特開 2024-72612 生体認証システム、生体認証装置、生体認証方法、及びコンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024072612

(43)【公開日】2024-05-28

(54)【発明の名称】生体認証システム、生体認証装置、生体認証方法、及びコンピュータプログラム

(51)【国際特許分類】

   A61B 5/117 20160101AFI20240521BHJP

   A61B 5/0245 20060101ALI20240521BHJP

【ＦＩ】

A61B5/117 200

A61B5/0245 C

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2022183552

(22)【出願日】2022-11-16

(71)【出願人】

【識別番号】504150450

【氏名又は名称】国立大学法人神戸大学

(74)【代理人】

【識別番号】100111567

【弁理士】

【氏名又は名称】坂本 寛

(72)【発明者】

【氏名】和泉 慎太郎

(72)【発明者】

【氏名】川口 博

(72)【発明者】

【氏名】真鍋 歩夢

【テーマコード（参考）】

4C017

4C038

【Ｆターム（参考）】

4C017AA02

4C017AA10

4C017AB04

4C017AC40

4C017BC02

4C017BC07

4C017BC11

4C017BC16

4C017FF15

4C038VA07

4C038VB25

4C038VB29

(57)【要約】

【課題】ドップラーセンサの計測信号を用いても、生体認証の精度を向上させる。
【解決手段】開示の生体認証システムは、生体の心拍を計測するためのドップラーセンサと、前記心拍を計測した前記ドップラーセンサから出力された計測信号に基づいて生体認証を行う認証装置と、を備え、前記認証装置は、前記計測信号における心拍成分を強調した強調信号を得る強調処理と、前記強調信号に基づいて生体認証をする認証処理と、を実行するよう構成され、前記強調処理は、前記計測信号における所定の周波数帯域の信号を減衰させることを含む。
【選択図】図８

【特許請求の範囲】

【請求項1】

生体の心拍を計測するためのドップラーセンサと、
前記心拍を計測した前記ドップラーセンサから出力された計測信号に基づいて生体認証を行う認証装置と、
を備え、
前記認証装置は、
前記計測信号における心拍成分を強調した強調信号を得る強調処理と、
前記強調信号に基づいて生体認証をする認証処理と、
を実行するよう構成され、
前記強調処理は、前記計測信号における所定の周波数帯域の信号を減衰させることを含む
生体認証システム。

【請求項2】

前記所定の周波数帯域は、少なくとも５Ｈｚよりも低い帯域を含む
請求項１に記載の生体認証システム。

【請求項3】

前記認証装置は、前記強調信号において生じる複数のピークそれぞれを検出する検出処理を更に実行するよう構成されている
請求項１又は請求項２に記載の生体認証システム。

【請求項4】

前記認証装置は、検出された前記ピークに基づいて、前記強調信号を前記心拍の１拍毎に分割した複数の分割信号を得る分割処理を更に実行するよう構成され、
前記認証処理は、前記複数の分割信号に基づいて前記生体認証をする
請求項３に記載の生体認証システム。

【請求項5】

前記認証処理は、前記複数の分割信号それぞれに基づいて、１拍毎に前記生体をクラス分類することを含む
請求項４に記載の生体認証システム。

【請求項6】

前記認証処理は、前記複数の分割信号それぞれの特徴量を求め、前記特徴量に基づいて、クラス分類して得られたクラスを検証することを含む
請求項５に記載の生体認証システム。

【請求項7】

前記強調信号は、前記計測信号における前記所定の周波数帯域の信号を減衰させた信号の周波数スペクトログラムを含み、前記所定の周波数帯域は、少なくとも５Ｈｚよりも低い帯域を含む、
請求項１に記載の生体認証システム。

【請求項8】

前記認証処理は、前記強調信号が入力されると前記生体を分類した結果を出力するよう構成された第１機械学習モデルを用いて、前記強調信号に基づいて前記生体をクラス分類することを含む
請求項１に記載の生体認証システム。

【請求項9】

前記認証処理は、
前記強調信号に基づいて前記生体を複数のクラスのいずれかにクラス分類し、
前記強調信号の第１特徴量を求め、
前記第１特徴量に基づいて、クラス分類して得られたクラスを検証する、
ことを備え、
前記クラスを検証することは、前記複数のクラスそれぞれに予め対応付けて設定された第２特徴量の中から、クラス分類して得られた前記クラスに対応付けられた対比用第２特徴量を選択し、前記第１特徴量と前記対比用第２特徴量とを対比することを含む
請求項１に記載の生体認証システム。

【請求項10】

生体の心拍を計測するためのドップラーセンサから出力された計測信号に基づいて生体認証を行う認証装置であって、
前記計測信号における心拍成分を強調した強調信号を得る強調処理と、
前記強調信号に基づいて生体認証をする認証処理と、
を実行するよう構成され、
前記強調処理は、前記計測信号における所定の周波数帯域の信号を減衰させることを含む
認証装置。

【請求項11】

コンピュータによって実行される生体認証方法であって、
生体の心拍を計測するためのドップラーセンサから出力された計測信号から、前記計測信号における心拍成分を強調した強調信号を求め、
前記強調信号に基づいて生体認証をする
ことを備え、
前記強調信号を求めることは、前記計測信号における所定の周波数帯域の信号を減衰させることを含む
生体認証方法。

【請求項12】

処理をコンピュータに実行させるコンピュータプログラムであって、
前記処理は、
生体の心拍を計測するためのドップラーセンサから出力された計測信号から、前記計測信号における心拍成分を強調した強調信号を求め、
前記強調信号に基づいて生体認証をする
ことを備え、
前記強調信号を求めることは、前記計測信号における所定の周波数帯域の信号を減衰させることを含む
コンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、生体認証システム、生体認証装置、生体認証方法、及びコンピュータプログラムに関する。

【背景技術】

【0002】

非特許文献１は、ドップラーセンサを使用して心臓の動きを計測して生体認証をする技術を開示している。非特許文献１では、ディープ畳み込みニューラルネットワーク（ＤＣＮＮ）を用いて個人認証が行われる。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】P. Cao, W. Xia, Y. Li, “Heart ID: Human identification based on radar micro-doppler signatures of the heart using deep Learning,” Remote Sens, 11, 1220, 2019.

【発明の概要】

【0004】

ドップラーセンサは、ドップラー効果を利用して物体の動きを検出する。ドップラーセンサは、マイクロ波などの送信波を、被検出物に対して放射し、被検出物からの反射波の周波数を監視する。被検出物が動いていると、ドップラー効果によって、反射波の周波数が変化する。ドップラーセンサは、周波数の変化（周波数シフト）を検出し、その変化を計測信号として出力する。計測信号は、被検出物の動きを示す。ドップラーセンサによって心拍を計測する場合、ドップラーセンサは、主に、心拍に起因する胸壁振動を検出する。

【0005】

ドップラーセンサ以外のセンサによって心拍情報を得るには、多くの場合、センサを身体に接触させる必要がある。例えば、心電図によって心拍情報を得るには、心電計の電極を身体に装着する必要がある。身体への装着が必要であると、ユーザビリティが低くなる。

【0006】

これに対して、ドップラーセンサは、身体に非接触であっても心拍情報を得ることができ有利である。つまり、ドップラーセンサは、ユーザビリティが高い。例えば、ドップラーセンサを利用すると、車内又は居住空間などのプライベート空間において、非接触であっても、心拍を容易に計測することができる。この結果、車内などの様々な場所において、心拍を用いた生体認証が可能となる。

