[논문]귀 주변에서 측정한 유사 심전도 기반 개인 인증 시스템 개발 가능성

최가영; 박종윤; 김다영; 김연우; 임지헌; 황한정

doi:10.9718/jber.2020.41.1.42

귀 주변에서 측정한 유사 심전도 기반 개인 인증 시스템 개발 가능성
Feasibility of Using Similar Electrocardiography Measured around the Ears to Develop a Personal Authentication System 원문보기

Journal of biomedical engineering research : the official journal of the Korean Society of Medical & Biological Engineering, v.41 no.1, 2020년, pp.42 - 47

최가영 (금오공과대학교 메디컬IT융합공학과) , 박종윤 (금오공과대학교 메디컬IT융합공학과) , 김다영 (금오공과대학교 메디컬IT융합공학과) , 김연우 (금오공과대학교 메디컬IT융합공학과) , 임지헌 (금오공과대학교 메디컬IT융합공학과) , 황한정 (금오공과대학교 메디컬IT융합공학과)

Abstract ▼ AI-Helper

A personal authentication system based on biosignals has received increasing attention due to its relatively high security as compared to traditional authentication systems based on a key and password. Electrocardiography (ECG) measured from the chest or wrist is one of the widely used biosignals to develop a personal authentication system. In this study, we investigated the feasibility of using similar ECG measured behind the ears to develop a personal authentication system. To this end, similar ECGs were measured from thirty subjects using a pair of three electrodes attached behind each of the ears during resting state during which the standard Lead-I ECG was also simultaneously measured from both wrists as baseline ECG. The three ECG components, Q, R, and S, were extracted for each subject as classification features, and authentication accuracy was estimated using support vector machine (SVM) based on a 5×5-fold cross-validation. The mean authentication accuracies of Lead I-ECG and similar ECG were 90.41 ± 8.26% and 81.15 ± 7.54%, respectively. Considering a chance level of 3.33% (=1/30), the mean authentication performance of similar ECG could demonstrate the feasibility of using similar ECG measured behind the ears on the development of a personal authentication system.

주제어

표/그림 (5)

표 표 1. 정적 및 동적 생체신호 기반 인증 시스템 성능 Table 1. Performance of static and dynamic biometric-based authentication system
그림 그림 1. 본 실험에서 사용한 실험 패러다임. Fig. 1. Experimental paradigm used in this study.
그림 그림 2. 심전도 측정을 위한 전극 부착위치: (a) 유사 심전도, (b) Lead1-ECG Fig. 2. Electrode locations used to measure ECG: (a) Ear-ECG and (b) Lead1-ECG
그림 그림 3. Lead I-ECG와 유사 심전도의 일례: (a) LeadⅠ, (b) R1, (c) R2, (d) R3, (e) L1, (f) L2, (g) L3 Fig. 3. An example of Lead I-ECG and Ear-ECG: (a) LeadⅠ, (b) R1, (c) R2, (d) R3, (e) L1, (f) L2, (g) L3
그림 그림 4. Lead-I ECG와 유사 심전도의 평균 개인 인증 정확도 Fig. 4. Mean authentication accuracies of Lead-I ECG and Ear-ECG

AI 본문요약
AI-Helper

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

문제 정의

추후 연구에서는 귀 뒤에서 심전도 신호가 잘 측정되는 위치 최적화 및 전처리/특징추출/ 분류 알고리즘 등을 개선하여 Lead-I ECG에 준하는 인증 성능을 확보하고자한다.
나아가, 최근 급 성장중인 무선 이어폰이나 헤드폰과 같은 이어러블(earable) 장비와 결합할 경우 사용성과 실용성을 향상 시킬 수 있는 하나의대안이 될 것으로 기대된다. 따라서 본 연구에서는 유사 심전도를 활용한 개인 인증 시스템 개발 가능성을 검증하고자 한다.
본 연구에서는 기존 심전도 기반 인증 시스템의 사용성 한계를 향상시키기 위해 귀 주변에서 측정한 유사 심전도를 이용한 개인 인증 시스템을 개발하고자 한다. 유사 심전도는 일반적으로 알려진 표준사지 유도(standard limb lead) 심전도 측정법[19]이 아닌 다른 신체 부위에서 측정한 심전도의 특징을 가진 생체 신호를 의미하며, 최근 귀 주변에서 유사 심전도 측정이 가능하다는 연구가 다수 보고되고 있다[20,21].
본 연구에서는 기존 심전도 기반 인증 시스템의 사용성과 실용성 제고를 위해 귀 뒤에서 측정할 수 있는 유사 심전도 기반 인증 시스템의 개발 가능성을 검토하였다.
본 연구에서는 사용성과 실용성 제고를 위해 기존의 흉부나 손/손목에서 측정하는 심전도 대신 귀 주변에서 측정한 유사 심전도 신호를 이용한 개인 인증 시스템의 개발 가능성에 대해 검토하였다. 표준 심전도 측정 방식인 Lead I-ECG 데이터와 본 연구에서 제안한 귀 뒤에서 측정한 유사 심전도 데이터를 비교했을 때 유사 심전도 신호에서도 심전도의 대표 성분 중 하나인 R 성분이 잘 검출됨을 확인할 수 있었다.

제안 방법

동일한 분석을 개별 시행별로 모든 Lead I-ECG와 유사 심전도 채널에 적용하였으며, 각 10초 시행 별로 추출한다 수의 Q, R, S 성분 진폭의 평균 값을 각 채널별로 계산하여 최종 특징으로 사용하였다.
또한, 유사 심전도 데이터의 신뢰성 확보 및인증시스템성능비교를위해표준사지유도심전도측 정법 가운데 유도 I(이하 Lead I-ECG)에 근거하여 오른쪽 과 왼쪽 손목의 전위차를 동시 측정하였다(그림 2
마치 여러 시점에서 심전도를 측정한 것처럼 분할된 각각의 데이터를 독립된 단일 시행으로 간주하여 생체인증 시스템을 구현하였다[13,14,22- 24].
본 연구에서는 귀 뒤에서 측정한 유사 심전도 신호에 간단한 필터링만 거친 뒤 Q, R, S 진폭을 특징으로 머신러닝 알고리즘을 이용하여 인증 성능을 도출하였다.
본 연구에서는 상대적으로 계산 과정이 단순한 fiducial 기반 특징 추출 방법을 이용하여 심전도 기반 인증 시스템의 성능 검증을 시도하였다.
이 때, 부 착전극과피부간의저항을최소화하기위해전도성젤을 이용하여모든전극의저항을10KΩ이하로조정하여실 험을 진행하였다.
특징 추출을 위해 먼저 상대적으로 심전도 파형이 명확한 Lead I-ECG 데이터로부터 R 성분의 진폭을 검출한 후[30], 검출된 R 성분 전, 후의 최소 진폭을 각각 Q와 S성분의 진폭으로정의하였다 (MATLAB2017b 내장 함수인 “findpeaks” 사용).
(a)와 같이, 유사 심전도를 측정하기 위해 양 귀 뒤쪽 피부 표면에 각 3개씩 심전도 측정 센서를 부착하였으며, 접지/기준전극은 근전도 및 안구전도와 같은 다른 생체 신호의 영향을 최소화하면서, 양 귀에 부착한 전극 사이 가운데 위치하도록 정수리 부근 두피 표면에 부착하였다(actiChamp, Brain product, GmbH, Gilching, Germany, common mode rejection: > 100 dB, band width: DC up to 7,500 Hz).
CAR을 적용한 유사 심전도 데이터와 Lead I-ECG 데이터를 이용하여 심전도 특징을 잘 반영한다고 알려진 1-40 Hz 대역을 포함하도록 0.5-40 Hz 주파수 대역에 대해 대역 통과 필터(4th order Butterworth band pass filter)를 적용하였다[23,26-27].
Lead I- ECG로부터 Q, R, S성분을 검출할 때 사용한 동일한 함수의 옵션을 사용하여 유사 심전도를 측정한 데이터로부터Q, R, S 성분의 진폭을 특징으로 추출하였다.
귀 주변 6개의 채널에서 측정된 원신호(raw data)에 공통 평균 기준 도출법(common average reference: 이하 CAR)을 적용하여 데이터 측정 당시 유입된 공통 잡음 성분을 제거함과 동시에 귀 주변 신호만을 이용하여 기준 전극을 재참조(re- referencing)함으로써 두피에 부착한 기준 전극(FCz)의 영향을 완전히 제거하였다[25].
그림 1은 본 실험에서 사용한 패러다임을 도식화한 것으로, ‘OPEN’ 이라는 자극이 제시되면 10초간 눈을 뜨고 있는 상태(이하 개안)를 유지하고, ‘CLOSE’ 라는 자극이 제시되면 다음 10초간 눈을 감은 상태(이하 폐안)를 유지하는 것을 단일 시행으로 간주하였으며, 피험자들은 모니터에 제시되는 지시에 따라 각각 30번씩 개안과 폐안을 반복 수행하였다.
따라서 본 연구에서는 실제 인증 환경모사를 위해 단 시간 눈을 뜨고있는 동안 유사심 전도를 수 차례 단일 시행으로 반복 측정하도록 실험 프로토콜을 설계하였다.
일반적인 상황으로 생각하여 편안한 상태로 눈을 뜨고 있는 상태에서 측정한 유사 심전도신호를 사용하였다.

