CN106473750B - 基于光电容积脉搏波最佳周期波形的身份识别方法 - Google Patents

基于光电容积脉搏波最佳周期波形的身份识别方法 Download PDF

Info

Publication number
CN106473750B
CN106473750B CN201610876814.0A CN201610876814A CN106473750B CN 106473750 B CN106473750 B CN 106473750B CN 201610876814 A CN201610876814 A CN 201610876814A CN 106473750 B CN106473750 B CN 106473750B
Authority
CN
China
Prior art keywords
waveform
monocycle
ppg signal
value
section
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
Application number
CN201610876814.0A
Other languages
English (en)
Other versions
CN106473750A (zh
Inventor
同鸣
杨晓玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201610876814.0A priority Critical patent/CN106473750B/zh
Publication of CN106473750A publication Critical patent/CN106473750A/zh
Application granted granted Critical
Publication of CN106473750B publication Critical patent/CN106473750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明公开了一种基于光电容积脉搏波最佳周期波形的身份识别方法，主要解决现有PPG信号身份识别方法识别率较低的问题。其实现步骤：1)获取被鉴定者PPG信号，进行小波去噪和归一化处理；2)对处理后的PPG信号进行波形分割，获取多个单周期波形；3)选取最佳单周期波形，去除异形波；4)对多个最佳单周期波形进行平均，得到平均周期波形；5)进行傅里叶变换获取幅度谱样本；6)用非负矩阵分解对幅度谱样本降维，生成测试特征向量；7)利用支持向量机将测试特征向量与预先生成的被鉴定者训练特征向量库进行匹配，输出身份识别结果。本发明的身份识别率可达到99.6％以上，有效性和可靠性高，可用于远程医疗高身份识别率的场合。

Description

基于光电容积脉搏波最佳周期波形的身份识别方法
技术领域
本发明属于信息处理技术领域，具体涉及一种身份识别方法，可用于远程医疗中对病人身份确认识别率要求较高等场合。
背景技术
传统的身份识别方法，如个人居民身份证、IC卡、账号密码、机动车驾驶证等，存在丢失、遗忘、窃取和易遭受攻击等缺陷，而基于人脸、指纹和声音特征等的生物识别方法，技术成熟，识别率高，但易被伪造。为了增强生物识别技术的可靠性与安全性，一方面通过多种生物特征来提高身份识别的安全等级；另一方面，利用多种生理特征进行身份识别。
光电容积脉搏波PPG借助光电手段在活体组织中检测血液容积变化而生成的一种生理信号，作为人体固有的一种生理特征，PPG信号采集简单，难以复制和模仿，具有较高的安全性。目前基于PPG信号的身份识别技术识别率较低，无法满足实际需求。
已提出的基于PPG信号的身份识别方法有：
Gu,Y.Y.,Zhang,Y.T.在2003年“IEEE EMBS Asian-Pacific Conference onBiomedical Engineering”会议上发表的文章“Photoplethysmographic authenticationthrough fuzzy logic”中利用模糊决策的方法实现身份识别，相同实验环境中可达到94％的识别率，若人体所处环境不同，由于呼吸、运动伪影等影响仅达到82.3％的识别率，无法满足对身份识别要求较高的应用场合。
土耳其的A.Kemal Polatb等人2014年在“Computers in biologyand medicine”期刊上发表的文章“A novel feature ranking algorithm for biometricrecognition with PPG signals”，利用K最近邻分类器完成基于PPG信号的身份识别，最高仅达到94.44％的识别率，且输入分类器的特征维数较大，算法复杂度较高。
发明内容
本发明针对上述已有技术的不足，提出了一种基于光电容积脉搏波最佳周期波形的身份识别方法，旨在通过降低PPG信号采集过程中人体呼吸、运动伪影等因素的影响，以获得较稳定的PPG信号，最终提高身份识别率。
本发明的技术方案是通过选取PPG信号的最佳周期波形，并利用该最佳周期波形的幅度谱特征进行身份识别，其实现步骤如下：
(1)读取被鉴定者在设定的时间段内的光电容积脉搏波PPG信号x；
(2)对PPG信号x进行小波去噪处理，得到去噪后的PPG信号y；
(3)对去噪后的PPG信号y进行归一化处理，得到归一化后的PPG信号z；
(4)对归一化后的PPG信号z进行收缩期波峰检测，并记录检测出的所有收缩期波峰的值及所有收缩期波峰在归一化后的PPG信号z中的索引；
(5)将步骤(4)中检测出的所有收缩期波峰作为分割点，对归一化后的PPG信号z进行波形分割，将每相邻两个分割点之间的波形作为一个周期波形，获取分割后的所有单周期波形；
(6)根据所有单周期波形峰值的大小，获取峰值索引集合L：
(6a)将所有单周期波形第一个采样点的值作为该单周期波形的峰值，统计步骤(5)中得到的所有单周期波形峰值的大小，得到所有峰值中的最小值A和最大值B，将区间[A,B]划分为N个等长度的峰值区间，N为大于零的整数；
(6b)根据单周期波形峰值的大小，统计所有单周期波形分布在各个峰值区间中的个数，根据各峰值区间中单周期波形的个数，选取单周期波形个数最多的峰值区间作为有效峰值区间；
(6c)统计有效峰值区间中所有单周期波形的第一个采样点在归一化后PPG信号z中的索引，并按照索引值的大小，从小到大顺序排列，得到峰值索引集合L；
(7)将单周期波形的总采样点数作为单周期波形的宽度，获取宽度索引集合I：
(7a)统计步骤(5)中得到的所有单周期波形宽度大小，得到单周期波形宽度的最小值C和最大值D，将区间[C,D]划分为N个等长度的宽度区间；
(7b)根据单周期波形的宽度，统计步骤(5)中得到的所有单周期波形分布在各个宽度区间中的个数，根据各宽度区间中单周期波形的个数，选取单周期波形个数最多的宽度区间作为有效宽度区间；
(7c)统计有效宽度区间中的所有单周期波形第一个采样点在归一化后的PPG信号z中的索引，并按照索引值大小，从小到大顺序排列，得到宽度索引集合I；
(8)将峰值索引集合L和宽度索引集合I进行取交集操作，得到两个索引集合中共有的索引元素，组成有效索引集合Ind；
(9)从归一化后的PPG信号z中，提取有效索引集合Ind中所有索引值对应的单周期波形，即为最佳的单周期波形；
(10)对从步骤(9)中获得的所有最佳单周期波形进行插值，使得所有最佳单周期波形的采样点数相同；
(11)去除步骤(10)插值后所有最佳单周期波形中的异形波，得到去除异形波后的最佳单周期波形；对所有的最佳单周期波形每M个进行一次波形平均，得到平均周期波形；对获得的所有平均周期波形进行傅里叶变换，获取被鉴定者的幅度谱样本，其中，M为大于零的整数；
