KR20160098960A - 심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치 - Google Patents

심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치 Download PDF

Info

Publication number
KR20160098960A
KR20160098960A KR1020150180291A KR20150180291A KR20160098960A KR 20160098960 A KR20160098960 A KR 20160098960A KR 1020150180291 A KR1020150180291 A KR 1020150180291A KR 20150180291 A KR20150180291 A KR 20150180291A KR 20160098960 A KR20160098960 A KR 20160098960A
Authority
KR
South Korea
Prior art keywords
electrocardiogram
category
authentication
ecg
categories
Prior art date
Application number
KR1020150180291A
Other languages
English (en)
Other versions
KR102449839B1 (ko
Inventor
슈에타오 펑
차오 장
배치성
박종애
김상준
양 리우
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 EP16154997.7A priority Critical patent/EP3056138B1/en
Priority to US15/041,477 priority patent/US10089451B2/en
Publication of KR20160098960A publication Critical patent/KR20160098960A/ko
Application granted granted Critical
Publication of KR102449839B1 publication Critical patent/KR102449839B1/ko

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
    • G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
    • G06K9/00885—
    • G06K9/627—

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Lock And Its Accessories (AREA)

Abstract

심전도를 기반으로 하는 인증 및 학습이 개시된다. 일실시예에 따른 인증 방법은 사전을 이용하여 객체로부터 획득된 심전도로부터 특징벡터를 생성하고, 특징벡터에 기초하여 분류기를 통해 심전도를 분류하고, 분류결과에 기초하여 인증을 수행하는 단계들을 포함한다.

Description

심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치{AUTHENTICATION METHOD BASED ON THE ECG, AUTHENTICATION APPARATUS, LEARNING METHOD FOR ECG BASED AUTHENTICATION AND LEARNING APPARATUS}
신호처리 기술에 관해 개시되고, 구체적으로 패턴식별 기술분야에 관한 기술 내용이 개시된다. 보다 구체적으로, 심전도에 기반한 인증에 관해 개시된다.
과학기술이 발전함에 따라 생체적 특징을 통해 신분을 인증하는 방법이 다양해지고 있다. 생체적 특징에 기반한 인증은 각 사람마다 지닌 고유한 생물학적 특징 또는 행동적 특징(예를 들어, 홍채, 지문, 사람의 얼굴, 음성 및 걸음걸이 등)을 이용하여 객체의 신분을 확인한다. 전통적인 방식의 인증과 비교하면, 생체적 특징 기반의 인증은 인증의 정확도가 높은 장점이 있지만, 일부 보완이 요구되는 측면도 있다. 예를 들면, 지문, 사람얼굴 또는 음성 등과 같은 일부 생체적 특징의 경우에는, 위 변조된 손가락, 사람얼굴 또는 미리 녹음한 음성 등을 이용하여 인증시스템의 보안을 취약하게 만들 수 있다.
일실시예에 따르면, 심전도에 기초한 인증 방법은, 심전도를 입력 받는 단계; 미리 학습된 사전에 기초하여, 상기 심전도에 대한 특징벡터를 생성하는 단계; 상기 특징벡터 및 미리 학습된 분류기에 기초하여, 상기 심전도에 대한 분류결과를 생성하는 단계; 및 상기 분류결과에 기초하여 상기 심전도에 대한 인증을 수행하는 단계를 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 사전과 상기 분류기는 서로 동기적으로 학습된다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 사전은 복수의 카테고리들에 대응하는 카테고리 사전들을 포함하고, 상기 분류기는 상기 카테고리들에 대응하는 카테고리 분류기들을 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 사전 및 상기 분류기는, 상기 카테고리 사전들을 이용하여 트레이닝 심전도들에 대한 복수의 특징벡터들이 생성되고, 상기 복수의 특징벡터들에 기초하여 상기 트레이닝 심전도들의 예측 카테고리들이 결정되며, 상기 카테고리들 및 상기 예측 카테고리들에 기초하여 상기 카테고리 사전들 및 상기 카테고리 분류기들이 교대로 갱신됨으로써, 서로 동기적으로 학습될 수 있다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 심전도에 대한 특징벡터를 생성하는 단계는 상기 심전도를 상기 사전에 포함된 복수의 카테고리 사전들의 선형 조합으로 표현하기 위하여, 상기 복수의 카테고리 사전들의 계수들을 결정하는 단계; 및 상기 계수들에 기초하여 상기 특징벡터를 생성하는 단계를 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 특징벡터를 생성하는 단계는, 상기 심전도를 적어도 하나의 신호 세그먼트로 분할하는 단계; 상기 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 특징표시를 생성하는 단계; 상기 적어도 하나의 특징표시에 대하여 상기 사전에 기초한 그룹 스파스 코딩을 수행하여 적어도 하나의 제2 특징표시를 생성하는 단계; 및 상기 적어도 하나의 제2 특징표시에 기초하여 상기 특징벡터를 생성하는 단계를 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 특징표시는 상기 사전에 포함된 복수의 카테고리 사전들 중 일부의 선형 조합으로 표현되고, 상기 제2 특징표시는 상기 일부의 카테고리 사전들의 계수들을 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 심전도에 대한 분류결과를 생성하는 단계는, 상기 특징벡터 및 상기 분류기에 기초하여, 상기 심전도의 적어도 하나의 신호 세그먼트에 대한 분류결과에 해당하는 적어도 하나의 라벨을 생성하는 단계; 및 상기 적어도 하나의 라벨에 기초하여 상기 심전도에 대한 분류결과를 생성하는 단계를 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 심전도에 대한 인증을 수행하는 단계는, 참조 심전도에 대한 분류결과를 획득하는 단계; 및 상기 심전도에 대한 분류결과 및 상기 참조 심전도에 대한 분류결과에 대한 투표 매커니즘에 기초하여 상기 인증을 수행하는 단계를 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 참조 심전도는 적어도 하나의 참조 신호 세그먼트를 포함하고, 상기 투표 매커니즘에 기초하여 상기 인증을 수행하는 단계는, 상기 심전도에 대한 적어도 하나의 라벨에 기초하여, 복수의 카테고리들 각각에 속하는 신호 세그먼트의 수를 포함하는 제1 분포를 생성하는 단계; 상기 복수의 카테고리들 각각에 속하는 참조 신호 세그먼트의 수를 포함하는 제2 분포를 획득하는 단계; 및 상기 제1 분포 및 상기 제2 분포 사이의 유사도를 계산하는 단계; 및 상기 유사도 및 미리 정의된 임계값을 비교하여 상기 인증을 수행하는 단계를 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법에 있어서, 상기 참조 심전도에 대한 분류 결과는, 상기 참조 심전도에 대해 상기 사전 및 상기 분류기를 적용하여 획득될 수 있다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법은, 복수의 카테고리들에 대응하는 카테고리 사전들을 이용하여, 트레이닝 심전도들에 대한 복수의 특징벡터들을 생성하는 단계; 상기 특징벡터들에 기초하여 상기 트레이닝 심전도들의 예측 카테고리들을 결정하는 단계; 및 상기 카테고리들 및 상기 예측 카테고리들에 기초하여, 상기 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신하는 단계를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법에 있어서, 상기 특징벡터들을 생성하는 단계는, 상기 트레이닝 심전도들의 각 트레이닝 심전도를 적어도 하나의 신호 세그먼트로 분할하는 단계; 상기 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 특징표시를 생성하는 단계; 상기 적어도 하나의 특징표시에 대하여 상기 카테고리 사전들에 기초한 그룹 스파스 코딩을 수행하여 적어도 하나의 제2 특징표시를 생성하는 단계; 및 상기 적어도 하나의 신호 세그먼트에 대응하는 상기 적어도 하나의 제2 특징표시에 기초하여 상기 특징벡터들을 생성하는 단계를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법에 있어서, 상기 카테고리 사전들 및 상기 카테고리 분류기들을 교대로 갱신하는 단계는, 상기 카테고리 분류기들을 고정시키고, 상기 예측 카테고리들 및 상기 카테고리들의 오차를 최소화하도록 상기 카테고리 사전들을 최적화하는 단계; 및 상기 최적화된 카테고리 사전들을 고정시키고, 상기 예측 카테고리들 및 상기 카테고리들의 오차를 최소화하도록 상기 카테고리 분류기들을 최적화하는 단계를 포함하고, 상기 카테고리 사전들의 최적화 및 상기 카테고리 분류기들의 최적화는 서로 동기적으로 반복될 수 있다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법에 있어서, 상기 카테고리 사전들을 최적화하는 단계는, 경사 하강 알고리즘을 이용하여 상기 오차를 최소화하도록 상기 카테고리 사전들을 최적화하는 단계를 포함하고, 상기 카테고리 분류기들을 최적화하는 단계는, 상기 경사 하강 알고리즘을 이용하여 상기 오차를 최소화하도록 상기 카테고리 분류기들을 최적화하는 단계를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법은, 상기 서로 동기적으로 반복되는 최적화들이 미리 정의된 조건을 만족하는 경우, 상기 갱신을 종료하는 단계; 및 상기 갱신이 완료된 카테고리 사전들 및 카테고리 분류기들을 출력하는 단계를 더 포함하고, 상기 미리 정의된 조건은, 상기 반복의 차수가 미리 정의된 차수로 도달한 경우, 상기 오차가 미리 정의된 제1 값보다 작은 경우, 및 상기 오차의 변화량이 미리 정의된 제2 값보다 작은 경우 중 적어도 하나를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법은, 상기 카테고리들에 대응하는 상기 트레이닝 심전도들에 기초하여 상기 카테고리 사전들을 초기화하는 단계를 더 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법에 있어서, 상기 카테고리 사전들을 초기화하는 단계는, 상기 트레이닝 심전도들을 전처리하는 단계; 상기 전처리된 트레이닝 심전도들을 상기 카테고리들에 따라 클러스터링 하여 복수의 클러스터들을 생성하는 단계; 및 상기 클러스터들의 각 중심에 대한 정규화를 수행하여 상기 초기화된 카테고리 사전들을 생성하는 단계를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법에 있어서, 상기 전처리하는 단계는, 상기 트레이닝 심전도들의 각 트레이닝 심전도를 적어도 하나의 신호 세그먼트로 분할하는 단계; 상기 적어도 하나의 신호 세그먼트의 각각의 특징을 추출하는 단계; 및 상기 각각의 특징에 대한 차원감소처리를 수행하여 상기 적어도 하나의 신호 세그먼트에 대한 각각의 특징표시를 생성하는 단계를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법에 있어서, 상기 적어도 하나의 신호 세그먼트로 분할하는 단계는, 상기 각 트레이닝 심전도를 필터링하는 단계; 상기 필터링된 각 트레이닝 심전도에 대해 QRS파를 검출하는 단계; 및 상기 검출 결과에 기초하여, 상기 적어도 하나의 신호 세그먼트를 생성하는 단계를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법은, 상기 특징벡터들 및 상기 카테고리 사전들에 기초하여 상기 카테고리 분류기들을 초기화하는 단계를 더 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법에 있어서, 상기 카테고리 분류기들을 초기화하는 단계는, 상기 특징벡터들 및 상기 카테고리 사전들을 이용하여, 상기 적어도 하나의 신호 세그먼트에 대한 상기 카테고리들의 확률분포를 생성하는 단계; 상기 확률분포 및 상기 적어도 하나의 신호 세그먼트의 실제 카테고리에 기초하여, 상기 적어도 하나의 신호 세그먼트의 예측오차를 계산하는 단계; 상기 예측오차에 기초하여, 상기 예측 카테고리들 및 상기 카테고리들의 오차를 최소화하는 카테고리 분류기들을 획득하는 단계; 및 상기 획득된 카테고리 분류기들로서 상기 초기화된 카테고리 분류기들을 생성하는 단계를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 방법은, 상기 갱신된 카테고리 사전들을 합병하여 사전을 생성하는 단계; 및 상기 갱신된 카테고리 분류기들을 합병하여 분류기를 생성하는 단계를 더 포함한다.
일실시예에 따른 심전도에 기초한 인증 방법 및 심전도 기반 인증을 위한 학습 방법을 실행시키기 위한 프로그램은 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다.
일실시예에 따른 심전도에 기초한 인증 장치는, 미리 학습된 사전에 기초하여 심전도에 대한 특징벡터를 생성하고, 상기 특징벡터 및 미리 학습된 분류기에 기초하여 상기 심전도에 대한 분류결과를 생성하며, 상기 분류결과에 기초하여 상기 심전도에 대한 인증을 수행하는 프로세서를 포함한다.
일실시예에 따른 심전도 기반 인증을 위한 학습 장치는, 복수의 카테고리들에 대응하는 카테고리 사전들을 이용하여, 트레이닝 심전도들에 대한 복수의 특징벡터들을 생성하고, 상기 특징벡터들에 기초하여 상기 트레이닝 심전도들의 예측 카테고리들을 결정하며, 상기 카테고리들 및 상기 예측 카테고리들에 기초하여, 상기 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신하는 프로세서를 포함한다.
도 1은 일실시예에 따른 심전도에 기초한 인증 방법을 설명하는 순서도이다.
도 2는 심전도의 파형의 일례이다.
도 3은 일실시예에 따른 심전도 기반 인증을 위한 학습 방법을 설명하는 순서도이다.
도 4는 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신하는 실시예를 설명하는 순서도이다.
도 5는 카테고리 사전들 및 카테고리 분류기들을 최적화하는 실시예를 설명하는 순서도이다.
도 6은 테스트 심전도에 대응하는 특징벡터를 생성하는 실시예를 설명하는 순서도이다.
도 7은 심전도에 대한 인증의 실시예를 설명하는 순서도이다.
도 8은 일실시예에 따른 인증 장치와 학습 장치의 구성을 예시한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 예를 들어, 실시예들은 스마트 폰, 모바일 기기, 스마트 홈 시스템 등에서 사용자를 인식하는데 적용될 수 있다. 실시예들은 사용자 인식을 통한 결제 서비스에 적용될 수 있다. 또한, 실시예들은 사용자를 인식하여 자동으로 시동을 거는 지능형 자동차 시스템 등에도 적용될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
심전도 (electrocardiogram; ECG)에 기초한 인증은 심전도를 이용하여 객체의 신분에 대한 확인과 인증을 수행하는데, 이는 생체적 특징에 기반한 인증 중에서 안정성이 비교적 높은 것으로 알려져 있다. 심전도는 위조가 어렵고 획득 경로의 비용이 적게 들며, 높은 수준의 판별도를 지니고 있기 때문에, 보안 기술 분야에서 광범위한 관심을 받고 있다.
심전도에 기초한 인증의 대부분은 안정성이 중요한 보안 영역에서 사용되기 때문에 높은 수준의 정확도를 요구하는데, 이를 위해서는 높은 수준의 판별력을 지닌 특징을 추출하는 것이 필요하다. 서로 다른 생리적 상태에서(예를 들면, 정지상태를 유지하는 것과 운동 후의 상태) 동일한 객체의 심전도는 서로 다른 상태를 나타낸다. 동일한 객체의 심전도일지라도 서로 다른 시간 주기에서는 심전도의 변화가 일어날 수 있다. 같은 객체의 심전도가 다른 상태를 나타낼 수 있고, 이에 따라 심전도를 분류하는 카테고리의 차이를 유발할 수 있다. 따라서, 심전도에 기초한 인증에 있어서, 동일한 객체의 서로 다른 상태 및 서로 다른 주기에서 수집한 신호에 대해 판별력을 구비한 양호한 특징을 학습하고, 인증하는 것이 요구된다.
일실시예에 따른 심전도에 기초한 인증은 다양한 종류의 전자 장치에 적용될 수 있고, 이러한 전자 장치는 심전 감측기를 포함하며 생체의 심전도를 수집하는데 이용될 수 있다. 전자 장치는 데스크탑 컴퓨터, 노트북 컴퓨터, 스마트폰, 태블릿 PC, PDA, 스마트 보안장치, 출입문 경비장치, 스마트 건축장치 및 자동차 전자장치 등을 포함할 수 지만 이에 한정되지는 않는다.
일실시예에 따른 심전도에 기초한 인증 방법을 전자 장치에 적용하면, 신분을 식별할 수 있고, 가령 사용자의 심전도에 근거하여 사용자가 사용권한을 구비하였는지 또는 적절한 경로로 방문하였는지 여부를 판단할 수 있다. 일실시예에 따르면, 사용자의 심전도에 근거하여 사용자의 신분을 판단하고, 사용자의 신분에 기초하여 사용자와 관련된 정보를 추가적으로 검색하거나 기록할 수 있다. 일실시예에 따른 심전도에 기초한 인증 방법은 신분을 식별하는데 다양하게 응용될 수 있고, 예를 들어 방문제어, 금융거래, 공항탑승, 환자의 프라이버시 보호 및 국경보안 등의 측면에서 활용될 수 있지만, 이에 한정되지 않는다.
참조 심전도는 미리 저장된 심전도이다. 참조 심전도는 각 사용자로부터 획득하여 미리 저장될 수 있고, 사용자에 대해 인증을 수행하기 위해 테스트 심전도에 대한 비교의 대상으로 이용될 수 있다. 테스트 심전도는 사용자 인증을 위한 테스트의 대상이 되는 심전도로, 사용자로부터 입력 받은 심전도일 수 있다.
일실시예에 따르면, 각 사용자의 하나의 심전도를 미리 수집하여 사용자에 대응시키는 방식을 통해, 각 사용자에 대한 참조 심전도를 획득할 수 있다. 다른 실시예에 따르면, 각 사용자의 복수의 심전도를 미리 수집하고, 복수의 심전도에 대해 선택/합성의 처리를 통해 획득된 하나의 대표적인 심전도를 사용자에 대응시키는 방식을 통해, 각 사용자에 대한 참조 심전도를 획득할 수 있다.
인증의 대상이 되는 신호인 테스트 심전도는 인증을 수행하기 위한 사용자로부터 획득된다. 미지의 사용자의 신분에 대해 인증이 요구되는 경우, 인증할 사용자에 대응하는 테스트 심전도를 획득하는 것이 필요하다. 일실시예에 따르면, 인증할 사용자의 하나의 심전도를 획득하여 사용자에 대응하는 테스트 심전도를 획득할 수 있다. 다른 실시예에 따르면, 인증할 사용자의 복수의 심전도에 대한 선택/합성의 처리를 통해 획득된 하나의 대표적인 심전도를 사용자에 대응하는 테스트 심전도로 할 수 있다. 인증할 사용자에 대한 테스트 심전도를 획득하는 방식은 상술한 실시예에 한정되지 않고, 다양한 종류의 방식이 채용될 수 있다.
심전도(ECG)에 기초한 인증 방법은 데이터의 전처리, 유효한 특징표시(또는 특징추출), 강인한(robust) 인증메커니즘 및 합리적 결정메커니즘의 4 단계를 포함할 수 있다. 이러한 인증 방법에서 이용되는 특징은 원시적인 ECG 신호 세그먼트로부터 추출된 것이고, 시간영역 또는 주파수영역의 정보를 나타내는데, 저-레벨(low-level) 비 판별적특징에 속해 있어서 식별에 필요한 정보가 누락될 수 있다. 또한, ECG에 기초한 인증 방법에서는 두 개의 특징추출 및 인증메커니즘의 단계가 분리되어 신호의 라벨 정보가 연속적으로 이용되지 않으므로, 특징추출 및 인증메커니즘의 상호보상 작용이 실현되지 않는다. 이로 인해, ECG에 기초한 인증 방법의 정확도가 떨어질 수 있다.
일실시예에 따른, 심전도에 기초한 인증 방법은 판별력을 구비한 고 레벨(high level) 특징의 획득을 서로 촉진시키도록 사전과 분류기를 동기적으로 학습시켜서, 정확도가 높은 분류기를 획득할 수 있다.
이하, 도 1 내지 도 8을 참조하여 실시예를 설명한다. 주로, 심전도에 기초한 인증에 대해서는 도 1, 6 및 7을 참조하고, 심전도 기반 인증을 위한 학습에 대해서는 도 4 내지 6을 참조하여 설명한다.
도 1은 일실시예에 따른 심전도에 기초한 인증 방법을 설명하는 순서도(100)이다.
일실시예에 따르면, 심전도에 기초한 인증 장치는 심전도에 기초한 인증 방법에 따라 동작하고, 미리 학습된 사전 및 미리 학습된 분류기에 기초하여 인증을 수행한다. 인증 장치가 이용하는 사전 및 분류기는 일실시예에 따른 심전도 기반 인증을 위한 학습 방법에 따라 서로 동기적으로 미리 학습될 수 있다. 일실시예에 따르면, 미리 학습된 사전은 복수의 카테고리들에 대응하는 카테고리 사전들을 포함하고, 미리 학습된 분류기는 복수의 카테고리들에 대응하는 카테고리 분류기들을 포함한다.
일실시예에 따르면, 카테고리 사전들을 이용하여 트레이닝 심전도들에 대한 복수의 특징벡터들이 생성되고, 복수의 특징벡터들에 기초하여 트레이닝 심전도들의 예측 카테고리들이 결정되며, 카테고리들 및 예측 카테고리들에 기초하여 카테고리 사전들 및 상기 카테고리 분류기들이 교대로 갱신됨으로써, 사전 및 분류기가 서로 동기적으로 학습된다.
일실시예에 따르면, 심전도를 사전에 포함된 복수의 카테고리 사전들의 선형 조합으로 표현하기 위하여, 복수의 카테고리 사전들의 계수들이 결정되고, 결정된 계수들에 기초하여 특징벡터가 생성된다. 일실시예에 따르면, 심전도가 적어도 하나의 신호 세그먼트로 분할되고, 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 특징표시가 생성되며, 적어도 하나의 특징표시에 대하여 사전에 기초한 그룹 스파스 코딩을 수행하여 적어도 하나의 제2 특징표시가 생성되고, 적어도 하나의 제2 특징표시에 기초하여 특징벡터가 생성된다. 일실시예에 따르면, 특징표시는 사전에 포함된 복수의 카테고리 사전들 중 일부의 선형 조합으로 표현되고, 제2 특징표시는 일부의 카테고리 사전들의 계수들을 포함할 수 있다.
도 1을 참조하면, 일실시예에 따른 인증 장치는 테스트 심전도를 입력 받는다(101). 테스트 심전도는 인증의 대상이 되는 심전도로서, 객체에 대한 인증을 수행하기 위해 객체로부터 센서를 통해 획득될 수 있다.
일실시예에 따르면, 인증 장치는 입력된 테스트 심전도에 대해 전처리를 수행하여 테스트 심전도로부터 판별력을 구비한 특징을 추출할 수 있다. 구체적으로, 인증 장치가 테스트 심전도에 수행하는 전처리는 테스트 심전도를 적어도 하나의 신호 세그먼트로 분할하고, 분할된 신호 세그먼트들로부터 각각의 특징들을 추출하고, 추출된 각 특징들에 대해 차원감소처리를 수행하여, 적어도 하나의 신호 세그먼트들에 대응하는 각각의 특징표시를 생성하는 동작을 포함한다.
일실시예에 따른 인증 장치에 의해 수행되는 전처리는, 수집한 테스트 심전도에 대해 데이터 필터링 처리를 하여, 기기 또는 객체로부터 발생하는 노이즈 신호를 제거하고, 필터링 처리된 테스트 심전도에 대해 QRS 파를 검출하는 동작을 포함한다. 일실시예에 따른 인증 장치에 의해 수행되는 전처리는 테스트 심전도에 대한 QRS 파의 검출 결과에 기초하여, 테스트 심전도를 적어도 하나의 신호 세그먼트로 분할하고, 분할된 신호 세그먼트들에 대응하는 각각의 특징표시를 생성하는 동작을 포함한다.
도 2는 심전도의 파형의 일례(200)이다.
심전도는 주기성을 갖는 심장의 전기활동신호이다. 도 2는 전형적인 심전도의 파형의 예시이다. 도 2를 참조하면, 전형적인 심전도는 P파(201), QRS파(202) 및 T파(203) 등을 포함한다. 심전도에서 우선적으로 나타나는 파를 P파라 한다. P파(201)는 좌우심방 탈분극(depolarization) 과정을 나타낸다. QRS파(202)는 좌우 양심실의 탈분극 과정의 전위변화(potential variation)를 나타낸다. QRS파(202)는 일반적으로 세 개의 연속된 변위파동을 포함한다. 첫번째 아래로 향하는 파를 Q파라 하고, Q파 후의 첫번째 위로 향하는 파를 R파라 하며, R파의 내림과 연결되는 아래로 향하는 하나의 파를 S파라 한다. 일반적인 QRS의 세 개 파는 서로 연결되고, 총 너비(시간은) 일반적으로 0.12s를 초과하지 않는데, 이를 통칭하여 QRS 파군(wave group)이라 한다. T파(203)는 ST세그먼트 후에 나타난 진폭이 비교적 낮고 점용하는 시간이 비교적 하나의 긴 파이고 심실 재분극(ventricular repolarization)의 전위변화를 나타낸다.
심전도에서 QRS 파의 에너지가 차지하는 비율은 비교적 크고, 심전도의 중요한 특징 파라미터를 포함한다. 일실시예에 따른 심전도를 분할하는 동작의 경우, QRS의 검파는 유용하게 이용되고, 이를 통해 QRS 파군에 대한 유효한 정보가 획득될 수 있다. 심전도의 전처리 단계에서 실행되는 심전도를 필터링하고, 검파하는 동작의 실시예는 특정 기술분야에 한정되지 않고, 향후에 개발되는 임의의 기술에 의해 구현될 수 있다.
일실시예에 따르면, 인증 장치는 QRS파의 검출 결과에 기초하여, 심전도를 적어도 하나의 신호 세그먼트로 분할할 수 있는데, 분할된 각 신호 세그먼트는 하나 또는 복수의 심장박동에 대응할 수 있다.
일실시예에 따르면, 인증 장치는 분할된 각 신호 세그먼트에 대해 각 신호 세그먼트의 특징을 추출하는데, 예를 들어 신호 세그먼트의 시간영역 특징, 주파수영역 특징 및 통계 특징 중의 적어도 하나 또는 이들의 조합을 추출할 수 있다. 시간영역 특징의 일례로 심전도의 파형, 특정 파형의 발생 모멘트(moment)(예를 들어, T파의 파봉 모멘트), 변화 모멘트, 연속시간 등이 있지만, 이에 한정되는 것은 아니다. 주파수영역 특징은 일례로 심전도의 주파수 또는 분광분포(spectral distribution) 등이 있지만, 이에 한정되는 것은 아니다.
일실시예에 따르면, 인증 장치는 전처리의 단계로서 추출된 특징에 대해 주성분 분석(Principle Component Analysis; PCA) 또는 선형판별분석(Linear Discriminant Analysis; LDA)을 이용한 차원감소처리를 수행하여 적어도 하나의 신호 세그먼트에 대한 각각의 특징표시를 획득할 수 있다. 각 신호 세그먼트로부터 추출된 특징의 차원이 비교적 높을 수 있기 때문에, 계산시간을 절약하고 계산 정확도를 향상시키기 위해, 인증 장치는 추출된 특징에 대해 차원감소처리를 통한 특징표시를 생성한다.
도 1을 참조하면, 인증 장치는 미리 학습된 사전에 기초하여, 테스트 심전도에 대한 특징벡터를 생성한다(102).
일실시예에 따르면, 인증 장치는 분류기와 서로 동기적으로 학습된 사전을 이용하여, 테스트 심전도의 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 특징표시로부터 적어도 하나의 제2 특징표시를 생성한다. 일실시예에 따르면, 인증 장치는 전처리를 통해 획득된 적어도 하나의 신호 세그먼트에 대응하는 각 특징표시에 대하여 사전에 기초한 그룹 스파스 코딩을 수행하여, 분할된 각 신호 세그먼트에 대응하는 적어도 하나의 제2 특징표시를 생성한다. 인증 장치는 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 제2 특징표시에 기초하여 테스트 심전도에 대한 특징벡터를 생성한다.
특징표시를 생성하는 그룹 스파스 코딩에 있어서, 데이터는 한 개 그룹의 기초함수의 선형조합으로 표현되는데, 선형조합에서 사용한 계수를 스파스로 가정하므로 계수의 총 개수와 비교하여 0이 아닌 계수의 개수는 훨씬 적다. 그룹 스파스 코딩은 한 개 그룹의 기초함수에서 찾아낸 대표성을 구비한 작은 부분의 기초함수 데이터 x의 특징표시로 할 수 있다. 여기서, 이 그룹의 기초함수를 사전이라 하고, 사전의 각 열을 코드 북(code book)이라 하며, 코딩계수를 데이터 x의 새로운 특징표시이다. 예를 들면, x는 하나의 d차원 데이터이고, 사전 D는 d x J 행렬이며, 여기서
Figure pat00001
이고, D의 각 열 dj는 하나의 기초함수를 나타내며, z는 D를 이용하여 획득된 x의 계수를 나타내고, 이 중에서
Figure pat00002
일 수 있다. 여기서, 코딩 계수 z를 데이터 x의 새로운 특징표시라고 한다. 일실시예에 따르면, 인증 장치는 사전을 이용한 그룹 스파스 코딩에 기초하여 심전도의 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 특징표시로부터 새로운 특징표시를 생성할 수 있고, 여기서 새로운 특징표시는 제2 특징표시에 해당한다.
그룹 스파스 코딩에 기반한 사전에 대한 학습은 다양한 영역에 적용될 수 있다. 분류는 미지의 데이터가 어느 카테고리에 속하는지를 확정하는 것을 의미하는데, 여기서 각 카테고리에 대한 사전이 미리 구성되었다고 가정한다면 하나의 새로운 데이터와 서로 연관된 카테고리가 있는 경우, 그 데이터는 대응하는 카테고리에 대한 사전의 최적의 스파스로 표시할 수 있다. 사전에 대한 학습은 트레이닝 샘플로서 주어진 신호를 더욱 좋게 표시하거나 코딩하는 한 개 그룹의 기초함수를 사전이 배우도록 하는 것이다.
일실시예에 따르면, 인증 장치는 사전을 이용하여 전처리된 심전도의 새로운 특징표시를 생성할 수 있다. 학습된 사전의 특징에 대한 판별력이 높은 수준일 수록, 인증 결과는 더욱 정확하다.
도 1을 참조하면, 인증 장치는 생성된 특징벡터와 미리 학습된 분류기에 기초하여 테스트 심전도에 대한 분류결과를 생성한다(103).
분류기는 사전을 통하여 추출된 새로운 특징표시에 기초한 특징벡터를 이용하여 심전도가 어느 카테고리에 속하는지 여부를 식별할 수 있다. 도 3 내지 5를 참조하여, 사전과 분류기가 동기적으로 학습되는 실시예가 설명될 것이다. 일실시예에 따르면, 사전과 분류기는 인증 장치에서 학습될 수 있고, 별도의 장치에서 학습된 후에 인증 장치에 의해 로딩될 수 있는데, 학습이 수행되는 장치에 관해서는 이에 한정되지 않는다.
도 1을 참조하면, 인증 장치는 생성된 분류결과에 기초하여 테스트 심전도에 대한 인증을 수행한다(104).
일실시예에 따르면, 인증 장치는 테스트 심전도의 분류결과에 기초하여 테스트 심전도가 인증을 통과하였는지 여부를 확정할 수 있는데, 여기서 복수의 방식이 이용될 수 있다. 예를 들면, 신호 분할 세그먼트의 특징표시의 평균값을 계산하고, 분류기에 입력하여 분류결과를 생성하는 방식이 있다. 이러한 방식은 소음의 영향에 취약하기 때문에 정확도를 떨어뜨린다. 일실시예에 따르면, 인증 장치는 투표 메커니즘에 기초한 결정을 통해 인증을 통과하였는지 여부를 확정할 수 있다. 투표 메커니즘에 기반한 실시예에 따르면, 인증 장치는 테스트 심전도의 분할된 모든 신호 세그먼트의 각 카테고리의 투표에 기반하여 인증을 통과하였는지 여부를 결정하므로, 소음의 영향을 줄일 수 잇다. 보다 구체적으로, 인증 장치는 테스트 심전도의 분류결과와 참조 심전도의 분류결과의 유사도를 계산하고, 계산 결과를 이용하여 테스트 심전도가 인증을 통과하였는지 여부를 판단할 수 있다. 투표 메커니즘에 기초한 결정에 기반한 실시예는 도 7을 참조하여 설명될 것이다.
일실시예에 따르면, 참조 심전도를 처리하는 과정(참조 심전도를 전처리하고, 사전과 분류기를 이용하여 전처리된 참조 심전도에 대해 분류결과를 획득)은, 위에서 설명한 테스트 심전도에 대한 처리와 동시에 진행될 수 있다. 또는, 참조 심전도에 대한 처리를 미리 수행하고, 처리에 따라 생성되는 분류결과를 미리 저장시켜서, 인증 장치는 미리 저장된 분류결과를 획득하여 테스트 심전도를 인증하는 과정에서 이용할 수 있으나, 참조 심전도에 대한 처리 시점에 관한 실시예는 이에 제한되지 않는다.
일실시예에 따른 심전도에 기초한 인증 방법은 서로 동기적으로 학습된 사전과 분류기를 이용하는데, 동기 학습은, 사전 및 분류기를 서로 촉진시켜서 사전은 높은 수준의 판별력을 구비한 특징을 추출할 수 있고, 분류기는 정확도가 높은 분류결과를 생성할 수 있게 한다.
도 3은 일실시예에 따른 심전도 기반 인증을 위한 학습 방법을 설명하는 순서도(300)이다.
도 3을 참조하면, 학습 장치는 복수의 카테고리들에 대응하는 카테고리 사전들을 이용하여, 트레이닝 심전도들에 대한 복수의 특징벡터들을 생성한다(301). 일실시예에 따르면, 학습 장치는 서로 다른 카테고리들에 속하는 복수의 트레이닝 심전도들에 대하여 전처리를 수행하여, 각 트레이닝 심전도를 적어도 하나의 신호 세그먼트로 분할한다.
일실시예에 따르면, 트레이닝 심전도들은 복수의 개체(사람)의 심전도들로부터 획득된다. 심전도를 분류하는 실시예에 따라, 각 개체는 하나의 카테고리와 대응할 수 있는데, 여기서 심전도의 분류는 신분의 식별 또는 인증에 이용될 수 있다. 또한, 같은 특징을 갖는 복수의 개체가 하나의 카테고리와 대응할 수도 있는데, 여기서 심전도의 분류는 심장질병을 식별하는 데 적용될 수 있다. 다만, 카테고리에 따라 심전도를 분류하는 실시예는 여기서 설명한 바에 한정되지 않고 다양하게 응용될 수 있다. 아래에서는, 하나의 개체가 하나의 카테고리와 대응하는 분류에 있어서, 심전도의 분류가 신분의 식별 또는 인증에 이용되는 실시예에 관해 설명된다.
일실시예에 따르면, 학습 장치는 복수의 트레이닝 심전도를 획득한다. 도 1을 참조하여 설명한 바와 같이, 학습 장치는 획득된 복수의 트레이닝 심전도에 대한 전처리를 수행하여, 각 트레이닝 심전도를 적어도 하나의 신호 세그먼트로 분할할 수 있다. 전처리 과정은 위에서 설명한 실시예가 적용되므로 자세한 내용은 생략한다. 일실시예에 따르면, 학습 장치는 각 트레이닝 심전도를 적어도 하나의 신호 세그먼트로 분할하고, 분할된 각 신호 세그먼트에 대한 특징표시들을 생성한다.
예를 들어, 학습 장치가 C개의 개체의 심전도를 트레이닝 심전도들로 획득한다고 가정하자. 학습 장치가 트레이닝 심전도들을 전처리(복수의 신호 세그먼트들로 분할, 특징의 추출 및 차원감소처리 등을 포함)하면, 각 개체는
Figure pat00003
로 표시될 수 있다. 여기서,
Figure pat00004
이고, d는 분할된 각 신호 세그먼트의 특징표시의 특징차원(feature dimension)이며,
Figure pat00005
는 제c번째 개체의 신호 세그먼트에 속하는 특징표시의 개수이다. 모든 C개 개체의 신호 세그먼트들을 순차적으로 배열하면 모든 트레이닝 심전도는
Figure pat00006
의 특징표시들로 나타낼 수 있고, 여기서
Figure pat00007
이고 N은 분할된 모든 신호 세그먼트들의 총 개수이다.
학습 장치는 전처리된 복수의 트레이닝 심전도에 기초하여 각 카테고리의 카테고리 사전과 카테고리 분류기에 대한 반복적인 학습을 동기적으로 수행한다. 일실시예에 따르면, 학습 장치는 각 카테고리에 대응하는 카테고리 사전과 카테고리 분류기를 설정하고, 카테고리에 기초하여 사전 및 분류기를 획득한다. 학습 장치는, 분할된 신호 세그먼트의 라벨 정보(신호 세그먼트에 대한 분류결과로서 특징을 판별하는 가장 중요한 매체)를 충분하게 이용하여, 높은 수준으로 특징을 식별할 수 있는 판별력을 구비한 각 카테고리에 대한 카테고리 사전 및 카테고리 분류기를 획득할 수 있다.
카테고리 사전 및 카테고리 분류기를 동기적으로 학습시키는 방식을 활용하지 않는 경우, 특징을 식별하는 장치의 재구성에 활용되는 코드 북이 상대적으로 적기 때문에, 특징에 대한 판별력이 떨어질 수 있다. 또한, 모든 트레이닝 데이터에 대해 사전을 학습시키게 되면, 기타 카테고리에 속한 대부분의 트레이닝 데이터가 임의의 특정 카테고리의 샘플을 판별하기 위해 불필요한 정보가 될 수 있다. 그 밖에, 트레이닝 데이터의 라벨이 학습에 활용되지 않는 경우 특징에 대한 판별력이 떨어질 수 있다.
일실시예에 따르면, 카테고리와 관련이 있는 사전이 이용되기 때문에, 판별력이 더 높은 특징표시가 획득될 수 있다. 일실시예에 따르면, 특징의 높은 수준의 판별력을 제공하는 매체인 라벨 정보가 활용되므로, 개체에 대한 강인한 식별이 제공될 수 있다.
학습 장치가 트레이닝 심전도들을 전처리(복수의 신호 세그먼트들로 분할, 특징의 추출 및 차원감소처리 등을 포함)하면, 각 개체는
Figure pat00008
로 표시될 수 있다
일실시예에 따른 사전을 D로 한다면, 사전은 아래와 같이 표현될 수 있다.
Figure pat00009
그 중에서,
Figure pat00010
는 제c번째 카테고리(제c번째 개체)와 대응하는 카테고리 사전(간략히 제c 카테고리 사전이라 할 수 있음)을 나타내는데,
Figure pat00011
는 아래와 같이 표현된다.
Figure pat00012
분할된 신호 세그먼트의 특징표시에 기초하여 c번째 개체를
Figure pat00013
로 표시한다면,
Figure pat00014
에 기반한 그룹 스파스 코딩을 통해
Figure pat00015
로부터 새로운 특징표시가 추출될 수 있고,
Figure pat00016
는 아래와 같은 식으로 나타낼 수 있다.
Figure pat00017
여기서,
Figure pat00018
는 제c번째 카테고리의 하나의 코드 북을 나타내고,
Figure pat00019
는 코드계수를 나타내며
Figure pat00020
의 새로운 특징표시(제2 특징표시)라 할 수 있다.
Figure pat00021
는 제c 카테고리 사전의 코드 북의 개수를 나타내고, J는 사전 D의 총 코드 북의 개수를 나타낸다.
학습 장치는 그룹 스파스 코딩을 이용하여 X의 새로운 특징표시를 생성하는데, 사전 D가 주어졌을 때, X에 대하여 그룹 스파스 코딩을 수행하여 도출된 z는 아래의 식으로 나타낼 수 있다.
Figure pat00022
Figure pat00023
(1)
여기서,
Figure pat00024
,
Figure pat00025
,
Figure pat00026
는 z중에서 제c 카테고리 사전과 대응하는 코드계수를 나타내고,
Figure pat00027
는 가중 파라미터(weight parameter)를 의미한다.
Figure pat00028
의 범위는 재구성에 사용되는 코드 북이 해당하는 카테고리를 구속하므로, 적을수록 좋다. 예를 들면, 제 c카테고리에 속하는 신호 세그먼트의 특징표시에 기초한
Figure pat00029
에 대하여 그룹 스파스 코딩을 통해 도출된 z의 0이 아닌 요소는, 가급적이면 제c 카테고리 사전과 대응하는 차원에 속할수록 좋은데, 이러한 경우 식별에 관계가 없는 트레이닝 데이터가 가져다 주는 계산오차를 줄일 수 있다. 사전 D가 주어졌을 때, 그룹 스파스 코딩의 공식(1)을 통하여 분할된 각 신호 세그먼트에 대응하는 z를 구할 수 있다. 일실시예에 따르면, 학습 장치는 트레이닝 심전도들에 대하여 카테고리 사전들에 기초한 그룹 스파스 코딩을 수행하여 제2 특징표시들을 생성하고, 분할된 신호 세그먼트들에 대응하는 제2 특징표시들에 기초하여 특징벡터들을 생성할 수 있다.
일실시예에 따르면, 학습 장치는 트레이닝 심전도들에 대한 복수의 특징벡터들에 기초하여 트레이닝 심전도들의 에측 카테고리들을 결정한다(302). 일실시예에 따르면, 신호 세그먼트의 라벨 정보를 충분하게 이용하기 위하여, 사전 및 분류기에 대한 동기적 학습의 반복과정에서 이용되는 목표함수는 트레이닝 심전도의 카테고리와 라벨 정보를 반영할 수 있다. 다양한 응용방식을 통해 목표함수가 설계될 수 있고, 목표함수는 여기서 설명되는 실시예에 제한되지 않는다.
일실시예에 따르면, 트레이닝 심전도의 예측 카테고리와 실제 카테고리의 오차함수를 최소화하는 것이 목표함수로 설정될 수 있고, 이러한 오차함수는 아래와 같이 표현될 수 있다.
Figure pat00030
Figure pat00031
(2)
여기서, α는 가중 파라미터를 의미하고,
Figure pat00032
는 선형회귀(regression) 분류기를 나타내며, W의 임의의 한 개 열인
Figure pat00033
는 대응하는 카테고리의 분류기를 나타낸다. G는 분할된 모든 신호 세그먼트에 대응하는 실제 카테고리를 나타내는데, 이는 라벨 행렬로 표시될 수 있으며, 그 중에서,
Figure pat00034
은 제i번째 신호 세그먼트가 제c번째 카테고리(제c번째 개체에 속함)에 대응하는 것을 나타내고, 그렇지 않은 경우는
Figure pat00035
이다. 식(2)의 제1항
Figure pat00036
는 모든 신호 세그먼트의 예측오차를 나타내는데,
Figure pat00037
는 하나의 NxC차원 행렬이면서 모든 라벨에 대한 모든 신호 세그먼트의 확률분포를 나타낸다.
Figure pat00038
을 최소화한다는 것은 예측 카테고리와 실제 카테고리 사이의 오차를 될수록 작게 하는 것을 의미한다. 식(2)의 제2항
Figure pat00039
는 과적합(over-fitting)을 방지하기 위함이다.
일실시예에 따르면, 학습 장치는 실제 카테고리들 및 예측 카테고리들에 기초하여 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신한다(303). 식(2)를 참조하면, Z는 사전 D의 음함수이고
Figure pat00040
은 식(1)에서 획득한 것이다. 따라서, 식(2)중의 변화하는 요소는 D와 W이다. 사전 D가 주어진 경우, 학습 장치는 그룹 스파스 코딩에 기반한 식(1)을 통하여 트레이닝 심전도들에 대한 특징벡터들을 획득할 수 있다. 그 다음에, 학습 장치는 식(2)를 통하여 분류기 W를 획득할 수 있고, 다시 분류기 W를 고정하고 식(2)를 통하여 사전 D를 최적화하고, 최적화된 사전 D를 고정하고 식(2)를 통하여 분류기 W를 최적화할 수 있다. 이러한 방식으로 최적화를 반복적으로 계속 수행하여, 학습 장치는 사전 D 와 분류기 W가 동시에 로컬 최적화에 도달하게 할 수 있고, 각 개체에 대응하는 카테고리 사전
Figure pat00041
와 카테고리 분류기
Figure pat00042
를 획득할 수 있다. 특징을 추출하고 카테고리를 분류하는 사전과 분류기의 동기 학습을 반복적으로 하여, 학습 장치는 사전 및 분류기의 양자 간에 학습을 서로 촉진시킬 수 있다.
일실시예에 따르면, 학습 장치는 갱신된 카테고리 사전들을 합병하여 사전을 생성한다(340). 학습 장치는 반복된 학습을 통해 갱신된 C개 카테고리에 대한 카테고리 사전
Figure pat00043
, c=1, ... , C를 획득하고, 이러한 카테고리 사전이 배열되는 방식으로 합병된 사전 D를 생성하고,
Figure pat00044
로 표현된다.
일실시예에 따르면, 학습 장치는 갱신된 카테고리 분류기들을 합병하여 분류기를 생성한다(350). 학습 장치는 카테고리 사전들을 합병하는 것과 유사한 방식으로 분류기를 획득할 수 있다.
도 4는 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신하는 실시예를 설명하는 순서도(400)이다.
일실시예에 따르면, 학습 장치는 카테고리 분류기들을 고정시키고, 예측 카테고리들 및 실제 카테고리들의 오차를 최소화하도록 카테고리 사전들을 최적화한다(401).
일실시예에 따르면, 학습 장치는 각 카테고리에 대응하는 카테고리 사전을 초기화한다. 위의 식 (1) 및 (2)를 통하여 복수의 카테고리들에 대응하는 카테고리 사전들과 카테고리 분류기들을 획득하기 위해서는, 사전을 고정하여 분류기를 획득하는 것이 필요하므로 각 카테고리 사전을 초기화하는 것이 요구된다.
카테고리 사전을 초기화하는 방식에 관해서는 다양한 방식이 적용될 수 있다. 일실시에에 따르면, 학습 장치는 전처리된 트레이닝 심전도들을 카테고리에 따라 클러스터링(clustering)하여 복수의 클러스터들을 생성한다. 일실시예에 따르면, k-means 클러스터링 방식이 활용될 수 있는데, 클러스터링의 방법은 많은 종류가 있을 수 있으므로, 클러스터링이 적용되는 방식은 실시예를 제한하지 않는다. 학습 장치는 클러스터링을 통해 생성된 복수의 클러스터들의 각 중심에 대해 정규화를 수행하여, 초기화된 카테고리 사전들을 생성할 수 있다.
일실시예에 따르면, 학습 장치는 최적화된 카테고리 사전들을 고정시키고, 예측 카테고리들 및 실제 카테고리들의 오차를 최소화하도록 카테고리 분류기들을 최적화한다(402).
일실시예에 따르면, 학습 장치는 초기화된 카테고리 사전들을 이용하여 트레이닝 심전도들의 예측 카테고리들 및 실제 카테고리들의 오차함수를 최소화하는 방식을 통하여, 각 카테고리 사전들과 카테고리 분류기들을 동기적으로 갱신할 수 있다. 먼저, 학습 장치는 모든 카테고리들에 대응하는 초기화된 카테고리 사전들을 배열하여 초기화된 사전을 생성한다. 그 다음, 학습 장치는 초기화된 사전을 이용하여 식 (1)의 그룹 스파스 코딩을 통한 각 트레이닝 심전도에 대한 특징벡터를 생성한다. 그 다음, 학습 장치는 생성된 특징벡터와 식 (2)에 기초하여 분류기 W를 획득한다. 그 다음, 학습 장치는 획득된 분류기 W와 식 (2)에 기초하여, 사전 D를 최적화한다. 그 다음, 학습 장치는 최적화된 사전 D와 식 (2)에 기초하여 분류기 W를 최적화한다. 이와 같은 계산 과정을 반복하여, 사전 D 및 분류기 W를 최적화할 수 있다. 여기서, 식 (2)는 트레이닝 심전도의 예측 카테고리와 실제 카테고리간의 오차함수를 최소화하는데 이용된다.
일실시예에 따르면, 학습 장치는 사전 및 분류기에 대해 서로 동기적으로 반복되는 최적화들이 미리 정의된 조건을 만족하는 경우 갱신을 종료하고, 갱신이 완료된 카테고리 사전들 및 카테고리 분류기들을 출력한다. 갱신의 반복 차수가 많을수록 획득된 사전 및 분류기의 성능이 좋아지겠지만, 반복 차수가 커짐은 계산속도에 영향을 줄 수 있다. 또한, 갱신된 사전 및 분류기의 정확도가 요구되는 수준을 초과할 수도 있기 때문에, 적절한 조건이 만족되는 경우 갱신의 반복을 종료하고, 갱신이 사전과 분류기가 출력되어야 한다.
일실시예에 따르면, 미리 정의된 조건은 반복의 차수가 미리 설정된 차수에 도달한 경우, 트레이닝 심전도의 예측 카테고리와 실제 카테고리간의 오차함수의 값이 미리 정의된 제1 값보다 작은 경우 및 오차함수의 값의 변화량이 미리 정의된 제2 값보다 작은 경우 중 적어도 하나를 포함할 수 있다. 학습 장치는 미리 정의된 조건이 충족되는 경우, 동기적 학습의 반복을 종료하고, 각 카테고리에 대응하는 카테고리 사전 및 카테고리 분류기를 출력할 수 있다.
도 5는 카테고리 사전들 및 카테고리 분류기들을 최적화하는 실시예를 설명하는 순서도(500)이다.
최적화된 사전과 분류기를 도출하기 위해, 다양한 종류의 계산 방식이 적용될 수 있다. 일실시예에 따르면, 학습 장치는 경사 하강 알고리즘을 이용하여 사전과 분류기를 동기적으로 반복 계산할 수 있다. 사전과 분류기의 최적화를 위해 기타의 최적화 알고리즘이 이용될 수 있고, 도 5를 참조하여 경사 하강 알고리즘이 이용되는 실시예를 설명하겠지만, 이는 최적화의 계산 방식에 대한 실시예를 제한하지 않는다.
일실시예에 따르면, 학습 장치는 경사 하강 알고리즘을 이용하여 트레이닝 심전도들의 예측 카테고리들 및 실제 카테고리들간의 오차를 최소화하도록 카테고리 사전들을 최적화할 수 있다(501).
위에서 설명한 바와 같이, 학습 장치는 현재 사전을 이용하여 각 트레이닝 심전도의 각 신호 세그먼트에 대한 그룹 스파스 코딩을 통해, 트레이닝 심전도에 대한 특징벡터를 생성한다. 최적화가 최초로 수행되는 경우, 현재 사전은 초기화된 사전에 해당한다. 다음 차수의 갱신에서, 현재 사전은 이전의 동기 학습을 통하여 최적화된 사전에 해당한다.
일실시예에 따르면, 학습 장치는 현재 사전을 식 (1)에 적용하여 각 트레이닝 심전도에 대한 그룹 스파스 코딩을 수행하고, 각 트레이닝 심전도에 대응하는 특징벡터를 생성한다. 여기서, 현재 사전을 이용하여 각 신호 세그먼트에 대한 제2 특징표시가 생성되는데, 그룹 스파스 코딩을 통한 코딩 계수는 각 신호 세그먼트의 제2 특징표시이다. 위에서 설명한 바와 같이, 트레이닝 심전도와 관련이 적은 카테고리에 대응하는 데이터는 계산오차를 가져오는데, 그룹 스파스 코딩을 이용하는 경우, 재구성된 코드 북을 통해 계산오차가 줄어든다.
일실시예에 따르면, 학습 장치는 경사 하강 알고리즘을 이용하여 오차를 최소화하도록 카테고리 분류기들을 최적화할 수 있다(502). 학습 장치는 특징벡터와 오차함수에 기반한 경사 하강 알고리즘을 이용하여 각 카테고리 분류기를 갱신할 수 있다.
식 (2)를 통하여 분류기 W의 초기 값이 계산될 수 있다. 우선, 학습 장치는 초기화된 사전에 기초하여 생성된 특징벡터 Z를 이용하여 식 (2)로부터 W에 대한 도함수를 구한다. 여기서, 도함수를 0으로 설정하면 W는
Figure pat00045
로 획득된다. 이 식에서, I는 사전 D의 총 차원과 같은 차원의 단위행렬을 가리키고,
Figure pat00046
와
Figure pat00047
는 모두 상수의 파라미터를 나타낸다. Y는 분할된 각 신호 세그먼트의 실제 라벨을 의미하는데, 이는 이미 알고 있는 값이다. Z와 Y를 모두 알고 있는 상태에서, W가 계산될 수 있다. 이후에 반복되는 동기적 학습과정에서 도출된 W는 초기 값이 된다.
일실시예에 따르면, 학습 장치는 식 (2)에 기초하여 현재 사전 D를 고정하고, 분류기 W에 대한 도함수를 연산하여,
Figure pat00048
를 획득한다. 그 다음, 경사 하강 알고리즘의 공식
Figure pat00049
에 기초하여, W가 갱신된다. 여기서,
Figure pat00050
는 경사 방향으로의 검색보폭(step size in search)이다. 일실시예에 따르면, 학습 장치는 갱신된 카테고리 분류기와 오차함수에 기초한 경사 하강 알고리즘을 이용하여, 각 카테고리 사전을 갱신한다.
일실시예에 따르면, 학습 장치는 갱신된 분류기 W를 고정하고, 사전 D에 대한 도함수를 구한다. 식 (2)에서, D에 관한 명시적 표현이 없고, Z에 관한 명시적 표현만 있으며, Z는 D의 함수이고, Z는 복수의 z를 포함하기 때문에, 각 z는 모두 D의 함수이다. 따라서, 고정 포인트 묵식적 차이(implicit difference) 방법을 이용하여, 제n째 트레이닝 심전도의 오차함수에 대한 D의 도함수
Figure pat00051
가 계산된다. 이러한 연산이 수행될 때, 학습 장치는 각 신호 세그먼트를 랜덤으로 교란하고, 교란 후의 순서에 따라 경사를 계산할 수 있다.
일실시예에 따르면,
Figure pat00052
를 구할 때, 학습 장치는 연쇄법칙(chain rule)을 이용하여 먼저 도함수
Figure pat00053
과
Figure pat00054
를 구하고, 그 다음 양자를 곱하여
Figure pat00055
를 획득한다. 학습 장치는
Figure pat00056
를 구한 후, 경사 디센트 알고리즘의 공식
Figure pat00057
에 기반하여 D를 갱신한다. 여기서,
Figure pat00058
는 경사 방향으로의 검색보폭이다.
일실시예에 따른 사전에 대한 경사 하강 알고리즘의 적용 과정에 있어서, 제n 번째 트레이닝 샘플의 오차함수의 값에 대한 사전 D의 도함수
Figure pat00059
만 구하고, 모든 트레이닝 샘플들의 오차함수의 값에 대한 D의 도함수
Figure pat00060
를 구하지 못하는 것을 고려하여, 학습 장치는 동기학습을 반복할 때, 복수의 트레이닝 심전도에 대해 랜덤배열을 하고, 매번의 교란 후에 순서에 따라 경사를 계산하여 오차를 줄일 수 있다.
사전과 분류기를 동기적으로 학습시키는 실시예가 위에서 설명되었다. 위에서 설명된 바와 같이, 각 카테고리에 대하여 카테고리 사전이 학습되기 때문에, 트레이닝에 관련되지 않는 데이터가 가져다 주는 계산오차가 줄어들 수 있다. 구체적으로, 그룹 스파스 코딩이 수행되어 코딩 계수 z가 확정될 때, 재구성에 이용되는 코드 북의 카테고리가 될수록 적어야 한다. 이를 통해 데이터를 이와 관련된 카테고리 사전으로 되도록 나타낼 수 있다.
일실시예에 따르면, 학습 장치는 사전의 학습에 라벨 정보를 활용하고, 트레이닝 심전도의 예측 카테고리와 실제 카테고리의 오차함수를 최소화하는 것을 목표함수로 하고, 사전 및 분류기를 동기적으로 학습시켜서 높은 수준의 판별력을 갖는 특징을 획득할 수 있다.
도 6은 테스트 심전도에 대응하는 특징벡터를 생성하는 실시예를 설명하는 순서도(600)이다.
일실시예에 따르면, 위에서 설명된 방식으로 학습된 사전 및 분류기는 테스트 또는 인증 단계에서의 테스트 심전도로부터 특징을 추출하고 객체를 분류하는데 이용된다. 인증 장치는 테스트 심전도를 적어도 하나의 신호 세그먼트로 분할한다(601).
일실시예에 따른 인증 장치는 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 특징표시를 생성한다(602). 여기서, 특징표시를 생성하는 구체적인 실시예는 위에서 설명된 심전도에 대한 전처리가 적용될 수 있다.
일실시예에 따른 인증 장치는 적어도 하나의 특징표시에 대해 사전에 기초한 그룹 스파스 코딩을 수행하여 적어도 하나의 제2 특징표시를 생성한다(603). 여기서 이용되는 사전과 그룹 스파스 코딩은 위에서 설명된 실시예가 적용되고, 제2 특징표시는 식 (1)을 통해 생성될 수 있다.
일실시예에 따른 인증 장치는 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 제2 특징표시에 기초하여 특징벡터를 생성한다(604). 예를 들어, 전처리된 테스트 심전도와 대응하는 신호 세그먼트의 특징표시가
Figure pat00061
로 표현된다고 가정하면, 인증 장치는 식 (1)에 기초한 S에 대한 그룹 스파스 코딩을 통해 특징벡터
Figure pat00062
를 생성할 수 잇다. 여기서, P는 테스트 심전도와 대응하는 신호 세그먼트의 개수이다.
인증 장치는 특징벡터와 분류기 W에 기초하여 테스트 심전도를 분류한다. 일실시예에 따르면, 인증 장치는 아래의 식과 분류기 W에 기초하여 분할된 각 신호 세그먼트의 라벨(테스트 심전도의 각 신호 세그먼트에 대한 분류결과)을 계산할 수 있다.
Figure pat00063
여기서,
Figure pat00064
는 테스트 심전도와 대응하는 라벨이다.
도 7은 심전도에 대한 인증의 실시예를 설명하는 순서도(700)이다.
일실시예에 따르면, 인증 장치는 테스트 심전도의 분류결과에 기초하여 테스트 심전도가 인증을 통과하였는지 여부를 결정한다. 인증 장치는 참조 심전도의 적어도 하나의 라벨에 기초하여, 참조 심전도에 대한 분류결과를 획득한다(701).
일실시예에 따르면, 참조 심전도에 대하여 사전 및 분류기를 이용하여 획득된 각 신호 세그먼트의 분류결과는 미리 저장된 데이터와 대응하는 분류결과로부터 획득된 것일 수 있고, 인증 단계에서 테스트 심전도에 대한 처리와 동시에 참조 심전도에 대하여 사전 및 분류기를 이용하여 획득된 것일 수 있다. 일실시예에 따르면, 전처리된 참조 심전도의 신호 세그먼트의 특징표시를
Figure pat00065
로 가정하면 인증 장치는 식(1)을 통하여 Y에 대한 그룹 스파스 코딩을 통해 새로운 특징벡터
Figure pat00066
를 생성할 수 있다. 여기서, Q는 참조 심전도의 신호 세그먼트의 개수이다.
인증 장치는 아래의 식과 분류기 W에 기초하여, 각 신호 세그먼트의 라벨(즉, 참조 심전도의 각 신호 세그먼트에 대한 분류결과)을 계산한다.
Figure pat00067
여기서,
Figure pat00068
는 참조 심전도와 대응하는 라벨이다.
인증 장치는 테스트 심전도에 대한 분류결과 및 참조 심전도에 대한 분류결과에 대한 투표 매커니즘에 기초하여 인증을 수행하여, 테스트 심전도가 인증을 통과하였는지 여부를 판단할 수 있다.
인증 장치는 테스트 심전도에 대한 적어도 하나의 라벨에 기초하여, 테스트 심전도의 적어도 하나의 신호 세그먼트에 대한 모든 카테고리에서의 제1 분포를 생성한다(702). 일실시예에 따르면, 제1 분포는 복수의 카테고리들 각각에 속하는 신호 세그먼트의 수를 포함한다.
구체적으로, 인증 장치는 테스트 심전도와 대응하는 라벨에 기초하여 각 테스트 심전도의 각 카테고리에 대한 투표수(분포)를 계산한다. 예를 들어, 테스트 심전도가 총 P개 신호 세그먼트를 포함하고, k개의 신호 세그먼트가 제c카테고리(즉 제c번째 개체)로 예측되면, 제c카테고리에 대하여 대응하는 투표수는
Figure pat00069
로 계산된다. 인증 장치는 각 카테고리에 대한 투표수에 기반하여, 테스트 심전도가 대응하는 제1 분포
Figure pat00070
또는 히스토그램을 획득할 수 있다.
인증 장치는 참조 심전도의 적어도 하나의 신호 세그먼트에 대한 모든 카테고리에서의 제2 분포를 획득한다(703). 일실시예에 따르면, 제2 분포는 복수의 카테고리들 각각에 속하는 참조 신호 세그먼트의 수를 포함한다. 위에서 설명한 방식과 유사하게, 참조 심전도의 각 카테고리에 대한 투표수
Figure pat00071
(분포)에 기초하여 참조 심전도가 대응하는 제2 분포
Figure pat00072
가 획득될 수 있다.
인증 장치는 제1 분포 및 제2 분포 사이의 유사도를 계산한다(704). 유사도 계산에는 다양한 방식이 적용될 수 있다. 일실시예에 따르면, 인증 장치는 히스토그램을 서로 교차시키는 방식을 이용하여 두 개의 분포 또는 히스토그램의 유사도를 계산할 수 있다. 예를 들어, 아래의 식을 이용하여 유사도가 계산될 수 있다.
Figure pat00073
Figure pat00074
인증 장치는 유사도 및 미리 정의된 임계값을 비교하여 인증을 수행한다(705). 일실시예에 따르면, 인증 장치는 유사도가 미리 정의된 임계값보다 크거나 같은지를 비교할 수 있고, 비교결과에 따라 인증을 통과하였는지 여부를 결정할 수 있다.
인증 장치는 유사도가 미리 정의된 임계 값보다 크거나 같을 때, 테스트 심전도와 참조 심전도가 충분히 유사한 것으로 판단하여, 테스트 심전도가 인증을 통과한 것으로 결정할 수 있다. 이와 반대로, 인증 장치는 유사도가 미리 정의된 임계 값보다 작을 때, 테스트 심전도와 참조 심전도의 차이가 비교적 큰 것으로 판단하여, 테스트 심전도의 인증이 거절된 것으로 결정할 수 있다.
위에서는 첨부된 도면에 특정된 순서로 실시예에 따른 동작이 설명되었지만, 반드시 위에서 설명된 순서로 동작이 실행되거나, 모든 동작이 실행되어야 하는 것으로 실시예가 제한되지는 않는다. 예를 들어, 도 3에서는 카테고리 분류기들을 합병하는 동작이 카테고리 사전들을 합병하는 동작보다 선행될 수 있다. 또는 이러한 동작이 병렬적으로 처리될 수도 있다. 도 7에서는, 참조 심전도에 대응하는 제2 분포가 획득되는 동작이 테스트 심전도에 대응하는 제1 분포의 생성이 우선적으로 실행될 수 있다. 또한, 일실시예는 부가적으로 또는 선택적으로, 일부 단계를 생략하고 복수의 단계를 병합하여 하나의 단계로 실행하고 및/또는 하나의 단계를 복수의 단계로 분해하여 실행할 수 있다.
위에서 설명한 바와 같이, 심전도에 기초한 인증 방법은 신분을 식별하는데 응용될 수 있다. 신분을 식별하는 서로 다른 방식에 관하여, 구체적이고 서로 다른 형식의 복수의 실시예가 있을 수 있다. 일실시예에 따르면, 미리 설정된 권한을 구비한 사용자(예를 들어, 임의의 자원에 대하여 방문권한 또는 사용권한이 있는 사용자)와 대응하는 참조 심전도가 미리 획득될 수 있다. 획득된 참조 심전도는 저장되어서, 방문 사용자에 대해 미리 설정된 권한이 구비하였는지 여부를 판단하는 근거로 이용될 수 있다.
인증할 사용자가 방문한 경우, 이에 대응하는 테스트 심전도를 획득하고, 일실시예에 따른 인증 방법을 통하여 테스트 심전도에 대한 인증이 수행될 수 있다. 만약, 테스트 심전도가 인증을 통과하였다면, 사용자는 미리 설정된 권한을 구비한 것으로 확정된다. 예를 들어, 스마트 폰은 기기 주인에 대응하는 참조 심전도를 획득하고 저장할 수 있고, 사용자가 스마트 폰을 이용하려는 경우 일실시예에 따른 인증 방법을 통해 테스트 심전도에 대한 인증을 수행할 수 있다. 사용자가 스마트 폰의 주인에 해당하면 인증에 통과되고, 스마트 폰의 자원 또는 스마트 폰을 이용할 수 있다.
미리 설정된 권한을 구비한 사용자는 복수일 수도 있다. 이 경우, 복수의 사용자와 대응하는 참조 심전도 저장이 필요하다. 인증할 사용자가 방문할 때, 이에 대응하는 테스트 심전도가 획득되고, 일실시예에 따른 인증 방법을 통하여 미리 저장된 각 참조 심전도에 기반한 테스트 심전도에 대한 인증이 수행된다. 테스트 심전도에 대해 인증이 한번만 통과하게 되면, 사용자는 미리 설정된 권한을 구비하였다고 판단된다. 예를 들어, 임의의 단지의 출입문 경비 장치는 그 단지의 모든 주민에 대응하는 참조 심전도를 획득하고 저장하며, 방문자인 사람이 단지에 진입하려 할 때, 방문자에 대응하는 테스트 심전도를 획득하고 일실시예에 따른 인증 방법을 통해 미리 저장된 각 참조 심전도를 조회하여 테스트 심전도에 대한 인증을 수행한다. 만약, 방문자가 단지 주민이면 반드시 한번은 인증을 통과하게 되므로, 출입문 경비장비가 해제된다.
다른 실시예에 따르면, 일부 특정사용자(예하면 임의의 회사의 모든 직원 또는 임의의 학교의 모든 학생)에 대응하는 참조 심전도가 미리 획득될 수 있다. 참조 심전도와 대응하는 사용자의 관련정보가 참조 심전도와 합병하여 저장되고, 사용자 신분을 확정하기 위한 근거로 이용되고, 사용자의 관련정보를 검색하거나 기록하는데 이용된다. 사용자가 방문할 때, 대응하는 테스트 심전도가 획득되고, 일실시예에 따른 인증 방법을 통하여 미리 저장된 각 참조 심전도를 이용하여 테스트 심전도에 대한 인증이 수행된다. 테스트 심전도가 임의의 참조 심전도에 대한 인증을 통과하게 되면, 참조 심전도와 연관된 관련정보에 근거하여 사용자의 신분이 확정되고, 사용자의 관련정보도 획득될 수 있으며, 사용자의 새로운 정보가 신분과 합병되어 더 기록될 수 있다. 예를 들면, 임의의 회사의 출석장비는 회사의 모든 직원과 대응하는 참조 심전도를 획득할 수 있고, 대응하는 직원의 이름과 ID를 합병하여 저장하며, 직원이 출근을 기록할 때, 직원과 대응하는 테스트 심전도를 획득하고 일실시예에 따른 인증 방법을 통하여 미리 저장된 각 참조 심전도를 이용하여 테스트 심전도에 대하여 인증을 수행할 수 있다. 테스트 심전도가 모 참조 심전도의 인증을 통과하게 되면, 참조 심전도와 연관된 직원 이름과 ID가 획득되어 스크린에 표시될 수 있다. 직원이 출근 또는 퇴근하는 시간과 신분이 병합되어 기록될 수 있고, 이는 직원의 출근정보로 이용될 수 있다.
도 8은 일실시예에 따른 인증 장치와 학습 장치의 구성을 예시한 도면이다.
일실시예에 따른 인증 장치(801)는 센서(802), 프로세서(803) 및 메모리(804)를 포함한다. 센서(802)는 객체로부터 테스트 심전도를 감지하고, 프로세서(803)는 센서(802)를 통해 객체의 테스트 심전도를 획득할 수 있다. 프로세서(803)는 미리 학습된 사전에 기초하여 테스트 심전도에 대한 특징벡터를 생성하고, 특징벡터 및 미리 학습된 분류기에 기초하여 테스트 심전도에 대한 분류결과를 생성하며, 분류결과에 기초하여 테스트 심전도에 대한 인증을 수행할 수 있다. 일실시예에 따르면, 메모리(804)는 미리 학습된 사전 및 미리 학습된 분류기를 기록할 수 있고, 프로세서(803)는 메모리(804)에 저장된 정보를 로딩하여 테스트 심전도에 대한 인증을 수행하는데 이용할 수 있다. 인증 장치(801)에는 도 1 내지 7을 참조하여 설명된 실시예가 적용될 수 있으므로 자세한 내용은 생략한다.
일실시예에 따른 학습 장치(805)는 센서(806), 프로세서(807) 및 메모리(808)를 포함한다. 센서(806)는 복수의 트레이닝 심전도들을 감지하고, 프로세서(807)는 센서(806)를 통해 복수의 트레이닝 심전도들을 획득할 수 있다. 프로세서(807)는, 복수의 카테고리들에 대응하는 카테고리 사전들을 이용하여, 트레이닝 심전도들에 대한 복수의 특징벡터들을 생성하고, 특징벡터들에 기초하여 트레이닝 심전도들의 예측 카테고리들을 결정하며, 카테고리들 및 예측 카테고리들에 기초하여, 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신할 수 있다. 일실시예에 따르면, 메모리(808)는 카테고리 사전들 및 카테고리 분류기들을 기록할 수 있고, 프로세서(807)는 메모리(808)에 기록된 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신하여, 사전 및 분류기를 학습할 수 있다. 학습 장치(803)에는 도 1 내지 7을 참조하여 설명된 실시예가 적용될 수 있으므로 자세한 내용은 생략한다.
도 8을 참조하면, 인증 장치(801) 및 학습 장치(805)는 독립된 장치로 구별되어, 개별적인 동작을 수행할 수 있다. 또한, 인증 장치(801) 및 학습 장치(805)가 하나의 장치(809)로 통합되어 스마트 기기 등에 적용될 수도 있다. 인증 장치(801) 및 학습 장치(805)가 상호적으로 동작하거나, 독립된 주체로서 별개로 동작할 수 있지만, 이에 관한 실시예는 다양하게 응용될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (26)

  1. 심전도를 입력 받는 단계;
    미리 학습된 사전에 기초하여, 상기 심전도에 대한 특징벡터를 생성하는 단계;
    상기 특징벡터 및 미리 학습된 분류기에 기초하여, 상기 심전도에 대한 분류결과를 생성하는 단계; 및
    상기 분류결과에 기초하여 상기 심전도에 대한 인증을 수행하는 단계
    를 포함하는,
    심전도에 기초한 인증 방법.
  2. 제1항에 있어서,
    상기 사전과 상기 분류기는 서로 동기적으로 학습되는,
    심전도에 기초한 인증 방법.
  3. 제1항에 있어서,
    상기 사전은 복수의 카테고리들에 대응하는 카테고리 사전들을 포함하고,
    상기 분류기는 상기 카테고리들에 대응하는 카테고리 분류기들을 포함하는,
    심전도에 기초한 인증 방법.
  4. 제3항에 있어서,
    상기 사전 및 상기 분류기는,
    상기 카테고리 사전들을 이용하여 트레이닝 심전도들에 대한 복수의 특징벡터들이 생성되고, 상기 복수의 특징벡터들에 기초하여 상기 트레이닝 심전도들의 예측 카테고리들이 결정되며, 상기 카테고리들 및 상기 예측 카테고리들에 기초하여 상기 카테고리 사전들 및 상기 카테고리 분류기들이 교대로 갱신됨으로써,
    서로 동기적으로 학습된,
    심전도에 기초한 인증 방법.
  5. 제1항에 있어서,
    상기 심전도에 대한 특징벡터를 생성하는 단계는
    상기 심전도를 상기 사전에 포함된 복수의 카테고리 사전들의 선형 조합으로 표현하기 위하여, 상기 복수의 카테고리 사전들의 계수들을 결정하는 단계; 및
    상기 계수들에 기초하여 상기 특징벡터를 생성하는 단계
    를 포함하고,
    심전도에 기초한 인증 방법.
  6. 제1항에 있어서,
    상기 특징벡터를 생성하는 단계는,
    상기 심전도를 적어도 하나의 신호 세그먼트로 분할하는 단계;
    상기 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 특징표시를 생성하는 단계;
    상기 적어도 하나의 특징표시에 대하여 상기 사전에 기초한 그룹 스파스 코딩을 수행하여 적어도 하나의 제2 특징표시를 생성하는 단계; 및
    상기 적어도 하나의 제2 특징표시에 기초하여 상기 특징벡터를 생성하는 단계
    를 포함하는,
    심전도에 기초한 인증 방법.
  7. 제6항에 있어서,
    상기 특징표시는 상기 사전에 포함된 복수의 카테고리 사전들 중 일부의 선형 조합으로 표현되고,
    상기 제2 특징표시는 상기 일부의 카테고리 사전들의 계수들을 포함하는,
    심전도에 기초한 인증 방법.
  8. 제1항에 있어서,
    상기 심전도에 대한 분류결과를 생성하는 단계는,
    상기 특징벡터 및 상기 분류기에 기초하여, 상기 심전도의 적어도 하나의 신호 세그먼트에 대한 분류결과에 해당하는 적어도 하나의 라벨을 생성하는 단계; 및
    상기 적어도 하나의 라벨에 기초하여 상기 심전도에 대한 분류결과를 생성하는 단계
    를 포함하는,
    심전도에 기초한 인증 방법.
  9. 제8항에 있어서,
    상기 심전도에 대한 인증을 수행하는 단계는,
    참조 심전도에 대한 분류결과를 획득하는 단계; 및
    상기 심전도에 대한 분류결과 및 상기 참조 심전도에 대한 분류결과에 대한 투표 매커니즘에 기초하여 상기 인증을 수행하는 단계
    를 포함하는,
    심전도에 기초한 인증 방법.
  10. 제9항에 있어서,
    상기 참조 심전도는 적어도 하나의 참조 신호 세그먼트를 포함하고,
    상기 투표 매커니즘에 기초하여 상기 인증을 수행하는 단계는,
    상기 심전도에 대한 적어도 하나의 라벨에 기초하여, 복수의 카테고리들 각각에 속하는 신호 세그먼트의 수를 포함하는 제1 분포를 생성하는 단계;
    상기 복수의 카테고리들 각각에 속하는 참조 신호 세그먼트의 수를 포함하는 제2 분포를 획득하는 단계; 및
    상기 제1 분포 및 상기 제2 분포 사이의 유사도를 계산하는 단계; 및
    상기 유사도 및 미리 정의된 임계값을 비교하여 상기 인증을 수행하는 단계
    를 포함하는,
    심전도에 기초한 인증 방법.
  11. 제9항에 있어서,
    상기 참조 심전도에 대한 분류 결과는, 상기 참조 심전도에 대해 상기 사전 및 상기 분류기를 적용하여 획득된,
    심전도에 기초한 인증 방법.
  12. 복수의 카테고리들에 대응하는 카테고리 사전들을 이용하여, 트레이닝 심전도들에 대한 복수의 특징벡터들을 생성하는 단계;
    상기 특징벡터들에 기초하여 상기 트레이닝 심전도들의 예측 카테고리들을 결정하는 단계; 및
    상기 카테고리들 및 상기 예측 카테고리들에 기초하여, 상기 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신하는 단계
    를 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  13. 제12항에 있어서,
    상기 특징벡터들을 생성하는 단계는,
    상기 트레이닝 심전도들의 각 트레이닝 심전도를 적어도 하나의 신호 세그먼트로 분할하는 단계;
    상기 적어도 하나의 신호 세그먼트에 대응하는 적어도 하나의 특징표시를 생성하는 단계;
    상기 적어도 하나의 특징표시에 대하여 상기 카테고리 사전들에 기초한 그룹 스파스 코딩을 수행하여 적어도 하나의 제2 특징표시를 생성하는 단계; 및
    상기 적어도 하나의 신호 세그먼트에 대응하는 상기 적어도 하나의 제2 특징표시에 기초하여 상기 특징벡터들을 생성하는 단계
    를 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  14. 제12항에 있어서,
    상기 카테고리 사전들 및 상기 카테고리 분류기들을 교대로 갱신하는 단계는,
    상기 카테고리 분류기들을 고정시키고, 상기 예측 카테고리들 및 상기 카테고리들의 오차를 최소화하도록 상기 카테고리 사전들을 최적화하는 단계; 및
    상기 최적화된 카테고리 사전들을 고정시키고, 상기 예측 카테고리들 및 상기 카테고리들의 오차를 최소화하도록 상기 카테고리 분류기들을 최적화하는 단계
    를 포함하고,
    상기 카테고리 사전들의 최적화 및 상기 카테고리 분류기들의 최적화는 서로 동기적으로 반복되는,
    심전도 기반 인증을 위한 학습 방법.
  15. 제14항에 있어서,
    상기 카테고리 사전들을 최적화하는 단계는, 경사 하강 알고리즘을 이용하여 상기 오차를 최소화하도록 상기 카테고리 사전들을 최적화하는 단계를 포함하고,
    상기 카테고리 분류기들을 최적화하는 단계는, 상기 경사 하강 알고리즘을 이용하여 상기 오차를 최소화하도록 상기 카테고리 분류기들을 최적화하는 단계를 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  16. 제14항에 있어서,
    상기 서로 동기적으로 반복되는 최적화들이 미리 정의된 조건을 만족하는 경우, 상기 갱신을 종료하는 단계; 및
    상기 갱신이 완료된 카테고리 사전들 및 카테고리 분류기들을 출력하는 단계
    를 더 포함하고,
    상기 미리 정의된 조건은,
    상기 반복의 차수가 미리 정의된 차수로 도달한 경우, 상기 오차가 미리 정의된 제1 값보다 작은 경우, 및 상기 오차의 변화량이 미리 정의된 제2 값보다 작은 경우 중 적어도 하나를 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  17. 제12항에 있어서,
    상기 카테고리들에 대응하는 상기 트레이닝 심전도들에 기초하여 상기 카테고리 사전들을 초기화하는 단계
    를 더 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  18. 제17항에 있어서,
    상기 카테고리 사전들을 초기화하는 단계는,
    상기 트레이닝 심전도들을 전처리하는 단계;
    상기 전처리된 트레이닝 심전도들을 상기 카테고리들에 따라 클러스터링 하여 복수의 클러스터들을 생성하는 단계; 및
    상기 클러스터들의 각 중심에 대한 정규화를 수행하여 상기 초기화된 카테고리 사전들을 생성하는 단계
    를 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  19. 제18항에 있어서,
    상기 전처리하는 단계는,
    상기 트레이닝 심전도들의 각 트레이닝 심전도를 적어도 하나의 신호 세그먼트로 분할하는 단계;
    상기 적어도 하나의 신호 세그먼트의 각각의 특징을 추출하는 단계; 및
    상기 각각의 특징에 대한 차원감소처리를 수행하여 상기 적어도 하나의 신호 세그먼트에 대한 각각의 특징표시를 생성하는 단계
    를 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  20. 제19항에 있어서,
    상기 적어도 하나의 신호 세그먼트로 분할하는 단계는,
    상기 각 트레이닝 심전도를 필터링하는 단계;
    상기 필터링된 각 트레이닝 심전도에 대해 QRS파를 검출하는 단계; 및
    상기 검출 결과에 기초하여, 상기 적어도 하나의 신호 세그먼트를 생성하는 단계
    를 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  21. 제12항에 있어서,
    상기 특징벡터들 및 상기 카테고리 사전들에 기초하여 상기 카테고리 분류기들을 초기화하는 단계
    를 더 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  22. 제21항에 있어서,
    상기 카테고리 분류기들을 초기화하는 단계는,
    상기 특징벡터들 및 상기 카테고리 사전들을 이용하여, 상기 적어도 하나의 신호 세그먼트에 대한 상기 카테고리들의 확률분포를 생성하는 단계;
    상기 확률분포 및 상기 적어도 하나의 신호 세그먼트의 실제 카테고리에 기초하여, 상기 적어도 하나의 신호 세그먼트의 예측오차를 계산하는 단계;
    상기 예측오차에 기초하여, 상기 예측 카테고리들 및 상기 카테고리들의 오차를 최소화하는 카테고리 분류기들을 획득하는 단계; 및
    상기 획득된 카테고리 분류기들로서 상기 초기화된 카테고리 분류기들을 생성하는 단계
    를 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  23. 제12항에 있어서,
    상기 갱신된 카테고리 사전들을 합병하여 사전을 생성하는 단계; 및
    상기 갱신된 카테고리 분류기들을 합병하여 분류기를 생성하는 단계
    를 더 포함하는,
    심전도 기반 인증을 위한 학습 방법.
  24. 제1항 내지 제23항 중 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  25. 미리 학습된 사전에 기초하여 심전도에 대한 특징벡터를 생성하고, 상기 특징벡터 및 미리 학습된 분류기에 기초하여 상기 심전도에 대한 분류결과를 생성하며, 상기 분류결과에 기초하여 상기 심전도에 대한 인증을 수행하는 프로세서
    를 포함하는,
    심전도에 기초한 인증 장치.
  26. 복수의 카테고리들에 대응하는 카테고리 사전들을 이용하여, 트레이닝 심전도들에 대한 복수의 특징벡터들을 생성하고, 상기 특징벡터들에 기초하여 상기 트레이닝 심전도들의 예측 카테고리들을 결정하며, 상기 카테고리들 및 상기 예측 카테고리들에 기초하여, 상기 카테고리 사전들 및 카테고리 분류기들을 교대로 갱신하는 프로세서
    를 포함하는,
    심전도 기반 인증을 위한 학습 장치.
KR1020150180291A 2015-02-11 2015-12-16 심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치 KR102449839B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP16154997.7A EP3056138B1 (en) 2015-02-11 2016-02-10 Electrocardiogram (ecg)-based authentication apparatus and method thereof, and training apparatus and method thereof for ecg-based authentication
US15/041,477 US10089451B2 (en) 2015-02-11 2016-02-11 Electrocardiogram (ECG)-based authentication apparatus and method thereof, and training apparatus and method thereof for ECG-based authentication

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510071283.3A CN105989266B (zh) 2015-02-11 2015-02-11 基于心电信号的认证方法、装置及系统
CN201510071283.3 2015-02-11

Publications (2)

Publication Number Publication Date
KR20160098960A true KR20160098960A (ko) 2016-08-19
KR102449839B1 KR102449839B1 (ko) 2022-09-30

Family

ID=56874999

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150180291A KR102449839B1 (ko) 2015-02-11 2015-12-16 심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치

Country Status (2)

Country Link
KR (1) KR102449839B1 (ko)
CN (1) CN105989266B (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180082943A (ko) * 2017-01-11 2018-07-19 삼성전자주식회사 심전도 신호 인증에 사용되는 인증 참조 정보를 업데이트하는 방법 및 장치
KR20180082948A (ko) * 2017-01-11 2018-07-19 삼성전자주식회사 심전도 신호를 사용한 사용자의 신분 인증 방법 및 신분 인증 장치.
WO2020148163A1 (en) * 2019-01-16 2020-07-23 Koninklijke Philips N.V. Learning of temporal dynamics for feature extraction and compression of physiological waveforms
WO2020222367A1 (ko) * 2019-05-02 2020-11-05 연세대학교 산학협력단 복수의 컴퓨팅 장치에 내장된 센서를 활용한 사용자 인증 시스템
KR20210070569A (ko) * 2019-12-05 2021-06-15 한국전자기술연구원 심전도를 이용한 개인 인증 방법

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108464834A (zh) * 2017-02-22 2018-08-31 清华大学深圳研究生院 一种基于心电信号的驾驶学员管理方法与系统
CN107451417B (zh) * 2017-09-08 2021-07-06 北京蓬阳丰业科技有限公司 动态心电分析智能诊断系统及方法
CN109009087B (zh) * 2018-08-07 2021-07-06 广州麦笛亚医疗器械有限公司 一种心电信号r波的快速检测方法
CN109330584B (zh) * 2018-11-08 2020-09-18 山东大学 基于字典学习和稀疏表示的心电信号身份识别方法和系统
CN110269625B (zh) * 2019-05-31 2022-02-11 杭州电子科技大学 一种新型的多特征融合的心电认证方法及系统
CN112818315B (zh) * 2021-02-26 2022-03-15 山东大学 一种融合多特征信息的心电信号身份识别方法及系统
CN113705296A (zh) * 2021-03-11 2021-11-26 腾讯科技（深圳）有限公司 生理电信号分类处理方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150028996A1 (en) * 2013-07-25 2015-01-29 Bionym Inc. Preauthorized wearable biometric device, system and method for use thereof

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323977B (zh) * 2011-06-29 2014-04-30 无锡市吉天通信科技有限公司 基于心电特征点的心电数据存储方法
CN102688032A (zh) * 2012-05-11 2012-09-26 东华大学 基于精简公共字典库的心电信号稀疏分解压缩系统
US8649765B1 (en) * 2012-08-08 2014-02-11 Telefonaktiebolaget L M Ericsson (Publ) Communication apparatus using biometrics
CN102968618A (zh) * 2012-10-24 2013-03-13 浙江鸿程计算机系统有限公司 一种融合BoF模型和谱聚类算法的静态手势识别方法
CN103892821A (zh) * 2012-12-25 2014-07-02 中国科学院深圳先进技术研究院 基于心电信号的情感识别模型生成装置及其方法
CN103971123B (zh) * 2014-05-04 2017-02-15 南京师范大学 基于线性回归与Fisher判别字典学习的高光谱图像分类方法
CN104224205B (zh) * 2014-07-30 2016-09-28 哈尔滨工业大学深圳研究生院 一种基于简易心电采集和匹配的疲劳检测方法
CN104200203B (zh) * 2014-08-30 2017-07-11 电子科技大学 一种基于动作字典学习的人体动作检测方法
CN104281845B (zh) * 2014-10-29 2017-08-25 中国科学院自动化研究所 基于旋转不变字典学习模型的人脸识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150028996A1 (en) * 2013-07-25 2015-01-29 Bionym Inc. Preauthorized wearable biometric device, system and method for use thereof

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180082943A (ko) * 2017-01-11 2018-07-19 삼성전자주식회사 심전도 신호 인증에 사용되는 인증 참조 정보를 업데이트하는 방법 및 장치
KR20180082948A (ko) * 2017-01-11 2018-07-19 삼성전자주식회사 심전도 신호를 사용한 사용자의 신분 인증 방법 및 신분 인증 장치.
WO2020148163A1 (en) * 2019-01-16 2020-07-23 Koninklijke Philips N.V. Learning of temporal dynamics for feature extraction and compression of physiological waveforms
WO2020222367A1 (ko) * 2019-05-02 2020-11-05 연세대학교 산학협력단 복수의 컴퓨팅 장치에 내장된 센서를 활용한 사용자 인증 시스템
KR20210070569A (ko) * 2019-12-05 2021-06-15 한국전자기술연구원 심전도를 이용한 개인 인증 방법

Also Published As

Publication number Publication date
CN105989266A (zh) 2016-10-05
CN105989266B (zh) 2020-04-03
KR102449839B1 (ko) 2022-09-30

Similar Documents

Publication Publication Date Title
KR102449839B1 (ko) 심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치
EP3056138B1 (en) Electrocardiogram (ecg)-based authentication apparatus and method thereof, and training apparatus and method thereof for ecg-based authentication
Li et al. Toward improving ECG biometric identification using cascaded convolutional neural networks
Hammad et al. A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication
Wang et al. Kernel cross-modal factor analysis for information fusion with application to bimodal emotion recognition
Qu et al. Data reduction using a discrete wavelet transform in discriminant analysis of very high dimensionality data
Jyotishi et al. An LSTM-based model for person identification using ECG signal
Colonna et al. Automatic classification of anuran sounds using convolutional neural networks
Prakash et al. BAED: A secured biometric authentication system using ECG signal based on deep learning techniques
Bostrom et al. A shapelet transform for multivariate time series classification
US20190311099A1 (en) Behavioral biometric feature extraction and verification
CN105117708A (zh) 人脸表情识别的方法和装置
Damoulas et al. Bayesian classification of flight calls with a novel dynamic time warping kernel
Mannepalli et al. FDBN: Design and development of Fractional Deep Belief Networks for speaker emotion recognition
Sarvestani et al. FF-SKPCCA: Kernel probabilistic canonical correlation analysis
CN114118165A (zh) 基于脑电的多模态情绪数据预测方法、装置及相关介质
Barbosa et al. Support vector machines, Mel-Frequency Cepstral Coefficients and the Discrete Cosine Transform applied on voice based biometric authentication
CN114415842A (zh) 一种基于位点等效增强的脑机接口解码方法及装置
Sonal et al. Face and age recognition using three-dimensional discrete wavelet transform and rotational local binary pattern with radial basis function support vector machine method
CN117297606A (zh) 情绪识别方法和装置、电子设备及存储介质
Yousofvand et al. Person identification using ECG signal’s symbolic representation and dynamic time warping adaptation
Pal Skin Disease Classification: A Comparative Analysis of K-Nearest Neighbors (KNN) and Random Forest Algorithm
Tan et al. Towards real time implementation of sparse representation classifier (SRC) based heartbeat biometric system
CN114469139A (zh) 脑电信号识别模型训练、脑电信号识别方法、装置及介质
Kalina et al. Dimensionality reduction methods for biomedical data

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