出し、各候補セマンティック特徴のうちから正確度の最も高い候補セマンティック特徴を選択する。学習装置は、選択された候補セマンティック特徴と結合する場合、正確度が最も大きく上昇する候補セマンティック特徴を、選択されない残りの候補セマンティック特徴のうちから選択する。このような過程は、選択された候補セマンティック特徴の数が予め設定された第１個数に達するか、又は正確度が上昇しない範囲で繰り返し実行される。

学習装置は、バックワード貪欲アルゴリズムを用いてフォワード貪欲アルゴリズムによって選択された候補セマンティック特徴のうちから選択されない残りの候補セマンティック特徴と結合する場合に正確度が最も大きく上昇する１つの候補セマンティック特徴を除去する。このような過程は、選択されないか削除されない残りの候補セマンティック特徴の数が予め設定された第２個数に達するか又は正確度が上昇しない範囲で繰り返し実行される。一例として、第２個数は第１個数よりも小さいか又は第１個数と同一である。

図４Ａ〜図４Ｅは、一実施形態による心電図学習データのフィルタリング結果の一例を示す図である。

学習装置はフィルタを用いて心電図学習データをフィルタリングする。例えば、学習装置は、それぞれ異なる周波数通過帯域を有するバンドパスフィルタを用いて心電図学習データをフィルタリングする。これに対するフィルタリング結果を図４Ａ〜図４Ｅに示す。学習装置は、フィルタリング過程により心電図学習データに含まれるノイズを除去する。学習装置は、複数のそれぞれ異なる通過帯域を有するバンドパスフィルタを用いることによって、固定された単一の通過帯域を有するフィルタを用いた場合よりも有用な情報が含まれる心電図学習データをより多く取得する。次の表１は、フィルタリング過程に用いられるバンドパスフィルタの複数の通過帯域を例示的に示すものである。

表１から分かるように、例えば、バンドパスフィルタの通過帯域の開始周波数は１Ｈｚ〜３５Ｈｚの間に含まれ、終了周波数は１０Ｈｚ〜５０Ｈｚの間に含まれる。表１に示す通過帯域は、心電図学習データに有用な情報が多く含まれながらもノイズが減少する周波数通過帯域又は周波数セグメントを示す。

図４Ａ〜図４Ｅに示すように、通過帯域が異なる場合にフィルタリングの結果はそれぞれ異なる。通過帯域の幅が広いほどフィルタリングされた心電図学習データには、より多くのノイズが含まれる。例えば、通過帯域の幅が「１−４０Ｈｚ」、「１−３０Ｈｚ」、「３−３０Ｈｚ」、及び「３−１５Ｈｚ」の順にフィルタリング結果にノイズが少なく含まれ、心電図学習データのグラフはより滑らかになる。また、通過帯域の幅が広いほど心電図信号に対する重要な情報がより多く含まれる。一実施形態による学習装置は、複数のそれぞれ異なる通過帯域を有するバンドパスフィルタを用いることにより、単一通過帯域を有するバンドパスフィルタを用いる場合よりも重要な情報をより多く含む心電図学習データが取得される。

図５は、一実施形態による心電図学習データから検出された基準点を示す図である。

図５に示すように、心電図学習データは複数の極大点又は極小点を有し、このうち、ピーク点であるＲポイントを中心に最も近い極小点としてＱポイント及びＳポイントが形成される。

一実施形態によると、学習装置は、ＲポイントとＱポイント及びＳポイントのうちの１つを基準点として設定する。一例として、学習装置は、Ｒポイントを基準点に設定し、Ｒポイントを基準にして、例えば、１６０サンプルポイント、１９０サンプルポイント、又は２２０サンプルポイントのそれぞれ異なる長さのデータセグメントを取得する。Ｒポイントに基づいて取得されたデータセグメントは、１つの心臓拍動に対する全体情報を反映する。例えば、１６０サンプルポイントの長さを有する１つのデータセグメントは、Ｒポイントの前の「サンプルポイント（６３個）＋Ｒポイント（１個）＋Ｒポイントの後のサンプルポイント（９６個）」の長さに対応する。

一例として、学習装置は、Ｑポイント又はＳポイントを基準点に設定し、例えば、３０〜５０の間のサンプルポイントを有する小さい長さのデータセグメントを取得する。Ｑポイント又はＳポイントを基準点にして取得されたデータセグメントは、心臓拍動に対する一部情報を反映する。

図６Ａ〜図６Ｉは、一実施形態による基準点を用いて取得されたデータセグメントを示す図である。

図６Ａ〜図６Ｉは、基準であるＲポイント、Ｑポイント、及びＳポイントのうちから選択された基準点に基づくそれぞれ異なる長さを有する複数個のデータセグメントを示す。例えば、図６Ａに示す「Ｑ：Ｌ＝３０」は、Ｑポイントに基づいて３０サンプルポイントの長さを有するデータセグメントを取得したグラフを示す。図６Ａ〜図６Ｉに示すように、Ｑポイント又はＳポイントに基づいて取得されたデータセグメントは、Ｒポイントに基づいて取得されたデータセグメントよりも概ねその長さが短い。また、Ｑポイント又はＳポイントを基準点に選択した場合、データセグメントに示されるグラフは、心臓拍動の一部のみを示す一方、Ｒポイントを基準点に選択した場合にデータセグメントに示されたグラフは心臓拍動に対する全体情報を示す。

以下の表２は、Ｒポイント、Ｑポイント、及びＳポイントの種類に応じて試験的に取得された複数のデータセグメントを示す。

図７Ａ〜図７Ｄは、一実施形態による心電図学習データに対してデータ追加処理が実行された結果を示す図である。

学習装置は、それぞれのデータセグメントに対して選択的にデータ追加処理を行う。学習装置は、データセグメントを取得するために基準となる基準点及びデータセグメントの長さをデータの追加処理過程で利用する。学習装置は、心電図学習データのベースライン（ｂａｓｅｌｉｎｅ）を保持したまま、データセグメントの両側の終わりに対して各オフセットを行った後、オフセットが行われたデータセグメントを同じ長さに正規化する。

例えば、Ｒポイントが基準点として設定され、Ｒポイントの前が６３個のサンプルポイント、Ｒポイントの後が９６個のポイントに設定されたデータセグメントがあり、データセグメントの全長は１６０個のサンプルポイントがあると仮定する。次の表３に示すように、学習装置は、データ追加処理（第１ケース及び第２ケース）によってそれぞれ異なる長さのデータセグメントを取得する。表３に記載した数字はサンプルポイントの個数を示す。

図７Ａ〜図７Ｃは、各Ｒポイントを基準点にしてデータセグメントの総長さが１６０個のサンプルポイント、１５５個のサンプルポイント、及び１６５個のサンプルポイントであるデータセグメントを示す。該当のデータセグメントは、同一の心電図学習データに対してそれぞれ異なる長さを有するデータセグメントである。学習装置は、基準ケースのデータセグメントに対してオフセットを行って第１及び第２ケースのように長さがそれぞれ異なるデータセグメントを生成する。

その後、学習装置は、図７Ｄに示すように、図７Ａ〜図７Ｃに示したデータセグメントが同一の長さを有するよう正規化する。学習装置は、基準ケースのように、Ｒポイントの前に６３個のサンプルポイントを有するように第１及び第２ケースのデータセグメントの長さを調整する。例えば、図７Ｂ及び図７Ｃに示すグラフに対して、６１個のサンプルポイント及び６５個のサンプルポイントを全て６３個のサンプルポイントになるよう正規化する。また、学習装置は、Ｒポイントの後のサンプルポイントの個数が９６個のサンプルポイントになるよう正規化する。例えば、図７Ｂ及び図７Ｃに示すグラフに対して、９３個のサンプルポイント及び９９個のサンプルポイントを全て９６個のサンプルポイントになるよう調整する。その結果、図７Ｄに示すグラフのように、学習装置は、図７Ａ〜図７Ｃに示したグラフに対してデータセグメントの総長さを全て１６０個のサンプルポイントに保持する。学習装置は、上記の過程によって異なる基準点又は異なる長さに対応するデータセグメントに対しても同様の方式により正規化し、これによって、心電図学習データを多様化する。図７Ａ〜図７Ｄにおいて、「Ｌ」はデータセグメントを構成するサンプルポイントの総個数としてデータセグメントの長さを示す。

図８Ａは、一実施形態によるニューラルネットワークモデルを示す図であり、図８Ｂは、他の実施形態によるニューラルネットワークモデルを示す図である。

図８Ａを参照すると、一実施形態によるニューラルネットワークモデルにおいて、一対の心電図学習データが候補ニューラルネットワークモデルの入力レイヤに入力される。最も下位のレイヤが入力レイヤであり、入力レイヤに含まれるノード（又は、ニューロン）の個数は心電図学習データの次元の大きさと同一である。最も上位のレイヤは出力レイヤであり、出力レイヤは識別信号に基づいて学習される。入力レイヤと出力レイヤとの間には隠れレイヤが位置し、最後の隠れレイヤの出力は学習されたセマンティック特徴を示す。最後の隠れレイヤで出力された一対の特徴は、１つの認証出力（＋１又は−１）に対応する。

図８Ｂを参照すると、他の実施形態によるニューラルネットワークモデルにおいて、一対の心電図学習データのそれぞれは２つのニューラルネットワークモデルのそれぞれに入力される。２つのニューラルネットワークモデルは隠れレイヤの加重値を互いに共有する。２つのニューラルネットワークモデルで最後から２番目の隠れレイヤの出力がセマンティック特徴として決定される。

図９は、一実施形態による貪欲アルゴリズムを用いて複数の候補ニューラルネットワークモデルのうちから最適な候補ニューラルネットワークモデルを選択する動作を説明するための図である。

学習装置は、学習の結果として複数の候補ニューラルネットワークモデルを取得する。しかし、複数の候補ニューラルネットワークモデルの全てが高い性能を発揮することはない。学習装置は、最も高い性能を示す候補ニューラルネットワークモデルを選択する。

学習装置は、各候補ニューラルネットワークモデルを用いて心電図学習データから候補セマンティック特徴を抽出する。例えば、学習装置は、貪欲アルゴリズムを用いて複数の候補セマンティック特徴のうちの基準を満たす１つ以上の候補セマンティック特徴を選択する。学習装置は、候補セマンティック特徴を選択するためにフォワード貪欲アルゴリズムとバックワード貪欲アルゴリズムを用いる。

フォワード貪欲アルゴリズムにおいて、学習装置は、単一の候補ニューラルネットワークモデルの性能を評価し、最も高い性能を示す候補ニューラルネットワークモデルを選択する。候補ニューラルネットワークモデルの評価は、候補ニューラルネットワークモデルに対応する候補セマンティック特徴に基づいて実行される。図９において、モデル点数の数値が小さいほど候補ニューラルネットワークモデルの性能がより優れることを示す。フォワード貪欲アルゴリズムにおいて、ラウンド１で、学習装置は候補ニューラルネットワークモデル（以下、簡単に「モデル」という）１を選択する。ラウンド２で、学習装置は残りのモデル（モデル２−モデルＮ）のうちから前のラウンド（ラウンド１）で選択されたモデルであるモデル１と結合する場合に最も高い性能を有するモデルをモデル２として選択する。このような選択過程は、選択された候補セマンティック特徴の個数が予め設定された第１個数に達するか、又は候補セマンティック特徴の正確度が上昇しない範囲で繰り返し実行される。

バックワード貪欲アルゴリズムは、フォワード貪欲アルゴリズムを補完するために用いられる。フォワード貪欲アルゴリズムは、初期ラウンドに示されるエラーを修正することが難しい点がある。例えば、ラウンド２で選択されたモデル２とラウンド３で選択されたモデル４とが結合して最も高い性能を示す場合、モデル２とモデル４とが結合したときに最も優れる性能を示すものの、ラウンド１でモデル１が選択されることにより、モデル１は最終選択された候補ニューラルネットワークモデルから除外され難い。即ち、ラウンド１でモデル１が選択されると、最も高い性能を示すモデル２とモデル４の組合せは選択されない。

学習装置は、バックワード貪欲アルゴリズムを用いて既に選択されたＭ個のモデルに対してラウンド毎に性能を評価して１つのモデルを削除し、残りのモデルを結合して性能を評価する。モデルの評価は、モデルから出力された候補セマンティック特徴に基づいて実行される。ここで、削除されるモデルとして、該当のモデルが削除されることにより性能が最も高くなるモデルを選択する。このような過程は、選択されないか、削除されない残りの候補セマンティック特徴の個数が予め設定された第２個数に達するか、又は候補セマンティック特徴の正確度が上昇しない範囲で繰り返して実行される。一例として、第２個数は第１個数よりも小さいか同一である。