(12)对被鉴定者的所有幅度谱样本，运用非负矩阵分解方法NMF降维处理，并把降维后的所有幅度谱样本作为被鉴定者的测试特征向量；
(13)将被鉴定者的测试特征向量与预先生成的训练特征向量库进行匹配，得出被鉴定者的身份识别率并输出。
本发明与现有技术相比具有以下优点：
第一，本发明通过分别统计被鉴定者PPG信号的单周期波形在各峰值区间和各宽度区间中的个数，选取同时分布在个数最多的峰值区间和宽度区间中的波形为最佳单周期波形，从而提取出被鉴定者稳定的PPG信号，降低了人体呼吸、运动伪影等因素对采集PPG信号的影响，为正确识别被鉴定者的身份提供了保障。
第二，本发明利用PPG信号单周期波形的幅度谱作为样本进行身份识别，将频域特征用于个体身份识别，并利用非负矩阵分解NMF方法对幅度谱进行数据降维，大大降低了幅度谱样本的维度，有效降低了运算过程中的存储空间和计算量，进一步降低了算法复杂度，最终提高了被鉴定者身份的正确识别率。
附图说明
图1为本发明的实现流程图；
图2为PPG信号的收缩期波峰检测示意图。
具体实施方式
下面结合附图对本发明的实施做进一步详细描述。
参照图1，本发明的实现如下：
步骤1.获取m个被鉴定者的PPG信号，建立训练数据库。
在不同时刻，采集m个被鉴定者在设定的时间段内的PPG信号两次，第一次采集的m个PPG信号组成训练数据库，第二次采集的m个PPG信号组成测试数据库。设某次采集的任意一个被鉴定者的PPG信号用x表示。
步骤2.利用小波变换对被鉴定者PPG信号x进行去噪处理，得去噪后的PPG信号y。
(2a)按照下式，对PPG信号x进行小波分解：
[c,l]＝W(x,le,Name)，
其中，c表示各层小波系数组成的向量，l表示各层小波系数的长度组成的向量，W(·)表示多尺度小波分解函数，le表示小波分解的层数，Name表示采用的小波基名称，本专利中采用的小波基为coif5，即Name＝coif5；
(2b)根据PPG信号x的采样频率f及小波分解层数le，计算各层小波系数的频率范围，见表1：
表1 各层小波系数的频率范围
(2c)将每层的频率范围与人体的PPG信号频率范围[0.5Hz，10Hz]进行比较：若该层的频率范围与区间[0.5Hz，10Hz]不相交，则将向量c中该层的小波系数置0；若该层的频率范围与区间[0.5Hz，10Hz]相交，且交集长度小于区间[0.5Hz，10Hz]长度的一半，则将向量c中该层的小波系数置0；若该层的频率范围与区间[0.5Hz，10Hz]相交，且交集长度大于等于区间[0.5Hz，10Hz]长度的一半，则保留向量c中该层的小波系数，此时各层小波系数组成的向量c变为处理后的各层小波系数向量c1。
(2d)按照下式进行小波重构，得到去噪后的PPG信号y：
y＝Dec(c1,l,Name)，
其中，Dec(·)表示多尺度小波重构函数。
步骤3.对去噪后的PPG信号y进行归一化处理。
(3a)设去噪后的PPG信号y是由n个采样点组成：
y＝[y1,y2,…,yi,…,yn]，
其中，yi表示去噪后PPG信号的第i个采样点，i∈[1,n]；
(3b)对去噪后的PPG信号y中的每个采样点进行归一化处理，即：
其中，zi表示去噪后PPG信号y的第i个采样点归一化后的值；
(3c)由步骤(3b)得到归一化后的PPG信号z为：
z＝[z1,z2,…,zi,…,zn]。
步骤4.对归一化后的PPG信号z进行收缩期波峰检测。如图2所示，PPG信号的一个单周期波形有两个波峰：收缩期波峰和舒张期波峰，对归一化后的PPG信号z进行收缩期波峰检测，并记录检测出的所有收缩期波峰的值及其在归一化的PPG信号z中的索引。
(4a)参数设定：
设置检测阈值为TH，用来判定某一采样点是否为收缩期波峰，避免误检舒张期波峰的情况。由于舒张期波峰到波谷的距离小于收缩期波峰到波谷的距离，所以，阈值TH的值为正数。
设置参数PA，用来检测PPG信号z中的收缩期波峰。设PA的初始值为0，并假设图2的采样点a为归一化后PPG信号z的第1个采样点，以下结合图2说明收缩期波峰的检测过程。
(4b)搜索收缩期波峰：
输入归一化后PPG信号z的n个采样点，将每一个采样点与参数PA进行比较，若当前采样点的值大于PA，则将PA的值替换成当前采样点的值；若当前采样点的值小于参数PA，则PA保持不变；
如图2，从采样点a开始遍历，在遍历上升段ab波段时，每一个采样点的值都大于PA的值的初始值0，因此，PA被不断替换，直到遍历到采样点b，PA被替换成采样点b的值；继续遍历波形bd段时，采样点的值都小于PA的值，则PA保持不变；在这期间，当遍历到f点时，PA的值与f点的差值大于阈值TH，则判定当前PA为一个收缩期波峰，即检测获得PPG信号的一个收缩期波峰，记录此时PA的值及索引；然后继续遍历下一个采样点并将PA的值重新初始化为0，重复以上波峰搜索过程，以便检测其他的收缩期波峰。
(4c)按照步骤(4b)，对归一化信号z的所有采样点进行波峰检测，检测出PPG信号z中的所有收缩期波峰，获取检测出的所有收缩期波峰的峰值及在归一化后PPG信号z中的索引。
