CN100343862C - 基于受激肌肉动作电位信号的身份识别方法 - Google Patents
基于受激肌肉动作电位信号的身份识别方法 Download PDFInfo
- Publication number
- CN100343862C CN100343862C CNB031243428A CN03124342A CN100343862C CN 100343862 C CN100343862 C CN 100343862C CN B031243428 A CNB031243428 A CN B031243428A CN 03124342 A CN03124342 A CN 03124342A CN 100343862 C CN100343862 C CN 100343862C
- Authority
- CN
- China
- Prior art keywords
- signal
- action potential
- excited
- muscle action
- potential signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种身份识别方法,属于计算机网络系统及各种需要加密的安全系统的应用领域。该方法主要包括信号采集和信号处理两部分。它通过一定的方法和仪器提取一种特殊的人体特征信号—受激肌肉动作电位信号,并采用简单的计算机算法对该信号进行预处理和特征提取,然后将其与已存在的信号模板进行比较,从而来进行身份识别。由于受激肌肉动作电位信号是一种相对稳定的人体特征信号,本发明可用于各种信息系统中以提高访问的安全性,特别是对于实现远程康复医疗有着重要的意义。
Description
技术领域
本发明涉及一种身份识别方法,特别涉及一种基于人体生物特征信息的身份识别方法,其通过提取识别对象的生物特征信号即受激肌肉动作电位信号的特征,计算所提取的信号与一模板信号的欧氏距离并将该欧氏距离与一阈值相比较,由此识别出别鉴定者的身份。本发明的方法可以广泛应用于计算机网络系统以及各种需要加密的安全系统。
背景技术
目前,已有多种用作身份识别的方法以及设备问世,但是绝大部分安全系统以及计算机网络系统仍以采用密码或是ID卡作为身份识别的主要手段。这些方法虽然简单,但是其致命弱点是安全性较低。密码或工D卡的信息都很容易被窃取或是复制。随着信息社会的高速发展,这些传统的识别方法将无法满足系统的安全保障需求,因此迫切需要新的方法来提高.身份识别的可靠性。
利用人体生物学信息的身份识别方法能有效的避免上述问题,且已有一系列生物识别方法及其相应的设备投入使用。它们采用人类的生理特征信号来对访问者的身份进行识别。这些特征信号因人而异且特征显著,其中包括指纹、脸部轮廓、声音、虹膜、唇的运动、步态、心电信号、脑电图等。但是这些方法在实际应用中存在着各种限制和不便,例如指纹和脸部轮廓仍可采用一定的技术进行复制;而心电和脑电信号在不同的生理状态下不够稳定。
发明内容
针对上述现有技术中的不足,本发明的目的旨在提出一种新的人体特征信号,并借此来进行身份识别的方法。这种特殊的人体特征信号称为受激肌肉动作电位信号,它对于肌肉和神经的疾病诊断和手术后的康复状况有着及其重要的医疗价值。受激肌肉动作电位信号的特征由肌肉神经特性及其组成状况所决定,因此它可以反映出人体内部肌肉和神经的活动状况。同时,它作为监督治疗过程以及疗程进度的一种信号,正逐步应用于远程康复治疗并具有广泛的应用前景。这种信号的主要优点在于特征稳定,即在同样的肌体条件和体外电刺激的条体下信号的重复性很高。因而这种信号十分适合用手身份识别。本发明可以使受激肌肉动作电位信号实际应用于包括远程康复治疗在内的各种信息网络和需要加密的安全系统中的个人身份认证,以确保用户身份对号入座以及保证其个人资料的高度私密性,从而使得受激肌肉动作电位信号也像指纹等生理特征一样,具有相应的应用领域。
为实现本发明的上述目的,本发明提出一种基于受激肌肉动作电位信号识别方法,其步骤包括采集受激肌肉动作电位信号;对所采集的信号进行预处理;提取经预处理的受激肌肉动作电位信号的特征;将所提取的特征与一模板特征相匹配;根据匹配结果做出判断。其中,提取经预处理的受激肌肉动作电位信号的特征的步骤进一步包括:去除所述受激肌肉动作电位信号中的误差;对去除了误差的受激肌肉动作电位信号进行标准化处理,使其信号幅度一致;截取经过标准化的受激肌肉动作电位信号,以获得特征信号集中的信号段;以及对截取的信号特征段进行量化,取出信号的次要特征而保留信号的整体特征。
本发明可用于计算机网络系统以及各种需要加密的安全系统的身份识别。这些应用领域可包括银行,医院,特别是远程康复医疗,以及各种有保密级别的单位及部门的进入等,以确保访问的用户身份为合法的授权用户,从而保证资料以及设备等的高度私密性。
以下通过结合附图对本发明具体实施方式的描述,本领域普通技术人员将会更加领会本发明的上述技术方案和优点。
附图说明
图1是根据本发明所述基于受激肌肉动作电位信号进行用户身份识别的方法流程图;
图2详细示出图1中的步骤100——信号的采集的具体步骤;
图3详细示出图1中的步骤110——信号预处理的具体步骤;
图4详细示出图1中的步骤120——信号特征提取的具体步骤;
图5详细示出图1中的步骤130——用户身份识别的具体步骤;
图6示出一个受激肌肉动作电位信号及其起始点等特征;
图7(A)和(B)示出经过小波变换、标准化以及量化后的受激肌肉动作电位信号。
具体实施方式
图1示意性地说明了根据本发明所述基于受激肌肉动作电位信号进行用户身份识别的方法流程图。从图1可以看到,本发明的方法主要由信号的采集100、信号预处理110、信号特征提取120以及用户身份识别130四个步骤组成。以下,将逐一对各个步骤作出详细的说明。
(1)信号的采集100
