생체인식은 생리학적 또는 행동적 특성을 기반으로 개인을 식별하여 보안시스템에 중요한 정보를 제공하는 기술이다. 대표적인 생체 특징으로써 얼굴, 지문, 망막 및 홍채, 음성 등이 있으며 이러한 생체정보를 이용하여 개인을 식별하는 다양한 방법들이 있다. 그러나 이러한 전통적인 생체인식기술은 인식 범위 및 사용자 협력의 필요성과 같은 제한사항이 발생하며, 분실 및 복제에 취약하다. 또한, 기존의 생체인식 연구들은 ...
생체인식은 생리학적 또는 행동적 특성을 기반으로 개인을 식별하여 보안시스템에 중요한 정보를 제공하는 기술이다. 대표적인 생체 특징으로써 얼굴, 지문, 망막 및 홍채, 음성 등이 있으며 이러한 생체정보를 이용하여 개인을 식별하는 다양한 방법들이 있다. 그러나 이러한 전통적인 생체인식기술은 인식 범위 및 사용자 협력의 필요성과 같은 제한사항이 발생하며, 분실 및 복제에 취약하다. 또한, 기존의 생체인식 연구들은 화상처리 및 형태 식별에 기본을 두어 복잡한 알고리즘이 요구되는 단점이 있다. 기존의 생체인식 방법과 달리 심전도 기반 생체인식은 단순한 알고리즘으로 구현될 수 있으며, 심전도는 개인의 보편성, 고유성, 생체감지와 같은 특성을 가지며 복제하기가 어려운 장점이 있다. 그러나 심전도는 개인 질병 등에 의한 신호의 불규칙성을 동반하며, 심전도 데이터를 수집하기 위한 장기간의 대기 시간 등 심전도 생체인식의 어려움이 있다. 그러므로 이러한 문제점들을 보완하여 심전도 생체인식을 위한 신뢰성 있고 강건한 인식 알고리즘 연구가 필요하다. 본 연구는 심전도를 이용한 개인 식별 방법을 연구한 것으로 기준점과 무 기준점 기반 두 가지 기술을 각각 제안하였다. 기준점과 무 기준점 기반 방법 모두 전처리, 특징추출, 심전도 식별의 공통된 과정으로 수행되었다. 기준점 기반 방법에서는 밴드패스필터를 이용하여 심전도 원신호의 노이즈를 제거하였고, 가장 중요한 파형인 R peak를 추출하였다. 추출한 peak를 prescreening 방법에 적용하여 잘못 검출되거나 불필요한 데이터를 제거하였다. 그런 후 4개의 peak를 그룹화하여 하나의 세그먼트를 구성하였다. 생성된 세그먼트에서 자기상관, 스케일링, 이산코사인 변환을 이용하여 특징을 추출하였다. 마지막으로 nearest neighbor(NN), support vector machine(SVM), linear discriminant analysis(LDA) 분류기를 적용하여 심전도 식별을 수행하였다. 무 기준점 방법에서는 다우비치 웨이블렛을 이용하여 심전도의 노이즈를 제거한 후 5초 시간 간격의 윈도우를 생성하였다. 생성한 모든 윈도우를 대상으로 window removal method를 적용하여 윈도우 내 노이즈 신호가 많이 포함되거나 왜곡으로 인해 인식이 불가능한지 검사한 후 불필요한 윈도우를 제거하였다. 그런 후, 콘볼루션, 스케일링, 이산코사인 변환을 적용하여 특징을 추출하였고, 기준점 기반 방법과 같이 세 개의 분류기를 이용하여 식별 수행을 하였다. 기준점 기반 방법의 결과는 NSR, PTB, QT, MIT DB에서 NN 분류기를 이용할 때, 피험자 인식률은 100%, 98.89%, 100%, 100%, 윈도우 인식률은 98.85%, 97.31%, 98.73%, 97.62%를 나타냈고, LDA 분류기를 이용할 때, 피험자 인식률은 모두 100%, 윈도우 인식률은 각각 98.03%, 98.99%, 99.52%, 98.41%를 나타냈으며, SVM 분류기를 이용할 때, 피험자 인식률은 모두 100%, 윈도우 인식률은 각각 99.43%, 97.09%, 99.08%, 99.19%를 나타냈다. 무 기준점 기반 방법의 결과는 NSR, PTB, QT, MIT DB에서 NN 분류기를 이용할 때, 각각 피험자 인식률은 100%, 99.40%, 100%, 100%, 윈도우 인식률은 99.02%, 97.13%, 97.98%, 96.71%를 나타냈고, LDA 분류기를 이용할 때, 피험자 인식률은 모두 100%, 윈도우 인식률은 각각 98.67%, 98.65%, 98.40%, 97.66%를 나타냈으며, SVM 분류기일 때 피험자 인식률은 모두 100%, 윈도우 인식률은 각각 96.92%, 95.82%, 97.22%, 98.84%를 나타냈다. 본 연구에서 제안한 기준점 기반 방법은 중요 특징파형을 추출하기 위해 불필요한 데이터를 제거하는 prescreening 방법을 이용하였다. 중요 특징 파형인 peak를 추출하여 그룹화한 후 하나의 특징 세그먼트를 생성함으로써 전체 식별률을 향상 시켰다. 무 기준점 기반 방법은 이산코사인 변환의 임계 값 설정을 이용한 window removal method를 통해 정상적인 신호 외에 왜곡된 신호 또는 불필요한 신호가 포함된 윈도우를 제거함으로써 식별률을 향상 시켰다. 또한, 본 연구에서 제안한 기준점과 무 기준점 기반 방법은 다른 연구에 비해 높은 피험자 인식률과 윈도우 인식률을 나타냈으며, 비정상적 신호가 포함된 데이터의 실험에서도 높은 인식률을 나타냄으로써 알고리즘의 강건함과 우수성을 증명하였다. 심전도는 살아있는 인간에게 발생하는 생체리듬을 나타내는 고유한 신호로써 심전도 기반 생체인식은 비장애인뿐만 아니라 사지가 불편하거나 시각장애를 가진 사람까지도 확대될 수 있다. 그러므로 본 논문에서 제안한 방법은 기존의 생체인식 방법을 대체하는 미래의 심전도 생체인식 메커니즘에 대한 또 다른 방향성을 지원하고 제공하는 데 중요한 역할을 할 것으로 판단된다.
생체인식은 생리학적 또는 행동적 특성을 기반으로 개인을 식별하여 보안시스템에 중요한 정보를 제공하는 기술이다. 대표적인 생체 특징으로써 얼굴, 지문, 망막 및 홍채, 음성 등이 있으며 이러한 생체정보를 이용하여 개인을 식별하는 다양한 방법들이 있다. 그러나 이러한 전통적인 생체인식기술은 인식 범위 및 사용자 협력의 필요성과 같은 제한사항이 발생하며, 분실 및 복제에 취약하다. 또한, 기존의 생체인식 연구들은 화상처리 및 형태 식별에 기본을 두어 복잡한 알고리즘이 요구되는 단점이 있다. 기존의 생체인식 방법과 달리 심전도 기반 생체인식은 단순한 알고리즘으로 구현될 수 있으며, 심전도는 개인의 보편성, 고유성, 생체감지와 같은 특성을 가지며 복제하기가 어려운 장점이 있다. 그러나 심전도는 개인 질병 등에 의한 신호의 불규칙성을 동반하며, 심전도 데이터를 수집하기 위한 장기간의 대기 시간 등 심전도 생체인식의 어려움이 있다. 그러므로 이러한 문제점들을 보완하여 심전도 생체인식을 위한 신뢰성 있고 강건한 인식 알고리즘 연구가 필요하다. 본 연구는 심전도를 이용한 개인 식별 방법을 연구한 것으로 기준점과 무 기준점 기반 두 가지 기술을 각각 제안하였다. 기준점과 무 기준점 기반 방법 모두 전처리, 특징추출, 심전도 식별의 공통된 과정으로 수행되었다. 기준점 기반 방법에서는 밴드패스필터를 이용하여 심전도 원신호의 노이즈를 제거하였고, 가장 중요한 파형인 R peak를 추출하였다. 추출한 peak를 prescreening 방법에 적용하여 잘못 검출되거나 불필요한 데이터를 제거하였다. 그런 후 4개의 peak를 그룹화하여 하나의 세그먼트를 구성하였다. 생성된 세그먼트에서 자기상관, 스케일링, 이산코사인 변환을 이용하여 특징을 추출하였다. 마지막으로 nearest neighbor(NN), support vector machine(SVM), linear discriminant analysis(LDA) 분류기를 적용하여 심전도 식별을 수행하였다. 무 기준점 방법에서는 다우비치 웨이블렛을 이용하여 심전도의 노이즈를 제거한 후 5초 시간 간격의 윈도우를 생성하였다. 생성한 모든 윈도우를 대상으로 window removal method를 적용하여 윈도우 내 노이즈 신호가 많이 포함되거나 왜곡으로 인해 인식이 불가능한지 검사한 후 불필요한 윈도우를 제거하였다. 그런 후, 콘볼루션, 스케일링, 이산코사인 변환을 적용하여 특징을 추출하였고, 기준점 기반 방법과 같이 세 개의 분류기를 이용하여 식별 수행을 하였다. 기준점 기반 방법의 결과는 NSR, PTB, QT, MIT DB에서 NN 분류기를 이용할 때, 피험자 인식률은 100%, 98.89%, 100%, 100%, 윈도우 인식률은 98.85%, 97.31%, 98.73%, 97.62%를 나타냈고, LDA 분류기를 이용할 때, 피험자 인식률은 모두 100%, 윈도우 인식률은 각각 98.03%, 98.99%, 99.52%, 98.41%를 나타냈으며, SVM 분류기를 이용할 때, 피험자 인식률은 모두 100%, 윈도우 인식률은 각각 99.43%, 97.09%, 99.08%, 99.19%를 나타냈다. 무 기준점 기반 방법의 결과는 NSR, PTB, QT, MIT DB에서 NN 분류기를 이용할 때, 각각 피험자 인식률은 100%, 99.40%, 100%, 100%, 윈도우 인식률은 99.02%, 97.13%, 97.98%, 96.71%를 나타냈고, LDA 분류기를 이용할 때, 피험자 인식률은 모두 100%, 윈도우 인식률은 각각 98.67%, 98.65%, 98.40%, 97.66%를 나타냈으며, SVM 분류기일 때 피험자 인식률은 모두 100%, 윈도우 인식률은 각각 96.92%, 95.82%, 97.22%, 98.84%를 나타냈다. 본 연구에서 제안한 기준점 기반 방법은 중요 특징파형을 추출하기 위해 불필요한 데이터를 제거하는 prescreening 방법을 이용하였다. 중요 특징 파형인 peak를 추출하여 그룹화한 후 하나의 특징 세그먼트를 생성함으로써 전체 식별률을 향상 시켰다. 무 기준점 기반 방법은 이산코사인 변환의 임계 값 설정을 이용한 window removal method를 통해 정상적인 신호 외에 왜곡된 신호 또는 불필요한 신호가 포함된 윈도우를 제거함으로써 식별률을 향상 시켰다. 또한, 본 연구에서 제안한 기준점과 무 기준점 기반 방법은 다른 연구에 비해 높은 피험자 인식률과 윈도우 인식률을 나타냈으며, 비정상적 신호가 포함된 데이터의 실험에서도 높은 인식률을 나타냄으로써 알고리즘의 강건함과 우수성을 증명하였다. 심전도는 살아있는 인간에게 발생하는 생체리듬을 나타내는 고유한 신호로써 심전도 기반 생체인식은 비장애인뿐만 아니라 사지가 불편하거나 시각장애를 가진 사람까지도 확대될 수 있다. 그러므로 본 논문에서 제안한 방법은 기존의 생체인식 방법을 대체하는 미래의 심전도 생체인식 메커니즘에 대한 또 다른 방향성을 지원하고 제공하는 데 중요한 역할을 할 것으로 판단된다.
Biometrics refers to the automatic recognition of individuals based on physiological or behavioral characteristics. Representative biometric recognition includes face, fingerprint, retina, iris, and voice data. Various methods use these information sources to recognize individuals. However, these tr...
Biometrics refers to the automatic recognition of individuals based on physiological or behavioral characteristics. Representative biometric recognition includes face, fingerprint, retina, iris, and voice data. Various methods use these information sources to recognize individuals. However, these traditional identification technologies have limitations such as limited scope of recognition, need for user cooperation, as well as vulnerability to loss and duplication. Conventional biometric studies have drawbacks in that complicated algorithms are required based on image processing and shape identification. Unlike conventional biometric methods, electrocardiogram (ECG)-based biometric system can be implemented with simple algorithms. In addition, ECG has characteristics such as universality, uniqueness, and liveness detection, and it is difficult to replicate. However, ECG may be accompanied by signal irregularities due to the individual's diseases, and it could be hampered by difficulties such as long waiting time for data collection. Therefore, it is necessary to study reliable and robust recognition algorithm for ECG-based biometric recognition to solve these problems. This study investigated biometric identification using ECG, and proposed methods based on fiducial and non-fiducial approachs, respectively. Both approach-based methods were performed in a common process of preprocessing, feature extraction, and ECG identification. In the fiducial approach-based method, the noise of the original ECG was removed using a band pass filter, after which the most important waveform, R peaks, were extracted. The extracted peaks were applied to the prescreening method to remove incorrectly detected or unnecessary data. Thereafter, four peaks were grouped into one segment. In the generated segment, features were extracted using autocorrelation, scaling, and discrete cosine transform (DCT). Finally, ECG identification was performed by applying the nearest neighbor (NN), support vector machine (SVM), and linear discriminant analysis (LDA) classifiers. The non-fiducial approach-based method used the Daubechies wavelet to remove the noise of the ECG signal, and then created windows with time intervals of 5 s. The window removal method was applied to all the generated windows to check whether noise signals were contained in the window or the recognition was not possible due to distortion, after which unnecessary windows were removed. Thereafter, features were extracted by applying autocorrelation, scaling, and DCT, and identification was performed using the three classifiers as in the fiducial approach-based method. The results of the fiducial approach-based method showed that the subject recognition rates were 100%, 98.89%, 100%, and 100%, while the window recognition rates were 98.85%, 97.31%, 98.73%, and 97.62%, when the NN classifier is used in the NSR, PTB, QT, and MIT database. When the LDA classifier is used, all subject recognition rates were all 100%, while the window recognition rates were 98.03%, 98.99%, 99.52%, and 98.41%. When the SVM classifier is used, all subject recognition rates were 100%, while the window recognition rates were 99.43%, 97.09%, 99.08%, and 99.19%, respectively. The results of the non-fiducial approach-based method showed that the subject recognition rates were 100%, 99.40%, 100%, and 100%, while the window recognition rates were 99.02%, 97.13%, 98.91%, and 99.03%, when the NN classifier is used in the NSR, PTB, QT, and MIT database. When the LDA classifier is used, all subject recognition rates were all 100%, while the window recognition rates were 98.67%, 98.65%, 99.23%, and 98.43%. When the SVM classifier is used, all subject recognition rates were 100%, the window recognition rates were 96.92%, 95.82%, 98.32%, and 99.45%, respectively. The fiducial approach-based method proposed in this study used the pre-screening method that removed unnecessary data to extract important characteristic waveforms. The overall identification rate was improved by extracting R peaks as the characteristic waveform, and grouping them into a feature segment. The non-fiducial approach-based method improved identification rates by removing windows containing distorted or unnecessary signals except for the normal signal using the threshold setting of the DCT. In addition, the proposed approach-based methods showed significantly higher subject and window recognition rates compared to those of other studies, and these demonstrated the robustness and superiority of the algorithms by showing high recognition rates even in experiments with data containing abnormal signals. ECG is a unique signal that represents the vital electrical rhythmic activity of the human heart. ECG-based biometric identification can also be extended to people with disabilities such as amputees and the visually impaired, not only the able-bodied. Therefore, the proposed methods are expected to play important roles in supporting and providing other directions for future ECG biometric recognition mechanisms to replace the existing ones.
Biometrics refers to the automatic recognition of individuals based on physiological or behavioral characteristics. Representative biometric recognition includes face, fingerprint, retina, iris, and voice data. Various methods use these information sources to recognize individuals. However, these traditional identification technologies have limitations such as limited scope of recognition, need for user cooperation, as well as vulnerability to loss and duplication. Conventional biometric studies have drawbacks in that complicated algorithms are required based on image processing and shape identification. Unlike conventional biometric methods, electrocardiogram (ECG)-based biometric system can be implemented with simple algorithms. In addition, ECG has characteristics such as universality, uniqueness, and liveness detection, and it is difficult to replicate. However, ECG may be accompanied by signal irregularities due to the individual's diseases, and it could be hampered by difficulties such as long waiting time for data collection. Therefore, it is necessary to study reliable and robust recognition algorithm for ECG-based biometric recognition to solve these problems. This study investigated biometric identification using ECG, and proposed methods based on fiducial and non-fiducial approachs, respectively. Both approach-based methods were performed in a common process of preprocessing, feature extraction, and ECG identification. In the fiducial approach-based method, the noise of the original ECG was removed using a band pass filter, after which the most important waveform, R peaks, were extracted. The extracted peaks were applied to the prescreening method to remove incorrectly detected or unnecessary data. Thereafter, four peaks were grouped into one segment. In the generated segment, features were extracted using autocorrelation, scaling, and discrete cosine transform (DCT). Finally, ECG identification was performed by applying the nearest neighbor (NN), support vector machine (SVM), and linear discriminant analysis (LDA) classifiers. The non-fiducial approach-based method used the Daubechies wavelet to remove the noise of the ECG signal, and then created windows with time intervals of 5 s. The window removal method was applied to all the generated windows to check whether noise signals were contained in the window or the recognition was not possible due to distortion, after which unnecessary windows were removed. Thereafter, features were extracted by applying autocorrelation, scaling, and DCT, and identification was performed using the three classifiers as in the fiducial approach-based method. The results of the fiducial approach-based method showed that the subject recognition rates were 100%, 98.89%, 100%, and 100%, while the window recognition rates were 98.85%, 97.31%, 98.73%, and 97.62%, when the NN classifier is used in the NSR, PTB, QT, and MIT database. When the LDA classifier is used, all subject recognition rates were all 100%, while the window recognition rates were 98.03%, 98.99%, 99.52%, and 98.41%. When the SVM classifier is used, all subject recognition rates were 100%, while the window recognition rates were 99.43%, 97.09%, 99.08%, and 99.19%, respectively. The results of the non-fiducial approach-based method showed that the subject recognition rates were 100%, 99.40%, 100%, and 100%, while the window recognition rates were 99.02%, 97.13%, 98.91%, and 99.03%, when the NN classifier is used in the NSR, PTB, QT, and MIT database. When the LDA classifier is used, all subject recognition rates were all 100%, while the window recognition rates were 98.67%, 98.65%, 99.23%, and 98.43%. When the SVM classifier is used, all subject recognition rates were 100%, the window recognition rates were 96.92%, 95.82%, 98.32%, and 99.45%, respectively. The fiducial approach-based method proposed in this study used the pre-screening method that removed unnecessary data to extract important characteristic waveforms. The overall identification rate was improved by extracting R peaks as the characteristic waveform, and grouping them into a feature segment. The non-fiducial approach-based method improved identification rates by removing windows containing distorted or unnecessary signals except for the normal signal using the threshold setting of the DCT. In addition, the proposed approach-based methods showed significantly higher subject and window recognition rates compared to those of other studies, and these demonstrated the robustness and superiority of the algorithms by showing high recognition rates even in experiments with data containing abnormal signals. ECG is a unique signal that represents the vital electrical rhythmic activity of the human heart. ECG-based biometric identification can also be extended to people with disabilities such as amputees and the visually impaired, not only the able-bodied. Therefore, the proposed methods are expected to play important roles in supporting and providing other directions for future ECG biometric recognition mechanisms to replace the existing ones.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.