CN104771178B - 身份识别的方法及装置 - Google Patents

Abstract

本发明公开了一种身份识别的方法及装置，所述身份识别的方法包括以下步骤：获取多个个体在不同运动状态下的心电数据；从所述心电数据中提取多个特征向量；计算每个个体在不同运动状态下对应的特征向量的方差；获取小于预设阈值的方差对应的特征向量，根据所获取的特征向量建立识别模型。本发明扩大ECG身份识别技术的适用范围，将ECG身份识别技术的应用范围扩展至个体在不同的运动状态下也能够进行身份识别，应用更广泛，且能够对个体在不同运动状态下均具有较高的识别率，识别效果较佳。

Description

身份识别的方法及装置

技术领域

本发明涉及生物识别技术领域，尤其涉及一种身份识别的方法及装置。

背景技术

目前，需要进行身份识别的场合越来越多，包括办理信用卡、购物、进入某个指定的区域或获得某些资料等。身份识别的重要性也日渐突出，其可能涉及到财产个人的信息安全等方面。生物身份识别技术是一种利用个体本身所具有的独特的生理或者行为特征进行自动的身份鉴别的技术，其已经逐渐取代传统的身份识别技术。

生物识别技术有很多种，包括指纹识别、人脸识别、心电图(electrocardiogram，ECG)信号识别技术等等，但是这些技术已经凸显出其存在的缺陷，例如指纹识别所消耗的计算资源巨大，同时存在利用假指或断指来钻空子的可能；人脸识别存在假面的伪造，而声音可以被录音，手写体有被模仿的隐患，心电图信号识别技术只适用于平静状态下的心电数据的采集和识别，具有很大的局限性，识别效果并不理想。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种身份识别的方法及装置，旨在解决现有的身份识别具有很大的局限性，识别效果并不理想的技术问题。

为实现上述目的，本发明提供一种身份识别的方法，所述身份识别的方法包括以下步骤：

获取多个个体在不同运动状态下的心电数据；

从所述心电数据中提取多个特征向量；

计算每个个体在不同运动状态下对应的特征向量的方差；

获取小于预设阈值的方差对应的特征向量，根据所获取的特征向量建立识别模型。

优选地，所述从所述心电数据中提取多个特征向量的步骤包括：

从所述心电数据中提取一心电周期内的P波、QRS波及T波各自对应的幅度及时间宽度、P波与QRS波之间的幅值差及时间间隔、QRS波与T波之间的幅值差及时间间隔。

优选地，所述计算每个个体在不同运动状态下对应的特征向量的方差的步骤包括：

将所述特征向量进行归一化处理；

根据归一化处理后的特征向量计算每个个体在不同运动状态下对应的特征向量的均值；

根据所述均值计算每个个体在不同运动状态下对应的特征向量的方差。

优选地，所述获取多个个体在不同运动状态下的心电数据的步骤包括：

获取多个个体在不同运动状态下的原始心电数据；

利用小波函数对所述原始心电数据去干扰，得到所述心电数据。

优选地，所述身份识别的方法还包括：利用所建立的识别模型进行身份识别。

此外，为实现上述目的，本发明还提供一种身份识别的装置，所述身份识别的装置包括：

获取模块，用于获取多个个体在不同运动状态下的心电数据；

提取模块，用于从所述心电数据中提取多个特征向量；

计算模块，用于计算每个个体在不同运动状态下对应的特征向量的方差；

建立模块，用于获取小于预设阈值的方差对应的特征向量，根据所获取的特征向量建立识别模型。

优选地，所述提取模块具体用于从所述心电数据中提取一心电周期内的P波、QRS波及T波各自对应的幅度及时间宽度、P波与QRS波之间的幅值差及时间间隔、QRS波与T波之间的幅值差及时间间隔。

优选地，所述计算模块包括：

处理单元，用于将所述特征向量进行归一化处理；

第一计算单元，用于根据归一化处理后的特征向量计算每个个体在不同运动状态下对应的特征向量的均值；

第二计算单元，用于根据所述均值计算每个个体在不同运动状态下对应的特征向量的方差。

优选地，所述获取模块包括：

获取单元，用于获取多个个体在不同运动状态下的原始心电数据；

去干扰单元，用于利用小波函数对所述原始心电数据去干扰，得到所述心电数据。

优选地，所述身份识别的装置还包括：识别模块，用于利用所建立的识别模型进行身份识别。

本发明一种身份识别的方法及装置，由于当个体的运动状态发生改变时，心电数据中的一些特征向量会有所变化，影响识别效果，本发明通过将求得各特征向量在不同运动状态下的方差，通过方差阈值对特征向量进行筛选，减少了特征向量的个数，缩短识别模型建立时间；扩大ECG身份识别技术的适用范围，将ECG身份识别技术的应用范围扩展至个体在不同的运动状态下也能够进行身份识别，应用更广泛，通过选取对运动状态不敏感的特征向量，使得所建立的识别模型能够对个体在不同运动状态下均具有较高的识别率，识别效果较佳。

附图说明

图1为本发明身份识别的方法一实施例的流程示意图；

图2为典型的心电信号一个周期的波形图；

图3为图1中步骤S103的细化流程示意图；

图4为图1中步骤S101的细化流程示意图；

图5为标准心电图和sym8小波函数的波形的示意图；

图6为本发明身份识别的方法一实施例的功能模块示意图；

图7为图6中计算模块的细化功能模块示意图；

图8为图6中获取模块的细化功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种ECG身份识别的装置，参照图1，在一实施例中，该包括：

步骤S101，获取多个个体在不同运动状态下的心电数据；

本实施例中，采用心电传感器获取多个个体在不同运动状态下的原始心电数据。其中，运动状态可以根据实际情况进行划分，例如可以按心率将运动状态分为小于等于40次/min、40～60次/min、60～80次/min、80～120次/min、大于等于120次/min共5种运动状态。

本实施例中，要求被测个体先静坐一段时间，然后开始测量心电数据，即测量在不同运动状态下的心电数据，例如测量平静状态下的心电数据，然后测量做蹲起运动(基本保持上半身不动，使测的数据运动干扰小)的心电数据，直至心率提升为平静状态下的两倍后，被测个体停止，待心率恢复。

本实施例中，获取原始心电数据后，还需要对原始心电数据进行预处理，即进行滤波，以便去除原始心电数据中的干扰数据。其中，主要去除心电数据中带有的工频干扰、肌电干扰和基线漂移等干扰数据。

步骤S102，从所述心电数据中提取多个特征向量；

本实施例中，如图2所示，从心电数据中提取一心电周期内的P波、QRS波及T波各自对应的幅度及时间宽度、P波与QRS波之间的幅值差及时间间隔、QRS波与T波之间的幅值差及时间间隔。

本实施例中，所提取的特征向量至少包括图2所示的各波形特征作为本实施例的特征向量，当然还可以进一步提取其他的特征向量。

本实施例中，对于QRS波中的R波，R峰是一个极大值，R峰与非R峰在与附近极大值点和极小值点连线的斜率值上都有较大差距。为了计算方便，可选用与极大值点相连的斜率值来寻找R峰。具体包括：(1)找出心电数据中所有的极大值；(2)求出每个极大值与两侧极大值之间的斜率，保留那些左侧斜率值为正，右侧为负的点，并将该点的斜率值定位两侧斜率绝对值的平均；(3)利用自适应的方式选择阈值，即根据每个周期的心电数据自身的斜率值范围来确定相应的阈值。不同个体的心电波形的差异大，统一阈值会造成部分信号漏检，而另一些信号过检。因此，本实施例可采用自适应的方式，例如将阈值确定为所有保留下来的点的斜率值均值的2倍；(4)根据阈值来确定R峰，即斜率值大于阈值的点暂定为R峰；(5)根据常规心率的范围来对R峰进行调整。一个存活个体(包括生病和运动状态下)的心率一般在30～250次/分钟之间，因此当两个R峰之间的距离小于1/250min时，心率间隔过小，有一个不是真实的心跳，滤除这两个中斜率值小的那个。同理，当两个R峰之间的间距大于1/30min时，两个R峰之间斜率值最大的点作为新R峰。调整后的R峰需要重新接受心率范围的校验。

对于QRS波中的Q波及S波，Q波和S波是R峰两侧的低幅波。因此只需在R峰两侧一定窗口内寻找幅值的最低点，即在R波位置往前的范围内找到的最小值点对应于Q波，R波位置往后范围内的最小值点对应于S波即可。

对于P波，P波是QRS波群前面的一个圆形峰值，可以根据QRS波的定位来检测P波。先寻找P波的起点和终点，即在QRS波群前方确定一个窗口，在窗口中寻找连续两个点的斜率值大于阈值，则其中某点作为P波的起或终点，然后在起点与终点之间寻找最大值作为P波顶点。

对于T波，首先获取如下的窗函数：

然后根据窗函数得到一个视窗，其中的bwind和ewind是视窗的起点和终点，指与R峰之间的距离，RR_av是指RR周期的均值。视窗范围内的最大值即为T波顶点。将j点(S波后第一个转折点)后0.02s到T波作为T波起点的窗口，窗口首末两点以直线相连，这中间的数值中，距离这条直线最远的点作为T波的起点。同理，可以得到T波的终点。

步骤S103，计算每个个体在不同运动状态下对应的特征向量的方差；

步骤S104，获取小于预设阈值的方差对应的特征向量，根据所获取的特征向量建立识别模型。

本实施例中，首先计算每个个体在不同运动状态下对应的特征向量的均值，然后根据均值计算方差。例如，P波的时间宽度在5个运动状态下分别有一个均值，求出这个5个值的方差，则该方差代表P波时间宽度这个特征向量的变化幅度。

本实施例中，根据实际情况来确定一个合适的预设阈值，以便对于方差过大的特征向量予以滤除，筛选出对运动状态不敏感的特征向量。采用筛选得到的对运动状态不敏感的特征向量，通过支持向量机建立识别模型，从而使得该识别模型能够对个体在不同运动状态下进行高精度的分类。

与现有技术相比，由于当个体的运动状态发生改变时，心电数据中的一些特征向量会有所变化，影响识别效果，本实施例通过将求得各特征向量在不同运动状态下的方差，通过方差阈值对特征向量进行筛选，减少了特征向量的个数，缩短识别模型建立时间；扩大ECG身份识别技术的适用范围，将ECG身份识别技术的应用范围扩展至个体在不同的运动状态下也能够进行身份识别，应用更广泛，通过选取对运动状态不敏感的特征向量，使得所建立的识别模型能够对个体在不同运动状态下均具有较高的识别率，识别效果较佳。

在一优选的实施例中，如图3所示，在上述图1的实施例的基础上，上述步骤S103包括：

步骤S1031，将所述特征向量进行归一化处理；

步骤S1032，根据归一化处理后的特征向量计算每个个体在不同运动状态下对应的特征向量的均值；

步骤S1033，根据所述均值计算每个个体在不同运动状态下对应的特征向量的方差。

本实施例中，将特征向量进行归一化处理，能够将不同个体使用不同测量仪器的差异进行抵消，使各个特征向量的后续均值都为0，变化范围在-1至1之间，方便后续的方差比较。

然后，计算归一化处理后的特征向量在各运动状态下的均值：将归一化处理后的特征向量分运动状态处理，求出各特征向量在不同运动状态下的均值。例如在40～60次/min、60～80次/min的运动状态下的心电周期中，分别求出P波时间宽度这个特征向量的均值。最后，计算各特征在不同运动状态下的方差。例如，P波宽度在5个状态下分别有一个均值，求出这个5个值的方差，代表P波宽度这个特征向量的变化幅度。

在一优选的实施例中，如图4所示，在上述图1的实施例的基础上，上述步骤S101包括：

步骤S1011，获取多个个体在不同运动状态下的原始心电数据；

步骤S1012，利用小波函数对所述原始心电数据去干扰，得到所述心电数据。

本实施例中，在获取多个个体在不同运动状态下的原始心电数据后，需要对原始心电数据进行预处理，预处理时可使用小波滤波的方式来去除心电数据中带有的工频干扰、肌电干扰和基线漂移等干扰数据。

本实施例中，可以选取与心电信号的波形相似的函数来进行去除干扰数据。综合考虑各小波函数，Symlet中的sym8函数波形与心电信号的波形最接近。如图5所示，sym8函数波形的中间有一个明显的尖峰，对应于心电信号中的R峰，而该尖峰两侧各有一个小突起，分别对应于心电信号中的P波和T波。可见，两者的波形十分相似。因此，本实施例优选sym8函数，此小波函数具有正交性、紧支性和衰减性，同时具有较好的对称性，而且它的波形与心电信号相似，最适合做心电信号的滤波处理。

另外，小波滤波方式有很多，最常见的有阈值法、系数置零法等，其中阈值法又分硬阈值和软阈值。不同的噪声所在频段不同，幅值也不同，因此所需的滤波方法也会有所不同。本实施例优选地利用Windows7系统下的Matlab R2013a软件，针对各类噪声选取合适的滤波方法，并确定具体的参数，例如阈值方法、分解层数等。以及，为了能够评价滤波结果的好坏，准确地得到滤波前后信噪比(Signal-to-Noise Ratio，SNR)的提升，可以采用程序生成的标准心电信号作为纯信号，并在此基础上添加不同类型的噪声。用滤波前后的信号与纯信号对比即可得到两个信号的信噪比提升情况。

其中信噪比是指有用信号与噪声的功率之比，通常用幅值的平方来表示功率，即：

其中，P_signal表示有用信号的功率，P_noise为噪声功率，A_signal为有用信号幅值，A_noise为噪声幅值，s_(signal)i是有用信号各采样点的值，s_(signal)i为加噪声后的总信号在各个采样点的值。

一般，信噪比的单位用dB表示，则：

本实施例可分别针对各个噪声选择合适的阈值方式和分解层数进行滤波。

在一优选的实施例中，在上述图1的实施例的基础上，所述身份识别的方法还包括：利用所建立的识别模型进行身份识别。

本实施例中，使用小于预设阈值的方差对应的特征向量作为原始数据的训练模型，使得得到的识别模型对运动状态不敏感。在后续的应用中，不管被测个体处于何种运动状态，只要采集心电信号，并提取相应的特征向量，即能用该识别模型进行身份识别。

本发明还提供一种身份识别的装置，如图6所示，在一实施例中，所述身份识别的装置包括：

获取模块101，用于获取多个个体在不同运动状态下的心电数据；

本实施例中，采用心电传感器获取多个个体在不同运动状态下的原始心电数据。其中，运动状态可以根据实际情况进行划分，例如可以按心率将运动状态分为小于等于40次/min、40～60次/min、60～80次/min、80～120次/min、大于等于120次/min共5种运动状态。

本实施例中，要求被测个体先静坐一段时间，然后开始测量心电数据，即测量在不同运动状态下的心电数据，例如测量平静状态下的心电数据，然后测量做蹲起运动(基本保持上半身不动，使测的的数据运动干扰小)的心电数据，直至心率提升为平静状态下的两倍后，被测个体停止，待心率恢复。

本实施例中，获取原始心电数据后，还需要对原始心电数据进行预处理，即进行滤波，以便去除原始心电数据中的干扰数据。其中，主要去除心电数据中带有的工频干扰、肌电干扰和基线漂移等干扰数据。

提取模块102，用于从所述心电数据中提取多个特征向量；

本实施例中，如图2所示，从心电数据中提取一心电周期内的P波、QRS波及T波各自对应的幅度及时间宽度、P波与QRS波之间的幅值差及时间间隔、QRS波与T波之间的幅值差及时间间隔。

本实施例中，所提取的特征向量至少包括图2所示的各波形特征作为本实施例的特征向量，当然还可以进一步提取其他的特征向量。

本实施例中，对于QRS波中的R波，R峰是一个极大值，R峰与非R峰在与附近极大值点和极小值点连线的斜率值上都有较大差距。为了计算方便，可选用与极大值点相连的斜率值来寻找R峰。具体包括：(1)找出心电数据中所有的极大值；(2)求出每个极大值与两侧极大值之间的斜率，保留那些左侧斜率值为正，右侧为负的点，并将该点的斜率值定位两侧斜率绝对值的平均；(3)利用自适应的方式选择阈值，即根据每个周期的心电数据自身的斜率值范围来确定相应的阈值。不同个体的心电波形的差异大，统一阈值会造成部分信号漏检，而另一些信号过检。因此，本实施例可采用自适应的方式，例如将阈值确定为所有保留下来的点的斜率值均值的2倍；(4)根据阈值来确定R峰，即斜率值大于阈值的点暂定为R峰；(5)根据常规心率的范围来对R峰进行调整。一个存活个体(包括生病和运动状态下)的心率一般在30～250次/分钟之间，因此当两个R峰之间的距离小于1/250min时，心率间隔过小，有一个不是真实的心跳，滤除这两个中斜率值小的那个。同理，当两个R峰之间的间距大于1/30min时，两个R峰之间斜率值最大的点作为新R峰。调整后的R峰需要重新接受心率范围的校验。

对于QRS波中的Q波及S波，Q波和S波是R峰两侧的低幅波。因此只需在R峰两侧一定窗口内寻找幅值的最低点，即在R波位置往前的范围内找到的最小值点对应于Q波，R波位置往后范围内的最小值点对应于S波即可。

对于P波，P波是QRS波群前面的一个圆形峰值，可以根据QRS波的定位来检测P波。先寻找P波的起点和终点，即在QRS波群前方确定一个窗口，在窗口中寻找连续两个点的斜率值大于阈值，则其中某点作为P波的起或终点，然后在起点与终点之间寻找最大值作为P波顶点。

对于T波，首先获取如下的窗函数：

然后根据窗函数得到一个视窗，其中的bwind和ewind是视窗的起点和终点，指与R峰之间的距离，RR_av是指RR周期的均值。视窗范围内的最大值即为T波顶点。将j点(S波后第一个转折点)后0.02s到T波作为T波起点的窗口，窗口首末两点以直线相连，这中间的数值中，距离这条直线最远的点作为T波的起点。同理，可以得到T波的终点。

计算模块103，用于计算每个个体在不同运动状态下对应的特征向量的方差；

建立模块104，用于获取小于预设阈值的方差对应的特征向量，根据所获取的特征向量建立识别模型。

本实施例中，首先计算每个个体在不同运动状态下对应的特征向量的均值，然后根据均值计算方差。例如，P波的时间宽度在5个运动状态下分别有一个均值，求出这个5个值的方差，则该方差代表P波时间宽度这个特征向量的变化幅度。

本实施例中，根据实际情况来确定一个合适的预设阈值，以便对于方差过大的特征向量予以滤除，筛选出对运动状态不敏感的特征向量。采用筛选得到的对运动状态不敏感的特征向量，通过支持向量机建立识别模型，从而使得该识别模型能够对个体在不同运动状态下进行高精度的分类。

与现有技术相比，由于当个体的运动状态发生改变时，心电数据中的一些特征向量会有所变化，影响识别效果，本实施例通过将求得各特征向量在不同运动状态下的方差，通过方差阈值对特征向量进行筛选，减少了特征向量的个数，缩短识别模型建立时间；扩大ECG身份识别技术的适用范围，将ECG身份识别技术的应用范围扩展至个体在不同的运动状态下也能够进行身份识别，应用更广泛，通过选取对运动状态不敏感的特征向量，使得所建立的识别模型能够对个体在不同运动状态下均具有较高的识别率，识别效果较佳。

在一优选的实施例中，如图7所示，在上述图6的实施例的基础上，所述计算模块103包括：

处理单元1031，用于将所述特征向量进行归一化处理；

第一计算单元1032，用于根据归一化处理后的特征向量计算每个个体在不同运动状态下对应的特征向量的均值；

第二计算单元1033，用于根据所述均值计算每个个体在不同运动状态下对应的特征向量的方差。

本实施例中，将特征向量进行归一化处理，能够将不同个体使用不同测量仪器的差异进行抵消，使各个特征向量的后续均值都为0，变化范围在-1至1之间，方便后续的方差比较。

然后，计算归一化处理后的特征向量在各运动状态下的均值：将归一化处理后的特征向量分运动状态处理，求出各特征向量在不同运动状态下的均值。例如在40～60次/min、60～80次/min的运动状态下的心电周期中，分别求出P波时间宽度这个特征向量的均值。最后，计算各特征在不同运动状态下的方差。例如，P波宽度在5个状态下分别有一个均值，求出这个5个值的方差，代表P波宽度这个特征向量的变化幅度。

在一优选的实施例中，如图8所示，在上述图6的实施例的基础上，所述获取模块101包括：

获取单元1011，用于获取多个个体在不同运动状态下的原始心电数据；

去干扰单元1012，用于利用小波函数对所述原始心电数据去干扰，得到所述心电数据。

本实施例中，在获取多个个体在不同运动状态下的原始心电数据后，需要对原始心电数据进行预处理，预处理时可使用小波滤波的方式来去除心电数据中带有的工频干扰、肌电干扰和基线漂移等干扰数据。

本实施例中，可以选取与心电信号的波形相似的函数来进行去除干扰数据。综合考虑各小波函数，Symlet中的sym8函数波形与心电信号的波形最接近。如图5所示，sym8函数波形的中间有一个明显的尖峰，对应于心电信号中的R峰，而该尖峰两侧各有一个小突起，分别对应于心电信号中的P波和T波。可见，两者的波形十分相似。因此，本实施例优选sym8函数，此小波函数具有正交性、紧支性和衰减性，同时具有较好的对称性，而且它的波形与心电信号相似，最适合做心电信号的滤波处理。

另外，小波滤波方式有很多，最常见的有阈值法、系数置零法等，其中阈值法又分硬阈值和软阈值。不同的噪声所在频段不同，幅值也不同，因此所需的滤波方法也会有所不同。本实施例优选地利用Windows7系统下的Matlab R2013a软件，针对各类噪声选取合适的滤波方法，并确定具体的参数，例如阈值方法、分解层数等。以及，为了能够评价滤波结果的好坏，准确地得到滤波前后信噪比(Signal-to-Noise Ratio，SNR)的提升，可以采用程序生成的标准心电信号作为纯信号，并在此基础上添加不同类型的噪声。用滤波前后的信号与纯信号对比即可得到两个信号的信噪比提升情况。

在一优选的实施例中，在上述图6的实施例的基础上，所述身份识别的装置还包括：识别模块，用于利用所建立的识别模型进行身份识别。

本实施例中，使用小于预设阈值的方差对应的特征向量作为原始数据的训练模型，使得得到的识别模型对运动状态不敏感。在后续的应用中，不管被测个体处于何种运动状态，只要采集心电信号，并提取相应的特征向量，即能用该识别模型进行身份识别。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种身份识别的方法，其特征在于，所述身份识别的方法包括以下步骤：

获取多个个体在不同运动状态下的心电数据；

从所述心电数据中提取多个特征向量；

计算每个个体在不同运动状态下对应的特征向量的方差；

获取小于预设阈值的方差对应的特征向量，根据所获取的特征向量建立识别模型，所述获取的特征向量为对运动状态不敏感的特征向量。

2.如权利要求1所述的身份识别的方法，其特征在于，所述从所述心电数据中提取多个特征向量的步骤包括：

从所述心电数据中提取一心电周期内的P波、QRS波及T波各自对应的幅度及时间宽度、P波与QRS波之间的幅值差及时间间隔、QRS波与T波之间的幅值差及时间间隔。

3.如权利要求1或2所述的身份识别的方法，其特征在于，所述计算每个个体在不同运动状态下对应的特征向量的方差的步骤包括：

将提取的特征向量进行归一化处理；

根据归一化处理后的特征向量计算每个个体在不同运动状态下对应的特征向量的均值；

根据所述均值计算每个个体在不同运动状态下对应的特征向量的方差。

4.如权利要求1所述的身份识别的方法，其特征在于，所述获取多个个体在不同运动状态下的心电数据的步骤包括：

获取多个个体在不同运动状态下的原始心电数据；

利用小波函数对所述原始心电数据去干扰，得到所述心电数据。

5.如权利要求1所述的身份识别的方法，其特征在于，所述身份识别的方法还包括：利用所建立的识别模型进行身份识别。

6.一种身份识别的装置，其特征在于，所述身份识别的装置包括：

获取模块，用于获取多个个体在不同运动状态下的心电数据；

提取模块，用于从所述心电数据中提取多个特征向量；

计算模块，用于计算每个个体在不同运动状态下对应的特征向量的方差；

建立模块，用于获取小于预设阈值的方差对应的特征向量，根据所获取的特征向量建立识别模型，所述获取的特征向量为对运动状态不敏感的特征向量。

7.如权利要求6所述的身份识别的装置，其特征在于，所述提取模块具体用于从所述心电数据中提取一心电周期内的P波、QRS波及T波各自对应的幅度及时间宽度、P波与QRS波之间的幅值差及时间间隔、QRS波与T波之间的幅值差及时间间隔。

8.如权利要求6或7所述的身份识别的装置，其特征在于，所述计算模块包括：

处理单元，用于将提取的特征向量进行归一化处理；

第一计算单元，用于根据归一化处理后的特征向量计算每个个体在不同运动状态下对应的特征向量的均值；

第二计算单元，用于根据所述均值计算每个个体在不同运动状态下对应的特征向量的方差。

9.如权利要求6所述的身份识别的装置，其特征在于，所述获取模块包括：

获取单元，用于获取多个个体在不同运动状态下的原始心电数据；

去干扰单元，用于利用小波函数对所述原始心电数据去干扰，得到所述心电数据。

10.如权利要求6所述的身份识别的装置，其特征在于，所述身份识别的装置还包括：识别模块，用于利用所建立的识别模型进行身份识别。