논문 2016-53-4-16
EMG 신호 기반 Artificial Neural Network을 이용한 사용자 인식
( Human Identification using EMG Signal based Artificial Neural Network )
김 상 호*, 류 재 환*, 이 병 현*, 김 덕 환**
( Sang-Ho Kim, Jae-Hwan Ryu, Byeong-Hyeon Lee, and Deok-Hwan Kimⓒ)
요 약
최근 다양한 생체신호를 이용한 사용자 인식 방법들이 연구되고 있으며 그 중에 보행을 기반으로 한 사용자 인식 방법이 활발하게 연구되고 있다. 본 논문에서는 사람이 보행할 때 사용되는 허벅지 근육의 EMG(Electromyography) 신호를 기반으로 사용자를 인식하는 방법을 제안하였다. 근전도 신호의 RMS, MAV, VAR, WAMP, ZC, SSC, IEMG, MMAV1, MMAV2, MAVSLP, SSI, WL를 특징으로 산출하여 ANN(Artificial Neural Network) 분류기를 통해 사용자를 인식한다. 사용자 인식에 적합한 근육과 특징을 선별하기 위해서 근육 및 특징별 인식률을 비교한 결과 대퇴직근, 반건양근, 외측광근이 사용자 인식에 적합한 근육으로 나타났으며, MAV, ZC, IEMG, MMAV1, MAVSLP 특징이 사용자 인식에 적합한 특징으로 나타났다. 실험결 과 모든 특징들과 채널들을 사용했을 때의 인식률은 평균 99.7%을 보였고 사용자 인식에 적합하다고 판단되는 3개의 근육, 5 개의 특징을 사용했을 때의 인식률은 평균 96%을 보였다. 따라서 사용자의 보행에 따른 EMG 신호 기반 사용자 인식이 가능 함을 확인하였다. 그리고 사용자 인식에 적합한 소수의 채널과 특징을 사용하여 사용자 인식하는데 적용될 수 있음을 확인하 였다.
Abstract
Recently, human identification using various biological signals has been studied and human identification based on the gait has been actively studied. In this paper, we propose a human identification based on the EMG(Electromyography) signal of the thigh muscles that are used when walking. Various features such as RMS, MAV, VAR, WAMP, ZC, SSC, IEMG, MMAV1, MMAV2, MAVSLP, SSI, WL are extracted from EMG signal data and ANN(Artificial Neural Network) classifier is used for human identification. When we evaluated the recognition ratio per channel and features to select approptiate channels and features for human identification. The experimental results show that the rectus femoris, semitendinous, vastus lateralis are appropriate muscles for human identification and MAV, ZC, IEMG, MMAV1, MAVSLP are adaptable features for human identification. Experimental results also show that the average recognition ratio of method of using all channels and features is 99.7% and that of using selected 3 channels and 5 features is 96%.
Therefore, we confirm that the EMG signal can be applied to gait based human identification and EMG signal based human identification using small number of adaptive muscles and features shows good performance.
Keywords: Electromyography, Human identification, Biometrics, Artificial neural network, Gait
*학생회원, **평생회원, 인하대학교 전자공학과 (Department of Electronic Engineering, Inha University)
ⓒCorresponding Author (E-mail: [email protected])
※ 이 논문은 2010년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(2010-0020163)
※ 이 논문은 2013년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임 (2013R1A1A2006912)
※ 이 논문은 2015년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (No. 2015R1D1A1A01061112) Received ; December 30, 2015 Revised ; March 23, 2016 Accepted ; March 28, 2016
Ⅰ. 서 론
현대 사회에서 정보 보안의 중요성이 커지고 있다.
이에 따라 정보 보안을 위해 다양한 사용자 인식 및 인 증 방식이 제안되어 사용되고 있다. 현재 널리 사용 중 인 패스워드, PIN, 스마트카드 등의 방식은 사용자가 이용하기 편리하다는 이점 때문에 널리 사용 되고 있 다. 하지만 정보 위·변조 및 분실의 위험이 존재한다.
이러한 문제점을 보완하고자 최근에는 위·변조 및 분실 의 위험이 극히 낮은 생체정보를 이용한 인증 시스템이 널리 사용되고 있다. 생체정보를 이용한 인증 시스템은 지문, 홍채, 얼굴, 음성 등과 같은 신체 일부나 걸음걸 이, 서명 등과 같은 행동 패턴의 고유한 특성을 정보로 사용하여 인증한다.[1～2]
기존에 활용중인 생체정보는 고유한 장점과 단점이 존재한다. 그러므로 최근 연구들은 활용중인 각기 다른 두 가지 요소를 함께 사용하는 인증 방식을 통해서 사 용자에게 편의성과 보안을 강화 시키고 있다. 예를 들 어 패스워드와 스마트카드, 지문인식과 스마트카드, 얼 굴인식과 스마트카드 등과 같은 방법들이 있다.[1～3]
그 중에서 사람의 보행습관을 이용한 사용자 인증 방 식이 최근 연구되고 있다. 기존의 보행습관을 이용한 방식들은 카메라를 이용해서 사람의 걸음걸이를 캡쳐하 고 체형, 다리의 길이, 보폭, 다리의 움직임 등을 특징으 로 이용하여 사용자 인증에 사용한다.[6～7]
생체 정보를 이용한 사용자 인증은 휴대폰, 자동차 열쇠 등과 같은 제품에 활용되고 있으며, 출입통제부터 근태 관리 등 강력한 보안 강화를 필요로 하는 다양한 분야에서 보안에 대한 안전성의 가치를 높게 평가하여 활용되고 있다.
생체신호인 EMG 신호는 지면 반발계, 압력센서와 같은 물리적인 센서로 취득하기 어려운 사람의 세부적 인 움직임까지 측정이 가능하다. 또한 사람마다 보행 습관이 다르기 때문에 그에 따른 근육의 발달정도와 활 성도가 달라 EMG 신호 측정값이 달라진다.[8] 본 논문 에서는 EMG(Electromyography) 신호를 기반으로 ANN(Artificial Neural Network)을 이용하여 사용자를 인식하는 방식을 제안한다.
Ⅱ. 관련 연구
1. 생체 정보를 이용한 사용자 인식방법의 분류 생체 정보를 이용한 사용자 인식은 표 1과 같이 크게
신체적 특징과 행동적 특징 두 가지로 구분된다. 신체 적 특징은 개인의 고유한 신체 모양에 관련된 정보를 말하며 DNA, 지문, 얼굴의 모양새, 손바닥의 모양, 손 의 굴곡, 망막 등이 있다. 행동적 특징은 특정 개인의 행동과 연관되어 있고 키보드 입력방법, 글씨체, 음성, 걸음걸이 등이 있다.
신체적 특성의 대표적인 방법인 지문인식은 광학식 또는 초음파식으로 지문의 영상을 취득하여 특징추출을 통해서 기존에 가진 데이터베이스와 비교하여 사용자 인식을 하게 된다.[10] 그리고 홍채 인식은 홍채 카메라 가 사용자의 홍채를 사진으로 이미지화한 뒤, 홍채의 패턴을 분석하여 개인 고유의 홍채 코드를 생성한다.
마지막으로 홍채 코드가 데이터베이스에 등록되는 것과 동시에 비교하여 사용자 인식이 이루어진다. 홍채 인식 은 지문보다 많은 고유 패턴을 가지고 있고, 안경이나 렌즈를 착용해도 정확히 인식할 수 있으며, 비접촉 방 식이라 거부감이 적다는 것이 장점이다. 또한 처리 속 도가 짧아 지문보다 한 단계 진보한 생체 인식 기술로 평가 받고 있다.[10] 얼굴인식의 경우 지문보다는 인증 성공률이 낮지만 기타 생체정보와 비교하였을 때 정보 의 취득이 용이하다는 점에서 사용가치가 높은 생체 정 보로 평가 받는다. 얼굴 인식 과정은 보통 일반 카메라 를 통해서 얼굴 이미지를 취득하는데 일반적으로 얼굴 이 미지와 배경 이미지가 혼합되어있기 때문에 정확한 얼굴 검출이 선행되어야 한다.[3,11] 신체적인 특징을 이용한 방식 은 이 외에도 DNA, 손금인식, 귀 모양 등이 있고 최근에 는 ECG(Electrocardiogram), PPG(Photoplethysmography), 눈의 공막 등을 이용한 인증 방식이 연구 중이다.[3,12～13]
행동학적 특징 중에서는 음성 인식 기술이 활발하게 연구 중이다. 음성인식은 1960년대 벨연구소에 의해서 시 작되었다. 음성인식 ASR(Automatic speaker recognition) 는 크게 text-dependent 방식과 text-independent 방식으 로 나누어진다. text-dependent 방식은 사용자가 일정한 문구를 password처럼 정해두고 사용하는 것을 말하고 text-independent 방식은 제약을 할 필요가 없는 방식이 다. text-dependent방식은 사용자에게 부자연스러울 수 있다. 그러므로 요즘은 text-independent 방식을 많이 연 구하고 있다.[12] 그리고 사람의 키보드 타이핑 습관을 이 용한 사용자 인증 방식은 사람마다 키보드 타이핑 습관 이 다르다는걸 1890년도에 발견된 이후 세계 2차 대전 정보전에 이용되었으나 1980년도에 이르러 이를 이용한 사용자 인식이 본격적으로 연구되기 시작했다.[14～15]
최근에는 생체 정보를 하나만 이용해서 인증하는 것
표 1. 생체인식 특징에 따른 유형
Table 1. Types according to the Biometrics Characteristics.
Physical Behavioral
Previous Study
DNA Fingerprints[9]
Eye retinas and irises[10]
Face recognition[11]
Ear geometry[12]
Keystroke[14,15]
Voice patterns[11]
Signature Gait[6,7]
(Motion capture, Silhouette)
Recent Study
ECG[13]
PPG EEG Eye sclera[3]
Acoustic gait recognition[16]
Eye movements[17]
그림 1. 사용자 인식과정
Fig. 1. Human Identification Processes.
그림 2. (a) MP150 (b) 평지보행 EMG 신호 취득 장면 (c) 전극 부착
Fig. 2. (a) MP150 (b) EMG signal acquisition for gait (c) Electrodes attachment.
이 아닌 두 개 이상의 정보를 이용해서 보안을 강화하 는 방향으로 나아가고 있다. 예를 들면 스마트카드와 지문, 얼굴인식과 음성 인식, 지문인식과 홍채인식 등을 함께 사용하는 경우를 들 수 있다.[1,11]
2. 보행습관을 이용한 사용자 인식
사람마다 다른 보행 습관을 이용한 사용자 인식의 경 우 기존의 Silhouettes 기반과 Motion capture 기반의 인식 방식이 있다. Silhouettes 기반의 경우 카메라를 이용해서 보행하는 모습을 촬영하고 배경 이미지를 빼 서 사람이 보행하는 모습만 추출해 낸다. 추출한 silhouettes 이미지를 이용하여 사람의 키, 다리의 움직 임, 픽셀의 크기 등을 특징데이터로 이용하여 사용자를 인식한다.[7] Motion capture 기반의 사용자 인식의 경우 사람의 관절마다 센서를 부착하여 보행 데이터를 취득 한다. 그리고 센서로 취득한 데이터를 오일러 각으로 변환해 얻은 특징 데이터를 이용하여 사용자를 인식한 다.[6] 최근에는 사람의 보행소리를 이용한 사용자 인식 이 연구되고 있다.[16～17]
Ⅲ. 제안하는 방법
1. 사용자 인식과정
생체정보를 이용한 사용자 인식과정은 일반적으로 센서를 통해서 생체정보 데이터를 수집하고 특징을 추 출하여 데이터베이스를 구성함과 동시에 데이터베이스 와 생체정보를 매칭 하여 사용자 인식하는 과정을 거친 다. EMG 신호를 이용한 사용자 인식과정은 그림 1과 같이 구성되며 기본적인 생체정보를 이용한 사용자 인 식과정과 구성은 같다.
2. EMG 신호의 취득
EMG 신호는 그림 2(a)에 있는 Biopac 사의 MP-150
을 이용하여 그림 2(b)와 같이 평지보행 EMG 신호를 취득하였다. MP-150을 이용해서 획득된 EMG 신호는 1kHz로 동기화하여 샘플링 된다. 전극은 그림 2(c)와 같이 Ag/AgCl 성분의 젤이 발라져있는 전극으로 측정 하고자 하는 근육의 중심에서 2cm 간격으로 부착하여 측정하였다. EMG 신호는 그림 3(a)과 같이 보행에 이 용되는 허벅지 근육 4채널인 대퇴직근(Rectus Femoris;
RF), 내측광근(Vastus Medialis; VM), 외측광근(Vastus Lateralis; VL), 반건양근(Semitendinous Muscle; SEM) 을 측정하여 사용하였다.[8] 그리고 추가로 보행주기 구 분을 위해서 발바닥에 압력센서를 부착하여 추가로 입 력받아 사용하였다.[4,8] 그림 3(b)는 위의 과정을 통해 취득된 EMG 신호와 압력신호의 실제 파형이다.
3. Features Extraction
생체신호의 복잡한 특성을 효율적으로 분석하기 위 해서는 특징추출 알고리즘이 필수적이다. EMG 신호의 경우 또한 그러하다. EMG 신호를 분류하기 위해서 많은 연구에서 시간 영역, 주파수 영역, 시간-주파수 영역 그리 고 시간-scale 영역 특징들을 사용하고 있다. 본 논문에서 는 Root Mean Square(RMS), Mean Absolute(MAV), Variance(VAR), Willison Amplitude(WAMP), Zero Crossing(ZC), Slope Sign Change(SSC), Integrated EMG(IEMG), Modified Mean Absolute Value1(MMAV1),
그림 3. (a) EMG 신호 취득을 위한 근육 (b) 취득한 EMG 신호 파형
Fig. 3. (a) Muscles for EMG signal acquisition (b) The acquisited EMG signal waveforms.
그림 4. Artificial neural network 구조 Fig. 4. Artificial neural network structure.
Modified Mean Absolute Value2(MMAV2), Mean Absolute Value Slope(MAVSLP), Simple Square Integral(SSI), Waveform Length(WL) 12개의 특징을 사용하였다.[18]
RMS는 근육의 일정한 힘과 수축에 관련된 특징이고 MAV는 근전도 신호의 절대값 평균으로 근육의 활성도 에 관련된 특징이다. VAR은 근전도 신호의 힘을 나타 낸다. WAMP는 근전도 신호가 정해진 기준을 초과하 는 횟수를 나타내고 ZC는 근전도 신호가 X축을 교차한 횟수를 나타낸다. SSC는 시간 영역에서 계산된 근전도 신호의 주파수 영역 특성을 나타내고 IEMG는 근전도 신호의 시작점과 관련된 특징이다. MMAV1와 MMAV2 는 MAV와 유사한 특징으로 MMAV1는 경중함수를 적용하여 MAV를 강화한 특징이고 MMAV2는 경중하 수를 연속화하여 부드럽게 한 특징이다. MAVSLP는 MAV의 개선된 특징으로 인접한 세그먼트들의 MAV 의 차이를 결정한다. SSI는 근전도 신호의 힘을 나타내 고 WL은 근전도 신호의 waveform의 길이를 나타낸 다.[18]
4. Artificial Neural Network(ANN)
Artificial Neural Network(ANN)은 사람의 두뇌의 기본단위인 신경세포 특성과 구조를 기반으로 컴퓨터 모델링한 기계학습 알고리즘이다. 일반적으로 가장 많 이 사용되는 ANN모델인 Multi-layer Perceptron(MLP) 은 2개 이상의 층을 가지며, 그림 4와 같이 입력층 (Input Layer), 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성되어있다.[19]
MLP은 출력 목표를 미리 알고 훈련하는 지도학습이 고 입력데이터와 출력데이터의 관계는 각 층의 weight 와 bias에 의해서 결정된다. 또한 데이터들은 활성함수 에 의해서 다음 층으로 전달된다. 활성함수는 주로 sigmoid함수가 사용되며 본 논문에서는 은닉층에 쌍곡 탄젠트 함수, 출력층에 선형함수를 사용하였다.
ANN 학습은 먼저 feed forward 과정을 거치면서 입 력데이터가 최종 출력데이터까지 전달되고 최종 출력단 에서 실제 출력과 목표 출력간의 에러와 cost function 을 구한다. Mean Square Error(MSE)가 cost function 으로 흔히 사용되지만 본 논문에서는 MSE보다 학습속 도가 빠른 Cross-Entropy(CE) cost function을 이용하 였다. 그리고 반대로 출력단에서 입력단 방향으로 실제 출력과 목표출력간의 차이를 전달시키는 방식인 Backpropagation(BP)에 의해서 최적의 weight와 bias 로 갱신하는 단계를 걸쳐 학습된다.
Ⅳ. 실험결과 및 분석
1. 실험 데이터 구성
실험을 위한 피험자는 평균 나이 24.00세(±1.94), 평 균 키169.12cm(±8.04), 평균 몸무게 62.92kg(±11.69)의 성인 남녀 20명(남:10, 여:10)가 참여 하였다. 보행 데이 터는 1.5m/s∼1.6m/s 속도로 평지보행 데이터를 100걸 음 취득하였다. 입력 데이터는 training을 위해서 70%, validation을 위해서 15%, test를 위해서 15%로 나누어 서 사용하였다.
본 논문에서의 생체데이터는 인하대학교 기관생명윤 리위원회 IRB(Institutional Review Board)인증을 받아 서 취득하였다.
2. 실험 결과
ANN을 이용한 사용자 인식률을 구하기 위해서는 먼 저 입력된 EMG신호에 대해서 특징을 추출하고 ANN 을 이용하여 사용자를 인식한다. 먼저 사용자 인식에 적합한 특징과 채널을 확인하기 위해서 12개의 특징과
표 2. 근육별 인식률
Table 2. Recognition rates for 4 muscles.
Hidden Layer
Muscle 10 20 30 Avg
대퇴직근 81.8 83.9 84.5 83.4
반건양근 84.2 86.7 86.3 85.7
외측광근 87.5 85 88.1 86.9
내측광근 69 75.8 77.3 74.0
Features
Hidden Layer RMS MAV VAR WAMP ZC SSC IEMG MMAV1 MMAV2 MAVSLP SSI WL
10 84.9 90 64.2 70.6 91.5 67.2 87.4 92.2 83 89.5 71.6 86.6
20 83.2 90.6 72.6 71.1 91.7 71.2 91.5 90.6 86.1 93.7 68.1 84.5
30 89.2 91.6 75.6 71 93.8 70.3 89.5 90.7 80.2 91.7 73.5 88
Avg 85.8 90.7 70.8 70.9 92.3 69.6 89.5 91.2 83.1 91.6 71.1 86.4
표 3. 특징별 인식률
Table 3. Recognition rates for 12 features.
표 4. 근육과 특징 선택에 따른 인식률
Table 4. Recognition rate according to muscle and feature selection.
Hidden Layer Stop Epochs Training Validation Test Overall
4 Muscle, 12 Features
10 131 97.6 96.7 95.3 97.1
20 145 99.1 98 97.3 98.7
30 183 100 99.7 98 99.7
Avg 153 98.9 98.1 96.9 98.5
4 Muscle, 5 Features
10 100 86.9 87.3 84 86.5
20 126 94.6 94 93.7 94.4
30 152 97.6 96.3 97.3 97.4
Avg 126 93.0 92.5 91.7 92.8
3 Muscle, 5 Features
10 182 89.9 90 85 89.1
20 231 96.4 93.3 93 95.4
30 196 97.3 94.3 91.7 96
Avg 203 94.5 92.5 89.9 93.5
4개의 근육에 대한 은닉층 수를 10, 20, 30개로 각각 다 르게 하여 인식률을 확인하였다.
그 결과 표 2와 같이 채널별 인식률은 대퇴직근, 외 측관근 그리고 반건양근의 경우 평균 80%이상의 인식 률을 보였고 내측광근의 경우 평균 74%의 인식률을 보 였다. 그러므로 사용자 인식에 적합한 근육은 대퇴직근, 외측관근, 반건양근 3개라고 할 수 있다.
표 3을 통해 사용자 인식에 적합한 특징을 확인한 결 과 근육의 수축과 이완에 관련된 특징인 ZC, 근육에 가 해지는 힘에 관련된 특징인 IEMG가 각각 평균 92.3%, 89.5%의 높은 인식률을 보였다. 또한 근육의 활성도에 관련된 특징인 MAV 그리고 MAV를 기반으로 만들어 진 특징인 MMAV1, MAVSLP의 경우 평균 90% 이상 의 높은 인식률을 보였다. 이를 통해서 MAV, ZC, IEMG, MMAV1, MAVSLP 5개의 특징이 사용자 인식 에 적합한 특징이라 할 수 있다.
표 4는 모든 채널과 특징을 사용해서 사용자 인식하 는 경우와 사용자 인식에 적합한 근육과 특징을 선택 하여 인식률을 비교하였다. 그 결과 모든 근육과 특징 을 사용하여 인식할 경우 평균 98.5%의 인식률을 보였 고, 모든 근육과 적합한 특징 5개만 선택하여 사용자 인식할 경우 평균 92.8%, 적합한 근육 3개와 특징 5개 를 선택하여 사용자 인식할 경우 평균 93.5%의 인식률 을 보였다. 그리고 은닉층이 30개 일 경우 각각의 상황 에서 인식률이 최고 높았고, 특히 모든 근육과 특징을 사용할 경우 99.7%의 가장 높은 인식률을 보였다.
그림 5는 기존에 많이 연구되는 보행기반 사용자 인 식방식인 Motion capture 방식[6]과 Silhouettes 방식[7]
그리고 최근에 새로 연구되는 Acoustic 방식[17]과 본 논 문에서 제안하는 방식인 EMG 신호기반 사용자 인식의 인식률을 비교하였다. 본 논문에서 제안하는 방식은 Motion capture 방식과 같이 몸의 관절 마디 모두에 센
그림 5. 제안하는 방법의 인식률 비교
Fig. 5. Comparison of accuracy between the proposed method and previous works.
서를 부착하는 것이 아닌 허벅지에만 부착하기 때문에 Motion capture 방식보다 활용도가 높다. 또한 Silhouettes 방식의 경우 사람이 인식하지 못하는 상황 에서 신호의 취득이 가능하므로 활용도면에서 좋고 인 식률 또한 높다. 하지만 가방을 메거나 두꺼운 옷과 같 은 사람의 실루엣이 달라지는 경우 인식에 문제가 발생 할 수 있다. 이와 다르게 EMG 신호를 이용한 사용자 인식의 경우 사람의 근육신호를 이용하게 때문에 이러 한 인식률 문제가 적다. Acoustic 방식의 경우 소리를 이용하는 방식이기 때문에 Silhouettes기반과 같이 사람 이 인식하지 않아도 신호 취득이 가능하기 때문에 활용 도면에서는 좋으나 음성신호의 특성상 노이즈의 영향이 크기 때문에 인식률이 낮아 활용하기 적합하지 않다.
따라서 제안하는 방식인 EMG신호를 이용한 사용자 인식방식은 Silhouettes 기반보다는 활용도면에서 떨어 지지만 센서를 허벅지에만 최소한으로 부착하여 신호의 취득이 가능하며 사람이 몸에 착용한 가방, 옷 등에 따 른 인식률 변화가 적으며 기존에 보행신호 기반 사용자 인식에 사용되는 방식들과 비슷한 수준의 인식률을 보 인다.
Ⅴ. 결론 및 향후 연구 방향
본 논문에서는 사람마다의 보행습관에 따른 EMG 신 호를 이용하여 사용자를 인식하는 방식을 제안하였다.
실험 결과 사용자 인식에 적합한 근육과 특징이 존재하 며 그러한 근육과 특징만을 사용하여 사용자 인식한 결 과 96%의 높은 인식률을 보였다. 이는 사람의 보행에 다른 EMG 신호를 기반으로 사용자 인식이 가능함을 보 인다.
향후 연구에서는 EMG 신호 기반 사용자 인식을 위한 EMG 신호 취득을 위한 스포츠밴드형 소형 단말기를 제작 하고 취득한 신호를 PC로 전송하여 실시간으로 사용자 인
식이 가능한 프로그램을 개발 하는 연구를 진행 할 예정 이다.
REFERENCES
[1] J-W. Byun, “A Study on Efficient and Secure user Authentication System based on Smart- card”, Journal of The Institute of Electronics Engineers of Korea - Telecommunications Vol.48, No.2, pp.105-115, 2011.
[2] J-A. Park, S-W. Cho and S-T. Chung, “Smart Card User Identification Using Low-sized Face Feature Information”, Journal of Korean Institute of Intelligent Systems, Vol.24, No.4, pp.349-354, August 2014.
[3] Z. Zhou, E. Y. Du, N. L. Thomas and E. J.
Delp, “A New Human Identification Method:
Sclera Recognition”, IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, Vol.42, No.3, pp.571-583, May 2012.
[4] S-H. Kim, J-W. Ryu, M-R. Lee and D-H. Kim,
“Human Identification based on Gait Cycle Using EMG signal”, Fall Conference of the Institute of Electronics and Information Engineers, pp.592-594, Ansan, Korea, November 2014.
[5] X. Huang, S. Altahat, D. Tran and D. Sharma,
“Human Identification with Electroencephalogram (EEG) Signal Processing”, In Proc. of 2012 Intl.
Symposium on Communications and Information Technologies, pp.1021-1026, Queensland, Australia, October 2012.
[6] H. Josiński, A. Świtoński, K. Jędrasiak and D.
Kostrzewa, “Human Identification Based on Gait Motion Capture Data”, In Proc. of 2012 Intl.
MultiConference of Engineers and Computer Scientists, Vol.1, Hong Kong, China, March 2012.
[7] A. Singhal and B. Lall, “Novel Signal Processing Approach for Gait Based Human Identification System”, In Proc. of Intl.
Conference on Signal Processing and Communication, pp.197-201, Noida, India, December 2013.
[8] J-W. Ryu and D-H. Kim, “sEMG Signal based Gait Phase Recognition Method for Selecting Features and Channels Adaptively”, Journal of The Rehabilitation Engineering and Assistive Technology Society, Vol.7, No.2, pp.19-26, December 2013.
[9] B. M. Mehtre, “Fingerprint Image Analysis for Automatic Identification”, Machine Vision and Applications, Vol.6, pp.124-139, March 1993.
저 자 소 개 김 상 호(학생회원)
2014년 인하대학교 전자공학과 학사 졸업.
2014년∼현재 인하대학교 전자공 학과 석사 과정
<주관심분야 : 임베디드 시스템, 생체신호 처리 및 활용, BCI>
이 병 현(학생회원)
2015년 인하대학교 전자공학과 학사 졸업.
2015년∼현재 인하대학교 전자공 학과 석사 과정
<주관심분야 : 임베디드 시스템, 생체신호 처리 및 활용, BCI>
류 재 환(학생회원)
2013년 인하대학교 전자공학과 석사
2013년∼현재 인하대학교 전자공 학과 박사 과정
<주관심분야 : 임베디드 시스템, 초분광영상 처리 및 활용, 생체신 호 처리 및 활용, BCI>
김 덕 환(평생회원)-교신저자 2003년 한국과학기술원 컴퓨터공
학 박사
2006년∼현재 인하대학교 전자공 학과 교수
<주관심분야 : 스토리지 시스템, 임베디드 시스템, 시각정보처리, 데이터베이스, BCI>
[10] C. L. Tisse, L. Martin, L. Torres and M. Robert,
“Person identification technique using human iris recognition”, In Proc. of Vision Interface, Vol.4, pp.294-299, 2002.
[11] I. S. Jadhav, V. T. Gaikwad and G. U. Patil,
“Human Identification using Face and Voice Recognition.”, International Journal of Computer Science and Information Technologies, Vol.2, No.3, pp.1248-1252, 2011.
[12] A. Kumarn and C. Wu, “Automated human ident ification using ear imaging”, Pattern Recognition, Vol.45, No.3, pp.956-968, March 2012.
[13] L. Biel, O. Pettersson, L. Philipson, and P. Wide,
“ECG Analysis: A New Approach in Human Identification”, IEEE Transactions on Instrumentation and Measurement, Vol.50, No.3, pp.808-812, June 2001.
[14] R. Maxion and K. S. Killourhy, “Keystroke Biometrics with Number-Pad Input”, In Proc. of 2010 Intl. IEEE/IFIP Conference on Dependable Systems and Networks, pp.201-210, Chicago, USA, June 2010.
[15]F. Monrose, and Aviel D. Rubin, “Keystroke
dynamics as a biometric for authentication.”, Future Generation computer systems, Vol.16, No.4, pp.351-359, February 2000.
[16] J. T. Geiger, M. Kneißl, B. W. Schuller and G.
Rigoll, “Acoustic Gait-based Person Identification using Hidden Markov Models”, In Proc. of the 2014 Workshop on Mapping Personality Traits Challenge and Workshop, pp.25-30, New York, USA, November 2014.
[17] C. Holland and O. V. Komogortsev, “Biometric Identification via Eye Movement Scan paths in Reading.”, In Proc. of 2011 Intl. Joint Conference on Biometrics, pp.1-8, Washington, USA, October 2011.
[18] A. Phinyomark, C. Limsakul and P.
Phukpattaranont, “A Novel Feature Extraction for Robust EMG Pattern Recognition”, Journal of Computing, Vol.1, No.1, pp.71-80, December 2009.
[19] M. R. Ahsan, M. I. Ibrahimy and O. O. Khalifa,
“Electromygraphy (EMG) Signal based Hand Gesture Recognition using Artificial Neural Network(ANN)”, In Proc. of 2011 Conference on Mechatronics, pp.17-19, Kuala Lumpur, Malaysia, May 2011.
