(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】P2024098890
(43)【公開日】2024-07-24
(54)【発明の名称】生体識別システム、生体識別方法、及び、プログラム
(51)【国際特許分類】
A61B 5/117 20160101AFI20240717BHJP
A61B 5/11 20060101ALI20240717BHJP
【ＦＩ】
A61B5/117 200
A61B5/11 100
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2023002684
(22)【出願日】2023-01-11
(71)【出願人】
【識別番号】598121341
【氏名又は名称】慶應義塾
(74)【代理人】
【識別番号】100088155
【弁理士】
【氏名又は名称】長谷川 芳樹
(74)【代理人】
【識別番号】100113435
【弁理士】
【氏名又は名称】黒木 義樹
(74)【代理人】
【識別番号】100124800
【弁理士】
【氏名又は名称】諏澤 勇司
(74)【代理人】
【識別番号】100206966
【弁理士】
【氏名又は名称】崎山 翔一
(72)【発明者】
【氏名】大槻 知明
(72)【発明者】
【氏名】ケイ サワリン
【テーマコード（参考）】
4C038
【Ｆターム（参考）】
4C038VA07
4C038VB31
4C038VC05
4C038VC20
(57)【要約】
【課題】生体の識別精度が向上された生体識別システムを提供する。
【解決手段】生体識別システム１において、第１情報演算部１３は、第１モデルの出力から、対象の生体が既知の生体である確率と、対象の生体が未知の生体である確率とを演算する。第１モデルは、対象の生体が既知の生体である確率を示す情報を、取得された生体情報の入力に応じて出力する。第２情報演算部１４は、第２モデルの出力から、対象の生体が既知の生体である確率と対象の生体が未知の生体である確率とを演算する。第２モデルは、対象の生体が既知の生体である確率を示す情報と、対象の生体が未知の生体である確率を示す情報とを上記取得された生体情報の入力に応じて出力する。識別部１５は、第１情報演算部１３の演算結果と第２情報演算部１４の演算結果とに基づいて、対象の生体の識別結果を出力する。
【選択図】図１
【解決手段】生体識別システム１において、第１情報演算部１３は、第１モデルの出力から、対象の生体が既知の生体である確率と、対象の生体が未知の生体である確率とを演算する。第１モデルは、対象の生体が既知の生体である確率を示す情報を、取得された生体情報の入力に応じて出力する。第２情報演算部１４は、第２モデルの出力から、対象の生体が既知の生体である確率と対象の生体が未知の生体である確率とを演算する。第２モデルは、対象の生体が既知の生体である確率を示す情報と、対象の生体が未知の生体である確率を示す情報とを上記取得された生体情報の入力に応じて出力する。識別部１５は、第１情報演算部１３の演算結果と第２情報演算部１４の演算結果とに基づいて、対象の生体の識別結果を出力する。
【選択図】図１
【特許請求の範囲】
【請求項1】
生体の生体情報を取得する生体情報取得部と、
前記生体情報取得部によって取得された生体情報の生体が既知の生体である確率を示す情報を前記取得された生体情報の入力に応じて出力する第１モデルの出力から、前記取得された生体情報の生体が既知の生体である確率と前記取得された生体情報の生体が未知の生体である確率とを演算する第１情報演算部と、
前記取得された生体情報の生体が前記既知の生体である確率を示す情報と、前記取得された生体情報の生体が前記未知の生体である確率を示す情報とを前記取得された生体情報の入力に応じて出力する第２モデルの出力から、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを演算する第２情報演算部と、
前記第１情報演算部の演算結果と前記第２情報演算部の演算結果とに基づいて、前記取得された生体情報の生体の識別結果を出力する識別部と、を備える、生体識別システム。
前記生体情報取得部によって取得された生体情報の生体が既知の生体である確率を示す情報を前記取得された生体情報の入力に応じて出力する第１モデルの出力から、前記取得された生体情報の生体が既知の生体である確率と前記取得された生体情報の生体が未知の生体である確率とを演算する第１情報演算部と、
前記取得された生体情報の生体が前記既知の生体である確率を示す情報と、前記取得された生体情報の生体が前記未知の生体である確率を示す情報とを前記取得された生体情報の入力に応じて出力する第２モデルの出力から、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを演算する第２情報演算部と、
前記第１情報演算部の演算結果と前記第２情報演算部の演算結果とに基づいて、前記取得された生体情報の生体の識別結果を出力する識別部と、を備える、生体識別システム。
【請求項2】
前記識別部は、
前記取得された生体情報の生体が前記未知の生体であるか否かを前記第１情報演算部の演算結果から判定する既知判定部と、
前記取得された生体情報の生体が前記既知の生体であると前記第１情報演算部の演算結果から判定された場合に、前記第１情報演算部の演算結果に関する情報を前記識別結果として出力する出力部と、を含んでいる、請求項１に記載の生体識別システム。
前記取得された生体情報の生体が前記未知の生体であるか否かを前記第１情報演算部の演算結果から判定する既知判定部と、
前記取得された生体情報の生体が前記既知の生体であると前記第１情報演算部の演算結果から判定された場合に、前記第１情報演算部の演算結果に関する情報を前記識別結果として出力する出力部と、を含んでいる、請求項１に記載の生体識別システム。
【請求項3】
前記識別部は、
前記取得された生体情報の生体が前記未知の生体であるか否かを前記第１情報演算部の演算結果から判定する既知判定部と、
前記取得された生体情報の生体が前記未知の生体であると前記第１情報演算部の演算結果から判定された場合に、前記第２情報演算部の演算結果に基づいて、前記第２情報演算部の演算結果に関する情報を前記識別結果として出力する出力部と、を含んでいる、請求項１に記載の生体識別システム。
前記取得された生体情報の生体が前記未知の生体であるか否かを前記第１情報演算部の演算結果から判定する既知判定部と、
前記取得された生体情報の生体が前記未知の生体であると前記第１情報演算部の演算結果から判定された場合に、前記第２情報演算部の演算結果に基づいて、前記第２情報演算部の演算結果に関する情報を前記識別結果として出力する出力部と、を含んでいる、請求項１に記載の生体識別システム。
【請求項4】
前記識別部は、前記取得された生体情報の生体が前記未知の生体であると前記第１情報演算部の演算結果から判定された場合に、前記第２情報演算部の演算結果が正確であるか否かを判定する正確度判定部をさらに含み、
前記出力部は、前記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定された場合に、前記正確度判定部の判定結果に基づいて、前記第１情報演算部の演算結果に関する情報又は前記第２情報演算部の演算結果に関する情報を前記識別結果として出力する出力部と、を含んでいる、請求項３に記載の生体識別システム。
前記出力部は、前記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定された場合に、前記正確度判定部の判定結果に基づいて、前記第１情報演算部の演算結果に関する情報又は前記第２情報演算部の演算結果に関する情報を前記識別結果として出力する出力部と、を含んでいる、請求項３に記載の生体識別システム。
【請求項5】
前記出力部は、
前記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定され、かつ、前記正確度判定部が前記第２情報演算部を不正確と判定した場合に、前記第１情報演算部の演算結果に関する情報を前記識別結果として出力し、
前記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定され、かつ、前記正確度判定部が前記第２情報演算部の演算結果を正確と判定した場合に、前記第２情報演算部の演算結果に関する情報を前記識別結果として出力する、請求項４に記載の生体識別システム。
前記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定され、かつ、前記正確度判定部が前記第２情報演算部を不正確と判定した場合に、前記第１情報演算部の演算結果に関する情報を前記識別結果として出力し、
前記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定され、かつ、前記正確度判定部が前記第２情報演算部の演算結果を正確と判定した場合に、前記第２情報演算部の演算結果に関する情報を前記識別結果として出力する、請求項４に記載の生体識別システム。
【請求項6】
前記正確度判定部は、前記第２情報演算部の演算結果と閾値との比較結果に基づいて、前記第２情報演算部の演算結果が正確であるか否かを判定する、請求項４に記載の生体識別システム。
【請求項7】
前記第１情報演算部は、前記第１モデルの出力が入力されることによって、前記取得された生体情報の生体が既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを出力するＯｐｅｎＭａｘアルゴリズムを含んでおり、
前記第２情報演算部は、前記第２モデルの出力が入力されることによって、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを出力するＳｏｆｔＭａｘアルゴリズムを含んでいる、請求項１に記載の生体識別システム。
前記第２情報演算部は、前記第２モデルの出力が入力されることによって、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを出力するＳｏｆｔＭａｘアルゴリズムを含んでいる、請求項１に記載の生体識別システム。
【請求項8】
前記第１モデルは、クローズセット分類モデルであり、
前記第２モデルは、オープンセット分類モデルである、請求項１から７のいずれか一項に記載の生体識別システム。
前記第２モデルは、オープンセット分類モデルである、請求項１から７のいずれか一項に記載の生体識別システム。
【請求項9】
生体の生体情報を取得することと、
取得された前記生体情報の生体が既知の生体である確率を示す情報を前記取得された生体情報の入力に応じて出力する第１モデルの出力から、前記取得された生体情報の生体が既知の生体である確率と前記取得された生体情報の生体が未知の生体である確率とを第１演算結果として演算することと、
前記取得された生体情報の生体が前記既知の生体である確率を示す情報と、前記取得された生体情報の生体が前記未知の生体である確率を示す情報とを前記取得された生体情報の入力に応じて出力する第２モデルの出力から、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを第２演算結果として演算することと、
前記第１演算結果と前記第２演算結果とに基づいて、前記取得された生体情報の生体の識別結果を出力することと、を有している、生体識別方法。
取得された前記生体情報の生体が既知の生体である確率を示す情報を前記取得された生体情報の入力に応じて出力する第１モデルの出力から、前記取得された生体情報の生体が既知の生体である確率と前記取得された生体情報の生体が未知の生体である確率とを第１演算結果として演算することと、
前記取得された生体情報の生体が前記既知の生体である確率を示す情報と、前記取得された生体情報の生体が前記未知の生体である確率を示す情報とを前記取得された生体情報の入力に応じて出力する第２モデルの出力から、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを第２演算結果として演算することと、
前記第１演算結果と前記第２演算結果とに基づいて、前記取得された生体情報の生体の識別結果を出力することと、を有している、生体識別方法。
【請求項10】
複数の学習用生体の各々の識別情報と前記複数の学習用生体の各々の生体情報とを含む学習用データセットを取得することと、
互いに同一の前記学習用データセットを用いた学習によって、前記第１モデルと前記第２モデルとを作成することと、をさらに有し、
前記既知の生体は、前記学習用生体である、請求項９に記載の生体識別方法。
互いに同一の前記学習用データセットを用いた学習によって、前記第１モデルと前記第２モデルとを作成することと、をさらに有し、
前記既知の生体は、前記学習用生体である、請求項９に記載の生体識別方法。
【請求項11】
生体の生体情報を取得することと、
取得された前記生体情報の生体が既知の生体である確率を示す情報を前記取得された生体情報の入力に応じて出力する第１モデルの出力から、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が未知の生体である確率とを第１演算結果として演算することと、
前記取得された生体情報の生体が前記既知の生体である確率を示す情報と、前記取得された生体情報の生体が前記未知の生体である確率を示す情報とを前記取得された生体情報の入力に応じて出力する第２モデルの出力から、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを第２演算結果として演算することと、
前記第１演算結果と前記第２演算結果とに基づいて、前記取得された生体情報の生体の識別結果を出力することと、をコンピュータに実行させる、プログラム。
取得された前記生体情報の生体が既知の生体である確率を示す情報を前記取得された生体情報の入力に応じて出力する第１モデルの出力から、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が未知の生体である確率とを第１演算結果として演算することと、
前記取得された生体情報の生体が前記既知の生体である確率を示す情報と、前記取得された生体情報の生体が前記未知の生体である確率を示す情報とを前記取得された生体情報の入力に応じて出力する第２モデルの出力から、前記取得された生体情報の生体が前記既知の生体である確率と前記取得された生体情報の生体が前記未知の生体である確率とを第２演算結果として演算することと、
前記第１演算結果と前記第２演算結果とに基づいて、前記取得された生体情報の生体の識別結果を出力することと、をコンピュータに実行させる、プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、生体識別システム、生体識別方法、及び、プログラムに関する。
【背景技術】
【0002】
生体情報に基づいて生体を識別する生体識別システムが知られている。例えば、生体の生体情報が取得され、取得された生体情報の生体の識別結果が出力される。例えば、非特許文献１及び非特許文献２は、心拍信号に基づいて人物を識別する技術を記載している。
【先行技術文献】
【非特許文献】
【0003】
【非特許文献1】L. Biel,O. Pettersson, L. Philipson, and P. Wide, “Ecg analysis: a new approach inhuman identification,” IEEE Trans. Instrum. Meas., vol. 50, no. 3, pp. 808-812,2001.
【非特許文献2】I.Odinaka, P.-H. Lai, A. D. Kaplan, J. A. O’Sullivan, E.J. Sirevaag, S. D.Kristjansson, A. K. Sheffield, and J. W. Rohrbaugh, “Ecg biometrics: A robustshort-time frequency analysis,” in IEEE Int. Workshop Inf. Forensics Secur.,pp. 1-6, IEEE, 2010.
【発明の概要】
【発明が解決しようとする課題】
【0004】
現実世界における生体識別は、既知の生体と未知の生体とが混在したオープンセット条件下で実施される場合が多い。したがって、既知の生体のみを識別するクローズセット条件下の識別だけでなく、オープンセット条件下における識別でも、生体の識別精度を確保することが求められている。既知の生体とは、例えば、生体識別システムの学習データに含まれる生体である。
【0005】
本発明の一つの態様は、生体の識別精度が向上された生体識別システム、生体識別方法、及び、プログラムを提供することを目的とする。
【課題を解決するための手段】
【0006】
本発明の一つの態様における生体識別システムは、生体情報取得部と、第１情報演算部と、第２情報演算部と、識別部と、を備えている。生体情報取得部は、生体の生体情報を取得する。第１情報演算部は、第１モデルの出力から、生体情報取得部によって取得された生体情報の生体が既知の生体である確率と、上記取得された生体情報の生体が未知の生体である確率とを演算する。第１モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報を、上記取得された生体情報の入力に応じて出力する。第２情報演算部は、第２モデルの出力から、上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを演算する。第２モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報と、上記取得された生体情報の生体が未知の生体である確率を示す情報とを上記取得された生体情報の入力に応じて出力する。識別部は、第１情報演算部の演算結果と第２情報演算部の演算結果とに基づいて、上記取得された生体情報の生体の識別結果を出力する。
【0007】
本発明の別の態様における生体識別方法は、生体の生体情報を取得することと、上記第１モデルの出力から上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを第１演算結果として演算することと、第２モデルの出力から上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを第２演算結果として演算することと、第１演算結果と第２演算結果とに基づいて、上記取得された生体情報の生体の識別結果を出力することと、を有している。第１モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報を、上記取得された生体情報の入力に応じて出力する。第２モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報と、上記取得された生体情報の生体が未知の生体である確率を示す情報とを上記取得された生体情報の入力に応じて出力する。
【0008】
本発明のさらに別の態様におけるプログラムは、生体の生体情報を取得することと、上記第１モデルの出力から上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを第１演算結果として演算することと、第２モデルの出力から上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを第２演算結果として演算することと、第１演算結果と第２演算結果とに基づいて、上記取得された生体情報の生体の識別結果を出力することと、をコンピュータに実行させる。第１モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報を、上記取得された生体情報の入力に応じて出力する。第２モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報と、上記取得された生体情報の生体が未知の生体である確率を示す情報とを上記取得された生体情報の入力に応じて出力する。
【発明の効果】
【0009】
本発明の一つの態様は、生体の識別精度が向上された生体識別システム、生体識別方法、及び、プログラムを提供する。
【図面の簡単な説明】
【0010】
【図1】本実施形態における生体識別システムのブロック図である。
【図2】生体識別システムに用いられる生体情報取得部の構成の一例を説明するための概略図である。
【図3】生体識別システムのハードウェア構成の一例を示す図である。
【図4】第１モデル及び第２モデルの作成方法の一例を示すフローチャートである。
【図5】生体識別方法の一例を示すフローチャートである。
【図6】識別処理の一例を示すフローチャートである。
【図7】学習用データセットの情報を示す表である。
【図8】実験に用いられるパラメータを示す表である。
【発明を実施するための形態】
【0011】
［本開示の実施形態の説明］
【0012】
最初に本開示の実施形態を列記して説明する。
【0013】
［１］本開示の実施形態における生体識別システムは、生体情報取得部と、第１情報演算部と、第２情報演算部と、識別部と、を備えている。生体情報取得部は、生体の生体情報を取得する。第１情報演算部は、第１モデルの出力から、生体情報取得部によって取得された生体情報の生体が既知の生体である確率と、上記取得された生体情報の生体が未知の生体である確率とを演算する。第１モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報を、上記取得された生体情報の入力に応じて出力する。第２情報演算部は、第２モデルの出力から、上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを演算する。第２モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報と、上記取得された生体情報の生体が未知の生体である確率を示す情報とを上記取得された生体情報の入力に応じて出力する。識別部は、第１情報演算部の演算結果と第２情報演算部の演算結果とに基づいて、上記取得された生体情報の生体の識別結果を出力する。
【0014】
上記［１］における生体識別システムにおいて、識別部は、第１情報演算部の演算結果と第２情報演算部の演算結果とに基づいて、上記取得された生体情報の生体の識別結果を出力する。この場合、第１情報演算部の演算結果と第２情報演算部の演算結果とが組み合わされ、第１情報演算部の演算結果と第２情報演算部の演算結果とのうち、状況に応じた適切な演算結果が出力され得る。したがって、生体の識別精度が向上され得る。
【0015】
［２］上記［１］の生体識別システムにおいて、識別部は、既知判定部と、出力部とを含んでいてもよい。既知判定部は、上記取得された生体情報の生体が未知の生体であるか否かを第１情報演算部の演算結果から判定してもよい。出力部は、上記取得された生体情報の生体が既知の生体であると第１情報演算部の演算結果から判定された場合に、第１情報演算部の演算結果に関する情報を識別結果として出力してもよい。取得された生体情報の生体が既知の生体である場合において、第１情報演算部の演算結果は、第２情報演算部の演算結果よりも高い識別精度を有している。取得された生体情報の生体が既知の生体である場合において、第１情報演算部の演算結果が識別結果として出力されるため、生体の識別精度が向上され得る。
【0016】
［３］上記［１］又は［２］のいずれか一つの生体識別システムにおいて、識別部は、既知判定部と、正確度判定部と、出力部とを含んでいてもよい。既知判定部は、上記取得された生体情報の生体が未知の生体であるか否かを第１情報演算部の演算結果から判定してもよい。出力部は、上記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定された場合に、第２情報演算部の演算結果に基づいて、第１情報演算部の演算結果に関する情報又は第２情報演算部の演算結果に関する情報を識別結果として出力してもよい。このため、取得された生体情報の生体が未知の生体である場合に、第２情報演算部の演算結果は、第１情報演算部の演算結果よりも高い識別精度を有しうる。取得された生体情報の生体が既知の生体である場合において、第２情報演算部の演算結果に基づいて、第１情報演算部の演算結果に関する情報又は第２情報演算部の演算結果に関する情報が識別結果として出力されるため、生体の識別精度が向上され得る。
【0017】
［４］上記［３］の生体識別システムにおいて、識別部は、正確度判定部をさらに含んでいてもよい。正確度判定部は、上記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定された場合に、第２情報演算部の演算結果が正確であるか否かを判定してもよい。出力部は、上記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定された場合に、正確度判定部の判定結果に基づいて第１情報演算部の演算結果に関する情報又は第２情報演算部の演算結果に関する情報を識別結果として出力してもよい。この場合、第２情報演算部の演算結果の正確度が考慮されるため、生体の識別精度がさらに向上され得る。
【0018】
［５］上記［４］の生体識別システムにおいて、出力部は、上記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定され、かつ、正確度判定部が第２情報演算部を不正確と判定した場合に、第１情報演算部の演算結果に関する情報を識別結果として出力してもよい。出力部は、上記取得された生体情報の生体が未知の生体であると第１情報演算部の演算結果から判定され、かつ、正確度判定部が第２情報演算部の演算結果を正確と判定した場合に、第２情報演算部の演算結果に関する情報を識別結果として出力してもよい。この場合、生体の識別精度がより確実に向上され得る。
【0019】
［６］上記［４］又は［５］のいずれか一つの生体識別システムにおいて、正確度判定部は、第２情報演算部の演算結果と閾値との比較結果に基づいて、第２情報演算部の演算結果が正確であるか否かを判定してもよい。この場合、第２情報演算部の演算結果の正確度が容易に判定され得る。
【0020】
［７］上記［１］から［６］のいずれか一つの生体識別システムにおいて、第１情報演算部は、ＯｐｅｎＭａｘアルゴリズムを含んでいてもよい。ＯｐｅｎＭａｘアルゴリズムは、第１モデルの出力が入力されることによって、上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを出力してもよい。第２情報演算部は、ＳｏｆｔＭａｘアルゴリズムを含んでいてもよい。ＳｏｆｔＭａｘアルゴリズムは、第２モデルの出力が入力されることによって、上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを出力してもよい。この場合、生体の識別精度がより容易かつ確実に向上され得る。
【0021】
［８］上記［１］から［７］のいずれか一つの生体識別システムにおいて、第１モデルは、クローズセット分類モデルであり、第２モデルは、オープンセット分類モデルであってもよい。この場合、生体の識別精度がより容易かつ確実に向上され得る。
【0022】
［９］本開示の別の形態における生体識別方法は、生体の生体情報を取得することと、上記第１モデルの出力から上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを第１演算結果として演算することと、第２モデルの出力から上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを第２演算結果として演算することと、第１演算結果と第２演算結果とに基づいて、上記取得された生体情報の生体の識別結果を出力することとを有している。第１モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報を、上記取得された生体情報の入力に応じて出力する。第２モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報と、上記取得された生体情報の生体が未知の生体である確率を示す情報とを上記取得された生体情報の入力に応じて出力する。
【0023】
上記［９］における生体識別方法において、第１演算結果と第２演算結果とに基づいて、上記取得された生体情報の生体の識別結果が出力される。この場合、第１演算結果と第２演算結果とが組み合わされ、第１演算結果と第２演算結果とのうち、状況に応じた適切な演算結果が出力され得る。したがって、生体の識別精度が向上され得る。
【0024】
［１０］上記［９］の生体識別方法は、複数の学習用生体の各々の識別情報と複数の学習用生体の各々の生体情報とを含む学習用データセットを取得することと、互いに同一の学習用データセットを用いた学習によって、第１モデルと第２モデルとを作成することと、をさらに有してもよい。既知の生体は、学習用生体であってもよい。この場合、容易且つ確実に、生体の識別精度が向上され得る。
【0025】
［１１］本開示のさらに別の形態におけるプログラムは、生体の生体情報を取得することと、上記第１モデルの出力から上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを第１演算結果として演算することと、第２モデルの出力から上記取得された生体情報の生体が既知の生体である確率と上記取得された生体情報の生体が未知の生体である確率とを第２演算結果として演算することと、第１演算結果と第２演算結果とに基づいて、上記取得された生体情報の生体の識別結果を出力することと、をコンピュータに実行させる。第１モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報を、上記取得された生体情報の入力に応じて出力する。第２モデルは、上記取得された生体情報の生体が既知の生体である確率を示す情報と、上記取得された生体情報の生体が未知の生体である確率を示す情報とを上記取得された生体情報の入力に応じて出力する。
［本開示の実施形態の詳細］
［本開示の実施形態の詳細］
【0026】
以下、図面を参照しつつ本発明における生体識別システムの実施形態について詳細に説明する。なお、図面の説明においては、同一又は相当部分には同一符号を付し、重複する説明を省略する。
【0027】
【0028】
生体識別システム１は、生体の生体情報に基づいて生体を識別する。生体識別システム１は、対象の生体の生体情報を取得し、取得された生体情報に基づいて、対象の生体が複数の既知の生体のうちいずれの生体であるか未知の生体であるかを識別する。換言すれば、生体識別システム１は、オープンセット条件下において、生体を識別する。本実施形態に示す例において、「既知の生体」は、後述する学習用データセットに含まれる学習用生体であり、「未知の生体」は、既知の生体以外の生体である。
【0029】
生体識別システム１は、例えば、対象の生体が既知の生体である確率、及び、対象の生体が未知の生体である確率を演算する。生体識別システム１は、例えば、複数の既知の生体の各々について、対象の生体が当該既知の生体である確率を演算する。この場合、生体識別システム１は、演算された確率に基づいて、対象の生体を識別する。
【0030】
本明細書において、「生体」は、人、及び、人以外の動物を含んでいる。「生体情報」は、例えば、各生体を識別できる生体固有の情報であり、心拍、及び、呼吸の情報などを含んでいる。生体識別システム１は、電磁波又は音波などを用いたレーダによって生体情報を取得し、取得された生体情報に基づいてオープンセットの生体識別を実行する。本実施形態の変形例として、生体識別システム１は、カメラによって生体情報を取得してもよい。以下において、ドップラーレーダによって生体情報が取得される場合を例に説明する。
【0031】
本実施形態に示す例において、生体識別システム１は、学習フェーズ、及び、推定フェーズを実行する。生体識別システム１は、学習フェーズにおいて学習された推定モデルに基づいて、推定フェーズを実行する。生体識別システム１は、推定フェーズにおいて、生体の生体情報に基づいて、生体を識別する。生体識別システム１は、推定フェーズにおいて取得された情報と、実際の生体の個体情報とに基づいて、さらに学習フェーズを実行してもよい。
【0032】
例えば、生体識別システム１は、学習フェーズにおける推定モデルの作成において機械学習を利用する。機械学習とは、与えられた情報に基づいて反復的に学習することで法則又はルールを自律的に見つけ出す手法である。たとえば、生体識別システム１において行われる機械学習では、学習用データセットを用いた学習によって、活性化関数、重み付け値等の推定モデルのパラメータが最適化される。これによって、推定モデルが作成される。
【0033】
生体識別システム１において行われる機械学習は、ディープラーニングである。この機械学習は、多層パーセプトロン（ＭＬＰ：Multilayer perceptron）によって構成される教師あり学習である。生体識別システム１は、ニューラルネットワークを含むように構成される機械学習を用いる。生体識別システム１において行われる機械学習は、教師あり学習に限定されない。生体識別システム１において行われる機械学習は、ランダムフォレスト、サポートベクトルマシン、ニューラルネットワーク（ＮＮ）、ディープニューラルネットワーク（ＤＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）などを含むように構成されてもよい。ニューラルネットワークとは、人間の脳神経系の仕組みを模した情報処理モデルをいう。
【0034】
例えば、生体識別システム１において用いられるニューラルネットワークは、長短期メモリネットワーク（ＬＳＴＭ：Long Short―Term Memory）である。生体識別システム１で用いられるニューラルネットワークの種類はこれに限定されない。
【0035】
生体識別システム１は、推定フェーズにおいて動作する推定部１０と学習フェーズにおいて動作する学習部３０とを備えている。生体識別システム１は、推定部１０として、生体情報取得部１１と、格納部１２と、第１情報演算部１３と、第２情報演算部１４と、識別部１５と、を備えている。生体識別システム１は、学習部３０として、学習情報取得部３１と、第１モデル作成部３２と、第２モデル作成部３３と、格納部１２とを備えている。
【0036】
推定部１０と学習部３０とは、物理的に一体に構成されていても、互いに物理的に分離していてもよい。推定部１０と学習部３０とが互いに分離している場合、推定部１０と学習部３０とは、それぞれ異なる格納部１２を備えていてもよい。
【0037】
本実施形態の変形例として、生体識別システム１は、学習部３０を含まず、推定部１０のみから構成されていてもよい。生体識別システム１は、学習部３０のみから構成された学習システムであってもよい。
【0038】
次に、推定フェーズにおける生体識別システム１の各機能部について、より詳細に説明する。推定フェーズにおいては、推定部１０が動作する。推定部１０は、生体情報取得部１１と、格納部１２と、第１情報演算部１３と、第２情報演算部１４と、識別部１５とによって、対象の生体がいずれの生体であるか推定し、出力する。
【0039】
生体情報取得部１１は、対象の生体の生体情報を取得する。生体情報取得部１１は、例えば、生体情報として、対象の生体の心拍に関する情報を取得する。本実施形態の変形例として、生体情報取得部１１は、例えば、生体情報として、対象の生体の呼吸に関する情報を取得してもよい。
【0040】
例えば、生体情報取得部１１は、電磁波又は音波などを生体に向けて信号波を照射し、生体において反射した信号波に関する情報を取得する。電磁波は、可視光を含んでいてもよい。本実施形態に示す例において、生体情報取得部１１は、ドップラーレーダによって生体情報を取得する。本実施形態の変形例として、生体情報取得部１１は、ドップラー効果以外を利用するレーダであってもよい。以下、一例として、生体情報取得部１１がドップラーレーダを用いる場合を主として説明する。図２は、生体識別システム１に用いられる生体情報取得部１１の構成の一例を説明するための概略図である。
【0041】
生体情報取得部１１は、例えば、ドップラーレーダ４１と、ミキサー４２と、データ取得部４４と、デジタル信号処理部４５と、を含んでいる。ドップラーレーダ４１は、少なくとも一つの送信アンテナＴｘと、少なくとも一つの受信アンテナＲｘとを含んでいる。
【0042】
例えば、ドップラーレーダ４１は、変調されていない信号波Ｔが送信アンテナＴｘから、対象の生体Ｍの胸部領域に向けて放射する。信号波Ｔは、例えば電磁波である。送信アンテナＴｘから放射される信号波Ｔは、キャリア周波数を“ｆ”、位相雑音を“Φ(t)”、時間を“ｔ”とした場合に、式（１）：Ｔ（ｔ）＝ｃｏｓ（２πｆｔ＋Φ（ｔ））として表される。信号波Ｔが反射されると、信号波ＴにおいてＴ（ｔ）の位相変化が引き起こされる。反射された信号波Ｔは、受信アンテナＲｘによって受信される。受信アンテナＲｘによって受信された受信信号Ｒ（ｔ）は、信号波Ｔの速度が“ｃ”であり、信号波Ｔの波長が“λ”であり、対象の生体Ｍの胸部の変位が“ｘ（ｔ）”であり、ドップラーレーダ４１と対象の生体Ｍとの距離が“ｄ０”である場合、以下の式（２）によって表される。
【数1】
【0043】
ドップラーレーダ４１は、受信信号Ｒ（ｔ）から、送信した信号波Ｔ（ｔ）を減算し、ベースバンド信号Ｂ（ｔ）を出力する。ベースバンド信号Ｂ（ｔ）は、ドップラーレーダ４１と生体Ｍとの位相シフトが“θ”であり、回路雑音と伝送チャネル雑音とを含む残留位相雑音の和が“ΔΦ（ｔ）”である場合、以下の式（３）によって表される。
【数2】
【0044】
ミキサー４２は、ベースバンド信号Ｂ（ｔ）の入力に応じて、π/2の位相差を有する2つの出力信号を出力する。例えば、ミキサー４２は、ベースバンド信号Ｂ（ｔ）の入力に応じて、同相信号Ｉ（ｔ）及び直交信号Ｑ（ｔ）を出力する。ミキサー４２から出力された同相信号Ｉ（ｔ）及び直交信号Ｑ（ｔ）は、アナログ信号である。同相信号Ｉ（ｔ）及び直交信号Ｑ（ｔ）は、それぞれ、以下の式（４）及び式（５）によって表される。
【数3】
【数4】
【0045】
データ取得部４４及びデジタル信号処理部４５は、ミキサー４２から出力された同相信号Ｉ（ｔ）及び直交信号Ｑ（ｔ）を取得し、同相信号Ｉ（ｔ）及び直交信号Ｑ（ｔ）をデジタル信号に変換する。以上によって、生体情報取得部１１は、Ｉ／Ｑ信号Ｓ（ｔ）を取得する。Ｉ／Ｑ信号Ｓ（ｔ）は、バイタル信号である。
【0046】
生体情報取得部１１は、例えば、前処理として、生のＩ／Ｑ信号Ｓ（ｔ）に楕円フィッティング及び補償アルゴリズムを適用する。楕円フィッティング及び補償アルゴリズムは、既知の手法である。前処理によって、対象の生体Ｍの胸部の変位ｘ（ｔ）が再構成される。前処理後の変位ｘ（ｔ）も、呼吸、心臓、生体Ｍの身体運動、及び、その他のノイズを含んでいる。変位ｘ（ｔ）は、生体情報取得部１１によって取得された生体情報に相当する。
【0047】
生体情報取得部１１は、例えば、変位ｘ（ｔ）に対して、フィルタリング処理を行う。例えば、生体情報取得部１１は、例えば、変位ｘ（ｔ）に対して、通過帯域が０．７Ｈｚ－１５Ｈｚのバンドパスフィルタ（ＢＰＦ）を適用する。この結果、変位ｘ（ｔ）から不要成分が除去された、心拍信号ｈｐ（ｔ）が取得される。本実施形態に示す例において、心拍信号ｈｐ（ｔ）が、生体情報取得部１１によって取得された生体情報に相当する。
【0048】
格納部１２は、生体識別システム１の内部の各機能部から出力された情報、及び、生体識別システム１の外部から取得された情報を格納している。格納部１２は、生体識別システム１の動作に用いられる情報を予め格納していてもよい。格納部１２は、第１モデル及び第２モデルを格納している。
【0049】
第１モデルは、生体情報の入力によって、入力された生体情報の生体Ｍが既知の生体である確率を示す情報を出力する。第１モデルは、生体情報の入力によって、複数の既知の生体の各々について、入力された生体情報の生体Ｍが当該既知の生体である確率を示す情報を出力する。第１モデルは、生体情報取得部１１によって取得された生体情報の入力に応じて、生体情報取得部１１によって取得された生体情報の生体Ｍが既知の生体である確率を示す情報を出力する。さらに換言すれば、第１モデルは、クローズセット分類モデルである。以下、「生体情報取得部１１によって取得された生体情報の生体Ｍ」を単に「対象の生体Ｍ」という。
【0050】
第２モデルは、生体情報の入力によって、入力された生体情報の生体が既知の生体である確率を示す情報と、入力された生体情報の生体が未知の生体である確率を示す情報とを出力する。第２モデルは、生体情報の入力によって、複数の既知の生体の各々について、入力された生体情報の生体Ｍが当該既知の生体である確率を示す情報を出力する。第２モデルは、対象の生体Ｍが既知の生体である確率を示す情報と、対象の生体Ｍが未知の生体である確率を示す情報とを、生体情報取得部１１によって取得された生体情報の入力に応じて出力する。さらに換言すれば、第２モデルは、オープンセット分類モデルである。
【0051】
第１モデル及び第２モデルは、機械学習によってトレーニングされたモデルである。第１モデル及び第２モデルは、例えば、ディープラーニングによってトレーニングされたモデルである。第１モデル及び第２モデルは、例えば、ＣＮＮベースのディープラーニングモデルである。第１モデル及び第２モデルは、時系列分類タスクのためのディープラーニングモデルである。例えば、第１モデル及び第２モデルは、同時にトレーニングされる。例えば、第１モデル及び第２モデルには、５秒の心臓パルス信号が入力される。
【0052】
第１モデルの出力活性化ベクトルの数は、学習データにおける既知のクラスの数ｎに等しい。学習データは、学習用データセットに相当する。クラスは、例えば、生体である。第２モデルの出力活性化ベクトルの数は、ｎ＋１に相当する。換言すれば、第１モデルは、ｎ分類モードでトレーニングされ、第２モデルは、ｎ＋１分類モードでトレーニングされる。
【0053】
第１モデルは、ｎ個の出力チャンネルを有している。第１モデルは、ｎ個の既知の生体の各々について、入力された生体情報の生体Ｍが当該既知の生体である確率を示す情報を出力する。
【0054】
第２モデルは、ｎ＋１個の出力チャンネルを有している。第２モデルの余分な出力チャンネルは、トレーニングセットに現れない生体Ｍに対応する未知のクラスに相当する。第２モデルは、ｎ個の既知の生体の各々について、入力された生体情報の生体Ｍが当該既知の生体である確率を示す情報を出力し、これに加えて、入力された生体情報の生体Ｍが未知の生体である確率を示す情報を出力する。
【0055】
第１モデル及び第２モデルは深層転移学習によって学習される。「転移学習」は、あるタスクから学習された情報を、関連するが十分な学習データを欠く別のタスクに転移する方法である。第１モデル及び第２モデルは、例えば、多数の重みパラメータ及び特定の深さを有するが、使用する学習用データセットのサイズは比較的小さい。第１モデルと第２モデルは、例えば、５０００個のＥＣＧのデータセットに対してトレーニングされる。
【0056】
第１情報演算部１３は、生体情報の入力によって、入力された生体情報の生体Ｍが既知の生体である確率を示す情報と、入力された生体情報の生体Ｍが未知の生体である確率を示す情報とを出力する。第１情報演算部１３は、複数の既知の生体の各々について、入力された生体情報の生体Ｍが当該既知の生体である確率を示す情報を出力する。第１情報演算部１３は、第１モデル演算部２１と、第１予測部２２とを含んでいる。
【0057】
第１モデル演算部２１は、生体情報取得部１１によって取得された生体情報と第１モデルとに基づいて演算を行う。第１モデル演算部２１は、生体情報取得部１１によって取得された生体情報の入力に応じて、対象の生体Ｍが既知の生体である確率を示す情報を第１モデルから出力する。本実施形態に示す例において、第１モデル演算部２１は、心拍信号ｈｐ（ｔ）が５秒の区間にセグメントされた情報を生体情報として取得し、第１モデルに入力する。
【0058】
第１予測部２２は、第１モデルの出力から、対象の生体Ｍが既知の生体である確率と対象の生体Ｍが未知の生体である確率とを演算する。第１予測部２２は、例えば、これら確率の演算結果から、予測ラベルを出力する。予測ラベルは、例えば、対象の生体Ｍが、既知の生体のいずれであるか、又、未知の生体であるかを示す情報である。第１予測部２２は、ｎ個の既知クラス及び１つの未知クラスからなる２つの確率分布をさらに出力してもよい。
【0059】
第１予測部２２は、ＯｐｅｎＭａｘアルゴリズムを含んでいる。ＯｐｅｎＭａｘアルゴリズムは、第１モデルの出力が入力されることによって、対象の生体Ｍが既知の生体である確率と、対象の生体Ｍが未知の生体である確率とを出力する。第１予測部２２は、第１モデルの出力にＯｐｅｎＭａｘアルゴリズムを適用する。ＯｐｅｎＭａｘアルゴリズムは、第１モデルの活性化ベクトルに相当する。
【0060】
ＯｐｅｎＭａｘアルゴリズムは、クローズセット分類モデルをオープンセット分類モデルに拡張することを目的とするアルゴリズムである。ＯｐｅｎＭａｘアルゴリズムは、テストデータの活性化ベクトルを較正し、学習データに適合されたワイブル分布を使用することによって出力層内の新しいカテゴリを拡張する。例えば、ＯｐｅｎＭａｘアルゴリズムは、ｎ分類をｎ＋１分類に拡張する。例えば、ＯｐｅｎＭａｘアルゴリズムは、ｎ個の既知の生体に関する情報の出力を、ｎ個の既知の生体に関する情報と未知の生体に関する情報との出力に拡張する。本実施形態に示す例において、ワイブル分布の使用において、最適なパラメータは、Ｓｔａｉｌ＝２及びｒα＝５である。
【0061】
第２情報演算部１４は、生体情報の入力によって、入力された生体情報の生体Ｍが既知の生体である確率を示す情報と、入力された生体情報の生体Ｍが未知の生体である確率を示す情報とを出力する。第２情報演算部１４は、複数の既知の生体の各々について、入力された生体情報の生体Ｍが当該既知の生体である確率を示す情報を出力する。第２情報演算部１４は、第２モデル演算部２３と、第２予測部２４とを含んでいる。
【0062】
第２モデル演算部２３は、生体情報取得部１１によって取得された生体情報と第２モデルとに基づいて演算を行う。第２モデル演算部２３は、生体情報取得部１１によって取得された生体情報の入力に応じて、対象の生体Ｍが既知の生体である確率を示す情報と、対象の生体Ｍが未知の生体である確率を示す情報とを第２モデルから出力する。
【0063】
第２予測部２４は、第２モデルの出力から、対象の生体Ｍが既知の生体である確率と対象の生体Ｍが未知の生体である確率とを演算する。第２予測部２４は、例えば、これら確率の演算結果から、予測ラベルを出力する。第２予測部２４は、ｎ個の既知クラス及び１つの未知クラスからなる２つの確率分布をさらに出力してもよい。
【0064】
第２予測部２４は、ＳｏｆｔＭａｘアルゴリズムを含んでいる。第２予測部２４は、ＳｏｆｔＭａｘアルゴリズムを直接的に活性化層として使用する。ＳｏｆｔＭａｘアルゴリズムは、第２モデルの活性化ベクトルに相当する。ＳｏｆｔＭａｘアルゴリズムは、第２モデルの出力が入力されることによって、対象の生体Ｍである確率と、対象の生体Ｍが未知の生体である確率とを出力する。
【0065】
識別部１５は、第１情報演算部１３の演算結果と第２情報演算部１４の演算結果とに基づいて、対象の生体Ｍの識別結果を出力する。生体Ｍが既知の生体である場合に、第１情報演算部１３の演算結果は、第２情報演算部の演算結果よりも高い識別精度が得られる。生体Ｍが未知の生体である場合に、第２情報演算部１４の演算結果は、第１情報演算部の演算結果よりも高い識別精度が得られる可能性がある。識別部１５は、第２情報演算部１４の演算結果を、第１情報演算部１３の演算結果に組合わせ、第１情報演算部１３の演算結果を較正する。識別部１５は、既知判定部２５と、正確度判定部２６と、出力部２７とを含んでいてもよい。
【0066】
既知判定部２５は、対象の生体Ｍが未知の生体であるか否かを第１情報演算部１３の演算結果から判定する。既知判定部２５は、例えば、第１予測部２２から出力された予測ラベルが、対象の生体Ｍが未知の生体であることを示しているか否かを判定する。
【0067】
正確度判定部２６は、第２情報演算部１４の演算結果が正確であるか否かを判定する。正確度判定部２６は、既知判定部２５において、対象の生体Ｍが未知の生体であると第１情報演算部の演算結果から判定された場合に、第２情報演算部１４の演算結果が正確であるか否かを判定する。例えば、正確度判定部２６は、第２情報演算部１４の演算結果と閾値との比較結果に基づいて、第２情報演算部１４の演算結果が正確であるか否かを判定する。
【0068】
例えば、正確度判定部２６は、第２情報演算部１４において演算された確率のうち最大の確率ｍａｘｓｏｆｔと、閾値Ｂとを比較し、確率ｍａｘｓｏｆｔが閾値Ｂ以上である場合に、第２情報演算部１４の演算結果が正確であると判定する。第２情報演算部１４において演算された確率は、複数の既知の生体の各々に対する生体Ｍが既知の生体である確率と、生体Ｍが未知の生体である確率とを含んでいる。
【0069】
閾値Ｂは、例えば、学習用データセットにおける第２情報演算部１４の演算結果に基づいて演算される。閾値Ｂは、例えば、サンプルセットＳの平均ｍｅａｎ（Ｓ）と、サンプルセットＳの標準偏差ｓｔｄ（ｓ）との差である。サンプルセットＳは、学習用データセットに含まれる同一のデータサンプルｉについて第２情報演算部１４によって演算された確率Ｐｉの最大値がｍｉである場合、学習用データセット内の全てのデータサンプルについてのｍｉの集合である。データサンプルｉは、学習用データセットに含まれる任意の学習用生体である。
【0070】
出力部２７は、第１情報演算部１３の演算結果と第２情報演算部１４の演算結果とのいずれかを識別結果として出力する。出力部２７は、対象の生体Ｍが既知の生体であると第１情報演算部１３の演算結果から判定された場合に、第１情報演算部１３の演算結果に関する情報を識別結果として出力する。出力部２７は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定された場合に、第２情報演算部の演算結果に基づいて、第１情報演算部１３の演算結果に関する情報又は第２情報演算部１４の演算結果に関する情報を識別結果として出力する。
【0071】
出力部２７は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定された場合に、正確度判定部２６の判定結果に基づいて、第１情報演算部１３の演算結果に関する情報又は第２情報演算部の演算結果に関する情報を識別結果として出力する。出力部２７は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定され、かつ、正確度判定部２６が第２情報演算部１４を不正確と判定した場合に、第１情報演算部１３の演算結果に関する情報を識別結果として出力する。出力部２７は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定され、かつ、正確度判定部２６が第２情報演算部１４の演算結果を正確と判定した場合に、第２情報演算部１４の演算結果に関する情報を識別結果として出力する。
【0072】
次に、学習フェーズにおける生体識別システム１の各機能部について、より詳細に説明する。学習フェーズにおいては、学習部３０が動作する。学習部３０は、種々の情報を含む学習用データセットを用いて学習された第１モデル及び第２モデルを作成する。学習部３０は、例えば、学習情報取得部３１と、第１モデル作成部３２と、第２モデル作成部３３と、格納部１２とによって、第１モデル及び第２モデルを作成する。
【0073】
学習部３０は、学習情報取得部３１によって学習用データセットを取得し、第１モデル及び第２モデルを作成する。学習情報取得部３１は、学習用データセットを取得する。学習用データセットは、複数の学習用生体の各々の識別情報と複数の学習用生体の各々の生体情報とを含んでいる。
【0074】
第１モデル作成部３２は、学習用データセットを用いた学習によって、第１モデルを作成する。第２モデル作成部３３は、学習用データセットを用いた学習によって、第２モデルを作成する。例えば、第２モデル作成部３３は、第１モデル作成部３２において用いられた学習用データセットと同一の学習用データセットを用いた学習によって、第２モデルを作成する。例えば、第１モデル作成部３２及び第２モデル作成部３３は、畳み込みニューラルネットワークによって第１モデル及び第２モデルを作成する。
【0075】
第１モデル作成部３２及び第２モデル作成部３３は、推定フェーズにおいて取得された情報に基づいて、第１モデル及び第２モデルを再作成、又は、更新してもよい。第１モデル作成部３２及び第２モデル作成部３３は、学習フェーズの終了後に、生体識別システム１から除外されてもよい。
【0076】
学習フェーズにおいて、格納部１２は、第１モデル作成部３２及び第２モデル作成部３３によって作成された第１モデル及び第２モデルを格納する。格納部１２は、学習データセットを予め格納していてもよいし、生体識別システム１の外部から取得して格納してもよい。
【0077】
次に、図３を参照して、生体識別システム１のハードウェア構成について説明する。図６は、生体識別システム１のハードウェア構成の一例を示す図である。図３に示されている例において、生体識別システム１の推定部１０と学習部３０とは、一体に構成されている。
【0078】
生体識別システム１は、プロセッサ１０１と、主記憶装置１０２と、補助記憶装置１０３と、通信装置１０４と、入力装置１０５と、出力装置１０６とを備えている。生体識別システム１は、これらのハードウェアと、プログラム等のソフトウェアとにより構成された１又は複数のコンピュータを含んでいる。生体情報取得部１１と、格納部１２と、第１情報演算部１３と、第２情報演算部１４と、識別部１５と、学習情報取得部３１と、第１モデル作成部３２と、第２モデル作成部３３とのそれぞれは、１つのコンピュータによって構成されていてもよいし、複数のコンピュータによって構成されていてもよい。生体識別システム１は、ハードウェアと協働して実現されている。
【0079】
生体情報取得部１１と、格納部１２と、第１情報演算部１３と、第２情報演算部１４と、識別部１５と、学習情報取得部３１と、第１モデル作成部３２と、第２モデル作成部３３とが、複数のコンピュータによって構成される場合には、これらのコンピュータはローカルで接続されてもよいし、インターネット又はイントラネットなどの通信ネットワークを介して接続されてもよい。この接続によって、論理的に１つの生体情報取得部１１、格納部１２、第１情報演算部１３、第２情報演算部１４、識別部１５、学習情報取得部３１、第１モデル作成部３２、及び、第２モデル作成部３３が構築される。
【0080】
プロセッサ１０１は、オペレーティングシステム及びアプリケーション・プログラムなどを実行する。主記憶装置１０２は、ＲＯＭ（Read Only Memory)及びＲＡＭ（Random Access Memory）により構成される。たとえば、生体識別システム１の各種機能部の少なくとも一部は、プロセッサ１０１及び主記憶装置１０２によって実現され得る。
【0081】
補助記憶装置１０３は、ハードディスク及びフラッシュメモリなどにより構成される記憶媒体である。補助記憶装置１０３は、一般的に主記憶装置１０２よりも大量のデータを記憶する。たとえば、格納部１２の少なくとも一部は、補助記憶装置１０３によって実現され得る。
【0082】
通信装置１０４は、ネットワークカード又は無線通信モジュールにより構成される。たとえば、生体情報取得部１１、学習情報取得部３１、及び、出力部２７の少なくとも一部は、通信装置１０４によって実現され得る。入力装置１０５は、キーボード、マウス、及び、タッチパネルなどにより構成される。出力装置１０６は、プリンタなどにより構成される。たとえば、出力部２７の少なくとも一部は、出力装置１０６によって実現され得る。
【0083】
補助記憶装置１０３は、予め、プログラム及び処理に必要なデータを格納している。このプログラムは、生体識別システム１の各機能要素をコンピュータに実行させる。このプログラムによって、たとえば、後述する状態識別方法における各処理がコンピュータにおいて実行される。このプログラムは、たとえば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリなどの有形の記録媒体に記録された上で提供されてもよい。このプログラムは、データ信号として通信ネットワークを介して提供されてもよい。
【0084】
次に、図４から図６を参照して、生体識別方法について説明する。例えば、生体識別方法は、第一モデル及び第二モデルの作成方法を含んでおり、第１モデル及び第２モデルを作成する学習フェーズと作成された第１モデル及び第２モデルを用いて生体Ｍの識別を実行する推定フェーズとを実行する。まず、図４を参照して、学習フェーズにおける第１モデル及び第２モデルの作成方法について説明する。図４は、第１モデル及び第２モデルの作成方法の一例を示すフローチャートである。
【0085】
まず、学習情報取得部３１が学習用データセットを取得する（処理Ｓ２１）。学習用データセットは、複数の学習用生体の各々の識別情報と複数の学習用生体の各々の生体情報とを含んでいる。
【0086】
次に、第１モデル作成部３２が、処理Ｓ２１において取得された学習用データセットを用いた学習によって、第１モデルを作成する（処理Ｓ２２）。第２モデル作成部３３が、処理Ｓ２１において取得された学習用データセットを用いた学習によって、第２モデルを作成する（処理Ｓ２３）。例えば、第２モデル作成部３３は、第１モデル作成部３２において用いられた学習用データセットと同一の学習用データセットを用いた学習によって、第２モデルを作成する。例えば、第１モデル作成部３２及び第２モデル作成部３３は、畳み込みニューラルネットワークによって第１モデル及び第２モデルを作成する。処理Ｓ２２と処理Ｓ２３とは、並行に実行されてもよい。例えば、作成された第１モデル及び第２モデルは、格納部１２に格納される。
【0087】
【0088】
まず、生体情報取得部１１は、生体情報を含む信号を取得する（処理Ｓ１）。例えば、生体情報取得部１１は、ドップラーレーダ４１の受信信号を受信アンテナＲｘにおいて取得する。そして、生体情報取得部１１は、Ｉ／Ｑ信号を取得する。本実施形態の変形例として、生体情報取得部１１は、ドップラーレーダ４１の受信信号を取得せずに、Ｉ／Ｑ信号のみを取得してもよい。
【0089】
次に、生体情報取得部１１は、生体情報を取得する（処理Ｓ２）。例えば、生体情報取得部１１は、処理Ｓ１において取得された信号に基づいて、対象の生体Ｍの生体情報を取得する。例えば、本実施形態に示す例において、生体情報取得部１１は、Ｉ／Ｑ信号から対象の生体Ｍの胸部の変位ｘ（ｔ）の情報を生体情報として取得する。
【0090】
次に、生体情報取得部１１は、フィルタリング処理を行う（処理Ｓ３）。生体情報取得部１１は、フィルタリング処理によって、変位ｘ（ｔ）から不要成分が除去された、心拍信号ｈｐ（ｔ）を取得する。処理Ｓ３において、心拍の情報が生体情報として取得されてもよい。
【0091】
次に、第１情報演算部１３及び第２情報演算部１４が第１演算処理及び第２演算処理を実行する。第１演算処理によって第１演算結果が導出される。第２演算処理によって第２演算結果が導出される。例えば、第１演算処理と第２演算処理とは、並行して実行される。第１演算処理が第２演算処理の後に実行されてもよいし、第２演算処理が第１演算処理の後に実行されてもよい。
【0092】
第１演算処理において、第１モデル演算部２１が、処理Ｓ３において取得された生体情報を第１モデルへ入力する（処理Ｓ４）。第１モデルは、生体情報の入力によって、入力された生体情報の生体Ｍが既知の生体である確率を示す情報を出力する。第１モデルは、クローズセット分類モデルである。第１モデルは、生体情報取得部１１によって取得された生体情報の入力に応じて、対象の生体Ｍが既知の生体である確率を示す情報を出力する。
【0093】
第１演算処理において、第１予測部２２が、第１モデルの出力を第１アルゴリズムに入力する（処理Ｓ５）。第１アルゴリズムは、例えば、ＯｐｅｎＭａｘアルゴリズムである。ＯｐｅｎＭａｘアルゴリズムは、第１モデルの出力が入力されることによって、対象の生体Ｍが既知の生体である確率と、対象の生体Ｍが未知の生体である確率とを出力する。
【0094】
第２演算処理において、第２モデル演算部２３が、処理Ｓ３において取得された生体情報を第２モデルへ入力する（処理Ｓ６）。第２モデルは、生体情報の入力によって、入力された生体情報の生体が既知の生体である確率を示す情報と、入力された生体情報の生体が未知の生体である確率を示す情報とを出力する。第２モデルは、オープンセット分類モデルである。第２モデルは、対象の生体Ｍが既知の生体である確率を示す情報と、対象の生体Ｍが未知の生体である確率を示す情報とを、生体情報取得部１１によって取得された生体情報の入力に応じて出力する。
【0095】
第２演算処理において、第２予測部２４が、第２モデルの出力を第２アルゴリズムに入力する（処理Ｓ７）。第２アルゴリズムは、例えば、ＳｏｆｔＭａｘアルゴリズムである。ＳｏｆｔＭａｘアルゴリズムは、第２モデルの出力が入力されることによって、対象の生体Ｍが既知の生体である確率と、対象の生体Ｍが未知の生体である確率とを出力する。
【0096】
次に、識別部１５が、識別処理を実行する（処理Ｓ８）。識別部１５が、第１演算処理の演算結果と第２演算処理の演算結果とに基づいて、対象の生体Ｍの識別結果を出力する。処理Ｓ８が終了すると、一連の処理が終了される。
【0097】
【0098】
まず、識別部１５は、各種情報を取得する（処理Ｓ１１）。識別部１５は、第１演算処理の第１演算結果と第２演算処理の第２演算結果とを取得する。
【0099】
次に、識別部１５は、既知判定部２５において、対象の生体Ｍが未知の生体であるか否かを第１演算結果から判定する（処理Ｓ１２）。既知判定部２５は、例えば、第１予測部２２から出力された予測ラベルが、対象の生体Ｍが未知の生体であることを示しているか否かを判定する。
【0100】
対象の生体Ｍが未知の生体でないと第１演算結果から判定された場合（処理Ｓ１２のＮＯ）、識別部１５は、第１演算結果に関する情報を識別結果に設定する（処理Ｓ１３）。対象の生体Ｍが未知の生体であると第１演算結果から判定された場合（処理Ｓ１２のＹＥＳ）、識別部１５は、正確度判定部２６において、第２演算結果が正確であるか否かを判定する（処理Ｓ１４）。
【0101】
第２演算結果が正確でないと判定された場合（処理Ｓ１４のＮＯ）、識別部１５は、第１演算結果に関する情報を識別結果に設定する（処理Ｓ１３）。第２演算結果が正確であると判定された場合（処理Ｓ１４のＹＥＳ）、識別部１５は、第２演算結果に関する情報を識別結果に設定する（処理Ｓ１５）。
【0102】
次に、上述した実施形態にかかる生体識別システム１、生体識別方法、及び、プログラムによる作用効果について説明する。
【0103】
生体識別システム１において、識別部１５は、第１情報演算部１３の演算結果と第２情報演算部１４の演算結果とに基づいて、対象の生体Ｍの識別結果を出力する。この場合、第１情報演算部１３の演算結果と第２情報演算部１４の演算結果とが組み合わされ、第１情報演算部１３の演算結果と第２情報演算部１４の演算結果とのうち、状況に応じた適切な演算結果が出力され得る。したがって、生体の識別精度が向上され得る。
【0104】
識別部１５は、既知判定部２５と、出力部２７とを含んでいる。既知判定部２５は、対象の生体Ｍが未知の生体であるか否かを第１情報演算部１３の演算結果から判定する。出力部２７は、対象の生体Ｍが既知の生体であると第１情報演算部１３の演算結果から判定された場合に、第１情報演算部１３の演算結果に関する情報を識別結果として出力する。対象の生体Ｍが既知の生体である場合において、第１情報演算部１３の演算結果は、第２情報演算部１４の演算結果よりも高い識別精度を有している。対象の生体Ｍが既知の生体である場合において、第１情報演算部１３の演算結果が識別結果として出力されるため、生体の識別精度が向上され得る。
【0105】
出力部２７は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定された場合に、第２情報演算部１４の演算結果に基づいて、第１情報演算部１３の演算結果に関する情報又は第２情報演算部１４の演算結果に関する情報を識別結果として出力する。このため、対象の生体Ｍが未知の生体である場合に、第２情報演算部１４の演算結果は、第１情報演算部１３の演算結果よりも高い識別精度を有しうる。対象の生体Ｍが既知の生体である場合において、第２情報演算部１４の演算結果に基づいて、第１情報演算部１３の演算結果に関する情報又は第２情報演算部１４の演算結果に関する情報が識別結果として出力されるため、生体の識別精度が向上され得る。
【0106】
正確度判定部２６は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定された場合に、第２情報演算部１４の演算結果が正確であるか否かを判定する。出力部２７は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定された場合に、正確度判定部２６の判定結果に基づいて第１情報演算部１３の演算結果に関する情報又は第２情報演算部１４の演算結果に関する情報を識別結果として出力する。この場合、第２情報演算部１４の演算結果の正確度が考慮されるため、生体の識別精度がさらに向上され得る。
【0107】
出力部２７は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定され、かつ、正確度判定部２６が第２情報演算部１４を不正確と判定した場合に、第１情報演算部１３の演算結果に関する情報を識別結果として出力する。出力部２７は、対象の生体Ｍが未知の生体であると第１情報演算部１３の演算結果から判定され、かつ、正確度判定部２６が第２情報演算部１４の演算結果を正確と判定した場合に、第２情報演算部１４の演算結果に関する情報を識別結果として出力する。この場合、生体の識別精度がより確実に向上され得る。
【0108】
正確度判定部２６は、第２情報演算部１４の演算結果と閾値との比較結果に基づいて、第２情報演算部１４の演算結果が正確であるか否かを判定する。この場合、第２情報演算部１４の演算結果の正確度が容易に判定され得る。
【0109】
第１情報演算部１３は、ＯｐｅｎＭａｘアルゴリズムを含んでいる。ＯｐｅｎＭａｘアルゴリズムは、第１モデルの出力が入力されることによって、対象の生体Ｍが既知の生体である確率と対象の生体Ｍが未知の生体である確率とを出力する。第２情報演算部１４は、ＳｏｆｔＭａｘアルゴリズムを含んでいる。ＳｏｆｔＭａｘアルゴリズムは、第２モデルの出力が入力されることによって、対象の生体Ｍが既知の生体である確率と対象の生体Ｍが未知の生体である確率とを出力する。この場合、生体の識別精度がより容易かつ確実に向上され得る。
【0110】
ＯｐｅｎＭａｘアルゴリズムが結合された第１モデルは、重要でない特徴を有する全ての入力サンプルを、学習データセットに現れない未知のクラスに属するものとして識別する傾向がある。一方、ＳｏｆｔＭａｘアルゴリズムが結合された第２モデルは、学習データセットに現れる既知のクラスに属する重要でない特徴を有する入力サンプルを識別することに優位性を有する。
【0111】
第１モデルは、クローズセット分類モデルであり、第２モデルは、オープンセット分類モデルである。この場合、生体の識別精度がより容易かつ確実に向上され得る。
【0112】
次に、生体識別システム１の検証の一例を説明する。本検証では、生体情報として、人の心拍が用いられた。
【0113】
本検証では、公開されたデータセットが学習用データセットとして用いられた。このデータセットは、実験室の設定で収集された、レーダの信号の記録と、抽出されたバイタルサインと同期されたリファレンス基準信号とからなる。このデータセットは、同時に、リファレンスデバイスセンサを備えた２４ＧＨｚの連続波レーダシステムを用いる。この連続波レーダシステムは、心電図（ＥＣＧ）とインピーダンスカルジオグラム（ＩＣＧ）と非侵襲的連続血圧（ＢＰ）とを同時に計測する。レーダのサンプリングレートは、２００００Hzである。このデータセットには、安静、ヴァルサルヴァ、無呼吸、チルトアップ、チルトダウンの５つのテストシナリオが含まれている。被験者がリラックスして横になり、落ち着いて呼吸していた実験では、静止シナリオのデータのみが用いられた。各被験者について、静止シナリオでは、１０分間のデータが収集された。図７は、学習データセットの主な情報を示している。このデータセットは、３０名の健常被験者から収集された。
【0114】
上記データセットにおいて、３０名の被験者からランダムに１５名選択し、選択された被験者を既知と設定し、残りの１５名の被験者を未知と設定した。本検証において、既知に設定された被験者からのドップラーレーダエコー信号のみが、学習フェーズで入力として用いられた。テストフェーズでは、３０人全員からのドップラーレーダエコー信号が使用された。
【0115】
本検証では、上記データセットの３０人の被験者それぞれからの６００秒のデータが使用された。これらのデータは、既存の作業で一般的に使用される１．５秒の重なりを持つ５秒の時間窓によって分割された。このため、データセット内の各サブジェクトは、１７１個の信号セグメントを有し、３０個のサブジェクトの合計５１３０個の信号セグメントが得られた。これらのデータの２０%がテストデータセットとして用いられた。テストデータセットは、１５人の被験者からの１０２６セグメントである。残りの４１０４セグメントが、学習データセットとして用いられた。図８は、検証に用いられるパラメータを示す表である。
【0116】
オープンセット分類問題では、開放性指数は以下の式（６）によって定義される。
【数5】
【0117】
式(６)において、Ｃｔｒａｉｎは学習データセットにおけるクラスの数であり、Ｃｔｅｓｔはテストデータセットにおけるクラスの数である。開放性指標は、オープンセット分類タスクの困難さを表すために用いられた。開放性指数の値が高いほど、オープンセット分類タスクの難易度が高い。本検証において、アルゴリズム性能を評価するために、精度スコアとＦ１スコアの２つの指標が用いられた。これらは、以下の式（７）及び式（８）によって定義される。
【数6】
【数7】
【0118】
ここで、ＴＰ、ＴＮ、ＦＰ、及び、ＦＮは、それぞれ真陽性、真陰性、偽陽性、偽陰性に相当する。Ｐｒｅｃｉｓｉｏｎは、ＴＰ＋ＦＰに対するＴＰのトータル比を表している。Ｒｅｃａｌｌは、ＴＰ＋ＦＮに対するＴＰのトータル比を表している。精度スコアは、モデルパフォーマンスの最も直感的な指標である。Ｆ１スコアは、クラス分布が不均衡な場合のモデルパフォーマンスを反映している。
【0119】
上述したように、３０人の被験者の半数が既知の被験者として、残りの半数が未知の被験者として無作為に選択された。これは、開放性指数０．２９３に相当する。この条件において、生体識別システム１の精度スコアは、９４．３５％であった。第２情報演算部１４が存在せず、第１情報演算部１３のみが存在している場合の精度スコアは９１．４２％であった。また、ＤＤＬＭ（Dipole Deep Learning Model）の精度スコアは９３．５７％であった。したがって、識別精度において、生体識別システム１の優位性が確認された。
【0120】
以上、本発明の実施形態及び変形例について説明してきたが、本発明は必ずしも上述した実施形態及び変形例に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。
【0121】
例えば、本実施形態において、生体情報取得部１１は、レーダの受信信号を処理し、生体情報を取得した。しかし、生体情報取得部１１は、通信によって、生体識別システム１の外部から生体情報を取得してもよい。例えば、生体情報取得部１１は、生体識別システム１の外部において格納されている生体情報を、通信によって取得してもよい。
【符号の説明】
【0122】
１…生体識別システム、１１…生体情報取得部、１３…第１情報演算部、１４…第２情報演算部、１５…識別部、２５…既知判定部、２６…正確度判定部、２７…出力部、Ｂ…閾値、Ｍ…生体。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