【0007】

しかし、ドップラーセンサの計測信号用いた心拍生体認証に関する先行技術においては、様々な原因によって、認証の精度が十分に高くないという問題がある。したがって、ドップラーセンサの計測信号を用いても、生体認証の精度の向上を可能とする技術が望まれる。

【0008】

本開示のある側面は、生体認証システムである。開示のシステムは、生体の心拍を計測するためのドップラーセンサと、前記心拍を計測した前記ドップラーセンサから出力された計測信号に基づいて生体認証を行う認証装置と、を備え、前記認証装置は、前記計測信号における心拍成分を強調した強調信号を得る強調処理と、前記強調信号に基づいて生体認証をする認証処理と、を実行するよう構成され、前記強調処理は、前記計測信号における所定の周波数帯域の信号を減衰させることを含む。

【0009】

本開示の他の側面は、認証装置である。開示の装置は、生体の心拍を計測するためのドップラーセンサから出力された計測信号に基づいて生体認証を行う認証装置であって、前記計測信号における心拍成分を強調した強調信号を得る強調処理と、前記強調信号に基づいて生体認証をする認証処理と、を実行するよう構成され、前記強調処理は、前記計測信号における所定の周波数帯域の信号を減衰させることを含む。

【0010】

本開示の他の側面は、生体認証方法である。開示の方法は、コンピュータによって実行される生体認証方法であって、生体の心拍を計測するためのドップラーセンサから出力された計測信号から、前記計測信号における心拍成分を強調した強調信号を求め、前記強調信号に基づいて生体認証をすることを備え、前記強調信号を求めることは、前記計測信号における所定の周波数帯域の信号を減衰させることを含む。

【0011】

本開示の他の側面は、コンピュータプログラムである。開示のプログラムは、処理をコンピュータに実行させるコンピュータプログラムであって、前記処理は、生体の心拍を計測するためのドップラーセンサから出力された計測信号から、前記計測信号における心拍成分を強調した強調信号を求め、前記強調信号に基づいて生体認証をすることを備え、前記強調信号を求めることは、前記計測信号における所定の周波数帯域の信号を減衰させることを含む。

【0012】

更なる詳細は、後述の実施形態として説明される。

【図面の簡単な説明】

【0013】

【図1】図１は、生体認証システムの構成図である。

【図2】図２は、学習方法を示すフロチャートである。

【図3】図３は、強調処理を示す説明図である。

【図4】図４は、強調信号、加速度波形、心電図、脈波を示す図である。

【図5】図５は、心電図、脈波、並びにドップラーセンサの計測信号から得られる低周波成分及び強調信号を示す図である。

【図6】図６は、分割処理の説明図である。

【図7】図７は、学習の説明図である。

【図8】図８は、生体認証の手順を示すフロチャートである。

【図9】図９は、認証処理の説明図である。

【図10】図１０は、学習時の潜在変数の分布と登録人物での分類結果を示す図である。

【図11】図１１は、学習時の潜在変数の分布と未登録人物での分類結果を示す図である。

【図12】図１２は、強調信号と計測信号それぞれでの認証結果の精度を示す。

【発明を実施するための形態】

【0014】

＜１．生体認証システム、生体認証装置、生体認証方法、及びコンピュータプログラムの概要＞

【0015】

（１）実施形態に係る生体認証システムは、生体の心拍を計測するためのドップラーセンサと、前記心拍を計測した前記ドップラーセンサから出力された計測信号に基づいて生体認証を行う認証装置と、を備え得る。前記認証装置は、前記計測信号における心拍成分を強調した強調信号を得る強調処理と、前記強調信号に基づいて生体認証をする認証処理と、を実行するよう構成され得る。前記強調処理は、前記計測信号における所定の周波数帯域の信号を減衰させることを含み得る。強調処理によって、心拍成分を強調することで、生体認証の精度が向上する。

【0016】

（２）前記所定の周波数帯域は、少なくとも５Ｈｚよりも低い帯域を含むのが好ましい。この場合、心拍成分を適切に強調できる。

【0017】

（３）前記認証装置は、前記強調信号において生じる複数のピークそれぞれを検出する検出処理を更に実行するよう構成されているのが好ましい。この場合、心拍成分が強調された強調信号のピークは、心拍のＲ波に相当し得るため、強調信号のピークを検出することで、Ｒ波を検出し得る。

【0018】

（４）前記認証装置は、検出された前記ピークに基づいて、前記強調信号を前記心拍の１拍毎に分割した複数の分割信号を得る分割処理を更に実行するよう構成され得る。前記認証処理は、前記複数の分割信号に基づいて前記生体認証をするのが好ましい。１拍毎の分割信号に基づいて生体認証を行うことで、心拍間隔の変動の影響を排除して、精度よく認証を行うことができる。

【0019】

（５）前記認証処理は、前記複数の分割信号それぞれに基づいて、１拍毎に前記生体をクラス分類することを含むのが好ましい。

【0020】

（６）前記認証処理は、前記複数の分割信号それぞれの特徴量を求め、前記特徴量に基づいて、クラス分類して得られたクラスを検証することを含むのが好ましい。検証によって認証の精度を向上させることができる。

【0021】

（７）前記強調信号は、前記計測信号における前記所定の周波数帯域の信号を減衰させた信号の周波数スペクトログラムを含み、前記所定の周波数帯域は、少なくとも５Ｈｚよりも低い帯域を含むのが好ましい。

【0022】

（８）前記認証処理は、前記強調信号が入力されると前記生体を分類した結果を出力するよう構成された第１機械学習モデルを用いて、前記強調信号に基づいて前記生体をクラス分類することを含むのが好ましい。

【0023】

（９）前記認証処理は、前記強調信号に基づいて前記生体を複数のクラスのいずれかにクラス分類し、前記強調信号の第１特徴量を求め、前記第１特徴量に基づいて、クラス分類して得られたクラスを検証する、ことを備え、前記クラスを検証することは、前記複数のクラスそれぞれに予め対応付けて設定された第２特徴量の中から、クラス分類して得られた前記クラスに対応付けられた対比用第２特徴量を選択し、前記第１特徴量と前記対比用第２特徴量とを対比することを含むのが好ましい。

【0024】

（１０）実施形態に係る装置は、生体の心拍を計測するためのドップラーセンサから出力された計測信号に基づいて生体認証を行う認証装置であり得る。認証装置は、前記計測信号における心拍成分を強調した強調信号を得る強調処理と、前記強調信号に基づいて生体認証をする認証処理と、を実行するよう構成され得る。前記強調処理は、前記計測信号における所定の周波数帯域の信号を減衰させることを含み得る。

【0025】

（１１）実施形態に係る方法は、コンピュータによって実行される生体認証方法であり得る。生体認証方法は、生体の心拍を計測するためのドップラーセンサから出力された計測信号から、前記計測信号における心拍成分を強調した強調信号を求め、前記強調信号に基づいて生体認証をすることを備え得る。前記強調信号を求めることは、前記計測信号における所定の周波数帯域の信号を減衰させることを含み得る。

【0026】

（１２）実施形態に係るコンピュータプログラムは、処理をコンピュータに実行させる。前記処理は、生体の心拍を計測するためのドップラーセンサから出力された計測信号から、前記計測信号における心拍成分を強調した強調信号を求め、前記強調信号に基づいて生体認証をすることを備え得る。前記強調信号を求めることは、前記計測信号における所定の周波数帯域の信号を減衰させることを含み得る。

【0027】

＜２．生体認証システム、生体認証装置、生体認証方法、及びコンピュータプログラムの例＞

【0028】

図１は、実施形態に係る生体認証システムを示している。実施形態に係る生体認証システムは、ドップラーセンサ１１と認証装置２０とを備える。ドップラーセンサ１１は、一例として、マイクロ波ドップラーセンサである。マイクロ波ドップラーセンサ１１は、マイクロ波を送信波として、被検出物（ユーザＵの胸部付近）に送信し、被検出物からの反射波を受信する。ドップラーセンサ１１は、反射波の周波数シフトを検出し、その変化を計測信号として出力する。心拍を測定するドップラーセンサ１１の計測信号は、心拍に起因する胸壁振動を示す。計測信号は、経時的に振幅が変化する時系列データとして構成され得る。

【0029】

マイクロ波は周波数が高いため、マイクロ波ドップラーセンサ１１は、心臓の拍動により生じる体表面の微細な振動を検知することができる。ただし、ドップラーセンサ１１は、マイクロ波ドップラーセンサに限定されるものではなく、マイクロ波以外の送信波を送信するものであってもよい。

【0030】

実施形態に係るドップラーセンサ１１は、一例として、センサ装置１０内に設けられている。センサ装置１０は、その筐体内に、ドップラーセンサ１１を備え得る。センサ装置１０は、増幅器１２を備える。増幅器１２は、ドップラーセンサ１１から出力された計測信号を増幅する。センサ装置１０は、ドップラーセンサ１１から出力された計測信号を受信するマイクロコントローラ１３を備える。マイクロコントローラ１３は、例えば、増幅された計測信号を受信する。マイクロコントローラ１３は、受信した計測信号を、通信インターフェース１４に与える。通信インターフェース１４は、計測信号をセンサ装置１０の外部へ送信する。計測信号は、例えば、認証装置２０へ送信される。通信インターフェース１４は、無線通信又は有線通信を担う。無線通信の場合、計測信号は、アンテナ１５から外部へ送信される。通信インターフェース１４は、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの近距離無線通信のための無線インターフェースである。

【0031】

ドップラーセンサ１１（センサ装置１０）は、一例として、着座のための器具１００に設けられ得る。着座のための器具１００は、例えば、自動車その他の乗り物の座席、又は居住空間等に設置される椅子、ソファである。ドップラーセンサ１１（センサ装置１０）は、ベッドなど睡眠のための器具に設けられてもよい。ドップラーセンサ１１（センサ装置１０）は、着座のための器具１００又は睡眠のための器具以外に設けられてもよい。例えば、ドップラーセンサ１１は、心拍が計測されるユーザＵが接近することがあり得るその他の位置に配置されてもよい。例えば、ドップラーセンサ１１は、着座のための器具１００又は睡眠のための器具の近傍に配置されてもよい。

【0032】

ドップラーセンサ１１は、心拍が計測されるユーザの背面側、正面側、上方側、下方側のいずれに配置されてもよい。ドップラーセンサ１１は、心拍が計測されるユーザＵとの相対位置が固定され得る位置に設けられるのが好ましい。例えば、ドップラーセンサ１１は、ユーザＵの背面又は正面において、相対位置が固定され得る位置に設けられる。ドップラーセンサ１１とユーザＵとの相対位置が固定されていると、ドップラーセンサ１１が、心拍とは関係のない身体の動きを検出するのを抑制できる。例えば、ドップラーセンサ１１が、着座のための器具１００の背もたれ１０１に設けられていると、ドップラーセンサ１１はユーザＵとの相対位置がほぼ固定され、ユーザＵの心拍に起因する胸壁振動することができ、身体の動きを検出するのを抑制できる。

【0033】

実施形態に係る認証装置２０は、例えば、認証のための処理を実行するコンピュータによって構成される。コンピュータは、例えば、ユーザＵが登場する車両の車載コンピュータ、又は、ユーザが存在し得る建物に設けられたコンピュータである。コンピュータは、ネットワークを介して、ユーザＵの遠隔地に設けられていてもよい。例えば、コンピュータは、インターネット上のサーバであってもよい。

【0034】

認証装置２０を構成するコンピュータは、プロセッサ２１及び記憶装置２３を備える。なお、認証装置２０は、１つのコンピュータによって構成されてもよいし、ネットワークを介して接続される複数のコンピュータによって構成されてもよい。

【0035】

記憶装置２３は、プロセッサ２１に接続されている。記憶装置２３は、例えば、一次記憶装置及び二次記憶装置を備える。一次記憶装置は、例えば、ＲＡＭである。二次記憶装置は、例えば、ハードディスクドライブ（ＨＤＤ）又はソリッドステートドライブ（ＳＳＤ）である。記憶装置２３は、プロセッサ２１によって実行されるコンピュータプログラム２３Ａを備える。プロセッサ２１は、記憶装置２３に格納されたコンピュータプログラム２３Ａを読み出して実行する。コンピュータプログラム２３Ａは、コンピュータを、認証装置２０として機能させるための命令を示すプログラムコードを有する。すなわち、実施形態に係るコンピュータプログラム２３Ａは、コンピュータに、実施形態に係る生体認証方法を実行させるよう構成されている。

【0036】

認証装置２０は、通信インターフェース２５を備える。通信インターフェース２５は、ドップラーセンサ１１の計測信号を外部から受信する。例えば、認証装置２０は、通信インターフェース１４から送信された計測信号を、アンテナ２７を介して、受信する。通信インターフェース２５は、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの近距離無線通信のためのインターフェースである。認証装置２０は、その他のネットワーク（例えば、インターネット）を介して、計測信号を受信してもよい。

【0037】

認証装置２０は、ユーザＵの心拍を計測したドップラーセンサ１１から取得した計測信号に基づいて、ユーザＵの生体認証をする。認証装置２０は、ドップラーセンサ１１から取得した計測信号を記憶装置２３に保存し、保存された計測信号対して、生体認証のための処理を実行することで、ユーザＵの生体認証をする。認証装置２０は、例えば、オフィスの椅子に装着されたドップラーセンサ１１から取得した計測信号に基づいて、ユーザＵである社員の生体認証をし、その生体認証結果に基づいて、社員の出退勤管理をするためのシステムにおいて用いられ得る。また、認証装置２０は、営業車の車両シートに装着されたドップラーセンサ１１から取得した計測信号に基づいて、ユーザＵの生体認証をし、その生体認証結果に基づいて、車両の運行管理をしたり、車両の盗難防止を図ることができる。

【0038】

記憶装置２３は、生体認証に用いられる機械学習モデル２３Ｂ，２３Ｃのデータを備え得る。実施形態の生体認証は、一例として、機械学習モデルを用いて行われる。図１に示す記憶装置２３は、一例として、機械学習モデルを複数備える。図１には、一例として、第１モデル２３Ｂ及び第２モデル２３Ｃという２つの機械学習モデルが示されている。第１モデル２３Ｂは、一例として、クラス分類器である。クラス分類器２３Ｂは、例えば、畳み込みニューラルネットワーク（ＣＮＮ）によって構成され得る。第２モデル２３Ｃは、一例として、特徴抽出器である。特徴抽出器２３Ｃは、例えば、入力データを次元圧縮して特徴量を抽出するよう構成される。特徴抽出器２３Ｃは、例えば、変分オートエンコーダ（ＶＡＥ）が備えるエンコーダによって構成され得る。

【0039】

記憶装置２３は、第２モデル２３Ｃの機械学習に用いられた学習データの特徴量２３Ｄを備え得る。学習データの特徴量２３Ｄは、同一ユーザ（同一ラベル）についての複数の特徴量が、特徴空間において有する各座標の平均座標であり得る。学習データの特徴量２３Ｄについては後述される。

【0040】

図２は、実施形態の生体認証に用いられる機械学習モデル２３Ｂ，２３Ｃの学習のための手順を示している。まず、複数の被験者それぞれについてリファレンス信号及びドップラーセンサ１１の計測信号が取得される（ステップＳ２１）。リファレンス信号は、一例として、心電計によって計測された心電図（心電波形信号）である。リファレンス信号及びドップラーセンサ１１の計測信号は同時に計測される。なお、リファレンス信号は、学習に用いられなくてもよいし、用いられてもよい。なお、ここでのドップラーセンサ１１の計測信号は、一例として、身体の背面から１０ｃｍ離れた位置から測定されたものである。リファレンス信号及び計測信号は複数拍分の時間長さを持つ。

【0041】

続いて、ドップラーセンサ１１の計測信号の強調処理（前処理）が行われる（ステップＳ２２）。強調処理によって、計測信号に含まれる心拍成分を強調した強調信号が得られる。強調処理は、例えば、計測信号における所定の周波数帯域の信号を減衰させることを含む。減衰される所定の周波数帯域は、低周波帯域であるのが好ましい。低周波帯域の信号を減衰させるには、例えば、低周波帯域の成分を遮断させるローパスフィルタが用いられる。低周波帯域の動きは、ユーザＵの身体の動き（体動）又はユーザＵの呼吸の影響を受けたものであることが多いため、計測信号から低周波帯域の成分を除去することで、心拍成分を強調した強調信号を得ることができる。減衰される所定の周波数帯域は、例えば、５Ｈｚよりも低い帯域を含むのが好ましく、１０Ｈｚよりも低い帯域を含むのがより好ましい。ユーザＵの身体の動き（体動）又はユーザＵの呼吸による身体の動きは、心拍の動きに比べて、比較的、緩やかであるため、少なくとも５Ｈｚよりも低い帯域の成分を減衰させることで、心拍成分を強調できる。また、１０Ｈｚよりも低い帯域の成分を減衰させることで、心拍成分をより強調できる。

【0042】

図３は、ステップＳ２２の強調処理前の計測信号の波形（生信号波形）と、強調処理後の強調信号の波形とを示している。図３の強調信号は、計測信号における１０Ｈｚ以上の成分を示す。また、図３には、参考として、計測信号の５Ｈｚ以下の成分が示されている。なお、図３において、各波形の横軸は時間であり、縦軸は振幅である。

【0043】

図４は、図３に示す強調信号が、心拍成分を良く表していることを示すため、同一人について、加速度センサで心拍を計測した波形、心電計で計測した心電図、及び指先に取り付けられた脈波計で計測した脈波を示している。加速度センサで心拍を計測した波形は、胸部に貼り付けられた加速度センサを使用して記録された低周波振動波形であり、心理心電図（ＳＣＧ）と呼ばれる。なお、図４において、各波形の横軸は時間であり、縦軸は振幅である。

【0044】

図４に示すように、加速度センサ波形（ＳＣＧ）及び脈波では、心電図におけるピークＲ（Ｒ波）が生じる時刻においてピークが生じており、心拍成分のピークをよく表している。そして、加速度センサ波形（ＳＣＧ）及び脈波おいてピークが生じる時刻には、強調信号においても振幅が大きくなっている。したがって、強調信号は、加速度センサ波形（ＳＣＧ）又は脈波と同様に、心拍成分を良く表しているといえる。つまり、強調信号は、Ｒ波の時刻を表し得る。

【0045】

これに対して、ドップラーセンサ１１の計測信号（生信号波形）では、図３に示すように、その波形ピークが、Ｒ波が生じる時刻とは無関係に生じ得る。ドップラーセンサ１１の計測信号（生信号波形）は、ユーザＵの身体の動き（体動）又はユーザＵの呼吸の影響を受け得るため、例えば、心拍とは無関係に生じる呼吸等の影響で大きな動きがあると、計測信号（生信号波形）にピークが生じ得る。しかし、ステップＳ２２の強調処理によって、心拍成分を強調して、Ｒ波が生じる時刻に同期してピークが生じる強調信号が得られる。したがって、身体に非接触で心拍を計測するドップラーセンサ１１であっても、身体に接触して心拍を計測する方式と同様に、心拍のピークを検出することが可能となる。

【0046】

また、図５に示すように、ドップラーセンサ１１の計測信号（生信号波形）では、心拍に関連する成分のピークが、Ｒ波が生じる時刻から大きくずれて生じることがある。図５に示すように、指先で計測される脈波のピークが生じる時刻Ｔ２は、心電図においてＲ波が生じる時刻Ｔ１とはずれて生じることがある。ドップラーセンサ１１の計測信号（生信号波形）の低周波成分のピークも、脈波と同様に、時刻Ｔ２付近に生じ得る。これに対して、低周波成分がカットされた強調信号では、そのピークが、Ｒ波と同様に時刻Ｔ１付近に生じ得る。したがって、強調信号は、心拍のピークをより適切に表すことができる。

【0047】

このようにドップラーセンサ１１の計測信号（生信号波形）は、様々な影響を受け得るため、その波形ピークが心拍のピーク（Ｒ波）を示しているとは限らない。このことは、ドップラーセンサ１１の計測信号のどこが１拍分であるかを把握することを困難にするという問題を生じさせる。この問題によって、例えば、ドップラーセンサ１１の計測信号を、１拍毎に分割することが困難になる。この問題は、また、ドップラーセンサ１１の計測信号から心拍に関するパラメータ（心拍変動パラメータ）を取得することを困難にする。心拍変動パラメータは、例えば、Ｒ波の位置に基づいて得られるパラメータ（ＲＲ間隔等）であって、時間領域パラメータ及び周波領域パラメータを含み得る。

【0048】

上記の問題に関し、計測信号の心拍成分を強調した強調信号は、前述のように、計測信号よりも、心拍のピークを適切に表す。したがって、実施形態に係る強調信号は、１拍の把握（信号波形においてＲ波に相当する時間位置の把握）が容易であり、後述のように、心拍の１拍毎に信号を適切に分割でき有利である。また、強調信号から心拍変動パラメータを得るのも容易になる。

【0049】

図２に示すように、強調処理（ステップＳ２２）に続いて、検出処理（ステップＳ２３）が行われる。検出処理では、強調信号において生じる複数のピークそれぞれが検出される。強調信号のピークの検出は、例えば、振幅が所定の閾値を超えた時刻として検出される。なお、強調信号に基づく検出処理は、ステップＳ２２で求められた強調信号（時間－振幅信号）自体に基づいて行われてもよいし、ステップＳ２２で求められた強調信号のスペクトログラム（強調信号を時間周波数解析したデータ）に基づいて行われてもよい。スペクトログラムは、強調信号を時間－周波数－信号成分強さで表したデータである。例えば、スペクトログラムにおいて、心拍に相当する周波数の信号成分強さが所定の閾値を超えた時刻が、ピークの位置として検出される。

【0050】

強調信号では、前述のように、Ｒ波に対応した位置においてピークが生じやすい。したがって、検出処理で検出される強調信号のピークは、概ね、Ｒ波の位置に相当する。なお、強調信号は心臓の拍動に起因した物理的な動きを示すのに対して心電図は拍動において生じる電気信号を示すため、強調信号のピークは、心電図におけるＲ波の位置（時刻）よりもやや遅れるが、Ｒ波に同期して生じ得る。

【0051】

ここで、図６の（Ａ１）は、ステップＳ２２で得られた強調信号（時間－振幅信号）を示し、（Ａ２）は、（Ａ１）の強調信号のスペクトログラムを示す。また、図６のＰＢ，ＰＣ，ＰＤ，ＰＥは、検出処理によって、（Ａ１）又は（Ａ２）から検出されたピークを示す。

【0052】

図２に示すように、検出処理（ステップＳ２３）に続いて、分割処理（ステップＳ２４）が行われる。分割処理では、検出処理で検出されたピークに基づいて、強調信号が心拍の１拍毎に分割される。強調信号の分割処理によって複数の分割信号が抽出される。分割信号は、例えば、強調信号のピークＰＢ，ＰＣ，ＰＤ，ＰＥそれぞれを基準にした所定時間幅Ｌを持つ信号である。所定時間幅Ｌは、例えば、ピークＰＢ，ＰＣ，ＰＤ，ＰＥそれぞれよりも所定の第１時間Ｌ１前から、所定の第２時間Ｌ２後の時間幅（Ｌ＝Ｌ１＋Ｌ２）として設定され得る。強調信号から、ピークＰＢ，ＰＣ，ＰＤ，ＰＥそれぞれを基準にした所定時間幅Ｌを切り出すことで、複数の分割信号が抽出され得る。時間幅Ｌをピークの前後に跨るように設定することで、ピーク前後を含む１拍分の分割信号が得られ好適である。なお、時間幅Ｌは、例えば、安静時における平均的な心拍数の上限（例えば、１分間に１００回、８５回、及び７０回のいずれか）に相当するＲＲ間隔より短く設定され得る。

【0053】

なお、ピークに対する所定の時間幅Ｌの位置を変化させることで、一つのピークから、複数の分割信号を得ることができる。例えば、時間幅Ｌを一定に保ったまま、Ｌ１及びＬ２の時間幅を変化させることで、分割信号内でのピークの位置が互いに異なる複数の分割信号を得ることができる。これにより、学習データとなる分割信号（分割信号のスペクトログラムを含む）を増加させることできる。

【0054】

図６の（Ｂ１）（Ｃ１）（Ｄ１）（Ｅ１）は、（Ａ１）の強調信号から得られる複数の分割信号それぞれを示す。（Ｂ１）はピークＰＢを含む分割信号であり、（Ｃ１）はピークＰＣを含む分割信号であり、（Ｄ１）はピークＰＤを含む分割信号であり、（Ｅ１）はピークＰＥを含む分割信号である。

【0055】

ここで、心拍のＲＲ間隔は一定ではなく変動する。したがって、図６の（Ａ１）のような複数拍分の信号は、ＲＲ間隔の変動の情報を有している。しかし、生体認証では、１拍毎の信号の特性が重要である。このため、複数拍分の信号は、ＲＲ間隔の変動の影響を受けているため、生体認証のためのモデルの学習に悪影響を与えるとともに、そのモデルを用いた生体認証の精度を低下させるおそれがある。そこで、図６の（Ｂ１）（Ｃ１）（Ｄ１）（Ｅ１）のように、１拍毎の分割信号を用いることで、ＲＲ間隔の変動の影響を回避するとともに、生体認証の精度を向上させることができる。

【0056】

図２に示すように、分割処理（ステップＳ２４）に続いて、スペクトログラムを取得するための時間周波数解析（ステップＳ２５）が行われ得る。時間周波数解析は、例えば、連続ウェーブレット変換によって行われる。時間周波数解析は、例えば、図６の分割信号（Ｂ１）（Ｃ１）（Ｄ１）（Ｅ１）に対して行われる。これにより、分割信号それぞれのスペクトログラムが得られる。

【0057】

なお、分割処理の前に、ステップＳ２２で得られた強調信号（分割前信号）に対して時間周波数解析をして得られたスペクトログラム（図６の（Ａ２））を分割することで、分割信号それぞれのスペクトログラムを得てもよい。この場合、ステップＳ２５の時間周波数解析は、ステップＳ２２とステップＳ２３の間に行われ得る。

【0058】

図６の（Ｂ２）（Ｃ２）（Ｄ２）（Ｅ２）それぞれは、分割信号のスペクトログラムを示す。（Ｂ２）は分割信号（Ｂ１）のスペクトログラムであり、（Ｃ２）は分割信号（Ｃ１）のスペクトログラムであり、（Ｄ２）は分割信号（Ｄ１）のスペクトログラムであり、（Ｅ２）は分割信号（Ｅ２）のスペクトログラムである。

【0059】

実施形態では、一例として、分割信号のスペクトログラムを学習データとして、機械学習が行われる（図２のステップＳ２６，Ｓ２７）。なお、機械学習に用いられる学習データは、分割信号のスペクトログラムに限られず、強調信号に基づく他の信号であってもよい。例えば、学習データは、図６の（Ｂ１）（Ｃ１）（Ｄ１）（Ｅ１）に示すような分割信号自体であってもよい。また、学習データは、図６の（Ａ１）又は（Ａ２）に示すような複数拍分の信号であってもよい。本実施形態においては、強調信号から派生して得られる他の信号も、強調信号の特性を受け継いでいるため、強調信号として取り扱われる。つまり、分割信号のスペクトログラム及びその他の強調信号に基づく他の信号も強調信号として取り扱われる。

【0060】

実施形態では、一例として、第１モデル２３Ｂ及び第２モデル２３Ｃそれぞれの機械学習が行われる。ステップＳ２６では、第１モデル２３Ｂ（ＣＮＮ）の学習が行われ、ステップＳ２７では、第２モデル２３Ｃ（ＶＡＥ）の学習が行われる。なお、実施形態では、２つのモデル２３Ｂ，２３Ｃが用いられるが、一方だけが用いられてもよい。

【0061】

図７は、学習の一例を説明する模式図を示している。図７では、学習データ（train Data）として、前述の分割信号のスペクトログラムそれぞれに、被験者を示すラベルが付与されたものが用いられる。ラベルによって示される被験者は、分割信号のスペクトログラムのもとになった計測信号が計測された被験者である。

【0062】

第１モデル２３Ｂ（ＣＮＮ）は、分割信号のスペクトログラムが入力されると、その分割信号がどのユーザのものかをクラス分類した結果（推定ラベル）を出力するよう構成されている。なわち、第１モデル２３Ｂ（第１機械学習モデル）は、強調信号が入力されると生体をクラス分類した結果を出力するよう構成されている。ステップＳ２６における第１モデル２３Ｂの学習では、分割信号のスペクトログラムそれぞれに、被験者（生体）を示すラベルが付与された学習データを用いて、前述のクラス分類をするように、ＣＮＮが機械学習される。

【0063】

第２モデル２３Ｃ（ＶＡＥ）は、入力データから特徴量を取得し、特徴量から入力データの復元データを出力するニューラルネットワークである。第２モデル２３Ｃは、例えば、変分オートエンコーダ（ＶＡＥ）である。第２モデル２３Ｃは、入力データから特徴量ｚ（潜在変数）を求めるエンコーダ２０１と、特徴量ｚから復元データを生成するデコーダ２０２と、を備える。なお、学習時には、エンコーダ２０１とデコーダ２０２とを含む第２モデル２３Ｃ全体が用いられるが、生体認証時には、エンコーダ２０１だけが用いられ、デコーダ２０２は用いられなくてもよい。

【0064】

第２モデル２３Ｃの学習のため、分割信号のスペクトログラムがエンコーダ２０１に入力され、入力データと復元データとの誤差が小さくなるように第２モデル２３Ｃの機械学習が行われる。

【0065】

図７に示すLatent space（潜在空間）は、学習済のエンコーダ２０１に各学習データ（分割信号のスペクトログラム）を入力したときに出力される特徴量ｚ（潜在変数）を示している。図７に示す潜在空間中の数字は、学習データである分割信号のスペクトログラム付与されたラベル（ユーザ）を示す。図７の潜在空間では、各ラベル（各ユーザ）についての１拍毎の特徴量が、複数プロットされている。この潜在空間に示すように、同じラベル（ユーザ；被験者）についての複数の学習データの特徴量は、特徴空間である潜在空間において、集中して存在し得る。なお、図７に示す潜在空間は２次元空間として表現されているが、実際には、３次元以上の多次元（例えば、５次元）の空間であり、当該多次元空間の特徴量が２次元空間に投影されている。変分オートエンコーダは、図７に示すような特徴量分布を得るのが容易であり、有利である。

【0066】

図１に示すように、各ユーザ（被験者）に対応付けられた特徴量２３Ｄが、記憶装置２３に保存される。記憶装置２３に保存される特徴量２３Ｄは、図７に示す特徴空間（潜在空間）における座標であり得る。各ユーザ（被験者）に対応付けられる座標（特徴量２３Ｄ）は、各ラベル（各ユーザ）についての複数の１拍毎特徴量の平均座標であり得る。

【0067】

第２モデル２３Ｃを用いた生体認証の際には、前述のエンコーダ２０１のほか、記憶装置２３に保存された特徴量２３Ｄが用いられる。

【0068】

図８は、モデル２３Ｂ，２３Ｃを用いた生体認証の手順を示している。図８に示す処理は、認証装置２０によって実行される。まず、認証装置２０は、ユーザの心拍を計測したドップラーセンサ１１の計測信号を取得する（ステップＳ８１）。認証装置２０は、心拍が測定されたユーザが、認証装置２０に登録されたユーザであるかどうかを判定し、その判定結果を出力する。計測信号は、複数拍分の時間長さを持つ。

【0069】

続いて、認証装置２０は、ドップラーセンサ１１の計測信号の強調処理（前処理）を実行し得る（ステップＳ８２）。強調処理によって、計測信号に含まれる心拍成分を強調した強調信号が得られる。ステップＳ８２の強調処理は、ステップＳ２２の強調処理と同様でよく、ステップＳ２２に関する説明が援用される。すなわち、強調処理は、例えば、計測信号における所定の周波数帯域の信号を減衰させることを含む。減衰される所定の周波数帯域は、低周波帯域であるのが好ましい。低周波帯域の信号を減衰させるには、例えば、低周波帯域の成分を遮断させるローパスフィルタが用いられる。減衰される所定の周波数帯域は、例えば、５Ｈｚよりも低い帯域を含むのが好ましく、１０Ｈｚよりも低い帯域を含むのがより好ましい。

【0070】

ステップＳ８１の強調処理によって、心拍成分を強調して、Ｒ波が生じる時刻に同期してピークが生じる強調信号が得られる。したがって、身体に非接触で心拍を計測するドップラーセンサ１１であっても、身体に接触して心拍を計測する方式と同様に、心拍のピークを検出することが可能となる。計測信号の心拍成分を強調した強調信号は、計測信号よりも、心拍のピークを適切に表す。したがって、実施形態に係る強調信号は、１拍の把握（信号波形においてＲ波に相当する時間位置の把握）が容易である。また、強調信号から心拍変動パラメータを得るのも容易になる。

【0071】

図８に示すように、認証装置２０は、強調処理（ステップＳ８２）に続いて、検出処理（ステップＳ８３）を実行し得る。検出処理では、強調信号において生じる複数のピークそれぞれが検出される。ステップＳ８３の検出処理は、ステップＳ２３の検出処理と同様でよく、ステップＳ２３に関する説明が援用される。

【0072】

図８に示すように、認証装置２０は、検出処理（ステップＳ８３）に続いて、分割処理（ステップＳ８４）を実行し得る。分割処理では、検出処理で検出されたピークに基づいて、強調信号が心拍の１拍毎に分割される。強調信号の分割処理によって複数の分割信号（複数の１拍分信号）が抽出される。ステップＳ８４の分割処理は、ステップＳ２４の分割処理と同様でよく、ステップＳ２４に関する説明が援用される。

【0073】

複数拍分の時間長さを持つ強調信号を分割して１拍分信号にすることで、ＲＲ間隔の変動の影響を回避して、生体認証の精度を向上させることができる。なお、１拍分信号は、同一ユーザについての複数の１拍分信号を平均したものであってもよい。

【0074】

図８に示すように、認証装置２０は、分割処理（ステップＳ８４）に続いて、スペクトログラムを取得するための時間周波数解析（ステップＳ８５）を実行し得る。時間周波数解析は、例えば、１拍分信号に対する連続ウェーブレット変換によって行われる。ステップＳ８５の時間周波数解析は、ステップＳ２５の時間周波数解析と同様でよく、ステップＳ２５に関する説明が援用される。

【0075】

なお、分割処理の前に、ステップＳ８２で得られた強調信号（分割前信号）に対して時間周波数解析をして得られたスペクトログラムを分割することで、分割信号それぞれのスペクトログラムを得てもよい。この場合、ステップＳ８５の時間周波数解析は、ステップＳ８２とステップＳ８３の間に行われ得る。

【0076】

認証装置２０は、生体認証のための認証処理を実行し得る（ステップＳ８６）。実施形態では、一例として、分割信号のスペクトログラムを、入力データとして、生体認証のための認証処理が行われる（ステップＳ８６）。なお、認証処理の入力データは、分割信号のスペクトログラムに限られず、強調信号に基づく他の信号であってもよい。例えば、入力データは、ステップＳ８４で得られた分割信号自体であってもよい。また、入力データは、分割されていない複数拍分の信号であってもよい。本実施形態においては、強調信号から派生して得られる他の信号も、強調信号の特性を受け継いでいるため、強調信号として取り扱われる。つまり、分割信号のスペクトログラム及びその他の強調信号に基づく他の信号も強調信号として取り扱われる。

【0077】

認証装置２０は、認証処理の結果を出力し得る（ステップＳ８７）。認証処理結果の出力は、例えば、認証処理結果を、視覚的又は聴覚的にユーザが認識し得るように、スクリーン表示又は音声出力により認証処理結果をユーザに提示することである。なお、認証処理結果は、ユーザに提示される必要はなく、認証処理結果が単に記憶装置へ保存されるだけであってもよい。

