그림 4.12와 그림 4.13은 클래스 수를 47명으로 증가하여 실험을 진행한 결과 이며, 기존 실험과 마찬가지로 2차원 영상과 커플링 매트릭스를 학습 데이터로 사 용하였을 때 공개 네트워크의 성능과 제안하는 DCNN 구조의 성능을 나타낸다.
커플링 매트릭스를 공개 네트워크와 제안하는 DCNN 구조에 학습 데이터로 사용 하였을 때 기존 실험과 마찬가지로 2차원 영상을 사용하였을 때 보다 성능이 증가 함을 확인할 수 있었다. 그러나 기존 실험과 달리 클래스 수를 증가하여 실험을 진행하였기 때문에 성능이 감소함을 확인하였다.
그림 4.12 커플링 매트릭스 공개 네트워크 성능(47명)
그림 4.13은 제안하는 DCNN 구조의 성능과 공개 네트워크의 성능을 나타낸다.
제안하는 DCNN 구조에 2차원 영상과 커플링 매트릭스를 입력 데이터로 사용하였을 때 성능은 각각 94.35%, 97%를 나타냈다. 기존 실험과 마찬가지로 커플링 매트릭 스를 학습 데이터로 사용하였을 때 성능이 2.65% 증가함을 확인하였다.
그림 4.13 제안하는 구조 및 공개 네트워크 성능 비교(47명)
제5장 결론
기존 바이오인식인 얼굴, 지문, 홍채 등을 이용하는 방식은 현대 사회에서 다 양한 범죄에 악용되고 있다. 이를 보완하기 위해 주요 선진국은 위조 및 변조에 강한 생체신호를 활용한 연구에 대해 활발히 진행 중이다. 그 중 심전도는 개인마 다 고유한 특성을 가지고, 취득하기 쉬운 장점이 있어 차세대 바이오인식으로 주 목받고 있다. 또한 최근 많은 분야에서 사용 중인 딥 러닝을 심전도와 접목하여 사용자 인식에 관한 연구가 진행되고 있다.
본 논문에서는 공개 네트워크인 Inception, ResNet 네트워크의 실험 및 분석을 통해 제안하는 DCNN 구조를 설계하였다. 제안하는 DCNN 구조는 적은 수의 클래스 를 분류하기 때문에 layer층을 기존 공개 네트워크처럼 깊게 설계하지 않으며, 상 대적으로 layer층이 깊지 않은 VGG 네트워크 기반으로 설계하였다.
제안하는 DCNN의 전체적인 구조는 컨볼루션-풀링의 단순한 구조로 이루어져있 어 직관적인 구조이고 기존 공개 네트워크인 Inception 네트워크에서 적용한 작은 크기의 컨볼루션 필터를 제안하는 DCNN 구조에 적용하여 연산속도를 감소하였다.
또한 오버피팅을 방지하기 위해 각각의 컨볼루션 연산 후 정규화 과정을 진행하 며, 가중치 초기화, 활성화 함수, cost, optimizer 함수 등을 사용하여 심전도 데 이터 셋에 맞게 구조를 설계하였다.
실험결과 제안하는 구조의 성능은 18명의 심전도 데이터를 사용하였을 때 커플 링 매트릭스의 성능이 98.35%로, 2차원 영상보다 1.9% 증가하였으며 마찬가지로 클래스 수를 증가하여 47명의 심전도 데이터를 사용하였을 때 커플링 매트릭스의 성능이 2.65% 더 우수함을 확인하였다.
향후에는 심전도 데이터의 수를 늘려 보다 많은 사용자를 분류하는 실험을 진 행할 예정이다. 또한 성능 향상을 위해 네트워크의 구조를 변경하여 실험을 진행 하며, 심전도 데이터를 이용해 새로운 입력 데이터를 만드는 방법에 관해 진행할 것이다.
참고문헌
[1] Frost&Sullivan, https://ww2.frost.com/
[2] J. L. Wayman, “Technical Testing and Evaluation of Biometric Identification Devices,”In Biometrics: Personal identification in networked society, pp. 345-368, 1999.
[3] R. De luis-garcia, et al., “Biometric Identification Systems,”
Signal Processing, Vol. 83, Issue 12, pp. 2539-2557, 2003.
[4] A. K. Jain, et al., “An Introduction to Biometric Recognition,”
IEEE Trans. on Circuits and Systems for Video Technology, Vol. 14, No. 1, pp. 4-19, 2004.
[5] S. Gutta, and Q. Cheng, “Joint Feature Extraction and Classifier Design for ECG-based Biometric Recognition,” Journal of Biomedical and Health Informatics, Vol.20, Issue 2, pp. 460-468, 2016.
[6] N. Kunju, et al., “EMG Signal Analysis for Identifying Walking Patterns of Normal Healthy Individuals,” Indian Journal of Biomechanics, Vol. Special Issue, pp. 118-122, 2009.
[7] M. W. Rahman and L. Gavrilova, “Emerging EEG and Kinect Face Fusion for Biometric Identification,” Computational Intelligence, pp. 1-8, 2017.
[8] Jin Su Kim and Sung Bum Pan, “A Study on EMG-based Biometrics,”
Journal of Internet Services and Information Security, Vol. 7, No.
2, pp. 19-31, 2017.
[9] Y. LeCun, et al., “Deep Learning,” Nature, Vol. 521, pp. 436-444, 2015.
[10] A. Samuel, “Some Studies in Machine Learning using the Game of Checkers,” IBM Journal of Research and Development, Vol. 3, pp.
211-219, 1959.
[11] T. Mitchell, “Machine Learning,” McGraw Hill, Vol. 45, pp.
870-877, 1997.
[12] W. S. McCulloch and W. Pitts, “A Logical Calculus of the Ideas
Immanent in Nervous Activity,” Bulletin of Mathematical Biophysics, Vol. 5, pp. 115-133, 1943.
[13] F. Rosenblatt, “The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain,” Psychological Review, Vol. 65, pp. 386-408, 1958.
[14] https://en.wikipedia.org/wiki/Perceptrons_(book)
[15] D. E. Rumelhart, et al., “Learning Representations by Back-Propagating Errors,” Nature, Vol. 323, pp. 533-536, 1986.
[16] Y. LeCun, et al., “Handwritten Digit Recognition with a Back-propagation network,” Advances in Neural Information Processing Systems, Vol. 2, pp. 396-404, 1990.
[17] Y. LeCun, et al., “Gradient-based Learning Applied to Document Recognition,” Proceedings of the IEEE, Vol. 86, No. 11, pp.
2278-2324, 1998.
[18] Y. LeCun, et al., “Backpropagation Applied to Handwritten Zip Code Recognition,” Neural Computation, Vol. 1, Issue. 4, pp, 541-551, 1989.
[19] O. Russakovsky, et al., “Imagenet Large Scale Visual Recognition Challenge,” International Journal of Computer Vision, Vol.3, No.
115, pp. 211-252, 2015.
[20] C. Szegedy, et al., “Going Deeper with Convolutions,” Computer Vision and Pattern Recognition, pp. 1-9, 2015.
[21] C. Szegedy, et al., “Rethinking the Inception Architecture for Computer Vision,” Computer Vision and Pattern Recognition, pp.
2818-2826, 2016.
[22] S. Ioffe and C. Szegedy, “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,” Proc. of Machine Learning Research, Vol. 37, pp. 448-456, 2015.
[23] C. Szegedy, et al., “Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning,” Proc. AAAI, pp. 1-3, 2017.
Coumputer Vision and Pattern Recognition, pp. 770-778, 2016.
[25] Tensorflow, https://www.tensorflow.org/
[26] TF-Slim, https://github.com/tensorflow/models/tree/master/research/
slim
[27] E. K. Zaghouani, et al., “ECG based Authentication for E-healthcare Systems: Towards a Secured ECG Features Transmission,” Wireless Communications and Mobile Computing Conference, pp. 1777-1783, 2017.
[28] 김정준, 이승민, 류강수, 이종학, 박길흠, “곡률기반 기준점 검출을 이 용한 계층적 심전도 신호 개인인증 알고리즘,” 멀티미디어학회 논문지, Vol. 20-3, pp. 465-473, 2017.
[29] M. Merone, et al., “ECG Databases for Biometric Systems: A Systematic Review,” Expert System with Application, Vol. 67, pp.
189-202, 2017.
[30] F. A. Elhaj, et al., “Arrhythmia Recognition and Classification using Combined Linear and Nonlinear Features of ECG Signals,”
Computer Methods and Programs in Biomedicine, Vol. 1, No. 2, pp.
52-63, 2016.
[31] G. M. Friesen, et al., “A Comparison of the Noise Sensitivity of Nine QRS Dection Algorithms,” IEEE Trans. on Biomedical Engineering, Vol. 37, pp. 85-98, 1990.
[32] N. Venkatesh and S. Jayaraman, “Human Electrocardiogram for Biometrics using DTW and FLDA,” International Conference on Pattern Recognition, pp. 3838-3841, 2010.
[33] Z. Zhao, et al., “A Human ECG Identification System based on Ensemble Empirical Mode Decomposition,” Sensors, Vol. 13, No. 5, pp. 6832-6864, 2013.
[34] S. L. Lin, et al., “Individual Identification based on Chaotic Electrocardiogram Signals during Muscular Exercise,” IET Biometrics, Vol. 3, No. 4, pp. 257-266, 2014.
[35] R. D. Labati, et al., “Deep-ECG: Convolutional Neural Networks for ECG Biometric Recognition,” Pattern Recognition Letters, 2018.