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
- 따라서 본 논문에서는 EEG 기반 인증기술의 실용화를 위해 해결 되어야 하는 문제점들을 도출/분석하고 이를 해결하기 위한 점진적 EEG 샘플 제거 방법을 제안한다. 우선 EEG 기반 인증기술의 발전 동향에 대해 살펴보고 기술적 한계와 문제점에 대해 분석한다.
- 본 논문에서는 최신 EEG 기반 사용자 인증기술의 발전 동향을 살펴보고 기존 연구들의 한계와 문제점을 분석하였다. 특히, EEG 기반 사용자 인증기술의 실용화를 위해 EEG 측정 장비의 간소화가 요구되는데 이 때 발생할 수 있는 인증정확도의 저하 문제를관련 연구와 동일한 단일 채널 EEG 측정 장비를 사용하여 수행한 실험을 통해 경험적으로 증명하였다.
가설 설정
- 3장에서 언급했듯이 본 논문에서는 총 11명의 실험 참가자들로부터 각각 매일 10번씩 EEG 샘플을 수집하였다. 따라서 하루에 총 110개의 EEG 샘플이존재하며 편의상 실험 참가자 별 EEG 샘플이 순차적으로 리스트 변수(samples)에 저장되어 있다고 가정하고 의사 코드를 작성하였다.
제안 방법
- 따라서 본 논문에서는 EEG 기반 인증기술의 실용화를 위해 해결 되어야 하는 문제점들을 도출/분석하고 이를 해결하기 위한 점진적 EEG 샘플 제거 방법을 제안한다. 우선 EEG 기반 인증기술의 발전 동향에 대해 살펴보고 기술적 한계와 문제점에 대해 분석한다. 이를 해결하기 위한 점진적 EEG 샘플 제거 방법을 설명하고 실험결과를 토대로 제안하는 방법의 효과를 증명한 뒤, 결론을 맺는다.
- 본 장에서는 EEG 기반 인증기술을 EEG 측정 장비의 발전 동향을 비롯하여 EEG 수집에 사용된 장비의 형태에 따라 다채널 EEG 수집 장비를 활용한 연구와 단일채널 EEG 수집 장비를 활용한 연구로 구분하여 각각에 대해 기술한다.
-
Chuang 등[11]은 단일 채널 EEG 측정 기기의 사용자 인증목적으로의 사용 가능성을 최초로 검증한 연구 결과를 소개하였다. 앞서 설명한 EEG 기반 사용자 인증기법들에서 다양한 특징 추출 기법과 기계학습 기법을 사용한 것과는 달리, 푸리에 변환(Fourier
transform)과 대역 필터(bandpass filter)로 Alpha, Beta 대역의 신호만 추출하고 각각의 중앙값 (median value)만 취한 뒤, 중앙값들 간의 코사인 유사도(cosine similarity)를 측정하여 비교하는 방법으로 인증 프로세스를 구현하였다. 특정 사용자에 속한 중앙값들 중, 다른 사용자들의 중앙값과 유사도가 더 높은 중앙값들은 실험에서 배제하는 customized threshold 기법을 통해 외부자극 없이 수집된 15명의 EEG 데이터에 대해 94%의 인증정확도를 달성하였다. - 기존 연구들의 실험은 EEG 데이터 수집이 기간이 1~2일 정도 이고 인증테스트를 실시할 때도 다른 날 측정된 EEG 데이터들 간의 교차 검증을 수행하지 않은 반면, 본 논문에서 수행한 실험은 총 10일에 걸쳐 수집된 EEG 데이터를 활용하여 각 날짜 별 데이터를 한 번씩 학습 데이터로 사용하고 나머지 데이터로 인증 테스트를 수행하는 교차 검증 방식으로 진행되었다.
- 본 논문에서는 제안하는 점진적 EEG 샘플 제거방법은 실험 참가자 별로 수집된 EEG 샘플들을 대상으로 특정 EEG 샘플이 주장하는 실험 참가자의 나머지 EEG 샘플들과 다른 실험 참가자들의 EEG샘플들 간의 유사도 측정을 기반으로 수행된다. 서로 다른 EEG 샘플들 간의 유사도 측정은 내적공간의 두 벡터 간 각도의 코사인 값을 이용하여 측정된 벡터간의 유사한 정도를 의미하는 코사인 유사도를 사용하며, 수식은 (1)과 같다.
- 실험에 사용된 EEG 데이터는 3장의 EEG 측정 채널 수 감소에 따른 인증정확도 저하 문제를 확인하기 위해 사용된 데이터로서 공주대학교 학생 및 교수, 11명을 대상으로 하루에 15초씩 10번 수집하는방식으로 각자의 비밀번호를 생할때 발생하는 뇌파를 10일 동안 수집되었다. 기존 연구들이 뇌파를 수집할 때 외부자극에 대한 노출이 최대한 차단된 장소에서 수행한 반면 본 논문은 실용적 뇌파 인증에 초점을 맞추고 있기 때문에 뇌파 수집 장소에 제약을 두지 않고 실험 참가자들의 일상생활에 관련된 장소 (카페, 강의실, 교수연구실 등)에서 뇌파 수집을 수행하였다. 이에 따라 생활소음이나 시각적 자극 등 외부자극에 노출된 상태에서 실험에 사용된 EEG 데이터들이 수집되었다.
- 점진적 EEG 제거 방법에 의해 제거된 EEG 샘플의 수가 많다고 해서 인증정확도가 좋아지는 것은 니다. 이를 검증하기 위해서 Chuang 등[11]을 대상으로 점진적 EEG 제거 방법을 적용시켰을 때 제거되는 EEG 샘플에 따른 인증정확도를 측정하였다. Fig.
- 따라서 점진적 EEG 샘플 제거 프로시저로부터 가장 좋은 인증정확도를 결과로 갖는 EEG 샘플 리스트를 최종 결과로 사용하기 위한 방법이 필요하다. 이를 위해 본 논문에서는 3장에서 기술된 점진적 EEG 샘플 제거 프로시저가 재귀 호출될 때마다의 HTER 기준 인증정확도와 EEG 샘플 리스트를 저장하여 해당 프로시저가 종료될 때 가장 좋은 HTER을 갖는EET 샘플 리스트의 결과를 사용하였다. 이렇게 측정된 인증정확도 비교는 4.
- Chuang 등[11]은 15명의 실험 참가자를 대상으로 손가락을 움직이거나 노래를 들려주거나 특정 색깔을 보여주는 등의 서로 다른 7개의 과업을 정해 한 사람당 5번씩 2회 측정하여 EEG 데이터를 수집하였다. 공정한 비교를 위해 이 중 본 논문의 EEG 데이터 수집 방법과 동일한 실험 참가자가 자신의 비밀번호를 생각하는 과업을 수행하면서 측정된 EEG 데이터에 대한 HTER 값을 비교 대상으로 삼고 Chuang 등[11]에 기술되어 있는 본문내용을 바탕으로 customized threshold 기법을 직접 구현하였다. Fig.
- 본 실험에서 사용된 Auto-encoder의 매개변수는 입력 노드와 출력 노드의 크기는 51로 동일하고 1개의 은닉계층이 존재하며 은닉계층의 노드는 52이다. 각 실험 참가자들의 EEG 데이터 학습을 위해 총 100번의 반복학습을 수행하였다. Fig.
- 특히, EEG 기반 사용자 인증기술의 실용화를 위해 EEG 측정 장비의 간소화가 요구되는데 이 때 발생할 수 있는 인증정확도의 저하 문제를관련 연구와 동일한 단일 채널 EEG 측정 장비를 사용하여 수행한 실험을 통해 경험적으로 증명하였다. 이 문제를 해결하기 위해서 점진적 EEG 샘플 제거 방법을 제안하고 실험결과를 통해 제안하는 방법의 인증정확도 향상 효과에 대해 정량적으로 분석하였다. 본 논문에서 제안하는 방법은 EEG 데이터 수집, 전처리, 사용자 구별/인증 단계로 구성되는 EEG 기반 사용자 인증 프레임워크에서 전처리 단계에 적용될 수 있는 방법으로서 Chuang 등[11]과 Auto-encoder에 각각 적용되어 가능성이 증명되었으나, Auto-encoder와 같이 자체적으로 입력 데이터에 대한 잡음제거 기능을 갖춘 기법들에 대해서는그 효과에 제한이 있었다.
- 이 문제를 해결하기 위해서 점진적 EEG 샘플 제거 방법을 제안하고 실험결과를 통해 제안하는 방법의 인증정확도 향상 효과에 대해 정량적으로 분석하였다. 본 논문에서 제안하는 방법은 EEG 데이터 수집, 전처리, 사용자 구별/인증 단계로 구성되는 EEG 기반 사용자 인증 프레임워크에서 전처리 단계에 적용될 수 있는 방법으로서 Chuang 등[11]과 Auto-encoder에 각각 적용되어 가능성이 증명되었으나, Auto-encoder와 같이 자체적으로 입력 데이터에 대한 잡음제거 기능을 갖춘 기법들에 대해서는그 효과에 제한이 있었다. 따라서 향후 Auto-encoder뿐만 아니라 입력 데이터에 대한 분류/식별 문제에 있어서 탁월한 성능을 보이는 딥러닝 계열의 합성곱 신경망이나 순환 신경망 등, 전처리 이후 사용자 구별/인증 단계의 기법들과 점진적 EEG 샘플 제거 방법을 상호보완적으로 사용하는 연구를 수행하여 단일 채널 EEG 수집 장비 기반의 사용자 인증기술의 상용화에 기여할 계획이다.
대상 데이터
- 실험 참가자는 총 11명으로 20세 이상 대학생 남녀로 구성되어 있으며, MindWave를 사용하여 EEG 데이터 수집을 개인 당 한 번에 15초씩 10번, 총 10일에 걸쳐 진행하였다.
- 의사 코드를 바탕으로 더 구체적으로 설명하면, EEG 샘플들은 수집된 실험 참가자들의 ID로 구분된다. 3장에서 언급했듯이 본 논문에서는 총 11명의 실험 참가자들로부터 각각 매일 10번씩 EEG 샘플을 수집하였다. 따라서 하루에 총 110개의 EEG 샘플이존재하며 편의상 실험 참가자 별 EEG 샘플이 순차적으로 리스트 변수(samples)에 저장되어 있다고 가정하고 의사 코드를 작성하였다.
- 실험에 사용된 EEG 데이터는 3장의 EEG 측정 채널 수 감소에 따른 인증정확도 저하 문제를 확인하기 위해 사용된 데이터로서 공주대학교 학생 및 교수, 11명을 대상으로 하루에 15초씩 10번 수집하는방식으로 각자의 비밀번호를 생할때 발생하는 뇌파를 10일 동안 수집되었다. 기존 연구들이 뇌파를 수집할 때 외부자극에 대한 노출이 최대한 차단된 장소에서 수행한 반면 본 논문은 실용적 뇌파 인증에 초점을 맞추고 있기 때문에 뇌파 수집 장소에 제약을 두지 않고 실험 참가자들의 일상생활에 관련된 장소 (카페, 강의실, 교수연구실 등)에서 뇌파 수집을 수행하였다.
- 기존 연구들이 뇌파를 수집할 때 외부자극에 대한 노출이 최대한 차단된 장소에서 수행한 반면 본 논문은 실용적 뇌파 인증에 초점을 맞추고 있기 때문에 뇌파 수집 장소에 제약을 두지 않고 실험 참가자들의 일상생활에 관련된 장소 (카페, 강의실, 교수연구실 등)에서 뇌파 수집을 수행하였다. 이에 따라 생활소음이나 시각적 자극 등 외부자극에 노출된 상태에서 실험에 사용된 EEG 데이터들이 수집되었다.
- 본 실험에서 사용된 Auto-encoder의 매개변수는 입력 노드와 출력 노드의 크기는 51로 동일하고 1개의 은닉계층이 존재하며 은닉계층의 노드는 52이다. 각 실험 참가자들의 EEG 데이터 학습을 위해 총 100번의 반복학습을 수행하였다.
이론/모형
- 인증정확도 측정 및 비교를 위해서 단일 채널 기기를 사용한 관련연구인 Chuang 등[11]의 방법과 딥러닝 기법 중 하나인 Auto-encoder [13]을 사용하였으며 각각에 점진적 EEG 샘플 제거 방법을 적용한 것과 적용하지 않은 경우에 대해 측정된 인증정확도는 Fig. 7.과 Fig. 8.의 그래프와 같다.
성능/효과
- 해당 EEG 측정 장비들을 활용해서 수행된 관련 연구들의 실험결과들을 살펴보면 약 95~98%의 인증정확도를 보이는 것으로 확인 되지만[7~12], 본 연구에서 수행한실험에 따르면 실제로 전극수의 감소에 따른 인증정확도 저하 문제뿐만 아니라 시간 변화에 따라 동일 사용자에 대한 EEG 신호의 변화 문제 또한 존재하는 것으로 파악되었다.
- 우선 EEG 기반 인증기술의 발전 동향에 대해 살펴보고 기술적 한계와 문제점에 대해 분석한다. 이를 해결하기 위한 점진적 EEG 샘플 제거 방법을 설명하고 실험결과를 토대로 제안하는 방법의 효과를 증명한 뒤, 결론을 맺는다.
- Sun[9]는 실험에 참가한 사용자들이 양손의 손가락을 움직이는 상상을 할 때 수집된 EEG 데이터들로부터 CSP (commonspatial patterns)을 통해 특징 벡터를 추출한 뒤 인공신경망을 학습 시키고 테스트 하였다. 1개의 은닉계층과 1개의 출력계층으로 구성된 인공신경망의 인증 정확도는 실험 참가자 왼쪽 손가락을 움직였을 때95.6%, 오른쪽 손가락을 움직였을 때 94.81%로 측정되었다.
- transform)과 대역 필터(bandpass filter)로 Alpha, Beta 대역의 신호만 추출하고 각각의 중앙값 (median value)만 취한 뒤, 중앙값들 간의 코사인 유사도(cosine similarity)를 측정하여 비교하는 방법으로 인증 프로세스를 구현하였다. 특정 사용자에 속한 중앙값들 중, 다른 사용자들의 중앙값과 유사도가 더 높은 중앙값들은 실험에서 배제하는 customized threshold 기법을 통해 외부자극 없이 수집된 15명의 EEG 데이터에 대해 94%의 인증정확도를 달성하였다.
- (eletrooculogram) 데이터를 추가로 수집하여 EEG와 EOG로부터 추출된 특징을 CCA(cannonical correlation analysis)로 합성하여 선형판별분석 기법을 통해 사용자 인증을 수행한다. EOG와 EEG의 특징을 모두 사용한다는 측면을 제외하고는 방법론에서 기존 연구[7-10]와 큰 차이가 없으며 31명의 실험 참가자를 대상으로 수행한 실험에서 97.3%의 인증정확도를 달성하였다.
- 예를 들면, 특정 색깔이나 이미지를 보여준다던지 음악을 들려주는 등의 외부자극을 주거나, 실험 참가자에게 노래를 부르게 하고 심지어는 눈 깜빡임을 요구하는 경우도 있다. 그리고 실험에서 의도하는 외부자극이나 과업 수행 이외에 실험 참가자들에게 영향을주는 요소들이 최대한 차단된 곳에서 수집된 것을 알 수 있는데, 이것은 실험 참가자의 EEG 수집 시의 집중도에 영향을 줄수 있는 잡음, 시선분산 등의 외부적 요인에 따라 동일한 조건에서 수집된 EEG 데이터라도 노이즈가 포함되거나 왜곡될 수 있는 가능성이 존재함을 반증하며 EEG 측정 채널수의 감소와 함께 인증 프로세스에 포함되지 말아야할(garbage) EEG 샘플이 존재할 가능성이 있음을 의미한다.
- 특히, 다섯째 날 그래프의 인증정확도 평균을 보면 1~2개의 EEG 샘플 제거에 따라 인증정확도가 매우 큰 폭으로 변동하는 형태를 띠고 있음을 확인할수 있으며, 나머지 그래프에서도 변동 주기의 차이가 있지만 유사한 결과를 보이고 있음을 알 수 있다.
- 최적의 인증정확도가 측정된 시점도 차이가 난다. 첫째 날의 경우 EEG 샘플이 1개 제거된 시점에서 측정된 HTER 기준 0.2464가 가장 좋은 인증정확도였고, 둘째 날에는 51개의 EEG 샘플이 제거된 시점의 HTER 기준 0.2525, 셋째 날은 49개가 제거된 시점에서의 HTER 기준 0.2315, 넷째 날은 11개가 제거된 시점의 HTER 기준 0.2250, 마지막으로 다섯 째 날은 42개가 제거된 시점의 HTER 기준 0.1987이 가장 좋은 결과로 측정되었다.
- 다섯 개의 결과 모두 점진적 EEG 샘플 제거 프로시저가 종료된 시점의 인증정확도가 가장 정확한 인증정확도로 측정된 것과 큰 차이가 있다. 특히, 셋째날의 결과를 제외하고는 가장 좋지 않은 인증정확도에 가까운 결과를 보이는데, 첫째 날의 경우 33개의 샘플이 제거되었을 때 HTER 기준 0.
- 다섯 개의 결과 모두 점진적 EEG 샘플 제거 프로시저가 종료된 시점의 인증정확도가 가장 정확한 인증정확도로 측정된 것과 큰 차이가 있다. 특히, 셋째날의 결과를 제외하고는 가장 좋지 않은 인증정확도에 가까운 결과를 보이는데, 첫째 날의 경우 33개의 샘플이 제거되었을 때 HTER 기준 0.4615이고, 둘째 날, 다섯째 날도 각각 60개와 62개의 샘플이 제거되었을 때 HTER 기준 0.4412와 0.4633로 매우 좋지 않은 인증정확도가 측정되었다. 또한, 각 그래프에 빨간색 실선으로 표시된 전체 인증정확도의 평균의 변화를 살펴보면, 소수의 EEG 샘플 제거에도 인증정확도가 매우 민감하게 변하는 것을 확인할 수 있다.
- 4633로 매우 좋지 않은 인증정확도가 측정되었다. 또한, 각 그래프에 빨간색 실선으로 표시된 전체 인증정확도의 평균의 변화를 살펴보면, 소수의 EEG 샘플 제거에도 인증정확도가 매우 민감하게 변하는 것을 확인할 수 있다. 특히, 다섯째 날 그래프의 인증정확도 평균을 보면 1~2개의 EEG 샘플 제거에 따라 인증정확도가 매우 큰 폭으로 변동하는 형태를 띠고 있음을 확인할수 있으며, 나머지 그래프에서도 변동 주기의 차이가 있지만 유사한 결과를 보이고 있음을 알 수 있다.
- 에서 위 그래프가 Chuang 등[11]에 기술되어 있는 customized threshold 기법을 사용하여 본 논문의 실험을 위해 수집된 EEG 데이터들에 대한 인증정확도를 측정한 결과이다. 3장의 실험을 통해 결과를 확인한 SVM, MLP와 마찬가지로 대부분의 실험 참가자에 대한 인증정확도가 HTER 기준 0.5에 수렴하고 있는 것을 확인할 수 있다. 구체적으로 전체 실험 참가자의 평균 HTER 값으로 해당 그래프에 빨간색으로 표시 되어 있는 ‘Total’의 평균값은 0.
- 반면, Fig. 7.의 아래 그래프에 해당하는 Chuang 등[11]에 점진적 EEG 샘플 제거 방법을 적용한 실험결과는 HTER이 0.5로 측정되는 경우 (예, dwkim-2day, jaseol-3day)도 종종 존재하지만, 본 논문에서 제안하는 방법을 적용하지 않은 결과에 비해 전체적으로 HTER 값이 향상된 것을 확인할 수 있다. 구체적으로 평균 HTER 값이 0.
- 5로 측정되는 경우 (예, dwkim-2day, jaseol-3day)도 종종 존재하지만, 본 논문에서 제안하는 방법을 적용하지 않은 결과에 비해 전체적으로 HTER 값이 향상된 것을 확인할 수 있다. 구체적으로 평균 HTER 값이 0.2339로 측정되었으며, 위 그래프에서 측정된 Chuang 등 [11]의 결과와 비교해볼 때 정확도가 108% 향상된 것으로 확인되었다. 이것은 점진적 EEG 샘플 제거 방법을 통해 단일 채널 기기를 통해 수집된 EEG 데이터 중 실험참자가 본인과 다른 실험 참가자를 구분하는데 도움이 되지 않는 것들이 필터링 되었기 때문인 것으로 분석된다.
- 4875보다 40% 향상 된 결과이다. Auto-encoder에 점진적 EEG샘플 제거 방법을 적용하여 실험한 결과는 Fig.8.의 아래 그래프에 정리되어 있는데 평균 HTER 값이 0.3082로 측정되어 해당 기법을 적용하지 않은 결과에 비해 13% 정도 향상된 것으로 확인되었다. 이 결과는 Chuang 등[11]에 대해 108% 의 인증정확도 향상 효과를 보인 것과 비교할 때 많이 떨어지는 수치이다.
- ‘w/ Inc_Elim’은 본 논문에서 제안하는 점진적 EEG 샘플 제거 방법이 적용된 실험 결과라는 것을 의미한다. 전체적인 관점에서 위의 실험결과에 대한 분석을 요약해보면 우선 단일 채널 기기로 수집된 EEG 데이터는 전처리 관점에서의 고민 없이 인증 목적으로 사용할 경우, 일반적으로 성능이 우수하다고 검증된 기법을 사용한다고 해도 유효한 인증정확도를 기대할 수 없다. 이것은 SVM과 MLP의 HTER 기준 인증정확도 0.
- 4760의 확인을 통해 검증되었다. 또한, 점진적 EEG 샘플 제거 방법을 통해 실험에 사용된 두 가지 EEG 기반 사용자 인증방법, CT w/ Inc_Elim과 AE w/ Inc_Elim모두 기존 Chuang 등[11]과 Auto-encoder [13]보다 결과가 향상되었다.
- 본 논문에서는 최신 EEG 기반 사용자 인증기술의 발전 동향을 살펴보고 기존 연구들의 한계와 문제점을 분석하였다. 특히, EEG 기반 사용자 인증기술의 실용화를 위해 EEG 측정 장비의 간소화가 요구되는데 이 때 발생할 수 있는 인증정확도의 저하 문제를관련 연구와 동일한 단일 채널 EEG 측정 장비를 사용하여 수행한 실험을 통해 경험적으로 증명하였다. 이 문제를 해결하기 위해서 점진적 EEG 샘플 제거 방법을 제안하고 실험결과를 통해 제안하는 방법의 인증정확도 향상 효과에 대해 정량적으로 분석하였다.
- Ashby 등[10]은 두 개의 서로 다른 그룹을 가장 잘 구분하는 최적의 초평면(optimal Hyperplane)을 구하는 서포트 벡터 머신을 활용한 EEG기반 사용자 인증기법을 제안하였다. EEG 데이터로부터 AR 계수(autoregressive coefficient),PSD(power spectral density), SP(spectralpower), IHPD(interhemispheric powerdifference), IHLC(interhemispheric channellinear complexity), 총 5종류의 특징 벡를 추출하여 서포트 벡터 머신을 학습시키고 테스트 하였고 5명의 실험 참가자들을 대상으로 97.69%의 인증 성공률을 보였다.
후속연구
- 특히, 다섯째 날 그래프의 인증정확도 평균을 보면 1~2개의 EEG 샘플 제거에 따라 인증정확도가 매우 큰 폭으로 변동하는 형태를 띠고 있음을 확인할수 있으며, 나머지 그래프에서도 변동 주기의 차이가 있지만 유사한 결과를 보이고 있음을 알 수 있다. 따라서 점진적 EEG 샘플 제거 프로시저로부터 가장 좋은 인증정확도를 결과로 갖는 EEG 샘플 리스트를 최종 결과로 사용하기 위한 방법이 필요하다. 이를 위해 본 논문에서는 3장에서 기술된 점진적 EEG 샘플 제거 프로시저가 재귀 호출될 때마다의 HTER 기준 인증정확도와 EEG 샘플 리스트를 저장하여 해당 프로시저가 종료될 때 가장 좋은 HTER을 갖는EET 샘플 리스트의 결과를 사용하였다.
- Chuang 등[11]의 경우처럼 입력 데이터에 대한 필터링 기능 없이 단순 유사도 측정 기반의 방법에 대해서는 인증정확도의 향상 폭이 상당히 큰 반면, Auto-encoder와 같이 전처리 단계에서 필터링 되지 못한 입력 데이터에 대해서 자체적인 잡음제거 기능이 있는 인증방법에서는 상대적으로 작은 인증정확도 향상 효과를 보였다. 본 실험을 통해 측정된 HTER기준으로는 Chuang 등[11]에 점진적 EEG 샘플제거 방법을 적용한 결과가 0.2339로 Auto-encoder의 0.3082보다 좋은 결과를 보였으나 인증 대상의 수가 늘어나 불특정 다수의 사용자를 대상으로 인증 기능을 수행할 때의 안정성 측면에서 볼 때 최근 다양한 분야에서 괄목할 만한 성능을 보이고 있는 딥러닝 계열의 기법들과 협력적으로 활용할 수 있는지에 대한 연구가 필요하다고 판단된다.
- 본 논문에서 제안하는 방법은 EEG 데이터 수집, 전처리, 사용자 구별/인증 단계로 구성되는 EEG 기반 사용자 인증 프레임워크에서 전처리 단계에 적용될 수 있는 방법으로서 Chuang 등[11]과 Auto-encoder에 각각 적용되어 가능성이 증명되었으나, Auto-encoder와 같이 자체적으로 입력 데이터에 대한 잡음제거 기능을 갖춘 기법들에 대해서는그 효과에 제한이 있었다. 따라서 향후 Auto-encoder뿐만 아니라 입력 데이터에 대한 분류/식별 문제에 있어서 탁월한 성능을 보이는 딥러닝 계열의 합성곱 신경망이나 순환 신경망 등, 전처리 이후 사용자 구별/인증 단계의 기법들과 점진적 EEG 샘플 제거 방법을 상호보완적으로 사용하는 연구를 수행하여 단일 채널 EEG 수집 장비 기반의 사용자 인증기술의 상용화에 기여할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.