KR102517801B1 - 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법 - Google Patents

심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법 Download PDF

Info

Publication number
KR102517801B1
KR102517801B1 KR1020200158643A KR20200158643A KR102517801B1 KR 102517801 B1 KR102517801 B1 KR 102517801B1 KR 1020200158643 A KR1020200158643 A KR 1020200158643A KR 20200158643 A KR20200158643 A KR 20200158643A KR 102517801 B1 KR102517801 B1 KR 102517801B1
Authority
KR
South Korea
Prior art keywords
personal identification
identification information
electrocardiogram signal
electrocardiogram
image data
Prior art date
Application number
KR1020200158643A
Other languages
English (en)
Other versions
KR20220071477A (ko
Inventor
염찬욱
곽근창
변영현
이명원
Original Assignee
조선대학교산학협력단
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 조선대학교산학협력단 filed Critical 조선대학교산학협력단
Priority to KR1020200158643A priority Critical patent/KR102517801B1/ko
Publication of KR20220071477A publication Critical patent/KR20220071477A/ko
Application granted granted Critical
Publication of KR102517801B1 publication Critical patent/KR102517801B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06T3/0087—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/16—Spatio-temporal transformations, e.g. video cubism
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

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

Abstract

본 발명은 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법에 관한 것이다. 본 발명의 방법은 사용자로부터 기설정된 시간단위동안의 심전도 신호를 입력받는 단계, 입력받은 기설정된 시간단위동안의 심전도 신호를 한 주기 단위의 신호를 포함하는 심전도 신호로 분할하는 단계, 심전도 신호를 3차원 시퀀스 이미지 데이터로 변환하는 단계, 3차원 시퀀스 이미지 데이터를 기설계된 딥 네트워크 모델을 이용하여 개인 식별 정보를 생성하는 단계 및 생성된 개인 식별 정보를 저장하는 단계를 포함할 수 있다.

Description

심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법{generation method of personal identification information using electrocardiogram and personal identification method using the information}
본 발명은 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법에 관한 것으로, 더욱 상세하게는 심전도 신호를 3차원 시퀀스 이미지로 변환하고, 시퀀스 이미지를 딥 네트워크 모델을 이용하여 개인 식별을 수행하는 방법에 관한 것이다.
개인 식별은 건물의 출입, 보안이 요구되는 은행 업무, 스마트 기기의 사용 인증 등, 패스워드가 필요한 다양한 실생활 및 산업 전반에 이용된다.
종래의 개인 식별 방법은 카메라의 광학센서에 의해 얻어진 얼굴 영상으로부터 특징을 추출하여 개인 식별을 수행하는 얼굴 인식 방법, 지문에서 특징을 추출하여 개인 식별을 수행하는 지문 인식 방법, 눈의 홍채에서 개개인의 특징을 추출하여 개인 식별을 수행하는 홍체 인식 방법 등이 있다.
이러한, 개인의 얼굴 영상, 지문, 홍채 등을 이용하여 개인을 식별하는 방법은 부재자나 망자의 경우에도 사용이 가능하므로 보안에 취약하며, 방대한 데이터를 처리해야 하므로 실시간으로 개인 식별을 수행하는데 한계가 있다.
이러한 문제점을 해결하기 위해 한국등록특허 제10-0946766호에는 심전도 데이터를 이용하여 피검자를 식별하는 개인 식별 장치의 구성이 개시되어 있다.
이 종래의 심전도 데이터를 이용한 개인 식별 장치는 복재가 불가능하여 해당 개인만을 식별할 수 있는 장점이 있다.
그러나 종래의 심전도 데이터를 이용한 개인 식별 장치는 심전도 신호를 일정한 주기를 받아 스펙트로그램, 스칼로그램으로 변환하여 2차원 형태의 심전도 신호를 입력으로 사용하여 정보의 양이 많아 시간이 오래 걸려서 실시간으로 개인 식별에 상당한 시간이 소요되는 문제점이 있었다.
[특허문헌 1] 한국공개특허공보 제10-2019-0064678호. 2009. 06. 22. 공개.
본 발명은 전술한 문제점을 해결하기 위하여 창출된 것으로, 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법을 제공하는 것을 그 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상기한 목적들을 달성하기 위하여, 본 발명의 일 실시예에 따른 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법이 개시된다. 상기 방법은 사용자로부터 기설정된 시간단위동안의 심전도 신호를 입력받는 단계, 심전도 신호를 3차원 시퀀스 이미지 데이터로 변환하는 단계, 3차원 시퀀스 이미지 데이터를 기설계된 딥러닝 네트워크 모델을 이용하여 개인 식별 정보를 생성하는 단계 및 생성된 개인 식별 정보를 저장하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의하면, 심전도 신호는 입력받은 사용자의 심전도 신호의 주기가 적어도 하나 이상의 심전도 신호를 포함하는 것을 특징으로 하는 신호일 수 있다.
또한, 본 발명의 일 실시예에 의하면, 3차원 시퀀스 이미지 데이터로 변환하는 단계는 입력받은 심전도 신호를 웨이블릿 변환을 하여 2차원 이미지 데이터로 변환하는 단계 및 변환된 2차원 이미지 데이터를 3차원 시퀀스 이미지 데이터로 변환하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의하면, 2차원 이미지 데이터로 변환하는 단계는 입력받은 심전도 신호를 웨이블릿 변환 중 콘스턴트 Q 변환(Constant Q Transform; CQT)을 통해 2차원 이미지 데이터로 변환하는 것을 특징으로 하는 단계일 수 있다.
또한, 본 발명의 일 실시예에 의하면, 개인 식별 정보를 생성하는 단계는 3차원 시퀀스 이미지 데이터를 구글넷(GoogLeNet) 모델에 입력하여 나온 출력값을 통해 이미지 특징벡터를 추출하고, 추출된 이미지 특징벡터를 장단기 메모리(Long Short-Term Memory, LSTM)에 입력하여 나온 결과값을 이용하여 개인 식별 정보를 생성하는 단계일 수 있다.
또한, 본 발명의 일 실시예에 의하면, 개인 식별 생성 방법으로 개인 식별 정보들을 생성하여 데이터베이스에 저장하는 단계, 식별하고자 하는 식별 대상의 심전도 신호를 입력받는 단계, 입력받은 식별 대상의 심전도 신호와 데이터베이스에 저장된 심전도 데이터들을 비교하여 입력받은 식별 대상 심전도 신호가 어느 개인 식별 정보로 분류되는지 판단하는 단계를 포함할 수 있다.
상기한 목적들을 달성하기 위한 구체적인 사항들은 첨부된 도면과 함께 상세하게 후술될 실시예들을 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 서로 다른 다양한 형태로 구성될 수 있으며, 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자(이하, "통상의 기술자")에게 발명의 범주를 완전하게 알려주기 위해서 제공되는 것이다.
본 발명의 일 실시예에 의하면, 심전도 신호를 일정한 간격으로 취득하여 개인 식별 데이터를 생성함으로써 작은 양의 심전도 신호를 사용하여 개인 식별을 수행할 수 있다.
또한, 본 발명의 일 실시예에 의하면, 심전도 신호를 웨이블릿 변환을 이용하여 2차원 이미지로 데이터로 변환하고, 2차원 이미지 데이터를 3차원 시퀀스 이미지 데이터로 변환하여 개인 식별을 수행함으로써, 적은 양의 심전도 신호를 사용하여 개인 식별을 수행할 수 있다.
본 발명의 효과들은 상술된 효과들로 제한되지 않으며, 본 발명의 기술적 특징들에 의하여 기대되는 잠정적인 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상기 언급된 본 발명 내용의 특징들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나 첨부된 도면들은 단지 본 발명 내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 발명의 일 실시예에 따른 심전도를 이용한 개인 식별 정보 생성방법의 순서도이다.
도 2는 본 발명의 일 실시예에 따른 심전도 신호를 일정한 시간 단위로 취득하는 과정을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 심전도 신호를 2차원 이미지 데이터로 변환하는 과정을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 2차원 이미지 데이터를 3차원 시퀀스 이미지로 변환하는 과정을 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 3차원 시퀀스 이미지를 딥 네트워크 모델에 입력하여 개인 인증을 수행하는 과정을 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 심전도를 이용한 개인 식별 방법의 순서도이다.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시예들을 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
청구범위에 개시된 발명의 다양한 특징들은 도면 및 상세한 설명을 고려하여 더 잘 이해될 수 있을 것이다. 명세서에 개시된 장치, 방법, 제법 및 다양한 실시예들은 예시를 위해서 제공되는 것이다. 개시된 구조 및 기능상의 특징들은 통상의 기술자로 하여금 다양한 실시예들을 구체적으로 실시할 수 있도록 하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다. 개시된 용어 및 문장들은 개시된 발명의 다양한 특징들을 이해하기 쉽게 설명하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다.
본 발명을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.
본 발명의 일 실시예에 따른 개인 식별 정보 생성방법은 사람의 심전도 신호를 3차원 시퀀스 이미지 데이터로 변환하고, 변환된 3차원 시퀀스 이미지 데이터를 딥 네트워크 모델을 이용하여 개인 식별 정보로 생성하는 방법이다.
또한, 본 발명의 일 실시예에 따른 개인 식별 방법은 상기 개인 식별 정보 생성방법으로 생성된 개인 식별 정보를 이용하여 개인 식별을 수행하는 방법이다.
또한, 본 발명의 일 실시예에 따른 개인 식별 정보 생성방법 및 개인 식별 방법은 실질적으로 컴퓨터에 의해 수행되며, 상기 컴퓨터에는 상기 컴퓨터를 기능시켜 상기 개인 식별 정보 생성방법 및 개인 식별 방법을 수행하기 위한 컴퓨터 프로그램이 저장된다.
또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터뿐만 아니라 영상 처리가 가능한 스마트 기기 및 임베디드 시스템을 포함하는 광의의 컴퓨팅 장치이다.
또한, 상기 컴퓨터 프로그램은 별도의 기록 매체에 저장되어 제공될 수 있으며, 상기 기록매체는 본 발명을 위하여 특별히 설계되어 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.
예를 들면, 상기 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.
또한, 상기 컴퓨터 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성된 프로그램일 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜인 프로그램일 수 있다.
이하, 본 발명의 일 실시예에 따른 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법을 설명한다.
도 1은 본 발명의 일 실시예에 따른 심전도를 이용한 개인 식별 정보 생성방법의 순서도이다.
도 1을 참조하면, 심전도 신호를 이용한 개인 식별 정보 생성방법(S100)은 사용자로부터 기설정된 시간단위동안의 심전도 신호를 입력받는 단계(S110), 심전도 신호를 3차원 시퀀스 이미지 데이터로 변환하는 단계(S120), 3차원 시퀀스 이미지 데이터를 기설계된 딥 네트워크 모델을 이용하여 개인 식별 정보를 생성하는 단계(S130) 및 생성된 개인 식별 정보를 저장하는 단계(S140)를 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 심전도 신호를 일정한 시간 단위로 취득하는 과정을 도시한 도면이다.
도 2를 참조하면, 심전도 신호를 입력받는 단계(S110)는 사용자로부터 기설정된 시간단위동안의 심전도 신호를 입력받는 단계일 수 있다.
기설정된 시간동안의 심전도 신호를 입력받는 것은 원하는 주기만큼 심전도 신호를 취득하려면 사람마다 심전도 주기의 차이로 인해 발생하는 데이터양을 줄여 연산 속도저하를 방지하기 위함이다. 예를 들어, A라는 사람은 5개의 주기를 취득하려면 5초가 필요하고 B라는 사람은 3초가 필요하다. 상기 예시는 본 개시를 설명하기 위한 예시일 뿐, 본 개시는 이에 제한되지 않는다.
심전도 신호는 입력받은 사용자의 심전도 신호의 주기가 적어도 하나 이상의 심전도 신호를 포함하는 것을 특징으로 하는 신호일 수 있다.
도 3은 본 발명의 일 실시예에 따른 심전도 신호를 2차원 이미지 데이터로 변환하는 과정을 도시한 도면이고, 도 4는 본 발명의 일 실시예에 따른 2차원 이미지 데이터를 3차원 시퀀스 이미지로 변환하는 과정을 도시한 도면이다.
도 3 및 도 4를 참조하면, 3차원 시퀀스 이미지 데이터로 변환하는 단계(S120)는 심전도 신호를 입력받는 단계(S110)를 통해 입력받은 심전도 신호를 3차원 시퀀스 이미지 데이터로 변환하는 단계일 수 있다.
보다 구체적으로, 3차원 시퀀스 이미지 데이터로 변환하는 단계(S120)는 심전도 신호를 입력받는 단계(S110)를 통해 입력받은 심전도 신호를 웨이블릿 변환을 하여 2차원 이미지 데이터로 변환하는 단계 및 변환된 2차원 이미지 데이터를 3차원의 시퀀스 이미지 데이터로 변환하는 단계를 포함할 수 있다.
또한, 2차원 이미지 데이터로 변환하는 단계는 입력받은 심전도 신호를 웨이블릿 변환 중 콘스턴트 Q 변환(Constant Q Transform; CQT)을 통해 2차원 이미지 데이터로 변환하는 것을 특징으로 하는 단계일 수 있다.
여기서, 웨이블릿 변환은 시간적으로 주파수 성분이 변하는 신호에 대하여 시간과 주파수 성분을 나타내는 변환 방법이다. 일반적으로 푸리에 변환(Fourier transform)은 신호가 시간적으로 변하지 않는다는 가정에서 주파수 성분을 표시한다. 이에 반하여 웨이블릿 변환은 처프(chirped) 신호나 ECG(Electrocardiograph), 그리고 영상 신호와 같이 시간적으로 주파수 성분이 변하는 신호에 대하여 시간과 주파수 성분을 표현하기 위하여 사용되는 변환 방법이다. 이 경우 낮은 주파수 성분은 높은 주파수 해상도로 표현하고, 높은 주파수 성분은 시간 해상도를 높게 변환한다.
또한, 콘스턴트 Q 변환(Constant Q-gabor Transform; CQT)은 중신 주파수와 대역폭이 서로 다른 창을 사용하여 Q 계수인 대역폭에 대한 중심 주파수의 비율을 일정하게 유지할 수 있다. 또한 안정적인 인버스 구축을 가능하게 하여 완벽한 신호 재구성이 가능하다. Constant Q-gabor Transform은 다음과 같이 정의된다.
Figure 112020126254882-pat00001
여기서 k는 주파수를 나타내고 n은 시간 인덱스를 나타낸다. N은 입력신호 x(n)의 길이이고 ak *(t)는 다음과 같이 정의된 윈도우 함수이다.
Figure 112020126254882-pat00002
gk(m)는 윈도우 함수를 나타내며 fk는 중심 주파수를 나타낸다. 중심 주파수는 수학식 3과 같이 기하학적인 간격을 두고 있다.
Figure 112020126254882-pat00003
여기서, b는 옥타브 당 주파수의 수를 결정한다. f0은 분석된 가장 낮은 주파수이고 K는 전체 주파수의 수를 나타낸다. 위 순서를 통해 Q-gabor가 정의된다.
또한, 3차원의 시퀀스 이미지 데이터로 변환하는 단계는 웨이블릿 변환을 통해 만들어진 2차원 CQT를 3차원 시퀀스 이미지 데이터로 변환하는 단계일 수 있다. 예를 들어, 도 4을 참조하면 사람 A는 3개의 CQT 이미지를 사용하여 시퀀스를 만들고 사람 B는 5개의 이미지를 사용하여 시퀀스를 만들 수 있다. 사람마다 CQT 이미지의 수가 다르기 때문에 시퀀스의 길이도 다를 수 있다. 상기 예시는 본 개시를 설명하기 위한 예시일 뿐, 본 개시는 이에 제한되지 않는다.
도 5는 본 발명의 일 실시예에 따른 3차원 시퀀스 이미지를 딥 네트워크 모델에 입력하여 개인 인증을 수행하는 과정을 도시한 도면이다.
도 5를 참조하면, 개인 식별 정보를 생성하는 단계(S130)는 3차원 시퀀스 이미지 데이터로 변환하는 단계(S120)를 통해 변환된 3차원 시퀀스 이미지 데이터를 기설계된 딥러닝 네트워크 모델을 이용하여 개인 식별 정보를 생성하는 단계일 수 있다.
보다 구체적으로, 개인 식별 정보를 생성하는 단계(S130)는 3차원 시퀀스 이미지 데이터로 변환하는 단계(S120)를 통해 변환된 3차원 시퀀스 이미지 데이터를 구글넷(GoogLeNet) 모델에 입력하여 나온 출력 값을 통해 이미지 특징벡터들을 추출하고, 상기 추출된 이미지 특징벡터들을 장단기 메모리(Long Short-Term Memory, LSTM)에 입력하여 나온 결과 값을 통해 개인 식별 정보를 생성하는 단계일 수 있다.
또한, 개인 식별 정보를 생성하는 단계(S130)는 전이 학습 된 구글넷(GoogLeNet)과 장기보전성 문제에 강인한 장단기메모리(LSTM)를 사용하여 딥러닝 네트워크를 설계하고 3차원 형태의 심전도 신호로 모델을 학습 한 후 개인인증을 수행하여 적은 양의 심전도 신호로도 개인 식별이 가능할 수 있다.
즉, 딥러닝 네트워크 모델은 두 가지 단계로 이루어져 있다. 먼저, 전이 학습된 모델인 구글넷(GoogLeNet)을 사용하여 특징벡터를 구할 수 있다. 구해진 특징 벡터를 장단기메모리(LSTM)의 입력으로 사용하여 시퀀스 형태에서 얻어진 특징을 통해 개인 식별을 수행할 수 있다.
일 실시예에서, 생성된 개인 식별 정보를 저장하는 단계(S140)는 개인 식별 정보를 생성하는 단계(S130)를 통해 생성된 개인 식별 정보를 저장하는 단계일 수 있다. 생성된 개인 식별 정보를 저장하여, 식별대상의 정보가 입력될 경우 식별 대상을 식별하는 정보로 이용될 수 있다.
도 6은 본 발명의 일 실시예에 따른 심전도를 이용한 개인 식별 방법의 순서도이다.
도 6을 참조하면, 심전도 신호를 이용한 개인 식별 방법(S200)은 심전도 신호를 이용한 개인 식별 정보 생성방법(S100)으로 개인 식별 정보들을 생성하여 데이터베이스에 저장하는 단계(S210), 식별하고자 하는 식별 대상의 심전도 신호를 입력받는 단계(S220) 및 입력받은 식별 대상의 심전도 신호와 데이터베이스에 저장된 심전도 데이터들을 비교하여 입력받은 식별 대상 심전도 신호가 어느 개인 식별 정보로 분류되는지 판단하는 단계(S230)를 포함할 수 있다.
즉, 사용자 심전도 신호를 입력받은 후, 기생성되어 저장된 데이터와 비교를 하여 입력된 심전도 신호가 어느 개인 식별 정보로 분류되는지 판단함으로써 개인 식별을 수행할 수 있다.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로, 통상의 기술자라면 본 발명의 본질적인 특성이 벗어나지 않는 범위에서 다양한 변경 및 수정이 가능할 것이다.
따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라, 설명하기 위한 것이고, 이러한 실시예들에 의하여 본 발명의 범위가 한정되는 것은 아니다.
본 발명의 보호범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 이해되어야 한다.

Claims (6)

  1. 심전도 신호를 이용한 개인 식별 정보 생성방법에 있어서,
    컴퓨터가 복수 주기의 신호를 포함하는 심전도 신호를 기설정된 시간단위동안 입력받는 단계;
    상기 컴퓨터가 콘스턴트 Q 변환(Constant Q Transform; CQT)방식에 기초하여 상기 입력받은 심전도 신호를 각 주기별 2차원 이미지 데이터로 변환하는 단계;
    상기 컴퓨터가 상기 2차원 이미지 데이터를 상기 각 주기의 수에 따라 3차원 시퀀스 이미지 데이터로 재변환하는 단계;
    상기 컴퓨터가 상기 3차원 시퀀스 이미지 데이터를 기설계된 딥러닝 네트워크 모델을 이용 하여 개인 식별 정보를 생성하는 단계; 및
    상기 컴퓨터가 상기 생성된 개인 식별 정보를 저장하는 단계를 포함하는,
    심전도 신호를 이용한 개인 식별 정보 생성방법.
  2. 제1항에 있어서,
    상기 심전도 신호는,
    입력받은 사용자의 심전도 신호의 주기가 적어도 하나 이상의 심전도 신호를 포함하는 것을 특징으로 하는 신호인,
    심전도 신호를 이용한 개인 식별 정보 생성방법.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 개인 식별 정보를 생성하는 단계는,
    상기 3차원 시퀀스 이미지 데이터를 구글넷(GoogLeNet) 모델에 입력하여 나온 출력값을 통해 이미지 특징벡터를 추출하고, 상기 추출된 이미지 특징벡터를 장단기 메모리(Long Short-Term Memory, LSTM)에 입력하여 나온 결과값을 이용하여 개인 식별 정보를 생성하는 단계인,
    심전도 신호를 이용한 개인 식별 정보 생성방법.
  6. 제1항, 제2항 및 제5항 중, 어느 한 항의 방법으로 상기 컴퓨터가 개인 식별 정보들을 생성하여 데이터베이스에 저장하는 단계;
    상기 컴퓨터가 식별하고자 하는 식별 대상의 심전도 신호를 입력받는 단계;
    상기 컴퓨터가 상기 입력받은 식별 대상의 심전도 신호와 상기 데이터베이스에 저장된 심전도 데이터들을 비교하여 상기 입력받은 식별 대상 심전도 신호가 어느 개인 식별 정보로 분류되는지 판단하는 단계를 포함하는,
    심전도 신호를 이용한 개인 식별 방법.
KR1020200158643A 2020-11-24 2020-11-24 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법 KR102517801B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200158643A KR102517801B1 (ko) 2020-11-24 2020-11-24 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200158643A KR102517801B1 (ko) 2020-11-24 2020-11-24 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법

Publications (2)

Publication Number Publication Date
KR20220071477A KR20220071477A (ko) 2022-05-31
KR102517801B1 true KR102517801B1 (ko) 2023-04-03

Family

ID=81786207

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200158643A KR102517801B1 (ko) 2020-11-24 2020-11-24 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법

Country Status (1)

Country Link
KR (1) KR102517801B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101788803B1 (ko) * 2016-10-12 2017-10-20 조선대학교 산학협력단 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180135174A1 (en) 2016-11-01 2018-05-17 Versum Materials Us, Llc Cobalt compounds, method of making and method of use thereof

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101788803B1 (ko) * 2016-10-12 2017-10-20 조선대학교 산학협력단 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법

Also Published As

Publication number Publication date
KR20220071477A (ko) 2022-05-31

Similar Documents

Publication Publication Date Title
Kos et al. Adversarial examples for generative models
Mittal et al. Sync-draw: Automatic video generation using deep recurrent attentive architectures
Seow et al. A comprehensive overview of Deepfake: Generation, detection, datasets, and opportunities
KR102095097B1 (ko) 생성적 적대 네트워크를 이용한 비디오 시퀀스 생성 시스템 및 그 방법
US11403878B2 (en) Apparatus and method with user verification
CN111275784A (zh) 生成图像的方法和装置
CN114298997B (zh) 一种伪造图片检测方法、装置及存储介质
KR100819027B1 (ko) 얼굴 영상을 이용한 사용자 인증 방법 및 장치
JP2018529157A (ja) ドメイン適応を用いたパターン認識装置、方法およびプログラム
KR20200083119A (ko) 사용자 인증 장치 및 방법
EP4002205A1 (en) Method and apparatus with image recognition
KR102517801B1 (ko) 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법
KR101152721B1 (ko) 객체 인식 시스템과 그 방법, 및 상기 방법을 구현하는 프로그램이 기록된 기록매체
JP5025713B2 (ja) 属性識別装置、および属性識別プログラム
US20230196073A1 (en) Method for secure use of a first neural network on an input datum and method for learning parameters of a second neural network
Veinidis et al. On the retrieval of 3D mesh sequences of human actions
Amerini et al. Acquisition source identification through a blind image classification
Nautiyal et al. An automated technique for criminal face identification using biometric approach
Giron-Sierra et al. Sparse representations
Li et al. Foundation
Kountchev et al. New Approaches in Intelligent Image Analysis
KR20200083751A (ko) 다차원 임베딩을 이용한 시퀀스 데이터 태깅 방법 및 장치
WO2023013043A1 (ja) 推定方法、装置及びプログラム
KR102488858B1 (ko) 손상된 유형물의 디지털 복원 방법, 장치 및 프로그램
WO2021018189A1 (zh) 进行对象识别的方法和装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant