[논문]뇌파신호를 활용한 Deep Learning 기반 사용자 식별 모델 설계 및 구현

홍보선; 이종훈; 표인선; 야마모토 마사노리; 김정동

뇌파신호를 활용한 Deep Learning 기반 사용자 식별 모델 설계 및 구현
Design and Implementation of User Identification Model based on Deep Learning Using EEG 원문보기

홍보선 (선문대학교 컴퓨터공학부) , 이종훈 (선문대학교 컴퓨터공학부) , 표인선 (선문대학교 컴퓨터공학부) , 야마모토 마사노리 (선문대학교 컴퓨터공학부) , 김정동 (선문대학교 컴퓨터공학부)

최근 개인정보 활용에서 보안 및 인증에 대한 중요성이 대두되고 있으며, IoT 기반의 바이오 디바이스를 접목한 생체인식 기술은 사용자의 식별과 인증을 위해 다양한 분야에서 많은 발전을 보이고 있다. 본 논문에서는 대규모 뇌파신호를 효과적으로 처리하기 위한 방안으로 Deep Learning 기법을 적용한 뇌파 데이터 식별과 이를 분석한 사용자 인증이 가능한 스마트 자물쇠 모델을 제안한다. 제안한 뇌파신호를 활용한 Deep Learning 기반 사용자 식별 및 인증 모델은 보안 시스템에서의 활용뿐만 아니라 다양한 사물인터넷과 접목 시킬 수 있으며, 뇌성마비 또는 신체 활동이 제한적인 환자의 경우 일상생활의 제약을 줄이고 삶의 질적 향상에 도움이 될 것으로 기대한다.

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

문제 정의

본 논문에서는 대규모 EEG 데이터를 효과적으로 학습할 수 있는 방법으로 Deep Learning 기법을 활용하며, 뇌파신호를 분석하여 사용자 식별과 인증이 가능한 뇌파 기반의 스마트 자물쇠 모델을 제안한다.
본 논문에서는 전통적인 사용자 식별 및 인증의 한계점을 개선하기 위해 뇌파신호를 활용한 Deep Learning 기반 사용자 식별 및 인증 모델을 제안하고 이를 스마트 자물쇠에 적용하여 설계 및 구현하였다.

제안 방법

즉, 실험 EEG 데이터 셋은 1초당 1세트의 데이터로서, 안정적인 EEG 데이터 추출을 위해 1) 동일한 내용의 책 읽기, 2) 동일한 그림을 감상하기, 그리고 3) 자물쇠의 Lock과 Unlock에 대한 이미지-메이킹을 수행하였다.
EEG 데이터의 측정에서는 피 실험자 대상으로 User Interface APP에서 초기 등록 및 식별과 인증을 위해 동일한 물리적 환경, 행동, 그리고 생각을 반복하도록 실험 환경을 구축하여 최대한 가능한 조건에서 EEG 데이터 셋을 측정하도록 하였다.
그림 7은 사용자 식별을 위해 기 등록된 사용자의 ‘인증’ 여부를 판별하는 과정을 나타낸다. 기 등록된 사용자의 식별을 위해 그림 6의 등록 과정에서 실시한 이미지-메이킹 시의 EEG 데이터를 측정하고, Learning Server의 학습 모델과의 비교‧평가를 통해 인증여부를 판단한다. 또한 그림 8은 EEG 데이터를 통한 사용자 식별 및 인증 결과로 스마트 자물쇠라 Unlock된 결과를 나타낸다.
또한 Tensorflow의 “Multi-Class Classification” 알고리즘과 “Deep Neural Networks” 3계층 모델을 통해 사용자 EEG 데이터를 분류하고, Learning Server의 학습 모델에 정의된 EEG 데이터는 사용자의 식별 및 인증 시 가장 근접한 학습 모델의 레이블을 비교 평가하여 사용자를 식별한다.
본 논문에서 제안하는 뇌파신호를 활용한 사용자 식별 및 인증을 위한 스마트 자물쇠의 개념 모델은 크게 User Interface APP, Mindwave Device, 그리고 Learning Server 모듈로 구성된다.
- User Interface APP: 크게 2가지 기능을 가지고 있다. 첫 번째 주요 기능은 스마트 자물쇠에서 사용자 식별을 위한 인증 대상을 등록 및 식별하는 기능으로 사용자 등록 및 식별을 위해 MindWave Device에서 EEG data 저장소로 EEG 데이터와 측정 시간을 전송한다. 두 번째는 사용자 인증 기능으로 MindWave Device로부터 전송된 EEG 데이터와 전송시간을 Learning Server로 전송한다.

대상 데이터

본 실험에서 EEG 데이터 셋의 학습을 위해 Deep Learning 플랫폼인 Google사의 Tensorfolw를 사용 하였으며, NeuroSky사에서 제공하는 Mindwave Development Tool를 이용하여 EEG 데이터 (Delta, Theta, Alpha, Beta, Gamma)를 측정하다.

후속연구

뇌파신호를 활용한 사용자 식별 및 인증 모델은 다양한 사물인터넷 및 보안 시스템에서 활용될 수 있으며, 특히 뇌성마비 또는 신체 활동이 제한적인 환자의 경우 뇌파를 통한 사용자 식별 및 인증 기술은 일상생활의 제약을 줄이고 삶의 질적 향상에 도움이 될 것으로 기대한다.
하지만, 본 논문에서 활용한 뇌파신호를 활용한 사용자 식별에서는 Multi-Class Classification 알고리즘의 문제점인 피 실험자가 늘어남에 따라 각 피 실험자의 EEG데이터 분포도가 특정 영역에 집중되어, 사용자의 식별에서 정확도가 떨어지는 문제점이 있다. 향후 연구에서는 EEG 데이터에 대한 정확한 식별이 가능한 EEG 데이터 분류 및 식별 알고리즘에 대한 연구가 요구된다.
하지만, 본 논문에서 활용한 뇌파신호를 활용한 사용자 식별에서는 Multi-Class Classification 알고리즘의 문제점인 피 실험자가 늘어남에 따라 각 피 실험자의 EEG데이터 분포도가 특정 영역에 집중되어, 사용자의 식별에서 정확도가 떨어지는 문제점이 있다. 향후 연구에서는 EEG 데이터에 대한 정확한 식별이 가능한 EEG 데이터 분류 및 식별 알고리즘에 대한 연구가 요구된다.

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

뇌파신호를 활용한 Deep Learning 기반 사용자 식별 모델 설계 및 구현
Design and Implementation of User Identification Model based on Deep Learning Using EEG 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

뇌파신호를 활용한 Deep Learning 기반 사용자 식별 모델 설계 및 구현 Design and Implementation of User Identification Model based on Deep Learning Using EEG 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

뇌파신호를 활용한 Deep Learning 기반 사용자 식별 모델 설계 및 구현
Design and Implementation of User Identification Model based on Deep Learning Using EEG 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper