WO2024069863A1 - 算出装置、算出方法、および算出プログラム - Google Patents

算出装置、算出方法、および算出プログラム Download PDF

Info

Publication number
WO2024069863A1
WO2024069863A1 PCT/JP2022/036469 JP2022036469W WO2024069863A1 WO 2024069863 A1 WO2024069863 A1 WO 2024069863A1 JP 2022036469 W JP2022036469 W JP 2022036469W WO 2024069863 A1 WO2024069863 A1 WO 2024069863A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
periodic
calculation
biometric data
segment
Prior art date
Application number
PCT/JP2022/036469
Other languages
English (en)
French (fr)
Inventor
リナ セプティアナ
Original Assignee
富士通株式会社
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 富士通株式会社 filed Critical 富士通株式会社
Priority to PCT/JP2022/036469 priority Critical patent/WO2024069863A1/ja
Publication of WO2024069863A1 publication Critical patent/WO2024069863A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb

Definitions

  • This matter relates to a calculation device, a calculation method, and a calculation program.
  • the present invention aims to provide a calculation device, a calculation method, and a calculation program that can improve the accuracy of feature extraction.
  • the calculation device includes a calculation unit that calculates a range of non-periodic period data in which non-periodicity appears in biological data including time-series information based on cyclic period data in which periodicity appears in the biological data, and a feature extraction unit that extracts features from the range of non-periodic period data calculated by the calculation unit.
  • the accuracy of feature extraction can be improved.
  • FIG. 11 is a diagram for explaining continuous authentication.
  • 4A to 4C are diagrams illustrating examples of biometric data.
  • 4A to 4C are diagrams illustrating examples of biometric data.
  • 13A to 13D are diagrams illustrating continuous authentication.
  • FIG. 13 is a diagram illustrating an example of a case where biometric data is divided by periodicity.
  • 1A is a functional block diagram illustrating an example of the overall configuration of an authentication device
  • FIG. 1B is a block diagram illustrating an example of a hardware configuration.
  • 11 is a flowchart illustrating an authentication process.
  • 13A and 13B are diagrams illustrating examples of time-series changes in human walking movements.
  • FIG. 4A is a diagram illustrating an example of biological data from which a high correlation is obtained, and FIG.
  • FIG. 4B is a diagram illustrating an example of an autocorrelation coefficient.
  • 13A is a diagram illustrating an example in which two periods are set as one period of a periodic segment
  • FIG. 13B is a diagram illustrating an example in which they are overlapped by 50%.
  • 13A and 13B are diagrams illustrating an example of a time window.
  • FIG. 13 is a diagram illustrating an example in which the images are overlapped by 50%.
  • FIG. 1 is a diagram for describing continuous authentication.
  • first highly accurate first authentication is performed.
  • biometric authentication such as face authentication, palm authentication, vein authentication, and fingerprint authentication is performed using a mobile terminal such as a smartphone carried by the user.
  • identity verification it is possible to perform identity verification with high accuracy.
  • a user is often required to perform a predetermined operation.
  • the user may take a picture of the face with a camera, take a picture of the face with a camera, take a picture of the veins with a camera, or press the fingertip against a sensor.
  • the identity verification is successful in the first authentication, it is desirable that the authentication process (second authentication) continues without the need for a predetermined operation, and identity verification continues.
  • identity verification is continued continuously using biometric data detected by a sensor equipped in the mobile terminal, for example, the authentication process will continue automatically without the user having to perform a specified operation. For example, identity verification will continue if characteristics extracted from biometric data detected by sensors such as an acceleration sensor and gyroscope equipped in the mobile terminal are similar to the registered data of the user that has been registered in advance on a server, etc.
  • identity verification could continue conveniently.
  • biometric data detected when walking can be used.
  • Biometric data detected when going up and down stairs can be used.
  • Biometric data detected when opening a door to enter or exit can be used.
  • Biometric data detected when running can be used.
  • Biometric data detected when carrying something can be used.
  • Biometric data detected when falling can be used.
  • biometric data used for continuous authentication is not data collected when the user performs an intentional operation, but rather biometric data collected while engaging in normal daily activities, so there is a risk that high accuracy in feature extraction will not be achieved.
  • FIG. 4(a) a case will be described where a user carrying a mobile terminal is walking.
  • the acceleration biometric data acquired when the user is walking could be divided into time windows having a set duration, and features could be extracted from each time window.
  • the time windows are divided regardless of the period of a periodic movement such as walking, so there is a risk that sufficient feature extraction accuracy cannot be obtained.
  • each time window so that they partially overlap. For example, as shown in Figs. 4(b) to 4(d), a certain time window is set, and the next time window is made to partially overlap with the latter half of the previous time window.
  • the time window is divided regardless of the period of the periodic operation, so there is a risk that sufficient feature extraction accuracy cannot be obtained.
  • FIG. 6(a) is a functional block diagram illustrating an example of the overall configuration of the authentication device 100.
