선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 다수의 그룹에 대한 심전도 개인인증에서 기준점 기반 개인인증이 가지는 낮은 검출률과 형태 기반 개인인증의 긴 수행시간을 개선하기 위해 두 방식을 계층적으로 진행하여 높은 검출률 및 짧은 수행시간을 가지는 개인인증 알고리즘을 제안하였다. 실험결과 74개의 데이터군에 대해 3개 심박을 입력할 시, 97.
- 본 논문에서는 다수의 그룹에 대해서도 신뢰성 있는 개인인증을 위해 기준점 기반의 개인인증과 형태 기반의 개인인증을 순차적으로 진행하는 계층적 개인인증 방법을 제안한다. 제안 알고리즘은 특징값의 비교를 통해 개인인증 후보군을 검출하는 단계와 검출된 후보군에 대해 형태 기반의 개인인증을 진행하는 단계로 나누어진다.
제안 방법
- #와 σf , #와 σt는 각 신호의 전위값에 대한 평균 및 표준편차를 의미한다. P파와 QRS군, T파에 대해 각각 파형의 유사도를 측정한 후, 이를 합하여 전체 파형의 유사도를 획득한다. 입력신호와 가장 유사한 데이터를 해당 심박의 개인인증 결과로 결정하고, 각 심박의 개인인증 결과를 통합하여 빈도수가 가장 높은 데이터를 최종적인 개인인증 결과로 결정한다.
- R-peak 검출은 심전도 신호 해석의 가장 기본적인 단계로써 정확한 검출을 필요로 한다. R-peak 검출결과를 이용하여 분당심박수(BPM: Beat Per Minute)를 측정할 뿐만 아니라, R-peak를 기준점으로 QRS군의 시작점과 끝점을 검출하고, 이를 바탕으로 또 다시 P파와 T파의 검출이 진행된다. R-peak의 검출은 기준점 검출에 중요하게 활용될 뿐만 아니라,형태 기반의 심전도 신호 분석에도 각 심박의 형태정보를 획득하는데 기준점으로써 중요하게 사용된다.
- R-peak의 검출을 기반으로, QRS군의 시작점과 끝점, 그리고 P파와 T파의 시작점과 끝점, 첨두를 기준점으로써 검출한다. 기준점 검출 방법에는 Wavelet을 이용한 검출[21], 적분 기반 검출[24], 곡률 기반 검출[15] 등이 존재한다.
- Table 2에서 확인하였듯이 기준점 기반의 개인인증은 다수의 그룹에 대해서 한계가 있음을 확인할 수 있으며, 본 논문에서는 이와 같은 한계를 극복하기 위해 기준점 기반의 후보군 검출 및 형태 기반 개인인증을 계층적으로 진행하게 된다.
- 이와 같이 각 특징값에 대해 개별유사도를 획득하고, 개별유사도의 총합이 임계값을 넘는 데이터에 대해 후보군으로 선출한다. 그리고 선출된 후보군에 대해서만 형태 기반의 개인인증을 이어서 진행한다.
- 각 단계를 자세히 풀어보면, 먼저 전처리 단계에서는 입력신호에 대해 노이즈 제거 및 R-peak 검출이 진행된다. 그리고 후보군 검출단계에서는 검출된 R-peak 점을 기준으로 심박을 분류하고, 기준점 검출 및 특징값 획득을 한 후 특징값의 유사도를 측정하여 각 심박 별로 개인인증 후보군을 결정한다. 형태기반 개인인증 단계에서는 앞서 결정된 후보군에 대해서만 심박 별로 형태기반 개인인증을 진행한 후, 심박에 따른 개인인증 결과를 종합하여 전체 입력신호에 대한 최종 개인인증 결과를 결정한다.
- 06Hz 근처의 기저선 변동 등이 발생한다. 실제 심전도 신호는 약 1.1～40Hz 사이의 주파수 대역을 가지며, 본 논문에서는 노이즈 및 기저선 변동의 제거를 위해 대역필터를 적용하였다.
- 실험순서는 먼저 본 논문에서 사용하는 18가지의 특징값을 이용하여 개인인증을 진행할 때 검출률을 확인하고, 특징값을 이용한 후보군 검출의 정확성을 확인한 후, 후보군에 대해 형태기반 개인인증 검출률을 확인한다. 그리고 본 논문에서 제안한 계층적 검출의 장점을 보이기 위해, 기준점 기반의 개인인증알고리즘과 결과를 비교하여 우수성을 확인한다.
- P파와 QRS군, T파에 대해 각각 파형의 유사도를 측정한 후, 이를 합하여 전체 파형의 유사도를 획득한다. 입력신호와 가장 유사한 데이터를 해당 심박의 개인인증 결과로 결정하고, 각 심박의 개인인증 결과를 통합하여 빈도수가 가장 높은 데이터를 최종적인 개인인증 결과로 결정한다.
- 제안 알고리즘은 다수의 그룹에 대한 개인인증을 진행할 때, 기준점 기반의 개인인증과 형태 기반 개인인증이 가지는 문제점들을 해결하고자 두 가지 개인인증 방식을 계층적으로 이용하는 방안을 제안한다. 먼저 Fig.
- 본 논문에서는 다수의 그룹에 대해서도 신뢰성 있는 개인인증을 위해 기준점 기반의 개인인증과 형태 기반의 개인인증을 순차적으로 진행하는 계층적 개인인증 방법을 제안한다. 제안 알고리즘은 특징값의 비교를 통해 개인인증 후보군을 검출하는 단계와 검출된 후보군에 대해 형태 기반의 개인인증을 진행하는 단계로 나누어진다. 이는 다수의 그룹에 대해 기준점 기반 개인인증은 후보군 검출단계까지는 높은 정확도를 가지며, 형태비교를 후보군에 대해서만 진행함으로써 수행시간을 크게 줄이면서 검출 정확도를 유지하는 장점을 가지게 된다.
- 획득된 P파, QRS군, T파의 시작점, 끝점, 첨두에 대한 위치정보를 기반으로 [15]에서 제안한 15개의 특징값에 추가적으로 QRS군의 너비, PP간격, RR간격을 추가한 특징값을 사용한다. Table 1은 사용된 18종류 특징값을 나타내는 표이다.
대상 데이터
- 본 논문에서는 Physionet에서 제공하는 QT-Database에서 심실세동 및 부정맥이 심하게 나타나는 일부 데이터를 제외한 74개 데이터를 사용한다. QTDatabase의 각 데이터는 약 15분 길이의 데이터가 제공되며, 그 중 안정적으로 획득되는 1분 길이의 데이터(250Hz: 총 15000샘플)를 추출하였다. 추출된 데이터를 심박단위로 나누었으며 74개의 데이터로부터 총 5030개의 심박을 획득하여 실험에 사용하였다.
- 본 논문에서는 Physionet에서 제공하는 QT-Database에서 심실세동 및 부정맥이 심하게 나타나는 일부 데이터를 제외한 74개 데이터를 사용한다. QTDatabase의 각 데이터는 약 15분 길이의 데이터가 제공되며, 그 중 안정적으로 획득되는 1분 길이의 데이터(250Hz: 총 15000샘플)를 추출하였다.
- 추출된 데이터를 심박단위로 나누었으며 74개의 데이터로부터 총 5030개의 심박을 획득하여 실험에 사용하였다. 실험 환경은 Intel i7-4770 3.40GHz 프로세서, DDR38GB 램을 사용하였으며, MATLAB 2011a 버전을 사용하였다.
- QTDatabase의 각 데이터는 약 15분 길이의 데이터가 제공되며, 그 중 안정적으로 획득되는 1분 길이의 데이터(250Hz: 총 15000샘플)를 추출하였다. 추출된 데이터를 심박단위로 나누었으며 74개의 데이터로부터 총 5030개의 심박을 획득하여 실험에 사용하였다. 실험 환경은 Intel i7-4770 3.
- 먼저 Table 3은 형태기반 개인인증을 하기 전, 특징값을 이용한 후보군 검출과정에서 입력신호와 일치하는 데이터가 후보군에 정상적으로 포함되는 비율을 나타낸다. 후보군은 특징값의 유사도가 큰 데이터를 선출하였으며, 평균적으로 6개 정도의 데이터를 후보군으로 획득하였다.
데이터처리
- 실험순서는 먼저 본 논문에서 사용하는 18가지의 특징값을 이용하여 개인인증을 진행할 때 검출률을 확인하고, 특징값을 이용한 후보군 검출의 정확성을 확인한 후, 후보군에 대해 형태기반 개인인증 검출률을 확인한다. 그리고 본 논문에서 제안한 계층적 검출의 장점을 보이기 위해, 기준점 기반의 개인인증알고리즘과 결과를 비교하여 우수성을 확인한다.
이론/모형
- 기준점 검출 방법에는 Wavelet을 이용한 검출[21], 적분 기반 검출[24], 곡률 기반 검출[15] 등이 존재한다. 그 중 본 논문에서는 곡률 기반의 검출 기법을 이용하였으며, Fig. 2는 곡률값을 계산하는 형태를 나타낸 그림이다.
- R-peak 검출 방식에는 미분신호 및 평균필터를 이용하는 방법[20], Wavelet을 이용하는 방법[21], 불응기를 이용한 적응적 탐색구간을 이용하는 방법[23] 등이 존재한다. 본 논문에서는 그 중 가장 대표적인 Pan and Tompkins의 알고리즘을 적용하여 Rpeak를 검출한다[20].
성능/효과
- 특징값을 이용한 개인인증 결과에 비해 후보군에 포함될 확률은 크게 상승하였음을 확인할 수 있다. 또한 다음 단계에서 진행되는 형태 기반 개인인증을 진행할 때, 74개의 데이터베이스에 대해 형태정보를 비교하여야 하는 것을 획득된 후보군에 대해서만 비교함으로써 계산량을 크게 줄일 수 있다.
- 또한 입력심박을 3개 이상을 주어 각 심박에 대한 매칭결과를 얻고, 매칭률이 가장 높은 데이터를 개인인증 결과로나타낼 경우 검출률은 97%에서부터 점차 증가하여 5개 심박 이상의 경우 99% 가량의 검출률을 확인할 수 있다. 또한 알고리즘 수행시간의 경우, 단일 심박의 입력에 대해 약 22.4msec 가 걸렸으며, 차후 실시간 개인인증으로의 활용 가능성을 확인할 수 있었다.
- 18%로 낮지만 Table 2의 특징값 검출 기반 개인인증에 비해 검출률이 크게 증가되었다. 또한 입력심박을 3개 이상을 주어 각 심박에 대한 매칭결과를 얻고, 매칭률이 가장 높은 데이터를 개인인증 결과로나타낼 경우 검출률은 97%에서부터 점차 증가하여 5개 심박 이상의 경우 99% 가량의 검출률을 확인할 수 있다. 또한 알고리즘 수행시간의 경우, 단일 심박의 입력에 대해 약 22.
- 93%로 크게 감소하였다. 본 논문에서 제안한 알고리즘은 입력시간이 3개의 심박으로써 [18]에 비해 1초 가량 감소하였으며, 검출률은 97.11%로 기존 알고리즘들에 비해 크게 개선되었음을 확인할 수 있다.
- 본 논문에서는 다수의 그룹에 대한 심전도 개인인증에서 기준점 기반 개인인증이 가지는 낮은 검출률과 형태 기반 개인인증의 긴 수행시간을 개선하기 위해 두 방식을 계층적으로 진행하여 높은 검출률 및 짧은 수행시간을 가지는 개인인증 알고리즘을 제안하였다. 실험결과 74개의 데이터군에 대해 3개 심박을 입력할 시, 97.11%의 높은 검출률을 보였다. 이는 기존 알고리즘들과 비교할 때 입력시간과 검출률을 모두 개선한 결과로써, 심전도 신호의 개인인증에는 특징값과 형태정보를 모두 활용하는 것이 적합함을 의미한다.
- 11%의 높은 검출률을 보였다. 이는 기존 알고리즘들과 비교할 때 입력시간과 검출률을 모두 개선한 결과로써, 심전도 신호의 개인인증에는 특징값과 형태정보를 모두 활용하는 것이 적합함을 의미한다. 이와 같이 제안 방법은 다수의 그룹에 대해 효과적인 개인인증 방안을 제안하였으며, 차후 개선된 기준점 기반 개인인증 및 형태 기반 개인인증알고리즘을 적용함으로써 더 많은 그룹에 대해서도 안정적인 개인인증을 가능하게 할 수 있을 것으로 기대된다.
- 제안한 후보군 검출은 일부 데이터의 경우 특징값이 매우 유사하고, 실제 데이터는 노이즈로 인한 오차의 발생으로 임계값에 따라 실제 데이터가 후보군으로 선출되지 못하는 상황이 발생할 수 있다. 그러나 이러한 경우는 매우 적은 편이었으며, 여러 개의심박에 대한 결과를 종합하여 최종적으로 개인인증을 하기 때문에 후보군 검출 단계에서의 실제 데이터가 후보군에 포함되지 못하는 문제를 다소 해결할 수 있다.
- 특징값을 이용한 개인인증 결과에 비해 후보군에 포함될 확률은 크게 상승하였음을 확인할 수 있다. 또한 다음 단계에서 진행되는 형태 기반 개인인증을 진행할 때, 74개의 데이터베이스에 대해 형태정보를 비교하여야 하는 것을 획득된 후보군에 대해서만 비교함으로써 계산량을 크게 줄일 수 있다.
후속연구
- 이는 기존 알고리즘들과 비교할 때 입력시간과 검출률을 모두 개선한 결과로써, 심전도 신호의 개인인증에는 특징값과 형태정보를 모두 활용하는 것이 적합함을 의미한다. 이와 같이 제안 방법은 다수의 그룹에 대해 효과적인 개인인증 방안을 제안하였으며, 차후 개선된 기준점 기반 개인인증 및 형태 기반 개인인증알고리즘을 적용함으로써 더 많은 그룹에 대해서도 안정적인 개인인증을 가능하게 할 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.