인공지능(AI)과 딥페이크 기술 시대에 데이터 보안을 확보하기 위해서는 견고한 생체 인식 시스템이 필수적입니다. 안면 인식, 홍채 스캔, 지문, 음성 인식과 같은 기존 방식들은 스푸핑(spoofing)에 점점 취약해지고 로그인 시 일회성 인증만을 제공한다는 한계가 있습니다. 본 연구는 타이니 머신러닝(TinyML)을 활용하여 자원 제약형 마이크로컨트롤러 유닛(MCU)에 배포할 수 있는 심전도(ECG) 기반의 인증 프레임워크를 제시하며, 이는 광혈류측정법(Photoplethysmography, PPG)과 비교됩니다. 본 방법은 장치 사용 전반에 걸쳐 지속적인 검증을 제공하는 연속적 인증이 가능하여, 기존 생체 인식 기술로는 달성하기 어려운 기능을 합니다. 또한, 비밀번호가 필요 없는 솔루션으로서 자격 증명(credential) 분실, 도난 또는 재사용의 위험을 줄여줍니다. 하지만 ECG 신호는 신체 활동, 건강 상태, 나이 및 감정 상태에 따라 변화하므로, 견고한 신호 처리 및 학습 알고리즘이 요구됩니다. 이를 해결하기 위해 효율적인 TinyML 모델들이 노이즈가 포함된 실시간 데이터로부터의 인식 오류를 완화하도록 설계되었습니다. 실험에서는 UofTDB, MIT-BIH Arrhythmia, MIT-BIH Noise Stress Test, PTB 데이터베이스에서 얻은 단일 리드(Lead I) ECG 신호를 사용했습니다. 스펙트로그램과 스펙트럼 특징을 추출하여 Edge Impulse 플랫폼 내에서 심층 신경망(Deep Neural Network, DNN), 1D CNN, 그리고 2D CNN 모델을 학습시켰으며, 98%의 정확도를 달성했습니다. 학습된 모델은 TinyML 형식으로 변환되어 Espressif ESP-EYE (ESP32, 240 MHz)에 배포되었습니다. 또한, 벤치마킹 목적으로 서포트 벡터 머신(Support Vector Machine, SVM) 모델도 적용되었습니다. 신뢰할 수 있는 인식을 위해 필요한 심박수 개수를 분석한 결과, 여러 신호를 평균화하는 것이 노이즈에 대한 내성을 향상시키고 정확도를 높이는 것으로 나타났습니다. 전반적으로, ECG 기반 인증은 웨어러블 및 엣지 장치에서 개인 식별을 위한 안전하고 실시간이며 지속적으로 검증 가능한 방법으로서 강력한 잠재력을 보여줍니다.