CN101421744A - 电-生物身份识别方法和设备 - Google Patents
电-生物身份识别方法和设备 Download PDFInfo
- Publication number
- CN101421744A CN101421744A CNA2004800443502A CN200480044350A CN101421744A CN 101421744 A CN101421744 A CN 101421744A CN A2004800443502 A CNA2004800443502 A CN A2004800443502A CN 200480044350 A CN200480044350 A CN 200480044350A CN 101421744 A CN101421744 A CN 101421744A
- Authority
- CN
- China
- Prior art keywords
- signature
- ecg
- signal
- biological
- heartbeat
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 230000014509 gene expression Effects 0.000 claims description 53
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 230000008878 coupling Effects 0.000 claims description 30
- 238000010168 coupling process Methods 0.000 claims description 30
- 238000005859 coupling reaction Methods 0.000 claims description 30
- 238000012850 discrimination method Methods 0.000 claims description 29
- 239000000523 sample Substances 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000000718 qrs complex Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 210000000707 wrist Anatomy 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000005055 memory storage Effects 0.000 claims 2
- 238000011953 bioanalysis Methods 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 claims 1
- 230000004044 response Effects 0.000 claims 1
- 230000011664 signaling Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000001149 cognitive effect Effects 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 206010038743 Restlessness Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000001525 retina Anatomy 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000011824 nuclear material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Collating Specific Patterns (AREA)
Abstract
电-生物身份识别或验证方法和设备,其通过形成特定个体的心跳图形的表现与所存储的多个个体的心跳图形的共有特征的表现之间的差异来生成并存储识别该特定个体的第一生物签名;在生成步骤之后,本方法和设备获的所选个体的心跳图形的表现,并且通过形成所选个体的心跳图形与所存储的多个个体的心跳图形的共有特征的表现之间的差异来生成第二生物签名;然后,其将第二生物签名与第一生物签名进行比较来确定所选个体是否是该特定个体。本设备和方法可以依据本文中所述的多种应用来用作独立的单元或者作为另一个设备的一部分。
Description
相关申请的交叉参考
本发明包含于2003年7月24日提交的PCT申请WO2004/012388以及2002年7月29日提交的美国临时申请60/398,832的主题,其全部内容结合于此作为参考。
背景技术
身份识别在生活中的许多方面发挥重要作用,包括自助银行服务、电子商务、电子银行、电子投资、电子数据保护、远程访问资源、电子交易、工作安全性、防盗设备、刑事鉴定、安全门禁、以及工作场所的进入登记。
计算机化的系统通常使用口令和个人身份号码(PIN)来进行用户识别。但是为了确保安全性,需要定期更换口令,这为用户增加了很大的负担。同样,签名验证方法也存在其他缺点,包括伪造和登记欺诈。例如,见Beatson等人发布的第5,892,824号美国专利。
因而,近年来已出现了使用个体的生物现象-生物测定的身份识别系统。期望单独或与其他技术(诸如,智能卡、加密密钥、以及数字签名)一起使用的生物普及到经济和日常生活中的所有方面。
已开发出了多种先进技术来进行生物识别,包括指纹识别、视网膜和虹膜识别、以及语音识别。例如,Shockley等人在第5,534,855号美国专利中概括描述了使用生物数据(诸如指纹)授权个人访问计算机。Scheidt等人在第6,490,680号美国专利中描述了使用生物数据的身份验证。Dulude等人在第6,310,966号美国专利中描述了使用指纹、手掌的几何形状、虹膜和视网膜扫描、以及语音模式作为生物识别验证(biometric authentication certificate)的一部分。Murakami等人在第6,483,929号美国专利中概括描述了用于生物识别的包括红外线辐射的“生理和组织标记(physiological andhistological markers)”。然而,这些类型的技术由于复杂和不友好地获取形式、对环境参数(诸如照明条件和背景噪声)的敏感性、以及高成本而仅能够获得有限的市场。另外,由于复杂的获取步骤,上述技术通常需要有操作员在场。
指纹识别是这一组中沿用已久的、最成熟的技术。但是它存在多个缺点:指纹识别系统不能验证指纹所有者的实际存在,因此容易受骗,从而限制了它的在线应用的适用性;光学传感器是一种成本高并且易碎的设备,通常不适合用于消费者市场;以及系统会受到与犯罪学有关的负面涵义的影响。
视网膜扫描技术的特征在于高性能。然而,其需要高精度的光学传感器,并且由于它们需要变换头部姿势以及对特别敏感的器官-人眼有影响,所以对用户来说不是很友好。光学传感器成本也很高并且易碎。
由于虹膜和脸部识别系统从远处记录图像并且不是强迫性的,所以是用户-友好(user-friedly)的技术。然而,它们需要数字照相设备并且对照明条件、瞳孔大小变化和脸部表情都很敏感。另外,虹膜识别的性能会由于墨镜和隐形眼睛的使用而降低,并且可以通过假冒对面部识别进行欺骗。
语音识别是该组中最用户-友好的技术;然而,它需要低噪声环境并且对包括语调在内的固有可变语音参数非常敏感。此外,现有的传统记录技术可以用于欺骗基于语音的识别系统。
因而,需要可靠、强壮、难以欺骗(在线和离线)、低成本的、用户友好的身份识别技术,其可以单独应用、或者与现有的安全系统相结合。
这些年来,心电图(“ECG”)测量已用于许多不同用途。ECG信号是由心脏产生的电信号并且能够使用通常安装在对象胸部的传统表面电极来拾取(pick up)。ECG信号由表示在每次心跳期间的不同功能阶段的若干个分量构成,并且会根据生成组织(generating tissue)的电定向(electric orientation)而发射。
由于在心脏组织结构、心脏方向、以及电组织定向(electricaltissue orientation)(它们都会影响从肢体中测量出来的心电信号)中的正规变差(normal variation),因此个体的心电信号表示出不同的特定对象的细节。许多类型的系统都使用这些特定对象的变差(subject-specific variation)。
例如,Blazey等人在第6,293,904号美国专利中描述了使用ECG信号来评估或勾勒出了个体的生理和认知状态。至于识别,Kyoso等人在关于Engineering in Medical and Biology Society的第23届年度国际IEEE会议(在土耳其的伊斯坦布尔)的题为“Developmentof an ECG Identification System”的2001会议文献对病人的ECG与先前登记的ECG特征参数进行比较来用于识别的用途。Wiederhold在第2003013509号美国申请中建议使用直接或远程获取的ECG信号来识别对象,“研究(explore)”用于识别个体的特征提取,并且提供这些方法的“初步分析”。
但是ECG信号由具有可能为组所共有的特征的ECG分量构成的。这些参考文献中没有一个描述消除ECG分量的共有特征来生成用于对象识别的签名的系统或方法。因而,仍然需要具有这些属性的系统和方法来识别个体。
并非认为在该背景中包括的上述参考文献是关于本文中所披露的本发明的现有技术或类似技术。然而,如本文中所述一样,该背景部分中的所有参考文献结合于此作为参考。
发明内容
申请人提供具有多个方面的各种装置和方法来解决上述生物识别问题。
在第一方面中,申请人通过使用以下方法及其变化来解决上述生物识别问题中的每个问题:
通过形成特定个体的心跳图形的表示和所存储的多个个体的心跳图形的共有特征的表示之间的差异,生成并存储用于识别特定个体的第一生物签名;
在生成步骤之后,获的所选个体的心跳图形的表示,并且通过在所选个体的心跳图形的表示和所存储的多个个体的心跳图形的共有特征的表示之间的差异来生成第二生物签名;以及
将第二生物签名与第一生物签名进行比较来确定所选个体是否是该特定个体。
根据该方面的系统包括ECG信号获取模块、包括ECG签名生成器的ECG信号处理模块、和输出模块。
因而,根据该第一方面,本文中披露的系统和方法将生物-电信号变换为独特的电-生物(electro-biometric)签名。心电签名的独特性使系统难以欺骗,并且本方法的固有的鲁棒性使得其对于本地以及远程和在线应用来说都是很理想的。另外,基于生物签名的系统的特征在于高识别特性以及支持开放式和封闭式搜索模式。
在根据第一方面的一个优选方法中,通过测量并存储多个个体的这种表示来获得所存储的一个或多个ECG分量的共有特征的表示,然后平均所有所存储的表示。可选地,可以通过诸如主分量分析(principal component analysis)、模糊聚类分析(fuzzy clusteringanalysis)、子波分解等获得共有特征。
由于根据该第一方面的心电方法是鲁棒的,所以它们还有另一个重要的优点:其允许使用能够作为低成本、用户友好的获取设备来实施的简单并且直接的获取技术,并且还排除了对熟练操作员的需要。
根据关于这些系统和方法的变化,代替或者除了使用经验模型,还可以使用一个或多个ECG分量的共有特征的分析模型来去除对象的ECG分量中的一个或多个分量的共有特征。同样,可以通过首先将所存储的表示分为子组、识别至少一个子组中的共有特征、根据子组对对象信号进行分类、通过从对象信号中去除子组的ECG分量中的一个或多个分量的共有特征来生成对象签名、以及通过计算对象签名关于该子组的签名的相关性来识别对象来去除共有特征。
例如,还可以通过存储由一个个体以不同脉搏率产生的多个签名来为每个个体保留多个模板。在本实施例中,于是可以使对象签名与诸如用于适当脉搏率的一个模板的适当模板相关联。因而,在变化中,本文中所披露的系统和方法可以使用多个签名模板来在环境和反应范围内识别个体。可选地,或者除此之外,根据第一方面,还可以基于脉搏率将对象信号和已登记信号标准化。
根据本文中所披露的第二方面,识别处理可以设置动态阈值。这个动态阈值可以以识别过程中的所需置信(confidence)度(诸如,通过置信评分来确定的一个置信度)为基础。
根据本文中所披露的第三方面,本文中所披露的系统和方法可以使用“品质因子(Q-因子)”来确定是否减少由于噪声带来的信号污染。同样,品质因子或信号测量的其他品质可以用于确定识别具有所需置信度的对象所需的对象样本的长度。其还可以用于登记具有所需置信度的样本,以使样本可以适用于将来的比较。
在“品质因子”计算的可选实施例中,本文中所披露的系统和方法可以计算在由于噪声带来的对象签名和/或已登记签名中的标准偏差,并且根据这些计算来确定信号品质是否适合于进行识别。
同样,本文中所披露的系统和方法可以通过测量触头或探针的阻抗来确定信号品质。根据该方面的信号品质测量还可以用于通知对象来调节他或她与传感器或探针的接触或相对于传感器或探针的位置。
根据第四方面,对象和数据库签名可以被加密作为安全预防措施来防止未经授权就存取和使用这些签名。
根据第五方面,可以使用与产生一致信号的某些身体部位相接触地设置的电极来获取ECG信号。对于某些身体部位来说,电极放置的一个极小的改变也可能导致所接收到的信号形态的急剧改变,并且甚至可能导致截然不同的信号分量出现或消失。因而,根据该方面,本文中所披露的方法和系统可以使用产生特定对象的一致信号的电极放置部位,尽管在这些部位内的电极布置有所改变,但该一致信号具有鲁棒性。这些部位包括臂和腿(包括手指和脚趾)。在这些部位中的电极放置的鲁棒性来源于只要电极保持接近肢体末端就不会改变的恒定心电信号投影。
根据该相同的第五方面,通常所说的超高阻抗检测探针的某些检测探针还可以用于获取信号,该信号包括来自诸如指尖的单个身体点的信号。可选地,或者除此之外,这些超高阻抗检测探针可以远程检测心电信号,从而在维持信号一致性的同时,消除电极放置置的困难。
根据第六方面,本文中所披露的系统和方法可以包括防止登记欺骗以及降低数据库登记者谎报他或她身份的能力。
根据第七方面,本文中所披露的系统和方法可以通过将他或她的匹配评分与数据库登记者的匹配评分进行比较来识别对象。
根据第八方面,本文中所披露的系统和方法可以使用加权相关技术,其将不同的权重授予不同的心电信号分量,以用于生成签名的用途。可选地,或者除此之外,可以使用包括均方根计算或L1量度的各种量度(metric)来使签名标准化。
优选地,根据上述各个方面中的每个方面的系统和方法为了身份识别的目的而自动执行其任务。另外,这些系统和方法可以结合到很宽范围的装置和系统中。一些非限制性的实例如下:智能卡;护照、驾驶执照设备;生物-登录(bio-logon)识别设备;个人数字助理(“PDA”);蜂窝嵌入式识别设备;防盗设备;ECG监控设备;电子银行设备;电子交易设备;宠物识别设备;物理存取设备;逻辑存取设备;以及结合ECG和指纹监控的设备、血压监控和/或任意其他形式的生物测定装置的设备。
另外,本文中所披露的系统和方法可以用于识别人的年龄,诸如,通过将对象的QRS复合波的宽度(或者更概括来说与对象的QRS相关的签名分量)与登记组或分析ECG模型的宽度进行比较。
在另一个应用中,本文中所披露的系统和方法可以用于识别使用药物的人,诸如通过登记并计算、或分析得到一系列与药物相关的签名模板。该方法还可以用于识别或捉住企图通过使用药物来更改其ECG信号以欺骗系统的对象。
其他应用包括使用本文中所披露的系统和方法,这些系统和方法用于进入建筑和房屋的控制、监视系统使用、无线装置使用、控制和用户验证、移动电话启动、计算机存取控制(例如通过膝上型电脑、PC、鼠标、和/或键盘)、数据存取(诸如文档控制)、公共运输的旅客识别、电梯使用控制、火器锁定、车辆控制系统(包括通过点火启动和门锁)、智能卡存取控制和智能卡信贷审核、对在线内容的访问(包括受版权保护的著作)、电子客票、核材料的使用和控制、机器人控制、飞机进入和控制(旅客身份、飞行控制、维修工的进入)、自动贩卖机的使用和控制、自助洗衣店的洗衣机/干衣机的使用和控制、锁扣装置的使用、对儿童安全的锁、电视和/或录像存取控制、解密密钥的存取和使用、无需货币的自动贩卖机、自动贩卖机维修进入、游戏控制台的访问(包括在线交易能力)、计算机网络安全(包括网络访问和控制)、销售点的买主识别、在线交易(包括顾客识别和账户存取)、现金付款服务或电汇识别、建筑维修的进入和控制、以及植入的医疗装置编程控制。对于本领域技术人员来说,在本公开范围内的其他应用将是显而易见的。
对于任何应用来说,根据任意或所有以上方面的设备可以连续或者根据需要来运行。上述设备可以被构造成能够通过使一个或多个电极或者远离个体的传感器与个体相接触来获得所选个体的心跳图形的表示。当将该设备设置在智能卡中时,该卡可以在成功识别之后启用一段有限的时间,然后失效,直到执行下一次成功识别。上述设备可以被构造为使用加密密钥或数字签名来操作。
关于本文中所披露的方法,可以连续或以某一其他顺序执行上述方法的步骤。本文中所披露的系统和方法可以用于人或其他动物对象上。
这些方面中的每个方面都可以相互交换和组合地使用。本文中还描述了其他的实施例及其修改、改变以及增强。
附图说明
图1是用于以本文中所披露的各个方面来使用的包括信号获取模块、信号处理模块、和输出模块的系统的简化框图;
图2是图1的系统中的信号获取模块的一个实施例的框图;
图3是图1的系统中的信号处理模块的一个实施例的框图;
图4是示出了从20个对象的数据库计算出来的总平均心电信号波形图;
图5示出了参加到数据库中并且对图4中的平均波形做出贡献的10个对象的一组心电信号波形;
图6示出了从图5的信号波形得到的一组电-生物签名波形、或模板;
图7示出了对图4的总平均波形做出贡献的20个对象的保持符号的平方相关值的散布图和分布柱状图;
图8示出了基于识别中断过程中的所需置信度的z-评分的表格;
图9a示出了相关性的分布;
图9b示出了经过Z-变换的相关性的分布;
图10示出了识别性能曲线(静态);
图11示出了识别性能曲线(动态);
图12示出了作为NSR的函数的信号品质;
图13示出了5秒图段内作为信号品质的函数的匹配评分;
图14示出了20秒图段内作为信号品质的函数的匹配评分;
图15示出了作为记录时间的函数的匹配评分(其中,Q=0.8);
图16示出了作为记录时间的函数的匹配评分(其中,Q=0.5);
图17示出了优选系统的功能部件图;以及
图18示出了优选的信号处理器的功能部件图。
具体实施方式
定义:
除非另外指出,否则术语“识别(identify)”、“正在识别(identifying)”、和“识别(identification)”的含意分别包括“验证身份(verifyidentity)”、“正在验证身份(verifying identity)”、和“身份的验证(verification of identity)”的概念。
“封闭式搜索”意味着检查单个存储的签名来验证个体身份的搜索。
“开放式搜索”意味着搜索多个存储签名来验证对象的搜索。
第一方面:
根据第一方面,获取、处理并分析生物-电信号(bio-electricsignal)来验证个体的身份。例如,在图1中示出了根据该第一方面的系统和方法的优选实施例。图1示出了被称作电-生物识别(Elector-B iometric Identification,缩写为E-BioID)系统的系统。在该优选实施例中。所存储的多个个体的一个或多个ECG分量的共有特征的表示是那些个体的一个或多个ECG分量的平均。然而,其他实施例可以采用所存储的不同类型的共有特征(诸如可以通过(例如)主分量分析、模糊聚类分析、或子波分解可获得的、或者由分析模型提供的那些共有特征)的表示。
在优选实施例中,E-BioID系统的基本元件包括单个壳体(housing)中设置的信号获取模块12、信号处理模块14、和输出模块16。在另一优选实施例中,系统可以提供本地获的的电-生物信号的远程分析。基于现有技术中已知的原理和技术、结合本公开,本领域技术人员可以容易地实现图1中所示的每个部件。
图2示出了在E-BioID系统中的信号获取模块12的优选构造。数据获取模块优选地包括一个或多个传感器22、前置放大器24、带通滤波器26、和模数(A/D)转换器28。基于现有技术中已知的原理和技术、结合本公开,本领域技术人员可以容易地实现这些部件。
传感器22可以是能够检测心跳图形的任何类型的传感器。例如,其可以是作为“附件”连接至标准计算机键盘的金属板传感器。根据另一方面,单个传感器可以单独地(例如)通过接触手指来从接触的单个点获取信号;可选地,传感器完全可以不与对象接触。
图3示出了E-BioID系统中的信号处理模块14的优选元件。信号处理模块优选地包括数字信号处理器(DSP)32、双端口Ram(DPR)34、电可擦可编程序只读存储器(E2pROM)36和I/O端口38。基于现有技术中已知的原理和技术、结合本公开,本领域技术人员可以容易地实现这些部件。信号处理模块14通过端口38连接至信号获取模块12和输出模块16。
在一个可选实施例中,可以在作为灵活计算平台的个人计算机上使用适当编程来实现信号处理模块,从而将该系统直接结合到家庭、办公室、或研究所/企业环境中的现有计算设施中。
输出模块16优选地包括诸如LCD或CRT监视器的专用显示单元,并且可以包括用于启动诸如锁定机构的外部电气设备的继电器(relay)。可选地,输出模块可以包括用于将识别结果转播至远程站点来进行进一步的操作的通信线。
信号获取、处理和分析
以简单的形式获取生物电信号、或心跳信号,其中,指示对象接触至少一个传感器22数秒钟。可以是金属板的一个或多个传感器将生物电信号传导至将生物电信号放大到所需电压范围的放大器24。在一个优选实施例中,电压范围是0到5伏。
放大的信号通过滤波器26,以去除优选频率4Hz~40Hz以外的分量。可选地,可以与陷波滤波器(notch filter)相结合来使用0.1Hz~100Hz的更宽的范围来排除电源频率干扰(50/60Hz)。优选地,使用12-位A/D转换器28以优选地约为250Hz的采样频率来执行信号的数字化。
在模块14中,通过“R”峰值幅度对信号进行标准化,以说明与外生电属性最相关的信号幅度变化。标准化后的数据被变换成与预存储的电-生物签名模板相比较的电-生物签名(electro-biometricsignature)。将比较结果量化、任意分配一个置信值,然后将其传输至输出模块16,其中,输出模块16向给E-BioID系统的用户提供识别反馈,并且还可以启动外部设备(诸如锁或警报器、如网络登记确认的虚拟设备、或者通信链路)。
可选地,或者除此之外,可以为脉搏率使信号标准化。由于心电信号会受到作为众所周知的心电调节器(modifier)的脉搏率的影响,所以上述操作是很有用的。脉搏率的改变可以引起“P”和“T”分量相对于心电信号的“QRS”分量(这些分量出现在图5中)的等待时间、幅度和形态的改变。然而,可以通过信号复合波(signalcomplex)的后向、脉搏率-驱动调整来自动补偿脉搏率改变。另外,系统的自适应运行模式可以跟踪和补偿引起改变的脉冲率。这可以通过压缩或扩展心跳波形的一个周期的时标来实现。可以使用描述波形特征(例如,S-T、P-Q段持续时间)与脉搏率之间的关系的更复杂的表述。因而,根据这个变化的方法可以基于心电信号的鉴别,其中,分析与心跳同时执行,从而消除了一般人共有特征,因而,增强了构成原始心电信号中通常不能检测到的电-生物、或生物、签名的特定对象的特征。
在另一个实施例中,将该E-BioID系统作为完整的紧凑装置来实现,其中,许多功能元件都在基于ASIC的系统上实现。
在另一个实施例中,可以将该设备结合到戴在手腕上的表中,其中,在戴表手腕和佩带者的另一只手之间测量信号。手表的背面可以由与手腕的后部相接触的导电介质(例如,金属板)制成,并且手表的正面可以设置有需要与另一只手的手指相接触的另一个金属触点。手表可以传输表示确认佩带者身份、和/或启动诸如门、计算机、保险箱等的物理或逻辑锁定装置的信号。手表还可以传输关于佩带者的个人信息。
操作原理
生物识别需要将新获取的生物签名与已记录的或登记的生物签名模板数据库中的签名模板进行比较。这需要系统进行两个阶段的操作:登记和识别。
登记阶段
在一个优选实施例中,每个新对象都被指示用左手的手指触摸第一传感器,同时用右手的手指触摸另一个传感器。在可选实施例中,对象可以用身体的其他部分(优选地,手或腿)来接触摸通常由金属制成的传感器。在另一个实施例中,对象可以用单个身体点来触摸单个传感器。可选地,对象根本无需接触传感器。系统监视对象的脉搏率并且开始记录,优选地,持续至少20秒。可以根据所需的精度来使用更短的时间间隔。一旦完成记录,系统可以进行自我测试,以通过比较从所登记的段的两个部分中得到的至少两个生物签名来验证签名的一致性。两个部分可以是两个半个、或者两个更大、重叠的段。两个部分可以用于获得两个生物签名。如果自我测试的结果是成功的,则完成对象的登记,而如果不成功则重复上述过程。成功记录用于构造被添加到心电信号数据库中的心电信号或一系列心电信号。
