KR20170064017A - 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법 - Google Patents

심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법 Download PDF

Info

Publication number
KR20170064017A
KR20170064017A KR1020150168240A KR20150168240A KR20170064017A KR 20170064017 A KR20170064017 A KR 20170064017A KR 1020150168240 A KR1020150168240 A KR 1020150168240A KR 20150168240 A KR20150168240 A KR 20150168240A KR 20170064017 A KR20170064017 A KR 20170064017A
Authority
KR
South Korea
Prior art keywords
signal
filtered
sensor module
lead
electrocardiogram
Prior art date
Application number
KR1020150168240A
Other languages
English (en)
Other versions
KR101760441B1 (ko
Inventor
반성범
최규호
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 KR1020150168240A priority Critical patent/KR101760441B1/ko
Publication of KR20170064017A publication Critical patent/KR20170064017A/ko
Application granted granted Critical
Publication of KR101760441B1 publication Critical patent/KR101760441B1/ko

Links

Images

Classifications

    • G06K9/00885
    • A61B5/0402
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31User authentication
    • G06F21/32User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G06K2009/00939

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 발명은 개인 식별 장치 및 그 방법에 관한 것으로, 특히 심전도 정점 주기를 이용하여 개인을 식별할 수 있도록 한 개인 식별 장치 및 그 방법에 관한 것이다.
이와 같은 본 발명은 사용자의 심전도 리드 I 신호를 측정하는 증폭하여 디지털 신호로 출력하는 센서 모듈; 센서 모듈에서 측정한 심전도 리드 I 신호를 필터링하여 R 정점이 강조된 필터링된 신호를 출력하는 필터부; 상기 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대하여 R정점간을 주기로 하여 한 주기에 대한 다수개의 특징점으로 이루어진 검증 데이터를 추출하는 특징점 추출부; 및 상기 특징점 추출부에서 추출한 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대한 검증 데이터와 등록된 학습 데이터를 비교하여 개인 식별을 수행하는 분류부를 포함하는 개인 식별 장치 및 그 방법을 제공한다.