図１０は、一実施形態による心電図認証装置の構成を示す図である。

図１０を参照すると、心電図認証装置１０００は、プロセッサ１０１０、メモリ１０２０、及びディスプレイ１０４０を含む。

プロセッサ１０１０は、図１及び図２を参照して上述した１つ以上の動作を実行する。例えば、プロセッサ１０１０は、心電図測定機器１０３０によって取得されたユーザの心電図信号に基づいて心電図認証を行う。一実施形態において、心電図測定機器１０３０は心電図認証装置１０００に含まれる。プロセッサ１０１０は、ニューラルネットワークモデルを用いて心電図信号からセマンティック特徴を抽出し、抽出されたセマンティック特徴と予め登録された登録特徴とを比較して心電図認証を行う。

メモリ１０２０は、図１及び図２を参照して上述した１つ以上の動作を実行するための命令を格納するか、又は心電図認証装置１０００が運用されて取得されたデータと結果を格納する。一実施形態において、メモリ１０２０は、以下で説明するように、非一時的なコンピュータ読み取り可能な記録媒体、例えば、高速ランダムアクセスメモリ及び／又は不揮発性コンピュータで読み出し可能な格納媒体を含む。

心電図認証過程が完了すると、心電図認証装置１０００は、例えば、ディスプレイ１０４０、スピーカ、振動フィードバックセンサなどにより心電図認証結果をユーザに提供する。一例として、ディスプレイ１０４０は、ユーザインタフェースを具現し、ユーザ入力を受信する１つ以上のハードウェア構成要素を含む物理的な構造である。ディスプレイ１０４０は、ディスプレイ領域、ジェスチャキャプチャー領域、タッチ検出ディスプレイ、及び構成可能な領域のいずれかの組合せを含む。一例として、ディスプレイ１０４０は、心電図認証装置１０００に取付けられ、また心電図認証装置１０００から脱着される外部周辺機器である。ディスプレイ１０４０は、単一スクリーンディスプレイ又はマルチスクリーンディスプレイである。ディスプレイ１０４０は、またメガネディスプレイ（ｅｙｅ ｇｌａｓｓ ｄｉｓｐｌａｙ：ＥＧＤ）として具現される。

一例として、心電図認証装置１０００は、認証が成功した場合にユーザのアクセスを許容する制御信号を生成する。また、一例として、認証が失敗した場合に心電図認証装置１０００はユーザのアクセスを制限する。

図１１は、一実施形態による学習装置の構成を示す図である。

図１１を参照すると、学習装置１１００は、プロセッサ１１１０及びメモリ１１２０を含む。

プロセッサ１１１０は、図３〜図９を参照して上述した１つ以上の動作を実行する。例えば、プロセッサ１１１０は、心電図学習データに基づいてニューラルネットワークモデルを学習させる。プロセッサ１１１０は、心電図学習データを増加させるための信号過程を実行し、心電図学習データに基づいて各候補ニューラルネットワークモデルを学習させる。プロセッサ１１１０は、候補ニューラルネットワークモデルが出力する候補セマンティック特徴の正確度に基づいて、複数の候補ニューラルネットワークモデルのうちから心電図認証に用いられる１つ以上の候補ニューラルネットワークモデルを選択する。メモリ１１２０は、図３〜図９を参照して上述した１つ以上の動作を実行するための命令を格納するか、又は学習装置１１００が運用されて取得されたデータと結果を格納する。

上述した実施形態は、ハードウェア構成要素、ソフトウェア構成要素、又はハードウェア構成要素及びソフトウェア構成要素の組合せで具現される。例えば、本実施形態で説明した装置及び構成要素は、例えば、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、マイクロコンピュータ、ＦＰＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサー、又は命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行して応答する異なる装置のように、１つ以上の汎用コンピュータ又は特殊目的コンピュータを用いて具現される。処理装置は、オペレーティングシステム（ＯＳ）及びオペレーティングシステム上で実行される１つ以上のソフトウェアアプリケーションを実行する。また、処理装置は、ソフトウェアの実行に応答してデータをアクセス、格納、操作、処理、及び生成する。理解の便宜のために、処理装置は１つが使用されるものとして説明する場合もあるが、当該技術分野で通常の知識を有する者は、処理装置が複数の処理要素（ｐｒｏｃｅｓｓｉｎｇ ｅｌｅｍｅｎｔ）及び／又は複数類型の処理要素を含むことが分かる。例えば、処理装置は、複数のプロセッサ又は１つのプロセッサ及び１つのコントローラを含む。また、並列プロセッサ（ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｏｒ）のような、他の処理構成も可能である。

ソフトウェアは、コンピュータプログラム、コード、命令、又はこれらのうちの１つ以上の組合せを含み、希望通りに動作するように処理装置を構成し、独立的又は結合的に処理装置に命令する。ソフトウェア及び／又はデータは、処理装置によって解釈され、処理装置に命令又はデータを提供するためのあらゆる類型の機械、構成要素、物理的装置、仮想装置、コンピュータ格納媒体又は装置、或いは送信される信号波を介して永久的又は一時的に具現化される。ソフトウェアは、ネットワークに接続されたコンピュータシステム上に分散され、分散された方法で格納されるか又は実行される。ソフトウェア及びデータは１つ以上のコンピュータ読み取り可能な記録媒体に格納される。

本実施形態による方法は、多様なコンピュータ手段を介して実施されるプログラム命令の形態で具現され、コンピュータ読み取り可能な記録媒体に記録される。記録媒体は、プログラム命令、データファイル、データ構造などを単独又は組合せて含む。記録媒体及びプログラム命令は、本発明の目的のために特別に設計して構成されたものでもよく、コンピュータソフトウェア分野の技術を有する当業者にとって公知のものであり使用可能なものであってもよい。コンピュータ読み取り可能な記録媒体の例としては、ハードディスク、フロッピー（登録商標）ディスク及び磁気テープのような磁気媒体、ＣＤ−ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスクのような磁気−光媒体、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令を保存して実行するように特別に構成されたハードウェア装置を含む。プログラム命令の例としては、コンパイラによって生成されるような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行される高級言語コードを含む。ハードウェア装置は、本発明の動作を実行するために１つ以上のソフトウェアモジュールとして作動するように構成してもよく、その逆も同様である。

以上、本発明の実施形態について図面を参照しながら詳細に説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の技術的範囲から逸脱しない範囲内で多様に変更実施することが可能である。

１１０、１０００ 心電図認証装置
１２０ ユーザ
１０１０、１１１０ プロセッサ
１０２０、１１２０ メモリ
１０３０ 心電図測定機器
１０４０ ディスプレイ
１１００ 学習装置

Claims (21)

1. ユーザの心電図信号を取得するステップと、
   ニューラルネットワークモデルを用いて前記取得された心電図信号のセマンティック特徴を抽出するステップと、
   前記抽出されたセマンティック特徴に基づいて前記ユーザを認証するステップと、を有することを特徴とする心電図認証方法。
2. 前記セマンティック特徴を抽出する前に前記心電図信号を前処理するステップを更に含み、
   前記心電図信号を前処理するステップは、
   前記取得された心電図信号をフィルタリングするステップと、
   前記ニューラルネットワークモデルに対応する基準点に基づいて、前記フィルタリングされた心電図信号から少なくとも１つの基準点を検出するステップと、
   前記少なくとも１つの基準点に基づいて、前記フィルタリングされた心電図信号からデータセグメントを取得するステップと、を含むことを特徴とする請求項１に記載の心電図認証方法。
3. 前記取得された心電図信号のセマンティック特徴を抽出するステップは、前記ニューラルネットワークモデルを用いて前記データセグメントからセマンティック特徴を抽出することを特徴とする請求項２に記載の心電図認証方法。
4. 前記少なくとも１つの基準点は、前記フィルタリングされた心電図信号のピーク点及び該ピーク点に隣接する１つ以上の極小点のうちの少なくとも１つを含むことを特徴とする請求項２又は３に記載の心電図認証方法。
5. 前記ユーザを認証するステップは、
   前記抽出されたセマンティック特徴と予め定義された登録特徴との間の類似度を算出するステップと、
   前記類似度と閾値との間の比較結果に基づいて前記心電図信号の認証の可否を決定するステップと、を含むことを特徴とする請求項１乃至４のいずれか一項に記載の心電図認証方法。
6. 前記ニューラルネットワークモデルは、心電図学習データに基づくディープラーニング方式で学習されたセマンティック特徴抽出モデルであることを特徴とする請求項１乃至５のいずれか一項に記載の心電図認証方法。
7. 前記少なくとも１つの基準点は、（ａ）前記フィルタリングされた心電図信号のピーク点と該ピーク点の左側及び右側に隣接する複数の極小点、（ｂ）前記ピーク点及び該ピーク点の左側に隣接する極小点、又は（ｃ）前記ピーク点及び該ピーク点の右側に隣接する極小点を含むことを特徴とする請求項２に記載の心電図認証方法。
8. 心電図認証装置に請求項１乃至７に記載の心電図認証方法を実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。
9. プロセッサを備える心電図認証装置であって、
   前記プロセッサは、
   ユーザの心電図信号を受信する動作と、
   ニューラルネットワークモデルを用いて前記心電図信号のセマンティック特徴を抽出する動作と、
   前記抽出されたセマンティック特徴に基づいて前記ユーザを認証する動作と、を実行することを特徴とする心電図認証装置。
10. 心電図学習データを受信するステップと、
    前記心電図学習データを増加させるステップと、
    前記増加させた心電図学習データに基づいて心電図認証に用いられるニューラルネットワークモデルを学習させるステップと、を有することを特徴とする学習方法。
11. 前記心電図学習データを増加させるステップは、
    フィルタを用いて前記心電図学習データをフィルタリングするステップと、
    前記フィルタリングされた心電図学習データから少なくとも１つの基準点を検出するステップと、
    前記少なくとも１つの基準点に基づいて、前記フィルタリングされた心電図学習データからそれぞれ異なる長さを有する複数のデータセグメントを取得するステップと、を含むことを特徴とする請求項１０に記載の学習方法。
12. 前記心電図学習データをフィルタリングするステップは、複数のそれぞれ異なる通過帯域を有するバンドパスフィルタを用いて前記心電図学習データをフィルタリングすることを特徴とする請求項１１に記載の学習方法。
13. 前記心電図学習データをフィルタリングするステップは、通過帯域が固定されたバンドパスフィルタを用いて前記心電図学習データをフィルタリングすることを特徴とする請求項１１に記載の学習方法。
14. 前記少なくとも１つの基準点は、前記フィルタリングされた心電図学習データのピーク点及び該ピーク点に隣接する１つ以上の極小点のうちの少なくとも１つを含むことを特徴とする請求項１１に記載の学習方法。
15. 前記心電図学習データを増加させるステップは、
    前記心電図学習データの現在のデータセグメントから基準点を選択するステップと、
    前記選択された基準点に基づいて前記現在のデータセグメントにオフセットを行うステップと、
    前記オフセットが行われたデータセグメントを正規化するステップと、を更に含むことを特徴とする請求項１０に記載の学習方法。
16. 前記ニューラルネットワークモデルを学習させるステップは、
    前記増加させた心電図学習データのそれぞれに対して複数の候補ニューラルネットワークモデルを学習させるステップと、
    前記候補ニューラルネットワークモデルによって抽出された候補セマンティック特徴の正確度に基づいて、前記複数の候補ニューラルネットワークモデルのうちの少なくとも１つの候補ニューラルネットワークモデルを選択するステップと、を含むことを特徴とする請求項１０に記載の学習方法。
17. 前記選択された少なくとも１つの候補ニューラルネットワークモデルに基づいて心電図認証のための最終ニューラルネットワークモデルを決定するステップを更に含むことを特徴とする請求項１６に記載の学習方法。
18. 前記抽出された候補セマンティック特徴の正確度を増加させるために前記抽出された候補セマンティック特徴に結合された第２候補ニューラルネットワークモデルに対応するセマンティック特徴に基づいて、残りの候補ニューラルネットワークモデルのうちから前記第２候補ニューラルネットワークモデルを選択するステップを更に含むことを特徴とする請求項１６に記載の学習方法。
19. 前記ニューラルネットワークモデルを学習させるステップは、前記心電図学習データに対応する個体を識別するための識別信号及び複数の心電図学習データが同一の個体に対応するか否かを識別するための認証信号に基づいて前記ニューラルネットワークモデルを学習させることを特徴とする請求項１０に記載の学習方法。
20. アンテナと、
    セルラー通信標準により前記アンテナを介してデータを送受信するセルラー無線通信部と、
    タッチ検出ディスプレイと、
    ユーザの心電図信号を測定するセンサと、
    命令を格納するメモリと、
    前記ユーザの心電図信号を受信し、ニューラルネットワークモデルを用いて前記心電図信号のセマンティック特徴を抽出し、前記抽出されたセマンティック特徴に基づいて前記ユーザを認証し、前記タッチ検出ディスプレイに前記認証した結果を表示するプロセッサと、を備えることを特徴とする心電図認証装置。
21. 前記プロセッサは、前記アンテナを用いて他の装置によって測定された前記心電図信号を受信することを特徴とする請求項２０記載の心電図認証装置。

Images