然后,通过去除加入到数据库中的对象中的所有或一个子组所共有的特征将心电信号变换成一组电-生物签名模板,从而增强特定对象的区别特征。
在一个优选实施例中,系统创建通过同步平均来自整个对象池的标准化心电信号而计算得到的总平均心电模板。总平均表示上述的共有特征,因此,从每一个心电信号中减去总平均就产生一组不同的、特定对象的电-生物模板签名。在一个可选实施例中,可以使用消除共有特征的其他装置,诸如主分量分析、模糊聚类分析或子波分解。
可选地,或除此之外,可以代替使用根据已登记的数据计算得到的经验模型,通过使用用于一个或多个ECG分量的共有特征的分析模型来去除共有特征。
在另一个优选实施例中,以增强子集内部相似性和子集间的差异性的方式来将数据库分成若干个子集。然后,本实施例计算用于一个或多个子集的不同的总平均或其他共有特征确定。该数据库划分本身可以使用标准模式分类方案(诸如线性分类器、贝氏分类器、模糊分类器、或神经网络)来执行。在大数据库的情况下,将数据库分成多个子集以简化和缩短搜索过程,并且确保作为心电信号中的相似性的适当表示的总平均的有效性是很有用的。该对象签名于是可以通过去除在适当子组中发现的共有特征来创建。
图4示出了由加入到数据库中的20个对象组成的池构成的总平均的实例。
图5示出了心电信号的10个实例,以及图6示出了通过消除包括在数据库中的所有对象的共有特征,从以上心电信号中得到的电-生物模板签名。具体地,图6的每个签名是通过从图5的相应信号中减去图4的波形而得到的。将会看到,尽管原始心电信号非常相似,而得到的电-生物签名明显不同。已发现这些不同反映了成为E-BioID系统的识别能力的基础的固有唯一的心电差异。
识别阶段
在识别阶段,对象与系统以类似于登记阶段的方式进行交互,然而,大约几秒钟量级的更短的记录时间就足够了。
在一个优选实施例中,系统执行验证过程(封闭式搜索):系统处理所获得的信号;通过去除在整个数据库中发现的、在数据库的所划分的子组中发现的、或者由分析ECG模型提供的共有特征来形成电-生物对象签名;根据脉搏率来调整签名;并且对经过调整的电-生物签名与对象的已登记的电-生物签名模板进行比较。
在另一个优选实施例中,系统执行识别过程(开放式搜索):系统对整个数据库或数据库的所划分的子组进行重复比较,从而提供匹配身份的识别。
比较处理
在一个优选实施例中,通过如下计算电-生物签名σj和电-生物签名模板Φi之间的相关系数ρ来执行比较:
相关系数被进行平方,从而维持其原始符号:η=sign(ρ)*|ρ|2。在一个可选实施例中,比较可以基于其他相似性测量(诸如电-生物签名之间的RMS误差)。
比较可以根据操作模式(封闭式搜索,或开放式搜索)产生一个或多个相关系数。在封闭式搜索模式中,保持符号不变的平方相关系数(sign-maitained squared correlation coefficient)(η)可以用于做出识别决定:大于预置的阈值的值被认为是正识别、或匹配;边界线、接近阈值的值可以表示需要扩展或重复记录。在开放式搜索模式中,假设最高系数在所选阈值之上,则在所有保持符号不变的平方相关系数中的最大的保持符号不变的平方相关系数产生最可能的对象识别。
预置的阈值来自于所需置信度;较高的所需置信度需要较高的阈值。在一个实施例中,大于0.8的保持符号不变的平方相关值是匹配的特征,而小于0.7的值是不匹配的特征。因而,大于0.8的保持符号不变的平方相关值可以被认为是真匹配,而小于0.7的值被认为是不匹配。
图7上部的图示出了保持符号不变的平方相关值的散布图,用虚线标出0.8的阈值。在匹配(圆圈)和不匹配(星)之间的清晰间隔是很明显的。在其它两个图中的柱状图提供了E-BioID系统的强大识别能力的不同视图,其中,可以看到不匹配集中在零值附近(不相关)周围,而匹配密集分布在1.0附近(绝对相关)。
在一个可选实施例中,可以使用更复杂的识别决定机制,诸如多参数机制(例如,模糊逻辑机制),其使用一个以上的距离量度;例如,可以根据分段数据分析获得多个相关值。
在一个优选实施例中,当在信号中遇到改变时,系统通过向对象的数据库文件添加心电信号来随着时间提高性能。在随后的识别过程中,系统处理新获得的信号、计算脉搏率、形成电-生物对象签名、选择具有最类似脉搏率的所登记的电-生物签名模板、并且将新的电-生物签名与所选的已登记的电-生物签名模板进行比较。
在另一个优选实施例中,系统使用在长期系统运行过程中获得的信号来跟踪登记对象的心电信号中的可能变化,并且如果出现了一致的改变,则自动调整所登记的信号来反映这些改变。该跟踪过程补偿了电子-心脏信号在长时期中的逐渐改变,但是并不补偿如与临床心脏条件相关的所期望的那些快速、急剧的改变。在另一个实施例中,这种急剧改变可以被报告给表明需要医疗咨询的对象。
第二方面:
生物识别方法得益于识别阈值的适当确定。可以根据候选签名和已登记的数据库签名之间的相关性的分析来得到识别阈值。可以使用经验数据的分布来确定阈值以实现最优的识别性能。然而,固定阈值含蓄地采取确定性签名和稳定的噪声,尽管实际上签名是可变的并且噪声取决于几乎不可预测的外部影响。因此,包括根据第一方面的的那些生物识别方法的生物识别方法可能受到数据库中的信号和噪声变化以及测试示数的不利影响。通常,这可以对匹配和不匹配产生减小的相关性。
因而,根据第二方面,包括根据第一方面的生物识别的生物识别方法和系统可以使用能够补偿信号变化和噪声干扰的影响的动态阈值。该方面产生动态的、取决于数据的识别阈值。在优选实施例中,使用统计方法在每个识别尝试中重新计算动态阈值,以标准化相关数据,从而能够计算出可量化、统计上有效的识别阈值。所示阈值对可变信号和噪声条件是有抵抗力的。
根据该第二方面的优选方法是基于用于测试签名和一组已登记签名之间的基于相关性的评分的置信界限的确定。具有给定的统计置信度的置信界限描述所讨论的值的上限和下限。两端限定的界限描述上和下界限,而一端限定的界限仅描述上或下界限,可以理解变量值或者没有下限或者没有上限。如果考虑中的变量满足适合于每个统计方法的确定统计标准,那么就可以以若干不同方式来统计地确定置信界限。
大多数的统计方法依赖正态分布变量的值,即,根据钟形高斯分布。已充分统计地描述了正态分布的变量的特征,并且其统计界限可以基于变量平均和变化以直接的方式来确定。
当变量没有按照正态分布时,可以使用正态变换将原始变量好变换为将服从正态分布的新变量,并且因而可以用于确定置信界限。可以使用统计考虑、或通过足够大的数据集的经验检查来确定适当的数学变换。为了根据原始变量来表示置信界限,还需要反向变换。
信号交叉相关性的分析可以用于匹配过程。值的范围从-1(绝对负相关)经过0(不相关)到+1(绝对正相关)。通常,显著的正相关表示可能的真识别,并且因而,应使用一端限定的上置信界限来描述动态识别阈值。
通过限定,相关性是有界的变量,因而,不服从正态分布。需要算术变换来标准化允许确定上置信界限的相关性分布。可选地,可以使用不依赖这种变换的经验方法。
以下将更加全面描述的优选方法尤其适合于校正分析。其基于将相关性变换为正态分布变量的费希尔(Fisher)Z变换。
另一种方法可以使用平方相关性。由于原始相关性不是加性的,因此相关性的平均或其他统计函数不具有统计意义。平方相关性是加性的,但是它们还不是正态分布的,从而将需要其他的变换。如果相关性的先前处理改变了它们值的分布,则可能需要其他的变换来解决这些改变。这些其他的变换包括但不限于对数、平方、平方根、和超越函数。
另外一种方法可以包括先前经验测试的等级,优选地,其中,使大量候选签名与大型数据库相关。错误识别的可能性将直接通过检查该数据库来确定,或可以依经验确定适当的变换。然而,由于该方法不是动态的并且必须在实际测试之前执行,所以不能够轻易补偿测试条件的影响,从而需要改进用于噪声影响的数学模型。
根据该第二方面的优选方法(费希尔变换方法)包括在候选签名和已登记的签名之间的相关性的变换,以获得更加接近正态分布的评分的分布。如上所述,满足正态性假定的数据可以用于得到参数置信界限。
费希尔Z变换用于正态相关性。可以如下来表示该变换:
Zf=arctanh(r)
其中,Zf是经过变换的值,arctanh是反双曲正切函数,以及r是相关值。arctanh应以弧度来表示。
一旦变换了所有的相关值,用于经过变换的评分的一端限定的置信界限可以通过计算除了候选相关性以外的所有经过变换的相关性的平均和所有经过变换的相关性的标准差,然后如下进行计算来确定:
置信界限=tanh(Zfmean+z*sdZf)
其中,z是正态分布“z评分”,Zf mean是使用数据库变换的相关性的平均,以及sdZf是使用数据库变换的相关性的标准差。
小写的z此处指的是正态分布z-评分的值,其是根据截止期间所需的置信度得到的。在图8中给出了这些评分的表格。
在图8的表格中,以适当z-评分乘以标准差并加到平均上,然后通过取双曲正切将全部数量反变换回相关性。
例如,可以使用1.65的z评分来确定95%的置信界限。所以如果经过变换的值的平均数是0.05,且标准差是0.25,则95%的置信界限将是0.72。即,超过0.72的相关值只会偶尔出现少于5%的时间。
使用相反的过程来确定任意指定候选识别是由于随机偶然性的可能性。通过求出z-评分:
z=(Zfc-Zf mean)/sdZf
其中,z是正态分布“z评分”,Zfc是经过变换的候选相关性,Zf mean是使用数据库变换的相关性的平均数,以及sdZf是使用数据库变换的相关性的标准差。
可以通过参考累积正态分布、并且如果需要进行内插来将所得到的z评分转换成一端的概率值。例如,参考以上的缩略表格,1.80的z评分将表明3.75%的可能性,其中所述可能性只偶尔与候选如此高度相关。
如上所述,如果在已登记的签名中或在候选签名中的噪声是随机的,则将会降低与候选值的全部相关性。如果存在真识别,则真识别将因此具有与候选值更低的相关性。应注意,原始相关性的可变性随着原始值的减少而增加。由于高原始相关性由于最大相关性1的上限效应而很少可变,但这通过变换进行补偿。因而,在每个识别尝试中,可以使用上述方法来再计算具有所需确定性的动态阈值。重要的是,全部随机噪声仍然易于将所有的相关性驱向于零并且减小全部真可变性,从而相应降低置信界限;只要信噪比不落在确定的界限下,真匹配将仍保持显著。
第二方面的以下实例是基于38-对象数据库的。所有对象都是自愿加入到到研究中的健康个体。
实例1:相关性的正态化
一组703个交叉相关性是通过使在数据库中的所有对都相关而获得的。在图9中示出了原始和经过z变换的相关性分布。虽然原始相关性不服从正态分布(上图),但是经过变换的相关性看起来似乎表示为近似正态分布(下图)。
实例2:性能
使用38个已登记的签名和38个测试签名来实现生物识别方法。图10表示作为静态阈值的函数的FAR和FRR性能曲线,以及图11表示作为动态阈值的函数的性能曲线。明显地,动态阈值提供明显优良的结果(例如,EERstatic=3%,EERDynamic=0%)。
第三方面:
如上所述,动态识别阈值是数据驱动阈值(data-driventhreshold),优选地,在每个识别期间进行重新计算来建立置信界限,并且证明识别过程的统计意义。全部评分仍然随着由于背景噪声而带来的信号品质的下降而降低,从而降低了动态阈值并减小了识别置信度。这个问题需要在登记和识别阶段都要评估信号品质,以有助于高性能识别。
第三方面通过计算Q值-一种信号品质指数来解决这个问题。信号指数Q的品质是ECG签名的品质的定量描述。它是基于由参考两个或更多的ECG复合波的信号平均ECG得出的它们之间的随机误差的分析的。
Q值可以用于在登记和识别阶段期间确认信号品质,以确保适当的系统性能。在Q因子低于预定的阈值所需(其本身基于所需的识别置信度)的情况下,可以扩大或重复测量,直到满足置信要求。
一个优选的方法以以下一系列步骤来得到Q:
(1)将输入的ECG信号分割成包括传统波形特征(例如,P、Q-R-S、T元素)的多个ECG复合波。
(2)相对于R波峰来校准(“时间锁定”)该多个ECG复合波。
(3)从校准的多个ECG复合波中得到平均ECG。虽然可以使用诸如调和平均、加权平均、或中值的其他方法,但优选方法是采取算术平均。其他可选的方案包括通过其他方法(诸如通过主分量分析)变换原始信号。
(4)相对于平均ECG对每个原始ECG复合波进行处理,以相对于平均ECG得到某一差。虽然可以采用其他方法(例如,用平均ECG除原始ECG),但优选方法是执行减法,即,从原始ECG减去平均ECG。如果平均ECG是对象的ECG的稳定并且真实的表示,则得到的差是每个个体ECG复合波(ECG噪声)中所固有的噪声表示。
(5)穿过每个ECG噪声复合波的在时间上一致的每个采样点被一起处理,以得到可变性的测量。最优选的方法是确定不一致性。可以采用的其他测量包括标准差或范围。
(6)取这些可变性的测量的平均。最优选的方法是取算术平均。其他方法可以包括在变换(例如,对数)之后取平均数,或者取可选平均(几何、调和、中值)。还可以使用其他简要评分,诸如最大值。
应注意,可以在分析之前使信号标准化,由于平均数本身与SNR直接相关,因此其可以用作Q指数。可选地,各种其他定比变换可以应用于平均来将其转换成具有所需的最小、最大、和线性特征的指数。
根据第三方面的实例1:Q(信号品质)vs NSR(信噪比)。
如果X表示ECG数据矩阵,则表示一个ECG复合波的每一行都可以表示为Xi(n),其中,i是ECG复合波的指数,以及n表示离散时间单位。所有ECG复合波的平均数表示为x(n)。对于在时间n中的每个点,计算误差项:ei(n)=xi(n)-x(n),其变量表示为σe 2(n)。将可变性的平均数变换成0到1的范围的优选的定比变换定义如下:
Q=(1+100*σ e 2(n))-0.5
图12中所示的仿真表明了使用上述Q因子来评价信噪等级的效用。该仿真使用具有加到信号上的递增的高斯白噪声水平的真实的ECG记录。图12示出了作为信噪比(NSR)的函数的Q值。可以看到,一旦Q从其稳定状态开始下降,其随着NSR的增加而单调下降,直到ECG校准程序中止(NSR~-35dB,Q~0.2)。
根据第三方面的实例2:作为信号品质的函数的评分
理论上,接近于1的匹配评分表示正匹配,而非匹配评分趋于零,表示完全没有相关性。然而,实际上,真实匹配评分受到在ECG签名中的临时变化,更显著地,受到背景噪声的影响。因而,短时间、高评分的识别需要更高的信号品质。应注意,高品质信号增加匹配评分的上限,但是并不影响取决于心电签名可变性的下限。图13和图14所示的实例表明了以38个对象的数据库为基础的作为信号品质的函数的评分分布。图13示出了每个都为5秒的多个短数据段。相反,图14示出了每个都为20秒的较长数据段(图14)。显然,使用较长数据段在一定程度上补偿了噪声的影响,并且评分分布变平。
根据第三方面的实例3:信号品质和记录持续时间
信号品质可以使用Q参数来量化。Q值越小,并假设Q不会落在ECG校准处理中止的确定的界限以下,就需要越长的记录来维持一定程度的统计意义。图15和图16示出了作为对于给定Q值的记录长度的函数的识别评分的增加。
因而,根据该第三方面,本文中所披露的方法和系统可以使用Q因子或其他测量来计算信号品质,并且使系统寻找具有降低了的噪声的样本或基于Q因子或其他信号品质测量和所需的识别置信度来取更长的样本。
第四方面:
根据第四方面,本文中所披露的方法和系统可以加密所存储的签名。尽管本文中的各种方法和系统通常对所存储的签名而不是对原始ECG数据起作用,因此该安全特征经过设计用于防止滥用数据库中的数据。因而,可以通过加密签名本身来使用附加的安全层。所以,可以使用包括信用卡数据使用的PKI(公钥基础设施)技术的各种密钥编码技术。因为未经授权的人必须解密签名并且还需要将签名转换回原始数据信号,这对不知道从原始数据中去除了哪些共有特征来说是一项不可能的任务,所以该第四方面使得已登记的对象数据的不正当使用更加困难。因而,本文中所披露的系统和方法的一个优点在于使得任何人都很难滥用所存储的信息。
第五方面:
生物识别系统通常易受到登记欺骗的攻击。根据该第五方面的系统和方法通过使用来自已经登记到数据库中的遗传相关个体的ECG数据来解决这个问题。直系家庭成员通常具有共享共有特征的ECG。通过使对象的签名与普通人和/或据称与他或她有关的那些登记者相关,该系统可以确信地确定对象是否就是他们所声称的人。除了通过传统方法(诸如照片识别和/或指纹匹配)确认个体身份之外,还可以使用该技术。然而,与非欧几里德并且不服从基于相似性的聚类的那些方法不同,该技术可以基于登记者的ECG签名,通过确定遗传关系的概率来在登记过程的任意阶段确定欺骗。
第六方面:
本文中所披露的系统和方法还可以利用超高阻抗探针来测量ECG。由于对于基于ECG的生物识别系统来说重要的是使用的可靠性和简易性,因此在单个点处测量ECG、或者甚至无需接触对象是有利的。电位探针可以与包括本文中所披露的那些系统和方法的生物方法和系统一起工作,从而增加生物识别使用的可靠性和简易性。以多种形式实现超高阻抗探针。例如,见Electric potentialprobes-new directions in the remote sensing of the human body,Harland et al.,Meas.Sci.Technol.13(2002)163-169。根据本方面的超高输入阻抗探针优选地具有超低噪声特征,并且不需要用于操作的导电路径。因而,即使没有专家系统操作员的帮助而被外行使用,它们也可以以上述方法和系统良好地工作。因而,这些探针可以用于基于机场的生物识别系统中,诸如,通过获取当个体穿着衣服通过扫描仪(类似于金属检测器)时的ECG信号。同样,单个探针可以用于诸如在ATM或游戏机处收集来自个体手指尖的ECG。单个探针触头的使用给了对象更大的移动自由,并且使他或她更易于遵守识别和登记制度。这在将本文中所述的生物识别系统用于控制机器的对象操作时,特别是当机器需要物理接触来操作(例如,火器或车辆)时是尤其有用的。根据该方面的单个探针和远程探针ECG获取系统还可以通过噪声降低策略来降低身体噪声和EMG实现。
第七方面:
根据第七方面,生物识别方法和系统可以使用于对象的匹配评分(通过比较对象的签名与数据库登记者的那些签名而生成)与多个登记者的匹配评分(通过比较登记者的签名与数据库登记者的那些签名而生成)相关。因而,并不分析对象的相关匹配评分的分布,该识别技术分析对象的匹配评分和登记者的那些匹配评分的相关性的分布。与第五方面相同,根据该方面的方法和系统用于识别相关的个体。这是因为与一组登记者相关的个体将具有高斯分布的匹配评分,其具有基本上比用于与登记者无关的个体的匹配评分的高斯分布更高的中值。因而,通过检查匹配评分的分布,可以确认对象与登记者的遗传关系的概率。
第八方面:
最后,替代上述相关性技术,或者除了上述相关性技术以外,本文中所描述的方法和系统可以使用加权相关性来进行识别。根据该方面,相关性可以对各种签名差异赋予不同的权值。例如,赋给由于QRS复合波特征导致的签名差异的权值可以大于赋给由于T获P复合波特征导致的签名差异的权值。因为T是高度可变的,QRS是稳定的,以及P是某一中间值,所以这些系统和方法还可以使用签名值的均方根作为加权函数的一部分。因而,可以使用均方根计算方法、L1量度或另一种标准化方法来标准化签名。
可以以所有方面的方式使用的优选实施例:
图17示出了优选系统的功能图。同样,图18示出了优选信号处理器的功能图。在本文中通常使用的术语“处理器”以及处理,可以由物理离散部件来完成,诸如IC芯片上的协处理器,或者处理器可以包括物理积分单元。
可以以所有方面的方式使用的一般实例:登记算法
以下是可以以以上任意方面的方式使用的用于登记阶段的示例性算法:
i.令xi(n)表示第i个新对象的20秒、250Hz的数字化样本,其中,n表示离散的时间单位。
ii.在频率范围为4Hz-40Hz内带通过滤xi(n)。
iii.经过滤波的信号表示成yi(n)。
iv.将“R”峰值指定为定位点,搜索被过滤的信号yi(n)以寻找QRS复合体。。
v.被过滤的信号yi(n)被保持或反相,以获得正“R”峰值。
vi.对经过识别的QRS复合波进行计数以确定平均脉搏率读数PRi。
vii.在定位点附近分割滤波信号yi(n),在每个“R”定位点之前取50个样本以及在每个“R”定位点之后取90个样本。
viii.通过“R”定位点的幅度来标准化每个数据段。
ix.将多个段排列(align)在定位点周围并且求平均,以生成对象的心电信号,表示为si(n)。
x.通过根据脉搏率标准化“P”和“T”等待时间,来根据平均脉搏率PRi调整对象心电信号si(n)。经过调整的心电信号表示为vi(n)。
xi.经过脉搏率调整的对象的心电信号vi(n)被添加至数据库并且导入到总平均T(n)中。
xii.通过从存储在系统数据库中的经过脉搏率调整的对象的心电信号中减去总平均T(n)来构造一组电-生物签名Φi。
实例:识别算法
以下是关于识别阶段的算法的实例;
i.使xj(n)表示测试对象的10秒、250Hz的数字化样本。
ii.在4Hz-40Hz的频率范围中带通过滤xj(n)。
iii.经过滤波的信号表示成yj(n)。
iv.使用R峰值作为定位点,搜索被过滤的信号yj(n)以寻找QRS复合体的位置。。
v.被过滤的信号yi(n)被保持或反相,以获得正‘R’峰值。
vi.对经过识别的QRS复合波进行计数来确定平均脉搏率读数PRj。
vii.在定位点附近分割滤波信号yj(n),在每个定位点之前取50个样本以及在每个定位点之后取90个样本。
viii.将多个段排列在定位点附近并且求其平均,以生成对象的心电信号,表示为sj(n)。
ix.根据平均脉搏率PRj来标准化对象心电信号sj(n)。经过脉搏率调整的心电信号表示为vj(n)。
x.通过从存储在系统数据库中的经过脉搏率调整的心电信号vj(n)中减去总平均T(n)来构造电-生物签名σj。
xi.计算并平方在电-生物签名σj与所有登记的电-生物签名Φi之间的相关性,从而维持它们的原始算术签名。
xii.选择最大的保持符号不变的平方相关值并将其与预置的阈值进行比较。
xiii.如果所选最大保持符号不变的平方相关值大于预置的阈值,则表示是正匹配,从而识别出对象。
因而,用于电-生物身份识别的心电信号的获取、处理、和分析的方法和设备可以包括以下登记和识别步骤中的任意子集:
登记
来自对象的心电信号的获取、数字化、和存储:
a.形成心电信号数据库;
b.基于心电信号的相似性将模板数据库分成若干子集;
c.构造一个或多个总平均;
d.得到特定对象的电-生物签名。
识别
验证
将新获取的电-生物签名与特定对象的已登记的电-生物签名模板进行比较:
e.利用与相关的所存储的电-生物签名模板校正并置信分析新获取的对象的电-生物签名;
f.显示并注册(registration)识别结果和/或启动物理或虚拟本地/远程机构。
识别
将新获取的电-生物签名与加入到数据库中的所有电-生物签名模板进行比较:
g.利用所有已存储的电-生物签名模板校正并置信分析新获取的对象的电-生物签名;
h.显示并注册识别结果和/或启动物理或虚拟本地/远程机构。
在不需要过度试验以及不背离总的发明构思的条件下,其他人可以很容易地更改和/或修改本文中的实施例以用于各种应用。这样的修改和更改应该并且旨在包括在所披露的实施例的等同物的含义和范围内。应该理解,本文中所应用的措词和术语用于描述的目的,而不是用于限制的目的。对于执行各种所披露的功能的装置、材料、和步骤可以采用多种替代形式,并且仍然包括在字面或权利要求的等效范围内。
因而,后面跟有功能描述的表述“做......的装置”和“用于......的装置”、或任意方法步骤语言(在以上说明书和/或在以下权利要求中可以找到)旨在限定和覆盖现在或将来存在的执行所述功能的任何结构、物理、化学或电气元件或结构、或者任何方法步骤,而不管是否精确等效于在以上说明书中披露的一个或多个实施例,即,可以使用用于执行相同功能的其他装置或步骤;并且这些表达旨在给出其最宽泛的解释。
Claims (96)
1.一种用于识别个体的方法,包括:
通过在特定个体的心跳图形的表示和所存储的多个个体的心跳图形的共有特征的表示之间形成差异,来生成并存储用于识别所述特定个体的第一生物签名,
在所述生成步骤之后,获得所选个体的所述心跳图形的表示,并且通过在所选个体的所述心跳图形与所存储的多个个体的心跳图形的共有特征的表示之间形成差异,来生成第二生物签名;以及
将所述第二生物签名与所述第一生物签名进行比较,以确定所选个体是否是所述特定个体。
2.根据权利要求1所述的方法,其中:
所述生成并存储的步骤包括:通过形成每个单独个体的心跳图形的表示和所存储的心跳图形的共有特征的表示之间的差异,来生成并存储多个第一生物签名,每个所述第一生物签名均用于识别相应的个体;以及
相对于每个所述第一生物签名执行所述比较步骤。
3.根据权利要求2所述的方法,包括以下预备步骤:获得多个个体的心跳图形的表示,以及从至少所选数量的表示中得到并存储多个个体的心跳图形的共有特征的表示。
4.根据权利要求3所述的方法,其中,所述得到并存储多个个体的心跳图形的共有特征的表示的步骤包括:从由多个个体组成的各个不同的组中得到到并存储所述心跳图形的共有特征的多个表示。
5.根据权利要求3所述的方法,其中,所述得到并存储多个个体的心跳图形的共有特征的表示的步骤包括:生成所述多个个体的心跳图形的平均。
6.根据权利要求3所述的方法,其中,所述得到并存储多个个体的心跳图形的共有特征的表示的步骤包括:执行主分量分析或子波分解中的一个。
7.根据权利要求2所述的方法,其中,所述比较步骤包括:使所述第二生物签名与所述多个第一生物签名中的每一个均相关;以及识别所述多个第一生物签名中与所述第二生物签名最密切相关的一个第一生物签名。
8.根据权利要求7所述的方法,其中,所述相关步骤包括:获得与每一个所述第一生物签名都相关的相关系数,并且所述比较步骤进一步包括:将与所识别的第一生物签名相关的所述相关系数与相关系数阈值进行比较。
9.根据权利要求1所述的方法,其中,所述比较步骤包括:使所述第二生物签名与所述第一生物签名相关以获得相关系数;以及将与所识别的第一生物签名相关的所述相关系数与相关系数阈值进行比较。
10.根据权利要求1所述的方法,其中,所述生成并存储第一生物签名的步骤包括:在本地数据库中存储所述签名。
11.根据权利要求1所述的方法,其中,所述生成并存储第一生物签名的步骤包括:在远程数据库中存储所述签名。
12.根据权利要求1所述的方法,其中,所述获得所选个体的所述心跳图形的表示的步骤包括:补偿所选个体的脉搏率与所选脉搏率的偏差。
13.根据权利要求1所述的方法,其中,所述获得所选个体的所述心跳图形的表示的步骤包括:获得心跳图形的多个表示。
14.根据权利要求1所述的方法,其中,所述生成并存储特定个体的第一生物签名的步骤包括:在一段时间内获得所述特定个体的心跳图形的多个表示;并分别从特定个体的心跳图形的多个表示中的相应一个生成连续的第一生物签名。
15.一种用于识别个体的设备,包括:
生成和存储装置,用于通过形成特定个体的心跳图形的表示与所存储的多个个体的心跳图形的共有特征的表示之间的差异,来生成并存储识别所述特定个体的第一生物签名;
获得装置,用于在已经生成并存储所述第一生物签名之后,获得所选个体的所述心跳图形的表示,并且通过形成所选个体的所述心跳图形与所存储的多个个体的心跳图形的共有特征的平均的表示之间的差异,来生成第二生物签名;以及比较装置,用于将所述第二生物签名与所述第一生物签名进行比较,以确定所选个体是否是所述特定个体。
16.根据权利要求15所述的设备,其中:
所述生成和存储装置包括:用于通过形成每个相应的个体的心跳图形的表示与所存储的心跳图形的共有特征的表示之间的差异来生成并存储多个第一生物签名的装置,每个所述第一生物签名都用于识别所述相应的个体;以及
相对于所述多个第一生物签名中的每个都执行所述比较装置。
17.根据权利要求16所述的设备,其中,所述生成并存储装置包括用于获得多个个体的所述心跳图形的表示的表示获得装置,和用于从至少所选数量的所述表示中得到所存储的共有特征的表示的表示得到装置。
18.根据权利要求17所述的设备,其中,所述表示得到装置包括用于得到所存储的共有特征的多个表示的装置,其中,所存储的多个表示中的每一个都来自各个不同的组。
19.根据权利要求16所述的设备,其中,所述比较装置包括:用于使所述第二生物签名与所述第一生物签名中的每个都相关、并且识别所述第一生物签名中与所述第二生物签名最密切相关的一个第一生物签名的相关装置。
20.根据权利要求19所述的设备,其中,所述相关装置包括用于获得与每个第一生物签名均相关的相关系数的装置,以及所述比较装置还包括用于将与所识别的第一生物签名相关的所述相关系数与相关系数阈值进行比较的装置。
21.根据权利要求15所述的设备,其中,用于比较的所述装置包括用于使所述第二生物签名与所述第一生物签名相关以获取相关系数的装置,和用于将与所识别的第一生物签名相关的所述相关系数与相关系数阈值进行比较的装置。
22.根据权利要求15所述的设备,其中,所述设备是以下其中之一:智能卡;护照、驾驶执照设备;生物-登录识别设备;掌上电脑;蜂窝嵌入式识别设备;防盗设备;ECG监控设备;电子银行设备;电子交易设备;宠物识别设备;物理存取设备;逻辑存取设备;结合ECG和指纹监控的设备;以及结合ECG签名比较和任何其他形式的生物分析的设备。
23.根据权利要求15所述的设备,其中,所述设备是用于远程登录到安全资源的生物-登录识别设备。
24.根据权利要求15所述的设备,其中,所述设备连续运行。
25.根据权利要求15所述的设备,其中,所述获得装置被构造成可以以所选个体的手或脚来接触。
26.根据权利要求15所述的设备,其中,所述设备设置在智能卡中,所述智能卡在成功识别之后启动有限时间,然后失效,直到执行下一次成功识别。
27.根据权利要求15所述的设备,其中,所述设备被构造成以加密密钥或数字签名来操作。
28.根据权利要求15所述的设备,其被结合到戴在手腕上的手表中,其中,在戴着所述手表的所述手腕与所述佩带者的另一只手之间测量信号。
29.一种生物识别系统,包括:
a)ECG信号获取模块;
b)ECG信号处理器,其中,所述信号器包括ECG签名模板生成器;以及
c)输出模块。
30.根据权利要求29所述的生物识别系统,其中,所述ECG签名模板生成器具有分析ECG模型输入,所述ECG签名模板生成器使用其来从由所述ECG信号获取模块提供的ECG信号的一个或多个ECG分量中去除共有特征。
31.根据权利要求29所述的生物识别系统,进一步包括被分成多个子集的已登记签名数据库,其中,所述ECG签名模板生成器使用至少一个所述数据库子集来从由所述ECG信号获取模块提供的ECG信号的一个或多个ECG分量中去除共有特征。
32.一种生物识别系统,包括:
a)ECG信号获取模块;
b)已登记签名数据库;
c)信号处理器,其进一步包括ECG签名生成器、和将ECG签名与至少一个已登记的ECG签名进行比较的签名比较器;以及
d)输出模块。
33.根据权利要求32所述的生物识别系统,其中,所述比较器是封闭式搜索比较器。
34.根据权利要求32所述的生物识别系统,其中,所述签名比较器是签名相关性分析器。
35.一种生物识别系统,包括:
a)信号获取模块;
b)已登记签名数据库;
c)信号处理器,其包括ECG签名生成器、将由所述ECG签名生成器生成的一个或多个ECG签名与来自所述已登记签名数据库的多个已登记的ECG签名进行比较的签名比较器、基于所述签名比较器的输出来输出一系列匹配评分的匹配评分生成器、以及使用于所述一个或多个ECG签名的所述匹配评分与用于至少一个已登记的签名的匹配评分相关的匹配评分相关器;以及
d)输出模块。
36.一种生物识别系统,包括:
a)信号获取模块;
b)信号处理器,其进一步包括ECG签名生成器、和将至少一个ECG签名与至少一个已登记的ECG签名进行比较的签名比较器,所述签名比较器包括模糊逻辑分析器;以及
c)输出模块。
37.一种生物识别系统,包括:
a)信号获取模块;
b)信号处理器,其进一步包括
i)ECG签名生成器,
ii)签名比较器,
iii)和动态阈值生成器;以及
c)输出模块。
38.根据权利要求37所述的生物识别系统,其中,所述签名比较器是签名相关器。
39.一种生物识别系统,包括:
a)信号获取模块;
b)信号处理器,其进一步包括
i)ECG签名生成器,
ii)签名相关器,和
iii)动态阈值生成器,其中,所述生成器包括相关性变换器;以及
c)输出模块。
40.根据权利要求39所述的生物识别系统,其中,所述相关性变换器是Z-评分生成器。
41.根据权利要求39所述的生物识别系统,其中,所述相关性变换器是平方相关性变换器。
42.一种生物识别系统,包括:
a)信号获取模块;
b)信号处理器,其进一步包括
i)ECG签名生成器,
ii)签名相关器,和
iii)信号品质计算器;以及
c)输出模块。
43.根据权利要求42所述的生物识别系统,其中,所述信号品质计算器包括Q值生成器。
44.根据权利要求43所述的生物识别系统,其中,所述信号品质计算器连接至所述信号获取模块,从而低品质信号计算使所述获取模块能够使用更长的获取周期。
45.根据权利要求43所述的生物识别系统,其中,所述信号品质计算器以低品质信号计算使所述输出模块表明需要具有减小噪声的新信号获取的方式连接至所述输出模块。
46.一种生物识别系统,包括:
a)ECG信号获取模块;
b)已登记签名数据库;
c)信号处理器,其包括ECG签名生成器、以及将由所述ECG签名生成器生成的一个或多个ECG签名与来自所述已登记签名数据库的多个已登记的ECG签名进行比较的签名比较器;
d)签名加密模块;以及
e)输出模块。
47.根据权利要求46所述的生物识别系统,其中,所述签名加密模块包括使用公钥基础设施技术的密码器。
48.一种生物识别系统,包括:
a)信号获取模块,其中,所述模块包括超高输入阻抗探针;
b)ECG信号处理器,其进一步包括ECG签名生成器、和签名比较器;以及
c)输出模块。
49.根据权利要求48所述的生物识别系统,其中,所述超高输入阻抗探针具有超低噪声特性。
50.一种生物识别系统,包括:
a)信号获取模块;
b)信号处理器,其进一步包括ECG签名生成器、ECG签名相关器、和签名相关性加权机构;以及
c)输出模块。
51.一种锁,包括:
a)信号获取模块;
b)ECG信号处理器,其进一步包括ECG签名生成器和ECG签名比较器;以及
c)锁定机构。
52.一种房间进入控制装置,包括:
a)信号获取模块;
b)ECG信号处理器,其进一步包括ECG签名生成器和ECG签名比较器;以及
c)房间进入控制器。
53.一种生物识别系统,包括:
a)ECG信号获取模块;
b)信号处理器,其进一步包括脉搏率标准化模块;以及
c)识别输出模块。
54.根据权利要求53所述的生物识别系统,其中,所述ECG信号处理器是数字信号处理器。
55.根据权利要求53所述的生物识别系统,其中,至少一个所述ECG信号处理器是另一个设备所必需的。
56.根据权利要求53所述的生物识别系统,其中,所述信号获取模块、所述信号处理器和所述信号输出模块均是整个装置的一部分。
57.一种用于识别个体的方法,包括:
通过形成特定个体的心跳图形的表示与所存储的多个心跳图形的共有特征的分析表示之间的差异,来生成并存储识别所述特定个体的第一生物签名;
在所述生成步骤之后,获得所选个体的心跳图形的表示,并且通过形成所选个体的心跳图形与多个心跳图形的共有特征的分析表示之间的差异来生成第二生物签名;以及
将所述第二生物签名与所述第一生物签名进行比较,以确定所选个体是否是所述特定个体。
58.一种生物识别方法,包括以下步骤:
a)获取第一ECG信号;
b)处理所述第一ECG信号来生成ECG签名模板;
c)获取第二ECG信号;
d)处理所述第二ECG信号来生成ECG签名;
e)将所述ECG签名与所述ECG签名模板进行比较;以及
f)输出所述比较的结果。
59.根据权利要求58所述的方法,其中,所述生成ECG签名模板的步骤通过减去由分析ECG模型提供的一个或多个ECG分量的共有特征,从所述ECG信号中去除一个或多个ECG分量的共有特征。
60.根据权利要求58所述的方法,进一步包括以下步骤:
g)生成这种ECG签名模板数据库;
h)将所述ECG签名模板分成多个子集;以及
i)使用至少一个数据库子集,从ECG信号中去除一个或多个ECG分量的共有特征。
61.一种生物识别方法,包括以下步骤:
a)获取第一ECG信号;
b)处理所述第一ECG信号来生成ECG签名模板;
c)将所述ECG签名模板存储到已登记签名数据库中;
d)重复步骤a)到c);
e)获取第二ECG信号;
f)处理所述第二ECG信号来生成ECG签名;
g)将所述第二ECG签名与至少一个已登记的ECG签名进行比较;以及
h)输出所述比较的结果。
62.根据权利要求61所述的方法,其中,所述比较步骤仅比较所述ECG签名与单个已登记的ECG签名。
63.根据权利要求61所述的方法,其中,所述比较步骤使所述ECG签名与多个已登记的签名相关。
64.一种生物识别方法,包括以下步骤:
a)获取ECG信号;
b)处理所述ECG信号来生成已登记签名模板;
c)将所得到的ECG签名放在数据库中;
d)重复步骤a)到c);
e)将一个或多个ECG签名与多个已登记的ECG签名进行比较;
f)基于所述比较步骤的结果来生成一系列评分;
g)使用于所述一个或多个ECG签名的所述匹配评分与用于至少一个已登记的签名的所述匹配评分相关;以及
h)输出所述相关结果。
65.一种生物识别方法,包括:
a)获取ECG信号;
b)根据所述ECG信号生成ECG签名;
c)使用模糊逻辑来比较所述ECG签名与至少一个登记的ECG签名;以及
d)输出所述比较的结果。
66.一种生物识别方法,包括以下步骤:
a)获取ECG信号;
b)处理所述ECG信号来生成ECG签名;
c)将所述ECG签名与多个已登记的ECG签名进行比较;
d)生成用于所述比较的动态阈值;以及
e)输出识别结果。
67.根据权利要求66所述的生物识别方法,其中,所述签名比较步骤使所述签名相关。
68.一种生物识别方法,包括以下步骤:
a)获取ECG信号;
b)处理所述ECG信号来生成ECG签名;
c)使所述ECG签名与多个已登记的ECG签名相关;
d)变换一个或多个所述相关性;
e)生成用于所述相关性的动态阈值;以及
f)输出识别结果。
69.根据权利要求68所述的生物识别方法,其中,所述变换一个或多个所述相关性的步骤用于生成Z-评分。
70.根据权利要求68所述的生物识别方法,其中,所述变换一个或多个所述相关性的步骤平方所述一个或多个相关性。
71.一种生物识别方法,包括以下步骤:
a)获取ECG信号;
b)计算所述信号的品质;
c)处理所述ECG信号来生成ECG签名;
d)使所述ECG签名与一个或多个已登记的ECG签名相关;
e)将所述相关步骤的结果与阈值进行比较;以及
f)输出所述比较的结果。
72.根据权利要求71所述的生物识别方法,其中,所述计算信号品质的步骤计算Q值。
73.根据权利要求71所述的生物识别方法,进一步包括以下步骤:基于所述信号的品质来调整获取时间。
74.根据权利要求71所述的生物识别方法,进一步包括以下步骤:响应于所述信号品质的计算来获取新信号。
75.一种生物识别方法,包括以下步骤:
a)获取第一ECG信号;
b)处理所述第一ECG信号来生成ECG签名;
c)加密所述签名;
d)将加密后的签名添加到已登记签名数据库中;
e)获取第二ECG信号;
f)处理所述第二ECG信号来生成第二签名;以及
g)将所述第二签名与在所述已登记签名数据库中的一个或多个已登记的签名进行比较。
76.根据权利要求75所述的生物识别方法,其中,所述签名加密步骤使用公钥基础设施技术来加密编码所述签名。
77.一种生物识别方法,包括以下步骤:
a)使用超高输入阻抗探针来获取ECG信号;
b)处理所述ECG信号来生成ECG签名;
c)将所述签名与在已登记签名数据库中的至少一个已登记的签名进行比较;以及
d)输出所述比较结果。
78.根据权利要求77所述的生物识别方法,其中,所述超高输入阻抗探针具有超低噪声特性。
79.一种生物识别方法,包括以下步骤:
a)获取ECG信号;
b)处理所述信号来生成ECG签名;
c)使所述ECG签名与已登记签名数据库中的至少一个ECG签名模板相关;
d)对所述签名相关性的结果进行加权;
e)将所述加权相关性的结果与阈值进行比较;以及
f)输出所述比较的结果。
80.一种锁定安全装置的方法,包括以下步骤:
a)获取ECG信号;
b)处理所述ECG信号来生成ECG签名;
c)将所述ECG签名与已登记签名数据库中的一个或多个ECG签名模板进行比较;
d)将所述比较的结果与识别阈值进行比较;以及
e)基于所述比较来影响锁定机构。
81.一种控制房间进入的方法,包括以下步骤:
a)获取ECG信号;
b)处理所述ECG信号来生成ECG签名;
c)将所述ECG签名与已登记签名数据库中的一个或多个ECG签名模板进行比较;
d)将所述比较的结果与识别阈值进行比较;以及
e)基于所述比较来允许或拒绝房间进入。
82.一种生物识别方法,包括以下步骤:
a)获取ECG信号;
b)通过使所述信号标准化于脉搏率来处理所述信号;
c)生成ECG签名;
d)使所述ECG签名与来自以标准化脉搏率所取的信号或者标准化于脉搏率的信号的至少一个ECG签名模板相关;
e)将所述相关性的结果与阈值进行比较;以及
f)输出所述比较的结果。
83.根据权利要求82所述的生物识别方法,其中,所述处理步骤数字地处理所述信号。
84.根据权利要求82所述的生物识别方法,进一步包括以下步骤:获取非ECG生物测定读数。
85.根据权利要求84所述的生物识别方法,进一步包括以下步骤:评价所述非ECG生物测定读数与所输出的比较结果来识别个体。
86.根据权利要求1所述的生物识别方法,进一步包括以下步骤:获取非ECG生物测定读数。
87.根据权利要求15所述的设备,还包括信用卡,所述信用卡在正识别之后的一段有限时期内启用,随后失效,直到执行下一个成功正识别。
88.根据权利要求15所述的设备,还包括非ECG生物测定获取模块。
89.根据权利要求29所述的设备,还包括非ECG生物测定获取模块。
90.一种年龄分析器,包括:
a)ECG获取模块;
b)ECG信号处理器;
c)处理后的ECG信号比较器;以及
d)年龄分析输出模块。
91.根据权利要求90所述的年龄分析器,其中,所述ECG信号处理器包括签名生成器,且所述处理后的信号比较器是签名比较器。
92.根据权利要求90所述的年龄分析器,其中,所述处理后的ECG信号比较器比较对象的QRS复合波的宽度与QRS复合波信号模板的宽度。
93.根据权利要求90所述的年龄分析器,其中,所述输出模块通过互联网来输出其输出量。
94.一种年龄检测方法,包括以下步骤:
a)获取ECG信号;
b)处理所述ECG信号;
c)将所述处理后的ECG信号与一个或多个参考信号进行比较;以及
d)基于所述比较步骤的结果来控制对互联网站点的访问。
95.根据权利要求94所述的年龄检测方法,其中,所述比较步骤将ECG签名与一个或多个ECG签名模板进行比较。
96.根据权利要求94所述的年龄检测方法,其中,所述比较步骤将所述QRS信号复合波的宽度与一个或多个参考信号QRS复合波的宽度进行比较。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2004/003899 WO2006048701A2 (en) | 2004-11-08 | 2004-11-08 | Method and apparatus for electro-biometric indentity recognition |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101421744A true CN101421744A (zh) | 2009-04-29 |
CN101421744B CN101421744B (zh) | 2013-06-05 |
Family
ID=34959495
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2004800443502A Expired - Fee Related CN101421744B (zh) | 2004-11-08 | 2004-11-08 | 电-生物身份识别方法和设备 |
CNA2005800379021A Pending CN101263510A (zh) | 2004-11-08 | 2005-11-08 | 电-生物身份识别方法和设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2005800379021A Pending CN101263510A (zh) | 2004-11-08 | 2005-11-08 | 电-生物身份识别方法和设备 |
Country Status (7)
Country | Link |
---|---|
EP (2) | EP1815386A1 (zh) |
JP (2) | JP2008518708A (zh) |
KR (2) | KR101019844B1 (zh) |
CN (2) | CN101421744B (zh) |
AU (3) | AU2004324705A1 (zh) |
CA (2) | CA2587214A1 (zh) |
WO (2) | WO2006048701A2 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142163A (zh) * | 2010-01-28 | 2011-08-03 | 霍尼韦尔国际公司 | 基于行为模式的进入控制系统 |
CN105336021A (zh) * | 2014-08-12 | 2016-02-17 | 鸿富锦精密工业(深圳)有限公司 | 汽车及其使用无钥匙解锁系统及汽车无钥匙解锁方法 |
CN106209145A (zh) * | 2014-09-01 | 2016-12-07 | Lg电子株式会社 | 可穿戴终端 |
US10929848B2 (en) | 2013-11-22 | 2021-02-23 | Htc Corporation | Electronic device for contactless payment |
Families Citing this family (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7536557B2 (en) * | 2001-03-22 | 2009-05-19 | Ensign Holdings | Method for biometric authentication through layering biometric traits |
GB0704429D0 (en) | 2007-03-08 | 2007-04-18 | Sensor Technologies & Devices | Method and apparatus for determining information concerning the identity of an individual |
US8271082B2 (en) | 2007-06-07 | 2012-09-18 | Zoll Medical Corporation | Medical device configured to test for user responsiveness |
JP4406460B2 (ja) * | 2008-02-27 | 2010-01-27 | 東海電子株式会社 | 呼気アルコール測定装置 |
WO2009111671A2 (en) * | 2008-03-05 | 2009-09-11 | Pulmonary Data Systems, Inc. | System including method and device for identification and monitoring of pulmonary data |
WO2010023962A1 (ja) * | 2008-09-01 | 2010-03-04 | 独立行政法人情報通信研究機構 | ユビキタス型心電計システム |
GB2465782B (en) | 2008-11-28 | 2016-04-13 | Univ Nottingham Trent | Biometric identity verification |
US10257191B2 (en) | 2008-11-28 | 2019-04-09 | Nottingham Trent University | Biometric identity verification |
US9144389B2 (en) | 2010-03-12 | 2015-09-29 | Tata Consultancy Services Limited | System for vehicle security, personalization and cardiac activity monitoring of a driver |
JP5772242B2 (ja) | 2011-06-03 | 2015-09-02 | ソニー株式会社 | 測定装置、測定方法、プログラム、および情報処理装置 |
WO2013096954A1 (en) | 2011-12-23 | 2013-06-27 | The Trustees Of Dartmouth College | Wearable computing device for secure control of physiological sensors and medical devices, with secure storage of medical records, and bioimpedance biometric |
PT106102B (pt) * | 2012-01-19 | 2014-08-11 | Inst Superior Técnico | Dispositivo e método para reconhecimento biométrico contínuo baseado em sinais eletrocardiográficos |
CN103220564A (zh) * | 2013-04-07 | 2013-07-24 | 深圳Tcl新技术有限公司 | 识别用户身份的方法及遥控装置 |
KR101492802B1 (ko) * | 2013-06-26 | 2015-02-12 | 계명대학교 산학협력단 | 개인 인증을 위한 피부 임피던스 측정용 전극 센서 및 이를 포함하는 피부 임피던스 측정 장치 |
WO2015041658A1 (en) | 2013-09-19 | 2015-03-26 | Intel Corporation | Technologies for synchronizing and restoring reference templates |
US9345231B2 (en) * | 2013-11-26 | 2016-05-24 | Vet Innovations, Llc | Selective access control apparatus for animals using electronic recognition |
MX2016006811A (es) * | 2013-11-30 | 2016-09-07 | Koninklijke Philips Nv | Deteccion automatica de edad del paciente mediante electrocardiografo (ecg). |
JP6620374B2 (ja) * | 2014-02-24 | 2019-12-18 | ソニー株式会社 | カスタマイズされた触覚フィードバックのためのスマートウェアラブル装置及び方法 |
EP2963603A1 (en) * | 2014-07-03 | 2016-01-06 | Nxp B.V. | Method and device for secure identification of a user of a service |
KR102257289B1 (ko) * | 2014-08-26 | 2021-05-27 | 삼성전자주식회사 | 심전도 신호를 이용한 사용자 인증 방법 및 장치 |
KR102299819B1 (ko) * | 2014-12-30 | 2021-09-08 | 삼성전자주식회사 | 생체 신호를 이용한 사용자 인증 방법 및 장치 |
US10357210B2 (en) | 2015-02-04 | 2019-07-23 | Proprius Technologies S.A.R.L. | Determining health change of a user with neuro and neuro-mechanical fingerprints |
US9577992B2 (en) | 2015-02-04 | 2017-02-21 | Aerendir Mobile Inc. | Data encryption/decryption using neuro and neuro-mechanical fingerprints |
US9836896B2 (en) | 2015-02-04 | 2017-12-05 | Proprius Technologies S.A.R.L | Keyless access control with neuro and neuro-mechanical fingerprints |
US9590986B2 (en) | 2015-02-04 | 2017-03-07 | Aerendir Mobile Inc. | Local user authentication with neuro and neuro-mechanical fingerprints |
JP6655794B2 (ja) * | 2015-03-17 | 2020-02-26 | パナソニックIpマネジメント株式会社 | 個人認証装置、個人認証方法、およびプログラム |
US11464457B2 (en) | 2015-06-12 | 2022-10-11 | ChroniSense Medical Ltd. | Determining an early warning score based on wearable device measurements |
US10952638B2 (en) | 2015-06-12 | 2021-03-23 | ChroniSense Medical Ltd. | System and method for monitoring respiratory rate and oxygen saturation |
US10687742B2 (en) | 2015-06-12 | 2020-06-23 | ChroniSense Medical Ltd. | Using invariant factors for pulse oximetry |
US11712190B2 (en) | 2015-06-12 | 2023-08-01 | ChroniSense Medical Ltd. | Wearable device electrocardiogram |
US11160461B2 (en) | 2015-06-12 | 2021-11-02 | ChroniSense Medical Ltd. | Blood pressure measurement using a wearable device |
US11160459B2 (en) | 2015-06-12 | 2021-11-02 | ChroniSense Medical Ltd. | Monitoring health status of people suffering from chronic diseases |
US10278620B2 (en) | 2015-09-10 | 2019-05-07 | Panasonic Intellectual Property Management Co., Ltd. | Individual authentication method, electrocardiographic authentication information generation method, individual authentication device, electrocardiographic authentication information generating device, recording medium, and method |
GB2544087A (en) * | 2015-11-05 | 2017-05-10 | B-Secur Ltd | Automatic teller machine with biometric authentication |
WO2017096550A1 (en) * | 2015-12-09 | 2017-06-15 | Intel Corporation | Methods and apparatus using human electrocardiogram to protect electronic data |
US11000235B2 (en) | 2016-03-14 | 2021-05-11 | ChroniSense Medical Ltd. | Monitoring procedure for early warning of cardiac episodes |
CN107788992B (zh) | 2016-08-29 | 2022-03-08 | 松下知识产权经营株式会社 | 识别生物体的装置以及识别生物体的方法 |
KR102596904B1 (ko) * | 2016-09-01 | 2023-11-07 | 주식회사 라이프사이언스테크놀로지 | 심전도신호를 이용한 개인정보의 암호화 및 복호화 방법 |
CN106859633A (zh) * | 2017-01-06 | 2017-06-20 | 湖北工业大学 | 移动心电监护预警系统 |
IL269432B2 (en) * | 2017-03-24 | 2023-10-01 | Magic Leap Inc | Safe accumulation and transfer of iris codes |
JP6762903B2 (ja) * | 2017-04-26 | 2020-09-30 | 東芝情報システム株式会社 | リスク管理システム及びリスク管理システム用プログラム |
JP6765657B2 (ja) * | 2017-06-27 | 2020-10-07 | 公立大学法人会津大学 | 認証装置、認証方法及びコンピュータプログラム |
CN108125686B (zh) * | 2017-07-13 | 2021-02-12 | 广东网金控股股份有限公司 | 一种反欺诈方法及系统 |
KR101917526B1 (ko) | 2017-07-20 | 2018-11-12 | 현대오트론 주식회사 | 리얼 타임 클럭 및 이를 이용한 시간 정보 입출력 방법 |
KR20200020837A (ko) * | 2017-07-25 | 2020-02-26 | 파나소닉 아이피 매니지먼트 가부시키가이샤 | 심전도 신호 처리 장치, 개인 인증 장치 및 심전도 신호 처리 방법 |
US10499827B2 (en) * | 2017-09-19 | 2019-12-10 | Honeywell International Inc. | System and method for interpretation of signal-to-noise ratios detected in an array of electrodes sensors in terms of physical and cognitive state |
US11642431B2 (en) | 2017-12-08 | 2023-05-09 | Sony Corporation | Information processing apparatus, control method of the same, and recording medium |
US11568984B2 (en) | 2018-09-28 | 2023-01-31 | Zoll Medical Corporation | Systems and methods for device inventory management and tracking |
CA3112886A1 (en) * | 2018-10-01 | 2020-07-02 | Reynolds DELGADO | High frequency qrs in biometric identification |
US11000198B2 (en) * | 2018-12-05 | 2021-05-11 | Viavi Solutions Inc. | Autonomous full spectrum biometric monitoring |
CN109431493B (zh) * | 2018-12-07 | 2021-02-26 | 南京医科大学 | 基于距离分段加权算法的可穿戴体表电势采集装置 |
CN109875546B (zh) * | 2019-01-24 | 2020-07-28 | 西安交通大学 | 一种面向心电图数据的深度模型分类结果可视化方法 |
CN110123289B (zh) * | 2019-04-08 | 2022-01-07 | 清华大学深圳研究生院 | 一种基于脉搏波的生物识别方法及相关装置 |
WO2020237302A1 (en) * | 2019-05-27 | 2020-12-03 | La Trobe University | Wireless electrochemical analysis |
CN112168176B (zh) * | 2019-06-12 | 2024-03-19 | 京东方科技集团股份有限公司 | 一种基于心电信号的身份识别方法、装置和设备 |
KR102276606B1 (ko) * | 2019-12-05 | 2021-07-13 | 한국전자기술연구원 | 심전도를 이용한 개인 인증 방법 |
CN111415442A (zh) * | 2020-03-16 | 2020-07-14 | 恒玄科技(上海)股份有限公司 | 一种门禁控制方法、电子设备及存储介质 |
JP7237917B2 (ja) * | 2020-12-28 | 2023-03-13 | マクセル株式会社 | 生体認証装置 |
CN113836995B (zh) * | 2021-08-09 | 2024-04-02 | 新绎健康科技有限公司 | 年龄段识别方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6040783A (en) * | 1995-05-08 | 2000-03-21 | Image Data, Llc | System and method for remote, wireless positive identity verification |
US7536557B2 (en) * | 2001-03-22 | 2009-05-19 | Ensign Holdings | Method for biometric authentication through layering biometric traits |
WO2003000015A2 (en) * | 2001-06-25 | 2003-01-03 | Science Applications International Corporation | Identification by analysis of physiometric variation |
EP1525710A4 (en) * | 2002-07-29 | 2008-02-13 | Idesia Ltd | METHOD AND APPARATUS FOR RECOGNIZING ELECTROBIOMETRIC IDENTITY |
KR101201403B1 (ko) * | 2010-12-30 | 2012-11-14 | 에이피시스템 주식회사 | 감지 모듈 |
-
2004
- 2004-11-08 AU AU2004324705A patent/AU2004324705A1/en not_active Abandoned
- 2004-11-08 CA CA002587214A patent/CA2587214A1/en not_active Abandoned
- 2004-11-08 CN CN2004800443502A patent/CN101421744B/zh not_active Expired - Fee Related
- 2004-11-08 WO PCT/IB2004/003899 patent/WO2006048701A2/en active Application Filing
- 2004-11-08 EP EP04799001A patent/EP1815386A1/en not_active Withdrawn
- 2004-11-08 KR KR1020077012835A patent/KR101019844B1/ko not_active IP Right Cessation
- 2004-11-08 JP JP2007539643A patent/JP2008518708A/ja active Pending
-
2005
- 2005-11-08 KR KR1020077012836A patent/KR101019838B1/ko active IP Right Grant
- 2005-11-08 JP JP2007539648A patent/JP4782141B2/ja not_active Expired - Fee Related
- 2005-11-08 CN CNA2005800379021A patent/CN101263510A/zh active Pending
- 2005-11-08 CA CA2586772A patent/CA2586772C/en not_active Expired - Fee Related
- 2005-11-08 AU AU2005310994A patent/AU2005310994A1/en not_active Abandoned
- 2005-11-08 WO PCT/IB2005/003281 patent/WO2006059190A2/en active Application Filing
- 2005-11-08 EP EP05850656A patent/EP1815391A2/en not_active Withdrawn
-
2010
- 2010-11-30 AU AU2010246527A patent/AU2010246527A1/en not_active Abandoned
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142163A (zh) * | 2010-01-28 | 2011-08-03 | 霍尼韦尔国际公司 | 基于行为模式的进入控制系统 |
CN102142163B (zh) * | 2010-01-28 | 2015-09-09 | 霍尼韦尔国际公司 | 基于行为模式的进入控制系统 |
US10929848B2 (en) | 2013-11-22 | 2021-02-23 | Htc Corporation | Electronic device for contactless payment |
CN105336021A (zh) * | 2014-08-12 | 2016-02-17 | 鸿富锦精密工业(深圳)有限公司 | 汽车及其使用无钥匙解锁系统及汽车无钥匙解锁方法 |
CN106209145A (zh) * | 2014-09-01 | 2016-12-07 | Lg电子株式会社 | 可穿戴终端 |
CN106209145B (zh) * | 2014-09-01 | 2019-11-05 | Lg电子株式会社 | 可穿戴终端 |
Also Published As
Publication number | Publication date |
---|---|
JP4782141B2 (ja) | 2011-09-28 |
KR101019838B1 (ko) | 2011-03-04 |
CN101263510A (zh) | 2008-09-10 |
KR20070085856A (ko) | 2007-08-27 |
JP2008518708A (ja) | 2008-06-05 |
KR101019844B1 (ko) | 2011-03-04 |
WO2006048701A2 (en) | 2006-05-11 |
WO2006059190A3 (en) | 2008-02-21 |
JP2008518709A (ja) | 2008-06-05 |
CA2586772C (en) | 2015-01-13 |
AU2005310994A1 (en) | 2006-06-08 |
CN101421744B (zh) | 2013-06-05 |
EP1815391A2 (en) | 2007-08-08 |
CA2587214A1 (en) | 2006-05-11 |
EP1815386A1 (en) | 2007-08-08 |
CA2586772A1 (en) | 2006-06-08 |
KR20070085857A (ko) | 2007-08-27 |
WO2006059190A2 (en) | 2006-06-08 |
AU2010246527A1 (en) | 2010-12-23 |
AU2004324705A1 (en) | 2006-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101421744B (zh) | 电-生物身份识别方法和设备 | |
US7689833B2 (en) | Method and apparatus for electro-biometric identity recognition | |
US20060136744A1 (en) | Method and apparatus for electro-biometric identity recognition | |
US7212655B2 (en) | Fingerprint verification system | |
US20100311482A1 (en) | Electro-Biometric Methods and Apparatus | |
JP5642210B2 (ja) | 電子バイオメトリック識別認識のための方法及び装置 | |
US20070016088A1 (en) | Method and apparatus for characterizing and estimating the parameters of histological and physiological biometric markers for authentication | |
Chamatidis et al. | Using deep learning neural networks for ECG based authentication | |
Kodituwakku | Biometric authentication: A review | |
Pouryayevali | ECG biometrics: new algorithm and multimodal biometric system | |
JP3590285B2 (ja) | 生体情報認識装置およびその方法 | |
Mousavi | Fusion of ECG and PPG signals in apply to spoof detection and biometric authentication | |
Arteaga Falconi | Towards an Accurate ECG Biometric Authentication System with Low Acquisition Time | |
Ozkaya et al. | Intelligent face border generation system from fingerprints | |
Owuye et al. | Development of a Multimodal Biometric Model for Population Census | |
Jung et al. | Robust fingerprint identification based on hybrid pattern recognition methods | |
Walia et al. | PPG and fingerprint: robust bimodal biometric system | |
Kiran et al. | Detection of liveness by fusing ECG and fingerprint | |
Sharma | Hybrid System Generation of IRIS With High Accuracy | |
Pandey et al. | Supervised and Unsupervised Learning Techniques for Biometric Systems |
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 | ||
ASS | Succession or assignment of patent right |
Owner name: INTEL CORP . Free format text: FORMER OWNER: IDESIA LTD. Effective date: 20130930 |
|
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20130930 Address after: California, USA Patentee after: INTEL Corp. Address before: Israel Kasaliya Patentee before: Idesia Ltd. |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130605 Termination date: 20211108 |
|
CF01 | Termination of patent right due to non-payment of annual fee |