CN105373719A - 基于心电图信号的用户认证方法和设备 - Google Patents
基于心电图信号的用户认证方法和设备 Download PDFInfo
- Publication number
- CN105373719A CN105373719A CN201510231072.1A CN201510231072A CN105373719A CN 105373719 A CN105373719 A CN 105373719A CN 201510231072 A CN201510231072 A CN 201510231072A CN 105373719 A CN105373719 A CN 105373719A
- Authority
- CN
- China
- Prior art keywords
- electrocardiographic wave
- certification
- user
- ecg waveform
- filtered
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
- H04L9/3231—Biological data, e.g. fingerprint, voice or retina
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
提供一种基于心电图信号的用户认证方法和设备。所述用户认证设备包括:心电图(ECG)波形获取器,被配置为获取用户的认证ECG波形以对用户进行认证;滤波器,被配置为通过将从参考ECG波形提取的参考模型参数应用于卡尔曼滤波器,使用所述卡尔曼滤波器对认证ECG波形进行滤波;认证器,被配置为将滤波后的ECG波形与参考ECG波形进行比较,并基于比较的结果确定滤波后的认证ECG波形与参考ECG波形是否对应。
Description
本申请要求于2014年9月1日提交到韩国知识产权局的第10-2014-0115511号韩国专利申请的权益,出于所有目的,该申请的整个公开通过引用包含于此。
技术领域
以下描述涉及一种基于心电图(ECG)信号的用户认证方法和设备。
背景技术
用于将从身体提取的信号和数据施加到各种系统的技术正在发展。例如,用于基于生物信号和生物数据建立安全系统的生物技术正在引起注意。生物技术可以是这样的技术,所述技术用于提取与用户的身体相关联的信号或数据并将提取的结果与预存储的数据进行比较,从而通过识别将用户认证为注册的用户。作为一个示例,用于基于个人心电图(ECG)信号识别用户的技术在生物技术领域正在发展。
生物技术使用每个用户的独特的生物信号。由于独特的生物信号不能被盗或丢失,并且对于伪造或篡改具有鲁棒性,因此生物技术在安全领域受到高度青睐。近来,正在进行研究来提高独特的生物信号识别率。
发明内容
提供本发明内容以按照简化形式介绍对以下在具体实施方式中进一步描述的构思的选择。本发明内容不意图标识要求保护的主题的关键特征或必要特征,也不意图用作帮助确定要求保护的主题的范围。
在一个总体方面,一种用户认证设备包括:心电图(ECG)波形获取器,被配置为获取将被认证的用户的认证ECG波形;滤波器,被配置为通过将从参考ECG波形提取的参考模型参数应用于卡尔曼滤波器,使用卡尔曼滤波器对认证ECG波形进行滤波;认证器,被配置为将滤波后的认证ECG波形与参考ECG波形进行比较,并基于比较的结果确定滤波后的认证ECG波形与参考ECG波形是否对应。
认证ECG波形可包括多个ECG波形;所述用户认证设备还可包括:ECG波形提取器,被配置为基于R峰值对包括在认证ECG波形中的所述多个ECG波形进行排列。
参考模型参数可包括以下参数中的任何一个或任何组合:指示从参考ECG波形提取的多个第一高斯函数中的每个第一高斯函数的幅度的第一幅度参数、指示所述多个第一高斯函数中的每个第一高斯函数的持续时间的第一持续时间参数、指示所述多个第一高斯函数中的每个第一高斯函数的位置的第一位置参数和指示基于参考ECG波形的相位改变的角速度的第一角速度参数。
滤波器还可被配置为使用卡尔曼滤波器通过将参考模型参数应用于认证ECG波形来提取预测的认证ECG波形,并通过将认证ECG波形与预测的认证ECG波形进行组合来输出滤波后的认证ECG波形。
所述用户认证设备还可包括:特征点提取器,被配置为从滤波后的认证ECG波形提取多个特征点。
特征点提取器还可被配置为从滤波后的认证ECG波形提取多个第二高斯函数,并提取以下参数中的任何一个或任何组合,使得滤波后的认证ECG波形和所述多个第二高斯函数之和之间的距离最小化:指示所述多个第二高斯函数中的每个第二高斯函数的幅度的第二幅度参数、指示所述多个第二高斯函数中的每个第二高斯函数的持续时间的第二持续时间参数和指示所述多个第二高斯函数中的每个第二高斯函数的位置的第二位置参数。
认证器还可被配置为提取滤波后的认证ECG波形和参考ECG波形之间的相似度,并基于相似度确定滤波后的认证ECG波形与参考ECG波形是否对应。
认证器还可被配置为提取滤波后的认证ECG波形中的多个特征点和参考ECG波形中的多个特征点之间的相似度,并基于相似度确定滤波后的认证ECG波形与参考ECG波形是否对应。
认证器还可被配置为基于以下项中的任何一项或任何组合确定相似度:第一幅度参数和第二幅度参数之间的距离、第一持续时间参数和第二持续时间参数之间的距离、第一位置参数和第二位置参数之间的距离。
认证器还可被配置为通过将权重应用于第一幅度参数和第二幅度参数之间的距离、第一持续时间参数和第二持续时间参数之间的距离以及第一位置参数和第二位置参数之间的距离中的每个来确定相似度。
认证器还可被配置为响应于相似度大于预定阈值,将滤波后的认证ECG波形确定为与参考ECG波形对应,并将用户认证为参考ECG波形的用户。
滤波器、特征点提取器和认证器还可被配置为响应于认证器确定滤波后的认证ECG波形与参考ECG波形不对应,重复进行操作。
认证器还可被配置为响应于由滤波器、特征点提取器和认证器重复执行的操作的次数大于预定阈值,确定用户不是参考ECG波形的用户。
认证器还可被配置为响应于相似度大于预定阈值并且随着滤波器、特征点提取器和认证器重复执行操作而增加,将用户认证为参考ECG波形的用户。
特征点提取器还可被配置为提取以下项中的任何一项或任何组合作为特征点:滤波后的认证ECG波形的PR区间、PR段、QRS波群、ST段、ST区间、QT区间、RR区间、幅度、位置、噪声功率和预定统计值。
认证器还可被配置为通过基于比较结果确定用户是否是参考ECG波形的用户来对用户进行认证;滤波器还可被配置为响应于认证器确定用户不是参考ECG波形的用户,重新设置卡尔曼滤波器的变量。
在另一总体方面,一种用户注册设备包括:心电图(ECG)波形获取器,被配置为获取用户的注册ECG波形以对用户进行注册;ECG波形提取器,被配置为基于R峰值从注册ECG波形提取代表性的ECG波形;模型参数提取器,被配置为通过对代表性的ECG波形进行建模,来提取第一模型参数;滤波器,被配置为通过将第一模型参数应用于卡尔曼滤波器,使用卡尔曼滤波器对注册ECG波形进行滤波;特征点提取器,被配置为从滤波后的注册ECG波形提取多个特征点。
模型参数提取器还可被配置为从代表性的ECG波形提取多个第一高斯函数,并提取以下参数中的任何一个或任何组合,使得代表性的ECG波形和所述多个第一高斯函数之和之间的距离最小化:指示所述多个第一高斯函数中的每个第一高斯函数的幅度的第一幅度参数、指示所述多个第一高斯函数中的每个第一高斯函数的持续时间的第一持续时间参数和指示所述多个第一高斯函数中的每个第一高斯函数的位置的第一位置参数。
滤波器还可被配置为使用卡尔曼滤波器基于第一高斯函数通过将第一模型参数应用于注册ECG波形来提取预测的注册ECG波形,并通过将注册ECG波形与预测的注册ECG波形进行组合来输出滤波后的注册ECG波形。
特征点提取器还可被配置为从滤波后的注册ECG波形提取多个第二高斯函数,并提取以下参数中的任何一个或任何组合,使得滤波后的注册ECG波形和所述多个第二高斯函数之和之间的距离最小化:指示所述多个第二高斯函数中的每个第二高斯函数的幅度的第二幅度参数、指示所述多个第二高斯函数中的每个第二高斯函数的持续时间的第二持续时间参数和指示所述多个第二高斯函数中的每个第二高斯函数的位置的第二位置参数。
特征点提取器还可被配置为提取以下项中的任何一项或任何组合作为特征点:滤波后的注册ECG波形的PR区间、PR段、QRS波群、ST段、ST区间、QT区间、RR区间、幅度、位置、噪声功率和预定统计值。
在另一总体方面,一种用户认证设备包括:注册器,被配置为通过对从注册ECG波形提取的代表性的心电图(ECG)波形进行建模来提取第一模型参数,通过将第一模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对注册ECG波形进行滤波,并从滤波后的注册ECG波形提取多个特征点;认证器,被配置为通过将包括在所述多个特征点中的第二模型参数应用于卡尔曼滤波器,使用卡尔曼滤波器对认证ECG波形进行滤波,将滤波后的认证ECG波形与滤波后的注册ECG波形进行比较,并基于比较的结果,确定滤波后的认证ECG波形与注册ECG波形是否对应。
在另一总体方面,一种用户认证方法包括:获取将被认证的用户的认证心电图(ECG)波形;通过将从参考ECG波形提取的参考模型参数应用于卡尔曼滤波器,使用卡尔曼滤波器对认证ECG波形进行滤波;将滤波后的认证ECG波形与参考ECG波形进行比较;基于比较的结果确定滤波后的认证ECG波形与参考ECG波形是否对应。
在另一总体方面,一种用户注册方法包括:获取将被认证的用户的注册心电图(ECG)波形;基于R峰值从注册ECG波形提取代表性的ECG波形;通过对代表性的ECG波形进行建模来提取模型参数;通过将模型参数应用于卡尔曼滤波器,使用卡尔曼滤波器对注册ECG波形进行滤波;从滤波后的注册ECG波形提取多个特征点。
在另一总体方面,一种用户认证方法包括:通过对从注册ECG波形提取的代表性的心电图(ECG)波形进行建模,来提取第一模型参数;通过将第一模型参数应用于卡尔曼滤波器,使用卡尔曼滤波器对注册ECG波形进行滤波;从滤波后的注册ECG波形提取多个特征点;通过将包括在所述多个特征点中的第二模型参数应用于卡尔曼滤波器,使用卡尔曼滤波器对认证ECG波形进行滤波;将滤波后的认证ECG波形与滤波后的注册ECG波形进行比较;基于比较的结果确定滤波后的认证ECG波形与滤波后的注册ECG波形是否对应。
在另一总体方面,一种用户认证方法包括:获取将被认证的用户的认证心电图(ECG)波形;使用基于从预先注册的用户的参考ECG波形提取的特征调整的预测滤波器对认证ECG波形进行滤波;将滤波后的认证ECG波形与参考ECG波形进行比较;基于比较的结果确定用户是否是所述预先注册的用户。
所述特征可以是用于对参考ECG波形进行建模的高斯函数的参数。
所述用户认证方法还可包括:从滤波后的认证ECG波形提取多个第一特征点;以及从参考ECG波形提取多个第二特征点;将滤波后的认证ECG波形与参考ECG波形进行比较的步骤可包括:将所述多个第一特征点与所述多个第二特征点进行比较。
从以下的详细描述、附图和权利要求,其它特征和方面将是清楚的。
附图说明
图1示出用户注册设备的示例。
图2示出用户认证设备的示例。
图3示出用户认证设备的另一示例。
图4示出对心电图(ECG)波形进行排列的示例。
图5A和图5B示出提取预测的ECG波形的示例。
图6示出使用卡尔曼滤波器对ECG波形进行滤波的示例。
图7示出通过滤波ECG波形改变的距离的趋势的示例。
图8示出通过滤波ECG波形改变的距离的趋势的另一示例。
图9示出用户认证设备的另一示例。
图10示出用户认证设备的另一示例。
图11示出用户认证设备的另一示例。
图12示出用户注册方法的示例。
图13示出用户认证方法的示例。
图14示出用户认证方法的另一示例。
具体实施方式
提供以下详细描述以帮助读者获取对这里描述的方法、设备和/或系统的全面理解。然而,这里描述的系统、设备和/或方法的各种改变、修改和等同物对于本领域的普通技术人员来说将是清楚的。这里描述的操作的顺序仅为示例,并且不限于这里阐明的操作的顺序,而是对于本领域的普通技术人员来说将清楚的是,除了必需按特定顺序发生的操作之外,操作的顺序可被改变。此外,为了更加清楚和简明,可省略对本领域的普通技术人员公知的功能和构造的描述。
贯穿附图和详细描述,相同的标号表示相同的元件。为了清楚、说明和方便,附图可不按比例,并且可夸大附图中的元件的相对大小、比例和描绘。
这里使用的术语只是出于描述具体示例的目的,而不意在以任何方式限制本公开的范围。如这里使用的,除非上下文另外明确地指示,否则单数形式也意在包括复数形式。还将理解的是,当在本说明书中使用时,术语“包括”和/或“具有”指定所陈述的特征、数量、操作、元件、组件或其组合的存在,但是不排除存在或添加一个或更多个其它特征、数量、操作、元件、组件和/或它们的组合。
除非另外限定,否则这里使用的所有术语(包括技术术语和科学术语)具有与该描述所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是,诸如在通用字典中定义的术语应被解释为具有与它们在相关领域的背景中的意思一致的意思,而不应被解释为理想化或过于形式化的意义,除非这里明确地如此限定。
图1示出用户注册设备110的示例。
参照图1,用户注册设备110包括心电图(ECG)波形获取器120、ECG波形提取器130、模型参数提取器140、滤波器150和特征点提取器160。用户注册设备110对用户的ECG信号进行注册。如参照图2所述,用户认证设备210通过将获取的用于认证的ECG信息和预先在用户注册设备110中注册的ECG信息进行比较来对用户进行认证。在一个示例中,虽然用户注册设备110被描述为与图2的用户认证设备210分开,但是用户注册设备110和用户认证设备210可被构造在单个设备中或者可以彼此分开。
ECG波形获取器120使用ECG传感器获取用户的ECG波形以对用户进行注册。在一个示例中,ECG波形获取器120存储针对多个用户的ECG信号。在下文中,用于对用户进行注册的ECG波形还可被称为注册ECG波形。
ECG传感器包括多个电极、放大器和数字滤波器。电极通过例如与用户的手指皮肤接触来感测用户的ECG信号。放大器对由电极感测到的ECG信号进行放大。放大器还可被称为模拟前端(AFE)。数字滤波器将放大后的ECG信号转换为数字信号。通过该处理,提高了ECG信号的信噪比(SNR)。
ECG波形提取器130从转换后的数字信号提取注册ECG波形。在该示例中,注册ECG波形包括多个ECG波形。
ECG波形提取器130基于ECG波形的R峰值从注册ECG波形提取代表性的ECG波形。ECG波形具有可变的时间周期和幅度。例如,在同一用户的ECG波形中,时间周期和幅度可基于用户的呼吸状态而变化。此外,由于通过在ECG传感器中进行采样来获取ECG波形,因此在ECG传感器中获取的ECG波形的峰值可与实际ECG波形的峰值不同。因此,ECG波形提取器130将ECG波形处理为适合认证的形式。在一个示例中,ECG波形提取器130执行预处理以从注册ECG波形去除主要噪声。作为一个示例,在预处理期间,ECG波形提取器130提取范围从0.5赫兹(Hz)至40Hz的注册ECG波形。此外,ECG波形提取器130从注册ECG波形消除诸如DC基线漂移、功率噪声(例如,处于50Hz和60Hz之间的频带中的ECG波形)和运动伪影的主要噪声。
此外,ECG波形提取器130基于R峰值对包括在注册ECG波形中的多个ECG波形进行排列。P波、QRS波、T波和U波在ECG波形中重复出现,QRS波的R峰值在这些波中具有最大的幅度。因此,ECG波形提取器130基于R峰值对ECG波形进行排列。ECG波形提取器130从注册ECG波形检测多个R峰值,并基于检测到的R峰值对包括在注册ECG波形中的多个ECG波形进行排列。此外,ECG波形提取器130从包括在注册ECG波形中的ECG波形提取代表性的ECG波形。作为示例,ECG波形提取器130通过获取包括在注册ECG波形中的ECG波形的平均值来提取代表性的ECG波形。
模型参数提取器140确定代表性的ECG波形的标准偏差值和平均值,并基于代表性的ECG波形的标准偏差值和平均值从代表性的ECG波形提取多个高斯函数。模型参数提取器140使用以下等式1基于高斯函数对代表性的ECG波形进行建模。
在等式1中,θ表示ECG波形的相位值,z表示ECG波形在相应相位的幅度。和表示通过分别对θ和z进行微分获取的值。ω表示指示基于ECG波形的相位改变的角速度的角速度参数。模型参数提取器140从代表性的ECG波形提取用户的平均心率,并从平均心率提取角速度参数。αi表示指示多个高斯函数中的每个高斯函数的幅度的幅度参数,bi表示指示多个高斯函数中的每个高斯函数的持续时间的持续时间参数,Δθi表示指示多个高斯函数中的每个高斯函数的位置的位置参数。在一个示例中,模型参数包括幅度参数αi、持续时间参数bi、位置参数Δθi和角速度参数ω。模型参数指示用户的独特特征,因此模型参数对于每个用户来说将是不同的。
模型参数提取器140使用以下等式2提取幅度参数αi、持续时间参数bi和位置参数Δθi作为模型参数。
在等式2中,x表示代表性的ECG波形,z表示使用等式1建模的代表性的ECG波形。建模的代表性的ECG波形是高斯函数之和。||||表示指示x和z之间的距离的范数。范数可以是例如欧几里德范数、L1范数或P范数,它们中的所有对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。模型参数提取器140提取幅度参数αi、持续时间参数bi和位置参数Δθi,使得建模的代表性的ECG波形与代表性的ECG波形最接近,例如,使得代表性的ECG波形和高斯函数之和之间的距离最小化。
滤波器150通过将由模型参数提取器140提取的模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对注册ECG波形进行滤波。卡尔曼滤波器可以是例如扩展卡尔曼滤波器或无迹卡尔曼滤波器,它们两者对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。如本领域的普通技术人员已知的那样,卡尔曼滤波器是预测滤波器中的一种类型。虽然本申请中的示例描述使用卡尔曼滤波器,但是这仅是一个示例,可使用本领域的普通技术人员已知的其它类型的预测滤波器。
滤波器150使用卡尔曼滤波器通过将由模型参数提取器140提取的幅度参数αi、持续时间参数bi、位置参数Δθi和角速度参数ω应用于注册ECG波形,来提取预测的注册ECG波形。滤波器150考虑由ECG波形提取器130提取的注册ECG波形和使用卡尔曼滤波器预测的注册ECG波形的统计分布,将由ECG波形提取器130提取的注册ECG波形和预测的注册ECG波形进行组合。在一个示例中,滤波器150使滤波后的注册波形平滑。例如,滤波器150使用固定滞后平滑器或固定区间平滑器使滤波后的注册ECG波形平滑,固定滞后平滑器和固定区间平滑器两者对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。
特征点提取器160从滤波后的注册ECG波形提取多个特征点。在该示例中,特征点包括:滤波后的注册ECG波形的PR区间、PR段、QRS波群、ST段、ST区间、QT区间和RR区间,滤波后的注册ECG波形的幅度、位置和噪声功率,或滤波后的注册ECG波形的统计值和模型参数。在一个示例中,特征点提取器160确定滤波后的注册ECG波形的标准偏差值和平均值,并基于确定的标准偏差值和平均值从滤波后的注册ECG波形提取多个高斯函数。特征点提取器160基于从滤波后的注册ECG波形提取的高斯函数使用等式1对滤波后的注册ECG波形进行建模。使用等式1和等式2,特征点提取器160提取幅度参数、持续时间参数和位置参数,从而使滤波后的注册ECG波形和高斯函数之和之间的距离最小化。幅度参数指示从滤波后的注册ECG波形提取的多个高斯函数中的每个高斯函数的幅度。持续时间参数指示多个高斯函数中的每个高斯函数的持续时间。位置参数指示多个高斯函数中的每个高斯函数的位置。此外,特征点提取器160从滤波后的注册ECG波形提取用户的平均心率,并从平均心率提取角速度参数。
图2示出用户认证设备210的示例。
参照图2,用户认证设备210包括ECG波形获取器220、ECG波形提取器230、滤波器240、特征点提取器250和认证器260。用户认证设备210通过将从用户获取的ECG信息和存储在图1的用户注册设备110中的关于预先注册的用户的ECG信息进行比较来对用户与预先注册的用户是否对应进行认证。
如上所述,虽然用户认证设备210被描述为与图1的用户注册设备110分开,但是用户注册设备110和用户认证设备210可被构造在单个设备中或者可以彼此分开。
ECG波形获取器220使用ECG传感器获取用户的ECG波形。在下文中,用于对用户进行认证的ECG波形还可被称为认证ECG波形。
ECG传感器包括多个电极、放大器和数字滤波器。电极通过例如与用户的手指皮肤接触来感测用户的ECG信号。放大器对由电极感测到的ECG信号进行放大。放大器还可被称为AFE。数字滤波器将放大后的ECG信号转换为数字信号。通过该处理,提高了ECG信号的信噪比(SNR)。
ECG波形提取器230从转换后的数字信号提取认证ECG波形。在该示例中,认证ECG波形包括多个ECG波形。
ECG波形提取器230执行预处理以从认证ECG波形去除主要噪声。作为一个示例,在预处理期间,ECG波形提取器230提取范围从0.5Hz至40Hz的认证ECG波形。此外,ECG波形提取器230从认证ECG波形消除诸如DC基线漂移、功率噪声(例如,处于50Hz和60Hz之间的频带中的ECG波形)和运动伪影的主要噪声。
此外,ECG波形提取器230基于R峰值对包括在认证ECG波形中的多个ECG波形进行排列。ECG波形提取器230从认证ECG波形检测多个R峰值,并基于检测到的R峰值对包括在认证ECG波形中的多个ECG波形进行排列。
滤波器240通过将从参考ECG波形提取的参考模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对认证ECG波形进行滤波。如本领域的普通技术人员已知的那样,卡尔曼滤波器是预测滤波器中的一种类型。虽然本申请中的示例描述使用卡尔曼滤波器,但是这仅是一个示例,可使用本领域的普通技术人员已知的其它类型的预测滤波器。参考ECG波形是预先注册用户的注册ECG波形,参考模型参数是基于参考ECG波形提取的模型参数。参考模型参数包括幅度参数、持续时间参数、位置参数和角速度参数中的任何一个或任何组合,其中,幅度参数指示从参考ECG波形提取的多个高斯函数中的每个高斯函数的幅度,持续时间参数指示多个高斯函数中的每个高斯函数的持续时间,位置参数指示多个高斯函数中的每个高斯函数的位置,角速度参数指示基于参考ECG波形的相位改变的角速度。使用等式1和等式2从参考ECG波形提取参考模型参数。在一个示例中,滤波器240从图1的用户注册设备110接收关于参考ECG波形和参考模型参数的信息。卡尔曼滤波器可以是例如扩展卡尔曼滤波器或无迹卡尔曼滤波器,它们两者对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。
滤波器240使用卡尔曼滤波器通过将参考模型参数应用于认证ECG波形,来提取预测的认证ECG波形。滤波器240考虑由ECG波形提取器230提取的认证ECG波形和使用卡尔曼滤波器预测的认证ECG波形的统计分布,将由ECG波形提取器230提取的认证ECG波形和预测的认证ECG波形进行组合。参考模型参数反映参考ECG波形的独特特征。因此,当认证ECG波形的用户与参考ECG波形的用户相同时,卡尔曼滤波器中的预测误差将减小,从而滤波后的认证ECG波形将与参考ECG波形更接近。当认证ECG波形的用户不是参考ECG波形的用户时,卡尔曼滤波器中的预测误差将增大,从而滤波后的认证ECG波形将与参考ECG波形相差更远而与认证ECG波形更接近。
在一个示例中,滤波器240使滤波后的认证ECG波形平滑。例如,滤波器240使用固定滞后平滑器或固定区间平滑器使滤波后的认证ECG波形平滑,固定滞后平滑器或固定区间平滑器两者对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。
特征点提取器250从滤波后的认证ECG波形提取多个特征点。在该示例中,特征点包括以下项中的任何一项或任何组合:滤波后的认证ECG波形的PR区间、PR段、QRS波群、ST段、ST区间、QT区间和RR区间,滤波后的认证ECG波形的幅度、位置和噪声功率,以及滤波后的认证ECG波形的统计值和模型参数。
在一个示例中,特征点提取器250确定滤波后的认证ECG波形的标准偏差值和平均值,并提取多个高斯函数。特征点提取器250基于从滤波后的认证ECG波形提取的高斯函数使用等式1对滤波后的认证ECG波形进行建模。特征点提取器250提取幅度参数、持续时间参数和位置参数,从而使滤波后的认证ECG波形和高斯函数之和之间的距离最小化。幅度参数指示从滤波后的认证ECG波形提取的多个高斯函数中的每个高斯函数的幅度。持续时间参数指示多个高斯函数中的每个高斯函数的持续时间。位置参数指示多个高斯函数中的每个高斯函数的位置。此外,特征点提取器250从滤波后的认证ECG波形提取用户的平均心率,并从平均心率提取角速度参数。
认证器260将滤波后的认证ECG波形和参考ECG波形进行比较,并确定滤波后的认证ECG波形与参考ECG波形是否对应。当滤波后的认证ECG波形被确定为与参考ECG波形对应时,认证器260将用户认证为参考ECG波形的用户,并允许用户访问包括用户认证设备210的设备。当滤波后的认证ECG波形被确定为与参考ECG波形不对应时,认证器260确定用户不是参考ECG波形的用户,并阻止用户访问包括用户认证设备210的设备。
认证器260基于滤波后的认证ECG波形和参考ECG波形之间的相似度,确定滤波后的认证ECG波形与参考ECG波形是否对应。在一个示例中,认证器260基于滤波后的认证ECG波形和参考ECG波形之间的均方根误差(RMSE)、欧几里德距离、余弦相似度或相关性来提取相似度,其中,均方根误差(RMSE)、欧几里德距离、余弦相似度或相关性对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。在该示例中,相似度根据相关性或余弦相似度的增加而增加,并可根据欧几里德距离或RMSE的减小而增加。
此外,认证器260可使用可适用于滤波后的认证ECG波形和参考ECG波形之间的比较的任何方案,提取滤波后的认证ECG波形和参考ECG波形之间的相似度。在一个示例中,认证器260基于滤波后的认证ECG波形中的多个特征点和参考ECG波形中的多个特征点之间的距离来提取相似度。例如,认证器260可使用范数来获取滤波后的认证ECG波形的特征点和参考ECG波形的特征点之间的相似度。
在一个示例中,认证器260使用以下等式3基于从滤波后的认证ECG波形提取的模型参数和从参考ECG波形提取的参考模型参数之间的距离,确定滤波后的认证ECG波形的特征点和参考ECG波形的特征点之间的相似度。
在等式3中,S(i,j)表示滤波后的认证ECG波形的特征点和参考ECG波形的特征点之间的距离,i表示参考ECG波形,j表示滤波后的认证ECG波形,N表示高斯函数的数量。αi表示从参考ECG波形提取的幅度参数,αj表示从滤波后的认证ECG波形提取的幅度参数,bi表示从参考ECG波形提取的持续时间参数,bj表示从滤波后的认证ECG波形提取的持续时间参数,Δθi表示从参考ECG波形提取的位置参数,Δθj表示从滤波后的认证ECG波形提取的位置参数。ρ1表示第一权重,ρ2表示第二权重,ρ3表示第三权重。认证器260针对多个高斯函数中的每个高斯函数计算αi和αj之间的范数、bi和bj之间的范数以及Δθi和Δθj之间的范数,并针对计算的范数中的每个范数应用不同的权重。范数可以是例如欧几里德范数、L1范数或P范数,它们中的所有对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。认证器260可基于预定规则设置第一权重至第三权重。在一个示例中,第一权重ρ1可因基线漂移效应而相对低。由于由ECG波形提取器230基于R峰值提取认证ECG波形,因此第二权重ρ2和第三权重ρ3可相对高。S(i,j)表示认证ECG波形和参考ECG波形之间的距离。相似度可根据S(i,j)的值的增加而减小,相似度可根据S(i,j)的值的减小而增加。作为一个示例,认证器260可使用S(i,j)的相反的值作为相似度。
认证器260基于相似度,确定滤波后的认证ECG波形与参考ECG波形是否对应。在一个示例中,当相似度大于预定第一阈值时,认证器260确定滤波后的认证ECG波形与参考ECG波形对应,从而将用户认证为参考ECG波形的用户。当认证器260确定滤波后的认证ECG波形与参考ECG波形不对应时,用户认证设备210可重复执行滤波器240、特征点提取器250和认证器260的操作。在该示例中,当由滤波器240、特征点提取器250和认证器260重复执行的操作的数量大于预定阈值时,认证器260确定用户不是参考ECG波形的用户。此外,当相似度大于预定第二阈值(例如,小于第一阈值的预定第二阈值),并且作为由滤波器240、特征点提取器250和认证器260重复执行的操作的结果,相似度增加时,认证器260可将用户认证为参考ECG波形的用户。
在一个示例中,当认证器260确定用户不是参考ECG波形的用户时,滤波器240重新设置卡尔曼滤波器的变量。例如,当认证器确定用户不是参考ECG波形的用户时,滤波器240对卡尔曼滤波器的协方差矩阵和状态矩阵进行初始化。相反地,当用户被认证为参考ECG波形的用户时,滤波器240维持卡尔曼滤波器的协方差矩阵和状态矩阵。卡尔曼滤波器的协方差矩阵和状态矩阵对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。
通过ECG波形获取器220、ECG波形提取器230、滤波器240、特征点提取器250和认证器260的操作,尽管ECG波形质量低,但是用户认证设备210可准确地提取特征点,并可减小错误接受率(FAR)、错误拒绝率(FRR)和用于用户认证的时间量。
图3示出用户认证设备310的另一示例。
参照图3,用户认证设备310包括ECG波形获取器320、ECG波形提取器330、注册器340和认证器350。
ECG波形获取器320使用ECG传感器获取用户的ECG波形。ECG传感器包括多个电极、放大器和数字滤波器。电极通过例如与用户的手指皮肤接触来感测用户的ECG信号。放大器对电极中感测到的ECG信号进行放大。数字滤波器将放大后的ECG信号转换为数字信号。
ECG波形提取器330从转换后的数字信号提取ECG波形。在该示例中,ECG波形包括多个ECG波形。
ECG波形提取器330执行预处理以从ECG波形去除主要噪声。作为示例,在预处理期间,ECG波形提取器330提取范围从0.5Hz至40Hz的ECG波形。此外,ECG波形提取器330从ECG波形消除诸如DC基线漂移、功率噪声(例如,处于50Hz和60Hz之间的频带中的ECG波形)和运动伪影的主要噪声。
此外,ECG波形提取器330基于R峰值对包括在ECG波形中的多个ECG波形进行排列。ECG波形提取器330从ECG波形检测多个R峰值,并基于检测到的R峰值对包括在ECG波形中的多个ECG波形进行排列。
在一个示例中,ECG波形提取器330从排列的ECG波形提取代表性的ECG波形。作为示例,ECG波形提取器330通过获取排列的ECG波形的平均值来提取代表性的ECG波形。提取的代表性的ECG波形在注册器340中被使用。
注册器340对用户的ECG波形进行注册。注册器340包括模型参数提取器341、滤波器342和特征点提取器343。
模型参数提取器341确定由ECG波形提取器330提取的代表性的ECG波形的标准偏差值和平均值,并基于标准偏差值和平均值从代表性的ECG波形提取多个高斯函数。基于高斯函数,模型参数提取器341使用等式1对代表性的ECG波形进行建模,并使用等式2提取幅度参数、持续时间参数和位置参数作为模型参数。此外,模型参数提取器341从代表性的ECG波形提取用户的平均心率,并从平均心率提取与模型参数对应的角速度参数。
滤波器342通过将由模型参数提取器341提取的模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对注册ECG波形进行滤波。
滤波器342使用卡尔曼滤波器通过将由模型参数提取器341提取的幅度参数、持续时间参数、位置参数和角速度参数应用于代表性的ECG波形来预测ECG波形。如本领域的普通技术人员已知的那样,卡尔曼滤波器是预测滤波器中的一种类型。虽然本申请中的示例描述使用卡尔曼滤波器,但是这仅是一个示例,可使用本领域的普通技术人员已知的其它类型的预测滤波器。滤波器342通过将不同的权重应用于注册ECG波形和预测的代表性的ECG波形来将注册ECG波形和预测的代表性的ECG波形进行组合,并提取相对于代表性的ECG波形具有最小RMSE的ECG波形,从而提供提取的结果作为滤波后的注册ECG波形。RMSE对于本领域的普通技术人员来说是公知的,因此在这里将不对它进行详细描述。此外,滤波器342使滤波后的注册ECG波形平滑。
特征点提取器343从滤波后的注册ECG波形提取多个特征点。特征点提取器343提取以下项中的任何一项或任何组合:滤波后的注册ECG波形的PR区间、PR段、QRS波群、ST段、ST区间、QT区间和RR区间,滤波后的代表性的ECG波形的幅度、位置和噪声功率,以及滤波后的代表性的ECG波形的预定统计值。此外,特征点提取器343提取滤波后的注册ECG波形的模型参数。在该示例中,特征点提取器343确定滤波后的注册ECG波形的标准偏差值和平均值,并基于标准偏差值和平均值从滤波后的注册ECG波形提取多个高斯函数。使用等式1和等式2,特征点提取器343可从滤波后的注册ECG波形提取幅度参数、持续时间参数和位置参数。此外,特征点提取器343可从滤波后的注册ECG波形提取用户的平均心率,并基于平均心率提取角速度参数。
认证器350基于关于试图被认证的用户的ECG信息和存储在注册器340中的关于预先注册的用户的ECG信息对试图被认证的用户是否是预先注册的用户进行认证。认证器350包括滤波器351、特征点提取器352和用户认证器353。
滤波器351通过将指示由模型参数提取器341提取的模型参数的参考模型参数应用于卡尔曼滤波器,来使用卡尔曼滤波器对试图被认证的用户的认证ECG波形进行滤波。
滤波器351将卡尔曼滤波器应用于认证ECG波形。卡尔曼滤波器可用于通过将参考模型参数应用于认证ECG波形来提取预测的认证ECG波形。滤波器351通过针对认证ECG波形和预测的目标ECG波形中的每个应用不同的权重来输出滤波后的认证ECG波形。此外,滤波器351使滤波后的认证ECG波形平滑。
特征点提取器352从滤波后的认证ECG波形提取多个特征点。特征点提取器352提取以下项中的任何一项或任何组合:滤波后的认证ECG波形的PR区间、PR段、QRS波群、ST段、ST区间、QT区间和RR区间,滤波后的认证ECG波形的幅度、位置和噪声功率,以及滤波后的认证ECG波形的统计值和模型参数。此外,特征点提取器352可从滤波后的认证ECG波形提取模型参数。在该示例中,特征点提取器352确定滤波后的认证ECG波形的标准偏差值和平均值,并基于标准偏差值和平均值从滤波后的认证ECG波形提取多个高斯函数。使用等式1和等式2,特征点提取器352从滤波后的认证ECG波形提取幅度参数、持续时间参数和位置参数。此外,特征点提取器352从滤波后的认证ECG波形提取用户的平均心率,并基于平均心率提取角速度参数。
用户认证器353将滤波后的认证ECG波形和滤波后的注册ECG波形进行比较,并确定滤波后的认证ECG波形与滤波后的注册ECG波形是否对应。
用户认证器353基于滤波后的认证ECG波形和滤波后的注册ECG波形之间的相似度,确定滤波后的认证ECG波形与滤波后的注册ECG波形是否对应。在一个示例中,用户认证器353基于滤波后的认证ECG波形和滤波后的注册ECG波形之间的RMSE、欧几里德距离、余弦相似度或相关性来提取相似度,其中,RMSE、欧几里德距离、余弦相似度或相关性对于本领域的普通技术人员来说是公知的,因此在这里将不对它们进行详细描述。相似度随着相关性或余弦相似度的增加而增加,随着欧几里德距离或RMSE的减小而增加。
此外,用户认证器353可使用可适用于滤波后的认证ECG波形和滤波后的注册ECG波形之间的比较的任何方案,提取滤波后的认证ECG波形和滤波后的注册ECG波形之间的相似度。在一个示例中,用户认证器353基于滤波后的认证ECG波形中的多个特征点和滤波后的注册ECG波形中的多个特征点之间的距离来提取相似度。此外,如等式3中所示,用户认证器353可基于从滤波后的认证ECG波形提取的模型参数和从滤波后的注册ECG波形提取的参考模型参数之间的距离,确定滤波后的认证ECG波形的特征点和滤波后的注册ECG波形的特征点之间的相似度。
用户认证器353基于相似度,确定滤波后的认证ECG波形与滤波后的注册ECG波形是否对应。在一个示例中,当相似度大于预定第一阈值时,用户认证器353将滤波后的认证ECG波形确定为与滤波后的注册ECG波形对应,从而将用户认证为注册ECG波形的用户。当用户认证器353确定滤波后的认证ECG波形与滤波后的注册ECG波形不对应时,用户认证设备310可重复执行ECG波形提取器330、滤波器351、特征点提取器352和用户认证器353的操作。在该示例中,当由ECG波形提取器330、滤波器351、特征点提取器352和用户认证器353重复执行的操作的数量大于预定阈值时,用户认证器353确定用户不是注册ECG波形的用户。此外,当相似度大于预定第二阈值时,并且当通过由ECG波形提取器330、滤波器351、特征点提取器352和用户认证器353重复执行的操作,相似度增加时,用户认证器353将用户认证为与参考ECG波形的用户相同。
图4示出对ECG波形进行排列的示例。
参照图4,在曲线图410中,横轴表示时间,纵轴表示ECG波形的幅度。曲线图410示出使用ECG传感器获取的ECG信号。曲线图410示出相同用户的ECG信号中的多个ECG波形411,ECG波形411的时间段和幅度根据用户的呼吸状态变化。当ECG传感器提供相对低的性能质量时,在ECG波形411中会出现噪声。用户认证设备执行预处理以从ECG波形消除主要噪声,从而ECG波形411具有适合于用户认证的形式。例如,用户认证设备从ECG波形411提取范围从0.5Hz至40Hz的ECG波形。
此外,用户认证设备基于R峰值对ECG波形411进行排列。用户认证设备从ECG波形检测多个R峰值,并基于检测到的R峰值对ECG波形411进行排列。用户认证设备基于排列的ECG波形411执行用户认证。
图5A和图5B示出提取预测的ECG波形511的示例。
参照图5A和图5B,在曲线图510和520中,横轴表示时间,纵轴表示ECG波形的幅度。在对用户进行预先注册的处理中,用户认证设备确定测量的ECG波形512的标准偏差值和平均值,并基于标准偏差值和平均值从测量的ECG波形512提取多个高斯函数513。用户认证设备基于高斯函数513使用等式1对测量的ECG波形512进行建模。用户认证设备使用等式2提取幅度参数、持续时间参数和位置参数。
此外,用户认证设备从测量的ECG波形512提取用户的平均心率,并从平均心率提取角速度参数。用户认证设备可使用卡尔曼滤波器通过将幅度参数、持续时间参数、位置参数和角速度参数应用于测量的ECG波形512来提取预测的ECG波形511。
图6示出使用卡尔曼滤波器对ECG波形进行滤波的示例。
参照图6,在曲线图610中,横轴表示时间,纵轴表示ECG波形的幅度。用户注册设备通过将模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对ECG波形进行滤波。模型参数是从ECG波形提取的被测量用于对用户进行注册的模型参数,并包括幅度参数、持续时间参数、位置参数和角速度参数。
用户注册设备通过将模型参数应用于测量的ECG波形来使用卡尔曼滤波器提取预测的注册ECG波形。用户注册设备通过将预测的ECG波形和从用户测量的ECG波形进行组合来输出滤波后的ECG波形611。在该示例中,不同的权重被应用于预测的ECG波形和测量的ECG波形中的每个。
图7示出通过滤波ECG波形改变的距离的趋势的示例。
参照图7,在曲线图710、720和730中,横轴表示时间,纵轴表示ECG波形的幅度。在对用户进行认证的处理中,用户认证设备通过将从预先注册的用户的ECG波形721提取的模型参数应用于卡尔曼滤波器740来使用卡尔曼滤波器740对用户的ECG波形711进行滤波。在该示例中,用户与预先注册的用户匹配。模型参数包括幅度参数、持续时间参数和位置参数,以使ECG波形721和从ECG波形721提取的多个高斯函数之和之间的距离最小化。此外,模型参数包括从ECG波形721提取的角速度参数。
模型参数反映ECG波形721的独特特征。当ECG波形711的用户与ECG波形721的用户匹配时,卡尔曼滤波器740中的预测误差减小。因此,滤波后的ECG波形731具有与预先注册的用户的ECG波形721的形状接近的形状。
图8示出通过滤波ECG波形改变的距离的趋势的另一示例。
参照图8,在曲线图810、820和830中,横轴表示时间,纵轴表示ECG波形的幅度。在对用户进行认证的处理中,用户认证设备通过将从预先注册的用户的ECG波形821提取的模型参数应用于卡尔曼滤波器840来使用卡尔曼滤波器840对用户的ECG波形811进行滤波。在该示例中,用户与预先注册的用户不匹配。模型参数包括幅度参数、持续时间参数和位置参数,以使ECG波形821和从ECG波形821提取的多个高斯函数之和之间的距离最小化。此外,模型参数包括从ECG波形821提取的角速度参数。
模型参数反映ECG波形821的独特特征。当ECG波形811的用户与ECG波形821的用户不匹配时,卡尔曼滤波器840中的预测误差增大。因此,滤波后的ECG波形831与ECG波形821相差更远,而与ECG波形811更接近。
图9示出用户认证设备的另一示例。
参照图9,移动终端910包括正极电极920、参考电极930和负极电极940,以感测ECG信号。在图9中示出的示例中,正极电极920和参考电极930布置在移动终端910的相对侧,负极电极940布置在移动终端910的下部。然而,这仅是一个示例,如本领域的普通技术人员将清楚的那样,正极电极920、参考电极930和负极电极940的其它布置是可行的。
当用户的手指接触多个电极(例如,正极电极920、参考电极930和负极电极940)时,移动终端910感测ECG信号。移动终端910使用放大器将ECG信号放大,并将放大后的ECG信号转换为数字信号。移动终端910从转换后的数字信号提取ECG波形。
在对用户的ECG波形进行注册的处理中,移动终端910基于R峰值从被注册的用户的ECG波形提取代表性的ECG波形,并通过对代表性的波形进行建模来提取模型参数。此外,移动终端910通过将模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对从被注册的用户提取的ECG波形进行滤波,并从滤波后的ECG波形提取多个特征点。
在对用户进行认证的处理中,移动终端910基于R峰值对包括在ECG波形中的多个ECG波形进行排列,并通过将从预先注册的ECG波形提取的模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对试图被认证的用户的ECG波形进行滤波。移动终端910将滤波后的ECG波形与预先注册的ECG波形进行比较,并基于比较的结果确定滤波后的ECG波形与预先注册的ECG波形是否对应。基于确定的结果,移动终端910对用户是否是预先注册的用户进行认证。
图10示出用户认证设备的另一示例。
参照图10,可穿戴终端1010包括正极电极1021、参考电极1022和负极电极1011,以感测ECG信号。在图10中示出的示例中,正极电极1021和参考电极1022布置在可穿戴终端1010的背面,负极电极1011布置在可穿戴终端1010的正面。然而,这仅是一个示例,如本领域的普通技术人员将清楚的那样,正极电极1021、参考电极1022和负极电极1011的其它布置是可行的。
与图9的移动终端910相似,可穿戴终端1010使用多个电极(例如,正极电极1021、参考电极1022和负极电极1011)获取用户的ECG信号,从ECG信号提取ECG波形,并对提取的ECG波形进行滤波。此外,可穿戴终端1010执行与图9中的移动终端910相同的操作,以预先对用户的ECG波形进行注册,或对用户与预先注册的用户是否匹配进行认证。
图11示出用户认证设备的另一示例。
参照图11,移动终端1110包括正极电极1120、参考电极1130和负极电极1140,以感测ECG信号。在图11中的示例中,正极电极1120和参考电极1130布置在移动终端1110的两侧,负极电极1140布置在移动终端1110的下部。然而,这仅是一个示例,如本领域的普通技术人员将清楚的那样,正极电极1120、参考电极1130和负极电极1140的其它布置是可行的。
移动终端1110基于R峰值对包括在用户的ECG波形中的多个ECG波形进行排列。此外,移动终端1110从服务器1150获取关于参考ECG波形的信息,参考ECG波形是预先注册的用户的ECG波形。移动终端1110从服务器1150接收关于从参考ECG波形提取的模型参数的信息。移动终端1110通过将模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对用户的ECG波形进行滤波。移动终端1110提取参考ECG波形和滤波后的ECG波形之间的相似度。在一个示例中,移动终端1110基于从参考ECG波形提取的多个特征点和从滤波后的ECG波形提取的多个特征点来提取相似度。移动终端1110基于相似度执行关于用户与预先注册的用户是否匹配的认证。移动终端1110可将以下信息中的任何一个或任何组合发送到服务器1150:关于特征点的信息、关于相似度的信息和关于用户与预先注册的用户是否匹配的认证信息。在一个示例中,服务器1150基于从移动终端1110接收到的认证信息而允许用户访问服务器1150。
图12示出用户注册方法的示例。
参照图12,在操作1210,用户注册设备获取用户的注册ECG波形以对用户进行注册。
在操作1220,用户注册设备基于R峰值从注册ECG波形提取代表性的ECG波形。
在操作1230,用户注册设备通过对代表性的ECG波形进行建模来提取模型参数。
在操作1240,用户注册设备通过将模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对注册ECG波形进行滤波。
在操作1250,用户注册设备从滤波后的注册ECG波形提取多个特征点。
为了更加清楚和简明,将省略针对图12的用户注册方法的重复描述,这是因为参照图1至图11提供的描述也适用于图12的用户注册方法。
图13示出用户认证方法的示例。
参照图13,在操作1310,用户认证设备获取用户的认证ECG波形以对用户进行认证。
在操作1320,用户认证设备通过将从参考ECG波形提取的参考模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对认证ECG波形进行滤波。
在操作1330,用户认证设备通过将滤波后的认证ECG波形与参考ECG波形进行比较来确定滤波后的认证ECG波形与参考ECG波形是否对应。在一个示例中,当滤波后的认证ECG波形与参考ECG波形不对应时,用户认证设备重复执行操作1320和1330。在该示例中,重复执行操作1320和1330的次数可少于预定阈值。
为了更加清楚和简明,将省略针对图13的用户认证方法的重复描述,这是因为参照图1至图11提供的描述也适用于图13的用户认证方法。
图14示出用户认证方法的另一示例。
参照图14,在操作1410,用户认证设备通过对从注册ECG波形提取的代表性的ECG波形进行建模来提取第一模型参数。
在操作1420,用户认证设备通过将第一模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对注册ECG波形进行滤波。
在操作1430,用户认证设备从滤波后的注册ECG波形提取多个特征点。
在操作1440,用户认证设备通过将包括在特征点中的第二模型参数应用于卡尔曼滤波器来使用卡尔曼滤波器对认证ECG波形进行滤波。
在操作1450,用户认证设备通过将滤波后的认证ECG波形与滤波后的注册ECG波形进行比较来确定滤波后的认证ECG波形与滤波后的注册ECG波形是否对应。在一个示例中,当第二ECG波形与第一ECG波形不对应时,用户认证设备重复执行操作1440和1450。在该示例中,重复执行操作1440和1450的次数可少于预定阈值。
为了更加清楚和简明,将省略针对图14的用户认证方法的重复描述,这是因为参照图1至图11提供的描述也适用于图14的用户认证方法。
可使用一个或更多个硬件组件、一个或更多个软件组件或一个或更多个硬件组件和一个或更多个软件组件的组合来实现执行针对图1至图14描述的各种操作的图1中的ECG波形获取器120、ECG波形提取器130、模型参数提取器140、滤波器150和特征点提取器160,图2中的ECG波形获取器220、ECG波形提取器230、滤波器240、特征点提取器250和认证器260,图3中的ECG波形获取器320、ECG波形提取器330、模型参数提取器341、滤波器342、特征点提取器343、滤波器351、特征点提取器352和用户认证器353,图9中的移动终端910、图10中的可穿戴终端1010以及图11中的移动终端1110和服务器1150。
硬件组件可以是例如物理地执行一个或更多个操作的物理装置,但不限于此。硬件组件的示例包括电阻器、电容器、电感器、电源、频率发生器、运算放大器、功率放大器、低通滤波器、高通滤波器、带通滤波器、模数转换器、数模转换器和处理装置。
可例如由被软件或指令控制以执行一个或更多个操作的处理装置实施软件组件,但不限于此。计算机、控制器或其它控制装置可使处理装置运行软件或执行指令。可由一个处理装置实施一个软件组件,或者可由一个处理装置实施两个或更多个软件组件,或者可由两个或更多个处理装置实施一个软件组件,或者可由两个或更多个处理装置实施两个或更多个软件组件。
可使用一个或更多个通用或专用计算机(诸如例如,处理器、控制器和算术逻辑单元、数字信号处理器、微型计算机、现场可编程阵列、可编程逻辑单元、微处理器或能够运行软件或执行指令的任何其它装置)来实现处理装置。处理装置可运行操作系统(OS)并且可运行在OS下操作的一个或更多个软件应用。当运行软件或执行指令时,处理装置可访问、存储、操纵、处理和创建数据。为了简单,可在描述中使用单数术语“处理装置”,但本领域普通技术人员将会理解,处理装置可包括多个处理元件和多种类型的处理元件。例如,处理装置可包括一个或更多个处理器或者一个或更多个处理器和一个或更多个控制器。另外,可实现不同的处理配置,诸如并行处理器或多核处理器。
被构造为实施软件组件以执行操作A的处理装置可包括处理器,该处理器被编程为运行软件或执行指令以控制处理器执行操作A。另外,被构造为实施软件组件以执行操作A、操作B和操作C的处理装置可具有各种配置,诸如例如:被构造为实施软件组件以执行操作A、B和C的处理器;被构造为实施软件组件以执行操作A的第一处理器和被构造为实施软件组件以执行操作B和C的第二处理器;被构造为实施软件组件以执行操作A和B的第一处理器和被构造为实施软件组件以执行操作C的第二处理器;被构造为实施软件组件以执行操作A的第一处理器、被构造为实施软件组件以执行操作B的第二处理器和被构造为实施软件组件以执行操作C的第三处理器;被构造为实施软件组件以执行操作A、B和C的第一处理器和被构造为实施软件组件以执行操作A、B和C的第二处理器;或者一个或更多个处理器的任何其它配置,所述一个或更多个处理器中的每一个执行操作A、B和C中的一个或更多个操作。虽然这些示例提及三个操作A、B和C,但可执行的操作的数量不限于三个,而可以是实现所希望的结果或执行所希望的任务所需的任何数量的操作。
用于实现这里公开的示例的功能程序、代码和代码段可由示例所属领域的编程技术人员基于这里提供的附图及其对应描述来容易地构造。
用于控制处理装置实施软件组件的软件或指令可包括计算机程序、代码段、指令或其一些组合,以用于独立地或共同地指示或配置处理装置执行一个或更多个所希望的操作。软件或指令可包括可由处理装置直接执行的机器代码(诸如,由编译器产生的机器代码)和/或可由处理装置使用解释器执行的高级代码。软件或指令和任何关联的数据、数据文件和数据结构可被永久或暂时地实施在任何类型的机器、组件、物理或虚拟装备、计算机存储介质或装置或者能够将指令或数据提供给处理装置或由处理装置解释的传播的信号波中。软件或指令和任何关联的数据、数据文件和数据结构还可分布在联网的计算机系统中,从而以分布方式存储和执行软件或指令和任何关联的数据、数据文件和数据结构。
虽然本公开包括特定的示例,但是本领域的普通技术人员将清楚的是,可在不脱离权利要求及其等同物的精神和范围的情况下对这些示例做出形式和细节上的各种改变。例如,如果描述的技术被以不同的顺序执行,和/或如果描述的系统、架构、装置或电路中的组件被以不同的方式组合和/或被其它组件或其等同物代替或补充,则可实现合适的结果。因而,本公开的范围不是由详细的描述限定,而是由权利要求及其等同物限定,并且权利要求及其等同物的范围内的所有变形将被解释为包括在本公开中。
Claims (28)
1.一种用户认证设备,包括:
心电图波形获取器,被配置为获取将被认证的用户的认证心电图波形;
滤波器,被配置为通过将从参考心电图波形提取的参考模型参数应用于卡尔曼滤波器,使用所述卡尔曼滤波器对认证心电图波形进行滤波;
认证器,被配置为将滤波后的认证心电图波形与参考心电图波形进行比较,并基于比较的结果确定滤波后的认证心电图波形与参考心电图波形是否对应。
2.如权利要求1所述的用户认证设备,其中,认证心电图波形包括多个心电图波形;
所述用户认证设备还包括:心电图波形提取器,被配置为基于R峰值对包括在认证心电图波形中的所述多个心电图波形进行排列。
3.如权利要求1所述的用户认证设备,其中,参考模型参数包括以下参数中的任何一个或任何组合:指示从参考心电图波形提取的多个第一高斯函数中的每个第一高斯函数的幅度的第一幅度参数、指示所述多个第一高斯函数中的每个第一高斯函数的持续时间的第一持续时间参数、指示所述多个第一高斯函数中的每个第一高斯函数的位置的第一位置参数和指示基于参考心电图波形的相位改变的角速度的第一角速度参数。
4.如权利要求3所述的用户认证设备,其中,滤波器还被配置为使用所述卡尔曼滤波器通过将参考模型参数应用于认证心电图波形来提取预测的认证心电图波形,并通过将认证心电图波形与预测的认证心电图波形进行组合来输出滤波后的认证心电图波形。
5.如权利要求4所述的用户认证设备,还包括:特征点提取器,被配置为从滤波后的认证心电图波形提取多个特征点。
6.如权利要求5所述的用户认证设备,其中,特征点提取器还被配置为:从滤波后的认证心电图波形提取多个第二高斯函数,并提取以下参数中的任何一个或任何组合,使得滤波后的认证心电图波形和所述多个第二高斯函数之和之间的距离最小化:指示所述多个第二高斯函数中的每个第二高斯函数的幅度的第二幅度参数、指示所述多个第二高斯函数中的每个第二高斯函数的持续时间的第二持续时间参数和指示所述多个第二高斯函数中的每个第二高斯函数的位置的第二位置参数。
7.如权利要求6所述的用户认证设备,其中,认证器还被配置为:提取滤波后的认证心电图波形和参考心电图波形之间的相似度,并基于相似度确定滤波后的认证心电图波形与参考心电图波形是否对应。
8.如权利要求7所述的用户认证设备,其中,认证器还被配置为:提取滤波后的认证心电图波形中的多个特征点和参考心电图波形中的多个特征点之间的相似度,并基于相似度确定滤波后的认证心电图波形与参考心电图波形是否对应。
9.如权利要求8所述的用户认证设备,其中,认证器还被配置为基于以下项中的任何一项或任何组合确定相似度:第一幅度参数和第二幅度参数之间的距离、第一持续时间参数和第二持续时间参数之间的距离、第一位置参数和第二位置参数之间的距离。
10.如权利要求9所述的用户认证设备,其中,认证器还被配置为通过将权重应用于第一幅度参数和第二幅度参数之间的距离、第一持续时间参数和第二持续时间参数之间的距离以及第一位置参数和第二位置参数之间的距离中的每个来确定相似度。
11.如权利要求7所述的用户认证设备,其中,认证器还被配置为响应于相似度大于预定阈值,将滤波后的认证心电图波形确定为与参考心电图波形对应,并将用户认证为参考心电图波形的用户。
12.如权利要求7所述的用户认证设备,其中,滤波器、特征点提取器和认证器还被配置为响应于认证器确定滤波后的认证心电图波形与参考心电图波形不对应,重复进行操作。
13.如权利要求12所述的用户认证设备,其中,认证器还被配置为响应于由滤波器、特征点提取器和认证器重复执行的操作的次数大于预定阈值,确定用户不是参考心电图波形的用户。
14.如权利要求12所述的用户认证设备,其中,认证器还被配置为响应于相似度大于预定阈值并且相似度随着滤波器、特征点提取器和认证器重复执行操作而增加,将用户认证为参考心电图波形的用户。
15.如权利要求5所述的用户认证设备,其中,特征点提取器还被配置为提取以下项中的任何一项或任何组合作为特征点:滤波后的认证心电图波形的PR区间、PR段、QRS波群、ST段、ST区间、QT区间、RR区间、幅度、位置、噪声功率和预定统计值。
16.如权利要求1所述的用户认证设备,其中,认证器还被配置为通过基于比较的结果确定用户是否是参考心电图波形的用户来对用户进行认证;
滤波器还被配置为响应于认证器确定用户不是参考心电图波形的用户,重新设置所述卡尔曼滤波器的变量。
17.一种用户注册设备,包括:
心电图波形获取器,被配置为获取用户的注册心电图波形以对用户进行注册;
心电图波形提取器,被配置为基于R峰值从注册心电图波形提取代表性的心电图波形;
模型参数提取器,被配置为通过对代表性的心电图波形进行建模,来提取第一模型参数;
滤波器,被配置为通过将第一模型参数应用于卡尔曼滤波器,使用所述卡尔曼滤波器对注册心电图波形进行滤波;
特征点提取器,被配置为从滤波后的注册心电图波形提取多个特征点。
18.如权利要求17所述的用户注册设备,其中,模型参数提取器还被配置为:从代表性的心电图波形提取多个第一高斯函数,并提取以下参数中的任何一个或任何组合,使得代表性的心电图波形和所述多个第一高斯函数之和之间的距离最小化:指示所述多个第一高斯函数中的每个第一高斯函数的幅度的第一幅度参数、指示所述多个第一高斯函数中的每个第一高斯函数的持续时间的第一持续时间参数和指示所述多个第一高斯函数中的每个第一高斯函数的位置的第一位置参数。
19.如权利要求17所述的用户注册设备,其中,滤波器还被配置为:使用所述卡尔曼滤波器基于第一高斯函数通过将第一模型参数应用于注册心电图波形来提取预测的注册心电图波形,并通过将注册心电图波形与预测的注册心电图波形进行组合来输出滤波后的注册心电图波形。
20.如权利要求17所述的用户注册设备,其中,特征点提取器还被配置为:从滤波后的注册心电图波形提取多个第二高斯函数,并提取以下参数中的任何一个或任何组合,使得滤波后的注册心电图波形和所述多个第二高斯函数之和之间的距离最小化:指示所述多个第二高斯函数中的每个第二高斯函数的幅度的第二幅度参数、指示所述多个第二高斯函数中的每个第二高斯函数的持续时间的第二持续时间参数和指示所述多个第二高斯函数中的每个第二高斯函数的位置的第二位置参数。
21.如权利要求17所述的用户注册设备,其中,特征点提取器还被配置为提取以下项中的任何一项或任何组合作为特征点:滤波后的注册心电图波形的PR区间、PR段、QRS波群、ST段、ST区间、QT区间、RR区间、幅度、位置、噪声功率和预定统计值。
22.一种用户认证设备,包括:
注册器,被配置为通过对从注册心电图波形提取的代表性的心电图波形进行建模来提取第一模型参数,通过将第一模型参数应用于卡尔曼滤波器,使用所述卡尔曼滤波器对注册心电图波形进行滤波,并从滤波后的注册心电图波形提取多个特征点;
认证器,被配置为通过将包括在所述多个特征点中的第二模型参数应用于所述卡尔曼滤波器,使用所述卡尔曼滤波器对认证心电图波形进行滤波,将滤波后的认证心电图波形与滤波后的注册心电图波形进行比较,并基于比较的结果,确定滤波后的认证心电图波形与注册心电图波形是否对应。
23.一种用户认证方法,包括:
获取将被认证的用户的认证心电图波形;
通过将从参考心电图波形提取的参考模型参数应用于卡尔曼滤波器,使用所述卡尔曼滤波器对认证心电图波形进行滤波;
将滤波后的认证心电图波形与参考心电图波形进行比较;
基于比较的结果确定滤波后的认证心电图波形与参考心电图波形是否对应。
24.一种用户注册方法,包括:
获取将被认证的用户的注册心电图波形;
基于R峰值从注册心电图波形提取代表性的心电图波形;
通过对代表性的心电图波形进行建模来提取模型参数;
通过将模型参数应用于卡尔曼滤波器,使用所述卡尔曼滤波器对注册心电图波形进行滤波;
从滤波后的注册心电图波形提取多个特征点。
25.一种用户认证方法,包括:
通过对从注册心电图波形提取的代表性的心电图波形进行建模,来提取第一模型参数;
通过将第一模型参数应用于卡尔曼滤波器,使用所述卡尔曼滤波器对注册心电图波形进行滤波;
从滤波后的注册心电图波形提取多个特征点;
通过将包括在所述多个特征点中的第二模型参数应用于所述卡尔曼滤波器,使用所述卡尔曼滤波器对认证心电图波形进行滤波;
将滤波后的认证心电图波形与滤波后的注册心电图波形进行比较;
基于比较的结果确定滤波后的认证心电图波形与滤波后的注册心电图波形是否对应。
26.一种用户认证方法,包括:
获取将被认证的用户的认证心电图波形;
使用基于从预先注册的用户的参考心电图波形提取的特征调整的预测滤波器对认证心电图波形进行滤波;
将滤波后的认证心电图波形与参考心电图波形进行比较;
基于比较的结果确定用户是否是所述预先注册的用户。
27.如权利要求26所述的用户认证方法,其中,所述特征是用于对参考心电图波形进行建模的高斯函数的参数。
28.如权利要求26所述的用户认证方法,还包括:
从滤波后的认证心电图波形提取多个第一特征点;
从参考心电图波形提取多个第二特征点;
其中,将滤波后的认证心电图波形与参考心电图波形进行比较的步骤包括:将所述多个第一特征点与所述多个第二特征点进行比较。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140115511A KR102257300B1 (ko) | 2014-09-01 | 2014-09-01 | 심전도 신호를 이용한 사용자 인증 방법 및 장치 |
KR10-2014-0115511 | 2014-09-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105373719A true CN105373719A (zh) | 2016-03-02 |
CN105373719B CN105373719B (zh) | 2021-05-18 |
Family
ID=53757956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510231072.1A Active CN105373719B (zh) | 2014-09-01 | 2015-05-08 | 基于心电图信号的用户认证方法和设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10572637B2 (zh) |
EP (1) | EP2989967B1 (zh) |
JP (1) | JP6476092B2 (zh) |
KR (1) | KR102257300B1 (zh) |
CN (1) | CN105373719B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230271A (zh) * | 2017-06-26 | 2017-10-03 | 南京大学 | 一种基于心电信号的组合解锁系统及其方法 |
CN107526957A (zh) * | 2017-08-30 | 2017-12-29 | 努比亚技术有限公司 | 解锁方法、移动终端及存储介质 |
CN108306736A (zh) * | 2017-01-11 | 2018-07-20 | 北京三星通信技术研究有限公司 | 使用心电信号进行身份认证的方法及设备 |
CN111052049A (zh) * | 2017-10-09 | 2020-04-21 | 华为技术有限公司 | 一种动作识别方法、装置及终端 |
CN111758096A (zh) * | 2018-01-19 | 2020-10-09 | 奈米公司 | 活的用户认证设备、系统和方法 |
CN113180685A (zh) * | 2020-12-11 | 2021-07-30 | 上海交通大学 | 基于形态学滤波和小波阈值的心电异常判别系统及方法 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10069824B2 (en) | 2015-05-12 | 2018-09-04 | Branch Banking And Trust Company | Biometric signature authentication and centralized storage system |
US9693711B2 (en) * | 2015-08-07 | 2017-07-04 | Fitbit, Inc. | User identification via motion and heartbeat waveform data |
WO2017096550A1 (en) * | 2015-12-09 | 2017-06-15 | Intel Corporation | Methods and apparatus using human electrocardiogram to protect electronic data |
US10376221B2 (en) * | 2016-07-06 | 2019-08-13 | Biosense Webster (Israel) Ltd. | Automatic creation of multiple electroanatomic maps |
KR20180050947A (ko) | 2016-11-07 | 2018-05-16 | 삼성전자주식회사 | 대표 파형 제공 장치 및 방법 |
KR20180072290A (ko) | 2016-12-21 | 2018-06-29 | 조선대학교산학협력단 | 개인 식별을 위한 심전도 획득 방법 및 그 심전도를 이용한 개인 식별 방법 |
KR101865263B1 (ko) * | 2017-01-18 | 2018-06-07 | 울산과학기술원 | 심전도 기반의 인증 장치 |
KR101863840B1 (ko) * | 2017-01-18 | 2018-06-01 | 울산과학기술원 | 심전도 기반의 인증 장치 |
US10624561B2 (en) | 2017-04-12 | 2020-04-21 | Fitbit, Inc. | User identification by biometric monitoring device |
KR101957019B1 (ko) * | 2017-05-19 | 2019-03-11 | 전자부품연구원 | 개인인증을 위한 웨어러블 디바이스의 ecg 템플릿 검출 방법 |
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 |
CN111183424B (zh) * | 2017-08-30 | 2024-04-12 | 深圳市长桑技术有限公司 | 识别用户的系统和方法 |
KR102480197B1 (ko) | 2017-09-13 | 2022-12-21 | 삼성전자주식회사 | 생체정보 추정 장치 및 방법 |
JP7065404B2 (ja) * | 2017-11-21 | 2022-05-12 | パナソニックIpマネジメント株式会社 | 識別装置及び識別方法 |
EP3489851B1 (en) * | 2017-11-21 | 2021-07-07 | Panasonic Intellectual Property Management Co., Ltd. | Identification device and identification method |
US10885168B2 (en) * | 2017-11-24 | 2021-01-05 | Mastercard International Incorporated | User authentication via fingerprint and heartbeat |
KR102008910B1 (ko) * | 2017-12-06 | 2019-10-21 | 울산과학기술원 | 심전도 기반의 인증 장치 및 방법 |
US20200028844A1 (en) * | 2018-07-20 | 2020-01-23 | Animatech Ltd | System and method for performing user authentication |
US11188914B2 (en) * | 2018-11-20 | 2021-11-30 | Tdk Corporation | Method for authenticated biometric transactions |
CN110403582B (zh) * | 2019-07-23 | 2021-12-03 | 宏人仁医医疗器械设备(东莞)有限公司 | 一种用于分析脉波波形品质的方法 |
KR102331917B1 (ko) * | 2019-10-25 | 2021-11-26 | 이명해 | 심전도 기반 모션 제어 장치 |
KR102622828B1 (ko) * | 2021-12-02 | 2024-01-09 | 주식회사 라이프사이언스테크놀로지 | 생체 인증 장치 및 방법 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702090A (zh) * | 2009-10-19 | 2010-05-05 | 大连海事大学 | 一种基于卡尔曼滤波器的电液伺服系统波形再现控制方法 |
WO2010077997A2 (en) * | 2008-12-16 | 2010-07-08 | Bodymedia, Inc. | Method and apparatus for determining heart rate variability using wavelet transformation |
CN101773394A (zh) * | 2010-01-06 | 2010-07-14 | 中国航天员科研训练中心 | 身份识别方法及应用该方法的身份识别系统 |
US20120123232A1 (en) * | 2008-12-16 | 2012-05-17 | Kayvan Najarian | Method and apparatus for determining heart rate variability using wavelet transformation |
CN102512157A (zh) * | 2011-12-15 | 2012-06-27 | 重庆大学 | 基于模型的动态心电图t波交替定量分析方法 |
CN103345600A (zh) * | 2013-06-24 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
CN103714281A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 一种基于心电信号的身份识别方法 |
CN203576498U (zh) * | 2013-12-04 | 2014-05-07 | 乐普(北京)医疗器械股份有限公司 | 一种心电信号预测系统 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0014855D0 (en) | 2000-06-16 | 2000-08-09 | Isis Innovation | Combining measurements from different sensors |
AU2002322302A1 (en) * | 2001-06-25 | 2003-01-08 | Science Applications International Corporation | Identification by analysis of physiometric variation |
US6827695B2 (en) | 2002-10-25 | 2004-12-07 | Revivant Corporation | Method of determining depth of compressions during cardio-pulmonary resuscitation |
DE10306023B4 (de) | 2003-02-13 | 2007-12-06 | Siemens Ag | Verfahren zum Nachweis einer Berechtigung zum Ver- und Entriegeln und/oder der Benutzung eines Objektes sowie Sicherheitsvorrichtung |
US20080082018A1 (en) | 2003-04-10 | 2008-04-03 | Sackner Marvin A | Systems and methods for respiratory event detection |
JP4257538B2 (ja) | 2003-12-17 | 2009-04-22 | 誠次郎 富田 | 心音波形及び/又は呼吸波形パターンを利用した個人認証システム |
US7814324B2 (en) * | 2005-02-24 | 2010-10-12 | Hewlett-Packard Development Company, L.P. | Method of making a patient monitor |
US8388544B2 (en) * | 2005-03-17 | 2013-03-05 | General Electric Company | System and method for measuring blood viscosity |
GB0624085D0 (en) | 2006-12-01 | 2007-01-10 | Oxford Biosignals Ltd | Biomedical signal analysis method |
KR101002020B1 (ko) | 2008-03-27 | 2010-12-16 | 계명대학교 산학협력단 | 실시간 심전도 모니터링 시스템 및 방법, 패치형 심전도측정장치, 통신장치 |
GB0807039D0 (en) | 2008-04-17 | 2008-05-21 | Oxford Biosignals Ltd | Method and apparatus for measuring breathing rate |
US9060722B2 (en) | 2009-04-22 | 2015-06-23 | Rodrigo E. Teixeira | Apparatus for processing physiological sensor data using a physiological model and method of operation therefor |
US20110118969A1 (en) | 2009-11-17 | 2011-05-19 | Honeywell Intellectual Inc. | Cognitive and/or physiological based navigation |
JP2012176106A (ja) * | 2011-02-25 | 2012-09-13 | Sony Corp | 認証装置及び認証方法、電子機器、並びにコンピューター・プロクラム |
US9646261B2 (en) | 2011-05-10 | 2017-05-09 | Nymi Inc. | Enabling continuous or instantaneous identity recognition of a large group of people based on physiological biometric signals obtained from members of a small group of people |
KR101856781B1 (ko) | 2011-09-22 | 2018-05-11 | 삼성전자주식회사 | 생체 신호의 송수신 방법 및 장치 |
WO2013052944A1 (en) | 2011-10-06 | 2013-04-11 | Isis Innovation Limited | Periodic artifact reduction from biomedical signals |
US9235657B1 (en) * | 2013-03-13 | 2016-01-12 | Johnson Controls Technology Company | System identification and model development |
CA2917708C (en) * | 2013-07-25 | 2021-12-28 | Nymi Inc. | Preauthorized wearable biometric device, system and method for use thereof |
-
2014
- 2014-09-01 KR KR1020140115511A patent/KR102257300B1/ko active IP Right Grant
-
2015
- 2015-05-08 CN CN201510231072.1A patent/CN105373719B/zh active Active
- 2015-06-08 EP EP15170931.8A patent/EP2989967B1/en active Active
- 2015-06-30 US US14/755,971 patent/US10572637B2/en active Active
- 2015-08-26 JP JP2015167269A patent/JP6476092B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010077997A2 (en) * | 2008-12-16 | 2010-07-08 | Bodymedia, Inc. | Method and apparatus for determining heart rate variability using wavelet transformation |
US20120123232A1 (en) * | 2008-12-16 | 2012-05-17 | Kayvan Najarian | Method and apparatus for determining heart rate variability using wavelet transformation |
CN101702090A (zh) * | 2009-10-19 | 2010-05-05 | 大连海事大学 | 一种基于卡尔曼滤波器的电液伺服系统波形再现控制方法 |
CN101773394A (zh) * | 2010-01-06 | 2010-07-14 | 中国航天员科研训练中心 | 身份识别方法及应用该方法的身份识别系统 |
CN102512157A (zh) * | 2011-12-15 | 2012-06-27 | 重庆大学 | 基于模型的动态心电图t波交替定量分析方法 |
CN103345600A (zh) * | 2013-06-24 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
CN203576498U (zh) * | 2013-12-04 | 2014-05-07 | 乐普(北京)医疗器械股份有限公司 | 一种心电信号预测系统 |
CN103714281A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 一种基于心电信号的身份识别方法 |
Non-Patent Citations (2)
Title |
---|
R.SAMENI等: ""Filtering noisy ECG signals using the extended kalman filter based on a modified dynamic ECG model"", 《COMPUTERS IN CARDIOLOGY》 * |
孙佳新: ""基于信号质量评估的可穿戴运动心电监护系统"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306736A (zh) * | 2017-01-11 | 2018-07-20 | 北京三星通信技术研究有限公司 | 使用心电信号进行身份认证的方法及设备 |
CN108306736B (zh) * | 2017-01-11 | 2023-02-03 | 北京三星通信技术研究有限公司 | 使用心电信号进行身份认证的方法及设备 |
CN107230271A (zh) * | 2017-06-26 | 2017-10-03 | 南京大学 | 一种基于心电信号的组合解锁系统及其方法 |
CN107526957A (zh) * | 2017-08-30 | 2017-12-29 | 努比亚技术有限公司 | 解锁方法、移动终端及存储介质 |
CN111052049A (zh) * | 2017-10-09 | 2020-04-21 | 华为技术有限公司 | 一种动作识别方法、装置及终端 |
CN111758096A (zh) * | 2018-01-19 | 2020-10-09 | 奈米公司 | 活的用户认证设备、系统和方法 |
CN113180685A (zh) * | 2020-12-11 | 2021-07-30 | 上海交通大学 | 基于形态学滤波和小波阈值的心电异常判别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6476092B2 (ja) | 2019-02-27 |
US20160063233A1 (en) | 2016-03-03 |
US10572637B2 (en) | 2020-02-25 |
EP2989967A1 (en) | 2016-03-02 |
JP2016049449A (ja) | 2016-04-11 |
KR20160026496A (ko) | 2016-03-09 |
CN105373719B (zh) | 2021-05-18 |
EP2989967B1 (en) | 2023-08-16 |
KR102257300B1 (ko) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105373719A (zh) | 基于心电图信号的用户认证方法和设备 | |
EP3040018B1 (en) | Method and apparatus for authenticating user based on biosignal | |
EP2983109B1 (en) | User authentication method and apparatus based on fingerprint and electrocardiogram (ecg) signal | |
US11109812B2 (en) | Electrocardiogram (ECG) signal based authentication apparatus and method | |
Kang et al. | ECG authentication system design based on signal analysis in mobile and wearable devices | |
EP3189779A2 (en) | Electrocardiogram (ecg) authentication method and apparatus | |
CN107437074B (zh) | 一种身份认证方法和装置 | |
CN105389489B (zh) | 基于心电图信号的用户认证方法和设备 | |
Islam et al. | HBS: a novel biometric feature based on heartbeat morphology | |
Chamatidis et al. | Using deep learning neural networks for ECG based authentication | |
KR20170082440A (ko) | 심전도 인증 방법 및 장치 | |
KR101578167B1 (ko) | 심전도 생체정보를 이용한 실시간 개인 인증방법 | |
KR101788803B1 (ko) | 심전도를 이용한 개인 식별 정보 생성방법 및 그 개인 식별 정보를 이용한 개인 식별 방법 | |
Regouid et al. | Shifted 1d-lbp based ecg recognition system | |
Mesin et al. | A low cost ECG biometry system based on an ensemble of support vector machine classifiers | |
Aslan et al. | VisGIN: Visibility graph neural network on one-dimensional data for biometric authentication | |
Saini et al. | Detection of QRS-complex using K-nearest neighbour algorithm | |
Wang et al. | STERLING: towards effective ECG biometric recognition | |
Hu et al. | EEG-based identification system for mobile devices | |
Safie et al. | Pulse active harmonic (PAH) features for ECG biometric authentication |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |