KR20170082440A - 심전도 인증 방법 및 장치 - Google Patents

Abstract

심전도 인증 방법 및 장치, 심전도 인증에 이용되는 뉴럴 네트워크 모델을 학습시키기 위한 학습 방법 및 장치가 개시된다. 심전도 인증 장치는 사용자의 심전도 신호를 획득하고, 뉴럴 네트워크 모델을 이용하여 심전도 신호의 시멘틱 특징을 추출할 수 있다. 심전도 인증 장치는 추출된 시멘틱 특징에 기초하여 사용자를 인증할 수 있다.

Description

심전도 인증 방법 및 장치{METHOD AND APPARATUS FOR ELECTROCARDIOGRAM AUTHENTICATION}

아래의 설명은 생체 신호를 이용하여 사용자를 인증하는 생체 인증 기술에 관한 것이다.

생체 인증은 홍채, 지문, 얼굴, 음성, 정맥 패턴 및 걸음걸이 등의 개인의 선천적인 생물적 특징 또는 행위 특징을 이용하여 사용자의 신분을 확인하는 것이다. 생체 인증 중에서 심전도(electrocardiogram; ECG) 인증은 심전도 신호를 이용하여 사용자의 신분을 확인하는 방식이다. 심전도 인증은 위조가 어렵고 구현에 필요한 비용이 작으며, 높은 식별력 가진다는 장점이 있다.

일 실시예에 따른 심전도 인증 방법은, 사용자의 심전도(electrocardiography, ECG) 신호를 획득하는 단계, 뉴럴(neural) 네트워크 모델을 이용하여 상기 획득된 심전도 신호의 시멘틱 특징을 추출하는 단계 및 상기 추출된 시멘틱 특징에 기초하여 상기 사용자를 인증하는 단계를 포함할 수 있다.

상기 심전도 인증 방법은, 상기 시멘틱 특징을 추출하기 전에 상기 심전도 신호를 전처리하는 단계를 더 포함하고, 상기 전처리하는 단계는, 필터를 이용하여 상기 획득된 심전도 신호를 필터링하는 단계, 상기 뉴럴 네트워크 모델에 대응하는 기준점에 기초하여, 상기 필터링된 심전도 신호에서 적어도 하나의 기준점(fiducial point)을 검출하는 단계 및 상기 적어도 하나의 기준점에 기초하여 상기 필터링된 심전도 신호로부터 데이터 세그먼트를 획득하는 단계를 포함할 수 있다.

상기 획득된 심전도 신호의 시멘틱 특징을 추출하는 단계는, 상기 뉴럴 네트워크 모델을 이용하여 상기 데이터 세그먼트로부터 시멘틱 특징을 추출할 수 있다.

상기 적어도 하나의 기준점은, 상기 필터링된 심전도 신호의 피크점(peak point) 및 상기 피크점에 인접한 하나 이상의 극소점들 중 적어도 하나를 포함할 수 있다.

상기 인증하는 단계는, 상기 추출된 시멘틱 특징에 기초하여 상기 심전도 신호와 미리 정의된 특징 간의 유사도를 계산하는 단계; 및 상기 유사도와 임계 값 간의 비교 결과에 기초하여 인증 성공 또는 인증 실패를 결정하는 단계를 포함할 수 있다.

상기 뉴럴 네트워크 모델은, 심전도 학습 데이터에 기초한 딥러닝(deep learning) 방식으로 학습(training)된 시멘틱 특징 추출 모델일 수 있다.

일 실시예에 따른 비일시적인(non-transitory) 컴퓨터 판독 가능한 저장 매체 는 컴퓨팅 하드웨어가 심전도 인증 방법을 실행하도록 하는 인스트럭션들을 저장할 수 있다.

일 실시예에 따른 심전도 인증 장치는, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 사용자의 심전도 신호를 수신하는 동작, 뉴럴 네트워크 모델을 이용하여 상기 심전도 신호의 시멘틱 특징을 추출하는 동작 및 상기 추출된 시멘틱 특징에 기초하여 상기 사용자를 인증하는 동작을 수행할 수 있다.

일 실시예에 따른 학습 방법은, 심전도 학습 데이터를 수신하는 단계, 상기 심전도 학습 데이터를 증가시키는 단계 및 상기 증가된 심전도 학습 데이터에 기초하여 심전도 인증에 이용될 뉴럴 네트워크 모델을 학습시키는 단계를 포함할 수 있다.

상기 심전도 학습 데이터를 증가시키는 단계는, 필터를 이용하여 상기 심전도 학습 데이터를 필터링하는 단계, 상기 필터링된 심전도 학습 데이터에서 적어도 하나의 기준점(fiducial point)을 검출하는 단계 및 상기 적어도 하나의 기준점에 기초하여 상기 필터링된 심전도 학습 데이터로부터 서로 다른 길이를 가지는 복수의 데이터 세그먼트들을 획득하는 단계를 포함할 수 있다.

상기 심전도 학습 데이터를 필터링하는 단계는, 복수의 서로 다른 통과 대역을 가지는 밴드패스 필터를 이용하여 상기 심전도 학습 데이터를 필터링할 수 있다.

상기 심전도 학습 데이터를 필터링하는 단계는, 통과 대역이 고정된 밴드패스 필터를 이용하여 상기 심전도 학습 데이터를 필터링할 수 있다.

상기 적어도 하나의 기준점은, 상기 필터링된 심전도 학습 데이터의 피크점 및 상기 피크점에 인접한 하나 이상의 극소점 중 적어도 하나를 포함할 수 있다.

상기 심전도 학습 데이터를 증가시키는 단계는, 현재 데이터 세그먼트에서 기준점을 선택하는 단계, 상기 기준점에 기초하여 상기 현재 데이터 세그먼트에 오프셋을 수행하는 단계 및 상기 오프셋 수행 후의 데이터 세그먼트를 정규화하는 단계를 더 포함할 수 있다.

상기 뉴럴 네트워크 모델을 학습시키는 단계는, 상기 증가된 심전도 학습 데이터 각각에 대하여 복수의 후보 뉴럴 네트워크 모델들을 학습시키는 단계 및 상기 후보 뉴럴 네트워크 모델들에 의해 추출된 후보 시멘틱 특징의 정확도에 기초하여 상기 후보 뉴럴 네트워크 모델들 중 적어도 하나의 후보 뉴럴 네트워크 모델을 선택하는 단계를 포함할 수 있다.

상기 선택된 적어도 하나의 후보 뉴럴 네트워크 모델에 기초하여 심전도 인증을 위한 최종 뉴럴 네트워크 모델이 결정될 수 있다.

상기 뉴럴 네트워크 모델을 학습시키는 단계는, 상기 심전도 학습 데이터에 대응하는 개체를 식별하기 위한 식별 신호 및 복수의 심전도 학습 데이터가 동일한 개체에 대응하는지 여부를 식별하기 위한 인증 신호에 기초하여 상기 뉴럴 네트워크 모델을 학습시킬 수 있다.

도 1은 일 실시예에 따른 심전도 신호를 이용하여 사용자를 인증하는 일례를 도시한 도면이다.
도 2는 일 실시예에 따른 심전도 인증 방법의 동작을 도시한 흐름도이다.
도 3은 일 실시예에 따른 심전도 학습 데이터를 이용하여 뉴럴 네트워크 모델을 학습시키는 동작을 도시한 흐름도이다.
도 4a 내지 도 4e는 일 실시예에 따른 심전도 학습 데이터의 필터링 결과의 일례를 나타낸 도면들이다.
도 5는 일 실시예에 따른 심전도 학습 데이터에서 검출된 기준점을 도시한 도면이다.
도 6a 내지 도 6i는 일 실시예에 따른 기준점을 이용하여 획득된 데이터 세그먼트들을 도시한 도면들이다.
도 7a 내지 도 7d는 일 실시예에 따른 심전도 학습 데이터에 대하여 데이터 추가 처리가 수행된 결과를 도시한 도면들이다.
도 8a는 일 실시예에 따른 뉴럴 네트워크 모델을 도시한 도면이다.
도 8b는 다른 실시예에 따른 뉴럴 네트워크 모델을 도시한 도면이다.
도 9는 일 실시예에 따른 그리디 알고리즘을 이용하여 후보 뉴럴 네트워크 모델들 중 최적의 후보 뉴럴 네트워크 모델을 선택하는 동작을 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 심전도 인증 장치의 구성을 도시한 도면이다.
도 11은 일 실시예에 따른 학습 장치의 구성을 도시한 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.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시예에 따른 심전도 신호를 이용하여 사용자를 인증하는 일례를 도시한 도면이다.

심전도 인증 장치(110)는 사용자(120)의 심전도 신호에 기초하여 심전도 인증을 수행한다. 심전도 신호는 심장의 전기적 활동에 대한 정보를 포함하는 신호이고, 심전도 인증 장치(100)에 구비된 전극들을 사용자(120)의 피부에 접촉함으로써 측정될 수 있다. 심전도 인증은 사용자(120)의 신체로부터 측정된 심전도 신호에 기초하여 사용자(120)가 미리 등록된 사용자(120)인지 여부를 판단하는 과정을 포함할 수 있다. 심전도 인증은 접근 제어, 금융 거래, 공항 체크인, 헬스케어, 보안 등의 다양한 어플리케이션에 적용될 수 있다.

일 실시예에 따르면, 도 1에 도시된 것과 같이 심전도 인증 장치(110)는 웨어러블 기기(wearable device)에 포함되어 동작할 수 있다. 웨어러블 기기는 예를 들어, 시계, 팔찌, 밴드, 반지, 목걸이, 발찌 또는 허리띠 등의 다양한 형태를 가질 수 있다. 사용자(120)가 어느 한 손에 웨어러블 기기를 착용하고, 나머지 손으로 웨어러블 기기의 일 전극을 접촉하는 경우, 사용자(120)의 신체 내부에 전기적인 폐회로가 형성될 수 있다. 이러한 전기적인 폐회로에서 심장 박동에 의한 전류의 변화가 심전도의 변화로서 측정될 수 있다.

심전도 인증 장치(110)는 뉴럴 네트워크 모델(neural network model)을 이용하여 획득된 심전도 신호의 특징을 추출하고, 추출된 특징에 기초하여 인증 여부를 결정할 수 있다. 예를 들어, 심전도 인증 장치(110)는 추출된 특징과 미리 등록된 특징 간의 유사도를 계산하고, 유사도가 임계 값 이상이면 인증이 성공한 것으로 결정하고, 유사도가 임계 값 미만이면 인증이 실패한 것으로 결정할 수 있다. 뉴럴 네트워크 모델은 생물학의 신경망을 모방한 통계학적 모델로서, 학습 과정을 통해 문제 해결 능력을 가진다. 뉴럴 네트워크 모델의 파라미터들은 학습 과정을 통해 조정될 수 있다.

심전도 인증 장치(110)는 다양한 학습 데이터에 기초하여 학습된 뉴럴 네트워크 모델을 이용함으로써 사용자(120)의 고유한 생체 특징을 잘 나타내는 심전도의 특징을 획득할 수 있다. 심전도 인증 장치(110)가 획득한 심전도 신호의 특징은 학습된 뉴럴 네트워크 모델을 이용하여 추출한 특징이다. 이러한 특징은 시멘틱 특징(semantic feature)이라고 지칭될 수 있다.

이하에서는, 심전도 인증 장치에 의해 수행되는 심전도 인증 방법을 보다 자세히 설명하도록 한다.

도 2는 일 실시예에 따른 심전도 인증 방법의 동작을 도시한 흐름도이다.

도 2를 참조하면, 단계(210)에서 심전도 인증 장치(예를 들어, 도 1의 심전도 인증 장치(110) 또는 도 10의 심전도 인증 장치(1000))는 사용자의 심전도 신호를 획득할 수 있다. 예를 들어, 심전도 인증 장치는 심전도 인증 장치에 구비된 센서를 통해 심전도 신호를 획득하거나 또는 다른 기기에 의해 측정된 심전도 신호를 수신할 수 있다.

단계(220)에서, 심전도 인증 장치는 심전도 신호를 전처리할 수도 있다. 전처리 과정은 필터링, 기준점 검출 및 데이터 세그먼트 획득 단계를 포함할 수 있다. 실시예에 따르면, 심전도 인증 장치는 미리 정의된 주파수 대역만을 통과시키는 밴드패스 필터를 이용하여 심전도 신호를 필터링할 수 있다. 밴드패스 필터의 통과 주파수 대역의 특성은 심전도 신호의 시멘틱 특징을 추출하는데 이용되는 뉴럴 네트워크 모델의 학습 과정에서 결정될 수 있다. 필터링에 의해 심전도 신호에 포함된 노이즈를 제거하거나 또는 심전도 신호에서 관심이 있는 주파수 대역의 심전도 신호를 획득할 수 있다.

심전도 인증 장치는 필터링된 심전도 신호에서 하나 이상의 기준점(fiducial point)을 검출할 수 있다. 기준점은 피크점 및 피크점에 인접한 하나 이상에 극소점들 중 하나 이상을 포함할 수 있다. 기준점은 키 포인트라고도 지칭될 수 있다. 심전도 신호는 복수의 극대점들 및 극소점들을 가지는데, 이들 중 피크점을 중심으로 피크점에 인접한 극소점들이 정의된다. 필터링된 심전도 신호에서 어느 기준점을 검출할 것인지는 뉴럴 네트워크 모델의 학습 과정에서 미리 결정될 수 있다. 예를 들어, 필터링된 심전도 신호에서 피크점을 검출하거나 피크점과 인접한 극소점을 검출하는 것으로 검출될 기준점의 종류가 미리 결정될 수 있다. 복수의 기준점들이 이용되는 경우, 식별의 정확도가 보다 높아질 수 있다.

심전도 인증 장치는 검출된 하나 이상의 기준점에 기초하여, 필터링된 심전도 신호로부터 데이터 세그먼트를 획득할 수 있다. 예를 들어, 심전도 인증 장치는 필터링된 심전도 신호에서 피크점을 중심으로 미리 정의된 길이(피크점을 중심으로 하는 미리 정의된 좌우의 시간 구간)의 신호를 데이터 세그먼트로서 획득할 수 있다.

실시예에 따라, 단계(220)의 전처리 과정은 생략될 수도 있다.

단계(230)에서, 심전도 인증 장치는 뉴럴 네트워크 모델을 이용하여 심전도 신호의 시멘틱 특징을 추출할 수 있다. 뉴럴 네트워크 모델은 학습 데이터에 기초하여 미리 학습된 특징 추출 모델로서, 입력된 데이터로부터 심전도 인증에 이용될 심전도 신호의 시멘틱 특징을 출력할 수 있다. 뉴럴 네트워크 모델의 학습 과정에 대해서는 아래 도 3에서 자세히 설명한다.

실시예에 따라, 뉴럴 네트워크 모델에는 단계(220)의 전처리 과정이 수행된 심전도 신호가 입력되거나 또는 전처리 과정이 수행되지 않은 단계(210)에서 획득된 심전도 신호가 입력될 수 있다. 뉴럴 네트워크 모델은 심전도 신호 또는 전처리 과정에서 획득된 데이터 세그먼트로부터 인증에 이용될 시멘틱 특징을 추출할 수 있다.

