KR20240076092A - 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법 - Google Patents

근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법 Download PDF

Info

Publication number
KR20240076092A
KR20240076092A KR1020220158226A KR20220158226A KR20240076092A KR 20240076092 A KR20240076092 A KR 20240076092A KR 1020220158226 A KR1020220158226 A KR 1020220158226A KR 20220158226 A KR20220158226 A KR 20220158226A KR 20240076092 A KR20240076092 A KR 20240076092A
Authority
KR
South Korea
Prior art keywords
user
feature information
information
signal
motion
Prior art date
Application number
KR1020220158226A
Other languages
English (en)
Inventor
곽근창
변영현
강지우
Original Assignee
조선대학교산학협력단
Filing date
Publication date
Application filed by 조선대학교산학협력단 filed Critical 조선대학교산학협력단
Publication of KR20240076092A publication Critical patent/KR20240076092A/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • 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
    • G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Abstract

본 발명은 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법이고, 상기 근전도 신호를 이용한 사용자 식별 시스템은 사용자에 대한 근전도 신호를 획득하는 신호 획득부와, 상기 신호 획득부에서 제공되는 근전도 신호에 대한 정보를 토대로 상기 근전도 신호의 획득 시점에서의 상기 사용자의 동작을 판별하는 모션 인식 모듈과, 상기 모션 인식 모듈에서 판별된 사용자의 동작에 대한 정보와, 상기 근전도 신호에 대한 정보를 토대로 상기 사용자를 식별하는 개인 식별 모듈을 구비한다.
본 발명에 따른 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법은 사용자로부터 획득한 근전도 신호를 이용하여 해당 사용자의 동작을 판별하고, 판별된 동작 정보를 이용하여 사용자를 식별하므로 잡음의 영향을 줄이면서 비교적 신뢰도 및 정확도가 높은 식별 결과를 획득할 수 있는 장점이 있다.

Description

근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법{User identification system using EMG signal and user identification method using the same}
본 발명은 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법에 관한 것으로서, 더욱 상세하게는 사용자의 근전도 신호를 이용하여 해당 사용자의 동작을 판별하고, 해당 동작 및 근전도 신호에 대한 정보를 토대로 사용자를 식별하는 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법에 관한 것이다.
전자장치와 데이터베이스로의 사용자 접속은 주로 로그인 이름과 비밀번호를 통해 이루어진다. 최근, 랩탑 컴퓨터와 스마트폰 등과 같은 휴대용 전자장치의 사용이 증가하면서, 허가된 사용과 잘못된 데이터 사용에 대한 위험을 줄이기 위해 전자장치와 사용자에 대한 정확한 인증의 필요성은 더욱 중요해지고 있다. 예를 들어, 많은종류의 헬스케어 전자장치가 출현함에 따라, 모바일 헬스케어 전자장치에 획득된 건강 데이터의 프라이버시는중요해 지고 있다. 또한, 모바일 전자장치를 사용한 은행업무와 지불(payment)이 증가함에 따라, 인증된 사용의 중요성이 증가하고 있다.
최근 사용자 인증 분야에서 근전도 신호를 사용하는 방법에 대한 관심이 높아지고 있다. 근전도 신호는 사람의 신체적 조건 등에 의해 개인 고유의 특성을 가지고 있기 때문에 위조가 어렵다는 장점이 있다. 그러나, 근전도 신호는 잡음에 매우 민감하고 사람의 모션에 따라 신호 형태가 다양하기 때문에 분석에 어려움이 있다.
등록특허공보 제10-1760441호: 심전도 정점 주기를 이용한 개인 식별 장치 및 그 방법
본 발명은 상기와 같은 문제점을 개선하기 위해 창안된 것으로서, 사용자로부터 획득한 근전도 신호를 이용하여 해당 사용자의 동작을 판별하고, 판별된 동작 정보를 이용하여 사용자를 식별할 수 있는 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 근전도 신호를 이용한 사용자 식별 시스템은 사용자에 대한 근전도 신호를 획득하는 신호 획득부와, 상기 신호 획득부에서 제공되는 근전도 신호에 대한 정보를 토대로 상기 근전도 신호의 획득 시점에서의 상기 사용자의 동작을 판별하는 모션 인식 모듈과, 상기 모션 인식 모듈에서 판별된 사용자의 동작에 대한 정보와, 상기 근전도 신호에 대한 정보를 토대로 상기 사용자를 식별하는 개인 식별 모듈을 구비한다.
상기 신호 획득부는 상기 사용자가 착용하는 것으로서, 해당 사용자의 근전도 신호를 측정하는 측정부재와, 상기 측정부재에서 측정된 상기 근전도 신호에서, 상기 사용자의 동작을 판별하거나 사용자를 식별하기 위한 특징 정보를 추출하고, 추출된 특징 정보를 상기 모션 인식 모듈 또는 개인 식별 모듈에 제공하는 특징 정보 추출부를 구비한다.
상기 특징 정보 추출부는 상기 측정부재에서 측정된 근전도 신호에서 주파수 영역의 특징 정보를 추출하는 주파수 특징 추출모듈와, 상기 측정부재에서 측정된 근전도 신호에서 시간 영역의 특징 정보를 추출하는 시간 특징 추출모듈을 구비한다.
상기 주파수 특징 추출모듈은 상기 근전도 신호를 시간 주파수 영역으로 변환하여 2차원 스칼로그램 이미지를 획득하고, 해당 2차원 스칼로그램 이미지를 상기 주파수 영역의 특징 정보로 설정한다.
상기 시간 특징 추출모듈은 MAV(Mean Absolute Value), MAVSLP(Mean Absolute Value Slope), ZC(Zero Crossing), SSC(Slope Sign Change) 또는 WL(Waveform Length) 중 적어도 어느 하나의 특징 추출 알고리즘을 이용하여 상기 시간 영역의 특징 정보를 추출할 수 있다.
상기 모션 인식 모듈은 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 토대로 동작을 판별하기 위해 기구축된 제1신경망 모델에, 상기 특징 정보 추출부에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 적용하여 상기 사용자의 동작을 판별한다.
상기 제1신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델이 적용된다.
상기 개인 식별 모듈은 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와 사용자의 동작 정보를 토대로 사용자를 식별하기 위해 기구축된 제2신경망 모델에, 상기 특징 정보 추출부에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와, 상기 모션 인식 모듈에서 판별된 사용자의 동작에 대한 정보를 적용하여 상기 사용자를 식별할 수 있다.
상기 제2신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델인 것이 바람직하다.
한편, 본 발명에 따른 사용자 식별 방법은 사용자에 대한 근전도 신호를 획득하는 신호 획득 단계와, 상기 신호 획득 단계에서 획득한 근전도 신호에 대한 정보를 토대로 상기 근전도 신호의 획득 시점에서의 상기 사용자의 동작을 판별하는 모션 인식 단계와, 상기 모션 인식 단계에서 판별된 사용자의 동작에 대한 정보와, 상기 근전도 신호에 대한 정보를 토대로 상기 사용자를 식별하는 개인 식별 단계를 포함한다.
상기 신호 획득 단계는 상기 사용자에 착용된 측정부재를 이용하여 사용자의 근전도 신호를 측정하는 측정단계와, 상기 측정단계에서 측정된 상기 근전도 신호에서, 상기 사용자의 동작을 판별하거나 사용자를 식별하기 위한 특징 정보를 추출하는 특징 정보 추출단계를 포함한다.
상기 특징 정보 추출단계는 상기 측정부재에서 측정된 근전도 신호에서 주파수 영역의 특징 정보를 추출하는 주파수 특징 추출단계와, 상기 측정부재에서 측정된 근전도 신호에서 시간 영역의 특징 정보를 추출하는 시간 특징 추출단계를 포함한다.
상기 주파수 특징 추출단계에서는 상기 근전도 신호를 시간 주파수 영역으로 변환하여 2차원 스칼로그램 이미지를 획득하고, 해당 2차원 스칼로그램 이미지를 상기 주파수 영역의 특징 정보로 설정할 수 있다.
상기 시간 특징 추출단계에서는 MAV(Mean Absolute Value), MAVSLP(Mean Absolute Value Slope), ZC(Zero Crossing), SSC(Slope Sign Change) 또는 WL(Waveform Length) 중 적어도 어느 하나의 특징 추출 알고리즘을 이용하여 상기 시간 영역의 특징 정보를 추출할 수 있다.
상기 모션 인식 단계에서는, 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 토대로 동작을 판별하기 위해 기구축된 제1신경망 모델에, 상기 특징 정보 추출부에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 적용하여 상기 사용자의 동작을 판별한다.
상기 제1신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델이 적용된다.
상기 개인 식별 단계에서는, 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와 사용자의 동작 정보를 토대로 사용자를 식별하기 위해 기구축된 제2신경망 모델에, 상기 특징 정보 추출부에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와, 상기 모션 인식 모듈에서 판별된 사용자의 동작에 대한 정보를 적용하여 상기 사용자를 식별할 수 있다.
상기 제2신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 장단기 기억((Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델일 수도 있다.
본 발명에 따른 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법은 사용자로부터 획득한 근전도 신호를 이용하여 해당 사용자의 동작을 판별하고, 판별된 동작 정보를 이용하여 사용자를 식별하므로 잡음의 영향을 줄이면서 비교적 신뢰도 및 정확도가 높은 식별 결과를 획득할 수 있는 장점이 있다.
도 1은 본 발명에 따른 근전도 신호를 이용한 사용자 식별 시스템에 대한 블럭도이고,
도 2는 멀티 채널 근전도 신호의 시간-주파수 이미지 변환에 대한 방법으로 근전도 신호 수준에서 벡터들을 연결하여 스칼로그램으로 변환하는 방법에 대한 개념도이고,
도 3은 개별 채널별로 스칼로그램으로 변환하여 병렬연결하는 방법에 대한 개념도이고,
도 4는 연속 웨이블릿 변환으로 획득된 근전도 신호의 주파수 영역의 특징 정보를 토대로 합성곱 신경망을 이용해 분류하는 모델을 나타낸 개념도이고,
도 5는 근전도 신호의 시간 영역의 특징 정보를 토대로 장단기 기억(Long Short-Term Memory) 신경망을 이용해 분류하는 모델을 나타낸 개념도이고,
도 6은 합성곱 신경망 모델 및 장단기 기억 신경망 모델의 개별 스코어들을 결합하여 최종 스코어를 얻어서 분류하는 앙상블 모델에 대한 개념도이고,
도 7은 본 발명에 따른 근전도 신호를 이용한 사용자 식별 시스템을 이용한 사용자 식별 방법에 대한 순서도이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법에 대해 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 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 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1에는 본 발명에 따른 근전도 신호를 이용한 사용자 식별 시스템(100)이 도시되어 있다.
도면을 참조하면, 상기 근전도 신호를 이용한 사용자 식별 시스템(100)은 사용자에 대한 근전도 신호를 획득하는 신호 획득부(200)와, 상기 신호 획득부(200)에서 제공되는 근전도 신호에 대한 정보를 토대로 상기 근전도 신호의 획득 시점에서의 상기 사용자의 동작을 판별하는 모션 인식 모듈(300)과, 상기 모션 인식 모듈(300)에서 판별된 사용자의 동작에 대한 정보와, 상기 근전도 신호에 대한 정보를 토대로 상기 사용자를 식별하는 개인 식별 모듈(400)을 구비한다.
상기 신호 획득부(200)는 사용자가 착용하는 것으로서, 해당 사용자의 근전도 신호를 측정하는 측정부재(210)와, 측정부재(210)에서 측정된 근전도 신호에서 상기 사용자의 동작을 판별하거나 사용자를 식별하기 위한 특징 정보를 추출하고, 추출된 특징 정보를 상기 모션 인식 모듈(300) 또는 개인 식별 모듈(400)에 제공하는 특징 정보 추출부(220)를 구비한다.
상기 측정부재(210)는 도면에 도시되진 않았지만, 사용자의 신체 일부분에 접촉하도록 해당 신체에 착용되며, 근전도 신호를 측정하기 위해 센서모듈(미도시)을 구비한다. 상기 측정부재(210)는 사용자의 근전도 신호를 측정하기 위해 종래에 일반적으로 사용되는 근전도 신호 측정 수단이 적용되므로 상세한 설명은 생략한다. 해당 측정부재(210)는 무선 통신망 또는 유선 통신망을 통해 측정된 근전도 신호를 특징 정보 추출부(220)에 전송한다.
상기 특징 정보 추출부(220)는 측정부재(210)에서 측정된 근전도 신호에서 주파수 영역의 특징 정보를 추출하는 주파수 특징 추출모듈(221)과, 상기 측정부재(210)에서 측정된 근전도 신호에서 시간 영역의 특징 정보를 추출하는 시간 특징 추출모듈(222)을 구비한다.
상기 주파수 특징 추출모듈(221)은 근전도 신호를 시간-주파수 영역으로 변환하여 2차원 스칼로그램 이미지를 획득하고, 해당 2차원 스칼로그램 이미지를 상기 주파수 영역의 특징 정보로 설정한다.
즉, 상기 주파수 특징 추출모듈(221)은 연속 웨이블릿 변환을 통해 신호를 웨이블릿 변환을 수행한 후 웨이블릿 계수의 절대값을 구하여 2차원 스칼로그램 이미지를 획득한다. 상기 웨이블릿 변환은 시간 주파수 변환으로써, 가로축이 시간축, 세로축이 주파수 축이어서 주파수 대역별 시간변화를 시각적으로 파악할 수 있다. 여기서, 스칼로그램은 연속 웨이블릿 변환 계수의 절대 값이며, 상기 웨이블릿 신호를 마더 웨이블릿의 확대되거나 이동한 것들로 분해한다.
근전도 신호의 연속 웨이블릿 변환 (CWT; Continuous Wavelet Transform)은 마더 웨이블릿의 이동과 스케일링된 함수들로 근전도 신호를 분해하는 것으로 수식은 하기의 수학식 1과 같다.
Figure pat00001
여기서, f(t)는 입력 신호이고 t는 시간을 나타낸다. ψ은 마더웨이블렛이고, scale은 마더웨이블렛의 크기인자, position은 마더웨이블렛의 위치인자이다.
한편, 도 2에는 멀티 채널 근전도 신호의 시간-주파수 이미지 변환에 대한 방법으로 근전도 신호 수준에서 벡터들을 연결하여 스칼로그램으로 변환하는 방법에 대한 개념도가 게시되어 있고, 도 3에는 개별 채널별로 스칼로그램으로 변환하여 병렬연결하는 방법에 대한 개념도가 게시되어 있다. 도면을 참조하면, 도 3과 같이 개별 체녈별로 스칼로그램을 구상할 경우, 지역적인 신호의 성분이 작음에도 크게 부각되어 성능에 안좋은 영향을 줄 수 있지만, 도 2와 같이 신호 수준에서 연결하여 스칼로그램으로 변환을 수행할 경우, 전역적으로 스칼로그램이 변환되어 신호를 더 일반화하는 효과가 있다. 실제로 신경망 학습을 수행한 경우, 신호 수준에서 연결하여 스칼로그램으로 변환하는 방법이 더 성능이 높음을 알 수 있다. 따라서, 주파수 특징 추출모듈(221)은 상기 신호 수준에서 연결하여 스칼로그램으로 변환하는 방법을 이용하는 것이 바람직하다.
상술된 주파수 특징 추출모듈(221)은 추출된 주파수 영역의 특징 정보를 모션 인식 모듈(300) 및 개인 식별 모듈(400)에 전송한다.
시간 특징 추출모듈(222)은 근전도 신호를 토대로 MAV(Mean Absolute Value), MAVSLP(Mean Absolute Value Slope), ZC(Zero Crossing), SSC(Slope Sign Change) 또는 WL(Waveform Length) 중 적어도 어느 하나의 특징 추출 알고리즘을 이용하여 상기 시간 영역의 특징 정보를 추출한다.
여기서, MAV(Mean Absolute Value)는 근전도 신호 값들에 대해 절대값을 취한 후, 그 절대값들을 모두 더하고, 해당 절대값들의 개수로 나누어 평균한 값으로 하기의 수학식 2와 같다.
Figure pat00002
여기서, Xi는 i번째 세그먼트의 MAV 특징값, N은 i번째 세그먼트의 원소수, xk는 i번째 세그먼트의 원소, I는 세그먼트의 개수를 나타낸다.
상기 MAVSLP(Mean Absolute Value Slope)은 Mean Absolute Value의 변화량을 구한 값으로 하기의 수학식 3과 같다.
Figure pat00003
여기서, Xi는 i번째 세그먼트의 MAV의 특징값이고, I은 세그먼트이 개수이다.
그리고, ZC(Zero Crossing)는 단순한 주파수 측정법으로 0점을 통과한 횟수를 카운팅한 값이다. Zero Crossing은 0 근처에서 아주 작게 떨리는 것을 제외하기 위해 Threshhold를 포함해야 하며 하기의 수학식 4로 산출할 수 있다.
Figure pat00004
여기서, V는 볼트 이고, xk는 세그먼트의 원소를 나타낸다.
또한, SSC(Slope Sign Change)는 슬로프의 sign이 변하는 횟수를 가운팅한 값이다. Slope Sign Change는 슬로프 sign 변화의 잡음을 줄이기 위해 Threshhold를 포함시키며 하기의 수학식 5로 산출할 수 있다.
Figure pat00005
그리고, 상기 WL(Waveform Length)는 근전도 신호의 파형의 복잡성에 대한 정보를 포함하는 특징으로서, 근전도 신호의 변화량의 절대값을 누적한 것으로 하기의 수학식 6으로 산출된다.
Figure pat00006
여기서, N은 세그먼트의 원소개수를 나타내고 xk는 세그먼트의 원소를 의미한다.
MAV(Mean Absolute Value), MAVSLP(Mean Absolute Value Slope), ZC(Zero Crossing), SSC(Slope Sign Change) 또는 WL(Waveform Length) 중 시간 특징 추출모듈(222)에서 이용되는 특징 추출 알고리즘은 시스템 제작자에 의해 기 설정되는 것이 바람직하다. 해당 시간 특징 추출모듈(222)은 특징 추출 알고리즘을 이용하여 추출된 시간 영역의 특징 정보를 모션 인식 모듈(300) 및 개인 식별 모듈(400)에 전송한다.
모션 인식 모듈(300)은 상기 신호 획득부(200)에서 제공되는 근전도 신호에 대한 정보를 토대로 상기 근전도 신호의 획득 시점에서의 상기 사용자의 동작을 판별한다. 여기서, 모션 인식 모듈(300)은 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 토대로 동작을 판별하기 위해 기구축된 제1신경망 모델에, 상기 특징 정보 추출부(220)에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 적용하여 상기 사용자의 동작을 판별한다.
상기 제1신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델인 것이 바람직하다.
도 4에는 연속 웨이블릿 변환으로 획득된 근전도 신호의 주파수 영역의 특징 정보를 토대로 합성곱 신경망을 이용해 분류하는 모델을 나타낸 개념도가 게시되어 있다. 해당 합성곱 신경망은 제작자로부터 기입력된 다수의 학습 데이터를 처리하여 구축되는데, 여기서, 학습 데이터는 다수의 근전도 신호의 주파수 영역의 특징 정보 및 해당 근전도 신호에 대응되는 사람의 동작에 대한 정보에 대한 다수의 데이터가 적용된다. 상술된 합성곱 신경망은 종래에 일반적으로 사용되는 합성공 신경망 모델이 적용되므로 상세한 설명은 생략한다. 해당 합성곱 신경망은 잡음에 민감한 근전도 신호를 잡음에 강인한 분석법인 시간-주파수 영역에서 분석함으로서 잡음에 강한 분류 모델을 설계할 수 있다.
도 5에는 근전도 신호의 시간 영역의 특징 정보를 토대로 장단기 기억(Long Short-Term Memory) 신경망을 이용해 분류하는 모델을 나타낸 개념도가 게시되어 있다. 여기서, 잡음에 민감한 근전도 신호를 잡음에 영향을 덜 받는 시간 영역의 특징 정보들을 구하여 시퀀스 벡터로 구성한다. 해당 장단기 기억 신경망은 제작자로부터 기입력된 근전도 신호의 신호 영역의 특징 정보 및 해당 근전도 신호에 대응되는 사람의 동작에 대한 정보에 대한 다수의 학습 데이터를 이용하여 구축되는 것으로서, 종래에 일반적으로 사용되는 장단기 기억(Long Short-Term Memory) 신경망 모델이 적용되는 상세한 설명은 생략한다.
도 6에는 상기 합성곱 신경망 모델 및 장단기 기억 신경망 모델의 개별 스코어들을 결합하여 최종 스코어를 얻어서 분류하는 앙상블 모델에 대한 개념도가 게시되어 있다. 제1신경망 모델은 상술된 앙상블 모델이 적용되는데, 합성곱 신경망에서 근전도 신호의 주파수 영역 특징 정보들을 분석하고, 시간영역에서 잡음에 강인한 특징들을 분석하여 장단기 기억 신경망을 이용하여 근전도 신호의 시간 성분의 특징들을 분석하고, 이 두 분석 결과를 서로 조합하고 상호 보상함으로서 보다 더 높은 신뢰도 및 정확도를 갖는 분석 결과를 획득할 수 있다. 여기서, 모션 인식 모듈(300)은 제작자에 의해 기입된 합성곱 신경망 및 장단기 기억 신경망에 적용할 가중치 알고리즘에 따라 각 신경망들의 결과 값을 보상하여 조합한다.
모션 인식 모듈(300)은 상술된 제1신경망 모델에, 상기 특징 정보 추출부(220)에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 적용하여 상기 사용자의 동작을 판별하고, 판별된 사용자의 동작에 대한 정보를 개인 식별 모듈(400)에 전송한다.
개인 식별 모듈(400)은 모션 인식 모듈(300)에서 판별된 사용자의 동작에 대한 정보와, 상기 근전도 신호에 대한 정보를 토대로 상기 사용자를 식별한다. 여기서, 개인 식별 모듈(400)은 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와 사용자의 동작 정보를 토대로 사용자를 식별하기 위해 기구축된 제2신경망 모델에, 상기 특징 정보 추출부(220)에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와, 상기 모션 인식 모듈(300)에서 판별된 사용자의 동작에 대한 정보를 적용하여 상기 사용자를 식별한다.
상기 제2신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델인 적용된다.
제2신경망 모델의 합성곱 신경망 모델은 제작자로부터 기입력된 다수의 학습 데이터를 처리하여 구축되는데, 여기서, 학습 데이터는 다수의 근전도 신호의 주파수 영역의 특징 정보, 해당 근전도 신호에 대응되는 사람의 동작, 및 해당 근전도 신호에 대응되는 사용자의 개인 정보에 대한 다수의 데이터가 적용된다. 또한, 제2신경망 모델의 장단기 기억 신경망은 제작자로부터 기입력된 근전도 신호의 신호 영역의 특징 정보, 해당 근전도 신호에 대응되는 사람의 동작에 대한 정보 및 해당 근전도 신호에 대응되는 사용자의 개인 정보에 대한 다수의 학습 데이터를 이용하여 구축되는 것으로서, 종래에 일반적으로 사용되는 장단기 기억(Long Short-Term Memory) 신경망 모델이 적용되는 상세한 설명은 생략한다. 제2신경망 모델은 합성곱 신경망에서 근전도 신호의 주파수 영역 특징 정보들을 분석하고, 시간영역에서 잡음에 강인한 특징들을 분석하여 장단기 기억 신경망을 이용하여 근전도 신호의 시간 성분의 특징들을 분석하고, 이 두 분석 결과를 서로 조합하고 상호 보상함으로서 보다 더 높은 신뢰도 및 정확도를 갖는 분석 결과를 획득할 수 있다. 여기서, 개인 식별 모듈(400)은 제작자에 의해 기입된 합성곱 신경망 및 장단기 기억 신경망에 적용할 가중치 알고리즘에 따라 각 신경망들의 결과 값을 보상하여 조합한다.
여기서, 제2신경망 모델은 도면에 도시되진 않았지만, 상술된 제1신경망 모델을 재활용하여 구축될 수도 있다.
한편, 도 7에는 본 발명에 따른 근전도 신호를 이용한 사용자 식별 시스템(100)을 이용한 사용자 식별 방법에 대한 순서도가 도시되어 있다.
도면을 참조하면, 상기 사용자 식별 방법은 신호 획득 단계(S100), 모션 인식 단계(S200) 및 개인 식별 단계(S300)를 포함한다.
신호 획득 단계(S100)는 사용자에 대한 근전도 신호를 획득하는 단계로서, 측정단계(S110) 및 특징 정보 추출단계(S120)를 포함한다.
상기 측정단계(S110)는 사용자에 착용된 측정부재(210)를 이용하여 사용자의 근전도 신호를 측정한다. 해당 측정부재(210)는 측정된 사용자의 근전도 신호를 특징 정보 추출부(220)에 전송한다.
특징 정보 추출단계(S120)는 측정단계(S110)에서 측정된 근전도 신호에서, 사용자의 동작을 판별하거나 사용자를 식별하기 위한 특징 정보를 추출하는 단계로서, 주파수 특징 추출단계(S121) 및 시간 특징 추출단계(S122)를 포함한다.
상기 주파수 특징 추출단계(S121)는 측정부재(210)에서 측정된 근전도 신호에서 주파수 영역의 특징 정보를 추출하는 단계이다. 여기서, 해당 주파수 특징 추출단계(S121)에서, 주파수 특징 추출모듈(221)은 근전도 신호를 시간-주파수 영역으로 변환하여 2차원 스칼로그램 이미지를 획득하고, 해당 2차원 스칼로그램 이미지를 상기 주파수 영역의 특징 정보로 설정한다. 주파수 특징 추출부는 추출된 주파수 영역의 특징 정보를 모션 인식 모듈(300) 및 개인 식별 모듈(400)로 전송한다.
상기 시간 특징 추출단계(S122)는 측정부재(210)에서 측정된 근전도 신호에서 시간 영역의 특징 정보를 추출하는 단계이다. 시간 특징 추출모듈(222)은 근전도 신호를 토대로 MAV(Mean Absolute Value), MAVSLP(Mean Absolute Value Slope), ZC(Zero Crossing), SSC(Slope Sign Change) 또는 WL(Waveform Length) 중 적어도 어느 하나의 특징 추출 알고리즘을 이용하여 상기 시간 영역의 특징 정보를 추출한다. 이때, 시간 특징 추출모듈(222)은 상술된 특징 추출 알고리즘 모두를 사용하여 다수의 시간 영역의 특징 정보를 추출할 수도 있다. 시간 특징 추출모듈(222)은 추출된 시간 영역의 특징 정보들을 모션 인식 모듈(300) 및 개인 식별 모듈(400)로 전송한다.
모션 인식 단계(S200)는 신호 획득 단계(S100)에서 획득한 근전도 신호에 대한 정보를 토대로 근전도 신호의 획득 시점에서의 상기 사용자의 동작을 판별하는 단계이다. 여기서, 상술된 모션 인식 모듈(300)은 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 토대로 동작을 판별하기 위해 기구축된 제1신경망 모델에, 상기 특징 정보 추출부(220)에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 적용하여 상기 사용자의 동작을 판별한다. 이때, 상기 제1신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델이 적용된다.
개인 식별 단계(S300)는 모션 인식 단계(S200)에서 판별된 사용자의 동작에 대한 정보와, 상기 근전도 신호에 대한 정보를 토대로 상기 사용자를 식별하는 단계이다. 여기서, 상술된 개인 식별 모듈(400)은 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와 사용자의 동작 정보를 토대로 사용자를 식별하기 위해 기구축된 제2신경망 모델에, 상기 특징 정보 추출부(220)에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와, 상기 모션 인식 모듈(300)에서 판별된 사용자의 동작에 대한 정보를 적용하여 상기 사용자를 식별한다. 이때, 제2신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 장단기 기억((Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델이 적용된다.
상술된 바와 같이 구성된 본 발명에 따른 근전도 신호를 이용한 사용자 식별 시스템(100) 및 이를 이용한 사용자 식별 방법은 사용자로부터 획득한 근전도 신호를 이용하여 해당 사용자의 동작을 판별하고, 판별된 동작 정보를 이용하여 사용자를 식별하므로 잡음의 영향을 줄이면서 비교적 신뢰도 및 정확도가 높은 식별 결과를 획득할 수 있는 장점이 있다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
100: 근전도 신호를 이용한 사용자 식별 시스템
200: 신호 획득부
210: 측정부재
220: 특징 정보 추출부
221: 주파수 특징 추출모듈
222: 시간 특징 추출모듈
300: 모션 인식 모듈
400: 개인 식별 모듈

Claims (18)

  1. 사용자에 대한 근전도 신호를 획득하는 신호 획득부;
    상기 신호 획득부에서 제공되는 근전도 신호에 대한 정보를 토대로 상기 근전도 신호의 획득 시점에서의 상기 사용자의 동작을 판별하는 모션 인식 모듈; 및
    상기 모션 인식 모듈에서 판별된 사용자의 동작에 대한 정보와, 상기 근전도 신호에 대한 정보를 토대로 상기 사용자를 식별하는 개인 식별 모듈;을 구비하는,
    근전도 신호를 이용한 사용자 식별 시스템.
  2. 제1항에 있어서,
    상기 신호 획득부는
    상기 사용자가 착용하는 것으로서, 해당 사용자의 근전도 신호를 측정하는 측정부재;
    상기 측정부재에서 측정된 상기 근전도 신호에서, 상기 사용자의 동작을 판별하거나 사용자를 식별하기 위한 특징 정보를 추출하고, 추출된 특징 정보를 상기 모션 인식 모듈 또는 개인 식별 모듈에 제공하는 특징 정보 추출부;를 구비하는,
    근전도 신호를 이용한 사용자 식별 시스템.
  3. 제2항에 있어서,
    상기 특징 정보 추출부는,
    상기 측정부재에서 측정된 근전도 신호에서 주파수 영역의 특징 정보를 추출하는 주파수 특징 추출모듈; 및
    상기 측정부재에서 측정된 근전도 신호에서 시간 영역의 특징 정보를 추출하는 시간 특징 추출모듈;을 구비하는,
    근전도 신호를 이용한 사용자 식별 시스템.
  4. 제3항에 있어서,
    상기 주파수 특징 추출모듈은 상기 근전도 신호를 시간 주파수 영역으로 변환하여 2차원 스칼로그램 이미지를 획득하고, 해당 2차원 스칼로그램 이미지를 상기 주파수 영역의 특징 정보로 설정하는,
    근전도 신호를 이용한 사용자 식별 시스템.
  5. 제3항에 있어서,
    상기 시간 특징 추출모듈은 MAV(Mean Absolute Value), MAVSLP(Mean Absolute Value Slope), ZC(Zero Crossing), SSC(Slope Sign Change) 또는 WL(Waveform Length) 중 적어도 어느 하나의 특징 추출 알고리즘을 이용하여 상기 시간 영역의 특징 정보를 추출하는,
    근전도 신호를 이용한 사용자 식별 시스템.
  6. 제3항에 있어서,
    상기 모션 인식 모듈은 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 토대로 동작을 판별하기 위해 기구축된 제1신경망 모델에, 상기 특징 정보 추출부에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 적용하여 상기 사용자의 동작을 판별하는,
    근전도 신호를 이용한 사용자 식별 시스템.
  7. 제6항에 있어서,
    상기 제1신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델인,
    근전도 신호를 이용한 사용자 식별 시스템.
  8. 제3항에 있어서,
    상기 개인 식별 모듈은 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와 사용자의 동작 정보를 토대로 사용자를 식별하기 위해 기구축된 제2신경망 모델에, 상기 특징 정보 추출부에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와, 상기 모션 인식 모듈에서 판별된 사용자의 동작에 대한 정보를 적용하여 상기 사용자를 식별하는,
    근전도 신호를 이용한 사용자 식별 시스템.
  9. 제8항에 있어서,
    상기 제2신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델인,
    근전도 신호를 이용한 사용자 식별 시스템.
  10. 사용자에 대한 근전도 신호를 획득하는 신호 획득 단계;
    상기 신호 획득 단계에서 획득한 근전도 신호에 대한 정보를 토대로 상기 근전도 신호의 획득 시점에서의 상기 사용자의 동작을 판별하는 모션 인식 단계; 및
    상기 모션 인식 단계에서 판별된 사용자의 동작에 대한 정보와, 상기 근전도 신호에 대한 정보를 토대로 상기 사용자를 식별하는 개인 식별 단계;를 포함하는,
    사용자 식별 방법.
  11. 제10항에 있어서,
    상기 신호 획득 단계는
    상기 사용자에 착용된 측정부재를 이용하여 사용자의 근전도 신호를 측정하는 측정단계; 및
    상기 측정단계에서 측정된 상기 근전도 신호에서, 상기 사용자의 동작을 판별하거나 사용자를 식별하기 위한 특징 정보를 추출하는 특징 정보 추출단계;를 포함하는,
    사용자 식별 방법.
  12. 제11항에 있어서,
    상기 특징 정보 추출단계는
    상기 측정부재에서 측정된 근전도 신호에서 주파수 영역의 특징 정보를 추출하는 주파수 특징 추출단계; 및
    상기 측정부재에서 측정된 근전도 신호에서 시간 영역의 특징 정보를 추출하는 시간 특징 추출단계;를 포함하는,
    사용자 식별 방법.
  13. 제12항에 있어서,
    상기 주파수 특징 추출단계에서는 상기 근전도 신호를 시간 주파수 영역으로 변환하여 2차원 스칼로그램 이미지를 획득하고, 해당 2차원 스칼로그램 이미지를 상기 주파수 영역의 특징 정보로 설정하는,
    사용자 식별 방법.
  14. 제12항에 있어서,
    상기 시간 특징 추출단계에서는 MAV(Mean Absolute Value), MAVSLP(Mean Absolute Value Slope), ZC(Zero Crossing), SSC(Slope Sign Change) 또는 WL(Waveform Length) 중 적어도 어느 하나의 특징 추출 알고리즘을 이용하여 상기 시간 영역의 특징 정보를 추출하는,
    사용자 식별 방법.
  15. 제12항에 있어서,
    상기 모션 인식 단계에서는, 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 토대로 동작을 판별하기 위해 기구축된 제1신경망 모델에, 상기 특징 정보 추출부에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보를 적용하여 상기 사용자의 동작을 판별하는,
    사용자 식별 방법.
  16. 제15항에 있어서,
    상기 제1신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보를 토대로 사용자의 동작을 판별하는 장단기 기억(Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델인,
    사용자 식별 방법.
  17. 제12항에 있어서,
    상기 개인 식별 단계에서는, 근전도 신호의 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와 사용자의 동작 정보를 토대로 사용자를 식별하기 위해 기구축된 제2신경망 모델에, 상기 특징 정보 추출부에서 제공된 상기 주파수 영역의 특징 정보 및 시간 영역의 특징 정보와, 상기 모션 인식 모듈에서 판별된 사용자의 동작에 대한 정보를 적용하여 상기 사용자를 식별하는,
    사용자 식별 방법.
  18. 제17항에 있어서,
    상기 제2신경망 모델은 상기 근전도 신호의 주파수 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 합성곱 신경망(Convolutional neural network)과, 상기 근전도 신호의 시간 영역의 특징 정보와 사용자의 동작에 대한 정보를 토대로 사용자를 식별하는 장단기 기억((Long Short-Term Memory) 신경망의 조합으로 구성된 앙상블 모델인,
    사용자 식별 방법.
KR1020220158226A 2022-11-23 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법 KR20240076092A (ko)

Publications (1)

Publication Number Publication Date
KR20240076092A true KR20240076092A (ko) 2024-05-30

Family

ID=

Similar Documents

Publication Publication Date Title
Wu et al. Assess sleep stage by modern signal processing techniques
US10154818B2 (en) Biometric authentication method and apparatus
Pollreisz et al. A simple algorithm for emotion recognition, using physiological signals of a smart watch
Zhang et al. Bayesian learning for spatial filtering in an EEG-based brain–computer interface
CN109993068B (zh) 一种基于心率和面部特征的非接触式的人类情感识别方法
CN109598219B (zh) 一种用于鲁棒肌电控制的自适应电极配准方法
CN111839506B (zh) 脑力负荷检测方法及装置
Kosmidou et al. Using sample entropy for automated sign language recognition on sEMG and accelerometer data
Mithbavkar et al. Recognition of emotion through facial expressions using EMG signal
CN111262637B (zh) 一种基于Wi-Fi信道状态信息CSI的人体行为识别方法
Lamooki et al. A data analytic end-to-end framework for the automated quantification of ergonomic risk factors across multiple tasks using a single wearable sensor
Alotaiby et al. A nonfiducial PPG-based subject Authentication Approach using the statistical features of DWT-based filtered signals
Pazhanirajan et al. EEG signal classification using linear predictive cepstral coefficient features
Luo et al. Activity-based person identification using multimodal wearable sensor data
Tripathi et al. SurfMyoAiR: A surface electromyography-based framework for airwriting recognition
KR101875472B1 (ko) 지화 인식 시스템 및 방법
KR20160001081A (ko) 뇌파를 기반으로 하는 군집 감성 분석 장치, 방법 및 이를 수행하기 위한 기록 매체
KR20240076092A (ko) 근전도 신호를 이용한 사용자 식별 시스템 및 이를 이용한 사용자 식별 방법
Mendes et al. Subvocal speech recognition based on EMG signal using independent component analysis and neural network MLP
Al-Naffakh A comprehensive evaluation of feature selection for gait recognition using smartwatches
Huang et al. Human behavior recognition based on motion data analysis
De Ipina et al. Selection of entropy based features for the analysis of the Archimedes' spiral applied to essential tremor
Tan et al. Towards real time implementation of sparse representation classifier (SRC) based heartbeat biometric system
CN112863515B (zh) 利用手机扬声器和麦克风识别人体舌头下颚动作的方法
Verma et al. Human activity recognition with wearable biomedical sensors in cyber physical systems