대상 데이터

선행 연구에서 20명 내외의 피험자를 활용한 것을 참고하여[13-15], 본 연구에는 자발적으로 참여 의사를 밝힌 30 명의 대학생(남자 21명, 여자 9명; 23.8 ± 1.3세)을 대상으로 진 행되었다.

데이터처리

추출한 특징은 5×5겹 교차 검증(5×5 fold cross-validation)을 통해 개인별 인증 정확도를 산출하였으며, 이때 분류 기로는 서포트 벡터 머신(support vector machine: SVM)을 사용하였다(일 대 다 분류)[31-33].
Lead I-ECG과 Ear-EC각각에 대해 산출한 30명의 개인별 인증 정확도를 대응 t-검정을 통해 통계적 유의성을 검토하였다.

성능/효과

다만, 본 연구에서 Q와 S파 특징을 사용하지 않고 R파만을 특징으로 사용하여 인증 시스템의 정확도를 산출하였을 때, 인증 정확도가 현저히 낮음을 확인하였다(Lead I-ECG: 75.85%, 유사 심 전도: 67.78%).
따라서, 비록 본 연구에서 언급하고 있는 Q와 S파가 의학적인 관점에서 Q와 S파의 의미를 가질지는 불분 명하나, 머신러닝/패턴인식 관점에서 인증 시스템 정확도 향상을 위한 유의미한 특징임을 확인할수 있었다.
표준 심전도 측정 방법으로 측정한 Lead I-ECG와 비교했을 때 유사 심전도의 경우 R 성분이 약간 지연되어 검출이 되지만, 유사 심전도 채널에서도 심전도의 R 성분이 잘 검출되는 것을 확인 할 수 있다.
표준 심전도 측정 방식인 Lead I-ECG 데이터와 본 연구에서 제안한 귀 뒤에서 측정한 유사 심전도 데이터를 비교했을 때 유사 심전도 신호에서도 심전도의 대표 성분 중 하나인 R 성분이 잘 검출됨을 확인할 수 있었다.
하지만, 30명을 대상으로 검증한 인증 시스템의 기회 수준 정확도(chance level accuracy)가 3.33%(=1/30)라는 점을 고려할 때, 귀 근처에서 측정한 유사 심전도를 활용한 인증 시스템의 개발 가능성은 충분히 증명한 것으로 사료된다.
30명을 대상으로 수행한 실험 결과 인증 정확도가 81.15±7.54%로 기회 수준 정확도(3.33%) 대비 유의미하게 높은 인증 정확도를 확인하였으며, 이를 통해 귀 뒤에서 측정한 유사 심전도 기반 인증 시스템의 개발 가능성을 확인하였다.
Lead I-ECG를 활용한 인증 정확도는 90.41±8.26%로 휴대용 심전도 측정 시스템을 활용한 선행 연구의 인증시스템 성능보다 4-5% 낮지만[15], 실험 환경이 다른 점을 고려할 때 충분히 유의미한 결과임을 확인하였다.
본 연구에서 제안한 귀 뒤에서 측정한 유사 심전도 기반 인증 시스템의 정확도인 81.15±7.54%보다 Lead I-ECG기반 인증 시스템의 정확도 대비 통계적으로 유의미하게 낮았다.

후속연구

나아가, 무선 이어폰 기반 심전도 측정 시스템은 일상 생활에서 무구속, 무인지 기반 심전도 신호 모니터링을 가능케하여, 실시간으로 건강을 관리할 수 있는 헬스케어시스템을 개발하는데에도 활용 가능할 것으로 기대된다.
이러한 관점에서 본 연구에서 R파와 함께 Q와 S파로 명명하여 사용한 특징 역시 의학적인 의미에서 Q와 S의 특징을 가지는지에 대한 추가적인 조사가 필요하다.
향후 본 연구에서 사용한 유사 심전도가 실제 의학적인 측면에서 심전도의 특성을 가지는지에 대한 정량적인 증명이 필요하며, 이를 통해 보다 신뢰성 높은 귀 주변 심전도 신호를 활용한 인증 시스템 개발이 가능할 것으로 기대된다.
서론에서 언급한 이어러블 장비에 적용 및 응용하기 위해서는 현재 두피에 부착한 접지/기준 전극이 다른 신체부위가 아닌 귀 주변에서 모두 해결되어야 하며, 추후에는 이어러블 장비 구조상 귀 안에서도 심전도 신호가 신뢰성 있게 측정되는지에 대한 확인이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	생체신호 기반 인증 시스템은 크게 어떻게 구분되는가?	생체신호 기반 인증 시스템은 크게 정적 생체신호 기반과 동적 생체신호 기반 인증 시스템으로 구분된다. 정적 생체신호란 지문[2,3], 홍채[4], 얼굴 윤곽[5]과 같이 일생 동안 거의 변하지 않고 고유한 성질을 그대로 유지하는 신체적 특징을 의미한다.
	정적 생체신호란 무엇인가?	생체신호 기반 인증 시스템은 크게 정적 생체신호 기반과 동적 생체신호 기반 인증 시스템으로 구분된다. 정적 생체신호란 지문[2,3], 홍채[4], 얼굴 윤곽[5]과 같이 일생 동안 거의 변하지 않고 고유한 성질을 그대로 유지하는 신체적 특징을 의미한다. 정적 생체신호 기반 인증 시스템은 카메라를 통해 획득한 영상을 처리하여 사용자를 인식한다.
	정적 생체신호의 문제점인 복제품에 의한 오수락률이 올라가는 사례들은 어떤 것들이 있는가?	하지만, 정적 생체신호의 경우 특징이 변화하지 않고 유지되는만큼 잘 구현된 복제품에 의한 오수락률(false acceptance rate: FAR)이 올라갈 수 있다. 예를 들어, 지문인식의 경우실리콘 재질을 이용하여 타인의 지문을 손쉽게 복제할 수 있으며, 안면 인식 또한 사진이나 3D 프린터 출력물을 이용해 타인을 복제해 인증하는 사례들이 보고 되고 있다[16,17]. 이러한 정적 생 체신호 기반 인증 시스템의 단점을 극복하기 위해 최근에는 동적 생체신호를 이용한 인증 시스템들이 개발되고 있다.

참고문헌 (33)

Jain AK, Ross A, Prabhakar A. An introduction to biometric recognition. IEEE Trans Circuits Syst Video Technol. 2014;14:4-20.
Isenor DK, Zaky SG. Fingerprint identification using graph matching. Pattern Recognit. 1986;19(2):113-22.

상세보기
Hrechak AK, McHugh JA. Automated fingerprint recognition using structural matching. Pattern Recognit. 1990;23(8):893-904.

상세보기
Ma L, Tan T, Wang Y, Zhang D. Personal identification based on iris texture analysis. IEEE Trans Pattern Anal Mach Intell. 2003;25(12):1519-33.

상세보기
Ahonen T, Hadid A, Pietikainen M. Face description with local binary patterns: application to face recognition. IEEE Trans Pattern Anal Mach Intell. 2016;12:2037-41.
Rajagopal G, Manoharan SK. Personal authentication using multifeatures multispectral palm print traits. Sci. 2015;2015:1-12.
Klonowski M, Plata M, Syga P. User authorization based on hand geometry without special equipment. Pattern Recognit. 2018;73:189-201.

상세보기
Sun, Y, Chen Y, Wang X, Tang X. Deep learning face representation by joint identification-verification. Adv Neural Inf Process Syst. 2014;1988-96.
Haware S, Barhatte A. Retina based biometric identification using SURF and ORB feature descriptors. Conf Proc In 2017 International conference on Microelectronic Devices, Circuits and Systems (ICMDCS). 2017;1-6.
Shaheed K, Liu H, Yang G, Qureshi I, Gou J, Yin Y (2018). A systematic review of finger vein recognition techniques. Information. 2018;9(9):213.

상세보기
Chen CH, Chu CT. High performance iris recognition based on 1-D circular feature extraction and PSO-PNN classifier. Expert Syst Appl. 2009;36(7):10351-6.

상세보기
Rai H, Yadav A. Iris recognition using combined support vector machine and Hamming distance approach. Expert Syst Appl. 2014;41(2):588-93.

상세보기
Biel L, Pettersson O, Philipson L, Wide P. ECG analysis: a new approach in human identification. IEEE Trans Instrum Meas. 2001;50(3):808-12.

상세보기
Shen TWD, Tompkins WJ, Hu YH. Implementation of a onelead ECG human identification system on a normal population. J Eng Comput Innov. 2010;2(1):12-21.
Kang SJ, Lee SY, Cho HI, Park H. ECG authentication system design based on signal analysis in mobile and wearable devices. IEEE Signal Process Lett. 2016;23(6):805-8.

상세보기
Cao K, Jain AK. Hacking mobile phones using 2D printed fingerprints. Michigan State University Tech Report MSUCSE-16-2. 2016:1-3.
Erdogmus N, Marcel S. Spoofing face recognition with 3D masks. IEEE Trans Inf Forensic Secur. 2014;9(7):1084-97.

상세보기
Gradl S, Kugler P, Lohmuller C, Eskofier B. Real-time ECG monitoring and arrhythmia detection using Android-based mobile devices. Conf Proc In 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2012;2452-5.
Crawford J, Doherty L. Ten steps to recording a standard 12-lead ECG. Practice Nursing. 2010;21(12): 622-30.

상세보기
Zhang Q, Zeng X, Hu W, Zhou D. A machine learning-empowered system for long-term motion-tolerant wearable monitoring of blood pressure and heart rate with Ear-ECG/PPG. IEEE Access. 2017;5:10547-61.

상세보기
Da He D, Winokur ES, Sodini CG. An ear-worn vital signs monitor. IEEE Trans Biomed Eng. 2015;62(11):2547-52.

상세보기
Wubbeler G, Stavridis M, Kreiseler D, Bousseljot RD, Elster C. Verification of humans using the electrocardiogram. Pattern Recognit Lett. 2007;28(10):1172-5.

상세보기
Israel SA, Irvine JM, Cheng A, Wiederhold MD, Wiederhold BK. ECG to identify individuals. Pattern Recognit. 2005;38(1):133-42.

상세보기
Chan AD, Hamdy MM, Badre A, Badee V. Wavelet distance measure for person identification using electrocardiograms. IEEE Trans Instrum Meas. 2008;57(2):248-53.

상세보기
Osselton JW. Acquisition of EEG data by bipolar unipolar and average reference methods: a theoretical comparison. Electroencephalogr. Clin Neurophysiol. 1965;19:527-8.

상세보기
Wang Y, Agrafioti F, Hatzinakos D, Plataniotis KN. Analysis of human electrocardiogram for biometric recognition. Conf Proc EURASIP journal on Advances in Signal Processing, 2008;1: 148658.
Shen TW, Tompkins WJ, Hu YH. One-lead ECG for identity verification. Conf Proc In the Second Joint 24th Annual Conference and the Annual Fall Meeting of the Biomedical Engineering Society. 2002;1:62-63.
Hassan Z, Gilani SO, Jamil M. Review of fiducial and nonfiducial techniques of feature extraction in ECG based biometric systems. Indian J Sci Technol. 2016;9(21):23-6.
Sun Y, Chan KL, Krishnan SM. Characteristic wave detection in ECG signal using morphological transform. BMC Cardiovasc Disord. 2005;5(1):28.

상세보기
O'Haver T. Command-line findpeaks MATLAB function.
Ubeyli ED. ECG beats classification using multiclass support vector machines with error correcting output codes. Digit Signal Prog. 2007;17(3):675-84.

상세보기
Acir N. A support vector machine classifier algorithm based on a perturbation method and its application to ECG beat recognition systems. Expert Syst Appl. 2006;31(1):150-8.

상세보기
Saini I, Singh D, Khosla A. Electrocardiogram beat classification using empirical mode decomposition and multiclass directed acyclic graph support vector machine. Comput Electr Eng. 2014;40(5):1774-87.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증