(4d)当归一化后PPG信号z的第一个采样点接近收缩期波峰时，会被误检成一个收缩期波峰，因此，对步骤(4c)中检测出的归一化后PPG信号z的所有收缩期波峰，删除第一个收缩期波峰，将剩下的收缩期波峰作为从归一化后PPG信号z中检测出的所有收缩期波峰，获取它们的峰值及在归一化后PPG信号z中的索引。
步骤5.分割PPG信号波形，获取单周期波形。
以步骤(4d)中记录的所有收缩期波峰索引为分割点，前后相邻两个收缩期波峰之间的波形为PPG信号z的一个单周期波形，对归一化后的PPG信号z进行波形分割，获得归一化后的PPG信号z分割后的所有单周期波形。
步骤6.选取最佳的单周期波形。
(6a)将所有单周期波形的第一个采样点的值作为该单周期波形的峰值，统计步骤5中得到的所有单周期波形的峰值大小，得到所有峰值中的最小值A和最大值B，将区间[A,B]划分为N个等长度的峰值区间，N为大于零的整数；
(6b)根据单周期波形峰值大小，统计所有单周期波形分布在各个峰值区间中的个数，根据各峰值区间中单周期波形的个数，选取单周期波形个数最多的峰值区间作为有效的峰值区间；
(6c)统计有效峰值区间中所有单周期波形的第一个采样点在归一化后PPG信号z中的索引，并按照索引值大小，从小到大顺序排列，得到峰值索引集合L；
(6d)统计步骤5中得到的所有单周期波形宽度的大小，得到单周期波形宽度的最小值C和最大值D，将区间[C,D]划分为N个等长度的宽度区间；
(6e)根据单周期波形的宽度，统计步骤5中得到的所有单周期波形分布在各个宽度区间中的个数，根据各宽度区间中单周期波形的个数，选取单周期波形个数最多的宽度区间作为有效宽度区间；
(6f)统计有效宽度区间中的所有单周期波形的第一个采样点在归一化后的PPG信号z中的索引，并按照索引值大小，从小到大顺序排列，得到宽度索引集合I；
(6g)将峰值索引集合L和宽度索引集合I进行取交集操作，得到两个索引集合中共有的索引元素，组成有效索引集合Ind；
(6h)从步骤(3c)得到的归一化后的PPG信号z中，提取出有效索引集合中所有索引值对应的单周期波形，即为最佳的单周期波形；
步骤7.对步骤(6h)中获得的所有最佳单周期波形进行插值，使得所有最佳的单周期波形采样点数相同。
常用的插值方法有多项式插值方法、分段插值方法和三次样条插值方法，本发明采用三次样条插值方法。
步骤8.去除异形波。
(8a)对插值后所有最佳单周期波形对应的采样点进行平均，得到一个平均波形；
(8b)将该平均波形作为参考波形，计算插值后的每个最佳单周期波形与参考波形所有相应采样点的差值之和，得到每一个最佳单周期波形与参考波形的差值之和；
(8c)计算所有最佳单周期波形差值之和的平均值p和标准差v，设置异形波阈值为T：
T＝p+R*v，
其中，R∈(0,1)；
(8d)将所有最佳单周期波形的差值之和与异形波阈值T进行比较，若差值之和大于等于阈值T，则判定该波形为异形波并去除；若差值之和小于阈值T，则该波形正常。
步骤9.对去除异形波后的所有最佳单周期波形进行单周期波形平均。
(9a)将删除异形波后的最佳单周期波形每连续M个单周期波形划分为一组，剔除剩余的未能凑成组的波形，其中，M为大于零的整数。
(9b)对每组中的所有单周期波形相应采样点进行平均，获得所有平均周期波形。
步骤10.进行快速傅里叶变换FFT，获取幅度谱样本。
对每个平均周期波形进行Num点的傅里叶变换，并提取前点的傅里叶变换值作为一个幅度谱样本，得到被鉴定者的所有幅度谱样本，其中，表示下取整操作。
步骤11.对幅度谱样本进行降维处理，建立训练特征向量库。
对训练数据库中所有被鉴定者的PPG信号进行步骤2-10相同的操作，得到所有被鉴定者的幅度谱样本，并对所有被鉴定者的幅度谱样本进行降维处理，将降维后的幅度谱样本作为特征向量，组成训练特征向量库；
常用的数据降维方法包括主成分分析方法、线性判别分析和非负矩阵分解方法，本发明中的降维方法采用Lee D D,Seung H S.1999年发表的“Learning the parts ofobjects by non-negative matrix factorization”一文中描述的非负矩阵分解方法NMF。
步骤12.获取被鉴定者的测试特征向量。
对步骤1测试数据库中被鉴定者的PPG信号进行步骤2-10的操作，得到被鉴定者的幅度谱样本，并对所有幅度谱样本进行降维处理，将降维后的幅度谱样本作为被鉴定者的测试特征向量。
这里的降维方法与步骤11中的降维方法相同。
步骤13.对被鉴定者进行身份识别。
利用支持向量机SVM，将被鉴定者的测试特征向量与训练特征向量库进行匹配，根据被鉴定者匹配成功的测试特征向量数目及参与匹配的测试特征向量总数，计算得到被鉴定者的身份识别率并输出。
身份识别率＝匹配成功的测试特征向量数目/参与匹配的测试特征向量总数。
本发明在MIMIC数据库、MIMIC2数据库和CapnoBase数据库上进行身份识别，其识别率均达到99.50％以上。