  • the authentication device 100 includes a biometric data storage unit 10, a registration data storage unit 20, a calculation unit 30, a periodic segment extraction unit 40, a time window segment extraction unit 50, a feature extraction unit 60, a feature storage unit 70, an authentication unit 80, and an output unit 90.
  • FIG. 6(b) is a block diagram illustrating an example of the hardware configuration of the biometric data storage unit 10, the registration data storage unit 20, the calculation unit 30, the periodic segment extraction unit 40, the time window segment extraction unit 50, the feature extraction unit 60, the feature storage unit 70, the authentication unit 80, and the output unit 90.
  • the authentication device 100 includes a CPU 101, a RAM 102, a storage device 103, a display device 104, a sensor 105, etc.
  • the CPU (Central Processing Unit) 101 is a central processing unit.
  • the CPU 101 includes one or more cores.
  • the RAM (Random Access Memory) 102 is a volatile memory that temporarily stores the program executed by the CPU 101, the data processed by the CPU 101, and the like.
  • the storage device 103 is a non-volatile storage device.
  • a ROM Read Only Memory
  • SSD solid state drive
  • the storage device 103 stores the program related to this embodiment.
  • the display device 104 is a display device such as a liquid crystal display.
  • the sensor 105 is, for example, an acceleration sensor, a gyroscope, and the like.
  • One sensor 105 may be provided, but multiple sensors 105 may also be provided.
  • the CPU 101 executes a program stored in the storage device 103 to realize the biometric data storage unit 10, the registration data storage unit 20, the calculation unit 30, the periodic segment extraction unit 40, the time window segment extraction unit 50, the feature extraction unit 60, the feature storage unit 70, the authentication unit 80, and the output unit 90.
  • hardware such as a dedicated circuit may be used as the biometric data storage unit 10, the registration data storage unit 20, the calculation unit 30, the periodic segment extraction unit 40, the time window segment extraction unit 50, the feature extraction unit 60, the feature storage unit 70, the authentication unit 80, and the output unit 90.
  • the biometric data storage unit 10 stores the biometric data detected by the sensor 105.
  • the biometric data is biometric data in which the detection value of the sensor 105 changes over time, as illustrated in Figs. 2(a) to 3(c).
  • the biometric data storage unit 10 stores the detection value of the sensor 105 as biometric data including time-series information.
  • the registration data storage unit 20 stores, as registration data, characteristics that have been extracted in advance from biometric data obtained from the daily activities of a specific registered person.
  • a specific registered person is, for example, a user who carries a mobile terminal.
  • the registration data storage unit 20 stores the registration data classified into each action of the registered person.
  • the registration data storage unit 20 stores registration data when walking, registered biometric data when going up and down stairs, registered data when opening a door and entering and exiting, registered data when running, registered data when carrying something, registered data when falling, or a combination of these.
  • Fig. 7 is a flowchart illustrating the authentication process. As illustrated in Fig. 7, the calculation unit 30 acquires biometric data from the biometric data storage unit 10 (step S1).
  • the calculation unit 30 performs preprocessing on the biometric data acquired in step S1 (step S2). For example, the calculation unit 30 performs noise removal processing on the biometric data. Alternatively, the calculation unit 30 converts the biometric data into a predetermined format, etc.
  • the calculation unit 30 determines whether periodicity has been detected from the biometric data (step S3).
  • FIG 8(a) is a diagram illustrating time-series changes in human walking motion.
  • Figure 8(a) illustrates one cycle of movement from placing the right foot on the ground, then the left foot on the ground, and then the right foot on the ground.
  • the timing when the right foot first touches the ground and the timing when the right foot next touches the ground are marked with an "*".
  • a periodic segment is, for example, biometric data in a section that is an integer multiple, such as 1x or 2x, of the periodic section from "*" to "*".
  • biometric data obtained when opening a door to enter or exit is treated as non-periodic biometric data, rather than as periodic biometric data.
  • the concept of autocorrelation is used to detect peaks and periodicity from biometric data.
  • biometric data with periodicity periodic signals are repeated, resulting in high autocorrelation in each periodic segment.
  • autocorrelation it is possible to detect the presence or absence of a period and the duration of one period. For example, in the biometric data of Figure 9(a), when the data is divided into segments with a period of approximately 30 seconds, it is believed that high correlation is obtained between the segments.
  • FIG. 9(b) is a diagram illustrating an example of a normalized autocorrelation coefficient. Periodic segments can be separated at the peak position where the autocorrelation coefficient exceeds a threshold (e.g., 0.9).
  • the autocorrelation coefficient tends to be high by setting a downward convex peak (negative peak) as the start point of a periodic segment.
  • one period of a periodic segment is set to be from a negative peak where the autocorrelation coefficient exceeds a threshold to the next negative peak where the autocorrelation coefficient exceeds the threshold.
  • multiple periods from a negative peak to the next negative peak may be set to be one period of a periodic segment.
  • one period of a periodic segment may be set to be from a negative peak to the negative peak after the next negative peak.
  • two periods may be set to be one period of a periodic segment.
  • the first half of the next periodic segment may be overlapped with the second half of the previous periodic segment, as shown in FIG. 10(b).
  • the overlap is 50%.
  • step S3 of FIG. 7 it is determined whether or not there is a section in which the above-mentioned autocorrelation is high (the autocorrelation coefficient is equal to or greater than a threshold value).
  • the periodic segment extraction unit 40 extracts periodic segments (step S4).
  • the feature extraction unit 60 extracts features from each periodic segment extracted in step S4 (step S5).
  • features for example, statistical quantities such as the mean value, standard deviation, entropy, maximum value, minimum value, absolute difference, mean square, and peak cycle length may be extracted.
  • frequency features such as Fourier transform coefficients and cosine transform coefficients may be extracted.
  • the feature storage unit 70 stores the features extracted in step S5 individually as features for matching (step S6).
  • the time window segment extraction unit 50 extracts time window segments (step S7).
  • the time window segment extraction unit 50 divides the biometric data into predetermined time widths, regardless of the period.
  • the segments obtained in this manner are called time window segments.
  • Each time window segment contains a continuous signal.
  • the average value of the intervals between each peak can be used.
  • each time window segment can contain at least one peak.
  • the time window can be set to a wide range so as to include the entire signal.
  • the time window segment extraction unit 50 may set the time window to a wide range, as shown in the example of FIG. 11(b).
  • the latter half of the previous time window segment may overlap the first half of the next time window segment. In FIG. 12, they overlap by 50%. By partially overlapping the periodic segments, the accuracy of feature extraction is improved.
  • the feature extraction unit 60 extracts features from each time window segment extracted in step S7 (step S8).
  • features statistical quantities such as the mean value, standard deviation, entropy, maximum value, minimum value, absolute difference, mean square, and peak cycle length may be extracted.
  • frequency features such as Fourier transform coefficients and cosine transform coefficients may be extracted.
  • the feature storage unit 70 stores the features extracted in step S8 individually as matching features (step S9). Note that a combination of a periodic section and a non-periodic section, such as when opening a door to enter or exit, constitutes one action. In such a case, the matching features extracted in step S9 may be stored in combination with the matching features extracted in step S6.
  • the authentication unit 80 classifies each matching feature stored in the feature storage unit 70 into periodic segment features and time window segment features (step S10).
  • the authentication unit 80 performs authentication processing by matching the matching features classified in step S10 with the registration data stored in the registration data storage unit 20 (step S11).
  • the result of the authentication process by the authentication unit 80 is output by the output unit 90.
  • the information output by the output unit 90 is displayed on the display device 104 or the like.
  • various processes can be executed using a mobile terminal according to the information output by the output unit 90.
  • the authentication unit 80 calculates the similarity between each of the matching features classified in step S10 and the enrollment data stored in the enrollment data storage unit 20. For example, it is difficult to identify which matching feature is based on which behavior. Therefore, the similarity between the matching feature and each enrollment data stored in the enrollment data storage unit 20 is calculated. Of the obtained similarities, the maximum similarity can be selected and used as the matching score. If a statistical amount such as the sum or average of each matching score is equal to or greater than a threshold value within a specified time range, it can be determined that the person from whom the biometric data was obtained is the same person as the enrolled person.
  • the range of non-periodic period data in which non-periodicity appears in biometric data is calculated based on cyclic period data in which periodicity appears in biometric data including time series information.
  • Features are extracted from the calculated range of non-periodic period data.
  • the accuracy of extraction of non-periodic period data is improved.
  • cyclic period data and non-periodic period data can be extracted with high accuracy.
  • the accuracy of extraction of features required for continuous authentication is improved.
  • the calculation unit 30 is an example of a calculation unit that calculates a range of non-periodic period data in which non-periodicity appears in biometric data based on cyclic period data in which periodicity appears in biometric data including time series information.
  • the feature extraction unit 60 is an example of a feature extraction unit that extracts features from the range of non-periodic period data calculated by the calculation unit.
  • the cyclic segment extraction unit 40 is an example of a cyclic segment extraction unit that extracts multiple cyclic segments from cyclic period data according to periodicity.
  • the time window segment extraction unit 50 is an example of a time window segment extraction unit that extracts multiple time window segments from non-periodic period data by dividing the non-periodic period data by a predetermined time window.
  • the authentication unit 80 is an example of an authentication unit that compares the features extracted by the feature extraction unit with registered data corresponding to the biometric data of the registrant, thereby determining whether the person and the registrant are the same person.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Collating Specific Patterns (AREA)

Abstract

算出装置は、時系列情報を含む生体データにおいて周期性が現れる周期期間データに基づいて、前記生体データにおいて非周期性が現れる非周期期間データの範囲を算出する算出部と、前記算出部が算出した非周期期間データの範囲から特徴を抽出する特徴抽出部と、を備える。

Description

算出装置、算出方法、および算出プログラム
　本件は、算出装置、算出方法、および算出プログラムに関する。
　継続認証を行なう技術が望まれている。例えば、動的データを時間窓で検出して継続認証を行なう技術が開示されている（例えば、特許文献１参照）。
米国特許公開第２０２１／００７６２１２号
　しかしながら、特徴の抽出精度が十分に高くない場合がある。
　１つの側面では、本発明は、特徴の抽出精度を向上させることができる算出装置、算出方法、および算出プログラムを提供することを目的とする。
　１つの態様では、算出装置は、時系列情報を含む生体データにおいて周期性が現れる周期期間データに基づいて、前記生体データにおいて非周期性が現れる非周期期間データの範囲を算出する算出部と、前記算出部が算出した非周期期間データの範囲から特徴を抽出する特徴抽出部と、を備える。
　特徴の抽出精度を向上させることができる。
継続認証について説明するための図である。 （ａ）～（ｃ）は生体データを例示する図である。 （ａ）～（ｃ）は生体データを例示する図である。 （ａ）～（ｄ）は継続認証を例示する図である。 生体データを周期性で区切る場合を例示する図である。 （ａ）は認証装置の全体構成を例示する機能ブロック図であり、（ｂ）はハードウェア構成を例示するブロック図である。 認証処理を例示するフローチャートである。 （ａ）および（ｂ）は人間の歩行動作の時系列変化を例示する図である。 （ａ）は高い相関が得られる生体データを例示する図であり、（ｂ）は、自己相関係数を例示する図である。 （ａ）は２周期分を周期セグメントの1周期に設定する場合を例示する図であり、（ｂ）は５０％ずつ重複させる場合を例示する図である。 （ａ）および（ｂ）は時間窓を例示する図である。 ５０％ずつ重複させる場合を例示する図である。
　実施例の説明に先立って、継続認証について説明する。図１は、継続認証について説明するための図である。継続認証においては、まず、精度の高い第１認証を行う。例えば、図１の例では、ユーザが携帯しているスマートフォンなどの携帯端末を用いて、顔認証、手のひら認証、静脈認証、指紋認証などの生体認証を行なう。第１認証を行なうことによって、高い精度で本人確認を行うことができる。このような第１認証では、ユーザに所定の操作を要求することが多い。例えば、カメラで顔を撮影する、カメラで顔を撮影する、カメラで静脈を撮影する、センサに指先を押し当てる、などである。しかしながら、その後も何らかの操作を必要とされると利便性が悪くなる。そこで、第１認証で本人確認に成功した後には、所定の操作をしなくても認証処理（第２認証）が継続され、本人確認が継続されることが望まれる。
　そこで、例えば、携帯端末が備えているセンサが検出する生体データを用いて、継続的に本人確認が継続されれば、ユーザが所定の操作をしなくても自動的に認証処理が継続される。例えば、携帯端末が備える加速度センサ、ジャイロスコープなどのセンサが検出する生体データから抽出される特徴が、サーバなどに予め登録してある当該ユーザの登録データに類似する場合に、本人確認が継続される。
　例えば、住居、買い物、音楽活動などの趣味、職場での仕事、公共交通機関の使用などの生活活動をするうえで、所定の操作を要求されることなく認証処理が継続されれば、利便性良く本人確認が継続される。
　例えば、図２（ａ）で例示するような、歩行するときに検出される生体データを用いることができる。図２（ｂ）で例示するような、階段を上り下りするときに検出される生体データを用いることができる。図２（ｃ）で例示するような、ドアを開けて入退出するときに検出される生体データを用いることができる。図３（ａ）で例示するような、ランニングをするときに検出される生体データを用いることができる。図３（ｂ）で例示するような、何かを持ち運びするときに検出される生体データを用いることができる。図３（ｃ）で例示するような、倒れるときに検出される生体データを用いることができる。
　しかしながら、継続認証に用いられるこれらの生体データは、ユーザが意図して操作をしたときのデータではなく、通常の生活活動を行う場合の生体データであるため、高い特徴抽出精度が得られないおそれがある。
　以下、継続認証を行なう場合の手法について例示する。まず、図４（ａ）で例示するように、携帯端末を携帯するユーザが歩行する場合について説明する。例えば、ユーザが歩行する場合に取得される加速度生体データを、定められた時間幅を有する時間窓で区切り、各時間窓から特徴を抽出することが考えられる。しかしながら、この手法では、歩行時のような周期的な動作における周期とは無関係に時間窓が区切られるため、十分な特徴抽出精度が得られないおそれがある。
　次に、各時間窓を、一部が重複するように区切ることが考えられる。例えば、図４（ｂ）～図４（ｄ）で例示するように、所定の時間窓を設定し、次の時間窓は、先の時間窓の後半部分に一部重複させる。しかしながら、この手法でも、周期的な動作における周期と無関係に時間窓が区切られるため、十分な特徴抽出精度が得られないおそれがある。
　次に、定められた時間幅の時間窓で生体データを区切るのではなく、図５で例示するように、生体データに現れる周期性に着目し、周期ごとに区切る手法が考えられる。しかしながら、この手法は、周期性が現れないような生体データには不向きである。
　以上のように、継続認証を行なうにあたって、高い精度で特徴抽出を行なうのは困難である。そこで、以下の実施例では、特徴の抽出精度を向上させることができる例について説明する。
　図６（ａ）は、認証装置１００の全体構成を例示する機能ブロック図である。図６（ａ）で例示するように、認証装置１００は、生体データ格納部１０、登録データ格納部２０、算出部３０、周期セグメント抽出部４０、時間窓セグメント抽出部５０、特徴抽出部６０、特徴格納部７０、認証部８０、出力部９０などを備える。
　図６（ｂ）は、生体データ格納部１０、登録データ格納部２０、算出部３０、周期セグメント抽出部４０、時間窓セグメント抽出部５０、特徴抽出部６０、特徴格納部７０、認証部８０、出力部９０のハードウェア構成を例示するブロック図である。図５（ｂ）で例示するように、認証装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４、センサ１０５等を備える。
　ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１は、中央演算処理装置である。ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。記憶装置１０３は、本実施例に係るプログラムを記憶している。表示装置１０４は、液晶ディスプレイなどの表示装置である。センサ１０５は、例えば、加速度センサ、ジャイロスコープなどである。センサ１０５は、１つ設けられていてもよいが、複数設けられていてもよい。ＣＰＵ１０１が記憶装置１０３に記憶されているプログラムを実行することで、生体データ格納部１０、登録データ格納部２０、算出部３０、周期セグメント抽出部４０、時間窓セグメント抽出部５０、特徴抽出部６０、特徴格納部７０、認証部８０、および出力部９０が実現される。なお、生体データ格納部１０、登録データ格納部２０、算出部３０、周期セグメント抽出部４０、時間窓セグメント抽出部５０、特徴抽出部６０、特徴格納部７０、認証部８０、および出力部９０として、専用の回路などのハードウェアを用いてもよい。
　生体データ格納部１０は、センサ１０５が検出する生体データを格納している。例えば、生体データは、図２（ａ）～図３（ｃ）で例示したような、時間の経過とともにセンサ１０５の検出値が変遷する生体データである。生体データ格納部１０は、センサ１０５の検出値を、時系列情報を含む生体データとして格納する。
　登録データ格納部２０は、所定の登録者の生活活動から得られる生体データから予め抽出しておいた特徴を登録データとして格納している。所定の登録者は、例えば、携帯端末を携帯するユーザである。
　例えば、登録データ格納部２０は、登録者の各行動に分類して、登録データを格納している。例えば、登録データ格納部２０は、歩行するときの登録データ、階段を上り下りするとの登録生体データ、ドアを開けて入退出するときの登録データ、ランニングをするときの登録データ、何かを持ち運びするときの登録データ、倒れるときの登録データ、またはこれらの組合せのデータなどを格納している。
（認証処理）
　続いて、認証装置１００が実行する認証処理について説明する。図７は、認証処理を例示するフローチャートである。図７で例示するように、算出部３０は、生体データ格納部１０から生体データを取得する（ステップＳ１）。
　次に、算出部３０は、ステップＳ１で取得した生体データに対して前処理を行う（ステップＳ２）。例えば、算出部３０は、生体データに対してノイズ除去処理を行う。または、算出部３０は、生体データを所定のフォーマットなどに変換する。
　次に、算出部３０は、生体データから周期性が検出されたか否かを判定する（ステップＳ３）。
　ここで、生体データにおける周期性および非周期性の詳細について説明する。一例として、人間の歩行時に検出される生体データについて説明する。図８（ａ）は、人間の歩行動作の時系列変化を例示する図である。図８（ａ）では、右足を地面につけて、次に左足を地面につけて、次に右足を地面につけるまでの１サイクルの運動が例示されている。図８（ａ）の例では、最初に右足を地面につけるタイミングと、次に右足を地面につけるタイミングに、「＊」の印を付してある。
　人間の歩行時には、「＊」から「＊」までの区間が繰り返される。この「＊」から「＊」までの区間の生体データには、各個人に特有の特徴が現れる。例えば、１周期の時間幅、各周期の波形形状などである。そこで、このような周期性が検出される生体データについては、定められた時間幅で区切るのではなく、「＊」から「＊」までの周期区間に区切っていくことで、各個人に特有の特徴が現れる周期データを抽出することができる。このように周期性を基に抽出される生体データを、周期セグメントと称する。周期セグメントは、例えば、「＊」から「＊」までの周期区間の１倍、２倍などの整数倍の区間の生体データである。
　図８（ｂ）で例示するように、約３０秒周期でセグメントに区切った場合に、周期性が見られていることがわかる。なお、図８（ｂ）のセンサデータは、一例として、加速度センサで得られた加速度である。
　なお、ドアを開けて入退出するときなどは、周期的な運動が行われるわけではない。したがって、ドアを開けて入退出するときなどの生体データは、周期性を有する生体データではなく、非周期性を有している生体データとして扱うことが望まれる。
　次に、生体データから周期性を検出する手法について説明する、例えば、自己相関の概念を用いて、生体データからピークや周期性を検出する。周期性を有する生体データでは、周期的な信号が繰り返されるため、各周期セグメントに高い自己相関が現れる。自己相関の概念を用いて、周期の有無および１周期の期間を検出することができる。例えば、図９（ａ）の生体データでは、約３０秒周期でセグメントに区切った場合に、セグメント間で高い相関が得られているものと考えられる。
　そこで、例えば、自己相関係数が閾値を超える場合に、生体データに周期性が現れていると判断することができる。周期セグメントの開始時点については、自己相関係数に基づいて定めてもよい。図９（ｂ）は、正規化した自己相関係数を例示する図である。自己相関係数が閾値（例えば、０．９など）を超えたピーク位置で周期セグメントに区切ることができる。
　なお、例えば、図９（ａ）で例示するように、下に凸のピーク（ネガティブピーク）を周期セグメントの開始時点に定めることによって、自己相関係数が高くなる傾向にある。
　そこで、例えば、自己相関係数が閾値を超えるネガティブピークから、次に自己相関係数が閾値を超えるネガティブピークまでを周期セグメントの１周期とする。または、ネガティブピークから次のネガティブピークまでの周期の複数期間を周期セグメントの１周期としてもよい。例えば、ネガティブピークから次のネガティブピーク以降のネガティブピークまでを周期セグメントの１周期に設定してもよい。例えば、図１０（ａ）で例示するように、２周期分を周期セグメントの1周期に設定してもよい。
　なお、複数周期分を周期セグメントの1周期に設定する場合、図１０（ｂ）で例示するように、先の周期セグメントの後半部分に、次の周期セグメントの前半部分を重複させてもよい。図１０（ｂ）では、５０％ずつ重複させていくことになる。周期セグメントを部分的に重複させることで、特徴抽出精度が向上する。
　図７のステップＳ３においては、例えば、上述した自己相関が高くなる（自己相関係数が閾値以上となる）区間が存在するか否かが判定される。
　ステップＳ３で周期性が検出された区間について、周期セグメント抽出部４０は、周期セグメントを抽出する（ステップＳ４）。
　次に、特徴抽出部６０は、ステップＳ４で抽出された各周期セグメントから特徴を抽出する（ステップＳ５）。例えば、特徴として、平均値、標準偏差、エントロピー、最大値、最小値、絶対値差分、自乗平均、ピークサイクル長などの統計量を抽出してもよい。または、フーリエ変換係数、コサイン変換係数などの周波数特徴を抽出してもよい。
　特徴格納部７０は、ステップＳ５で抽出された特徴を照合用特徴として個別に格納する（ステップＳ６）。
　ステップＳ３で周期性が検出されなかった区間について、時間窓セグメント抽出部５０は、時間窓セグメントを抽出する（ステップＳ７）。
　ここで、定められた時間幅の時間窓について説明する。図１１（ａ）で例示するように、時間窓セグメント抽出部５０は、周期とは無関係に、予め定められた時間幅で生体データを区切っていく。このようにして得られたセグメントを、時間窓セグメントと称する。各時間窓セグメントには、連続的な信号が含まれている。固定の時間幅として、例えば、各ピークの間隔の平均値などを採用することができる。このようにすることで、例えば、各時間窓セグメントに、少なくとも１つのピークを含ませることができる。例えば、ピークが繰り返されない生体データにおいては、時間窓を広範囲に設定し、信号の全体が含まれるようにしてもよい。
　生体データに、繰り返されるピークが検出されない場合には、時間窓セグメント抽出部５０は、図１１（ｂ）で例示するように、時間窓を広範囲に設定してもよい。
　なお、図１２で例示するように、先の時間窓セグメントの後半部分に、次の時間窓セグメントの前半部分を重複させてもよい。図１２では、５０％ずつ重複させている。周期セグメントを部分的に重複させることで、特徴抽出精度が向上する。
　次に、特徴抽出部６０は、ステップＳ７で抽出された各時間窓セグメントから特徴を抽出する（ステップＳ８）。例えば、特徴として、平均値、標準偏差、エントロピー、最大値、最小値、絶対値差分、自乗平均、ピークサイクル長などの統計量を抽出してもよい。または、フーリエ変換係数、コサイン変換係数などの周波数特徴を抽出してもよい。
　特徴格納部７０は、ステップＳ８で抽出された特徴を照合用特徴として個別に格納する（ステップＳ９）。なお、ドアを開けて入退出するときなどのような、周期性が現れる区間と非周期性が現れる区間との組合せが１つの行動となる。このような場合には、ステップＳ９で抽出された照合用特徴を、ステップＳ６で抽出された照合用特徴に組み合わせて格納しておいてもよい。
　次に、認証部８０は、特徴格納部７０に格納された各照合用特徴を、周期セグメントの特徴と、時間窓セグメントの特徴とに分類する（ステップＳ１０）。
　次に、認証部８０は、ステップＳ１０で分類された照合用特徴と、登録データ格納部２０が格納している登録データとを照合することで、認証処理を実行する（ステップＳ１１）。
　認証部８０の認証処理の結果は、出力部９０によって出力される。出力部９０によって出力された情報は、表示装置１０４などに表示される。または、出力部９０によって出力された情報に応じて、携帯端末を用いた各処理の実行が可能となる。
　例えば、認証部８０は、ステップＳ１０で分類された照合用特徴のそれぞれについて、登録データ格納部２０が格納している登録データとの類似度を算出する。例えば、どの照合用特徴が、どの行動に基づく特徴なのかは特定することは困難である。そこで、照合用特徴と、登録データ格納部２０が格納している各登録データとの類似度を算出する。得られた類似度の中で、最大の類似度を選択して、照合スコアとして扱うことができる。所定の時間範囲において、各照合スコアの総和や平均値などの統計量が閾値以上となる場合に、生体データが得られた人物と、登録者とが同一人物であると判定することができる。
　本実施例によれば、時系列情報を含む生体データにおいて周期性が現れる周期期間データに基づいて、生体データにおいて非周期性が現れる非周期期間データの範囲が算出される。算出された非周期期間データの範囲から特徴が抽出される。このようにすることで、非周期期間データの抽出精度が向上する。結果として、高い精度で、周期期間データおよび非周期期間データを抽出することができる。以上のことから、継続認証に必要な特徴の抽出精度が向上する。
　なお、上記の例において、算出部３０が、時系列情報を含む生体データにおいて周期性が現れる周期期間データに基づいて、生体データにおいて非周期性が現れる非周期期間データの範囲を算出する算出部の一例である。特徴抽出部６０が、算出部が算出した非周期期間データの範囲から特徴を抽出する特徴抽出部の一例である。周期セグメント抽出部４０が、周期性に応じて、周期期間データから複数の周期セグメントを抽出する周期セグメント抽出部の一例である。時間窓セグメント抽出部５０が、非周期期間データを所定の時間窓で区切ることで、非周期期間データから複数の時間窓セグメントを抽出する時間窓セグメント抽出部の一例である。認証部８０が、特徴抽出部が抽出した特徴を、登録者の生体データに対応する登録データと照合することで、当該人物と登録者とが同一人物であるか否かを判定する認証部の一例である。
　以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
　１０　生体データ格納部
　２０　登録データ格納部
　３０　算出部
　４０　周期セグメント抽出部
　５０　時間窓セグメント抽出部
　６０　特徴抽出部
　７０　特徴格納部
　８０　認証部
　９０　出力部
　１００　認証装置
　１０１　ＣＰＵ
　１０２　ＲＡＭ
　１０３　記憶装置
　１０４　表示装置
　１０５　センサ
　

Claims (30)

  1. 　時系列情報を含む生体データにおいて周期性が現れる周期期間データに基づいて、前記生体データにおいて非周期性が現れる非周期期間データの範囲を算出する算出部と、
    　前記算出部が算出した非周期期間データの範囲から特徴を抽出する特徴抽出部と、を備えることを特徴とする算出装置。
  2. 　前記算出部は、前記生体データにおいて、所定の各区間に区切った場合の前記各区間の自己相関に基づいて、周期性が現れるか否かを判定することを特徴とする請求項１に記載の算出装置。
  3. 　前記周期性に応じて、前記周期期間データから複数の周期セグメントを抽出する周期セグメント抽出部を備えることを特徴とする請求項１に記載の算出装置。
  4. 　前記周期セグメント抽出部は、前記生体データに現れるネガティブピークを、前記周期セグメントの開始点に設定することを特徴とする請求項３に記載の算出装置。
  5. 　前記周期セグメント抽出部は、前記周期セグメントについて、時間的に先の周期セグメントに対して、後の周期セグメントを部分的に重複させることを特徴とする請求項３に記載の算出装置。
  6. 　前記特徴抽出部は、前記周期期間データから特徴を抽出することを特徴とする請求項１に記載の算出装置。
  7. 　前記非周期期間データを所定の時間窓で区切ることで、前記非周期期間データから複数の時間窓セグメントを抽出する時間窓セグメント抽出部を備えることを特徴とする請求項１に記載の算出装置。
  8. 　前記時間窓セグメント抽出部は、前記非周期期間データに現れるピーク間隔に応じて、前記時間窓の時間幅を算出することを特徴とする請求項７に記載の算出装置。
  9. 　前記生体データは、人物の生体データであり、
    　前記特徴抽出部が抽出した前記特徴を、登録者の生体データに対応する登録データと照合することで、前記人物と前記登録者とが同一人物であるか否かを判定する認証部を備えることを特徴とする請求項１から請求項８のいずれか一項に記載の算出装置。
  10. 　前記生体データは、携帯端末に備わるセンサが検出する生体データであることを特徴とする請求項１から請求項８のいずれか一項に記載の算出装置。
  11. 　時系列情報を含む生体データにおいて周期性が現れる周期期間データに基づいて、前記生体データにおいて非周期性が現れる非周期期間データの範囲を算出し、
    　算出した前記非周期期間データの範囲から特徴を抽出する、
    　処理をコンピュータが実行することを特徴とする算出方法。
  12. 　前記生体データにおいて、所定の各区間に区切った場合の前記各区間の自己相関に基づいて、周期性が現れるか否かを判定する、
    　処理を前記コンピュータが実行することを特徴とする請求項１１に記載の算出方法。
  13. 　前記周期性に応じて、前記周期期間データから複数の周期セグメントを抽出する、
    　処理を前記コンピュータが実行することを特徴とする請求項１１に記載の算出方法。
  14. 　前記生体データに現れるネガティブピークを、前記周期セグメントの開始点に設定する、
    　処理を前記コンピュータが実行することを特徴とする請求項１３に記載の算出方法。
  15. 　前記周期セグメントについて、時間的に先の周期セグメントに対して、後の周期セグメントを部分的に重複させる、
    　処理を前記コンピュータが実行することを特徴とする請求項１３に記載の算出方法。
  16. 　前記周期期間データから特徴を抽出する、
    　処理を前記コンピュータが実行することを特徴とする請求項１１に記載の算出方法。
  17. 　前記非周期期間データを所定の時間窓で区切ることで、前記非周期期間データから複数の時間窓セグメントを抽出する、
    　処理を前記コンピュータが実行することを特徴とする請求項１１に記載の算出方法。
  18. 　前記非周期期間データに現れるピーク間隔に応じて、前記時間窓の時間幅を算出する、
    　処理を前記コンピュータが実行することを特徴とする請求項１７に記載の算出方法。
  19. 　前記生体データは、人物の生体データであり、
    　抽出した前記特徴を、登録者の生体データに対応する登録データと照合することで、前記人物と前記登録者とが同一人物であるか否かを判定する、
    　処理を前記コンピュータが実行することを特徴とする請求項１１から請求項１８のいずれか一項に記載の算出方法。
  20. 　前記生体データは、携帯端末に備わるセンサが検出する生体データであることを特徴とする請求項１１から請求項１８のいずれか一項に記載の算出方法。
  21. 　コンピュータに、
    　時系列情報を含む生体データにおいて周期性が現れる周期期間データに基づいて、前記生体データにおいて非周期性が現れる非周期期間データの範囲を算出する処理と、
    　算出した前記非周期期間データの範囲から特徴を抽出する処理と、
    　を実行させることを特徴とする算出プログラム。
  22. 　前記コンピュータに、
    　前記生体データにおいて、所定の各区間に区切った場合の前記各区間の自己相関に基づいて、周期性が現れるか否かを判定する処理を実行させることを特徴とする請求項２１に記載の算出プログラム。
  23. 　前記コンピュータに、
    　前記周期性に応じて、前記周期期間データから複数の周期セグメントを抽出する処理を実行させることを特徴とする請求項２１に記載の算出プログラム。
  24. 　前記コンピュータに、
    　前記生体データに現れるネガティブピークを、前記周期セグメントの開始点に設定する処理を実行させることを特徴とする請求項２３に記載の算出プログラム。
  25. 　前記コンピュータに、
    　前記周期セグメントについて、時間的に先の周期セグメントに対して、後の周期セグメントを部分的に重複させる処理を実行させることを特徴とする請求項２３に記載の算出プログラム。
  26. 　前記コンピュータに、
    　前記周期期間データから特徴を抽出する処理を実行させることを特徴とする請求項２１に記載の算出プログラム。
  27. 　前記コンピュータに、
    　前記非周期期間データを所定の時間窓で区切ることで、前記非周期期間データから複数の時間窓セグメントを抽出する処理を実行させることを特徴とする請求項２１に記載のプログラム。
  28. 　前記コンピュータに、
    　前記非周期期間データに現れるピーク間隔に応じて、前記時間窓の時間幅を算出する処理を実行させることを特徴とする請求項２７に記載の算出プログラム。
  29. 　前記生体データは、人物の生体データであり、
    　前記コンピュータに、
    　抽出した前記特徴を、登録者の生体データに対応する登録データと照合することで、前記人物と前記登録者とが同一人物であるか否かを判定する処理を実行させることを特徴とする請求項２１から請求項２８のいずれか一項に記載の算出プログラム。
  30. 　前記生体データは、携帯端末に備わるセンサが検出する生体データであることを特徴とする請求項２１から請求項２８のいずれか一項に記載の算出プログラム。
    　
PCT/JP2022/036469 2022-09-29 2022-09-29 算出装置、算出方法、および算出プログラム WO2024069863A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/036469 WO2024069863A1 (ja) 2022-09-29 2022-09-29 算出装置、算出方法、および算出プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/036469 WO2024069863A1 (ja) 2022-09-29 2022-09-29 算出装置、算出方法、および算出プログラム

Publications (1)

Publication Number Publication Date
WO2024069863A1 true WO2024069863A1 (ja) 2024-04-04

Family

ID=90476810

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/036469 WO2024069863A1 (ja) 2022-09-29 2022-09-29 算出装置、算出方法、および算出プログラム

Country Status (1)

Country Link
WO (1) WO2024069863A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009011540A (ja) * 2007-07-04 2009-01-22 Konica Minolta Medical & Graphic Inc 生体検査装置及び生体検査装置のプログラム
JP2014236774A (ja) * 2013-06-06 2014-12-18 セイコーエプソン株式会社 生体情報処理装置および生体情報処理方法
JP2018538120A (ja) * 2015-11-23 2018-12-27 メイヨ・ファウンデーション・フォー・メディカル・エデュケーション・アンド・リサーチ 検体評価のための生理学的電気的データの処理
JP2020022596A (ja) * 2018-08-07 2020-02-13 住友電気工業株式会社 運動機能評価装置、運動機能評価システム、運動機能評価プログラムおよび運動機能評価方法
JP2021500663A (ja) * 2017-10-24 2021-01-07 アッサ アブロイ アーベーＡｓｓａ Ａｂｌｏｙ Ａｂ マルチバイオメトリクスを備えたウェアラブルデバイス

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009011540A (ja) * 2007-07-04 2009-01-22 Konica Minolta Medical & Graphic Inc 生体検査装置及び生体検査装置のプログラム
JP2014236774A (ja) * 2013-06-06 2014-12-18 セイコーエプソン株式会社 生体情報処理装置および生体情報処理方法
JP2018538120A (ja) * 2015-11-23 2018-12-27 メイヨ・ファウンデーション・フォー・メディカル・エデュケーション・アンド・リサーチ 検体評価のための生理学的電気的データの処理
JP2021500663A (ja) * 2017-10-24 2021-01-07 アッサ アブロイ アーベーＡｓｓａ Ａｂｌｏｙ Ａｂ マルチバイオメトリクスを備えたウェアラブルデバイス
JP2020022596A (ja) * 2018-08-07 2020-02-13 住友電気工業株式会社 運動機能評価装置、運動機能評価システム、運動機能評価プログラムおよび運動機能評価方法

Similar Documents

Publication Publication Date Title
Rong et al. Identification of individual walking patterns using gait acceleration
Derawi et al. Gait and activity recognition using commercial phones
Gamboa et al. A behavioral biometric system based on human-computer interaction
CN107437074B (zh) 一种身份认证方法和装置
JP2018116681A5 (ja)
JP6167733B2 (ja) 生体特徴ベクトル抽出装置、生体特徴ベクトル抽出方法、および生体特徴ベクトル抽出プログラム
JP6798798B2 (ja) ユーザ認証のためのデータを更新する方法及び装置
CN105138886B (zh) 机器人生物体征识别系统
WO2024069863A1 (ja) 算出装置、算出方法、および算出プログラム
Wang et al. Footstep-identification system based on walking interval
Shojaiee et al. Local composition derivative pattern for palmprint recognition
Maio et al. An efficient fingerprint verification system using integrated Gabor filters and Parzen Window Classifier
JP2801362B2 (ja) 個人識別装置
CN113764070B (zh) 家庭健康策略的生成方法、装置、设备及存储介质
JP2019121187A (ja) 画像処理装置、画像処理方法および画像処理プログラム
Ismail et al. Signature Recognition using Multi Scale Fourier Descriptor And Wavelet Transform
Alotaiby et al. Locality sensitive hashing for ECG-based subject identification
Avola et al. Signal enhancement and efficient DTW-based comparison for wearable gait recognition
JP2021015657A (ja) 歩行振動解析システム、歩行振動解析方法、及びプログラム
Hamza et al. Biometric individual identification system based on the ECG signal
CN108388861B (zh) 电子设备及其控制方法和装置
Sidek et al. The study of ppg and apg signals for biometric recognition
George et al. Palmprint recognition using ridge features
Karthiga et al. A robust multimodal rank level fusion using incremental principal component analysis for biometric security
WO2022079841A1 (ja) グループ特定装置、グループ特定方法、及びコンピュータ読み取り可能な記録媒体

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22960923

Country of ref document: EP

Kind code of ref document: A1