Description

심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법{Personal Identification apparatus using Period of Electrocardiogram wave peak and method thereof}
본 발명은 개인 식별 장치 및 그 방법에 관한 것으로, 특히 심전도 정점 주기를 이용하여 개인을 식별할 수 있도록 한 개인 식별 장치 및 그 방법에 관한 것이다.
과거 생체 신호로 사용자 확인을 위하여 지문, 홍채의 정보를 이용하였다면, 최근에는 사용자 편의성 및 보안성을 기반으로 한 심전도(ECG) 및 뇌파(EEG)를 사용하고 있다.
특히 심전도 신호는 심장의 전기생리학적 요인과 심장의 위치, 크기, 신체적 조건등에 의해 개인 고유의 특성을 가지고 있기 때문에 위조하기 어려워 관심이 증가하고 있다.
개인 심전도를 이용하여 사용자 확인을 통해 기존 사용자 기기로부터 동일한 서비스를 제공받을 수 있게 된다.
이는 사용자 기기를 다른 외부로부터 개인 정보 유출을 막고 보호하는 역할을 하게 된다. 사용자 기기는 사용자 확인 후 사용하므로 심전도를 이용한 개인 식별에 대한 연구가 진행 중이다.
최근에는 심전도 데이터의 채널 수, 측정 상태에 따른 개인 인식 알고리즘들이 연구되고 있다.
다채널의 심전도를 이용한 개인 인식은 100%에 가까운 정확도를 얻고 있으나 편리성을 위하여 채널 수를 줄이는 경우 정확도는 떨어지게 된다.
국내공개특허 2006-0082677호 국내공개특허 2015-0110090호 국내공개특허 2013-140439호
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로, 전극의 최소화 및 사용자의 편리성을 고려하여, 리드 I 신호를 이용하여 개인을 식별할 수 있도록 한 개인 식별 장치 및 그 방법을 제공하는 데 있다.
본 발명의 일측면은 사용자의 심전도 리드 I 신호를 측정하는 증폭하여 디지털 신호로 출력하는 센서 모듈; 센서 모듈에서 측정한 심전도 리드 I 신호를 필터링하여 R 정점이 강조된 필터링된 신호를 출력하는 필터부; 상기 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대하여 R정점간을 주기로 하여 한 주기에 대한 다수개의 특징점으로 이루어진 검증 데이터를 추출하는 특징점 추출부; 및 상기 특징점 추출부에서 추출한 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대한 검증 데이터와 등록된 학습 데이터를 비교하여 개인 식별을 수행하는 분류부를 포함한다.
또한, 본 발명의 일 측면은 상기 센서 모듈에서 측정된 심전도 리드 I신호에서 기저선 잡음을 제거하여 상기 필터부로 제공하는 전처리부를 더 포함한다.
또한, 본 발명의 일 측면의 상기 전처리부는 버터워드 고역 통과 필터이다.
또한, 본 발명의 일 측면의 상기 센서 모듈은 상기 사용자의 심전도 리드 I 신호를 측정하는 심전도 측정 센서; 상기 심전도 측정 센서에서 측정한 심전도 리드 I 신호를 증폭하여 출력하는 증폭기; 및 상기 증폭기에서 출력한 아날로그 신호를 디지털 신호로 변환하여 출력하는 컨버터를 포함한다.
또한, 본 발명의 일 측면의 상기 필터부는 상기 센서 모듈에서 측정한 심전도 리드 I 신호에서 구간별 잡음을 제거하여 필터링된 제1 신호를 생성하여 출력하는 디지털 필터; 필터링된 제1 신호에 대하여 고주파 잡음을 제거한 필터링된 제2 신호를 출력하는 저역 통과 필터; 필터링된 제2 신호를 평균화하여 완만하게 된 필터링된 제3 신호를 출력하는 평균 필터; 및 필터링된 제3 신호에서 R 정점이 강조된 필터링된 제4 신호를 출력하는 임계 필터를 포함한다.
또한, 본 발명의 일 측면의 상기 특징점 추출부가 사용하는 신호는 센서 모듈에서 출력되는 심전도 리드 I 신호와, 상기 필터링된 제1 신호와, 상기 필터링된 제2 신호와, 상기 필터링된 제3 신호 및 상기 필터링된 제4 신호이며, R 정점간을 한 주기로 하여 P개 분할하여 S 주기에 대하여 M개의 특징점을 추출할 때 5M으로 이루어진 특징점으로 구성된 검증 데이터를 추출한다.
또한, 본 발명의 일 측면의 상기 분류부는 사용자 등록 과정에 의해 S+3의 주기에 대하여 추출한 특징점으로 이루어진 학습 데이터를 이용한다.
또한, 본 발명의 일 측면의 상기 특징점 추출부는 센서 모듈을 통과한 신호와 필터부를 통과한 신호에서 R 정점을 추출하는 정점 추출기; R파 정점간에 주기를 설정하는 주기 설정기; 및 R파 정점간에 한 주기에 대하여 다수개 분할한 후에 다수개의 특징점을 추출하는 특징점 추출기를 포함한다.
또한, 본 발명의 일 측면의 상기 분류부는 서포트 벡터 머신(support vector machine, SVM)을 사용하여 학습된 데이터에 기반하여 검증 데이터를 분류하여 개인 식별을 수행한다.
한편, 본 발명의 다른 측면은 (A) 센서 모듈이 사용자의 심전도 리드 I 신호를 측정하는 증폭하여 디지털 신호로 출력하는 단계; (B) 필터부가 센서 모듈에서 측정한 심전도 리드 I 신호를 필터링하여 R 정점이 강조된 필터링된 신호를 출력하는 단계; (C) 특징점 추출부가 상기 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대하여 R정점간을 주기로 하여 한 주기에 대한 다수개의 특징점으로 이루어진 검증 데이터를 추출하는 단계; 및 (D) 분류부가 상기 특징점 추출부에서 추출한 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대한 검증 데이터와 등록된 학습 데이터를 비교하여 개인 식별을 수행하는 단계를 포함한다.
또한, 본 발명의 다른 측면은 상기 (A) 단계 이후에, (E) 전처리부가 상기 센서 모듈에서 측정된 심전도 리드 I신호에서 기저선 잡음을 제거하여 상기 필터부로 제공하는 단계를 더 포함한다.
또한, 본 발명의 다른 측면의 상기 (A) 단계는 (A-1) 센서 모듈이 상기 사용자의 심전도 리드 I 신호를 측정하는 단계: (A-2) 센서 모듈이 측정한 심전도 리드 I 신호를 증폭하여 출력하는 단계; 및 (A-3) 센서 모듈이 아날로그 신호를 디지털 신호로 변환하여 출력하는 단계를 포함한다.
또한, 본 발명의 다른 측면의 상기 (B) 단계는 (B-1) 필터부가 상기 센서 모듈에서 측정한 심전도 리드 I 신호에서 구간별 잡음을 제거하여 필터링된 제1 신호를 생성하여 출력하는 단계; (B-2) 필터부가 필터링된 제1 신호에 대하여 고주파 잡음을 제거한 필터링된 제2 신호를 출력하는 단계; (B-3) 필터부가 필터링된 제2 신호를 평균화하여 완만하게 된 필터링된 제3 신호를 출력하는 단계; 및 (B-4) 필터부가 필터링된 제3 신호에서 R 정점이 강조된 필터링된 제4 신호를 출력하는 단계를 포함한다.
또한, 본 발명의 다른 측면의 상기 특징점 추출부가 사용하는 신호는 센서 모듈에서 출력되는 심전도 리드 I 신호와, 상기 필터링된 제1 신호와, 상기 필터링된 제2 신호와, 상기 필터링된 제3 신호 및 상기 필터링된 제4 신호이며, R 정점간을 한 주기로 하여 P개 분할하여 S 주기에 대하여 M개의 특징점을 추출할 때 5M으로 이루어진 특징점으로 구성된 검증 데이터를 추출한다.
또한, 본 발명의 다른 측면의 상기 분류부는 사용자 등록 과정에 의해 S+3의 주기에 대하여 추출한 특징점으로 이루어진 학습 데이터를 이용한다.
또한, 본 발명의 다른 측면의 상기 분류부는 서포트 벡터 머신(support vector machine, SVM)을 사용하여 학습된 데이터에 기반하여 검증 데이터를 분류하여 개인 식별을 수행한다.
본 발명에서는 단 채널 심전도 리드 I 신호를 이용하기 때문에 구성이 간단하고 개인 식별률이 향상되는 효과를 얻을 수 있다.
또한, 사용자 확인을 위해 기존 방식인 패스워드, 전자키 방식은 휘발성이 강하고 분실시 대책이 없는 단점들이 있으며, 본 발명에 따른 개인 식별 장치는 생체 정보를 이용하여 개인 인증 및 식별하기 때문에 편의성과 보안성에 강하다.
또한, 최근 모든 서비스를 데이터로 치환하여 맞춤형, 개인형 서비스로 탈바꿈하여 제공하는 ICT(Information and Communications Technologies)기술이 대두고 있는 시점에서 웨어러블 기기(wearable device)에 쉽게 적용할 수 있는 심전도를 이용하여 개인을 식별하기 때문에 시장성에 있어 우수하다.
도 1은 본 발명의 일 실시예에 따른 개인 식별 장치가 사용되는 장치들을 보여주는 도면이다.
도 2는 본 발명의 바람직한 일 실시 예에 따른 개인 식별 장치의 구성도이다.
도 3은 일반적인 심전도 측정법의 예를 나타낸 도면이다.
도 4는 도 2의 센서 모듈의 구성도이다.
도 5a 내지 5e는 센서 모듈의 출력 신호와 필터부의 출력 신호를 보여주는 예시도이다.
도 6은 디지털 필터를 통과한 신호를 보여주는 도면이다.
도 7은 도 1의 필터부의 상세 구성도이다.
도 8은 도 1의 특징점 추출부의 구성도이다.
도 9a 내지 9c는 특징점 추출부의 출력 신호를 보여주는 도면이다.
도 10은 임계 필터를 통과한 신호를 보여주는 도면이다.
도 11은 한 주기를 분할하는 과정을 보여주는 도면이다.
도 12는 분류부에서 학습 데이터에 따라 검증 데이터르 분류하는 과정을 보여주는 개념도이다.
도 13은 본 발명의 바람직한 일 실시 예에 따른 개인 식별 방법의 흐름도이다.
도 14는 본 발명에 따른 식별률을 보여주는 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 이하에서는 특정 실시예들을 첨부된 도면을 기초로 상세히 설명하고자 한다.
본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
도 1은 본 발명의 일 실시예에 따른 개인 식별 장치가 사용되는 장치들을 보여주는 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 개인 식별 장치가 사용되는 장치는 웨어러블 기기(10)와 이에 연동된 사용자 기기(20)가 있다.
상기 웨어러블 기기(10)는 스마트폰이나 태블릿과 무선으로 연동해 사용하는 안경이나 손목 시계, 밴드형 기기를 포함한다.
그리고, 사용자 기기(20)는 Wibro(Wireless Broadband Internet) 단말, PDA(Personal Digital Assistant), 스마트폰(Smartphone) 등과 같이 통신 기능이 포함될 수 있는 휴대용 단말, 핸드 헬드 PC(Hand-Held PC), 노트북, 랩톱(laptop), 데스크톱(desktop) 등과 같은 컴퓨터, MP3 플레이어, MD 플레이어 등과 같은 휴대 단말기 등과 같은 모든 종류의 핸드 헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
이와 같은 웨어러블 기기(10)는 들어온 심전도 리드 I 신호의 R 정점 주기를 이용하여 개인을 식별하게 되며 이에 따라 사용자 기기(20)로부터 기존과 같은 서비스를 이용할 수 있다.
이는 사용자 기기(20)가 다른 사용자에게 노출되거나 강제로 사용되지 않게 해줌으로써 개인정보 보호 역할을 해준다.
그리고, 사용자의 심전도를 측정하고 개인 식별하는 시간의 최소화함에 따라 사용자가 불편함을 느끼지 않고 편리하게 동일한 사용자 기기(20)를 이용할 수 있다.
또한, 웨어러블 기기(20)는 항상 입거나 착용하기 때문에 시간에 대한 제약은 받지 않는다.
한편, 도 2는 본 발명의 바람직한 일 실시 예에 따른 개인 식별 장치의 구성도이다.
도 2를 참조하면, 본 발명의 바람직한 일 실시 예에 따른 개인 식별 장치는 센서 모듈(100), 전처리부(200), 필터부(300), 특징점 추출부(400) 및 분류부(500)를 포함한다.
상기 센서 모듈(100)은 사용자로부터 심전도 리드 I 신호를 측정한다.
심전도 신호(ECG, Electrocardiography, 또는 Electrocardiogram)란 심장에서 발생한 전기적 신호를 피부에 부착한 전극을 통해 기록한 신호를 말한다. 상기 심전도 신호는 한 주기(period)의 심장의 전기적 활동에 의한 전기적 신호이다. 그리고 상기 심전도 신호는 신체의 표면에 부착된 적어도 하나의 전극(electrode)과 신체 외부의 장치에 의해 측정될 수 있다.
이와 같은 심전도는 도 3에 나타난 바와 같이 측정 부위나 전극의 수에 따라 양손(제1유도), 오른손과 왼발(제2유도), 왼손과 왼발(제3유도)의 표준유도외 흉부유도, 단극유도 등이 있다. 본 발명에서는 리드 I 신호를 이용한다.
상기 센서 모듈(100)은 도 4에 도시된 바와 같이 심전도측정 센서(110)와, 증폭기(120) 및 컨버터(130)를 포함한다.
상기 센서모듈(100)에 포함된 심전도 측정 센서(110)는 사용자의 심전도 리드 I 신호를 측정하여 출력하며, 상기 심전도 신호를 측정할 수 있는 신체의 표면에 부착된 적어도 하나의 전극(electrode) 또는 신체 외부의 장치를 포함할 수 있다.
그리고, 증폭기(120)는 상기 심전도 측정 센서(110)에서 측정된 심전도 신호를 증폭시켜 출력한다.
다음으로, 컨버터(130)는 증폭기(120)에서 출력되는 증폭된 아날로그 신호를 디지털 신호로 변환시켜 출력한다.
한편, 전처리부(200)는 전처리 과정으로 상기 심전도 신호의 기저선 잡음을 제거하여 출력한다. 이를 위하여 전처리부(200)는 기저선 잡음을 제거할 수 있는 고주파수 차단을 갖는 버터워드 고역 통과 필터(Butterworth High pass filter)를 포함하여 도 5a에 도시된 바와 같이 전체적인 파형을 0점에 맞추도록 한다.
다음으로, 필터부(300)는 센서 모듈에서 측정한 심전도 리드 I 신호를 필터링하여 R 정점이 강조된 필터링된 신호를 출력한다.
이와 같은 필터부(300)는 필터 과정을 통해 추가적인 4개의 신호를 얻게 된다. 여기에서, 필터부(300)는 원하는 형태의 신호 파형만 통과시키고 원하지 않는 파형을 걸러 내는 역할을 한다.
리드 파형을 이용하여 다양한 파형으로 변조시킴으로써 시간에 대한 고정 값을 변형 시키고 리드 파형의 동일한 시간대에 새로운 특징을 추출할 수 있게 된다.
그래서 필터부(300)는 입력신호를 도 7에 도시된 바와 같이, 4개의 필터 (a) 디지털 필터(1-D)(310), (b)저역 통과 필터(320), (c)평균 필터(330), (d)임계 필터(340)를 통해 새로운 파형으로 통과시킨다.
상기 디지털 필터(310)는 아래 수학식 1과 같은 전달 함수를 사용하는 필터로 구간별 잡음을 제거하여 필터링된 제1 신호를 생성하여 출력한다.
여기에서, 전달함수 H(z)는 행렬의 행이나 열을 필터링하게 된다.
a(t)는 시간 함수의 식, b(t)는 전압 함수의 식이 된다. z는 복소수로써 시간에 대한 불연속인 함수를 무한 수열의 합을 만들어 준다.
(수학식 1)
Figure pat00001
입력 신호의 이상적인 변형 함수로써 일정 구간마다 변화량을 줄이게 되며, 이때 얻어지는 파형이 도 5b에 도시되어 있으며 그 상세한 파형이 도 6에 도시되어 있다.
다음으로, 저역 통과 필터(320)는 주파수의 저역 부분을 통과시키는 필터로써 0<f<fc의 주파수 범위를 출력하며 고주파 잡음을 제거한 필터링된 제2 신호를 출력한다.
경계의 주파수 fc는 차단 주파수로 60Hz이상의 주파수를 주어 차단시킨다.
이와 같은 저역 통과 필터(320)의 출력이 도 5c에 도시되어 있다.
한편, 저역 통과 필터(320)에서 추출된 신호는 다시 평균 필터(330)를 거치며 전체적인 신호를 평균화하여 좀더 부드럽게 만들어 주어 완만하게 필터링된 제3 신호를 출력한다.
평균필터(330)로 미디언 필터를 사용했으며 비선형 디지털 필터 기술로 신호로부터 신호 잡음을 제거하는 데 자주 사용한다. 이때, 얻어지는 파형이 도 5d에 도시되어 있다.
다음으로, 임계 필터(340)를 사용하여 강조되고 있는 R파 정점을 더욱 강조한 필터링된 제4 신호를 생성하여 출력한다.
이를 위하여 임계 필터(340)는 세제곱 처리한다. R파 정점을 제외한 신호는 감쇄되어 비교적 그 크기가 작기 때문에 세제곱 처리를 하게 되면 잡음 성분들에 비해 R파 정점의 크기가 급격히 커지게 되므로 신호 대 잡음 비를 높일 수 있다.
한편, 특징점 추출부(300)는 센서 모듈(100)을 통과한 심전도 리드 I 신호와 상기 필터부(300)를 통과한 필터링된 신호에서 R 정점을 추출한 후에 R 정점간을 다수개 분할하여 다수개의 특징점으로 이루어진 검증 데이터를 추출한다.
이때, 특징점 추출부(300)는 하나의 파형에 대하여 R 정점간을 한 주기로 하여 P개 분할하여 S 주기에 대하여 M개의 특징점을 추출할 수 있으며 이때 (P+1)*S=M이 된다.
여기에서, P는 자연수로 1 내지 10일 수 있으며, 8이 가장 바람직하다. 그리고, S 주기는 자연수로 1 내지 10일 수 있으며 4가 가장 바람직하다. 다만 S 주기는 등록 과정을 통하여 학습 데이터를 생성할 때에는 S 주기는 자연수로 1 내지 10일 수 있으며 바람직하게 7일 수 있다. 이처럼 본 발명에서는 가장 바람직하게 R 정점간을 8개 분할하여 한 주기에 대하여 9개의 특징점을 추출하며 등록 과정에서는 7개의 주기를, 그리고 검증 데이터를 생성할 때에는 4개의 주기를 이용한다.
이때, 특징점 추출부(300)가 사용하는 파형(즉 신호)은 센서 모듈(100)에서 출력되는 심전도 리드 I 신호와, 상기 디지털 필터(310)에서 출력되는 필터링된 제1 신호와, 상기 저역 통과 필터(320)에서 출력되는 필터링된 제2 신호와, 상기 평균 필터(330)에서 출력되는 필터링된 제3 신호 및 상기 임계 필터(340)에서 출력되는 필터링된 제4 신호로 5개가 된다.
따라서, 특징점 추출부(300)는 R 정점간을 한 주기로 하여 P개 분할하여 S 주기에 대하여 M개의 특징점을 추출할 수 있으며 (P+1)*S=M가 되며 이에 5개의 파형에 대하여 이와 같은 특징점을 추출하기 때문에 5를 곱하여 5M개의 특징점으로 이루어진 검증 데이터를 추출하게 된다.
바람직하게 본 발명에서는 사용자 등록 과정에서는 7개의 주기를 사용하고, 한 주기에 대하여 8 분할하기 때문에 315개의 특징점으로 이루어진 학습 데이터를 얻게 되며, 개인 식별 과정에서는 4개의 주기를 사용하고, 한 주기에 대하여 8분할하기 때문에 180개로 이루어진 검증 데이터를 사용한다.
이와 같은 특징점 추출부(300)는 도 8에 도시된 바와 같이 정점 추출기(410), 주기 설정기(420), 특징점 추출기(430)으로 이루어져 있다.