Claims (6)

1.基于光电容积脉搏波最佳周期波形的身份识别方法，包括如下步骤：
(1)读取被鉴定者在设定的时间段内的光电容积脉搏波PPG信号x；
(2)对PPG信号x进行小波去噪处理，得到去噪后的PPG信号y；
(3)对去噪后的PPG信号y进行归一化处理，得到归一化后的PPG信号z；
(4)对归一化后的PPG信号z进行收缩期波峰检测，并记录检测出的所有收缩期波峰的值及所有收缩期波峰在归一化后的PPG信号z中的索引；
(5)将步骤(4)中检测出的所有收缩期波峰作为分割点，对归一化后的PPG信号z进行波形分割，将每相邻两个分割点之间的波形作为一个周期波形，获取分割后的所有单周期波形；
(6)根据所有单周期波形峰值的大小，获取峰值索引集合L：
(6a)将所有单周期波形第一个采样点的值作为该单周期波形的峰值，统计步骤(5)中得到的所有单周期波形峰值的大小，得到所有峰值中的最小值A和最大值B，将区间[A,B]划分为N个等长度的峰值区间，N为大于零的整数；
(6b)根据单周期波形峰值的大小，统计所有单周期波形分布在各个峰值区间中的个数，根据各峰值区间中单周期波形的个数，选取单周期波形个数最多的峰值区间作为有效峰值区间；
(6c)统计有效峰值区间中所有单周期波形的第一个采样点在归一化后PPG信号z中的索引，并按照索引值的大小，从小到大顺序排列，得到峰值索引集合L；
(7)将单周期波形的总采样点数作为单周期波形的宽度，获取宽度索引集合I：
(7a)统计步骤(5)中得到的所有单周期波形宽度大小，得到单周期波形宽度的最小值C和最大值D，将区间[C,D]划分为N个等长度的宽度区间；
(7b)根据单周期波形的宽度，统计步骤(5)中得到的所有单周期波形分布在各个宽度区间中的个数，根据各宽度区间中单周期波形的个数，选取单周期波形个数最多的宽度区间作为有效宽度区间；
(7c)统计有效宽度区间中的所有单周期波形第一个采样点在归一化后的PPG信号z中的索引，并按照索引值大小，从小到大顺序排列，得到宽度索引集合I；
(8)将峰值索引集合L和宽度索引集合I进行取交集操作，得到两个索引集合中共有的索引元素，组成有效索引集合Ind；
(9)从归一化后的PPG信号z中，提取有效索引集合Ind中所有索引值对应的单周期波形，即为最佳的单周期波形；
(10)对从步骤(9)中获得的所有最佳单周期波形进行插值，使得所有最佳单周期波形的采样点数相同；
(11)去除步骤(10)插值后所有最佳单周期波形中的异形波，得到去除异形波后的最佳单周期波形；对所有的最佳单周期波形每M个进行一次波形平均，得到平均周期波形；对获得的所有平均周期波形进行傅里叶变换，获取被鉴定者的幅度谱样本，其中，M为大于零的整数；
(12)对被鉴定者的所有幅度谱样本，运用非负矩阵分解方法NMF降维处理，并把降维后的所有幅度谱样本作为被鉴定者的测试特征向量；
(13)将被鉴定者的测试特征向量与预先生成的训练特征向量库进行匹配，得出被鉴定者的身份识别率并输出。
2.根据权利要求1所述的基于光电容积脉搏波最佳周期波形的身份识别方法，其中步骤(2)中利对PPG信号x进行小波去噪处理，按如下步骤进行：
(2a)按照下式，对PPG信号x进行小波分解：
[c,l]＝W(x,le,Name)，
其中，c表示各层小波系数组成的向量，l表示各层小波系数的长度组成的向量，W(·)表示多尺度小波分解函数，le表示小波分解的层数，Name表示采用的小波基名称，本专利中采用的小波基为coif5，即Name＝coif5；
(2b)由步骤(2a)小波分解得1到le层高频小波系数和第le层低频小波系数，根据PPG信号x的采样频率f及小波分解层数le，计算各层小波系数的频率范围，即
第j层高频小波系数的频率范围为f/(2^(j+1))～f/(2^j)，j∈[1,le]；
第le层低频小波系数的频率范围为0～f/(2^(le+1))；
(2c)将每层的频率范围与人体的PPG信号频率范围[0.5Hz，10Hz]进行比较：若该层的频率范围与区间[0.5Hz，10Hz]不相交，则将向量c中该层的小波系数置0；若该层的频率范围与区间[0.5Hz，10Hz]相交，且交集长度小于区间[0.5Hz，10Hz]长度的一半，则将向量c中该层的小波系数置0；若该层的频率范围与区间[0.5Hz，10Hz]相交，且交集长度大于等于区间[0.5Hz，10Hz]长度的一半，则保留向量c中该层的小波系数，此时各层小波系数组成的向量c变为处理后的各层小波系数向量c1；
(2d)按照下式进行小波重构，得到去噪后的PPG信号y：
y＝Dec(c1,l,Name)，
其中，Dec(·)表示多尺度小波重构函数。
3.根据权利要求1所述的基于光电容积脉搏波最佳周期波形的身份识别方法，其中步骤(3)中对去噪后的PPG信号y进行归一化处理，按如下步骤进行：
(3a)设去噪后的PPG信号y是由n个采样点组成，如下式：
y＝[y1,y2,…,yi,…,yn]，
其中，yi表示去噪后PPG信号的第i个采样点，i∈[1,n]；
(3b)对去噪后的PPG信号y中的每个采样点进行归一化处理，即：
其中，zi表示去噪后PPG信号y的第i个采样点归一化后的值；
(3c)由步骤(3b)得到归一化后的PPG信号z为：
z＝[z1,z2,…,zi,…,zn]。
4.根据权利要求1所述的基于光电容积脉搏波最佳周期波形的身份识别方法，其中步骤(4)中对归一化后的PPG信号z进行收缩期波峰检测，按如下步骤进行：
(4a)参数设定：
设置检测阈值TH为一正数；设置用来检测PPG信号收缩期波峰参数PA的初始值为0；
(4b)搜索收缩期波峰：
输入归一化后PPG信号z的n个采样点，将每一个采样点与参数PA进行比较：
若当前采样点的值大于参数PA，则将参数PA的值替换成当前采样点的值；
若当前采样点的值小于参数PA，则参数PA保持不变；再将参数PA的值和当前采样点的差值与阈值TH进行比较，若参数PA的值和当前采样点的差值小于阈值TH，则判定当前参数PA不是一个收缩期波峰；否则，判定当前参数PA为一个收缩期波峰，记录此时参数PA的值及索引，然后将参数PA的值重新初始化为0，继续遍历下一个采样点，搜索其他的收缩期波峰；
(4c)按照步骤(4b)，对归一化信号z的所有采样点进行波峰检测，检测出PPG信号z中的所有收缩期波峰，并删除检测出的第一个收缩期波峰，获取剩下的收缩期波峰及其在归一化后PPG信号z中的索引。
5.根据权利要求1所述的基于光电容积脉搏波最佳周期波形的身份识别方法，其中步骤(11)中去除步骤(10)插值后的所有最佳单周期波形中的异形波，按照如下步骤进行：
(11a)对插值后所有最佳单周期波形对应的采样点进行平均，得到一个平均波形；
(11b)将该平均波形作为参考波形，计算插值后的每个最佳单周期波形与参考波形所有相应采样点的差值之和，得到每一个最佳单周期波形与参考波形的差值之和；
(11c)计算所有最佳单周期波形差值之和的平均值p和标准差v，设置异形波阈值为T：
T＝p+R*v，
其中，R∈(0,1)；
(11d)将所有最佳单周期波形的差值之和与异形波阈值T进行比较，若差值之和大于等于阈值T，则判定该波形为异形波并去除；若差值之和小于阈值T，则该波形正常。
6.根据权利要求1所述的基于光电容积脉搏波最佳周期波形的身份识别方法，其中步骤(11)对去除异形波后的所有最佳单周期波形每连续M个划分为一组，剔除剩余的未能凑成组的波形；对每组中的所有单周期波形相应采样点进行平均，获得所有平均周期波形；其中，M为大于零的整数。
CN201610876814.0A 2016-10-08 2016-10-08 基于光电容积脉搏波最佳周期波形的身份识别方法 Active CN106473750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610876814.0A CN106473750B (zh) 2016-10-08 2016-10-08 基于光电容积脉搏波最佳周期波形的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610876814.0A CN106473750B (zh) 2016-10-08 2016-10-08 基于光电容积脉搏波最佳周期波形的身份识别方法

Publications (2)

Publication Number Publication Date
CN106473750A CN106473750A (zh) 2017-03-08
CN106473750B true CN106473750B (zh) 2019-03-26

Family

ID=58268577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610876814.0A Active CN106473750B (zh) 2016-10-08 2016-10-08 基于光电容积脉搏波最佳周期波形的身份识别方法

Country Status (1)

Country Link
CN (1) CN106473750B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109844746B (zh) * 2017-03-13 2021-05-04 华为技术有限公司 一种验证方法以及验证设备
WO2018166136A1 (zh) * 2017-03-14 2018-09-20 华为技术有限公司 波形信号处理的方法及装置
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
CN107122643B (zh) * 2017-04-07 2020-01-07 西安电子科技大学 基于ppg信号和呼吸信号特征融合的身份识别方法
CN107273825B (zh) * 2017-05-25 2020-09-08 西安电子科技大学 基于改进典型相关分析的生理信号融合身份识别方法
EP3453321A1 (en) * 2017-09-06 2019-03-13 Tata Consultancy Services Limited Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing
CN107692993B (zh) * 2017-11-08 2021-01-19 深圳市玉成创新科技有限公司 一种血压仪
CN108078554A (zh) * 2018-01-05 2018-05-29 吉林大学 一种人体脉搏波信号噪声抑制方法
CN109558813A (zh) * 2018-11-14 2019-04-02 武汉大学 一种基于脉搏信号的ai深度换脸视频取证方法
CN109692005A (zh) * 2018-12-03 2019-04-30 南京邮电大学 基于ppg信号稀疏分解的身份识别方法
CN109815794A (zh) * 2018-12-14 2019-05-28 北京飞搜科技有限公司 人脸识别反欺诈方法、装置与电子设备
CN109934100B (zh) * 2019-01-24 2021-07-13 西安交通大学 一种基于滑动窗口的幅频时变工艺信号分割方法
CN109919050B (zh) * 2019-02-21 2021-07-20 天津惊帆科技有限公司 身份识别方法和装置
CN110197172B (zh) * 2019-06-10 2021-10-19 清华大学 一种基于光电血管容积信息进行身份认证的方法及装置
CN110353700A (zh) * 2019-07-29 2019-10-22 苏州市高事达信息科技股份有限公司 非接触式血氧饱和度检测方法
CN110353646A (zh) * 2019-07-29 2019-10-22 苏州市高事达信息科技股份有限公司 非接触式心率检测方法
CN110313903B (zh) * 2019-08-12 2022-06-14 中国科学院微电子研究所 一种脉搏波频域特征参数提取方法及装置
TWI750504B (zh) * 2019-08-29 2021-12-21 鉅怡智慧股份有限公司 活體偵測的方法及相關裝置
CN111222498A (zh) * 2020-03-19 2020-06-02 桂林电子科技大学 一种基于光电容积脉搏波的身份识别方法
CN111563451B (zh) * 2020-05-06 2023-09-12 浙江工业大学 基于多尺度小波特征的机械通气无效吸气努力识别方法
CN111914655B (zh) * 2020-07-06 2022-07-12 电子科技大学 一种基于显著信号子段提取的脉象分类方法
CN111783715B (zh) * 2020-07-10 2024-04-23 安徽建筑大学 基于脉搏信号特征提取的身份识别方法
CN114098691A (zh) * 2022-01-26 2022-03-01 之江实验室 基于混合高斯模型的脉搏波身份认证方法、装置和介质
CN115204238B (zh) * 2022-07-29 2023-05-23 山东光辉人力资源科技有限公司 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1540568A (zh) * 2003-04-21 2004-10-27 香港中文大学 身份识别和鉴定方法
CN2919373Y (zh) * 2006-06-15 2007-07-04 北京飞天诚信科技有限公司 用光电体积变化信号增强安全性的智能密码钥匙
CN102293652A (zh) * 2010-06-23 2011-12-28 朝鲜大学校产学协力团 基于示波法测量动脉血压的个体识别装置及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9195900B2 (en) * 2011-11-21 2015-11-24 Pixart Imaging Inc. System and method based on hybrid biometric detection
US9558336B2 (en) * 2013-10-04 2017-01-31 Salutron Inc. Persistent authentication using sensors of a user-wearable device
JP2016538097A (ja) * 2013-10-23 2016-12-08 クアンタス， インコーポレイテッド 消費者バイオメトリックデバイス

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1540568A (zh) * 2003-04-21 2004-10-27 香港中文大学 身份识别和鉴定方法
CN2919373Y (zh) * 2006-06-15 2007-07-04 北京飞天诚信科技有限公司 用光电体积变化信号增强安全性的智能密码钥匙
CN102293652A (zh) * 2010-06-23 2011-12-28 朝鲜大学校产学协力团 基于示波法测量动脉血压的个体识别装置及方法

Also Published As

Publication number Publication date
CN106473750A (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
CN106473750B (zh) 基于光电容积脉搏波最佳周期波形的身份识别方法
CN103714281B (zh) 一种基于心电信号的身份识别方法
CN104102915B (zh) 一种心电异常状态下基于ecg多模板匹配的身份识别方法
Abo-Zahhad et al. Biometric authentication based on PCG and ECG signals: present status and future directions
Agrafioti et al. Heart biometrics: Theory, methods and applications
Ghofrani et al. Reliable features for an ECG-based biometric system
CN106951753B (zh) 一种心电信号的认证方法和认证装置
CN103345600B (zh) 一种心电信号数据处理方法
Zokaee et al. Human identification based on ECG and palmprint
Irvine et al. A sequential procedure for individual identity verification using ECG
Choudhary et al. Robust photoplethysmographic (PPG) based biometric authentication for wireless body area networks and m-health applications
Pal et al. Increasing the accuracy of ECG based biometric analysis by data modelling
Sepahvand et al. A novel multi-lead ECG personal recognition based on signals functional and structural dependencies using time-frequency representation and evolutionary morphological CNN
Jaafar et al. Acceleration plethysmogram based biometric identification
Huang et al. Robust multi-feature collective non-negative matrix factorization for ECG biometrics
Safie et al. ECG biometric authentication using Pulse Active Width (PAW)
Kuila et al. Feature extraction of electrocardiogram signal using machine learning classification
CN114638272A (zh) 一种基于指尖脉搏波信号的身份识别方法和装置
Wu et al. Gram matrix-based convolutional neural network for biometric identification using photoplethysmography signal
Lynn et al. ECG-based biometric human identification based on backpropagation neural network
Abdelraheem et al. Human identification using the main loop of the vectorcardiogram
Tashiro et al. Individual identification with high frequency ECG: preprocessing and classification by neural network
Bassiouni et al. A study on PCG as a biometric approach
CN109165640B (zh) 基于比特位面内分块互信息的手背静脉识别方法及识别系统
Tantawi et al. On the use of the electrocardiogram for biometrie 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