단계(240)에서, 심전도 인증 장치는 추출된 시멘틱 특징에 기초하여 사용자를 인증할 수 있다. 심전도 인증 장치는 시멘틱 특징과 미리 정의된 등록 특징(또는 시멘틱 특징과 비교 대상이 되는 기준 특징) 간의 유사도를 계산하고, 계산된 유사도와 임계 값 간의 비교 결과에 따라 인증 결과를 인증 성공 또는 인증 실패로 결정할 수 있다. 유사도를 측정하기 위한 방법 중 일례로서, 시멘틱 특징의 벡터와 등록 특징의 벡터 간의 코사인 유사도(cosine similarity)가 이용될 수 있다. 여기서, 코사인 유사도가 클수록 시멘틱 특징과 등록 특징 간의 유사도가 크다는 것으로, 심전도 인증 장치는 코사인 유사도가 임계 값 이상이면 인증 성공으로 결정하고, 코사인 유사도가 임계 값 이하이면 인증 실패로 결정할 수 있다. 실시예에 따라, 심전도 인증 장치는 코사인 유사도 이외에 다양한 방식을 이용하여 시멘틱 특징과 등록 특징 간의 유사도를 계산할 수도 있다.

도 3은 일 실시예에 따른 심전도 학습 데이터를 이용하여 뉴럴 네트워크 모델을 학습시키는 동작을 도시한 흐름도이다.

학습 장치(예를 들어, 도 11의 학습 장치(1100))는 심전도 학습 데이터를 이용하여 심전도 인증 장치에 의해 사용될 뉴럴 네트워크 모델을 학습시킬 수 있다. 도 3을 참조하면, 단계(310)에서 학습 장치는 심전도 학습 데이터를 수신하고, 단계(320)에서 심전도 학습 데이터를 증가시킬 수 있다. 학습 장치는 필터링, 기준점에 기초한 데이터 분할, 오프셋 처리 등을 통해 원래의 심전도 학습 데이터보다 많은 양의 심전도 학습 데이터를 획득할 수 있다. 심전도 학습 데이터를 증가시키는 단계는 데이터 증가(Data augmentation) 처리 단계라고 지칭될 수 있다. 뉴럴 네트워크 모델이 다양한 심전도 학습 데이터에 의하여 잘 학습된다면, 학습된 뉴럴 네트워크 모델은 심전도 신호로부터 강한 식별력을 가지는 특징을 보다 잘 추출할 수 있게 된다.

일 실시예에 따르면, 단계(320)은 단계(321) 내지 단계(326)의 과정을 포함할 수 있다. 실시예에 따라, 단계(321) 내지 단계(326)는 모두 수행될 수도 있고, 일부 단계는 생략될 수도 있다.

단계(321)에서, 학습 장치는 필터를 이용하여 심전도 학습 데이터를 필터링할 수 있다. 학습 장치는 필터링을 통하여 심전도 학습 데이터에 포함된 노이즈를 제거할 수 있다. 일 실시예에 따르면, 학습 장치는 통과 대역이 고정된 밴드패스 필터를 이용하여 심전도 학습 데이터를 필터링할 수 있다. 다른 실시예에 따르면, 학습 장치는 복수의 서로 다른 통과 대역의 밴드패스 필터들을 이용하는 것에 의해 다양한 주파수 대역의 심전도 학습 데이터를 획득할 수 있다.

단계(322)에서, 학습 장치는 필터링된 심전도 학습 데이터에서 하나 이상의 기준점을 검출할 수 있다. 학습 장치는 필터링된 심전도 학습 데이터의 피크점 및 피크점에 인접한 하나 이상의 극소점들 중 하나 이상을 검출하고, 검출된 점들을 기준점으로 설정할 수 있다. 심전도 신호는 복수의 극대점 또는 극소점을 갖는데, 이들 중 피크점을 중심으로 주변에 극소점들이 형성된다. 학습 장치는 필터링된 심전도 학습 데이터에 대하여 (1) 피크점 및 피크점의 좌우에 인접한 극소점들 (2) 피크점 및 피크점의 왼쪽에 인접한 극소점 (3) 피크점 및 피크점의 오른쪽에 인접한 극소점 중 어느 하나에 따라 기준점을 검출할 수 있다.

단계(323)에서, 학습 장치는 하나 이상의 기준점에 기초하여, 필터링된 심전도 학습 데이터로부터 서로 다른 길이를 가지는 복수의 데이터 세그먼트(data segment)들을 획득할 수 있다. 학습 장치는 기준점을 중심으로 하여 서로 다른 길이를 가지는 데이터 세그먼트들을 획득할 수 있다. 예를 들어, 학습 장치는 필터링된 심전도 학습 데이터로부터, 피크점을 중심으로 하여 미리 정의된 서로 다른 길이를 가지는 데이터 세그먼트들과 피크점의 왼쪽에 인접한 극소점을 중심으로 하여 미리 정의된 서로 다른 길이를 가지는 데이터 세그먼트들을 획득할 수 있다.

학습 장치는 심전도 학습 데이터를 증가시키기 위해 선택적으로 단계(324) 및 단계(326)을 수행할 수 있다. 학습 장치는 단계(324) 및 단계(326)의 추가적인 처리에서 데이터 세그먼트에 오프셋을 수행하고, 정규화할 수 있다. 추가적인 처리는 디스터번스(disturbance) 처리로 지칭될 수 있고, 이러한 추가적인 처리 과정을 통해 심전도 학습 데이터는 보다 다양해질 수 있다.

단계(324)에서, 학습 장치는 현재 데이터 세그먼트에서 오프셋 수행을 위한 기준점을 선택할 수 있다. 단계(325)에서, 학습 장치는 선택된 기준점에 기초하여 현재 데이터 세그먼트에 대하여 오프셋을 수행할 수 있다. 예를 들어, 현재 데이터 세그먼트에서 피크점이 기준점으로 선택된 경우, 학습 장치는 피크점을 중심으로 서로 다른 길이를 가지는 복수의 데이터 세그먼트들을 획득할 수 있다. 단계(326)에서, 학습 장치는 오프셋 수행 후의 데이터 세그먼트들을 동일한 길이로 정규화할 수 있다.

학습 장치는 심전도 학습 데이터에 대하여 데이터 증가 처리 및 디스터번스 처리를 수행한 후, 다양한 형태를 가지는 증가된 심전도 학습 데이터를 획득할 수 있다. 증가된 심전도 학습 데이터의 개수는 "서로 다른 통과 대역을 가지는 필터의 의 개수 * 기준점의 개수 * 서로 다른 길이의 데이터 세그먼트의 개수"에 대응할 수 있다.

일반적으로, 뉴럴 네트워크 모델을 학습시키기 위한 심전도 학습 데이터는 충분하지 않을 수 있다. 심전도 학습 데이터를 증가시키는 단계는 최초의 심전도 학습 데이터에서 유용한 정보를 증가시킬 수 있다. 유용한 정보를 포함하는 많은 심전도 학습 데이터를 이용하여 뉴럴 네트워크 모델을 학습시킴으로써, 심전도 신호로부터 식별력이 있는 시멘틱 특징을 추출하기 위한 뉴럴 네트워크 모델의 성능은 개선될 수 있다.

한 사람으로부터 수집된 심전도 학습 데이터를 증가시키는 경우, 심전도 학습 데이터의 수집 시기나 심장 박동율의 편차가 클 수 있다. 학습 장치는 심전도 학습 데이터를 증가시키는 과정을 통해, 최초의 심전도 학습 데이터에 포함된 유용한 정보를 증가시킬 수 있고, 심전도 학습 데이터의 수집 환경의 차이 또는 심장 박동율의 편차에 대응하는 뉴럴 네트워크 모델의 성능을 개선시킬 수 있다.

이후, 단계(330)에서 학습 장치는 증가된 학습 데이터를 이용하여 심전도 인증에 이용될 뉴럴 네트워크 모델을 학습시킬 수 있다. 뉴럴 네트워크 모델은 딥러닝(deep learning) 방식으로 학습될 수 있다. 딥러닝 방식이란 여러 비선형 변환 기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 알고리즘을 의미한다. 딥러닝 방식을 통해 학습되는 뉴럴 네트워크 모델은, 입력 레이어(input layer)와 출력 레이어(output layer), 입력 레이어와 출력 레이어 사이에 위치하는 하나 이상의 히든 레이어(hidden layer)를 포함할 수 있다.

일 실시예에 따르면, 학습 장치는 식별(identification) 신호 및 인증(verification) 신호를 이용하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 여기서, 식별 신호는 제1 심전도에 대응하는 개체를 식별하기 위해 사용되는 신호를 의미하고, 인증 신호는 제1 심전도에 대응하는 개체와 제2 심전도에 대응하는 개체가 서로 동일한지 여부를 판단하기 위하여 사용되는 신호를 의미한다. 식별 신호 및 인증 신호는 감독(supervision) 신호로 지칭될 수 있다.

뉴럴 네트워크 모델은 서로 다른 개체의 심전도 학습 데이터의 시멘틱 특징들 사이의 특징 공간에서의 차이점을 증가시키고 유사성을 감소시키도록 학습될 수 있다. 뉴럴 네트워크 모델은 동일한 개체의 심전도 학습 데이터의 시멘틱 특징들 사이의 특징 공간에서의 유사성을 증가시키고 차이점을 감소시키도록 학습될 수 있다.

일 실시예에 따르면, 단계(330)은 단계(331) 내지 단계(332)의 과정을 포함할 수 있다.

단계(331)에서, 학습 장치는 증가된 심전도 학습 데이터 각각에 대하여 복수의 후보 뉴럴 네트워크 모델들을 학습시킬 수 있다. 학습된 후보 뉴럴 네트워크 모델들 각각은 주파수 통과 대역, 기준점의 종류 및 개수, 데이터 세그먼트의 길이에 대응될 수 있다. 따라서, 학습 장치는 "서로 다른 통과 대역을 가지는 필터의 개수 * 기준점의 개수 * 서로 다른 길이의 데이터 세그먼트의 개수"에 해당하는 개수의 후보 뉴럴 네트워크 모델들을 획득할 수 있다.

예를 들어, 데이터 증가 처리 및 디스터번스 처리가 수행된 후에, 총 29(서로 다른 통과 대역을 가지는 필터의 개수)* 3(기준점의 개수)* 3(서로 다른 길이의 데이터 세그먼트의 개수)=261개의 데이터 세그먼트들이 획득될 수 있다. 학습 장치는 261개의 데이터 세그먼트들 각각에 대하여 독립적으로 후보 뉴럴 네트워크 모델들을 학습시키는 과정을 통해 261개의 학습된 후보 뉴럴 네트워크 모델을 획득할 수 있다.

각 후보 뉴럴 네트워크 모델은 복수의 레이어들을 포함할 수 있다. 후보 뉴럴 네트워크 모델의 출력 레이어에 해당하는 가장 높은 레이어에는 복수의 개체 각각에 대응하는 노드(node)가 배치될 수 있다. 예를 들어, 뉴럴 네트워크 모델의 마지막 2번째 레이어는 완전 연결 레이어(fully connection layer)이고, 마지막 레이어는 복수의 노드들로 구성된 소프트맥스(soft-max) 레이어일 수 있다. 여기서, 각 노드는 복수의 개체 각각에 대응하므로, 노드의 개수는 개체의 개수와 동일할 수 있다.

일 실시예에 따르면, 학습 장치는 감독 학습(supervised learning) 방식을 이용하여 후보 뉴럴 네트워크 모델들을 학습시킬 수 있다. 감독 학습에 이용되는 감독 신호는 후보 뉴럴 네트워크 모델로부터 출력되는 신호의 비교 대상이 되는 신호로서, 후보 뉴럴 네트워크 모델들에 포함된 뉴런들의 가중치를 조정하기 위한 것일 수 있다. 감독 신호는 식별 신호 및 인증 신호를 포함할 수 있다. 식별 신호는 레이어들의 비선형 맵핑(nonlinear mapping)에 의하여 심전도 학습 데이터가 속한 유형의 개체를 식별한 결과가 유효한 것인지 여부를 결정하기 위해 이용될 수 있다. 인증 신호는 레이어들의 비선형 맵핑에 의하여 2개의 심전도 학습 데이터가 같은 개체에 속하는지 여부를 식별한 결과가 유효한 것인지 여부를 결정하기 위해 이용될 수 있다.

학습 장치는 후보 뉴럴 네트워크 모델의 가장 높은 레이어의 노드들로부터 출력되는 신호를 감독 신호와 비교할 수 있다. 학습 장치는 비교 결과를 나타내는 에러 함수의 값이 임계 값 이하가 되도록 후보 뉴럴 네트워크 모델에 포함된 뉴런들의 가중치를 조정할 수 있다. 여기서, 에러 함수는 후보 뉴럴 네트워크 모델로부터 출력되는 신호와 감독 신호 간의 차이를 측정하는 함수를 의미할 수 있다. 학습 장치는 예를 들어, 에러 함수로서 크로스 엔트로피 손실 함수(Cross-Entropy loss function)를 사용할 수 있다.

학습 장치는 다음의 수학식 1과 같이 크로스 엔트로피를 최소화함으로써 후보 뉴럴 네트워크 모델에 포함된 뉴런들의 가중치를 조정할 수 있다. 수학식 1은 식별 신호에 대응되는 손실함수를 나타낸다. 학습 장치는 수학식 1의 출력 값이 줄어드는 방향으로 뉴런들의 가중치를 조정하는 것에 의해 서로 다른 개체의 심전도 학습 데이터의 시멘틱 특징들 사이의 특징 공간에서의 차이점을 증가시키고 유사성을 감소시킬 수 있다.

수학식 1에서, f는 후보 뉴럴 네트워크 모델의 마지막 완전 연결 레이어의 출력으로서, 심전도 학습 데이터로부터 추출된 시멘틱 특징을 나타낸다. t는 실제 유형의 개체를 나타내는 인덱스를 나타낸다.

는 후보 뉴럴 네트워크 모델의 마지막 레이어인 소프트맥스 레이어의 파라미터를 나타낸다.

는 심전도 학습 데이터에 대응한 실제 확률 분포를 나타낸다. 여기서, i=t인 경우

=1이고, i=t가 아닌 경우

=0이다.

는 후보 뉴럴 네트워크 모델을 통해 추정된 확률 분포를 의미한다. 수학식 1에서 실제 유형의 개체 t의 예측 확률이 크거나 수학식 1의 손실 함수가 작을수록 후보 뉴럴 네트워크 모델의 성능이 우수한 것이다.

다음의 수학식 2는 인증 신호에 대응되는 손실 함수를 나타낸다. 학습 장치는 동일한 개체로부터 특징을 추출하여 인증을 위한 학습 과정을 수행할 수 있다. 동일한 개체로부터 추출된 심전도 학습 데이터 쌍(pair)은 양의(positive) 샘플(y=+1)이라고 지칭될 수 있다. 상이한 개체로부터 추출된 심전도 학습 데이터 쌍은 음의(negative) 샘플(y=0)이라고 지칭될 수 있다.

수학식 2에서,

및

는 심전도 학습 데이터를 의미하고,

및

는 심전도 학습 데이터에 대응하는 시멘틱 특징을 나타낸다.

=1인 경우,

및

의 시멘틱 특징들 간의 유클리드 거리(Euclidean distance)가 최소화됨으로써

및

가 같은 개체에 속하게 된다.

=0인 경우, 유클리드 거리가 최소화되는 경우에도

및

의 특징 사이의 거리가 m보다 커지게 되고,

및

가 다른 개체에 속하게 된다. 여기서, m은 미리 설정된 상수이다.

학습 장치는 파라미터가 일정한 값에 수렴할 때까지 심전도 학습 데이터 쌍을 선택할 수 있다. 심전도 학습 데이터가 많을 경우, 선택된 심전도 학습 데이터 쌍이 양의 샘플일 확률은 낮다. 선택된 심전도 학습 데이터 쌍이 양의 샘플일 확률을 증가시키기 위하여, 학습 장치는 심전도 학습 데이터를 복수의 그룹(mini-batch)으로 나누고, 각각의 그룹에서 양의 샘플 쌍을 검색할 수 있다. 각각의 그룹에서 양의 샘플 쌍을 검색함으로써, 학습 장치는 한번에 하나의 샘플 쌍을 선택하는 경우보다 더 많은 수의 양의 샘플 쌍을 생성할 수 있다. 각 그룹의 손실 함수는 수학식 1과 수학식 2를 수정함으로써 도출될 수 있다. 도출된 손실 함수는 다음의 수학식 3과 같다.

수학식 3에서, N은 작은 그룹에 포함된 샘플의 총 개수이고, L=D-Y,

이다.

는 두 항목 간의 가중치를 의미하고, Tr()은 트레이스(trace) 연산을 의미한다. 손실 함수 Loss에서 제i번째 샘플과 관련된 부분은 수학식 4와 같다.

학습 장치는 수학식 4를 이용하여 xi의 경사도를 쉽게 계산할 수 있다. 학습 장치는 경사도를 계산한 후, 최적화 과정에 진입할 수 있다. 일 실시예에 따르면, 학습 장치는 역 전파(back propagation) 방식으로 후보 뉴럴 네트워크 모델의 각 파라미터를 업데이트할 수 있다.

역 전파 방식은 전방 전파(forward propagation)과 에러 역 전파(error back propagation) 과정을 포함할 수 있다. 입력 레이어의 노드는 외부의 입력 정보를 수신하고, 입력된 정보를 중간 레이어에 전달할 수 있다. 중간 레이어는 후보 뉴럴 네트워크 모델 내부의 정보 처리 레이어이며, 정보 교환의 기능을 수행할 수 있다. 중간 레이어는 하나 이상의 히든 레이어를 포함할 수 있다. 마지막 히든 레이어에 의하여 출력 레이어의 각 노드에 전달될 정보가 처리된 후, 한 번의 전방 전파 과정이 수행될 수 있다. 이후, 학습 장치는 출력 레이어를 통해 정보 처리 결과를 출력할 수 있다.

후보 뉴럴 네트워크 모델의 실제 출력이 기대 출력과 다른 경우, 학습 장치는 후보 뉴럴 네트워크 모델의 파라미터(예를 들어, 뉴런들의 가중치)를 조정하기 위해 에러 역 전파 과정을 수행할 수 있다. 학습 장치는 후보 뉴럴 네트워크 모델의 실제 출력과 기대 출력 사이의 오차에 기초하여 오차 경사도 하강 방식으로 후보 뉴럴 네트워크 모델에 포함된 각 레이어의 가중치를 수정할 수 있다. 학습 장치는 이러한 방식으로 출력 레이어로부터 히든 레이어 및 입력 레이어의 가중치를 수정해 나갈 수 있다. 학습 장치는 전방 전파 및 에러 역 전파 과정을 반복 수행함으로써 각 레이어의 가중치를 조절하여 학습 과정을 완료할 수 있다. 이와 같은 학습 과정은 후보 뉴럴 네트워크 모델의 실제 출력과 기대 출력 사이의 오차가 임계 값 이하가 되거나 또는 미리 설정된 학습 횟수에 도달할 때까지 반복적으로 수행될 수 있다.

일 실시예에 따르면, 단계(332)에서, 학습 장치는 후보 뉴럴 네트워크 모델들에 의해 추출된 후보 시멘틱 특징의 정확도에 기초하여 후보 뉴럴 네트워크 모델들 중 하나 이상의 후보 뉴럴 네트워크 모델을 선택할 수 있다. 학습 장치는 선택된 하나 이상의 후보 뉴럴 네트워크 모델에 기초하여 심전도 신호의 인증에 이용되기 위한 최종 뉴럴 네트워크 모델을 결정할 수 있다.

예를 들어, 학습 장치는 후보 뉴럴 네트워크 모델들 중 정확도가 가장 높은 후보 시멘틱 특징을 출력한 후보 뉴럴 네트워크 모델을 선택할 수 있다. 또는, 학습 장치는 그리디(Greedy) 알고리즘을 이용하여 복수의 후보 시멘틱 특징들 중에서 정확도가 높다고 판단한 하나 이상의 후보 시멘틱 특징을 선택할 수 있다. 선택된 시멘틱 특징에 대응되는 후보 뉴럴 네트워크 모델이 최종 뉴럴 네트워크 모델로 결정될 수 있다. 예를 들어, 학습 장치는 포워드(forward) 그리디 알고리즘과 백워드(backward) 그리디 알고리즘을 이용하여 복수의 후보 시멘틱 특징들 중에서 정확도가 높은 후보 시멘틱 특징을 선택할 수 있다. 학습 장치는 먼저 포워드 그리디 알고리즘을 이용하여 각 후보 시멘틱 특징의 정확도를 계산하고, 후보 시멘틱 특징들 중에서 정확도가 가장 높은 후보 시멘틱 특징을 선택할 수 있다. 학습 장치는 선택된 후보 시멘틱 특징과 결합될 경우 정확도가 가장 크게 상승하는 후보 시멘틱 특징을 선택되지 않은 나머지 후보 시멘틱 특징들 중에서 선택할 수 있다. 이러한 과정은 선택된 후보 시멘틱 특징들의 수가 미리 설정된 제1 개수에 도달하거나 또는 정확도가 상승하지 않을 때까지 반복적으로 수행될 수 있다.

학습 장치는 백워드 그리디 알고리즘을 이용하여 포워드 그리디 알고리즘에 의하여 선택된 후보 시멘틱 특징들 중에서 선택되지 않은 나머지 후보 시멘틱 특징과 결합하는 경우 정확도가 가장 크게 상승하는 하나의 후보 시멘틱 특징을 제거할 수 있다. 이러한 과정은 선택되지 않거나 삭제되지 않은 나머지 후보 시멘틱 특징들의 수가 미리 설정된 제2 개수에 도달하거나 또는 정확도가 상승하지 않을 때까지 반복적으로 수행될 수 있다. 여기서, 제2 개수는 제1 개수보다 작거나 또는 제1 개수와 동일할 수 있다.

도 4a 내지 도 4e는 일 실시예에 따른 심전도 학습 데이터의 필터링 결과의 일례를 나타낸 도면들이다.

학습 장치는 필터를 이용하여 심전도 학습 데이터를 필터링할 수 있다. 예를 들어, 학습 장치는 서로 다른 주파수 통과 대역을 가지는 밴드패스 필터를 이용하여 동일한 심전도 학습 데이터를 필터링할 수 있다. 이에 대한 필터링 결과가 도 4a 내지 도 4e에 도시되어 있다. 학습 장치는 필터링 과정을 통하여 심전도 학습 데이터에 포함된 노이즈를 제거할 수 있다. 학습 장치는 복수의 서로 다른 통과 대역을 가지는 밴드패스 필터를 이용함으로써 고정된 단일의 통과 대역을 가지는 필터를 이용한 경우보다 유용한 정보를 포함하는 심전도 학습 데이터를 보다 많이 획득할 수 있다. 다음의 표 1은 필터링 과정에 사용되는 밴드패스 필터의 복수의 통과 대역을 예시적으로 나타낸다.

표 1에서 볼 수 있듯이, 예를 들어, 밴드패스 필터의 통과 대역의 시작 주파수는 1Hz에서 35Hz 사이에 포함될 수 있고, 종료 주파수는 10Hz에서 50Hz 사이에 포함될 수 있다. 표 1에 나타난 통과 대역은 심전도 학습 데이터에 유용한 정보가 많이 포함되면서 노이즈가 줄어들게 하는 주파수 통과 대역 또는 주파수 세그먼트를 나타낸다.

도 4a 내지 도 4e에 도시된 바와 같이 통과 대역이 다른 경우 필터링의 결과가 서로 다를 수 있다. 통과 대역의 폭이 넓을수록 필터링된 심전도 학습 데이터에는 더 많은 노이즈가 포함될 수 있다. 예를 들어, 통과 대역의 폭이 1Hz-40Hz, 1Hz-30Hz, 3Hz-30Hz 및 3Hz-15Hz 인 순서대로 필터링 결과에 노이즈가 보다 적게 포함되고 심전도 학습 데이터의 그래프는 더 매끄러워질 수 있다. 또한, 통과 대역의 폭이 넓을수록 심전도 신호에 대한 중요한 정보가 더욱 많이 필터링될 수 있다. 일 실시예에 따른 학습 장치는 복수의 서로 다른 통과 대역을 가지는 밴드패스 필터를 이용함으로써 단일 통과 대역을 가지는 밴드패스 필터를 이용하는 경우보다 중요한 정보를 더 많이 포함하는 심전도 학습 데이터를 획득할 수 있다.

도 5는 일 실시예에 따른 심전도 학습 데이터에서 검출된 기준점을 도시한 도면이다.

도 5에 도시된 바와 같이, 심전도 학습 데이터는 복수의 극대점 또는 극소점을 가질 수 있고, 이들 중 피크점인 R 포인트를 중심으로 가장 가까운 극소점으로서 Q 포인트 및 S 포인트가 형성될 수 있다.

일 실시예에 따르면, 학습 장치는 R 포인트와 Q 포인트 및 S 포인트 중 하나를 복수의 기준점으로서 설정할 수 있다. 학습 장치는 R 포인트를 기준점으로 설정하고 R 포인트를 기준으로, 예를 들어 160 샘플 포인트, 190 샘플 포인트 또는 220 샘플 포인트의 서로 다른 길이의 데이터 세그먼트를 획득할 수 있다. R 포인트를 기초로 획득된 데이터 세그먼트는 하나의 심장 박동에 대한 전체 정보를 반영할 수 있다. 예를 들어, 160 샘플 포인트의 길이를 가지는 하나의 데이터 세그먼트는 R 포인트 이전의 "샘플 포인트들(63 개) + R 포인트(1 개) + R 포인트 이후의 샘플 포인트들(96 개)"의 길이에 대응할 수 있다.

다른 실시예에 따르면, 학습 장치는 Q 포인트 또는 S 포인트를 기준점으로 설정하고, 예를 들어 30 내지 50 사이의 샘플 포인트를 가지는 작은 길이의 데이터 세그먼트를 획득할 수도 있다. Q 포인트 또는 S 포인트를 기준점으로 하여 획득된 데이터 세그먼트는 심장 박동에 대한 일부 정보를 반영할 수 있다.

도 6a 내지 도 6i는 일 실시예에 따른 기준점을 이용하여 획득된 데이터 세그먼트들을 도시한 도면들이다.

도 6a 내지 도 6i는 기준들인 R 포인트, Q 포인트 및 S 포인트 중 선택된 기준점을 기초로 서로 다른 길이를 가지는 여러 데이터 세그먼트들을 도시한다. 예를 들어, 도 6a의 Q:L = 30은 Q 포인트를 기초로 30 샘플 포인트의 길이를 가지는 데이터 세그먼트를 획득한 그래프를 나타낸다. 도 6a 내지 도 6i에서 알 수 있듯이 Q 포인트 또는 S 포인트를 기초로 획득되는 데이터 세그먼트들은 R 포인트를 기초로 획득되는 데이터 세그먼트보다 대체적으로 길이가 짧다. 또한, Q 포인트 또는 S 포인트를 기준점으로 선택한 경우, 데이터 세그먼트에 나타난 그래프는 심장 박동의 일부만 나타내는데 반해, R 포인트를 기준점으로 선택한 경우에 데이터 세그먼트에 나타난 그래프는 심장 박동에 대한 전체 정보를 나타낸다.

아래의 표 2는 R 포인트, Q 포인트 및 S 포인트의 종류에 따라 실험적으로 획득된 복수의 데이터 세그먼트를 나타낸다.

도 7a 내지 도 7d는 일 실시예에 따른 심전도 학습 데이터에 대하여 데이터 추가 처리가 수행된 결과를 도시한 도면들이다.

학습 장치는 각각의 데이터 세그먼트에 대하여 선택적으로 데이터 추가 처리를 수행할 수 있다. 학습 장치는 데이터 세그먼트를 획득하는데 기준이 된 기준점 및 데이터 세그먼트의 길이를 데이터 추가 처리 과정에서도 이용할 수 있다. 학습 장치는 심전도 학습 데이터의 베이스 라인(baseline)를 유지한 채, 데이터 세그먼트의 양쪽 끝에 대하여 각각 오프셋을 수행한 후, 오프셋이 수행된 데이터 세그먼트들을 동일한 길이로 정규화할 수 있다.

예를 들어, R 포인트가 기준점으로 설정되고, R 포인트 이전은 63 개의 샘플 포인트 및 R 포인트 이후는 96 개의 포인트로 설정된 데이터 세그먼트가 있는 경우, 데이터 세그먼트의 전체 길이는 160 개의 샘플 포인트가 있다고 가정한다. 다음의 표 3과 같이, 학습 장치는 데이터 추가 처리(제1 케이스 및 제2 케이스)를 통해 각각 서로 다른 길이의 데이터 세그먼트들을 획득할 수 있다. 표3 에 기재된 숫자는 샘플 포인트의 개수를 나타낸다.

도 7a 내지 도 7c는 각각 R 포인트를 기준점으로 하여 데이터 세그먼트의 총 길이가 160 개의 샘플 포인트, 155개의 샘플 포인트 및 165 개의 샘플 포인트인 데이터 세그먼트들을 나타낸다. 해당 데이터 세그먼트들은 동일한 심전도 학습 데이터에 대해 서로 다른 길이를 가지는 데이터 세그먼트들이다. 학습 장치는 기준 케이스의 데이터 세그먼트에 대해 오프셋을 수행하여 제1 및 제2 케이스와 같이 길이가 다른 데이터 세그먼트들을 생성할 수 있다.

이후에, 학습 장치는 도 7d에 도시된 것과 같이 도 7a 내지 도 7c에 도시된 데이터 세그먼트들이 동일한 길이를 가지도록 정규화할 수 있다. 학습 장치는 기준 케이스에서와 같이 R 포인트 이전에 63 개의 샘플 포인트를 가지도록 제1 및 제2 케이스의 데이터 세그먼트의 길이를 조절할 수 있다. 예를 들어, 도 7b 및 도 7c의 그래프에 대해서 61 개의 샘플 포인트 및 65 개의 샘플 포인트를 모두 63 개의 샘플 포인트가 되도록 정규화할 수 있다. 또한, 학습 장치는 R 포인트 이후의 샘플 포인트의 개수가 96 개의 샘플 포인트가 되도록 정규화할 수 있다. 예를 들어, 도 7b 및 도 7c의 그래프에 대해서 93 개의 샘플 포인트 및 99 개의 샘플 포인트를 모두 96 개의 샘플 포인트가 되도록 조정할 수 있다. 결과적으로, 도 7d의 그래프에 도시된 것과 같이, 학습 장치는 도 7a 내지 도 7c에 도시된 그래프에 대해서 데이터 세그먼트의 총 길이를 모두 160 개의 샘플 포인트로 유지할 수 있다. 학습 장치는 위 과정을 통해, 다른 기준점 또는 다른 길이에 대응하는 데이터 세그먼트에 대해서도 유사한 방식으로 정규화할 수 있고, 이를 통해 심전도 학습 데이터가 보다 다양해질 수 있다. 도 7a 내지 도 7b에서 'L'은 데이터 세그먼트를 구성하는 샘플 포인트의 총 개수로서 데이터 세그먼트의 길이를 나타낸다.

도 8a는 일 실시예에 따른 뉴럴 네트워크 모델을 도시한 도면이고, 도 8b는 다른 실시예에 따른 뉴럴 네트워크 모델을 도시한 도면이다.

도 8a를 참조하면, 일 실시예에 따른 뉴럴 네트워크 모델에서, 한 쌍의 심전도 학습 데이터가 후보 뉴럴 네트워크 모델의 입력 레이어에 입력될 수 있다. 가장 하위의 레이어가 입력 레이어이며, 입력 레이어에 포함된 노드(또는, 뉴런)의 개수는 심전도 학습 데이터의 차원(dimension)의 크기와 동일할 수 있다. 가장 상위의 레이어는 출력 레이어이고, 출력 레이어는 식별 신호에 기초하여 학습될 수 있다. 입력 레이어와 출력 레이어 사이에는 히든 레이어가 위치하고, 마지막 히든 레이어의 출력은 학습된 시멘틱 특징을 나타낼 수 있다. 마지막 히든 레이어에서 출력된 한 쌍의 특징은 하나의 인증 출력(+1 또는 -1)에 대응될 수 있다.

도 8b를 참조하면, 다른 실시예에 따른 뉴럴 네트워크 모델에서, 한 쌍의 심전도 학습 데이터 각각은 두 개의 뉴럴 네트워크 모델 각각에 입력될 수 있다. 두 개의 뉴럴 네트워크 모델은 히든 레이어의 가중치를 서로 공유할 수 있다. 두 개의 뉴럴 네트워크 모델에서 마지막 두 번째 히든 레이어의 출력이 시멘틱 특징으로서 결정될 수 있다.

도 9는 일 실시예에 따른 그리디 알고리즘을 이용하여 후보 뉴럴 네트워크 모델들 중 최적의 후보 뉴럴 네트워크 모델을 선택하는 동작을 설명하기 위한 도면이다.

학습 장치는 학습의 결과로서 복수의 후보 뉴럴 네트워크 모델들을 획득할 수 있다. 하지만, 복수의 후보 뉴럴 네트워크 모델들이 모두 높은 성능을 발휘하는 것은 아닐 수 있다. 학습 장치는 가장 높은 성능을 나타내는 후보 뉴럴 네트워크 모델을 선택할 수 있다.

학습 장치는 각 후보 뉴럴 네트워크 모델들을 이용하여 심전도 학습 데이터로부터 후보 시멘틱 특징을 추출할 수 있다. 예를 들어, 학습 장치는 그리디 알고리즘을 이용하여 복수의 후보 시멘틱 특징들 중에서 기준을 만족시키는 하나 이상의 후보 시멘틱 특징을 선택할 수 있다. 학습 장치는 후보 시멘틱 특징을 선택하기 위해 포워드 그리디 알고리즘과 백워드 그리디 알고리즘을 이용할 수 있다.

포워드 그리디 알고리즘에서, 학습 장치는 단일한 후보 뉴럴 네트워크 모델의 성능을 평가하고, 가장 높은 성능을 나타내는 후보 뉴럴 네트워크 모델을 선택할 수 있다. 후보 뉴럴 네트워크 모델의 평가는 후보 뉴럴 네트워크 모델에 대응되는 후보 시멘틱 특징에 기초하여 수행될 수 있다. 도 9에서 모델 점수의 수치가 작을수록 후보 뉴럴 네트워크 모델의 성능이 더 좋다는 것을 나타낸다. 포워드 그리디 알고리즘에 따르면, 라운드 1에서 학습 장치는 후보 뉴럴 네트워크 모델(이하, 간단히 '모델'이라 함') 1을 선택한다. 라운드 2에서 학습 장치는 나머지 모델(모델 2 - 모델 N) 중에서 이전 라운드(라운드 1)에서 선택된 모델인 모델 1과 결합하는 경우 가장 높은 성능을 가지는 모델을 모델 2로서 선택한다. 이러한 선택 과정은, 선택된 후보 시멘틱 특징들의 개수가 미리 설정된 제1 개수에 도달하거나 또는 후보 시멘틱 특징의 정확도가 상승하지 않을 때까지 반복적으로 수행될 수 있다.

백워드 그리디 알고리즘은 포워드 그리디 알고리즘을 보완하는데 이용될 수 있다. 포워드 그리디 알고리즘은 초기 라운드에 나타나는 오류를 수정하기 어렵다는 점이 있다. 예를 들어, 라운드 2에서 선택된 모델 2와 라운드 3에서 선택된 모델 4가 결합되어 가장 높은 성능을 나타내는 경우, 모델 2와 모델 4가 결합되었을 때 가장 좋은 성능을 나타내나, 라운드 1에서 모델 1이 선택됨에 따라 모델 1은 최종 선택된 후보 뉴럴 네트워크 모델에서 제외될 수 없다. 다시 말하여, 라운드 1에서 모델 1이 선택되면, 가장 높은 성능을 나타내는 모델 2와 모델 4의 조합은 선택될 수가 없다.

학습 장치는 백워드 그리디 알고리즘을 이용하여 이미 선택된 M 개의 모델들에 대해 성능을 매 라운드마다 평가하여 하나의 모델을 삭제하고, 나머지 모델들을 결합하여 성능을 평가할 수 있다. 모델의 평가는 모델로부터 출력된 후보 시멘틱 특징에 기초하여 수행될 수 있다. 여기서, 삭제되는 모델로서, 해당 모델이 삭제됨으로써 성능이 가장 높아지는 모델이 선택된다. 이러한 과정은 선택되지 않거나 삭제되지 않은 나머지 후보 시멘틱 특징들의 개수가 미리 설정된 제2 개수에 도달하거나 또는 후보 시멘틱 특징의 정확도가 상승하지 않을 때까지 반복적으로 수행될 수 있다. 여기서, 제2 개수는 제1 개수보다 작거나 동일할 수 있다.

도 10은 일 실시예에 따른 심전도 인증 장치의 구성을 도시한 도면이다.

도 10을 참조하면, 심전도 인증 장치(1000)는 프로세서(1010) 및 메모리(1020)를 포함할 수 있다.

프로세서(1010)는 도 1 및 도 2를 통하여 전술한 하나 이상의 동작을 수행한다. 예를 들어, 프로세서(1010)는 심전도 측정 기기(1030)를 통해 획득된 사용자의 심전도 신호에 기초하여 심전도 인증을 수행할 수 있다. 실시예에 따라, 심전도 측정 기기(1030)는 심전도 인증 장치(1000)에 포함될 수도 있다. 프로세서(1010)는 뉴럴 네트워크 모델을 이용하여 심전도 신호로부터 시멘틱 특징을 추출하고, 추출된 시멘틱 특징과 미리 등록된 등록 특징을 비교하여 심전도 인증을 수행할 수 있다.

메모리(1020)는 도 1 및 도 2를 통하여 전술한 하나 이상의 동작을 수행하기 위한 인스트럭션들(instructions)을 저장하거나 또는 심전도 인증 장치(1000)가 운용되면서 획득된 데이터와 결과를 저장할 수 있다. 일부 실시예들에서, 메모리(1020)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 디바이스들, 플래쉬 메모리 디바이스들, 또는 기타 비휘발성 솔리드 스테이트 메모리 디바이스들)를 포함할 수 있다.

심전도 인증 과정이 완료되면, 심전도 인증 장치(1000)는 예를 들어, 디스플레이, 스피커 또는 진동 피드백 센서 등을 통해 심전도 인증 결과를 사용자에게 제공할 수 있다. 심전도 인증 장치(1000)는 인증이 성공한 경우에는 사용자의 접근을 허용하는 제어 신호를 생성할 수 있고, 인증이 실패한 경우에는 심전도 인증 장치(1000)는 사용자의 접근을 제한할 수 있다.

도 11은 일 실시예에 따른 학습 장치의 구성을 도시한 도면이다.

도 11을 참조하면, 학습 장치(1100)는 프로세서(1110) 및 메모리(1120)를 포함할 수 있다.

프로세서(1110)는 도 3 내지 도 9를 통하여 전술한 하나 이상의 동작을 수행한다. 예를 들어, 프로세서(1110)는 심전도 학습 데이터에 기초하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 프로세서(1110)는 심전도 학습 데이터를 증가시키기 위한 신호 과정을 수행하고, 심전도 학습 데이터에 기초하여 각 후보 뉴럴 네트워크 모델들을 학습시킬 수 있다. 프로세서(1110)는 후보 뉴럴 네트워크 모델들이 출력하는 후보 시멘틱 특징의 정확도에 기초하여 후보 뉴럴 네트워크 모델들 중 심전도 인증에 이용될 하나 이상의 후보 뉴럴 네트워크 모델을 선택할 수 있다. 메모리(1120)는 도 3 내지 도 9를 통하여 전술한 하나 이상의 동작을 수행하기 위한 인스트럭션들을 저장하거나 또는 학습 장치(1100)가 운용되면서 획득된 데이터와 결과를 저장할 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 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.

Claims (17)

1. 사용자의 심전도(electrocardiography, ECG) 신호를 획득하는 단계;
   뉴럴(neural) 네트워크 모델을 이용하여 상기 획득된 심전도 신호의 시멘틱 특징(semantic feature)을 추출하는 단계; 및
   상기 추출된 시멘틱 특징에 기초하여 상기 사용자를 인증하는 단계
   를 포함하는 심전도 인증 방법.
2. 제1항에 있어서,
   상기 시멘틱 특징을 추출하기 전에 상기 심전도 신호를 전처리하는 단계
   를 더 포함하고,
   상기 전처리하는 단계는,
   필터를 이용하여 상기 획득된 심전도 신호를 필터링하는 단계;
   상기 뉴럴 네트워크 모델에 대응하는 기준점에 기초하여, 상기 필터링된 심전도 신호에서 적어도 하나의 기준점(fiducial point)을 검출하는 단계; 및
   상기 적어도 하나의 기준점에 기초하여 상기 필터링된 심전도 신호로부터 데이터 세그먼트를 획득하는 단계
   를 포함하는 심전도 인증 방법.
3. 제2항에 있어서,
   상기 획득된 심전도 신호의 시멘틱 특징을 추출하는 단계는,
   상기 뉴럴 네트워크 모델을 이용하여 상기 데이터 세그먼트로부터 시멘틱 특징을 추출하는, 심전도 인증 방법.
4. 제2항에 있어서,
   상기 적어도 하나의 기준점은,
   상기 필터링된 심전도 신호의 피크점 및 상기 피크점에 인접한 하나 이상의 극소점들 중 적어도 하나를 포함하는, 심전도 인증 방법.
5. 제1항에 있어서,
   상기 인증하는 단계는,
   상기 추출된 시멘틱 특징에 기초하여 상기 심전도 신호와 미리 정의된 등록 특징 간의 유사도를 계산하는 단계; 및
   상기 유사도와 임계 값 간의 비교 결과에 기초하여 인증 성공 또는 인증 실패를 결정하는 단계
   를 포함하는 심전도 인증 방법.
6. 제1항에 있어서,
   상기 뉴럴 네트워크 모델은,
   심전도 학습 데이터에 기초한 딥러닝(deep learning) 방식으로 학습(training)된 시멘틱 특징 추출 모델인, 심전도 인증 방법.
7. 컴퓨팅 하드웨어가 제1항 내지 제6항 중 어느 하나의 항의 방법을 실행하도록 하는 인스트럭션들을 저장하는 컴퓨터 판독 가능한 저장 매체.
8. 적어도 하나의 프로세서를 포함하고,
   상기 적어도 하나의 프로세서는,
   사용자의 심전도 신호를 수신하는 동작;
   뉴럴 네트워크 모델을 이용하여 상기 심전도 신호의 시멘틱 특징을 추출하는 동작; 및
   상기 추출된 시멘틱 특징에 기초하여 상기 사용자를 인증하는 동작
   을 수행하는 심전도 인증 장치.
9. 심전도 학습 데이터를 수신하는 단계;
   상기 심전도 학습 데이터를 증가시키는 단계; 및
   상기 증가된 심전도 학습 데이터에 기초하여 심전도 인증에 이용될 뉴럴 네트워크 모델을 학습시키는 단계
   를 포함하는 학습 방법.
10. 제9항에 있어서,
    상기 심전도 학습 데이터를 증가시키는 단계는,
    필터를 이용하여 상기 심전도 학습 데이터를 필터링하는 단계;
    상기 필터링된 심전도 학습 데이터에서 적어도 하나의 기준점(fiducial point)을 검출하는 단계; 및
    상기 적어도 하나의 기준점에 기초하여 상기 필터링된 심전도 학습 데이터로부터 서로 다른 길이를 가지는 복수의 데이터 세그먼트들을 획득하는 단계
    를 포함하는 학습 방법.
11. 제10항에 있어서,
    상기 심전도 학습 데이터를 필터링하는 단계는,
    복수의 서로 다른 통과 대역을 가지는 밴드패스 필터를 이용하여 상기 심전도 학습 데이터를 필터링하는, 학습 방법.
12. 제10항에 있어서,
    상기 심전도 학습 데이터를 필터링하는 단계는,
    통과 대역이 고정된 밴드패스 필터를 이용하여 상기 심전도 학습 데이터를 필터링하는, 학습 방법.
13. 제10항에 있어서,
    상기 적어도 하나의 기준점은,
    상기 필터링된 심전도 학습 데이터의 피크점 및 상기 피크점에 인접한 하나 이상의 극소점 중 적어도 하나를 포함하는, 학습 방법.
14. 제9항에 있어서,
    상기 심전도 학습 데이터를 증가시키는 단계는,
    현재 데이터 세그먼트에서 기준점을 선택하는 단계;
    상기 기준점에 기초하여 상기 현재 데이터 세그먼트에 오프셋을 수행하는 단계; 및
    상기 오프셋 수행 후의 데이터 세그먼트를 정규화하는 단계
    를 더 포함하는 학습 방법.
15. 제9항에 있어서,
    상기 뉴럴 네트워크 모델을 학습시키는 단계는,
    상기 증가된 심전도 학습 데이터 각각에 대하여 복수의 후보 뉴럴 네트워크 모델들을 학습시키는 단계; 및
    상기 후보 뉴럴 네트워크 모델들에 의해 추출된 후보 시멘틱 특징의 정확도에 기초하여 상기 후보 뉴럴 네트워크 모델들 중 적어도 하나의 후보 뉴럴 네트워크 모델을 선택하는 단계
    를 포함하는 학습 방법.
16. 제15항에 있어서,
    상기 선택된 적어도 하나의 후보 뉴럴 네트워크 모델에 기초하여 심전도 인증을 위한 최종 뉴럴 네트워크 모델이 결정되는, 학습 방법.
17. 제9항에 있어서,
    상기 뉴럴 네트워크 모델을 학습시키는 단계는,
    상기 심전도 학습 데이터에 대응하는 개체를 식별하기 위한 식별 신호 및 복수의 심전도 학습 데이터가 동일한 개체에 대응하는지 여부를 식별하기 위한 인증 신호에 기초하여 상기 뉴럴 네트워크 모델을 학습시키는, 학습 방법.

Images