❤️심전도 사용자인증 시스템

📈프로젝트 개요

사용자의 심전도를 측정하여 인증하는 모델 제작 프로젝트

사람은 개인마다 고유의 심전도를 가지고 있습니다. 따라서 지문이나 얼굴인식처럼 심전도를 측정하여 인증이 가능합니다. 이 점을 이용하여 심전도 사용자인증 시스템을 만들어 보았습니다.

💻 사용기술

• 
• 

📆 프로젝트 기간

• 2022.11.22~2022.12.16

🚩세부기능

1. 데이터

• 1명당 10초씩 60회 측정한 심전도 100명치
• 기본적으로 심전도 데이터는 주파수데이터 이므로 시계열데이터입니다. 따라서 전처리가 매우 중요합니다.
• 연속적인 데이터를 처리할 수 있는 모델을 구성해야 합니다.
• 원본 데이터를 그대로 사용할시 잡음이 많아 정확한 모델의 학습이 어려우므로 전처리 과정을 거칩니다.

2. 다운샘플링

• 첫 번째 전처리 작업으로 약 5만Hz였던 원본데이터를 256Hz로 낮추는 작업입니다.

3. 주파수통과필터

• 통과시킬 주파수의 범위를 정해 원하는 범위만 남기는 필터링 과정으로 3가지가 존재합니다.
• HighPassFilter는 설정값 이상의 주파수만 통과시키는 필터입니다.
• BandPassFilter는 일정 범위 안에 있는 주파수만 통과시키는 필터입니다.
• LosPassFilter는 설정값 이하의 주파수만 통과시키는 필터입니다.
• 필터링을 통해 필요없는 범위의 주파수는 날려줍니다.

4. 데이터분할

• 한 사람이 1회 측정한 데이터당 일정히 반복되는 주기가 존재합니다. 따라서 이를 토대로 데이터를 짧게 끊어 dataset의 양을 늘려줍니다.
• 기본적으로 1초씩 끊어서 데이터를 저장해주었습니다.

5. 모델적용

📢 모델
1-dimensional CNN : 이다은
RNN : 채안나
LSTM : 이준형
GRU : 오수진

• 저희는 모델 여러개를 각자 맡아 어떤 것이 가장 정확도가 높은지 실험을 진행하였습니다.

• RNN의 경우 SimpleRNN을 적용하였는데 학습하는 시간이 다른 모델에 비해 오래걸렸습니다.
• 정확도는 BandPass적용한 데이터가 약 91%정도 나왔습니다.

• LSTM의 경우 시계열데이터에 자주 사용하는 모델이며 RNN보다 성능이 좋습니다.
• 그래프도 완만하게 나타났으며 정확도는 BandPassFilter를 사용하였을 때 98%로 가장 높았습니다.

• GRU는 LSTM과 비슷하지만 비교적 빠른 모델입니다.
• 정확도 그래프는 LSTM보다 완만하며 정확도는 BandPassFilter사용시 94%정도로 나타났습니다.

• CNN모델은 짧은 구간에 대해서 패턴을 인식합니다.
• 정확도 그래프가 대체적으로 완만하나 Low그래프에서 변동이 있었습니다.
• HighPassFilter를 사용하였을 때 정확도가 99%로 가장 높게 나타났습니다.

결과적으로 CNN모델을 HighPassFilter를 이용해 학습시켰을 때 99%로 정확도가 가장 높았습니다.

6. 심화과정

가장 정확도가 높게 나온 CNN과 LSTM모델을 활용하여 추가적인 실험을 진행하였습니다.
데이터를 2초로 분할, 겹쳐서 1초씩 분할한 경우를 추가로 시행해보았습니다.
이중에선 겹쳐서 1초로 분할한 데이터를 bandpass에 적용시켜 CNN모델로 학습했을 경우가 98%정확도로 높게 나왔습니다. 심화과정까지 해본 결과 1초로 분할해 Highpass를 적용한 cnn모델이 99%로 가장 높았습니다.

사용자 식별

• testdata중 42번 사람의 데이터를 학습한 모델에 넣어본 결과 42번 사람으로 인식하는 것을 확인할 수 있습니다.
• 오른쪽 이미지의 경우 6000개의 testdata를 전부 모델에 적용시켜본 결과 거의 모든 데이터를 맞춘 것을 확인할 수 있습니다.
• 이를 애플워치나 갤럭시워치와 같이 심박수를 측정할 수 있는 전자기기에 활용하면 사용자를 인증하는 시스템을 만들 수 있습니다.