CN105740680A - 用于基于生物信号对用户进行认证的方法和设备 - Google Patents
用于基于生物信号对用户进行认证的方法和设备 Download PDFInfo
- Publication number
- CN105740680A CN105740680A CN201511020244.7A CN201511020244A CN105740680A CN 105740680 A CN105740680 A CN 105740680A CN 201511020244 A CN201511020244 A CN 201511020244A CN 105740680 A CN105740680 A CN 105740680A
- Authority
- CN
- China
- Prior art keywords
- waveform
- registration
- similarity
- extraction
- feature
- 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
-
- 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
-
- 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
- A61B5/117—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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
Abstract
提供一种用于基于生物信号对用户进行认证的方法和设备。一种认证设备包括:数据集产生器,被配置为通过从用户的生物信号提取波形产生认证数据集;相似度计算器,被配置为将包括在注册数据集中的注册的波形与提取的波形中的每个进行匹配,并计算注册的波形与提取的波形中的每个之间的相似度;辅助相似度计算器,被配置为提取指示提取的波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,并计算典型认证波形与典型注册波形之间的相似度。
Description
本申请要求于2014年12月30日提交到韩国知识产权局的第10-2014-0194107号韩国专利申请的权益,该韩国专利申请的全部公开通过出于所有目的的引用合并于此。
技术领域
以下描述涉及用于基于生物信号对用户进行认证的方法和设备。
背景技术
近来,正在发展利用来自人体的各种信号和数据的技术。例如,为了安全目的的用于基于他或她的生物信号或其它生物数据确立人的身份的生物识别技术正在获得关注。生物识别技术可指用于提取与用户关联的生理的或生物的信号或数据,并将提取的信号或数据与预先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的技术。作为示例,在生物识别技术领域正在发展用于基于个人的心电图(ECG)信号对用户进行识别的技术。
生物识别技术利用(capitalizein)某些生物信号对每个用户而言是特有(unique)的事实。由于这些特有的生物信号不容易被盗或意外丢失并且对伪造或仿造具有强的鲁棒性,因此生物识别技术在安全技术中的应用看起来前景广阔。
发明内容
提供本发明内容来以简化的形式介绍在下面的具体实施方式中进一步描述的对构思的选择。本发明内容不意在标识所要求保护的主题的关键特征或必要特征,也不意在用来帮助确定所要求保护的主题的范围。
在一个总体方面,一种认证设备,包括:数据集产生器,被配置为通过从用户的生物信号提取波形产生认证数据集;相似度计算器,被配置为将包括在存储在存储器中的注册数据集中的注册的波形与提取的波形中的每个进行匹配,并计算注册的波形与提取的波形中的每个之间的相似度;辅助相似度计算器,被配置为提取指示提取的波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,并计算典型认证波形与典型注册波形之间的相似度;认证器,被配置为基于注册的波形与提取的波形中的每个之间的相似度以及典型认证波形与典型注册波形之间的相似度对用户进行认证。
生物信号可包括心电图(ECG)信号。
存储器可被配置为:存储包括在数据集产生器产生认证数据集之前在注册期间从用户的生物信号提取的注册的波形的注册数据集。
相似度计算器可被配置为:提取每个提取的波形的特征以及每个注册的波形的特征,并计算每个提取的波形的特征与每个注册的波形的特征之间的相似度。
相似度计算器可被配置为:将每个提取的波形转换为特征向量,并将注册的波形转换为特征向量,并计算每个提取的波形转换出的特征向量与注册的波形转换出的每个特征向量之间的相似度。
相似度计算器可被配置为:改变注册的波形和提取的波形中的每个的维度,以将每个提取的波形转换为特征向量并将注册的波形转换为特征向量。
相似度计算器可被配置为:提取每个提取的波形的特征参数以及每个注册的波形的特征参数,并计算每个提取的波形的特征参数与每个注册的波形的特征参数之间的相似度。
特征参数可包括:注册的波形中的每个或提取的波形的PR间隔、PR段、QRS波群、、ST段、ST间隔、QT间隔、RR间隔、振幅和噪声功率中的至少一个。
辅助相似度计算器可被配置为:提取典型认证波形的特征以及典型注册波形的特征,并计算典型认证波形的特征与典型注册波形的特征之间的相似度。
辅助相似度计算器可被配置为:将典型认证波形和典型注册波形转换为特征向量,并计算典型认证波形转换出的特征向量与典型注册波形转换出的特征向量之间的相似度。
辅助相似度计算器可被配置为:提取典型认证波形的特征参数以及典型注册波形的特征参数,并计算典型认证波形的特征参数与典型注册波形的特征参数之间的相似度。
认证器可被配置为:基于典型认证波形的特征与典型注册波形的特征之间的相似度以及每个提取的波形与每个注册的波形之间的相似度确定用户是否与注册数据集的用户匹配。
认证器可被配置为:归一化典型认证波形的特征与典型注册波形的特征之间的相似度以及每个提取的波形与每个注册的波形之间的相似度。
认证器可被配置为:通过为典型认证波形的特征与典型注册波形的特征之间的相似度以及每个提取的波形与每个注册的波形之间的相似度中的每个相似度设置不同的权重,来确定用户是否与注册数据集的用户匹配。
认证器可被配置为:通过将典型认证波形的特征与典型注册波形的特征之间的相似度以及每个提取的波形与每个注册的波形之间的相似度应用于分类器,来确定提取的波形是否与注册的波形对应。
分类器可包括:支持向量机(SVM)和最近邻中(NN)的至少一个。
可响应于认证器确定用户与注册数据集的用户不同,重复数据集产生器、相似度计算器和辅助相似度计算器的操作。
认证器可被配置为:响应于数据集产生器、相似度计算器和辅助相似度计算器的操作被重复大于预定阈值的次数,确定用户与注册数据集的用户不同。
在另一总体方面,一种认证设备,可包括:传感器,被配置为检测用户的生物信号;处理器,被配置为通过从用户的生物信号提取波形产生认证数据集,将包括在存储在存储器中的注册数据集中的注册的波形与提取的波形中的每个进行匹配,计算注册的波形与提取的波形中的每个之间的相似度,提取指示提取的波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,计算典型认证波形与典型注册波形之间的相似度,并基于注册的波形与提取的波形中的每个之间的相似度以及典型认证波形与典型注册波形之间的相似度对用户进行认证。
生物信号可包括心电图(ECG)信号。
处理器可被配置为:提取每个提取的波形的特征以及每个注册的波形的特征,并计算每个提取的波形的特征与每个注册的波形的特征之间的相似度。
处理器可被配置为:提取典型认证波形的特征以及典型注册波形的特征,并计算典型认证波形的特征与典型注册波形的特征之间的相似度。
在另一总体方面,一种认证方法,包括:通过从用户的生物信号提取波形产生认证数据集;将每个提取的波形与包括在存储在存储器中的注册数据集中的每个注册的波形进行匹配,并计算注册的波形与提取的波形中的每个之间的相似度;提取指示提取的波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,并计算典型认证波形与典型注册波形之间的相似度;基于注册的波形与提取的波形中的每个之间的相似度以及典型认证波形与典型注册波形之间的相似度对用户进行认证。
在另一总体方面,提供一种非暂时性计算机可读存储介质,其中存储包括使计算机执行上述方法的总体方面的指令的程序。
从以下具体实施方式、附图和权利要求,其它特征和方面将是清楚的。
附图说明
图1A是示出认证设备的示例的框图。
图1B是示出ECG(心电图)信号的示例的波形图。
图2是示出认证设备的另一示例的框图。
图3和图4是示出认证设备的另一示例的框图。
图5A和图5B是示出在认证设备中对用户进行认证的示例的示图。
图6是示出计算提取的波形与注册的波形之间的相似度的方法的示例的框图。
图7是示出将提取的波形与注册的波形进行匹配的方法的示例的框图。
图8是示出认证设备的示例的示图。
图9是示出认证设备的另一示例的示图。
图10是示出认证设备的另一示例的示图。
图11是示出认证方法的示例的流程图。
贯穿附图和具体实施方式,除非另外描述或规定,否则相同的附图参考标号将被理解为表示相同的元件、特征和结构。附图可不必成比例,并且为了清楚、说明和方便起见,可夸大附图中元件的相对尺寸、比例和绘示。
具体实施方式
提供以下详细描述来帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而,在此描述的系统、设备和/或方法的各种改变、修改及等同物对本领域的普通技术人员而言将是清楚的。在此描述的操作的顺序仅是示例,操作的顺序不限于在此阐述的顺序,而是除了必需按特定顺序发生的操作之外,可如本领域普通技术人员将将清楚的那样改变。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。
在此描述的特征可以以不同的形式来实现,并且不应被解释为限于在此描述的示例。相反地,提供在此描述的示例,使得本公开将是全面而完整的,并且在此描述的示例将向本领域的普通技术人员传达本公开的全部范围。
以下,将参照附图详细描述示例性实施例。
然而,应理解,不意在将本公开限制到所公开的具体示例实施例。相反地,示例实施例将涵盖落入示例实施例的范围内的所有修改、等同物和替代。
在此使用的术语仅为了描述具体实施例的目的,不意在限制本发明。如在此使用的,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,当在此说明书中使用时,术语“包括”和/或“具有”指定存在所述特征、整体、步骤、操作、元件、组件或它们的组合,但是不排除存在或添加一个或更多个其它特征、整体、步骤、操作、元件、组件和/或它们的组。
除非另外定义,否则在此使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域的普通技术人员通常理解的含义相同的含义。还将理解,除非在此明确地如此定义,否则诸如在通用字典中定义的术语应被解释为具有与在相关领域的上下文中的含义一致的含义,不应被解释为理想化或过于形式化的含义。
关于附图中为元件分配的附图标记,应该注意的是:在任何可能的情况下,即使相同的元件在不同的附图中被示出,也将通过相同的附图标记来指示相同的元件。此外,在实施例的描述中,当认为公知的现有结构或功能的详细描述将模糊本公开的说明时,可省略公知的现有结构或功能的详细描述。
图1A示出认证设备100的示例。
参照图1A,认证设备100包括:数据集产生器110、相似度计算器120和认证器130。数据集产生器110、相似度计算器120和认证器130可包括一个或多个处理器或存储器。
数据集产生器110通过从用户的生物信号提取用于对用户进行认证的多个波形来产生认证数据,并将产生的认证数据集存储在存储器中。生物信号可指从身体检测的信号并包括,例如,心电图(ECG)信号、脑电图(EEG)信号、肌电图(EMG)信号和眼电图(EOG)信号。此外,生物信号可包括其它生物信号以及上述生物信号。数据集产生器110可从传感器接收生物信号,其中,传感器是硬件装置。传感器的示例包括ECG传感器、EEG传感器、EMG传感器、EOG传感器等。然而,本公开不限于此。在另一示例中,可使用测量关于用户的生物信号或数据的其它传感器。在此示例中,传感器可包括在认证设备100中,或者传感器可以是与认证设备100不同的外部设备。此外,认证设备100可从包括在可穿戴装置中的传感器和包括在移动装置中的传感器以及用于医学仪器的传感器接收生物信号。
以下,为了更加简明和清楚,将基于ECG信号提供以下描述。然而,生物信号的类型不限于此。可选地,本公开也适用于各种生物信号。
在此示例中,ECG传感器可包括多个电极、放大器和数字滤波器。例如,多个电极可被配置为与用户的皮肤(例如,指尖)接触,以检测用户的ECG信号。放大器可放大在电极中检测的ECG信号。在此示例中,放大器可被表示为模拟前端(AFE)。数字滤波器可将放大的ECG信号转换为数字信号。由此,可增大ECG信号的信噪比(SNR)。
在另一示例中,ECG传感器可使用多个电极检测用户的ECG信号。
数据集产生器110可为了用于认证而提取多个波形。例如,数据集产生器110可基于心率划分ECG信号并提取一组波形(包括P波、QRS波、T波和U波)。在图1B中示出P波、QRS波、T波和U波的示例。此外,数据集产生器110可通过评估提取的波形的质量来不提取具有小于预定质量值的质量值的波形作为认证波形。
在一个示例中,数据集产生器110可执行预处理步骤以从多个提取的认证波形去除主要噪声。例如,在预处理步骤中,数据集产生器110可从多个提取的认证波形中提取0.5赫兹(Hz)与40Hz之间的多个提取的认证波形。此外,数据集产生器110可从多个提取的认证波形去除主要噪声,例如,运动伪影、电力噪声(例如,50Hz与60Hz之间的频带的ECG波形和直流(DC)基线偏离(baselinedeviating))。
数据集产生器110可基于R峰对齐多个提取的认证波形。
数据集产生器110可将提取的认证波形合并到认证数据集中。认证数据集可指包括用于对相应用户进行认证的用户认证波形的数据集。根据一个示例,认证数据集可以是从探头获得的探头数据集。认证数据集可在认证数据集中积累相应用户的ECG波形,并且还可当认证结束时移除认证数据集。
认证设备100还可包括存储器(未示出)。存储器可预先存储包括在注册期间从预先注册的用户的生物信号提取的多个波形的注册数据集。注册数据集可指包括用于对相应用户进行注册的用户注册波形的数据集。在一个示例中,认证设备100可获取试图要注册的用户的生物信号,并从所获取的生物信号提取多个用于对用户进行注册的波形,从而产生注册数据集。此外,认证设备100可通过从在执行认证之前存储在认证设备100中的用户的生物信号提取多个波形来产生注册数据集。在另一示例中,认证设备100可从外部设备接收注册数据集。
相似度计算器120在包括在认证数据集中的多个提取的波形中的每个波形上执行与包括在注册数据集中的多个注册的波形执行一一匹配,并计算注册的波形与提取的波形中的每个之间的相似度。例如,相似度计算器120可通过将认证数据集与注册数据集进行匹配来计算相似度。作为一个示例,当M个提取的波形包括在认证数据集中时,并且当N个注册的波形包括在注册数据集中时,相似度计算器120可执行M×N次匹配,以计算M个提取的波形中的每个与N个注册的波形中的每个之间的相似度。此外,相似度计算器120可产生M×N直方图,其中,每个直方图指示M个提取的波形中的每个与N个注册的波形中的每个之间的相似度。
相似度计算器120可在包括在认证数据集中的所有提取的波形上执行与包括在注册数据集中的所有注册波形的一一匹配来代替从提取的波形提取典型认证波形并从注册的波形提取典型注册波形。由此,可防止在提取典型认证波形或典型注册波形的处理中发生的数据丢失,并可减小由包括在认证数据集或注册数据集中的波形中的具有相对高的不规则性的波形影响的对用户认证的影响。作为一个示例,在包括在认证数据集中的四个提取的认证波形中,一个波形可包括相对大的噪声量。在此示例中,从四个提取的认证波形中提取的典型认证波形可由所述一个波形引起失真。替代从四个认证波形提取典型认证波形,相似度计算器120可执行关于四个提取的认证波形中的每个与包括在注册数据集中的多个注册的波形中的每个的匹配,从而减小由于所述一个波形而发生的认证误差。
为了计算相似度,相似度计算器120可提取每个提取的认证波形的特征和每个注册的波形的特征。特征可指波形的属性,并还可被表示为特征点。在一个示例中,特征可包括特征向量和特征参数。然而,本公开不限于此。反而,特征可包括指示波形的属性的所有配置。
在示例中,相似度计算器120可将提取的认证波形和注册的波形中的每个转换为特征向量。相似度计算器120可通过改变提取的认证波形和注册的波形中的每个的维度来将提取的认证波形和注册的波形中的每个转换为特征向量。作为一个示例,相似度计算器120可基于诸如自动校正/离散余弦变换(AC/DCT)、短时傅里叶变换(STFT)、Mel频率倒谱系数(MFCC)、小波(wavelet)、线性预测编码/线性预测倒谱系数(LPC/LPCC)和线光谱对(LSP),将提取的认证波形和注册的波形中的每个转换到频域中。相似度计算器120可通过基于诸如主成分分析(PCA)、线性判别分析(LDA)和本征特征正则化及提取(ERE,eigenfeatureregularizationandextraction)选择被转换到频域(frequencydomain,频率范围)中的提取的认证波形和注册的波形中的每个的特征分量,来减小提取的认证波形和注册的波形中的每个的维度。相似度计算器120可基于减小了维度的提取的认证波形和注册的波形中的每个产生特征向量。
在示例中,相似度计算器120可提取每个提取的认证波形的特征参数和每个注册的波形的特征参数。特征参数可包括ECG波形的PR间隔(PRinterval)、PR段、QRS波群、ST段、ST间隔、QT间隔、RR间隔、振幅和噪声功率中的至少一个。
相似度计算器120可计算每个提取的认证波形的特征与每个注册的波形的特征之间的相似度。作为示例,相似度计算器120可基于诸如相关性、余弦相似度、欧几里得距离、L1范数(L1-norm)、P范数(P-norm)和均方根误差(RMSE),来提取多个提取的认证波形转换成的多个特征向量中的每个特征向量与多个注册的波形转换成的多个特征向量中的每个特征向量之间的相似度,或提取每个提取的认证波形的特征参数与每个注册的波形的特征参数之间的相似度。在此示例中,相似度可根据相关性或余弦相似度的增大而增大。相反地,相似度可根据欧几里得距离或RMSE的值的减小而减小。此外,除上述之外,相似度计算器120可基于任何特征比较方案提取每个提取的认证波形的特征与每个注册的波形的特征之间的相似度。
在示例中,相似度计算器120可以以直方图、特征向量或值的形式表示每个提取的认证波形的特征与每个注册的波形的特征之间的相似度。
认证器130基于相似度对用户进行认证。认证器130可基于每个提取的认证波形与每个注册的波形之间的相似度确定用户是否与注册数据集的用户匹配。
在示例中,为了执行认证,认证器130可归一化每个提取的认证波形与每个注册的波形之间的相似度。在此示例中,认证器130可基于归一化函数(例如,极小-极大、双曲线正切函数估计器、Z评分(z-score)等)来归一化相似度。
认证器130可将每个提取的认证波形与每个注册的波形之间的相似度应用于分类器(未示出),以确定提取的认证波形是否与注册的波形对应。响应于确定提取的认证波形与注册的波形对应,认证器130可认证认证数据集的用户与注册数据集的用户匹配。响应于确定提取的认证波形与注册的波形不对应,认证器130可确定认证数据集的用户与注册数据集的用户不相同。
作为示例,分类器可以是支持向量机(SVM)和最近邻(nearestneighbor,NN)之一,认证器130可将每个提取的认证波形与每个注册的波形之间的相似度应用于SVM和NN中的一个,以确定提取的认证波形是否与注册的波形对应。
当认证器130确定提取的认证波形与注册的波形不对应时,认证设备100可重复数据集产生器110、相似度计算器120和认证器130的操作(重复执行其功能)。例如,当认证器130确定提取的认证波形与注册的波形不对应时,数据集产生器110可再次获取试图被认证的用户的ECG信号并从请求的ECG信号提取多个认证波形,从而产生新的认证数据集。相似度计算器120可在包括在新的认证数据集中的认证波形中的每个认证波形上执行与包括在注册数据集中的多个注册的波形的一一匹配,并计算注册的波形与新提取的认证波形中的每个之间的相似度。认证器130可基于计算的相似度对用户进行认证。在此示例中,当数据集产生器110、相似度计算器120和认证器130的操作被重复大于预定阈值的次数时,认证器130可确定用户与注册数据集的用户不同。
通过数据集产生器110、相似度计算器120和认证器130的操作,认证设备100可防止在提取典型认证波形或典型注册波形的处理中发生的数据丢失,并通过减小对受包括在认证数据集或注册数据集中的波形中的具有相对高的独特性(peculiarity)的波形影响的用户认证的影响,来减小错误接受率(FAR)和错误拒绝率(FRR)。
图2示出认证设备200的示例。
参照图2,认证设备200包括:数据集产生器210、相似度计算器220、辅助相似度计算器230和认证器240。数据集产生器210、相似度计算器220、辅助相似度计算器230和认证器240可包括一个或多个处理器或存储器。
数据集产生器210通过从用户的生物信号提取用于对用户进行认证的多个波形来产生认证数据集。
相似度计算器220在包括在认证数据集中的多个提取的认证波形中的每个认证波形上执行与包括在注册数据集中的多个注册的波形的一一匹配,并计算注册的波形与提取的认证波形中的每个之间的相似度。
由于参照图1A的数据集产生器110和相似度计算器120提供的描述也适用于此,因此,为了更加清楚和简明,将省略针对图2的数据集产生器210和相似度计算器220的重复描述。
辅助相似度计算器230提取认证数据集的典型认证波形和注册数据集的典型注册波形,并提取典型认证波形与典型注册波形之间的相似度。典型认证波形可指,例如,提取的认证波形的典型波形,典型注册波形可指,例如,注册的波形的典型波形。作为示例,辅助相似度计算器230可通过计算提取的认证波形的平均值来产生典型认证波形,并可通过计算注册的波形的平均值来产生典型注册波形。然而,本公开不限于此。可选地,辅助相似度计算器230可基于各种统计方法提取典型认证波形和典型注册波形。
辅助相似度计算器230可提取典型认证波形的特征和典型注册波形的特征。
在示例中,辅助相似度计算器230可将典型认证波形和典型注册波形转换为特征向量。辅助相似度计算器230可改变典型认证波形和典型注册波形的维度,以将典型认证波形和典型注册波形转换为特征向量。作为示例,辅助相似度计算器230可基于诸如AC/DCT、STFT、MFCC、小波、LPC/LPCC和LSP来将典型认证波形和典型注册波形转换到频域(frequencydomain)中。辅助相似度计算器230可通过基于诸如PCA、LDA和ERE选择被转换到频域中的典型认证波形和典型注册波形的特征分量来减小典型认证波形和典型注册波形的维度。辅助相似度计算器230可基于减小了维度的典型认证波形和典型注册波形来产生特征向量。
在示例中,辅助相似度计算器230可提取典型认证波形的特征参数和典型注册波形的特征参数。例如,辅助相似度计算器230可提取典型认证波形和典型注册波形的PR间隔、PR段、QRS波群、ST段、ST间隔、QT间隔、RR间隔、振幅和噪声功率中的至少一个作为特征参数。
辅助相似度计算器230可计算典型认证波形的特征与典型注册波形的特征之间的相似度。作为示例,辅助相似度计算器230可基于诸如相关性、余弦相似度、欧几里得距离、L1范数、P范数和RMSE,来计算典型认证波形转换出的特征向量与典型注册波形转换出的特征向量之间的相似度,或计算典型认证波形的特征参数与典型注册波形的特征参数之间的相似度。此外,除上述之外,辅助相似度计算器230可基于任何特征比较方案提取典型认证波形的特征与典型注册波形的特征之间的相似度。
在示例中,辅助相似度计算器230可以以直方图、特征向量或值的形式表示典型认证波形的特征与典型注册波形的特征之间的相似度。
认证器240可基于每个提取的认证波形与每个注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度,来确定用户是否与注册数据集的用户匹配。
在示例中,为了执行认证,认证器240可基于归一化函数(例如,极小-极大、双曲线正切函数估计器、Z评分(z-score)等)来归一化每个认证波形与每个注册波形之间的相似度以及典型认证波形与典型注册波形之间的相似度。
此外,认证器240可通过为每个提取的认证波形与每个注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度中的每个相似度设置不同的权重来对用户进行认证。例如,认证器240可预先设置权重,或者通过将每个提取的认证波形与每个注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度进行比较来设置权重。作为示例,认证器240可为每个提取的认证波形与每个注册的波形之间的相似度的平均值与典型认证波形与典型注册波形之间的相似度之中具有较大值的相似度分配较大的权重,并为它们之间具有较小值的相似度分配较小的权重。
在示例中,认证器240可将每个提取的认证波形与每个注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度应用于分类器(未示出),以确定提取的认证波形是否与注册的波形对应。作为示例,分类器可以是SVM和NN中的一个。响应于确定出提取的认证波形与注册的波形对应,认证器240可认证认证数据集的用户与注册数据集的用户匹配。响应于确定出提取的认证波形与注册的波形不对应,认证器240可确定认证数据集的用户与注册数据集的用户不相同。在用户认证期间,通过除了将每个提取的认证波形与每个注册的波形之间的相似度应用于分类器之外还将典型认证波形与典型注册波形之间的相似度应用于分类器来减小FAR和FRR。
当认证器240确定出提取的认证波形与注册的波形不对应时,认证设备200可重复数据集产生器210、相似度计算器220、辅助相似度计算器230和认证器240的操作。在此示例中,当数据集产生器210、相似度计算器220、辅助相似度计算器230和认证器240的操作重复大于预定阈值的次数时,认证器240可确定用户与注册数据集的用户不相同。
图3示出认证设备300的示例,图4示出认证设备400的另一示例。
参照图3,认证设备300包括:第一特征提取器310、第二特征提取器320、辅助特征提取器330、匹配器340和认证器350。第一特征提取器310、第二特征提取器320、辅助特征提取器330、匹配器340和认证器350可包括一个或多个处理器或存储器。
在示例中,认证设备300可基于操作模式操作。操作模式可包括注册模式和正常模式。在注册模式下,认证设备300可执行对注册用户的生物信号进行注册的操作。注册用户可指,例如,试图被注册的用户。在认证模式下,认证设备300可基于认证用户的生物信号执行将认证用户认证为注册的用户的操作。认证用户可指,例如,试图被认证的用户。
以下,将参照以下描述解释在认证模式下操作的认证设备300。
第一特征提取器310可提取从注册的用户的ECG信号提取的多个注册的波形的特征。第一特征提取器310可从在注册模式下获取的注册的用户的ECG信号提取多个注册的波形。第一特征提取器310可通过基于心率划分ECG信号来提取P波、QRS波、T波和U波作为一个注册的波形。第一特征提取器310可将一个注册的波形和/或提取的注册的波形合并到注册数据集中。
此外,第一特征提取器310可提取多个注册的波形中的每个的特征。作为示例,第一特征提取器310可提取多个注册的波形中的每个的特征向量或特征参数。
第二特征提取器320可提取从认证用户的ECG信号提取的多个提取的认证波形的特征。第二特征提取器320可从在认证模式下获取的认证用户的ECG信号提取多个提取的认证波形。第二特征提取器320可通过基于心率划分ECG信号来提取P波、QRS波、T波和U波作为认证的波形。第二特征提取器320可将提取的认证波形合并到认证数据集中。
此外,第二特征提取器320可针对多个提取的认证波形中的每个提取特征,例如,特征向量和特征参数。
虽然图3示出第一特征提取器310与第二特征提取器分开设置,第一特征提取器310和第二特征提取器320中的每个可被设置为互相分离的独立单元,但是第一特征提取器310和第二特征提取器320也可被包括在单个单元中。
匹配器340可在每个提取的认证波形的特征上执行与每个注册的波形的特征的一一匹配,并计算每个提取的认证波形的特征与每个注册的波形的特征之间的相似度。当提供M个提取的认证波形时,并且当N个注册的波形包括在注册数据集中时,匹配器340可执行M×N次匹配来计算M×N个相似度。
作为示例,匹配器340可基于诸如相关性、余弦相似度、欧几里得距离、L1范数、P范数和RMSE,来提取多个提取的认证波形转换成的多个特征向量中的每个与多个注册的波形转换的多个特征向量中的每个之间的相似度,或提取每个提取的认证波形的特征参数与每个注册的波形的特征参数之间的相似度。
辅助特征提取器330可提取包括在注册数据集中的多个注册的波形的典型注册波形,并提取包括在认证数据集中的多个提取的认证波形的典型认证波形,从而提取典型注册波形与典型认证波形之间的相似度。在示例中,辅助特征提取器330可通过计算注册的波形的平均值来提取典型注册波形,并通过计算提取的认证波形的平均值来提取典型认证波形。辅助特征提取器330可提取典型认证波形的特征(例如,特征向量和特征参数)和典型注册波形的特征。
此外,辅助特征提取器330可计算典型认证波形的特征与典型注册波形的特征之间的相似度。由于注册数据集包括一个典型注册波形并且认证数据集包括一个典型认证波形,因此辅助特征提取器330可计算一个相似度。作为示例,辅助特征提取器330可基于例如相关性、余弦相似度、欧几里得距离、L1范数、P范数和RMSE,来计算典型认证波形的特征向量与典型注册波形的特征向量之间的相似度,或计算典型认证波形的特征参数与典型注册波形的特征参数之间的相似度。
认证器350可基于每个提取的认证波形与每个注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度确定用户是否与注册数据集的用户匹配。
在示例中,认证器350可归一化每个提取的认证波形与每个注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度,并可为典型认证波形与典型注册波形之间的相似度以及每个提取的认证波形与每个注册的波形之间的相似度中的每个相似度设置不同的权重。
认证器350可将典型认证波形与典型注册波形之间的相似度以及每个提取的认证波形与每个注册的波形之间的相似度应用于分类器(未示出),从而确定注册的波形是否与提取的认证波形对应。分类器可以是,例如,SVM和NN。
响应于确定注册的波形与提取的认证波形对应,认证器350可认证认证数据集的用户与注册数据集的用户匹配。响应于确定注册的波形与提取的认证波形不对应,认证器350可确定认证数据集的用户与注册数据集的用户不相同。
在另一示例中,认证器350可将每个提取的认证波形与每个注册的波形之间的相似度应用于分类器,之后将典型认证波形与典型注册波形之间的相似度应用于分类器。可选地,认证器350可将典型认证波形与典型注册波形之间的相似度应用于分类器,之后将每个提取的认证波形与每个注册的波形之间的相似度应用于分类器。作为示例,认证器350可将每个提取的认证波形与每个注册的波形之间的相似度应用于分类器,并确定注册的波形是否与提取的认证波形对应。响应于确定注册的波形与提取的认证波形对应,认证器350可将典型认证波形与典型注册波形之间的相似度应用于分类器,并确定典型注册波形是否与典型认证波形对应。在此示例中,当作为将每个提取的认证波形与每个注册的波形之间的相似度应用于分类器的结果确定注册的波形与提取的认证波形不对应时,认证器350可确定用户与注册数据集的用户不相同。
作为另一示例,认证器350可将典型认证波形与典型注册波形之间的相似度应用于分类器,并确定典型注册波形是否与典型认证波形对应。响应于确定典型注册波形与典型认证波形对应,认证器350可将每个提取的认证波形与每个注册的波形之间的相似度应用于分类器,并确定注册的波形是否与提取的认证波形对应。响应于确定注册的波形与提取的认证波形对应,认证器350可认证与注册数据集的用户匹配的用户。
在用户认证期间,可通过除了应用每个提取的认证波形与每个注册的波形之间的相似度之外还应用典型认证波形与典型注册波形之间的相似度,来减小FAR和FRR。
参照图4,认证设备400包括:传感器410、存储器420、处理器430和显示器440。传感器410、存储器420、处理器430和显示器中的每个包括一个或多个硬件组件。
在此示例中,传感器410包括:ECG传感器、EEG传感器、EMG传感器和/或EOG传感器。然而,在另一示例中,传感器410可包括用于提取从身体检测的信号的其它传感器。当传感器410包括ECG传感器时,ECG传感器可使用第一电极、第二电极和第三电极测量用户的ECG波形。在示例中,ECG传感器可包括:第一电极至第三电极、放大器和数字转换器。第一电极至第三电极可与用户的皮肤接触以测量用户的ECG信号。放大器可放大由第一电极至第三电极测量的ECG信号。数字转换器可将放大的ECG信号转换为数字信号,从而提取ECG波形。
存储器420可预先存储包括从预先注册的用户的生物信号提取的多个注册的波形的注册数据集。
处理器430可通过从生物信号提取用于对用户进行认证的多个波形来产生认证数据集,并在多个提取的认证波形中的每个上执行与包括在注册数据集中的多个注册的波形的一一匹配,从而计算提取的认证波形中的每个与注册的波形之间的相似度。
根据一个示例,处理器430可提取多个提取的认证波形中的每个的特征,并提取多个注册的波形中的每个的特征,并计算每个提取的认证波形的特征与每个注册的波形的特征之间的相似度。此外,处理器430可提取指示提取的认证波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,并计算典型认证波形与典型注册波形之间的相似度。
处理器430可基于每个提取的认证波形的特征与每个注册的波形的特征之间的相似度以及典型认证波形与典型注册波形之间的相似度中的至少一个相似度来对用户进行认证。
处理器430可将与用户认证关联的信息显示在显示器440上。处理器430可在显示器440上显示,例如,关于用户的生物信号的信息、关于认证波形的信息、关于注册的波形的信息和/或关于用户认证的结果的信息。
由于参照图1A的数据集产生器110、相似度计算器120和认证器130,图2的数据集产生器210、相似度计算器220、辅助相似度计算器230和认证器240以及图3的第一特征提取器310、第二特征提取器320、辅助特征提取器330、匹配器340和认证器350提供的描述也适用于此,因此,为了更加清楚和简明,将省略针对图4的处理器430的重复描述。
图5A和图5B示出使用认证设备对用户进行认证的方法的示例。
图5A和图5B示出曲线图,每个曲线图指示从试图被认证的用户的ECG信号提取的波形。在图5A和图5B的曲线图中,横轴表示时间,纵轴表示ECG波形的振幅。
图5A的曲线图示出在平稳呼吸状态下的用户的ECG波形。认证设备可通过基于心率划分图5A的ECG波形来提取ECG波形511至519,并将ECG波形511至519中的每个存储在存储于存储器中的认证数据集中。认证设备可在ECG波形511至519中的每个上执行与包括在存储器中预先存储的注册数据集中的多个ECG波形的一一匹配,并计算ECG波形511至519中的每个与包括在预先存储的注册数据集中的ECG波形之间的相似度,从而基于计算的相似度对用户进行认证。
图5B的曲线图示出呼吸状态从平稳改变为不平稳的用户的ECG波形。用户可在时间段520中平稳地呼吸,在时间段530中不平稳地呼吸。
认证设备可通过基于心率划分图5B的ECG波形来提取ECG波形541至549。由于用户在平稳状态下呼吸,因此ECG波形541至546的变化可相对较小。反之,ECG波形547至549的变化可由于用户的不平稳呼吸状态而相对较大。认证设备可将ECG波形541至549中的每个存储在认证数据集中。认证设备可基于ECG波形541至549对用户进行认证。在所述示例中,如果认证设备从ECG波形541至549提取典型的ECG波形,并仅基于典型ECG波形对用户进行认证,则之后典型ECG波形可由ECG波形547至549而失真,其中,与ECG波形541至546相比,ECG波形547至549具有更大的变化。因此,计算的FAR和FRR可因为变化而错误地增大。
为了减小FAR和FRR,认证设备可在ECG波形541至549中的每个上执行与包括在预先存储的认证数据集中的多个ECG波形的一一匹配,并计算包括在预先存储的注册数据集中的ECG波形与ECG波形541至549中的每个之间的相似度。可基于计算的相似度对用户进行认证。
图6示出计算提取的认证波形与注册的波形之间的相似度的方法的示例。
参照图6,ECG波形610指示包括在注册数据集中的注册的波形,ECG波形650指示包括在认证数据集中的提取的认证波形。以下,ECG波形610还可被称为注册的波形610,ECG波形650还可被称为提取的认证波形650。
认证设备可将注册的波形610转换到频域(frequencydomain)中。作为示例,认证设备可使用STFT来将注册的波形610转换到频域(frequencydomain,频率范围)中。此外,认证设备可通过减小与注册的波形610转换成的频率范围相应的注册的波形620的维度来产生特征向量。作为示例,认证设备可通过基于LDA从注册的波形620选择特征分量631至635来减小注册的波形620的维度,并可从通过减小注册的波形620的维度获得的注册的波形630获取特征向量681。
认证设备可将提取的认证波形650转换为频率域(频率范围)。作为示例,认证设备可使用STFT来将提取的认证波形650转换为频率域(频率范围)。此外,认证设备可通过基于LDA从与提取的认证波形650转换成的频率范围相应的提取的认证波形660选择特征分量671至675来减小提取的认证波形660的维度,并可从通过减小提取的认证波形660的维度获得的提取的认证波形670获取特征向量682。
认证设备可计算基于注册的波形610提取的特征向量681与基于提取的认证波形650提取的特征向量682之间的相似度。例如,认证设备可基于余弦相似度计算特征向量681与特征向量682之间的相似度683。
图7示出匹配提取的认证波形与注册的波形的方法的示例。
参照图7,认证设备可执行关于包括在认证数据集710中的三个提取的认证波形711至713中的每个与包括在注册数据集720中的四个注册的波形721至724中的每个的一一匹配,从而所述一一匹配可被执行12次。在图7中,提取的认证波形711至713与注册的波形721至724可指示特征向量或特征参数。通过一一匹配,认证设备可计算提取的认证波形711至713中的每个与注册的波形721至724中的每个之间的相似度。例如,认证设备可通过提取的认证波形711的一一匹配,计算提取的认证波形711与注册的波形721之间的相似度、提取的认证波形711与注册的波形722之间的相似度、提取的认证波形711与注册的波形723之间的相似度以及提取的认证波形711与注册的波形724之间的相似度。
在示例中,认证设备可基于诸如相关性、余弦相似度、欧几里得距离、L1范数、P范数和RMSE,来计算提取的认证波形711至713中的每个与注册的波形721至724中的每个之间的相似度。
图8示出认证设备的示例。
参照图8,移动终端810包括:正极(positivepole)电极821、参考电极822和负极电极(negativepole)830以感测ECG信号。在示例中,正极电极821和参考电极822可设置在移动终端810的两侧,负极电极830可设置在移动终端810的下部。
在此示例中,当用户的手指接触正极电极821、参考电极822和负极电极830中的任何一个时,移动终端810可检测用户的ECG信号。移动终端810可使用放大器放大ECG信号,并使用数字滤波器将放大的ECG信号转换为数字信号。移动终端810可从通过转换ECG信号获得的数字信号提取ECG波形。
在注册期间,用户的ECG波形被注册。移动终端810可使用多个电极获取用户的ECG信号,并基于心率划分获取的ECG信号,从而提取多个波形用于注册。移动终端810可将提取的波形并入注册数据集中。移动终端可将注册数据集存储在存储器中。
当用户正在被认证时,移动终端810可使用所述多个电极获取用户的ECG信号,并基于心率划分获取的ECG信号,从而提取多个提取的认证波形。移动终端810可将提取的认证波形并入认证数据集中。移动终端810可在包括在认证数据集中的提取的认证波形中的每个上执行与包括在注册数据集中的注册的波形的一一匹配,从而计算提取的认证波形中的每个与注册的波形之间的相似度。此外,移动终端810可从提取的认证波形提取典型认证波形,并从注册的波形提取典型注册波形,从而计算典型认证波形与典型注册波形之间的相似度。移动终端810可基于注册的波形与提取的认证波形中的每个之间的相似度以及典型认证波形与典型注册波形之间的相似度,来认证试图被认证的用户是否与预先注册的用户匹配。
图9示出认证设备的另一示例。
参照图9,可穿戴终端910包括:正极电极921、参考电极922和负极电极931以感测ECG信号。在示例中,正极电极921和参考电极922可设置在可穿戴终端910的后侧,负极电极931可设置在可穿戴终端910的前侧。
与图8的移动终端810相似,可穿戴终端910可使用多个电极(例如,正极电极921、参考电极922和负极电极931)获取用户的ECG信号,并从ECG信号提取ECG波形,从而对提取的ECG波形进行滤波。此外,可穿戴终端910可执行与图8的移动终端810的操作相同的操作来预先注册用户的ECG波形,或认证试图被认证的用户是否与预先注册的用户匹配。
图10示出认证设备的另一示例。在此示例中,认证设备是移动终端。
参照图10,移动终端1010包括:正极电极1021、参考电极1022和负极电极1030以感测ECG信号。在示例中,正极电极1021和参考电极1022可设置在移动终端1010的两侧,负极电极1030可设置在移动终端1010的下部。
移动终端1010可使用多个电极(例如,正极电极1021、参考电极1022和负极电极1030)获取用户的ECG信号,并基于心率划分获取的ECG信号,从而提取多个提取的认证波形。移动终端1010可将提取的认证波形合并到认证数据集中。
在示例中,移动终端1010可通过通信接口从服务器1040接收与注册数据集关联的信息。通信接口可包括,例如,通信接口可包括,例如,无线互联网接口(例如,无线局域网(WLAN)、无线保真(WiFi)直连、数字生活网络联盟(DLNA)、无线宽带(WiBro)、全球微波互联接入(Wimax)和高速下行链路分组接入(HSDPA)等)和本地通信接口(例如,蓝牙TM、射频识别(RFID)、红外数据协会(IrDA)、超宽带、ZigBee和近场通信(NFC)等)。此外,通信接口可指示用于与服务器1040通信的任何接口,例如,有线接口。
移动终端1010可在包括在认证数据集中的提取的认证波形中的每个上执行与包括在注册数据集中的多个注册的波形的一一匹配,从而计算注册的波形与提取的认证波形中的每个之间的相似度。此外,移动终端1010可从提取的认证波形提取典型认证波形,并从注册的波形提取典型注册波形,从而计算典型认证波形与典型注册波形之间的相似度。移动终端1010可基于注册的波形与提取的认证波形中的每个之间的相似度以及典型认证波形与典型注册波形之间的相似度,来认证试图被认证的用户是否与预先注册的用户匹配。
移动终端1010可将诸如关于用户的ECG信号的信息、关于提取的认证波形的信息和关于用户认证结果的信息发送到服务器1040。在示例中,服务器1040可基于从移动终端1010接收的关于用户认证的信息来允许用户访问服务器1040。
图11示出认证方法的示例。
参照图11,在操作1110,认证设备通过从用户的生物信号提取用于对用户进行认证的多个波形来产生认证数据集。
在操作1120,认证设备在多个提取的认证波形中的每个上执行与包括在预先存储的注册数据集中的多个注册的波形的一一匹配,并计算提取的认证波形中的每个与注册的波形之间的相似度。
在操作1130,认证设备提取指示提取的认证波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,并计算典型认证波形与典型注册波形之间的相似度。
在操作1140,认证设备基于注册的波形与提取的认证波形中的每个之间的相似度以及典型认证波形与典型注册波形之间的相似度对用户进行认证。
由于参照图1A至图10提供的描述也适用于此,因此,为了更加清楚和简明,将省略针对图11的认证方法的重复描述。
以上描述的各种模块、元件和方法可使用一个或多个硬件组件、一个或多个软件组件或者一个或多个硬件组件和一个或多个软件组件的组合被实施。
硬件组件可以是,例如,物理上执行一个或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、频率产生器、运算放大器、电力放大器、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。
软件组件可通过例如由软件或指令控制的以执行一个或多个操作的处理装置被实施,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。一个软件组件可通过一个处理装置被实施,或者两个或更多个软件组件可通过一个处理装置被实施,或者一个软件组件可通过两个或更多个处理装置被实施,或者两个或更多个软件组件可通过两个或更多个处理装置被实施。
例如,处理装置可使用一个或多个通用或专用计算机(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、微处理器或任何其它能够运行软件或执行指令的装置被实现。处理装置可运行操作系统(OS),并可运行在OS下操作的一个或多个软件应用。处理装置在运行软件或执行指令时,可访问、存储、操作、处理并生成数据。为简单起见,可在描述中使用单数形式的“处理装置”,但本领域普通技术人员将理解处理装置可包括多个处理元件及多种类型的处理元件。例如,处理装置可包括一个或多个处理器,或者一个或多个处理器及一个或多个控制器。此外,诸如并行处理器或多核处理器的不同处理配置是可行的。
被配置为实施软件组件以执行操作A的处理装置可包括:被编程为运行软件或执行指令以控制处理器来执行操作A的处理器。此外,被配置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,例如,被配置为实施软件组件以执行操作A、操作B和操作C的处理器;被配置为实施软件组件以执行操作A的第一处理器,被配置为实施软件组件以执行操作B和操作C的第二处理器;被配置为实施软件组件以执行操作A和操作B的第一处理器,被配置为实施软件组件以执行操作C的第二处理器;被配置为实施软件组件以执行操作A的第一处理器,被配置为实施软件组件以执行操作B的第二处理器,被配置为实施软件组件以执行操作C的第三处理器;被配置为实施软件组件以执行操作A、操作B和操作C的第一处理器,被配置为实施软件组件以执行操作A、操作B和操作C的第二处理器,或者一个或多个均实施操作A、操作B和操作C中的一个或多个操作的处理器的任何其它配置。虽然这些示例提到三个操作A、B、C,但可实施的操作的数量不限于此,而可以是任意数量的实现期望结果或执行期望任务所需的操作。
用于实施在此公开的示例的功能性程序、代码和代码段可由示例所属领域的编程技术人员基于在此提供的附图和它们的相应描述而容易地构造。
用于控制处理装置实施软件组件的软件或指令可包括用于独立或共同地指示或配置处理装置来执行一个或多个期望的操作的计算机程序、代码段、指令或它们的一些组合。软件或指令可包括可由处理装置直接运行的机器代码(例如,由编译器生成的机器代码)和/或可由处理装置使用解释器运行的更高级代码。软件或指令和任何关联数据、数据文件、数据结构可以以机器、组件、物理或虚拟设备、计算机存储介质或装置、或能够向处理装置提供指令或数据或者能够被处理装置解释的传播信号波中的任何类型被永久或暂时地实施。软件或指令和任何关联数据、数据文件和数据结构还可分布在网络连接的计算机系统中,从而软件或指令和任何关联数据、数据文件和数据结构以分散方式被存储和执行。
通过硬件组件来实现图1A、图2、图3和图4中示出的执行这里针对图6、图7和图11描述的操作的设备、单元、模块、装置、产生器、计算器、认证器、匹配器、提取器和其它组件。硬件组件的示例包括控制器、传感器、产生器、驱动器、存储器和本领域普通技术人员已知的其它电子组件。在一个示例中,硬件组件通过一个或多个处理器或计算机被实施。处理器或计算机通过一个或多个处理元件(例如,逻辑门阵列、控制器和算数逻辑单元)、数字信号处理器、微型计算机、可编程逻辑控制器、现场可编程门阵列、可编程逻辑阵列、微处理器或本领域普通技术人员已知的能够以限定的方式响应并执行指令以实现期望的结果的任何其它装置或装置的组合被实施。在一个示例中,处理器或计算机包括或连接到存储由处理器或计算机执行的指令或软件的一个或多个存储器。例如,由处理器或计算机实施的硬件组件执行指令或软件(例如,操作系统(OS)和在OS上运行的一个或多个软件应用),以执行这里针对图6、图7和图11描述的操作。硬件组件还响应于指令或软件的执行来访问、操作、处理、创建并存储数据。为了简明,可在这里描述的示例的描述中使用单数形式的术语“处理器”或“计算机”,但是在其它示例中,使用多个处理器或多个计算机,或者使用包括多个处理元件或多种类型的处理元件的处理器或计算机,或者使用两者。在一个示例中,硬件组件包括多个处理器,在另一示例中,硬件组件包括处理器和控制器。硬件组件具有不同处理配置中的任何一个或多个,处理配置的示例包括,单一处理器、独立处理器、并行处理器、单指令流单数据流(SISD)多重处理、单指令流多数据流(SIMD)多重处理、多指令流单数据流(MISD)多重处理和多指令流多数据流(MIMD)多重处理。
可由如上所述的执行指令或软件以执行这里描述的操作的处理器或计算机来执行图6、图7和图11中示出的方法。
用于控制处理器或计算机实施硬件组件并执行如上所述的方法的指令或软件被写为计算机程序、代码段、指令或它们的任何组合,以独立地或共同地指示或配置处理器或计算机作为用于执行由硬件组件执行的操作和如上所述的方法的机器或专用计算机进行操作。在一个示例中,指令或软件包括由处理器或计算机直接执行的机器代码,例如,由编译器产生的机器代码。在另一示例中,指令或软件包括由处理器或计算机使用解释器执行的更高级代码。本领域的普通编程技术人员可基于附图中示出的框图和流程图以及说明书中的对应描述容易地编写指令或软件,其中,附图中示出的框图和流程图以及说明书中的对应描述公开了用于执行由硬件组件执行的操作和如上所述的方法的算法。
用于控制处理器或计算机实施硬件组件并执行如上所述的方法的指令或软件以及任何关联的数据、数据文件和数据结构被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中或上。非暂时性计算机可读存储介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、闪存、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-RLTH、BD-RE、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘和本领域普通技术人员已知的能够以非暂时方式存储指令或软件以及任何关联的数据、数据文件和数据结构并将指令或软件以及任何关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机可执行指令的任何装置。在一个示例中,指令或软件以及任何关联的数据、数据文件和数据结构分布在联网的计算机系统中,从而由处理器或计算机以分布方式存储、访问并执行指令和软件以及任何关联的数据、数据文件和数据结构。
虽然本公开包括特定示例,但是,本领域的普通技术人员而言将是清楚的是:在不脱离权利要求及其等同物的精神和范围的情况下,可在这些示例中在形式和细节上进行各种改变。在此描述的示例应仅被理解为描述性意义,而不是为了限制的目的。每个示例中的特征或方面的描述应被理解为可应用于其它示例中的类似的特征或方面。如果以不同的顺序执行所描述的技术和/或如果所描述的系统、结构、装置或电路中的组件以不同的方式来组合和/或由其它组件或他们的等同物来替换或补充,则可获得合适的结果。因此,本公开的范围不是由具体描述来限定,而是由权利要求及其等同物来限定,并且在权利要求及其等同物的范围内的所有变化应被解释为被包括在本公开中。
Claims (23)
1.一种认证设备,包括:
数据集产生器,被配置为通过从用户的生物信号提取波形产生认证数据集;
相似度计算器,被配置为将提取的波形中的每个与包括在存储在存储器中的注册数据集中的注册的波形进行匹配,并计算提取的波形中的每个与注册的波形之间的相似度;
辅助相似度计算器,被配置为提取指示提取的波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,并计算典型认证波形与典型注册波形之间的相似度;
认证器,被配置为基于提取的波形中的每个与注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度对用户进行认证。
2.如权利要求1所述的设备,其中,生物信号包括心电图信号。
3.如权利要求1所述的设备,其中,存储器被配置为:存储注册数据集,所述注册数据集包括在数据集产生器产生认证数据集之前在注册期间从用户的生物信号提取的注册的波形。
4.如权利要求1所述的设备,其中,相似度计算器被配置为:提取每个提取的波形的特征以及每个注册的波形的特征,并计算每个提取的波形的特征与每个注册的波形的特征之间的相似度。
5.如权利要求4所述的设备,其中,相似度计算器被配置为:将每个提取的波形转换为特征向量,并将每个注册的波形转换为特征向量,并计算每个提取的波形转换出的特征向量与注册的波形转换出的每个特征向量之间的相似度。
6.如权利要求5所述的设备,其中,相似度计算器被配置为:改变注册的波形和提取的波形中的每个的维度,以将每个提取的波形转换为特征向量并将每个注册的波形转换为特征向量。
7.如权利要求4所述的设备,其中,相似度计算器被配置为:提取每个提取的波形的特征参数以及每个注册的波形的特征参数,并计算每个提取的波形的特征参数与每个注册的波形的特征参数之间的相似度。
8.如权利要求7所述的装置,其中,特征参数包括:注册的波形中的每个或提取的波形的PR间隔、PR段、QRS波群、ST段、ST间隔、QT间隔、RR间隔、振幅和噪声功率中的至少一种。
9.权利要求1所述的设备,其中,辅助相似度计算器被配置为:提取典型认证波形的特征以及典型注册波形的特征,并计算典型认证波形的特征与典型注册波形的特征之间的相似度。
10.如权利要求9所述的设备,其中,辅助相似度计算器被配置为:将典型认证波形和典型注册波形转换为特征向量,并计算典型认证波形转换出的特征向量与典型注册波形转换出的特征向量之间的相似度。
11.如权利要求9所述的设备,其中,辅助相似度计算器被配置为:提取典型认证波形的特征参数以及典型注册波形的特征参数,并计算典型认证波形的特征参数与典型注册波形的特征参数之间的相似度。
12.如权利要求9所述的设备,其中,认证器被配置为:基于典型认证波形的特征与典型注册波形的特征之间的相似度以及每个提取的波形与每个注册的波形之间的相似度确定用户是否与注册数据集的用户匹配。
13.如权利要求12所述的设备,其中,认证器被配置为:归一化典型认证波形的特征与典型注册波形的特征之间的相似度以及每个提取的波形与每个注册的波形之间的相似度。
14.如权利要求12所述的设备,其中,认证器被配置为:通过为典型认证波形的特征与典型注册波形的特征之间的相似度以及每个提取的波形与每个注册的波形之间的相似度中的每个相似度设置不同的权重,来确定用户是否与注册数据集的用户匹配。
15.如权利要求12所述的设备,其中,认证器被配置为:通过将典型认证波形的特征与典型注册波形的特征之间的相似度以及每个提取的波形与每个注册的波形之间的相似度应用于分类器,来确定提取的波形是否与注册的波形对应。
16.如权利要求15所述的设备,其中,分类器包括:支持向量机SVM和最近邻NN中的至少一个。
17.如权利要求1所述的设备,其中,所述认证设备被配置为:响应于认证器确定出用户与注册数据集的用户不同,重复执行数据集产生器、相似度计算器和辅助相似度计算器的功能。
18.如权利要求17所述的设备,其中,认证器被配置为:响应于数据集产生器、相似度计算器和辅助相似度计算器的操作被重复大于预定阈值的次数,确定用户与注册数据集的用户不同。
19.一种认证设备,包括:
传感器,被配置为检测用户的生物信号;
处理器,被配置为通过从用户的生物信号提取波形产生认证数据集,将提取的波形中的每个波形与包括在存储在存储器中的注册数据集中的注册的波形进行匹配,计算提取的波形中的每个与注册的波形之间的相似度,提取指示提取的波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,计算典型认证波形与典型注册波形之间的相似度,并基于提取的波形中的每个与注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度对用户进行认证。
20.如权利要求19所述的设备,其中,生物信号包括心电图信号。
21.如权利要求19所述的设备,其中,处理器被配置为:提取每个提取的波形的特征以及每个注册的波形的特征,并计算每个提取的波形的特征与每个注册的波形的特征之间的相似度。
22.如权利要求19所述的设备,其中,处理器被配置为:提取典型认证波形的特征以及典型注册波形的特征,并计算典型认证波形的特征与典型注册波形的特征之间的相似度。
23.一种认证方法,包括:
通过从用户的生物信号提取波形产生认证数据集;
将每个提取的波形与包括在存储在存储器中的注册数据集中的每个注册的波形进行匹配,并计算提取的波形中的每个与注册的波形之间的相似度;
提取指示提取的波形的典型波形的典型认证波形以及指示注册的波形的典型波形的典型注册波形,并计算典型认证波形与典型注册波形之间的相似度;
基于提取的波形中的每个与注册的波形之间的相似度以及典型认证波形与典型注册波形之间的相似度对用户进行认证。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140194107A KR102299819B1 (ko) | 2014-12-30 | 2014-12-30 | 생체 신호를 이용한 사용자 인증 방법 및 장치 |
KR10-2014-0194107 | 2014-12-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740680A true CN105740680A (zh) | 2016-07-06 |
CN105740680B CN105740680B (zh) | 2019-05-03 |
Family
ID=54249346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511020244.7A Active CN105740680B (zh) | 2014-12-30 | 2015-12-30 | 用于基于生物信号对用户进行认证的方法和设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9876791B2 (zh) |
EP (1) | EP3040018B1 (zh) |
JP (1) | JP6876368B2 (zh) |
KR (1) | KR102299819B1 (zh) |
CN (1) | CN105740680B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106843480A (zh) * | 2017-01-18 | 2017-06-13 | 深圳市魔眼科技有限公司 | 基于脑电波的访问方法及头戴式虚拟现实设备 |
CN107088069A (zh) * | 2017-03-29 | 2017-08-25 | 西安电子科技大学 | 基于人体ppg信号分段的身份识别方法 |
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 |
WO2018201683A1 (zh) * | 2017-05-03 | 2018-11-08 | 深圳迈瑞生物医疗电子股份有限公司 | 生理信号的同源性识别方法及装置 |
CN112287381A (zh) * | 2020-12-25 | 2021-01-29 | 南京伟思医疗科技股份有限公司 | 一种电刺激医用电极加密识别系统与方法 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170035328A1 (en) * | 2015-08-07 | 2017-02-09 | Fitbit, Inc. | User identification via data collected from sensors of a wearable fitness monitor |
KR102596904B1 (ko) * | 2016-09-01 | 2023-11-07 | 주식회사 라이프사이언스테크놀로지 | 심전도신호를 이용한 개인정보의 암호화 및 복호화 방법 |
US10528714B2 (en) | 2017-01-11 | 2020-01-07 | Samsung Electronics Co., Ltd. | Method and apparatus for authenticating user using electrocardiogram signal |
US10482227B2 (en) * | 2017-03-28 | 2019-11-19 | International Business Machines Corporation | Electroencephalography (EEG) based authentication |
US10624561B2 (en) | 2017-04-12 | 2020-04-21 | Fitbit, Inc. | User identification by biometric monitoring device |
KR101986241B1 (ko) * | 2017-06-19 | 2019-09-30 | 한국인터넷진흥원 | 생체신호를 이용한 멀티 모달 기반의 사용자 인증 장치 및 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 |
KR102288302B1 (ko) | 2017-07-03 | 2021-08-10 | 삼성전자주식회사 | 적외선 영상을 이용한 사용자 인증 방법 및 장치 |
WO2019041202A1 (en) | 2017-08-30 | 2019-03-07 | Vita-Course Technologies Co., Ltd. | SYSTEM AND METHOD FOR USER IDENTIFICATION |
WO2019060298A1 (en) | 2017-09-19 | 2019-03-28 | Neuroenhancement Lab, LLC | METHOD AND APPARATUS FOR NEURO-ACTIVATION |
KR102588906B1 (ko) | 2017-12-01 | 2023-10-13 | 삼성전자주식회사 | 생체 신호 품질 평가 장치 및 방법 |
US11457872B2 (en) | 2017-12-01 | 2022-10-04 | Samsung Electronics Co., Ltd. | Bio-signal quality assessment apparatus and bio-signal quality assessment method |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
EP3731749A4 (en) | 2017-12-31 | 2022-07-27 | Neuroenhancement Lab, LLC | NEURO-ACTIVATION SYSTEM AND METHOD FOR ENHANCING EMOTIONAL RESPONSE |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
WO2020056418A1 (en) | 2018-09-14 | 2020-03-19 | Neuroenhancement Lab, LLC | System and method of improving sleep |
KR102194566B1 (ko) * | 2019-03-14 | 2020-12-23 | 상명대학교산학협력단 | 다중 생체 인증 장치 및 방법 |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
KR20200140571A (ko) | 2019-06-07 | 2020-12-16 | 삼성전자주식회사 | 데이터 인식 방법 및 장치 |
CN110737201B (zh) * | 2019-10-11 | 2020-10-09 | 珠海格力电器股份有限公司 | 一种监护方法、装置、存储介质及空调 |
KR102278069B1 (ko) * | 2019-10-22 | 2021-07-14 | 조선대학교산학협력단 | 근전도 신호 기반 사용자 인증 장치 및 인증 방법 |
KR102276606B1 (ko) * | 2019-12-05 | 2021-07-13 | 한국전자기술연구원 | 심전도를 이용한 개인 인증 방법 |
KR102300653B1 (ko) * | 2020-01-14 | 2021-09-10 | (주)이플마인드 | 뇌파(eeg)와 심전도(ecg)를 활용한 본인 인증 방법 및 장치 |
US11275479B2 (en) * | 2020-04-24 | 2022-03-15 | Electronics And Telecommunications Research Institute | Frequency-based ratiometric feature extraction device for user authentication |
KR102622828B1 (ko) * | 2021-12-02 | 2024-01-09 | 주식회사 라이프사이언스테크놀로지 | 생체 인증 장치 및 방법 |
EP4351085A1 (en) | 2022-10-08 | 2024-04-10 | Thales Dis France Sas | System and method of electroencephalography (eeg) continuous authentication and mental and synchrony assessments |
EP4351084A1 (en) | 2022-10-08 | 2024-04-10 | Thales | System and method of electroencephalography (eeg) authentication |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1043620A (zh) * | 1988-12-24 | 1990-07-11 | 沈仲元 | 便携式智能型心电监测仪 |
US20040249294A1 (en) * | 2003-06-05 | 2004-12-09 | Agency For Science, Technology And Research | Method for Identifying Individuals |
US20060136744A1 (en) * | 2002-07-29 | 2006-06-22 | Lange Daniel H | Method and apparatus for electro-biometric identity recognition |
US20090174259A1 (en) * | 2008-01-09 | 2009-07-09 | Shan-Cheng Lin | Natural Energy Power Supplying Apparatus |
CN102547521A (zh) * | 2010-12-21 | 2012-07-04 | 索尼公司 | 内容再现设备和方法以及程序 |
US8489181B1 (en) * | 2009-01-02 | 2013-07-16 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Heart electrical actions as biometric indicia |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100944443B1 (ko) | 2002-07-29 | 2010-02-25 | 이데시아 엘티디. | 전자 생체 신원 인식을 위한 방법 및 장치 |
AU2003289401A1 (en) | 2003-12-17 | 2005-07-05 | Seijiro Tomita | Individual authentication system using cardiac sound waveform and/or breathing waveform pattern |
KR101019844B1 (ko) * | 2004-11-08 | 2011-03-04 | 이데시아 엘티디. | 전기-생체 신원 인식 방법 및 장치 |
KR20060053812A (ko) | 2004-11-17 | 2006-05-22 | 삼성전자주식회사 | 생체신호를 이용한 생체 인식 장치 및 방법 |
KR100750662B1 (ko) | 2005-01-13 | 2007-08-20 | 인하대학교 산학협력단 | 심전도를 이용한 생체인식 시스템 및 방법 |
WO2007016936A1 (en) * | 2005-07-29 | 2007-02-15 | Telecom Italia, S.P.A. | Automatic biometric identification based on face recognition and support vector machines |
KR100946766B1 (ko) | 2007-12-17 | 2010-03-11 | 한양대학교 산학협력단 | 개인 식별 장치, 방법 및 그 프로그램이 기록된 기록매체 |
US8200319B2 (en) | 2009-02-10 | 2012-06-12 | Cardionet, Inc. | Locating fiducial points in a physiological signal |
US8838218B2 (en) | 2010-12-28 | 2014-09-16 | Mohammad Khair | Leadless wireless ECG measurement system for measuring of bio-potential electrical activity of the heart |
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 |
KR101270954B1 (ko) | 2011-05-24 | 2013-06-11 | 가톨릭대학교 산학협력단 | 심전도 신호 및 지문인식을 이용한 생체인식 시스템 |
JP2013239125A (ja) * | 2012-05-17 | 2013-11-28 | Panasonic Corp | 携帯端末 |
KR102010304B1 (ko) | 2012-06-14 | 2019-10-21 | 삼성전자주식회사 | 심전도 신호를 이용한 사용자 인증 방법 및 장치 |
KR101369754B1 (ko) | 2012-11-16 | 2014-03-06 | 서울대학교산학협력단 | 심탄도를 이용한 개인인증 시스템 및 방법 |
-
2014
- 2014-12-30 KR KR1020140194107A patent/KR102299819B1/ko active IP Right Grant
-
2015
- 2015-09-29 EP EP15187290.0A patent/EP3040018B1/en active Active
- 2015-12-15 JP JP2015244042A patent/JP6876368B2/ja active Active
- 2015-12-29 US US14/983,112 patent/US9876791B2/en active Active
- 2015-12-30 CN CN201511020244.7A patent/CN105740680B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1043620A (zh) * | 1988-12-24 | 1990-07-11 | 沈仲元 | 便携式智能型心电监测仪 |
US20060136744A1 (en) * | 2002-07-29 | 2006-06-22 | Lange Daniel H | Method and apparatus for electro-biometric identity recognition |
US20040249294A1 (en) * | 2003-06-05 | 2004-12-09 | Agency For Science, Technology And Research | Method for Identifying Individuals |
US20090174259A1 (en) * | 2008-01-09 | 2009-07-09 | Shan-Cheng Lin | Natural Energy Power Supplying Apparatus |
US8489181B1 (en) * | 2009-01-02 | 2013-07-16 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Heart electrical actions as biometric indicia |
CN102547521A (zh) * | 2010-12-21 | 2012-07-04 | 索尼公司 | 内容再现设备和方法以及程序 |
Cited By (10)
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 |
CN106843480A (zh) * | 2017-01-18 | 2017-06-13 | 深圳市魔眼科技有限公司 | 基于脑电波的访问方法及头戴式虚拟现实设备 |
CN107088069A (zh) * | 2017-03-29 | 2017-08-25 | 西安电子科技大学 | 基于人体ppg信号分段的身份识别方法 |
CN107088069B (zh) * | 2017-03-29 | 2019-10-11 | 西安电子科技大学 | 基于人体ppg信号分段的身份识别方法 |
WO2018201683A1 (zh) * | 2017-05-03 | 2018-11-08 | 深圳迈瑞生物医疗电子股份有限公司 | 生理信号的同源性识别方法及装置 |
CN108784650A (zh) * | 2017-05-03 | 2018-11-13 | 深圳迈瑞生物医疗电子股份有限公司 | 生理信号的同源性识别方法及装置 |
CN110312466A (zh) * | 2017-05-03 | 2019-10-08 | 深圳迈瑞生物医疗电子股份有限公司 | 生理信号的同源性识别方法及装置 |
US11457873B2 (en) | 2017-05-03 | 2022-10-04 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and apparatus for identifying homology of physiological signals |
CN112287381A (zh) * | 2020-12-25 | 2021-01-29 | 南京伟思医疗科技股份有限公司 | 一种电刺激医用电极加密识别系统与方法 |
CN112287381B (zh) * | 2020-12-25 | 2021-04-23 | 南京伟思医疗科技股份有限公司 | 一种电刺激医用电极加密识别系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
US9876791B2 (en) | 2018-01-23 |
JP6876368B2 (ja) | 2021-05-26 |
KR102299819B1 (ko) | 2021-09-08 |
CN105740680B (zh) | 2019-05-03 |
US20160191517A1 (en) | 2016-06-30 |
EP3040018B1 (en) | 2022-07-13 |
EP3040018A1 (en) | 2016-07-06 |
JP2016126775A (ja) | 2016-07-11 |
KR20160082081A (ko) | 2016-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740680A (zh) | 用于基于生物信号对用户进行认证的方法和设备 | |
EP3037036B1 (en) | Biometric authentication method and apparatus | |
CN105373719B (zh) | 基于心电图信号的用户认证方法和设备 | |
JP6553976B2 (ja) | 認証装置及び認証方法並びに記録媒体 | |
Wieclaw et al. | Biometrie identification from raw ECG signal using deep learning techniques | |
JP4782141B2 (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 | |
CN107536599A (zh) | 提供实时信号分割和基准点对准架构的系统与方法 | |
Dar et al. | ECG based biometric identification for population with normal and cardiac anomalies using hybrid HRV and DWT features | |
CN105389489B (zh) | 基于心电图信号的用户认证方法和设备 | |
Chun et al. | ECG based user authentication for wearable devices using short time Fourier transform | |
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 | |
Islam et al. | Model-based alignment of heartbeat morphology for enhancing human recognition capability | |
Guo et al. | Ballistocardiogram-based person identification using correlation analysis | |
Lourenço et al. | ECG biometrics: A template selection approach | |
Heather et al. | A novel authentication biometric for pacemakers | |
CN115206489A (zh) | 一种基于神经反馈系统的冥想训练方法、装置及电子设备 | |
Kishore et al. | An innovative machine learning approach for classifying ECG signals in healthcare devices | |
Bıçakcı et al. | Activity‐based electrocardiogram biometric verification using wearable devices | |
Ekiz et al. | Is Your Smartband Smart Enough to Know Who You Are: Continuous Physiological Authentication in The Wild | |
Kim et al. | Personal recognition using geometric features in the phase space of electrocardiogram | |
Kishore et al. | Research Article An Innovative Machine Learning Approach for Classifying ECG Signals in Healthcare Devices | |
Abdeldayem | On Designing an ECG-based Intelligent System: Utilizing the Heart’s Electrical Activity to Recognize Humans and Detect Arrhythmia | |
Soares | An ECG-based biometric authentication system for healthcare internet of things | |
Thatipelli | Low –frequency ECG signal based Biometric Identification | |
van der Haar et al. | Cobi: A collective biosignal-based identification model |
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 |