CN105989266B - 基于心电信号的认证方法、装置及系统 - Google Patents
基于心电信号的认证方法、装置及系统 Download PDFInfo
- Publication number
- CN105989266B CN105989266B CN201510071283.3A CN201510071283A CN105989266B CN 105989266 B CN105989266 B CN 105989266B CN 201510071283 A CN201510071283 A CN 201510071283A CN 105989266 B CN105989266 B CN 105989266B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- dictionary
- signal segment
- classifier
- individual
- 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.)
- Active
Links
Images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Lock And Its Accessories (AREA)
Abstract
本申请公开了基于心电信号的认证方法、装置及系统。所述方法的一具体实施方式包括:对测试心电信号进行预处理;使用字典和分类器对预处理后的测试心电信号进行特征选择和分类,其中所述字典和所述分类器是通过同步学习获得的;以及基于所述测试心电信号的分类结果确定所述测试心电信号是否通过认证。该实施方式通过同步学习字典和分类器,得到了鲁棒的分类器,提高了认证的精度和效率。
Description
技术领域
本申请涉及信号处理技术领域,具体涉及模式识别技术领域,尤其涉及基于心电信号的认证方法、装置及系统。
背景技术
随着科学技术的不断发展,通过生物特征进行身份认证的方法越来越丰富。生物特征认证是利用每个人独有的生理特征或行为特征,诸如虹膜、指纹、人脸、语音和步态等,来确认个体的身份。与传统的认证方法相比,生物特征认证具有认证精度高的优势,但同时也面临巨大的挑战,例如某些生理特征,如指纹、人脸或语音等,可以采用假手指,假人脸,预先录制的语音等等欺骗认证系统。
心电信号(electrocardiogram,ECG)认证为目前安全性较高的一种生物特征认证,是利用心电信号对个体身份进行确认的过程。由于心电信号难以被仿造、获取途径成本低和具有高度的判别性,因此,在安全领域中逐渐被广泛关注。
心电信号认证由于多被用于安全领域,所以对精度要求很高,因此仍存在巨大的挑战。例如,在不同的生理状态下(如保持静止和运动后),同一个个体的心电信号会呈现不同的状态。在不同的时间周期中,同一个个体的心电信号也有可能发生变化。这就造成了心电信号类内差异较大的情况。
发明内容
对于心电信号的认证,如何能从同一个个体的不同状态、不同周期采集的信号中学习鲁棒的具有判别力的特征是一个难以解决的问题。
为了解决上述一个或多个问题,本申请提供了一种基于心电信号 的认证方法、装置及系统。
第一方面,本申请提供了一种基于心电信号的认证方法。所述方法包括:对测试心电信号进行预处理;使用字典和分类器对预处理后的测试心电信号进行特征选择和分类,其中所述字典和所述分类器是通过同步学习获得的;以及基于所述测试心电信号的分类结果确定所述测试心电信号是否通过认证。
在某些实施方式中,所述字典和所述分类器通过如下方式进行同步学习:对分属不同类别的多个训练心电信号进行预处理,使得每个训练心电信号被分割成至少一个信号段;根据所述预处理后的多个训练心电信号,通过迭代方式同步计算每个类别的个体字典和个体分类器;合并所述个体字典以获得所述字典;以及合并所述个体分类器以获得所述分类器。
在某些优选实施方式中,所述通过迭代方式同步计算每个类别的个体字典和个体分类器,包括:初始化每个类别的个体字典;利用初始化的个体字典,通过最小化训练心电信号的预测类别与实际类别的误差函数的方式迭代计算每个类别的个体字典和个体分类器;以及当满足预定条件时,停止迭代并输出每个类别的个体字典和个体分类器。
在某些优选实施方式中,所述迭代计算每个类别的个体字典和个体分类器,包括:利用当前字典对每个训练心电信号的各信号段进行组稀疏编码以生成特征向量;利用所述特征向量,基于所述误差函数,采用梯度下降法更新每个类别的个体分类器;以及利用更新的个体分类器,基于所述误差函数,采用梯度下降法更新每个类别的个体字典。
在某些优选实施方式中,所述初始化每个类别的个体字典,包括:按照类别对训练心电信号进行聚类;以及对每个类别的聚类中心进行归一化以作为该类别的初始化个体字典。
在某些优选实施方式中,所述预定条件为以下至少一项:迭代次数达到预定次数;所述误差函数的值小于第一预定值;以及所述误差函数的值的变化量小于第二预定值。
在某些优选实施方式中,其中每次迭代时,对所述多个训练心电信号进行随机排序。
在某些实施方式中,所述对测试心电信号进行预处理包括:将所述测试心电信号分割成至少一个信号段;以及为每个信号段生成特征表示。
在某些优选实施方式中,其特征在于,所述使用字典和分类器对预处理后的测试心电信号进行特征选择和分类,包括:利用所述字典对测试心电信号的各信号段的所述特征表示进行组稀疏编码以生成特征向量;以及基于所述特征向量,利用所述分类器对每个信号段进行分类。
在某些优选实施方式中,基于所述测试心电信号的分类结果确定所述测试心电信号是否通过认证,包括:获取对参考心电信号使用所述字典和所述分类器得到的各个信号段的分类结果;以及使用所述测试心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定所述测试心电信号是否通过认证。
在某些优选实施方式中,所述采用投票机制确定所述测试心电信号是否通过认证,包括:计算所述测试心电信号的所有信号段在所有类别上的第一分布;获取所述参考心电信号的所有信号段在所有类别上的第二分布;计算所述第一分布与所述第二分布之间的相似度;当所述相似度大于或等于预定阈值时,确定通过认证;以及当所述相似度小于所述预定阈值时,确定拒绝认证。
在某些优选实施方式中,将所述测试心电信号分割成至少一个信号段包括:对心电信号进行滤波处理;将经过滤波处理的心电信号进行QRS波群检测;以及基于QRS波群检测结果将所述测试心电信号分割为至少一个信号段,其中每个信号段包括对应一个或多个心跳;并且其中,为每个信号段生成特征表示包括:提取每个信号段的特征;以及对所述特征进行降维处理以获得每个信号段的所述特征表示。
第二方面,本申请提供了一种基于心电信号的认证装置。该认证装置包括:预处理单元,用于对测试心电信号进行预处理;特征选择和分类单元,用于使用字典和分类器对预处理后的测试心电信号进行特征选择和分类,其中所述字典和所述分类器是通过同步学习获得的; 以及认证单元,用于基于所述测试心电信号的分类结果确定所述测试心电信号是否通过认证。
在某些实施方式中,所述字典和所述分类器通过如下方式进行同步学习:对分属不同类别的多个训练心电信号进行预处理,使得每个训练心电信号被分割成至少一个信号段;根据所述预处理后的多个训练心电信号,通过迭代方式同步计算每个类别的个体字典和个体分类器;合并所述个体字典以获得所述字典;以及合并所述个体分类器以获得所述分类器。
在某些优选实施方式中,所述通过迭代方式同步计算每个类别的个体字典和个体分类器,包括:初始化每个类别的个体字典;利用初始化的个体字典,通过最小化训练心电信号的预测类别与实际类别的误差函数的方式迭代计算每个类别的个体字典和个体分类器;以及当满足预定条件时,停止迭代并输出每个类别的个体字典和个体分类器。
在某些优选实施方式中,所述迭代计算每个类别的个体字典和个体分类器,包括:利用当前字典对每个训练心电信号的各信号段进行组稀疏编码以生成特征向量;利用所述特征向量,基于所述误差函数,采用梯度下降法更新每个类别的个体分类器;以及利用更新的个体分类器,基于所述误差函数,采用梯度下降法更新每个类别的个体字典。
在某些优选实施方式中,所述初始化每个类别的个体字典,包括:按照类别对训练心电信号进行聚类;以及对每个类别的聚类中心进行归一化以作为该类别的初始化个体字典。
在某些优选实施方式中,所述预定条件为以下至少一项:迭代次数达到预定次数;所述误差函数的值小于第一预定值;以及所述误差函数的值的变化量小于第二预定值。
在某些优选实施方式中,其中每次迭代时,对所述多个训练心电信号进行随机排序。
在某些实施方式中,预处理单元包括:分割子单元,用于将所述测试心电信号分割成至少一个信号段;生成子单元,用于为每个信号段生成特征表示。
在某些优选实施方式中,所述特征选择和分类单元包括:特征选 择子单元,用于利用所述字典对测试心电信号的各信号段的所述特征表示进行组稀疏编码以生成特征向量;分类子单元,用于基于所述特征向量,利用所述分类器对每个信号段进行分类。
在某些优选实施方式中,所述认证单元包括:获取子单元,用于获取对参考心电信号使用所述字典和所述分类器得到的各个信号段的分类结果;以及投票子单元,用于使用所述测试心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定所述测试心电信号是否通过认证。
在某些优选实施方式中,所述投票子单元配置用于:计算所述测试心电信号的所有信号段在所有类别上的第一分布;获取所述参考心电信号的所有信号段在所有类别上的第二分布;计算所述第一分布与所述第二分布之间的相似度;在所述相似度大于或等于预定阈值时,确定通过认证;以及用于在所述相似度小于所述预定阈值时,确定拒绝认证。
在某些优选实施方式中,所述分割子单元包括:滤波模块,用于对心电信号进行滤波处理;波群检测模块,用于将经过滤波处理的心电信号进行QRS波群检测;信号段分割模块,用于基于QRS波群检测结果将所述测试心电信号分割为至少一个信号段,其中每个信号段对应一个或多个心跳;所述生成子单元包括:提取模块,用于提取每个信号段的特征;降维模块,用于对所述特征进行降维处理以获得每个信号段的所述特征表示。
第三方面,本申请提供了一种基于心电信号的认证系统,包括:心电感测器,存储器和处理器。心电感测器配置用于感测用户的心电信号以获得测试心电信号。存储器配置用于存储字典和分类器,其中字典和分类器是通过同步学习获得的。处理器配置用于:对所述测试心电信号进行预处理;使用所述字典和分类器对预处理后的测试心电信号进行特征选择和分类;以及基于所述测试心电信号的分类结果确定所述测试心电信号是否通过认证。在一些实施例中,处理器可以进一步配置用于执行本申请第一方面各实施例所描述的方法。
本申请提供的基于心电信号的认证方法、装置及系统通过同步学习字典和分类器,使二者互相促进,得到具有判别力的高层特征,同时得到了鲁棒的分类器。进一步地,在一些实施例中采用基于投票机制的决策,避免了噪声的负面影响,提高了认证的精度和效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请提供的基于心电信号的认证方法的一个实施例的流程图;
图2是本申请实施例提供的典型的心电信号波形图;
图3是本申请实施例提供的对字典和分类器进行同步学习的方法的一个实施例的流程图;
图4是本申请实施例提供的通过迭代方式同步计算每个类别的个体字典和个体分类器的方法的一个实施例的流程图;
图5是本申请实施例提供的迭代计算每个类别的个体字典和个体分类器的方法的一个实施例的流程图;
图6是本申请实施例提供的使用字典和分类器对预处理后的测试心电信号和参考心电信号进行特征选择和分类的方法的一个实施例的流程图;
图7是本申请实施例提供的基于测试心电信号的分类结果确定测试心电信号是否通过认证的方法的一个实施例的流程图;以及
图8是本申请提供的基于心电信号的认证装置的一个实施例的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本申请的基于心电信号的认证方法可以应用于各种电子设备,这些电子设备具有心电感测器,用于采集生物体的心电信号。电子设备可以包括但不限于台式电脑、膝上型便携计算机、智能手机、平板电脑、个人数字助理、智能穿戴设备、门禁设备、智能建筑设备及汽车电子设备等等。
应用上述方法的电子设备可以通过上述方法进行身份识别,例如,可以根据用户的心电信号判断该用户是否具有对某种资源的访问或使用权限。又例如,还可以根据用户的心电信号确定该用户的身份,以及基于用户的身份查找或记录与该用户相关的信息。可以理解,有多种应用上述方法进行身份识别的方式,例如应用于访问控制、金融交易、机场登机、患者隐私保护和国土安全等场景,本申请对此方面不限定。
在下文的描述中,参考心电信号为预存的心电信号。可以针对每个用户预存一个参考心电信号。在获取每个用户的参考心电信号时,可以预先采集每个用户的一个心电信号作为对应于该用户的参考心电信号,也可以预先采集每个用户的多个心电信号,然后基于上述多个心电信号选取/合成一个最具代表性的心电信号作为对应于该用户的参考心电信号。可以理解,还可以有其他多种方式获取每个用户的参考心电信号,本申请对此方面不限定。
测试心电信号为待认证的信号,在对某用户的身份进行认证时,需要先获取该待认证用户对应的测试心电信号。在获取测试心电信号时,可以将待认证用户的一个心电信号作为对应于该用户的测试心电信号,也可以将基于待认证用户的多个心电信号选取/合成出的一个最具代表性的心电信号作为对应于该用户的测试心电信号。可以理解,还可以有其他多种方式获取待认证用户的测试心电信号,本申请对此方面不限定。
已知的基于心电信号ECG的认证方法通常包括四个阶段:数据预 处理,有效的特征表示或特征提取,鲁棒的认证机制以及合理的决策机制。这些认证方法中所使用的特征基本上是从原始ECG信号段提取出来的,它们描述了时域或频域信息,属于底层非判别式特征,丢失了具有判别力的信息。而且,现有的基于ECG的认证方法把特征提取和认证机制分割成两个相继的步骤进行,没有利用到信号的类标信息,从而不能实现它们的互补作用。因而,现有的认证方法的精度不令人满意。
为了解决上述一个或多个问题,根据本申请实施例的基于ECG的认证方法通过同步学习字典和分类器,使二者互相促进,得到具有判别力的高层特征,同时得到了鲁棒的分类器。
请参考图1,其示出了根据本申请的基于心电信号的认证方法的一个实施例的流程100。
如图1所示,在步骤101中,对测试心电信号进行预处理。
为了利用心电信号的具有判别力的特征进行认证,首先对心电信号进行预处理。在一些实施例中,预处理可以包括将测试心电信号分割成至少一个信号段,然后为每个信号段生成特征表示。
具体来说,首先,对采集到的心电信号进行数字滤波处理,以滤除由仪器或人体带来的噪声信号。然后,将经过滤波处理的心电信号进行QRS波群检测。
心电信号记录的是心脏的周期性电活动的信号。图2示出了典型的心电信号波形图。如图2所示,典型的心电信号包括P波201,QRS波202和T波203等。心电图中首先出现的波,称为P波。P波201代表左右心房的去极化过程。QRS波202代表左右两心室去极化过程的电位变化。QRS波202通常包括了三个紧密相连的电位波动。第一个向下的波称为Q波,Q波后第一个向上的波称为R波,与R波降支相衔接的一个向下的波称为S波。正常QRS这三个波紧紧相连,总的宽度(时间)一般不超过0.12s,统称为QRS波群。T波203是继ST段后出现的一个幅度较低而占时间较长的波,代表心室复极的电位变化。
由于QRS波的能量在心电信号中所占比例较大,并且包含心电信 号的重要特征参数,也有利于后续步骤中信号的分割,因此,需要对心电信号进行QRS波群检测,获取QRS波群的有效信息。
上述滤波和波群检测可以采用现有技术中已知和未来开发的任何技术来实现,本申请在此方面没有限制。
接着,基于QRS波群检测的结果将心电信号分割为至少一个信号段,其中每个信号段可以对应一个或多个心跳。
针对所分割的每个信号段,提取每个信号段的特征,通常来说提取信号段的时域特征、频域特征以及统计特征中的一种或者几种特征。时域特征例如可以包括但不限于心电信号的波形、特定波形的发生时刻(如T波的波峰时刻)、变化时刻、延续时间等。频域特征例如可以包括但不限于心电信号的频率或频谱分布。
最后可选地,由于提取的特征通常维度较高,为了节约计算时间和提高计算精度,通常用主成分分析(principle component analysis,PCA)或线性判别分析(lineardiscriminant analysis,LDA)对上述特征进行降维处理,以获得每个信号段的特征表示。
接着,在步骤102中,使用字典和分类器对预处理后的测试心电信号进行特征选择和分类。在本实施例中,字典和分类器是通过同步学习获得的。
在机器学习领域中,统计分类的目标是使用对象的特性来识别其属于哪一类(或组)。可以有各种分类器,其中线性分类器是一种简单的分类器,其基于对象特性的线性组合的值来做出分类判决,从而实现上述目标。对象的特性也称为特征值,通常以称为特征向量的向量方式提供给机器。
在基于稀疏编码的特征表示中,数据被表示为一组基础函数的线性组合,并且线性组合中所使用的系数假设是稀疏的,也即非零系数的个数远远小于系数的总个数。换言之,稀疏编码的目的是从一组基础函数中找到一小部分具有代表性的基础函数作为数据x的特征表示。这组基础函数被称为字典,字典中的每一列称作一个码本,编码系数作为数据x新的特征表示。例如,假设x是一个d维数据,字典D是d×J的矩阵,其中D={d1,...,dj,...,dJ}∈Rd×J,D的每一列dj代表一个基 础函数,z是使用D来表示x的系数,其中z∈RJ。此时,编码系数z作为数据x新的特征表示。稀疏字典学习已经应用在多种场合中。例如,在分类中,其旨在于确定未知数据属于哪一类。假设已经构建了针对每一类的字典,则如果一个新的数据与某一类相关联,那么该数据能够由对应的字典最佳地稀疏表示。字典学习旨在从训练样本中学习一个能更好地表示或编码给定信号的一组基础函数。
在本实施例中,字典可以表示经过预处理后的心电信号的特征。经过学习的字典所包含的特征判别力越高层,认证的结果就越精确。分类器可以基于通过字典而提取的特征来识别心电信号属于哪一类。下文将结合附图详细描述根据本申请实施例的字典和分类器的同步学习过程。