【0078】

実施形態の認証処理（ステップＳ８６）では、一例として、第１モデル２３Ｂ及び第２モデル２３Ｃの両方が用いられる。なお、認証処理では、第１モデル２３Ｂ及び第２モデル２３Ｃのいずれか一方だけが用いられてもよいが、複数のモデル２３Ｂ，２３Ｃを用いることで認証精度を向上させることができる。

【0079】

図９は、第１モデル２３Ｂ及び第２モデル２３Ｃの両方を用いた認証処理の一例を示している。図９に示す処理は、「ＳＴＥＰ１」及び「ＳＴＥＰ２」を含む。ＳＴＥＰ１では、第１モデル２３Ｂを用いたクラス分類が行われる。ＳＴＥＰ２では、ＳＴＥＰ１のクラス分類結果を、第２モデル２３Ｃを用いて検証し、認証結果が得られる。

【0080】

図９のＳＴＥＰ１では、第１モデル２３Ｂ（クラス分類器；ＣＮＮ）に、１拍毎の分割信号のスペクトログラムが入力データとして与えられる。第１モデル２３Ｂは、１拍毎のクラス分類結果（予測ラベル（Predicted Label））を出力する。クラス分類結果は、認証装置２０に登録されたユーザ（学習時の被験者）のいずれかを示す。同一ユーザの複数の分割信号スペクトログラムを、第１モデル２３Ｂに順次与えると、１拍毎のクラス分類結果が複数得られる。

【0081】

図９のＳＴＥＰ２では、第２モデル２３Ｃ（特徴抽出器；ＶＡＥ）に、１拍毎の分割信号のスペクトログラムが入力データとして与えられる。ここでは、ＶＡＥのエンコーダ２０１が用いられ、デコーダは用いられない。エンコーダ２０１は、入力データを次元圧縮し、特徴量を抽出する。つまり、エンコーダ２０１は、１拍毎の特徴量を抽出する。

【0082】

認証装置２０は、エンコーダ２０１によって求められた特徴量（第１特徴量）に基づいて、ＳＴＥＰ１のクラス分類で得られたクラス（予測ラベル）を検証する。例えば、認証装置２０は、エンコーダ２０１によって求められた特徴量（第１特徴量）と、ＳＴＥＰ１のクラス分類で得られたクラス（予測ラベル）に対応する特徴量（対比用第２特徴量）と、を対比することによって、かかる検証を行う。

【0083】

ＳＴＥＰ１のクラス分類で得られたクラス（ユーザ）に対応する特徴量は、例えば、認証装置２０が、記憶装置２３に保存された特徴量２３Ｄ（第２特徴量）を参照することで得られる。記憶装置２３が備える複数の特徴量２３Ｄは、認証装置２０に登録された複数のユーザ（学習のための被験者となったユーザ）それぞれに特徴量を対応付けて構成されている。したがって、認証装置２０は、ＳＴＥＰ１のクラス分類で得られたクラス（ユーザ）に基づいて特徴量２３Ｄ（第２特徴量）を参照することで、ＳＴＥＰ１のクラス分類で得られたクラス（ユーザ）に対応する特徴量（対比用第２特徴量）を選択することができる。

【0084】

認証装置２０は、上記のようにして得られた第１特徴量と対比用第２特徴量とを対比して、ＳＴＥＰ１で得られたクラス（予測ラベル）を検証する。第１特徴量と対比用第２特徴量との対比は、例えば、特徴空間（潜在空間）における第１特徴量座標と、対比用第２特徴量座標と、の対比である。なお、対比用第２特徴量座標は、各ラベル（各ユーザ）についての学習データにおける複数の１拍毎特徴量の平均座標である。

【0085】

第１特徴量座標と対比用第２特徴量座標との対比は、例えば、第１特徴量と対比用第２特徴量との距離ｄを求めることによって行われる。距離は、例えば、特徴空間（潜在空間）におけるユークリッド距離である。図９では、第１特徴量が星印で示され、対比用第２特徴量が黒丸で示されている。認証装置２０は、特徴空間における、星印と黒丸とのユークリッド距離ｄを求める。

【0086】

認証装置２０は、距離ｄに基づいて、ＳＴＥＰ１のクラス分類で得られたクラス（予測ラベル）を検証し、最終的な認証処理結果を得る。例えば、距離ｄが所定の閾値以下である場合、ＳＴＥＰ１のクラス分類で得られたクラス（予測ラベル）をそのまま、最終的な認証処理結果とする。つまり、距離ｄが所定の閾値以下である場合、ＳＴＥＰ１のクラス分類で得られたクラス（予測ラベル）が承認される。したがって、認証処理結果として、予測ラベルに対応するユーザが出力され得る。

【0087】

一方、距離ｄが所定の閾値より大きい場合、認証装置２０に登録されたユーザに該当者がいないことを出力する。つまり、距離ｄが所定の閾値より大きい場合、ＳＴＥＰ１のクラス分類で得られたクラス（予測ラベル）が否認される。したがって、認証処理結果として、ユーザが登録されたユーザではないことが出力され得る。

【0088】

図１０（Ｂ）は、認証装置２０に登録されたユーザＵ２における特徴量（潜在変数）の分布を示し、図１１（Ｂ）は、未登録ユーザにおける特徴量（潜在変数）の分布を示している。また、図１０（Ａ）及び図１１（Ａ）は、学習時の潜在変数（登録ユーザの学習時の１拍毎の特徴量）の分布を示す。

【0089】

ここでは、登録ユーザは、ユーザＵ１，Ｕ２，Ｕ３，Ｕ４・・と多数存在し、図１０（Ａ）及び図１１（Ａ）では、これらの各ユーザの１拍毎の特徴量（潜在変数）が、各ユーザ毎にクラスターとなって存在している。各クラスターの中心位置（平均位置）の座標が、前述の対比用第２特徴量の座標になる。

【0090】

図１０（Ｂ）は、登録ユーザＵ２の１拍毎の特徴量（第１特徴量）の分布を示している。図１０（Ｂ）における点それぞれは、１拍毎の特徴量を示し、図１０（Ｂ）に含まれる点は、全て、登録ユーザＵ２についてのものである。つまり、図１０（Ｂ）には、登録ユーザＵ２の複数の拍それぞれの特徴量（第１特徴量）が示されている。図１０（Ｂ）において、黒い点は分類器２３Ｂによる分類結果がユーザＵ２であった場合（正しい分類）を示し、グレーの点は分類器２３Ｂによる分類結果がユーザＵ４であった場合（誤った分類）を示す。図１０（Ｂ）では、ほとんどの拍が正しくユーザＵ２に分類されていることを示す。また、図１０（Ｂ）では、特徴量(第２特徴量)は、学習時のユーザＵ２の特徴量（第１特徴量）の大部分はクラスターを含む円Ｃ１内に存在するか、その近傍に存在する。つまり、登録ユーザの特徴量（第１特徴量）は、学習時のユーザの特徴量（第２特徴量）の近傍に集中して存在し得る。

【0091】

図１１（Ｂ）は、未登録ユーザ（未登録人物）の１拍毎の特徴量（第１特徴量）の分布を示している。図１１（Ｂ）における点それぞれは、１拍毎の特徴量を示し、図１１（Ｂ）に含まれる点は、全て、ある一人の未登録ユーザについてのものである。つまり、図１１（Ｂ）には、未登録ユーザの複数の拍それぞれの特徴量（第１特徴量）が示されている。図１１（Ｂ）では、分類器２３Ｂによる分類では、１拍毎に、様々な登録ユーザに誤って分類され得る。例えば、ある１拍では、ユーザＵ１に分類され、次の１拍では、ユーザＵ４に分類され、次の１拍では、ユーザＵ２に分類される、というように、分類結果がバラバラになる。また、図１１（Ｂ）では、特徴量(第２特徴量)が存在する範囲を示す円Ｃ２は、図１０（Ｂ）の円Ｃ１よりも大きくなる。つまり、未登録ユーザの場合、特徴空間における特徴量(第２特徴量)の分散が大きくなる。

【0092】

登録ユーザの心拍の１拍毎の特徴量（第１特徴量）の分布と、未登録ユーザの１拍毎の特徴量との分布には、上述したような違いが生じるという性質がある。図９におけるＳＴＥＰ２の検証は、かかる性質のうち、登録ユーザの第１特徴量は、未登録ユーザの第１特徴量に比べて、対比用第２特徴量（学習時の特徴量）に近い位置に存在しやすいという性質を利用したものである。つまり、第１特徴量と対比用第２特徴量との距離ｄが小さければ、ＳＴＥＰ１のクラス分類で得られたクラス（予測ラベル）を承認できる。

【0093】

検証は、上述の性質における他の性質を利用してもよい。例えば、登録ユーザの第１特徴量を複数の拍それぞれについてみた場合、第１特徴量の分散が小さくなり、未登録ユーザの第１特徴量を複数の拍それぞれについてみた場合、第１特徴量の分散が大きくなる。したがって、第１特徴量の分散が、所定の閾値よりも小さければ、ＳＴＥＰ１のクラス分類で得られたクラス（予測ラベル）を承認し得る。また、距離ｄが所定の第１閾値よりも小さく、かつ、第１特徴量の分散が所定の第２閾値よりも小さいことを承認の条件としてもよい。

【0094】

また、本実施形態の認証処理では、１拍毎に、認証結果を得てもよいが、１拍毎の認証結果を、複数拍分、総合して、最終的な認証結果を得てもよい。例えば、連続する複数拍において、１拍毎の認証結果が、同一のユーザ（ラベル）であれば、そのユーザであることを認証するようにしてもよい。また、連続する複数拍（例えば、連続する５拍）又は連続しない任意の複数拍において、１拍毎に分類されたユーザのうち最も多いユーザ、又は過半数のユーザを、認証結果とすることができる。例えば、連続する５拍の場合、１拍毎の分類結果が５つ得られる。このとき、過半数である３つ以上の分類結果がユーザＵ２であることを示していれば、認証結果はユーザＵ２になる。このように、１拍毎の認証を複数拍にわたって行うことで、１拍毎の認証で誤りが生じても、最終的な誤りを防止して、認証精度を向上させることができる。

【0095】

［第１実験］

【0096】

図１２は、実施形態の認証装置２０において、図８に示す手順に従って生体認証をした場合、及び、図８に示す手順のうち強調処理（ステップＳ８２）を省略して生体認証をした場合の認証結果を示している。図８に示す手順に従った生体認証の場合、認証処理に用いられる信号は強調信号（ここでの強調信号は、計測信号の５Ｈｚから５０Ｈｚの信号成分）の分割信号のスペクトログラムである。また、強調処理（ステップＳ８２）を省略した生体認証の場合、認証処理に用いられる信号は計測信号（１Ｈｚから５０Ｈｚの信号）の分割信号のスペクトラムである。

【0097】

また、図１２において、ＢＡＣ（％）は、Balanced Accuracyを示す評価値である。Ｆ１Ｓｃｏｒｅは、適合率と再現率の調和平均を示す評価値である。図１２において、「ｓｉｎｇｌｅ」は、１拍毎の分割信号での認証した場合の評価値を示し、「多数決５」は、連続する５拍について、１拍毎の認証結果の多数決をとって最終的な認証結果とした場合の評価値を示す。

【0098】

図１２に示すように、計測信号自体に基づいて認証するよりも、強調信号に基づいて認証したほうが、いずれの評価値も大きくなる。したがって、強調信号に基づいて認証すると、認証精度が向上する。

【0099】

また、図１２によると、強調信号及び計測信号いずれで認証する場合でも、「ｓｉｎｇｌｅ」よりも「多数決５」の認証精度が向上する。したがって、１拍毎の認証を複数拍分行うことで、認証精度を高めることができることがわかる。

【0100】

［第２実験］
また、本発明者らは、ドップラーセンサの計測データからＤＣＮＮを用いて生体認証を行っている非特許文献１に記載の技術と、本実施形態に係る技術と、の対比実験を行った。本実施形態に係る技術としては、図１に示す認証装置２０を用いて、図８に示す手順に従って生体認証を行った。

【0101】

非特許文献１では、４人の場合、６人の場合、８人の場合、１０人の場合それぞれの認証の精度（accuracy）が示されている（非特許文献１のＦｉｇｕｒｅ１５のグラフ参照）。４人の場合の精度は、９８．５％であり、６人の場合の精度は約９５％であり、８人の場合の精度は約９０％であり、１０人の場合の精度は約８０人である。本実施形態に係る技術によって、非特許文献１と同条件で認証した場合、４人の場合の精度は１００％（１．５％向上）であり、６人の場合の精度は１００％（５％向上）であり、８人の場合の精度は９９．１％（９．１％向上）であり、１０人の場合の精度は９．６２％（１６．２％）となり、いずれの人数条件においても、非特許文献１よりも精度が向上した。

【0102】

このように、非特許文献１の技術では、登録ユーザ数が増加すると精度が低下しやすいのに対して、本実施形態に係る技術では、登録ユーザ数が増加しても精度の低下を抑えることができる。

【0103】

本発明は、上記実施形態に限定されるものではなく、様々な変形が可能である。

【符号の説明】

【0104】

１０ ：センサ装置
１１ ：ドップラーセンサ
１２ ：増幅器
１３ ：マイクロコントローラ
１４ ：通信インターフェース
１５ ：アンテナ
２０ ：認証装置
２１ ：プロセッサ
２３ ：記憶装置
２３Ａ ：コンピュータプログラム
２３Ｂ ：第１モデル（第１機械学習モデル）
２３Ｃ ：第２モデル（第２機械学習モデル）
２３Ｄ ：特徴量
２５ ：通信インターフェース
２７ ：アンテナ
１００ ：器具
１０１ ：背もたれ
２０１ ：エンコーダ
２０２ ：デコーダ
Ｃ１ ：円
Ｃ２ ：円
Ｌ ：時間幅
Ｌ１ ：第１時間
Ｌ２ ：第２時間
ＰＢ ：ピーク
ＰＣ ：ピーク
ＰＤ ：ピーク
ＰＥ ：ピーク
Ｕ ：ユーザ
Ｕ１ ：ユーザ
Ｕ２ ：ユーザ
Ｕ３ ：ユーザ
Ｕ４ ：ユーザ
ｄ ：ユークリッド距離
ｚ ：特徴量

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】