상기 정점 추출기(410)는 문턱값 TH를 이용하여 센서 모듈(100)을 통과한 신호와 상기 필터부(300)에서 입력되는 4개의 신호의 R 정점을 추출하며, 그 결과를 도 9a가 보여주고 있다.
이때, 아래 수학식 2와 같이 문턱 값 TH는 세제곱 처리된 신호를 입력신호를 x(t)라 하고 k는 상수, w는 차원의 크기라면, 다음 아래와 같은 식으로 산출된다.
(수학식 2)
Figure pat00002
입력신호의 전력을 구하고 상수 배 한다는 의미를 갖기 때문에 입력 신호에 적응하며 변화하게 된다. 이후 5개의 파형들의 R파 정점 들을 추출해 낸다.
도 10은 심전도의 QRS complex구간에서 R파 정점을 고유한 정보의 성분으로 분리해 내는 개념을 보여준다. 이는 R파 정점이 심전도에서 가장 큰 수이기 때문에 임계값(Threshold)을 주어 R파 정점을 추출한다. 특히 본 발명에서 제안한 R파 정점 추출 알고리즘은 심전도 파형에서 특유의 주기를 설정하는데 사용한다.
다음으로, 주기 설정기(420)는 R파 정점간에 주기를 설정하며 그 결과를 도 9b가 보여주고 있다. 이후의 다수개의 파형들의 기준점을 R파 정점부터 시작하게 만들어 주고 다음 R파 정점까지를 주기로 설정한다. 도 9b에서는 5개의 파형의 주기를 설정하는 결과를 보여준다.
그리고, 특징점 추출기(430)는 R파 정점간에 한 주기에 대하여 다수개 분할한 후에 다수개의 특징점을 추출한다. 일예로 P개 분할하게 되면 P+1개의 특징점을 추출할 수 있다.
이러한 과정을 나타내는 도면이 도 9c이며, 8개로 분할하고 9개의 특징점을 추출하는 과정을 보여준다. 개인의 심전도 주기는 평균 0.7~1.2s를 나타나며 평균주기 안에서 8분할하게 된다. 한 분할 당 0.08s로 R파 정점 기준 시작으로 끝점 0.64s에서 마지막 특징을 추출하게 된다.
이와 관련하여 도 11의 (a)는 센서 모듈을 통과한 신호에 대하여 8개로 분할하여 9개의 특징점을 추출하는 과정을 보여주고, 도 11의 (b)는 디지털 필터를 통과한 필터링된 제1 신호에 대하여 8개로 분할하여 9개의 특징점을 추출하는 과정을 보여주며, 도 11의 (c)는 저역 통과 필터를 통과한 필터링된 제2 신호에 대하여 8개로 분할하여 9개의 특징점을 추출하는 과정을 보여주고, 도 11의 (d)는 평균 필터를 통과한 필터링된 제3 신호에 대하여 8개로 분할하여 9개의 특징점을 추출하는 과정을 보여주며, 도 11의 (e)는 임계 필터를 통과한 필터링된 제4 신호에 대하여 8개로 분할하여 9개의 특징점을 추출하는 과정을 보여준다.
이처럼 시작 R파 정점을 기준으로 일정하게 8등분으로 분할하여 한 파형에 한 주기당 9개 특징 데이터를 획득하게 되면, 5개의 파형마다 한 주기에서 각각 특징 9개씩 합하여 총 45개의 특징을 추출하게 된다.
한편, 분류부(500)는 이와 같은 과정을 통하여 사용자 등록 과정에서 학습된 데이터를 형성하고, 동일한 과정을 통하여 실시간으로 측정된 특징점 데이터를 상기 학습된 데이터에 기반하여 분류하여 개인 식별을 수행한다.
상기 분류부(500)는 서포트 벡터 머신(support vector machine, SVM)을 사용하여 학습된 데이터에 기반하여 측정된 특징점 데이터를 분류하여 개인 식별을 수행한다.
상기 서포트 벡터 머신은 기계 학습의 분야 중 하나로 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용한다.
이와 같은 서포트 벡터 머신은 선형 분류와 더불어 비선형 분류에서도 사용될 수 있다.
비선형 분류를 하기 위해서 주어진 데이터를 고차원 특징 공간으로 사상하는 작업이 필요한데, 이를 효율적으로 하기 위해 커널 트릭을 사용하기도 한다.
데이터를 분류하는 초평면은 여러 경우가 나올 수 있다. 초평면을 선택하는 타당한 방법 중 하나는 두 클래스 사이에서 가장 큰 분류 또는 마진(margin)을 가지는 초평면을 선택하는 것이다.
본 발명에서는 비선형 초평면을 사용한 가우시안 방사 기저함수 (Gaussian radial basis function) 커널를 적용하여 특징 공간은 무한 차원으로 만들었다.
학습데이터 특징 다수개가 비선형 초평면을 이루고 개인을 식별하기 위해 검증데이터 특징 다수개가 초평면에 의해 식별하게 된다.
일예로, 학습데이터 특징은 R정점간 7개 주기에 대하여 5개 파형을 고려하여 315개가 비선형 초평면을 이루고 개인을 식별하기 위해 검증데이터 특징은 R 정점간 4 주기에 대하여 5개의 파형을 고려하여 180개가 초평면에 의해 식별하게 할 수 있다.
즉, 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S-3개를 선택할 수 있다. 물론, 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S-2개를 선택할 수 있으며, 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S-1개를 선택할 수 있고, 또는 동일하게 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S개를 선택할 수도 있다.
물론 이와 다르게, 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S-4개 또는 S-5개를 선택할 수도 있다.
이러한 분류부(500)에 의한 분류의 과정을 개념적으로 도 12가 보여주고 있다.
도 13은 본 발명의 일 실시 예에 따른 개인 식별 방법의 흐름도이다.
도 13을 참조하면, 본 발명의 바람직한 일 실시 예에 따른 개인 식별 방법은 먼저, 센서 모듈이 사용자로부터 심전도 리드 I 신호를 측정한다(S100).
이와 같은 상기 센서 모듈은 포함된 심전도 측정 센서를 이용하여 상기 심전도 신호를 측정한다.
그리고, 상기 센서 모듈에 포함된 증폭기는 상기 심전도 측정 센서에서 측정된 심전도 신호를 증폭시켜 출력한다.
다음으로, 상기 센서 모듈에 포함된 컨버터는 증폭기에서 출력되는 증폭된 아날로그 신호를 디지털 신호로 변환시켜 출력한다.
한편, 전처리부는 전처리 과정으로 상기 심전도 신호의 기저선 잡음을 제거하여 출력한다(S110). 이를 위하여 전처리부는 기저선 잡음을 제거할 수 있는 고주파수 차단을 갖는 버터워드 고대역 필터(Butterworth High pass filter)를 포함하여 전체적인 파형을 0점에 맞추도록 한다.
다음으로, 필터부는 필터 과정을 통해 R 정점이 강조된 필터링된 신호를 얻게 되며 센서 모듈에서 출력되는 심전도 리드 I 신호에 더해 추가적인 4개의 신호를 얻게 된다.
상기 필터부는 포함된 디지털 필터를 이용하여 구간별 잡음이 제거된 필터링된 제1 신호를 생성한다.
다음으로, 필터부는 포함된 주파수의 저역 부분을 통과시키는 저역 통과 필터을 사용하여 0<f<fc의 주파수 범위를 출력하며 고주파 잡음을 제거한 필터링된 제2 신호를 생성한다.
한편, 저역 통과 필터에서 추출된 신호는 다시 평균 필터를 거치며 전체적인 신호를 좀더 부드럽게 만들어 준 필터링된 제3 신호를 생성한다.
다음으로, 임계 필터를 사용하여 강조되고 있는 R파 정점을 더욱 강조한 필터링된 제4 신호를 생성한다.
이를 위하여 임계 필터는 세제곱 처리한다. R파 정점을 제외한 신호는 감쇄되어 비교적 그 크기가 작기 때문에 세제곱 처리를 하게 되면 잡음 성분들에 비해 R파 정점의 크기가 급격히 커지게 되므로 신호 대 잡음 비를 높일 수 있다.
다음으로, 특징점 추출부는 센서 모듈을 통과한 신호와 상기 필터부의 각각의 필터를 통과한 5개 신호에서 R 정점을 추출한 후에 정점간을 P개 분할 한 후에 각각 파형의 S 주기에 대하여 5M개의 특징점을 추출한다(S130). 본 발명에서는 일예로 R 정점간을 8개 분할하여 9개의 특징점을 추출한다. 여기에서는 이용되는 신호를 바람직하게 5개의 신호이며 센서 모듈을 통과한 신호와 필터부에서 입력되는 4개의 신호를 포함한다.
그리고, 정점간의 P개의 분할은 바람직하게 8개이며, 각각 파형의 S주기는 학습 데이터를 7개의 주기이고, 검증 데이터를 4개의 주기를 의미한다.
또한, 5M개의 특징점은 정점간을 P개 분할 한 후에 S주기에 대하여 5*(P+1)*S*N=5M개로서 학습 데이터의 경우는 315개이며, 검증 데이터를 36*5=180개이다.
이를 위하여 특징점 추출부에 포함된 정점 추출기는 문턱값 TH를 이용하여 센서 모듈을 통과한 신호와 상기 필터부에서 입력되는 4개의 신호의 R 정점을 추출한다.
다음으로, 특징점 추출부에 포함된 주기 설정기는 R파 정점간에 주기를 설정한다. 이후의 다수개의 파형들의 기준점을 R파 정점부터 시작하게 만들어 주고 다음 R파 정점까지를 주기로 설정한다.
그리고, 특징점 추출부의 특징점 추출기는 R파 정점간에 한 주기에 대하여 다수개 분할한 후에 다수개의 특징점을 추출한다.
한편, 분류부는 이와 같은 과정을 통하여 등록 과정에서 학습된 데이터를 형성하고, 동일한 과정을 통하여 실시간으로 측정된 특징점 데이터를 상기 학습된 데이터에 기반하여 분류하여 개인 식별을 수행한다(S140).
상기 분류부는 서포트 벡터 머신(support vector machine, SVM)을 사용하여 학습된 데이터에 기반하여 측정된 특징점 데이터를 분류하여 개인 식별을 수행한다.
학습데이터 특징 다수개가 비선형 초평면을 이루고 개인을 식별하기 위해 검증데이터 특징 다수개가 초평면에 의해 식별하게 된다.
일예로, 학습데이터 특징은 R정점간 7개 주기에 대하여 5개 파형을 고려하여 315개가 비선형 초평면을 이루고 개인을 식별하기 위해 검증데이터 특징은 R 정점간 4 주기에 대하여 5개의 파형을 고려하여 180개가 초평면에 의해 식별하게 할 수 있다.
즉, 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S-3개를 선택할 수 있다. 물론, 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S-2개를 선택할 수 있으며, 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S-1개를 선택할 수 있고, 또는 동일하게 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S개를 선택할 수도 있다.
물론 이와 다르게, 학습 데이터를 R 정점간의 S개 주기를 선택하였다면, 검증 데이터를 S-4개 또는 S-5개를 선택할 수도 있다.
한편, 본 발명의 우수한 효과를 확인하기 위해 전술한 내용을 기반으로 다음과 같은 조건으로 실험은 진행하였다.
개인 식별을 위한 특징들을 추출하기 위해 심전도 주기를 QRS complex구간에 나타나는 R파 정점의 기준으로 설정 하였고 일정한 간격으로 8등분 분할로 9개의 특징을 추출하였다.
학습 데이터는 7개의 주기씩 15명을 모델화 시켜 검증 데이터를 한 명씩 돌아가면서 실험을 진행 하였다.
데이터는 한사람당 한 개씩 사용 하였다. 개인 식별을 위한 특징들을 추출하기 위해 심전도 주기를 QRS complex구간에 나타나는 R파 정점의 기준으로 설정 하였고 일정한 간격으로 8등분 분할로 9개의 특징을 추출하였다.
검증 데이터는 4개의 주기로 구성하였고 특징수는 학습 데이터보다 적은 180개로 구성하여 SVM으로 최종 분류하였다.
Training data Experiment data
사람 수 15 15
데이터 수 1 1
주기 7 4
시간 7 4
특징 수 315 180
분류기 SVM - RBF Kernel
도 13은 학습 데이터 구성에 따른 개인 식별률 변화를 나타낸다. 변조한 파형들이 추가될수록 정확도가 높아졌고 개인 식별 율 98.9%의 실험 결과가 나왔다.
반대로 4개의 주기의 클래스(class)를 다른 피험자로 바꿨을 시 다른 피험자를 맞추는 결과가 나왔다.
제안한 방법은 심전도의 원 신호를 다른 신호로 변조함으로써 동일한 시간에 대한 데이터를 고유한 값으로 변형시켜주기 때문에 더 많은 데이터로 만들 수 있다.
기존의 다 채널을 이용하여 개인 식별하는 방법에 비해 단 채널 리드신호만을 이용하여 높은 개인 식별율의 결과가 나온 장점이 있다.
10 : 웨어러블 기기 20 : 사용자 기기
100 : 센서 모듈 110 : 심전도 측정 센서
120 : 증폭기 130 : 컨버터
200 : 전처리부 300 : 필터부
310 : 디지털 필터 320 : 저역통과 필터
330 : 평균 필터 340 : 임계 필터
400 : 특징점 추출부 410 : 정점 추출기
420 : 주기 설정기 430 : 특징점 추출기
500 : 분류부

Claims (16)

  1. 사용자의 심전도 리드 I 신호를 측정하는 증폭하여 디지털 신호로 출력하는 센서 모듈;
    센서 모듈에서 측정한 심전도 리드 I 신호를 필터링하여 R 정점이 강조된 필터링된 신호를 출력하는 필터부;
    상기 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대하여 R정점간을 주기로 하여 한 주기에 대한 다수개의 특징점으로 이루어진 검증 데이터를 추출하는 특징점 추출부; 및
    상기 특징점 추출부에서 추출한 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대한 검증 데이터와 등록된 학습 데이터를 비교하여 개인 식별을 수행하는 분류부를 포함하는 개인 식별 장치.
  2. 청구항 1항에 있어서,
    상기 센서 모듈에서 측정된 심전도 리드 I신호에서 기저선 잡음을 제거하여 상기 필터부로 제공하는 전처리부를 더 포함하는 개인 식별 장치.
  3. 청구항 1항에 있어서,
    상기 전처리부는 버터워드 고역 통과 필터인 개인 식별 장치.
  4. 청구항 1항에 있어서,
    상기 센서 모듈은
    상기 사용자의 심전도 리드 I 신호를 측정하는 심전도 측정 센서;
    상기 심전도 측정 센서에서 측정한 심전도 리드 I 신호를 증폭하여 출력하는 증폭기; 및
    상기 증폭기에서 출력한 아날로그 신호를 디지털 신호로 변환하여 출력하는컨버터를 포함하는 개인 식별 장치.
  5. 청구항 1항에 있어서,
    상기 필터부는
    상기 센서 모듈에서 측정한 심전도 리드 I 신호에서 구간별 잡음을 제거하여 필터링된 제1 신호를 생성하여 출력하는 디지털 필터;
    필터링된 제1 신호에 대하여 고주파 잡음을 제거한 필터링된 제2 신호를 출력하는 저역 통과 필터;
    필터링된 제2 신호를 평균화하여 완만하게 된 필터링된 제3 신호를 출력하는 평균 필터; 및
    필터링된 제3 신호에서 R 정점이 강조된 필터링된 제4 신호를 출력하는 임계 필터를 포함하는 개인 식별 장치.
  6. 청구항 5항에 있어서,
    상기 특징점 추출부가 사용하는 신호는 센서 모듈에서 출력되는 심전도 리드 I 신호와, 상기 필터링된 제1 신호와, 상기 필터링된 제2 신호와, 상기 필터링된 제3 신호 및 상기 필터링된 제4 신호이며, R 정점간을 한 주기로 하여 P개 분할하여 S 주기에 대하여 M개의 특징점을 추출할 때 5M으로 이루어진 특징점으로 구성된 검증 데이터를 추출하는 개인 식별 장치.
  7. 청구항 5항에 있어서,
    상기 분류부는 사용자 등록 과정에 의해 S+3의 주기에 대하여 추출한 특징점으로 이루어진 학습 데이터를 이용하는 개인 식별 장치.
  8. 청구항 1항에 있어서,
    상기 특징점 추출부는
    센서 모듈을 통과한 신호와 필터부를 통과한 신호에서 R 정점을 추출하는 정점 추출기;
    R파 정점간에 주기를 설정하는 주기 설정기; 및
    R파 정점간에 한 주기에 대하여 다수개 분할한 후에 다수개의 특징점을 추출하는 특징점 추출기를 포함하는 개인 식별 장치.
  9. 청구항 1항에 있어서,
    상기 분류부는 서포트 벡터 머신(support vector machine, SVM)을 사용하여 학습된 데이터에 기반하여 검증 데이터를 분류하여 개인 식별을 수행하는 개인 식별 장치.
  10. (A) 센서 모듈이 사용자의 심전도 리드 I 신호를 측정하는 증폭하여 디지털 신호로 출력하는 단계;
    (B) 필터부가 센서 모듈에서 측정한 심전도 리드 I 신호를 필터링하여 R 정점이 강조된 필터링된 신호를 출력하는 단계;
    (C) 특징점 추출부가 상기 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대하여 R정점간을 주기로 하여 한 주기에 대한 다수개의 특징점으로 이루어진 검증 데이터를 추출하는 단계; 및
    (D) 분류부가 상기 특징점 추출부에서 추출한 센서 모듈에서 출력되는 심전도 리드 I 신호와 상기 필터부를 통과한 필터링된 신호에 대한 검증 데이터와 등록된 학습 데이터를 비교하여 개인 식별을 수행하는 단계를 포함하는 개인 식별 방법.
  11. 청구항 10항에 있어서,
    상기 (A) 단계 이후에,
    (E) 전처리부가 상기 센서 모듈에서 측정된 심전도 리드 I신호에서 기저선 잡음을 제거하여 상기 필터부로 제공하는 단계를 더 포함하는 개인 식별 방법.
  12. 청구항 10에 있어서,
    상기 (A) 단계는
    (A-1) 센서 모듈이 상기 사용자의 심전도 리드 I 신호를 측정하는 단계:
    (A-2) 센서 모듈이 측정한 심전도 리드 I 신호를 증폭하여 출력하는 단계; 및
    (A-3) 센서 모듈이 아날로그 신호를 디지털 신호로 변환하여 출력하는 단계를 포함하는 개인 식별 방법.
  13. 청구항 1항에 있어서,
    상기 (B) 단계는
    (B-1) 필터부가 상기 센서 모듈에서 측정한 심전도 리드 I 신호에서 구간별 잡음을 제거하여 필터링된 제1 신호를 생성하여 출력하는 단계;
    (B-2) 필터부가 필터링된 제1 신호에 대하여 고주파 잡음을 제거한 필터링된 제2 신호를 출력하는 단계;
    (B-3) 필터부가 필터링된 제2 신호를 평균화하여 완만하게 된 필터링된 제3 신호를 출력하는 단계; 및
    (B-4) 필터부가 필터링된 제3 신호에서 R 정점이 강조된 필터링된 제4 신호를 출력하는 단계를 포함하는 개인 식별 방법.
  14. 청구항 13항에 있어서,
    상기 특징점 추출부가 사용하는 신호는 센서 모듈에서 출력되는 심전도 리드 I 신호와, 상기 필터링된 제1 신호와, 상기 필터링된 제2 신호와, 상기 필터링된 제3 신호 및 상기 필터링된 제4 신호이며, R 정점간을 한 주기로 하여 P개 분할하여 S 주기에 대하여 M개의 특징점을 추출할 때 5M으로 이루어진 특징점으로 구성된 검증 데이터를 추출하는 개인 식별 방법.
  15. 청구항 13항에 있어서,
    상기 분류부는 사용자 등록 과정에 의해 S+3의 주기에 대하여 추출한 특징점으로 이루어진 학습 데이터를 이용하는 개인 식별 방법.
  16. 청구항 10항에 있어서,
    상기 분류부는 서포트 벡터 머신(support vector machine, SVM)을 사용하여 학습된 데이터에 기반하여 검증 데이터를 분류하여 개인 식별을 수행하는 개인 식별 방법.
KR1020150168240A 2015-11-30 2015-11-30 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법 KR101760441B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150168240A KR101760441B1 (ko) 2015-11-30 2015-11-30 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150168240A KR101760441B1 (ko) 2015-11-30 2015-11-30 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20170064017A true KR20170064017A (ko) 2017-06-09
KR101760441B1 KR101760441B1 (ko) 2017-07-25

Family

ID=59219947

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150168240A KR101760441B1 (ko) 2015-11-30 2015-11-30 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101760441B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114159050A (zh) * 2021-11-12 2022-03-11 深圳数联天下智能科技有限公司 一种呼吸率监测方法、装置、设备及介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102476801B1 (ko) 2020-07-22 2022-12-09 조선대학교산학협력단 2차원 근전도 스펙트로그램 이미지를 이용한 사용자 인식 방법 및 장치
KR102517787B1 (ko) 2020-09-08 2023-04-03 조선대학교산학협력단 심전도 신호의 분할을 통한 개인식별 방법 및 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009112624A (ja) * 2007-11-08 2009-05-28 Almedio Inc 心拍測定装置
JP6435128B2 (ja) * 2013-07-26 2018-12-05 タタ・コンサルタンシー・サーヴィシズ・リミテッド 生理学的パラメータの監視

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114159050A (zh) * 2021-11-12 2022-03-11 深圳数联天下智能科技有限公司 一种呼吸率监测方法、装置、设备及介质

Also Published As

Publication number Publication date
KR101760441B1 (ko) 2017-07-25

Similar Documents

Publication Publication Date Title
Agrafioti et al. Heart biometrics: Theory, methods and applications
Jang et al. EEG-based video identification using graph signal modeling and graph convolutional neural network
Chun et al. ECG based user authentication for wearable devices using short time Fourier transform
Pathoumvanh et al. Robustness study of ECG biometric identification in heart rate variability conditions
CN110059564B (zh) 基于功率谱密度和互相关熵谱密度融合的特征提取方法
Moctezuma et al. EEG-based Subjects Identification based on Biometrics of Imagined Speech using EMD
Donida Labati et al. Biometric recognition of PPG cardiac signals using transformed spectrogram images
Guven et al. Biometric identification using fingertip electrocardiogram signals
KR101760441B1 (ko) 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법
Lai et al. Arrangements of resting state electroencephalography as the input to convolutional neural network for biometric identification
Kumari et al. Brainwave's energy feature extraction using wavelet transform
Ghare et al. Human emotion recognition using non linear and non stationary EEG signal
Monsy et al. EEG‐based biometric identification using frequency‐weighted power feature
Bashar ECG and EEG based multimodal biometrics for human identification
CN113918912A (zh) 一种基于脑纹识别的身份认证方法、系统、设备及介质
Mesin et al. A low cost ECG biometry system based on an ensemble of support vector machine classifiers
Puri et al. Wavelet packet sub-band based classification of alcoholic and controlled state EEG signals
Rastgoo et al. Improving decoding of the mental activities in bci systems using overlapping fbcsp
Baziyad et al. A study and performance analysis of three paradigms of wavelet coefficients combinations in three-class motor imagery based BCI
Alpturk et al. Analysis of relation between motor activity and imaginary EEG records
Ba-Hammam et al. Authentication using ECG signals
Saha et al. Data adaptive filtering approach to improve the classification accuracy of motor imagery for BCI
Ramachandra et al. ECG-Based Personal Identification System
Wang et al. STERLING: towards effective ECG biometric recognition
Vélez et al. Algorithm for Detection of Raising Eyebrows and Jaw Clenching Artifacts in EEG Signals Using Neurosky Mindwave Headset

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