需要说明的是,在本实施例中,字典和分类器可以是在用于认证的设备上进行学习的,也可以是在其他设备上学习好之后直接加载在用于认证的设备上的,本申请对此方面不限定。
最后,在步骤103中,基于上述测试心电信号的分类结果确定测试心电信号是否通过认证。
可以采用多种方式基于上述分类结果来确定测试心电信号是否通过认证。例如,可以按照现有的决策方法,将信号分割段的特征均值作为分类器的输入,进行分类决策。此种方法容易受到噪声的影响,降低准确性。在一些实施例中,采用基于投票机制的决策来判决是否通过认证。在这些实施例中,根据测试心电信号的所有信号分割段针对每个类别的投票来决定是否通过认证,从而可以避免噪声的影响。更具体地,在这些实施例中,通过计算测试心电信号的分类结果和参考心电信号的分类结果的相似度来确定测试心电信号是否通过认证。。后文将结合图7详细描述基于投票机制的决策。
本领域技术人员可以理解,对参考心电信号的处理(对参考心电信号进行上述的预处理,然后使用上述字典和分类器对参考心电信号进行分类得到分类结果)可以是与对测试心电信号的处理同时进行的。也可以是预先进行的,并将处理后得到的分类结果进行存储,可直接提取已存储的分类结果用于认证阶段,本申请对此方面不限定。
本申请的上述实施例提供的基于心电信号的认证方法,通过同步学习字典和分类器,使二者互相促进,得到具有判别力的高层特征(也即字典),同时得到了鲁棒的分类器。
下面将详细描述根据本申请实施例的字典和分类器的同步学习过程。参考图3,其示出了根据本申请对字典和分类器进行同步学习的方法的一个实施例的流程300。
如图3所示,在步骤301中,对分属不同类别的多个训练心电信号进行预处理,使得每个训练心电信号被分割成至少一个信号段。
在本实施例中,首先需要获取多个个体(人)的心电信号作为训练心电信号。取决于分类的应用场景,可以每个个体对应一个类别,例如应用于身份识别或认证;也可以是具有某种相同特征的几个个体对应一个类别,例如应用于心脏疾病的识别等,本申请在此方面不限定。在下文的描述中,主要结合身份识别或认证进行描述,也即一个个体对应于一个类别。
接着,对获取到的多个训练心电信号进行预处理,使得每个训练心电信号被分割成至少一个信号段。其中,预处理的过程与步骤101中,对测试心电信号进行预处理的过程相同,在此不再赘述。将每个训练心电信号分别分割成至少一个信号段后,为每个信号段生成特征表示。
例如,假设获取了C个个体的心电信号作为训练心电信号,经过预处理(包括信号段的分割、特征提取和降维处理等)后,每个个体可以用来表示,其中xi∈Rd,d为每个信号分割段的特征维数,Nc为属于第c个个体的信号分割段的数目。将所有C个个体的信号分割段依次排列起来,则所有训练心电信号可以用X={X1,…,Xc,…XC}来表示,其中,X∈Rd×N,N为所有信号分割段的总段数。
继而,在步骤302中,根据预处理后的多个训练心电信号,通过迭代方式同步计算每个类别的个体字典和个体分类器。
在本实施例中,针对每个类别设定其对应的个体字典和个体分类器,依据类别获得字典和分类器。这种通过针对每个类别获取个体字 典和个体分类器的方式,充分利用了信号分割段的类标信息(类标信息是提供特征判别力最重要的载体),从而能够促进训练出具有判别力的高层特征。与之相比,在传统的字典学习中,由于其采用的约束是用于重构的码本尽可能少,这样得到的特征虽然紧致,但是缺乏判别力。这是因为,字典是从所有的训练数据中学习得到的,对于某一特定类的样本来说,大部分的训练数据都是属于其他类与之无关的,因此会引入无用信息。显然,和类别相关的字典能够得到更有判别力的特征表示。另外,在传统的字典学习中,整个训练过程中样本的类标没有参与其中,而类标信息恰恰是为特征提供判别力最重要的载体。
在本实施例的一种实现中,设字典为D,将字典表示为:
D={D1,…,Dc,…DC}∈Rd×J
因为,对信号分割段Xc进行组稀疏编码,可以从Dc中提取具有代表性的部分特征,因此,对Xc的特征表示可表示为:
基于采用组稀疏编码作为X的新的特征表示,当字典D给定时,对于X来说,其组稀疏编码z表示为:
其中,z∈RJ,zc表示z中和第c类字典对应的编码系数,μ表示权重参数,‖‖2范数约束了用于重构的码本所属的类别应尽可能少。例如,对于属于第c类的信号分割段Xc,其组稀疏编码z的非零元素应尽可能属于和第c类字典相对应的维度,这样可以减少不相关的训练数据带来的计算误差。在给定字典D的情况下,可以通过上述公式(1)求得每个信号分割段对应的组稀疏编码z。
在一些实施例中,为了能够充分利用信号分割段的类标信息,在迭代过程中使用的目标函数可以考虑训练心电信号的类别或类标信息。可以通过多种方式来设计目标函数。在一种实施例中,可采用最小化训练心电信号的预测类别与实际类别的误差函数作为目标函数,该函数可以如下:
其中,α表示权重参数,W∈RJ×C表示线性回归分类器,W的任意一列WC表示对应类别的分类器。G表示对应所有信号分割段的实际类别,其可以表示为类标矩阵,其中,Gi c=1表示第i个信号分割段对应第c个类别(属于第c个个体),否则,Gi c=0。公式(2)的第一项||Z(D)TW-G||表示所有信号分割段的预测误差,Z(D)TW为一个N×C维矩阵,表示所有信号分割段在所有类标上的概率分布。最小化||Z(D)TW-G||,是为了使预测类别和实际类别之间的误差尽可能的小。公式(2)的第二项是为了防止过拟合。
从公式(2)中可以看出,Z是字典D的隐函数,zn是由公式(1)获得的。因此,公式(2)中的变量实际上是D和W。在给定字典D的情况下,通过公式(1)求得组稀疏编码z,再通过公式(2)可以求得分类器W。然后还可以固定分类器W,通过公式(2)对字典D进行优化,再进一步固定字典D,通过公式(2)对分类器W进行优化。通过上述不断地迭代优化,使得字典D和分类器W同时达到局部最优,从而得到个体对应的字典Dc和分类器Wc。在这个过程中,特征的学习和分类器学习是同步并且迭代的,因而能够较好的相互促进。
接着,在步骤303中,合并个体字典以获得字典。在通过迭代学习到针对C个类别的个体字典Dc,c=1,…C之后,将这些个体字典排列起来,合并成字典D,也即D={D1,…,Dc,…DC}∈Rd×J。
在步骤304中,类似地,合并个体分类器以获得分类器。
进一步参考图4,其示出了图3中步骤302中,通过迭代方式同步计算每个类别的个体字典和个体分类器的方法的一个实施例的流程400。
如图4所示,在步骤401中,初始化每个类别的个体字典。
在本实施例中,通过上述公式(1)和(2)计算每个类别的个体字典和个体分类器时,需要先固定字典求分类器,这就需要首先初始化每个类别的个体字典。
可以采取多种方式来初始化个体字典。在本实施例的一种实现中,初始化每个类别的个体字典包括:首先,将经过预处理的训练心电信号按照类别进行聚类。在本实现中,可以采用k-means聚类的方法,可以理解,聚类的方法可以有很多种,本申请对聚类采用的方法方面不限定。接着,对每个类别的聚类中心进行归一化处理,以作为该类别的初始化个体字典。
接着,在步骤402中,利用初始化的个体字典,通过最小化训练心电信号的预测类别与实际类别的误差函数的方式迭代计算每个类别的个体字典和个体分类器。
在本实施例中,首先,可以将所有类别对应的初始化个体字典按照类别进行排列,以生成初始化字典。然后,利用初始化字典,通过公式(1)对每个训练心电信号的各信号段进行组稀疏编码,以生成对应的特征向量。基于生成的特征向量,通过公式(2)求得分类器W。然后再基于分类器W通过公式(2)对字典D进行优化。之后,再利用当前字典D,通过公式(2)对分类器W进行优化。通过上述不断地迭代计算,不断优化字典D和分类器W。其中,公式(2)即为最小化的训练心电信号的预测类别与实际类别的误差函数。
可以采用多种优化方式来计算字典和分类器。在一些实施例中,采用梯度下降法来迭代计算字典和分类器。具体过程将在后文结合图5进行描述。本领域技术人员可以理解,也可以采用其他优化算法来计算字典和分类器,本申请在此方面不受限制。
最后,在步骤403中,响应于满足预定条件,停止迭代并输出每个类别的个体字典和个体分类器。
在本实施例中,迭代次数越多,所获得的结果越精确,但迭代次数如果太多,会影响计算速度,并且,计算的精确度可能也超过了实际的需要,因此,在条件适合的情况下,就可以停止迭代计算并输出计算结果。
在本实施例中,预定条件可以包括以下至少一项:迭代次数达到预定次数;训练心电信号的预测类别与实际类别的误差函数的值小于第一预定值;以及在迭代计算的过程中,训练心电信号的预测类别与实际类别的误差函数的值的变化量小于第二预定值。当满足预定条件时,停止迭代计算并输出每个类别的个体字典和个体分类器。
进一步参考图5,其示出了图4中步骤402,迭代计算每个类别的个体字典和个体分类器的一种实施例的示例性流程500。
如图5所示,在步骤501中,利用当前字典对每个训练心电信号的各信号段进行组稀疏编码以生成特征向量。
在首次迭代时,当前字典即为初始化的字典。在后续次数的迭代中,当前字典即为经过前一次迭代计算优化后的字典。
在本实施例的迭代计算中,利用当前字典,通过公式(1)对每个训练心电信号的各信号段进行组稀疏编码,以生成对应的特征向量。换言之,用当前字典对各信号段进行特征表示,组稀疏编码中的编码系数就是各信号段的特征表示。如前面所提到的,在进行组稀疏编码时的约束是用于重构的码本尽可能地来自于较少的类别,这样减少不相关训练数据带来的计算误差。
接着,在步骤502中,利用上述特征向量,基于上述误差函数,采用梯度下降法更新每个类别的个体分类器。
可以通过公式(2)来计算分类器W的初始值。首先,基于根据初始化字典生成的特征向量Z,在公式(2)中对W求导,令其导数为0,求得W为W=α(αZZT+βI)-1ZY,其中,I表示维度和字典D总维度相等的单位矩阵,α和β均表示常量参数,Y表示每个信号分割段的真实类标,是个已知的量。则在Z和Y均已知的情况下,可以计算出W。所计算出的W作为后续迭代过程中的初始值。
在本实施例中,基于公式(2),首先固定当前字典D,对分类器
继而,在步骤503中,利用更新的个体分类器,基于上述误差函数,采用梯度下降法更新每个类别的个体字典。
在本实施例中,首先,需要固定更新过的分类器W,对字典D求导。由于上述误差函数(公式(2))中没有关于D的显式表达,只有关于Z的显式表达,而Z是D的函数,并且Z包含多个z,每个z都是D的函数。因此,可以采用固定点隐式差分的方法,求第n个样本引起的损失对D的导数在计算时,把各信号段随机打乱,然后按打乱后的次序计算梯度。
迭代期间,考虑到在对字典进行梯度下降法过程中,只能求出第n个样本引起的损失对D的导数而不能求出所有样本引起的损失对D的导数因此在每次迭代时,可以对多个训练心电信号进行随机排序,每次按照打乱后的次序计算梯度,以减少误差。
上面描述了根据本申请实施例的同步字典和分类器学习的示例性过程。从上面的描述可以看出,由于针对每个类别学习个体字典,可以减少不相关的训练数据带来的计算误差。具体地,在进行组稀疏编码时,也即确定编码系数z时,约束了用于重构的码本所属的类别应尽可能少,因此可以将数据尽可能用与其相关的类别的个体字典来表示。另一方面,在字典的学习过程中,将类标信息参与迭代,例如将最小化训练心电信号的预测类别与实际类别的误差函数作为目标函数,同步分类器的学习,从而可以获得高层判别式特征。
上述经过学习的字典和分类器可以在测试或认证阶段用于心电信号的特征提取和分类。进一步参考图6,其示出了图1中的步骤102使用经过学习的字典和分类器对预处理后的测试心电信号进行特征选择和分类的方法的一个实施例的流程600。
如图6所示,在步骤601中,利用字典对测试心电信号的各信号 段的特征表示进行组稀疏编码以生成特征向量。
在本实施例中,在认证阶段,假设经过预处理的测试心电信号对应的信号分割段的特征表示为S={s1,…,sp,…sP},通过用公式(1)对S进行组稀疏编码,生成新的特征向量其中,P为测试心电信号对应的信号分割段的个数。
接着,在步骤602中,基于上述特征向量,利用分类器对每个信号段进行分类。
在本实施例中,根据以下公式和分类器W计算每个信号分割段的类标(即对测试心电信号的每个信号段进行分类):
进一步参考图7,其示出了图1中的步骤103基于测试心电信号的分类结果确定测试心电信号是否通过认证的方法的一个实施例的流程700。
如图7所示,在步骤701中,获取对参考心电信号使用上述字典和分类器得到的各个信号段的分类结果。
在本实施例中,获取对参考心电信号使用上述字典和分类器得到的各个信号段的分类结果,可以是从已存储的数据中取回对应的分类结果,也可以是在认证阶段,对测试心电信号进行处理的同时对预存的参考心电信号进行处理,以获取对参考心电信号使用上述字典和分类器得到的分类结果。
在本实施例中,假设经过预处理的参考心电信号对应的信号分割段的特征表示分别为Y={y1,…,yq,…yQ},通过用公式(1)对Y进行组稀疏编码,生成新的特征向量其中,Q为参考心电信号对应的信号分割段的个数。
根据以下公式和分类器W计算每个信号分割段的类标(即对参考心电信号的每个信号段进行分类):
接着,使用测试心电信号和参考心电信号的各个信号段的分类结 果,采用投票机制来确定测试心电信号是否通过认证。
具体地,在步骤702中,计算测试心电信号的所有信号段在所有类别上的第一分布。
具体来说,根据测试心电信号对应的类标,计算每个测试心电信号在每个类别上的投票数(分布)。例如,测试心电信号一共含有P个信号分割段,有k个信号分割段被预测为第c类(即第c个个体),则对于第c类,其对应的投票数为进一步地,获得测试心电信号对应的第一分布或称直方图。
继而,在步骤703中,获取参考心电信号的所有信号段在所有类别上的第二分布。
接着,在步骤704中,计算第一分布与第二分布之间的相似度。可以采取多种方式计算两个分布之间的相似度。在一些实施例中,可以采用直方图相交核的方式计算着两个分布或直方图的相似度。例如,可以利用以下公式计算上述的相似度:
继而,在步骤705中,判断相似度是否大于或等于预定阈值。
最后,根据相似度与预定阈值的比较结果确定是否通过认证。在步骤706a中,当相似度大于或等于预定阈值时,说明测试心电信号和参考心电信号足够相似,确定可以通过测试心电信号的认证。
在步骤706b中,当相似度小于所述预定阈值时,说明测试心电信号和参考心电信号差异较大,确定拒绝测试心电信号的认证。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。例如,在图3的流程300中,可以先执行步骤304,合并个体分类器以获得分类器,然后再执行步骤303,合 并个体字典以获得字典。当然,步骤303和304也可以并行处理。又例如,在图7的流程700中,可以先执行步骤703,获取参考心电信号的所有信号段在所有类别上的第二分布,然后再执行步骤702,计算测试心电信号的所有信号段在所有类别上的第一分布。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
如前面所提到的,上面描述的基于心电信号的认证方法可以应用于身份识别。针对不同的身份识别的方式,可以存在多种不同的具体实现。在本实施例的一种实现中,可以预先获取具有预定权限的用户(如对某种资源具有访问权限或使用权限的用户)对应的参考心电信号。将上述参考心电信号进行存储,作为判断来访用户是否具有上述预定权限的依据。当待认证用户来访时,获取其对应的测试心电信号,通过本申请的认证方法,对该测试心电信号进行认证。如果该测试心电信号通过认证,则确定该用户具有上述预定权限。例如,智能手机可以获取并存储其机主对应的参考心电信号,在有用户访问该手机时,获取该来访用户对应的测试心电信号,通过本申请的认证方法,对该测试心电信号进行认证,如果该来访用户为手机机主,则可以通过认证,并可以访问手机中的资源或使用该手机。
可以理解,具有预定权限的用户也可以有多个,即需要将多个用户对应的参考心电信号进行存储。当待认证用户来访时,获取其对应的测试心电信号,然后通过本申请的认证方法,遍历每个已存储的参考心电信号对测试心电信号进行认证,该测试心电信号只要有一次能通过认证,则确定该用户具有上述预定权限。例如,某小区门禁设备可以获取该小区所有居民对应的参考心电信号并进行存储,在有人想要进入小区时,获取该来访者对应的测试心电信号,通过本申请的认证方法,遍历每个已存储的参考心电信号对测试心电信号进行认证,如果该来访者为小区居民,则一定有一次可以通过认证,从而使得门禁解锁。
在另一种实现中,也可以预先获取某些特定用户(如某单位的所有员工或者某学校的所有学生)对应的参考心电信号。将上述参考心 电信号与对应用户的相关信息进行关联地存储,以作为确定用户身份的依据,并用于查找或记录用户的相关信息。当用户访问时,获取其对应的测试心电信号,然后通过本申请的认证方法,遍历每个已存储的参考心电信号对测试心电信号进行认证。当测试心电信号通过某个参考心电信号的认证时,则根据该参考心电信号关联的信息确定用户的身份,也可以获取该用户的相关信息,还可以将该用户的新信息与其身份进行关联,并记录下来。例如,某单位的考勤设备可以获取该单位所有员工对应的参考心电信号,并与对应员工的姓名和工号进行关联地存储,当有员工进行考勤记录时,获取该员工对应的测试心电信号,通过本申请的认证方法,遍历每个已存储的参考心电信号对测试心电信号进行认证。当测试心电信号通过某个参考心电信号的认证时,则获取该参考心电信号关联的员工姓名与工号显示于显示屏幕上,并可以将该员工上班或下班的时间与其身份进行关联地记录下来,作为该员工的考勤信息。
进一步参考图8,其示出了根据本申请的基于心电信号的认证装置的一个实施例的结构示意图。
如图8所示,本实施例的基于心电信号的认证装置800包括:预处理单元801,特征选择和分类单元802和认证单元803。其中,预处理单元801用于对测试心电信号进行预处理。特征选择和分类单元802用于使用字典和分类器对预处理后的测试心电信号进行特征选择和分类,其中字典和分类器是通过同步学习获得的。认证单元803用于基于上述测试心电信号的分类结果确定测试心电信号是否通过认证。
在一些可选实施方式中,字典和分类器通过如下方式进行同步学习:对分属不同类别的多个训练心电信号进行预处理,使得每个训练心电信号被分割成至少一个信号段。根据预处理后的多个训练心电信号,通过迭代方式同步计算每个类别的个体字典和个体分类器。合并个体字典以获得字典;以及合并个体分类器以获得分类器。
在一些可选实施方式中,通过迭代方式同步计算每个类别的个体字典和个体分类器,包括:初始化每个类别的个体字典。利用初始化的个体字典,通过最小化训练心电信号的预测类别与实际类别的误差 函数的方式迭代计算每个类别的个体字典和个体分类器。以及当满足预定条件时,停止迭代并输出每个类别的个体字典和个体分类器。
在一些可选实施方式中,迭代计算每个类别的个体字典和个体分类器,包括:利用当前字典对每个训练心电信号的各信号段进行组稀疏编码以生成特征向量。利用上述特征向量,基于上述误差函数,采用梯度下降法更新每个类别的个体分类器。以及利用更新的个体分类器,基于上述误差函数,采用梯度下降法更新每个类别的个体字典。
在一些可选实施方式中,初始化每个类别的个体字典,包括:按照类别对训练心电信号进行聚类。以及对每个类别的聚类中心进行归一化以作为该类别的初始化个体字典。
在一些可选实施方式中,预定条件为以下至少一项:迭代次数达到预定次数;上述误差函数的值小于第一预定值;以及上述误差函数的值的变化量小于第二预定值。
在一些可选实施方式中,其中每次迭代时,对多个训练心电信号进行随机排序。
在一些可选实施方式中,预处理单元801包括分割子单元8011和生成子单元8012。分割子单元8011用于将测试心电信号分割成至少一个信号段。生成子单元8012用于为每个信号段生成特征表示。
在一些可选实施方式中,特征选择和分类单元802包括特征选择子单元8021和分类子单元8022。特征选择子单元8021用于利用字典对测试心电信号的各信号段的上述特征表示分别进行组稀疏编码以生成特征向量。分类子单元8022用于基于上述特征向量,利用分类器对每个信号段进行分类。
在一些可选实施方式中,认证单元803包括获取子单元8031和投票子单元8032。获取子单元8031用于获取对参考心电信号使用上述字典和分类器得到的各个信号段的分类结果。投票子单元8032用于使用测试心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定测试心电信号是否通过认证。
在一些可选实施方式中,投票子单元8032配置用于:计算测试心电信号的所有信号段在所有类别上的第一分布;获取参考心电信号的 所有信号段在所有类别上的第二分布;计算第一分布与第二分布之间的相似度;在相似度大于或等于预定阈值时,确定通过认证;以及在相似度小于预定阈值时,确定拒绝认证。
在一些可选实施方式中,分割子单元包括滤波模块,波群检测模块和信号段分割模块(未示出)。滤波模块用于对心电信号进行滤波处理。波群检测模块用于将经过滤波处理的心电信号进行QRS波群检测。信号段分割模块用于基于QRS波群检测结果将测试心电信号分割为至少一个信号段,其中每个信号段对应一个或多个心跳。生成子单元包括提取模块和降维模块(未示出)。提取模块用于提取每个信号段的特征。降维模块用于对上述特征进行降维处理以获得每个信号段的特征表示。
本申请还提供了一种基于心电信号的训练装置,所述装置用于对采集到的训练心电信号进行训练,以获得字典和分类器。所述装置包括训练预处理单元,迭代计算单元,字典合并单元和分类器合并单元(未示出)。其中,训练预处理单元用于对分属不同类别的多个训练心电信号进行预处理,使得每个训练心电信号被分割成至少一个信号段。迭代计算单元用于根据预处理后的多个训练心电信号,通过迭代方式同步计算每个类别的个体字典和个体分类器。字典合并单元用于合并个体字典以获得字典。分类器合并单元用于合并个体分类器以获得分类器。
在一些可选实施方式中,迭代计算单元包括初始化子单元,计算子单元和输出子单元(未示出)。初始化子单元用于初始化每个类别的个体字典。计算子单元用于利用初始化的个体字典,通过最小化训练心电信号的预测类别与实际类别的误差函数的方式迭代计算每个类别的个体字典和个体分类器。输出子单元用于在满足预定条件时,停止迭代并输出每个类别的个体字典和个体分类器。
在一些可选实施方式中,计算子单元配置用于:利用当前字典对每个训练心电信号的各信号段进行组稀疏编码以生成特征向量。利用上述特征向量,基于上述误差函数,采用梯度下降法更新每个类别的个体分类器。利用更新的个体分类器,基于上述误差函数,采用梯度 下降法更新每个类别的个体字典。
在一些可选实施方式中,初始化子单元配置用于:按照类别对训练心电信号进行聚类。对每个类别的聚类中心进行归一化以作为该类别的初始化个体字典。
在一些可选实施方式中,上述预定条件为以下至少一项:迭代次数达到预定次数;上述误差函数的值小于第一预定值;以及上述误差函数的值的变化量小于第二预定值。
在一些可选实施方式中,其中每次迭代时,对多个训练心电信号进行随机排序。
应当理解,装置800中记载的诸单元或模块与参考图1-7描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置800及其中包含的单元,在此不再赘述。装置800可以预先设置在终端中,也可以通过下载等方式而加载到终端中。装置800中的相应单元可以与终端中的单元相互配合以实现基于心电信号的认证的方案。
本申请实施例提供的基于心电信号的认证方法可以用于多种身份认证设备或系统,例如台式电脑、膝上型便携计算机、智能手机、平板电脑、个人数字助理、智能穿戴设备、门禁设备、智能建筑设备及汽车电子设备等等。因此,本申请另一方面还提供了一种基于心电信号的认证系统,该系统包括心电感测器,存储器和处理器。在一些实施例中,心电感测器,存储器和处理器配置用于一起实践本申请各实施例提供的基于心电信号的认证方法。
具体地,心电感测器配置用于感测用户的心电信号以获得测试心电信号。存储器配置用于存储字典和分类器,其中字典和分类器是通过同步学习获得的。处理器负责身份认证的整体操作,并且可以利用任何商业可得CPU(“中央处理单元”)、DSP(“数字信号处理器”)或任何其他电子可编程逻辑器件实现。处理器可以访问关联的电子存储器,例如上述存储有字典和分类器的存储器,也可以访问其他存储器,诸如RAM存储器、ROM存储器、EEPROM存储器、闪存或其任何组合。在一些实施例中,处理器配置用于对测试心电信号进行预处 理;使用上述字典和分类器对预处理后的测试心电信号进行特征选择和分类;以及基于测试心电信号的分类结果确定该测试心电信号是否通过认证。
描述于本申请实施例中所涉及到的单元模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元模块也可以设置在处理器中,例如,可以描述为:一种处理器包括预处理单元,分类单元,认证单元。其中,这些单元模块的名称在某种情况下并不构成对该单元模块本身的限定,例如,预处理单元还可以被描述为“用于对测试心电信号进行预处理的单元”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本申请的基于心电信号的认证方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (38)
1.一种基于心电信号的认证方法,包括:
对待认证的心电信号进行预处理;
使用字典和分类器对预处理后的待认证的心电信号进行特征选择和分类;以及
获取对参考心电信号使用所述字典和所述分类器得到的各个信号段的分类结果;以及
使用所述待认证的心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定所述待认证的心电信号是否通过认证;
所述采用投票机制确定所述待认证的心电信号是否通过认证,包括:
获取所述待认证的心电信号的各信号段在各个类别上的第一分布;
获取所述参考心电信号的各信号段在各个类别上的第二分布;
计算所述第一分布与所述第二分布之间的相似度;
根据所述相似度与预定阈值的比较结果确定是否通过认证。
2.根据权利要求1所述的方法,其特征在于,所述字典和所述分类器通过如下方式进行同步学习:
对分属不同类别的多个训练心电信号进行预处理,使得每个训练心电信号被分割成至少一个信号段;
根据所述预处理后的多个训练心电信号,通过迭代方式同步计算每个类别的个体字典和个体分类器;
合并所述个体字典以获得所述字典;以及
合并所述个体分类器以获得所述分类器。
3.根据权利要求2所述的方法,其特征在于,所述通过迭代方式同步计算每个类别的个体字典和个体分类器,包括:
初始化每个类别的个体字典;
利用初始化的个体字典,通过最小化训练心电信号的预测类别与实际类别的误差函数的方式迭代计算每个类别的个体字典和个体分类器;以及
当满足预定条件时,停止迭代并输出每个类别的个体字典和个体分类器。
4.根据权利要求3所述的方法,其特征在于,所述迭代计算每个类别的个体字典和个体分类器,包括:
利用当前字典对每个训练心电信号的各信号段进行组稀疏编码以生成特征向量;
利用所述特征向量,基于所述误差函数,采用梯度下降法更新每个类别的个体分类器;以及
利用更新的个体分类器,基于所述误差函数,采用梯度下降法更新每个类别的个体字典。
5.根据权利要求3所述的方法,其特征在于,所述初始化每个类别的个体字典,包括:
按照类别对训练心电信号进行聚类;以及
对每个类别的聚类中心进行归一化以作为该类别的初始化个体字典。
6.根据权利要求3所述的方法,其特征在于,所述预定条件为以下至少一项:
迭代次数达到预定次数;
所述误差函数的值小于第一预定值;以及
所述误差函数的值的变化量小于第二预定值。
7.根据权利要求3所述的方法,其特征在于,其中每次迭代时,对所述多个训练心电信号进行随机排序。
8.根据权利要求1所述的方法,其特征在于,所述对待认证的心电信号进行预处理包括:
将所述待认证的心电信号分割成至少一个信号段;以及
为每个信号段生成特征表示。
9.根据权利要求1所述的方法,其特征在于,所述根据所述相似度与预定阈值的比较结果确定是否通过认证,包括:
当所述相似度大于或等于预定阈值时,确定通过认证;以及
当所述相似度小于所述预定阈值时,确定拒绝认证。
10.根据权利要求8所述的方法,其特征在于,将所述待认证的心电信号分割成至少一个信号段包括:
对心电信号进行滤波处理;
将经过滤波处理的心电信号进行QRS波群检测;以及
基于QRS波群检测结果将所述待认证的心电信号分割为至少一个信号段,其中每个信号段对应一个或多个心跳;并且
其中,为每个信号段生成特征表示包括:
提取每个信号段的特征;以及
对所述特征进行降维处理以获得每个信号段的所述特征表示。
11.根据权利要求1所述的方法,其特征在于,所述字典和所述分类器是通过同步学习获得的。
12.一种基于心电信号的认证装置,其特征在于,所述装置包括:
预处理单元,用于对待认证的心电信号进行预处理;
特征选择和分类单元,用于使用字典和分类器对预处理后的待认证的心电信号进行特征选择和分类;以及
获取子单元,用于获取对参考心电信号使用所述字典和所述分类器得到的各个信号段的分类结果;以及
投票子单元,用于使用所述待认证的心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定所述待认证的心电信号是否通过认证;
所述投票子单元配置用于:计算所述待认证的心电信号的各个信号段在各个类别上的第一分布;
获取所述参考心电信号的各个信号段在各个类别上的第二分布;
计算所述第一分布与所述第二分布之间的相似度;
根据所述相似度与预定阈值的比较结果确定是否通过认证。
13.根据权利要求12所述的装置,其特征在于,所述字典和所述分类器通过如下方式进行同步学习:
对分属不同类别的多个训练心电信号进行预处理,使得每个训练心电信号被分割成至少一个信号段;
根据所述预处理后的多个训练心电信号,通过迭代方式同步计算每个类别的个体字典和个体分类器;
合并所述个体字典以获得所述字典;以及
合并所述个体分类器以获得所述分类器。
14.根据权利要求13所述的装置,其特征在于,所述通过迭代方式同步计算每个类别的个体字典和个体分类器,包括:
初始化每个类别的个体字典;
利用初始化的个体字典,通过最小化训练心电信号的预测类别与实际类别的误差函数的方式迭代计算每个类别的个体字典和个体分类器;以及
当满足预定条件时,停止迭代并输出每个类别的个体字典和个体分类器。
15.根据权利要求14所述的装置,其特征在于,所述迭代计算每个类别的个体字典和个体分类器,包括:
利用当前字典对每个训练心电信号的各信号段进行组稀疏编码以生成特征向量;
利用所述特征向量,基于所述误差函数,采用梯度下降法更新每个类别的个体分类器;以及
利用更新的个体分类器,基于所述误差函数,采用梯度下降法更新每个类别的个体字典。
16.根据权利要求14所述的装置,其特征在于,所述初始化每个类别的个体字典,包括:
按照类别对训练心电信号进行聚类;以及对每个类别的聚类中心进行归一化以作为该类别的初始化个体字典。
17.根据权利要求14所述的装置,其特征在于,所述预定条件为以下至少一项:迭代次数达到预定次数;所述误差函数的值小于第一预定值;以及
所述误差函数的值的变化量小于第二预定值。
18.根据权利要求14所述的装置,其特征在于,其中每次迭代时,对所述多个训练心电信号进行随机排序。
19.根据权利要求12所述的装置,其特征在于,所述预处理单元包括:
分割子单元,用于将所述待认证的心电信号分割成至少一个信号段;
生成子单元,用于为每个信号段生成特征表示。
20.根据权利要求12所述的装置,其特征在于,所述投票子单元进一步配置用于:
在所述相似度大于或等于预定阈值时,确定通过认证;以及
用于在所述相似度小于所述预定阈值时,确定拒绝认证。
21.根据权利要求19所述的装置,其特征在于,所述分割子单元包括:
滤波模块,用于对心电信号进行滤波处理;
波群检测模块,用于将经过滤波处理的心电信号进行QRS波群检测;
信号段分割模块,用于基于QRS波群检测结果将所述待认证的心电信号分割为至少一个信号段,其中每个信号段对应一个或多个心跳;
所述生成子单元包括:
提取模块,用于提取每个信号段的特征;
降维模块,用于对所述特征进行降维处理以获得每个信号段的所述特征表示。
22.根据权利要求12所述的装置,其特征在于,所述字典和所述分类器是通过同步学习获得的。
23.一种基于心电信号的认证系统,包括:心电感测器,存储器和处理器,其特征在于:
所述心电感测器配置用于感测用户的心电信号以获得待认证的心电信号;
所述存储器配置用于存储字典和分类器;以及
所述处理器配置用于:
对所述待认证的心电信号进行预处理;
使用所述字典和分类器对预处理后的待认证的心电信号进行特征选择和分类;以及
获取对参考心电信号使用所述字典和所述分类器得到的各个信号段的分类结果;以及
使用所述待认证的心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定所述待认证的心电信号是否通过认证;
所述处理器进一步配置用于:
计算所述待认证的心电信号的各个信号段在各个类别上的第一分布;
获取所述参考心电信号的各个信号段在各个类别上的第二分布;
计算所述第一分布与所述第二分布之间的相似度;
根据所述相似度与预定阈值的比较结果确定是否通过认证。
24.根据权利要求23所述的系统,其特征在于,所述字典和所述分类器是通过同步学习获得的。
25.一种基于心电信号的认证方法,包括:
将待认证的心电信号分割成至少一个信号段;以及
为每个信号段生成特征表示;
利用字典对所述待认证的心电信号的各信号段的所述特征表示进行组稀疏编码以生成特征向量;以及
基于所述特征向量,利用分类器对每个信号段进行分类;
以及
获取对参考心电信号使用所述字典和所述分类器得到的各个信号段的分类结果;以及
使用所述待认证的心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定所述待认证的心电信号是否通过认证;
所述采用投票机制确定所述待认证的心电信号是否通过认证,包括:
获取所述待认证的心电信号的各信号段在各个类别上的第一分布;
获取所述参考心电信号的各信号段在各个类别上的第二分布;
计算所述第一分布与所述第二分布之间的相似度;
根据所述相似度与预定阈值的比较结果确定是否通过认证。
26.根据权利要求25所述的方法,其特征在于,所述为每个信号段生成特征表示,包括:
提取每个信号段的特征;以及
对所述特征进行降维处理以获得每个信号段的所述特征表示。
27.根据权利要求25所述的方法,其特征在于,所生成的分类结果是基于所述特征向量,利用所述分类器对每个信号段进行分类得到的分类结果,其中,所述分类结果用类标表示。
28.根据权利要求25所述的方法,其特征在于,所述字典和所述分类器是通过同步学习获得的。
29.一种基于心电信号的认证装置,其特征在于,所述装置包括:
分割子单元,用于将待认证的心电信号分割成至少一个信号段;以及
生成子单元,用于为每个信号段生成特征表示;
特征选择子单元,用于利用字典对所述待认证的心电信号的各信号段的所述特征表示进行组稀疏编码以生成特征向量;以及
分类子单元,用于基于所述特征向量,利用分类器对每个信号段进行分类;
以及
获取子单元,用于获取对参考心电信号使用所述字典和所述分类器得到的各个信号段的分类结果;以及
投票子单元,用于使用所述待认证的心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定所述待认证的心电信号是否通过认证;
所述投票子单元配置用于:计算所述待认证的心电信号的各个信号段在各个类别上的第一分布;
获取所述参考心电信号的各个信号段在各个类别上的第二分布;
计算所述第一分布与所述第二分布之间的相似度;
根据所述相似度与预定阈值的比较结果确定是否通过认证。
30.根据权利要求29所述的装置,其特征在于,所述生成子单元包括:
提取模块,用于提取每个信号段的特征;
降维模块,用于对所述特征进行降维处理以获得每个信号段的所述特征表示。
31.根据权利要求29所述的装置,其特征在于,所生成的分类结果是基于所述特征向量,利用所述分类器对每个信号段进行分类得到的分类结果,其中,所述分类结果用类标表示。
32.根据权利要求29所述的装置,其特征在于,所述字典和所述分类器是通过同步学习获得的。
33.一种基于心电信号的认证系统,包括:心电感测器,存储器和处理器,其特征在于:
所述心电感测器配置用于感测用户的心电信号以获得待认证的心电信号;
所述存储器配置用于存储字典和分类器;以及
所述处理器配置用于:
将所述待认证的心电信号分割成至少一个信号段;以及
为每个信号段生成特征表示;
利用所述字典对待认证的心电信号的各信号段的所述特征表示进行组稀疏编码以生成特征向量;以及
基于所述特征向量,利用所述分类器对每个信号段进行分类;以及
获取对参考心电信号使用所述字典和所述分类器得到的各个信号段的分类结果;以及
使用所述待认证的心电信号和参考心电信号的各个信号段的分类结果,采用投票机制确定所述待认证的心电信号是否通过认证;
所述采用投票机制确定所述待认证的心电信号是否通过认证,包括:
获取所述待认证的心电信号的各信号段在各个类别上的第一分布;
获取所述参考心电信号的各信号段在各个类别上的第二分布;
计算所述第一分布与所述第二分布之间的相似度;
根据所述相似度与预定阈值的比较结果确定是否通过认证。
34.根据权利要求33所述的系统,其特征在于,所述处理器进一步配置用于:
提取每个信号段的特征;
对所述特征进行降维处理以获得每个信号段的所述特征表示。
35.根据权利要求33所述的系统,其特征在于,所生成的分类结果是基于所述特征向量,利用所述分类器对每个信号段进行分类得到的分类结果,其中,所述分类结果用类标表示。
36.根据权利要求33所述的系统,其特征在于,所述字典和所述分类器是通过同步学习获得的。
37.一种电子设备,包括:
存储器,用于存储程序,
处理器,用于执行所述程序实现权利要求1-11、25-28任一所述的方法。
38.一种计算机可读存储介质,其上存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行权利要求1-11、25-28任一所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510071283.3A CN105989266B (zh) | 2015-02-11 | 2015-02-11 | 基于心电信号的认证方法、装置及系统 |
KR1020150180291A KR102449839B1 (ko) | 2015-02-11 | 2015-12-16 | 심전도에 기초한 인증 방법, 인증 장치, 심전도 기반 인증을 위한 학습 방법 및 학습 장치 |
EP16154997.7A EP3056138B1 (en) | 2015-02-11 | 2016-02-10 | Electrocardiogram (ecg)-based authentication apparatus and method thereof, and training apparatus and method thereof for ecg-based authentication |
US15/041,477 US10089451B2 (en) | 2015-02-11 | 2016-02-11 | Electrocardiogram (ECG)-based authentication apparatus and method thereof, and training apparatus and method thereof for ECG-based authentication |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510071283.3A CN105989266B (zh) | 2015-02-11 | 2015-02-11 | 基于心电信号的认证方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105989266A CN105989266A (zh) | 2016-10-05 |
CN105989266B true CN105989266B (zh) | 2020-04-03 |
Family
ID=56874999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510071283.3A Active CN105989266B (zh) | 2015-02-11 | 2015-02-11 | 基于心电信号的认证方法、装置及系统 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102449839B1 (zh) |
CN (1) | CN105989266B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108304746B (zh) * | 2017-01-11 | 2022-09-13 | 北京三星通信技术研究有限公司 | 更新用于心电身份认证的认证参考信息的方法及设备 |
CN108464834A (zh) * | 2017-02-22 | 2018-08-31 | 清华大学深圳研究生院 | 一种基于心电信号的驾驶学员管理方法与系统 |
CN107451417B (zh) * | 2017-09-08 | 2021-07-06 | 北京蓬阳丰业科技有限公司 | 动态心电分析智能诊断系统及方法 |
CN109009087B (zh) * | 2018-08-07 | 2021-07-06 | 广州麦笛亚医疗器械有限公司 | 一种心电信号r波的快速检测方法 |
CN109330584B (zh) * | 2018-11-08 | 2020-09-18 | 山东大学 | 基于字典学习和稀疏表示的心电信号身份识别方法和系统 |
WO2020148163A1 (en) * | 2019-01-16 | 2020-07-23 | Koninklijke Philips N.V. | Learning of temporal dynamics for feature extraction and compression of physiological waveforms |
KR102216158B1 (ko) * | 2019-05-02 | 2021-02-15 | 연세대학교 산학협력단 | 복수의 컴퓨팅 장치에 내장된 센서를 활용한 사용자 인증 시스템 |
CN110269625B (zh) * | 2019-05-31 | 2022-02-11 | 杭州电子科技大学 | 一种新型的多特征融合的心电认证方法及系统 |
KR102276606B1 (ko) * | 2019-12-05 | 2021-07-13 | 한국전자기술연구원 | 심전도를 이용한 개인 인증 방법 |
CN112818315B (zh) * | 2021-02-26 | 2022-03-15 | 山东大学 | 一种融合多特征信息的心电信号身份识别方法及系统 |
CN113705296A (zh) * | 2021-03-11 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 生理电信号分类处理方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323977A (zh) * | 2011-06-29 | 2012-01-18 | 无锡市吉天通信科技有限公司 | 基于心电特征点的心电数据存储方法 |
CN102688032A (zh) * | 2012-05-11 | 2012-09-26 | 东华大学 | 基于精简公共字典库的心电信号稀疏分解压缩系统 |
CN102968618A (zh) * | 2012-10-24 | 2013-03-13 | 浙江鸿程计算机系统有限公司 | 一种融合BoF模型和谱聚类算法的静态手势识别方法 |
CN103892821A (zh) * | 2012-12-25 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 基于心电信号的情感识别模型生成装置及其方法 |
CN103971123A (zh) * | 2014-05-04 | 2014-08-06 | 南京师范大学 | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 |
CN104200203A (zh) * | 2014-08-30 | 2014-12-10 | 电子科技大学 | 一种基于动作字典学习的人体动作检测方法 |
CN104224205A (zh) * | 2014-07-30 | 2014-12-24 | 哈尔滨工业大学深圳研究生院 | 一种基于简易心电采集和匹配的疲劳检测方法 |
CN104281845A (zh) * | 2014-10-29 | 2015-01-14 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8649765B1 (en) * | 2012-08-08 | 2014-02-11 | Telefonaktiebolaget L M Ericsson (Publ) | Communication apparatus using biometrics |
CA2917708C (en) * | 2013-07-25 | 2021-12-28 | Nymi Inc. | Preauthorized wearable biometric device, system and method for use thereof |
-
2015
- 2015-02-11 CN CN201510071283.3A patent/CN105989266B/zh active Active
- 2015-12-16 KR KR1020150180291A patent/KR102449839B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323977A (zh) * | 2011-06-29 | 2012-01-18 | 无锡市吉天通信科技有限公司 | 基于心电特征点的心电数据存储方法 |
CN102688032A (zh) * | 2012-05-11 | 2012-09-26 | 东华大学 | 基于精简公共字典库的心电信号稀疏分解压缩系统 |
CN102968618A (zh) * | 2012-10-24 | 2013-03-13 | 浙江鸿程计算机系统有限公司 | 一种融合BoF模型和谱聚类算法的静态手势识别方法 |
CN103892821A (zh) * | 2012-12-25 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 基于心电信号的情感识别模型生成装置及其方法 |
CN103971123A (zh) * | 2014-05-04 | 2014-08-06 | 南京师范大学 | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 |
CN104224205A (zh) * | 2014-07-30 | 2014-12-24 | 哈尔滨工业大学深圳研究生院 | 一种基于简易心电采集和匹配的疲劳检测方法 |
CN104200203A (zh) * | 2014-08-30 | 2014-12-10 | 电子科技大学 | 一种基于动作字典学习的人体动作检测方法 |
CN104281845A (zh) * | 2014-10-29 | 2015-01-14 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
Human Identification From ECG Signals Via Sparse Representation of Local Segments;Jin Wang etc.;《IEEE SIGNAL PROCESSING LETTERS》;20131031;正文第937页,图1-2 * |
Also Published As
Publication number | Publication date |
---|---|
KR20160098960A (ko) | 2016-08-19 |
CN105989266A (zh) | 2016-10-05 |
KR102449839B1 (ko) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105989266B (zh) | 基于心电信号的认证方法、装置及系统 | |
US10089451B2 (en) | Electrocardiogram (ECG)-based authentication apparatus and method thereof, and training apparatus and method thereof for ECG-based authentication | |
JP4543423B2 (ja) | 対象物自動認識照合方法および装置 | |
US5274714A (en) | Method and apparatus for determining and organizing feature vectors for neural network recognition | |
Soltane et al. | Face and speech based multi-modal biometric authentication | |
Colonna et al. | Automatic classification of anuran sounds using convolutional neural networks | |
US11710297B2 (en) | System and method for detecting potential matches between a candidate biometric and a dataset of biometrics | |
JP2008123521A (ja) | 拡張されたガボールウェーブレット特徴を利用したフェース認識方法及び装置 | |
CN110288028B (zh) | 心电检测方法、系统、设备及计算机可读存储介质 | |
Haji et al. | Real time face recognition system (RTFRS) | |
CN115204238B (zh) | 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 | |
CN105138886B (zh) | 机器人生物体征识别系统 | |
Li et al. | A score-level fusion fingerprint indexing approach based on minutiae vicinity and minutia cylinder-code | |
Meltzer et al. | Efficient Clustering-Based electrocardiographic biometric identification | |
Yousofvand et al. | Person identification using ECG signal’s symbolic representation and dynamic time warping adaptation | |
Bazama et al. | Security System by face recognition | |
Mansoura et al. | Biometric recognition by multimodal face and iris using FFT and SVD methods With Adaptive Score Normalization | |
Kamarajugadda et al. | Stride towards aging problem in face recognition by applying hybrid local feature descriptors | |
Wang et al. | Audio-visual feature fusion for vehicles classification in a surveillance system | |
Abboud et al. | Image quality guided approach for adaptive modelling of biometric intra-class variations | |
Umasankari et al. | Evaluation of Biometric Classification and Authentication Using Machine Learning Techniques | |
Cai et al. | Local metric learning for EEG-based personal identification | |
Adedeji et al. | Comparative Analysis of Feature Selection Techniques For Fingerprint Recognition Based on Artificial Bee Colony and Teaching Learning Based Optimization | |
Sidek et al. | The study of ppg and apg signals for biometric recognition | |
Biran et al. | ECG bio-identification using Fréchet classifiers: A proposed methodology based on modeling the dynamic change of the ECG features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |