$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

EMG 신호 기반 Artificial Neural Network을 이용한 사용자 인식
Human Identification using EMG Signal based Artificial Neural Network 원문보기

Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.53 no.4, 2016년, pp.142 - 148  

김상호 (인하대학교 전자공학과) ,  류재환 (인하대학교 전자공학과) ,  이병현 (인하대학교 전자공학과) ,  김덕환 (인하대학교 전자공학과)

초록
AI-Helper 아이콘AI-Helper

최근 다양한 생체신호를 이용한 사용자 인식 방법들이 연구되고 있으며 그 중에 보행을 기반으로 한 사용자 인식 방법이 활발하게 연구되고 있다. 본 논문에서는 사람이 보행할 때 사용되는 허벅지 근육의 EMG(Electromyography) 신호를 기반으로 사용자를 인식하는 방법을 제안하였다. 근전도 신호의 RMS, MAV, VAR, WAMP, ZC, SSC, IEMG, MMAV1, MMAV2, MAVSLP, SSI, WL를 특징으로 산출하여 ANN(Artificial Neural Network) 분류기를 통해 사용자를 인식한다. 사용자 인식에 적합한 근육과 특징을 선별하기 위해서 근육 및 특징별 인식률을 비교한 결과 대퇴직근, 반건양근, 외측광근이 사용자 인식에 적합한 근육으로 나타났으며, MAV, ZC, IEMG, MMAV1, MAVSLP 특징이 사용자 인식에 적합한 특징으로 나타났다. 실험결과 모든 특징들과 채널들을 사용했을 때의 인식률은 평균 99.7%을 보였고 사용자 인식에 적합하다고 판단되는 3개의 근육, 5개의 특징을 사용했을 때의 인식률은 평균 96%을 보였다. 따라서 사용자의 보행에 따른 EMG 신호 기반 사용자 인식이 가능함을 확인하였다. 그리고 사용자 인식에 적합한 소수의 채널과 특징을 사용하여 사용자 인식하는데 적용될 수 있음을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recently, human identification using various biological signals has been studied and human identification based on the gait has been actively studied. In this paper, we propose a human identification based on the EMG(Electromyography) signal of the thigh muscles that are used when walking. Various f...

주제어

#Electromyography   #Human identification   #Biometrics   #Artificial neural network   #Gait  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 또한 사람마다 보행습관이 다르기 때문에 그에 따른 근육의 발달정도와 활성도가 달라 EMG 신호 측정값이 달라진다.[8] 본 논문 에서는 EMG(Electromyography) 신호를 기반으로 ANN(Artificial Neural Network)을 이용하여 사용자를 인식하는 방식을 제안한다.
  • Ⅴ. 결론 및 향후 연구 방향 본 논문에서는 사람마다의 보행습관에 따른 EMG 신 호를 이용하여 사용자를 인식하는 방식을 제안하였다. 실험 결과 사용자 인식에 적합한 근육과 특징이 존재하 며 그러한 근육과 특징만을 사용하여 사용자 인식한 결 과 96%의 높은 인식률을 보였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
패스워드, PIN, 스마트카드 등의 방식의 장점은? 이에 따라 정보 보안을 위해 다양한 사용자 인식 및 인 증 방식이 제안되어 사용되고 있다. 현재 널리 사용 중 인 패스워드, PIN, 스마트카드 등의 방식은 사용자가 이용하기 편리하다는 이점 때문에 널리 사용 되고 있 다. 하지만 정보 위·변조 및 분실의 위험이 존재한다.
EMG 신호는 어떠한 요소들로 움직임을 측정하는가? [6～7] 생체 정보를 이용한 사용자 인증은 휴대폰, 자동차 열쇠 등과 같은 제품에 활용되고 있으며, 출입통제부터 근태 관리 등 강력한 보안 강화를 필요로 하는 다양한 분야에서 보안에 대한 안전성의 가치를 높게 평가하여 활용되고 있다. 생체신호인 EMG 신호는 지면 반발계, 압력센서와 같은 물리적인 센서로 취득하기 어려운 사람의 세부적 인 움직임까지 측정이 가능하다. 또한 사람마다 보행 습관이 다르기 때문에 그에 따른 근육의 발달정도와 활 성도가 달라 EMG 신호 측정값이 달라진다.
패스워드, PIN, 스마트카드 등의 방식의 단점을 어떻게 해결할 수 있는가? 하지만 정보 위·변조 및 분실의 위험이 존재한다. 이러한 문제점을 보완하고자 최근에는 위·변조 및 분실 의 위험이 극히 낮은 생체정보를 이용한 인증 시스템이 널리 사용되고 있다. 생체정보를 이용한 인증 시스템은 지문, 홍채, 얼굴, 음성 등과 같은 신체 일부나 걸음걸 이, 서명 등과 같은 행동 패턴의 고유한 특성을 정보로 사용하여 인증한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (19)

  1. J-W. Byun, "A Study on Efficient and Secure user Authentication System based on Smartcard", Journal of The Institute of Electronics Engineers of Korea - Telecommunications Vol.48, No.2, pp.105-115, 2011. 

  2. J-A. Park, S-W. Cho and S-T. Chung, "Smart Card User Identification Using Low-sized Face Feature Information", Journal of Korean Institute of Intelligent Systems, Vol.24, No.4, pp.349-354, August 2014. 

    원문보기 상세보기 crossref

  3. Z. Zhou, E. Y. Du, N. L. Thomas and E. J. Delp, "A New Human Identification Method: Sclera Recognition", IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, Vol.42, No.3, pp.571-583, May 2012. 

  4. S-H. Kim, J-W. Ryu, M-R. Lee and D-H. Kim, "Human Identification based on Gait Cycle Using EMG signal", Fall Conference of the Institute of Electronics and Information Engineers, pp.592-594, Ansan, Korea, November 2014. 

  5. X. Huang, S. Altahat, D. Tran and D. Sharma, "Human Identification with Electroencephalogram (EEG) Signal Processing", In Proc. of 2012 Intl. Symposium on Communications and Information Technologies, pp.1021-1026, Queensland, Australia, October 2012. 

  6. H. Josinski, A. Swito？ski, K. Jedrasiak and D. Kostrzewa, "Human Identification Based on Gait Motion Capture Data", In Proc. of 2012 Intl. MultiConference of Engineers and Computer Scientists, Vol.1, Hong Kong, China, March 2012. 

  7. A. Singhal and B. Lall, "Novel Signal Processing Approach for Gait Based Human Identification System", In Proc. of Intl. Conference on Signal Processing and Communication, pp.197-201, Noida, India, December 2013. 

  8. J-W. Ryu and D-H. Kim, "sEMG Signal based Gait Phase Recognition Method for Selecting Features and Channels Adaptively", Journal of The Rehabilitation Engineering and Assistive Technology Society, Vol.7, No.2, pp.19-26, December 2013. 

  9. B. M. Mehtre, "Fingerprint Image Analysis for Automatic Identification", Machine Vision and Applications, Vol.6, pp.124-139, March 1993. 

    상세보기 crossref

  10. C. L. Tisse, L. Martin, L. Torres and M. Robert, "Person identification technique using human iris recognition", In Proc. of Vision Interface, Vol.4, pp.294-299, 2002. 

  11. I. S. Jadhav, V. T. Gaikwad and G. U. Patil, "Human Identification using Face and Voice Recognition.", International Journal of Computer Science and Information Technologies, Vol.2, No.3, pp.1248-1252, 2011. 

  12. A. Kumarn and C. Wu, "Automated human ident ification using ear imaging", Pattern Recognition, Vol.45, No.3, pp.956-968, March 2012. 

    상세보기 crossref

  13. L. Biel, O. Pettersson, L. Philipson, and P. Wide, "ECG Analysis: A New Approach in Human Identification", IEEE Transactions on Instrumentation and Measurement, Vol.50, No.3, pp.808-812, June 2001. 

    상세보기 crossref

  14. R. Maxion and K. S. Killourhy, "Keystroke Biometrics with Number-Pad Input", In Proc. of 2010 Intl. IEEE/IFIP Conference on Dependable Systems and Networks, pp.201-210, Chicago, USA, June 2010. 

  15. F. Monrose, and Aviel D. Rubin, "Keystroke dynamics as a biometric for authentication.", Future Generation computer systems, Vol.16, No.4, pp.351-359, February 2000. 

    상세보기 crossref

  16. J. T. Geiger, M. KneiBl, B. W. Schuller and G. Rigoll, "Acoustic Gait-based Person Identification using Hidden Markov Models", In Proc. of the 2014 Workshop on Mapping Personality Traits Challenge and Workshop, pp.25-30, New York, USA, November 2014. 

  17. C. Holland and O. V. Komogortsev, "Biometric Identification via Eye Movement Scan paths in Reading.", In Proc. of 2011 Intl. Joint Conference on Biometrics, pp.1-8, Washington, USA, October 2011. 

  18. A. Phinyomark, C. Limsakul and P. Phukpattaranont, "A Novel Feature Extraction for Robust EMG Pattern Recognition", Journal of Computing, Vol.1, No.1, pp.71-80, December 2009. 

  19. M. R. Ahsan, M. I. Ibrahimy and O. O. Khalifa, "Electromygraphy (EMG) Signal based Hand Gesture Recognition using Artificial Neural Network(ANN)", In Proc. of 2011 Conference on Mechatronics, pp.17-19, Kuala Lumpur, Malaysia, May 2011. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로