如前文中所述的那样,由于受激肌肉动作电位信号的特征由肌肉神经特性及其组成状况所决定,当人体肌肉受到刺激且刺激超过一定的阈值且保持不变时,该信号的特征是稳定的,也就是说在同样的肌体状况以及相同体外电刺激的条件下该信号的重复性很高。因此,利用特殊的仪器通过电极对人体某个部位的肌肉进行一定强度的刺激,可能采集到重复性很高的受刺激肌肉动作电位信号。图2示出了受激肌肉动作电位信号采集的详细步骤,如图2所示,受激肌肉动作电位信号的采集100是利用一种采集肌电信号的设备例如Sapphire Premiere经由刺激电极对人体的某个部位例如位于手臂肘部的鹰嘴处的后尺骨的尺骨神经进行一定强度的电刺激,如步骤210所示,可通过电压控制器210来调节刺激的强度大小,使得被激活肌肉产生信号。根据本发明,可由一接收电极接收手掌小鱼际肌肉的动作电位信号并通过滤波器和放大器对所接受的信号进行处理,得到可读取的信号。在采集受激肌肉动作电位信号的过程中,要注意控制刺激的强度,使其超过一定的阈值且保持不变,从而可以得到重复性较高的信号。
(2)信号的预处理110
信号预处理110主要是初步去除噪音和次要特征信息,即通过滤波对所采集到的信号进行平滑处理。而且,由于受激肌肉动作电位信号的产生与刺激信号之间有一定的时间间隔,如图6所示,因此还需要检测受激肌肉动作电位信号的起始点的位置,即检测信号特征段的起始点。图6是一个受激肌肉动作电位信号的示意图。该信号的产生与刺激信号之间有一定的时间间隔,即延迟时间610。因此需要通过检测起始点310来找到信号的起始点600,从而确定信号的起始端。
由图3可以看到,信号预处理110主要包括平滑处理300和检测起始点310这两个步骤。其中平滑处理300即将采用简单的滤波器以去除由于噪声产生的微小特征;检测起始点310则可以通过设置一定幅度阈值的方法找到受激肌肉动作电位信号的起始点,即将电刺激后大于阈值的第一个数据点视为动作电位起始点。
(3)信号特征提取120
信号特征提取120主要是通过一定的算法和变换进一步去除噪音和次要特征,使得处理后的信号与信号模板具有较高地可比性。参见图4,其示出了本发明所述方法中的信号特征提取步骤的详细内容。信号特征提取120主要包括小波变换400、信号标准化410、信号特征段截取420和信号量化430四个步骤。
由于受激肌肉动作电位信号的特征较为复杂,难以量化和提取,因此在本发明的一个优选的实施方案中,建议采用小波(wavelet)变换400来提取受激肌肉动作电位信号的特征。但是,本发明并不局限于此,当今各种用于信号处理的手段只要能够实现如本发明所述的那样提取受激肌肉动作电位信号的特征,均是本发明的等同技术解决手段。
小波分析是当今最新的数学理论之一,它具有“变焦距”的特性,即当其尺度因子增大时,变换可使局部因子减弱、整体特征信息增强;而当其尺度因子减小时,可使局部因子增强、整体特征信息减弱。因此,通过分析,找到整体特征信息相对集中的频带确定小波尺度并进行小波变换,以去除大部分的肌电信号、动作干扰以及由电极的位移所造成的误差,从而实现特征提取的第一步。
第二个信号特征提取的步骤为信号标准化410。由于采集信号时刺激的大小不可能完全一致,这将造成信号的幅度不完全统一,因而对小波变换后的信号要进行标准化处理,使信号的幅值统一,以补偿采集信号时刺激的大小不完全一致造成的误差。
信号特征段截取420是信号特征提取的第三步骤。由于在信号采集的过程中,信号的采集时间也不可能完全一致,且存在相当一部分冗余信号,即不包含特征或是包含少量次要特征的信号段,因此需要对信号的长度进行截取。通过截取从起始点开始的相同点数的特征信息相对集中的信号段,即可保留信号主要特征同时使得信号之间具有较强的可比性。
图7(A)示出了经过小波变换和标准化后截取的特征信号段。
信号特征提取的最后一个步骤是量化信号430。这是由于截取后的信号中仍存在不稳定的次要特征信息,因此要对截取后的信号段进行一定等级的量化。其目的是更进一步去除次要特征而保留整体特征。图7(B)示出了对图7(A)的信号进行量化后的信号。量化后的信号可直接与信号模板进行比较。
以下是本发明的一个优选实施例,其说明了从信号采集到得到量化信号的具体过程:
1.将每次试验采集的三个动作电位信号做平均算法处理得到一个原始数据的平均信号;
2.在平均后的信号上做平滑处理以去除部分噪声信号;
3.通过设置阈值的方式检测信号起始点;
4.对信号主要特征的截取,即依据对信号的观察,从所检测到的起始点向后取300个点作为信号的主要特征部分;
5.对截取后的信号做小波变换,母函数采用db2函数:
6.根据对信号频谱的分析,确定选取小波变换后的在第32阶的小波系数来表征信号特征;
7.对小波变换后的第32阶小波信号进行标准化处理,即将信号各数据点的幅值均除以该数据长度内数据最大幅值,标准化后的信号幅值在-1到+1之间:
8.对标准化后的数据进行量化处理,即将一1到+1量化成10个等级,在每个等级中的幅值将被设置为一定值,即信号最终特征向量的幅值有且仅有10个固定值。
(4)用户身份识别130
用户身份识别130是通过计算完成特征提取后的信号与模板信号之间的欧氏距离并将其与一个预设的阈值进行比较,从而完成身份的识别。若计算所得的欧氏距离小于该预设的阈值,则表明该用户为合法的授权用户;反之,该用户将被拒绝访问。
下面结合图5说明用户身份识别的过程。计算特征提取后的信号与模板信号之间的差别是通过根据式(1)来计算欧氏距离d得到的。
公式(1)中xj、tj分别表示待判别信号和模板相对应的第j个数据点值,L是待判别信号和模板信号的数据长度,即信号数据点的个数。在本发明中,待判别信号和模板信号具有相同的数据长度。得到欧氏距离d之后,将其与一个预先设置的阈值进行比较:若d小于该阈值,则表明该用户为合法的授权用户;反之,该用户将被拒绝访问或是给出警告信息。
综上所述,本发明提出的基于受激肌肉动作电位信号的身份识别方法可以方便,简单的提高身份识别的可靠性。以上对本发明具体实施方式和实施例的说明仅是示例性的,本领域普通技术人员可以理解本发明所述方法各个步骤的等同技术手段或替代手段均可以用来实施本发明。这些不偏离本发明思想的变化和修改均落入本发明的权利要求书所限定的本发明的范围中。
