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.
제안 방법
- 본 논문은 개인 인식을 위해 연속되는 심전도 신호에서 R-Peak 점을 기준으로 각 심박 신호를 분류한 뒤 DCT를 적용하여 특징을 검출한 후 랜덤 포레스트 분류기를 통해 인증을 수행하였다. 인증에서 오 분류에 해당하는 False Acceptance Rate 값을 0%로 하기 위해 랜덤 포레스트의 각 트리의 결과 값이 전체 트리 수의 80% 이상인 경우에만 ID를 승인하도록 설계 하였으며 결정 트리를 기본으로 하고 있으므로 빠른 학습 속도와 많은 양의 데이터 처리 능력, 다양한 클래스를 분류할 수 있어 실생활에 적용 가능할 것이라고 본다.
대상 데이터
- 본 논문의 공정한 평가를 위해 정량화되고 공인된 심전도 데이터베이스를 사용해야 하며 평가를 위해 남성 5명(26～45세), 여성 13명(20～50세)으로 이루어진 18개의 심전도 파일로 구성된 MIT-BIH Normal Sinus Rhythm 데이터베이스(NSRDB)를 선정하여 성능을 평가하였으며. NSRDB의 경우 128Hz 샘플링으로 측정되었다.
- 이와 같은 정규화 된 신호는 NSRDB에서 각사람 별로 250개의 심박 신호를 추출하였으며 각 심박 데이터의 특징을 추출하기 위해 이산코사인 변환을 통해 그림 4와 같은 이산 코사인변환 계수를 얻었으며 심전도의 경우 일반적인 정보가 40Hz 보다 저주파에 분포하기 때문에 초기 저주파에 해당하는 40까지 값을 특징으로 랜덤 포레스트 분류기를 구성하였다[15]. 분류기를 학습하기 위해 각각의 사람의 심박 데이터 250개 중의 200개를 랜덤하게 추출하여 학습하였으며 나머지 50개를 검증에 사용하였다. 또한, 개인 식별 알고리즘 검증을 위해 5-fold 교차 검증을 수행하였다.
데이터처리
- 분류기를 학습하기 위해 각각의 사람의 심박 데이터 250개 중의 200개를 랜덤하게 추출하여 학습하였으며 나머지 50개를 검증에 사용하였다. 또한, 개인 식별 알고리즘 검증을 위해 5-fold 교차 검증을 수행하였다.
- 제안한 알고리즘의 블록선도는 그림 6과 같으며 알고리즘은 매트랩 환경에서 구현되었다. 심전도를 이용한 생체인증을 위해 심전도 데이터에서 R-Peak를 검출하여 심박을 분리하였으며 각 심박은 2.1에서 논의한 바와 같이 정규화 과정을 거쳤다. 정규화 과정에서 추가로 5개의 심박 신호를 평균하여 하나의 정규화 된 심박 신호를 만들었으며 이는 심전도 내에서 심박 신호의 불균형 잡음을 줄이기 위함이다.
- 측정된 심전도는 저 대역 통과 필터, 고 대역 통과 필터, 미분계수 필터, 제곱 과정, 이동평균, 임계값 설정 등을 통해 최종적으로 R-Peak를 검출하게 된다.
이론/모형
- 심전도에서 검출된 R-Peak는 그림 3의 (a) 같으며 R-Peak 검출 후 R-Peak 점을 기준으로 한주기를 구분하면 그림 3의 (b)와 같다. 각 신호는 진폭 및 시간 축이 같지 않기 때문에 정규화 과정을 가지며 시간 축의 경우 큐빅-스플라인 보간법(cubic spline interpolation)을 사용하여 정규화하며 진폭의 경우 수식 (1)을 이용하여 정규화하여 그림 3의 (c)와 같은 결과를 얻는다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.