Claims (4)
1.一种身份识别方法,包括以下步骤:
(a)采集受激肌肉动作电位信号;
(b)对所采集的受激肌肉动作电位信号进行预处理;
(c)提取经预处理的受激肌肉动作电位信号的特征;
(d)计算提取特征的待识别信号与一模板信号之间的符合程度并将其与一预设的阈值进行比较,根据比较结果对被识别者的身份作出判断,
其中,所述步骤(c)进一步包括:
(c-1)去除所述受激肌肉动作电位信号中的误差;
(c-2)对去除了误差的受激肌肉动作电位信号进行标准化处理,使其信号幅度一致;
(c-3)截取经过标准化的受激肌肉动作电位信号,以获得特征信号集中的信号段;以及
(c-4)对截取的信号特征段进行量化,取出信号的次要特征而保留信号的整体特征。
2.根据权利要求1所述的方法,其中步骤(b)进一步包括对所采集的信号进行平滑处理的步骤以去除噪声,以及检测信号起始点的步骤。
3.根据权利要求1所述的方法,其中在所述步骤(c-1)中,通过小波变换去除所述受激肌肉动作电位信号中的误差。
4.根据权利要求1所述的方法,其中在步骤(d)中计算提取特征的待识别信号与一模板信号之间的欧氏距离,当所述欧氏距离小于所述预设的阈值时,判断被识别的对象具有合法身份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB031243428A CN100343862C (zh) | 2003-04-30 | 2003-04-30 | 基于受激肌肉动作电位信号的身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB031243428A CN100343862C (zh) | 2003-04-30 | 2003-04-30 | 基于受激肌肉动作电位信号的身份识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1542676A CN1542676A (zh) | 2004-11-03 |
CN100343862C true CN100343862C (zh) | 2007-10-17 |
Family
ID=34321658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB031243428A Expired - Fee Related CN100343862C (zh) | 2003-04-30 | 2003-04-30 | 基于受激肌肉动作电位信号的身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100343862C (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414356B (zh) * | 2007-10-17 | 2010-09-15 | 中国科学院自动化研究所 | 基于模板匹配的信息填涂卡识别方法 |
CN102289618A (zh) * | 2011-07-19 | 2011-12-21 | 中山大学深圳研究院 | 一种基于心电信号进行身份识别的方法及装置 |
CN107526952B (zh) * | 2016-06-22 | 2020-09-01 | 宁波工程学院 | 基于多通道表面肌电信号的身份识别方法 |
WO2018152724A1 (zh) * | 2017-02-23 | 2018-08-30 | 深圳先进技术研究院 | 一种身份识别方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5465303A (en) * | 1993-11-12 | 1995-11-07 | Aeroflex Systems Corporation | Automated fingerprint classification/identification system and method |
US5623552A (en) * | 1994-01-21 | 1997-04-22 | Cardguard International, Inc. | Self-authenticating identification card with fingerprint identification |
US5901238A (en) * | 1996-02-07 | 1999-05-04 | Oki Electric Industry Co., Ltd. | Iris identification system and iris identification method |
CN1235318A (zh) * | 1999-04-05 | 1999-11-17 | 斯玛特电子科技(上海)有限公司 | 袖珍式指纹与虹膜的身份双重识别系统和方法 |
CN1092372C (zh) * | 1997-05-30 | 2002-10-09 | 王介生 | 虹膜识别方法 |
-
2003
- 2003-04-30 CN CNB031243428A patent/CN100343862C/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5465303A (en) * | 1993-11-12 | 1995-11-07 | Aeroflex Systems Corporation | Automated fingerprint classification/identification system and method |
US5623552A (en) * | 1994-01-21 | 1997-04-22 | Cardguard International, Inc. | Self-authenticating identification card with fingerprint identification |
US5901238A (en) * | 1996-02-07 | 1999-05-04 | Oki Electric Industry Co., Ltd. | Iris identification system and iris identification method |
CN1092372C (zh) * | 1997-05-30 | 2002-10-09 | 王介生 | 虹膜识别方法 |
CN1235318A (zh) * | 1999-04-05 | 1999-11-17 | 斯玛特电子科技(上海)有限公司 | 袖珍式指纹与虹膜的身份双重识别系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN1542676A (zh) | 2004-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103714281B (zh) | 一种基于心电信号的身份识别方法 | |
CN104102915B (zh) | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 | |
Christodoulou et al. | Unsupervised pattern recognition for the classification of EMG signals | |
Chiu et al. | A novel personal identity verification approach using a discrete wavelet transform of the ECG signal | |
CN108596142B (zh) | 一种基于PCANet的心电特征提取方法 | |
CN106473750A (zh) | 基于光电容积脉搏波最佳周期波形的身份识别方法 | |
Sasikala et al. | Identification of individuals using electrocardiogram | |
Choi et al. | User Authentication System Based on Baseline-corrected ECG for Biometrics. | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
Parsaei et al. | SVM-based validation of motor unit potential trains extracted by EMG signal decomposition | |
Chiu et al. | Discrete wavelet transform applied on personal identity verification with ECG signal | |
CN111062021A (zh) | 一种基于可穿戴设备进行身份认证的方法及装置 | |
CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
CN1540568A (zh) | 身份识别和鉴定方法 | |
Louis et al. | One dimensional multi-resolution local binary patterns features (1DMRLBP) for regular electrocardiogram (ECG) waveform detection | |
CN100343862C (zh) | 基于受激肌肉动作电位信号的身份识别方法 | |
Canento et al. | Review and comparison of real time electrocardiogram segmentation algorithms for biometric applications | |
Orhan et al. | Epilepsy diagnosis using probability density functions of EEG signals | |
CN108470182A (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
El-Gohary et al. | User-guided interictal spike detection | |
Jahiruzzaman et al. | ECG based biometric human identification using chaotic encryption | |
Lynn et al. | ECG-based biometric human identification based on backpropagation neural network | |
CN111444489B (zh) | 一种基于光电容积脉搏波传感器的双因子认证方法 | |
Zehir et al. | An ecg biometric system based on empirical mode decomposition and hilbert-huang transform for improved feature extraction | |
Exarchos et al. | A data mining based approach for the EEG transient event detection and classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20071017 Termination date: 20130430 |