CN107169432A - 基于肌电的生物识别方法、终端及计算机可读存储介质 - Google Patents
基于肌电的生物识别方法、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107169432A CN107169432A CN201710323706.5A CN201710323706A CN107169432A CN 107169432 A CN107169432 A CN 107169432A CN 201710323706 A CN201710323706 A CN 201710323706A CN 107169432 A CN107169432 A CN 107169432A
- Authority
- CN
- China
- Prior art keywords
- signal
- measured
- cadence
- active segment
- user
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于肌电的生物识别方法、终端及计算机可读存储介质,该方法包括:当待测用户的步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号,提取该肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别,若识别结果为识别通过,则待测用户身份识别通过。通过本发明,将基于肌电的生物识别方法应用于运动健康领域,能够在运动健康领域便捷的实现生物识别。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及基于肌电的生物识别方法、终端以及计算机可读存储介质。
背景技术
随着生物识别技术的飞速进步,通过计算机与光学、声学、生物传感器和生物统计原理等高科技手段密切结合,利用人体固有的生理特性,如虹膜、人脸、指纹、掌静脉、声纹等来进行个人身份的鉴定。如今的生物识别技术大多应用于身份信息安全或财产安全领域,而极少应用于运动健康领域。
发明内容
本发明的主要目的在于提供一种基于肌电的生物识别方法、终端以及计算机可读存储介质,旨在解决现有技术中在运动健康领域生物识别技术应用不够普遍的技术问题。
为实现上述目的,本发明提供一种基于肌电的生物识别方法,所述基于肌电的生物识别方法应用于生物识别终端,所述生物识别终端包括步频信号采集装置和肌电信号采集装置,
所述基于肌电的生物识别方法包括:
获取待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内;
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号,其中待采集部位为采集部位信息在待测用户的对应部位;
提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别;
接收神经网络模型反馈的识别结果,若识别结果为识别通过,则待测用户身份识别通过。
优选地,所述获取待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内之前包括:
接收待测用户身份信息以及待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内;
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在所述待采集部位采集的肌电信号;
提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
优选地,所述当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号包括:
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置以预设采样频率在所述待采集部位采集的肌电信号。
优选地,所述提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别包括:
对所述肌电信号进行信号去噪处理;
根据预设差分阈值法提取所述经过信号去噪处理后的肌电信号对应的活动段特征值;
将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别。
优选地,所述对所述肌电信号进行信号去噪处理包括:
采用小波去噪算法或自适应滤波算法对所述肌电信号进行去噪处理。
优选地,所述提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别之后包括:
接收神经网络模型反馈的识别结果,若识别结果为识别失败,则弹出第一对话框,用于提示所述待测用户进行身份认证;
接收基于所述待测用户操作输入的认证信息,检测所述认证信息是否为合法信息;
若所述认证信息为合法信息,则待测用户身份识别通过,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
优选地,所述若所述认证信息为合法信息,则待测用户身份识别通过,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练包括:
若所述认证信息为合法信息,则待测用户身份识别通过,并弹出第二对话框,以供所述待测用户选择是否在预设时间段内加大了运动量;
接收基于所述待测用户操作触发的反馈指令,若反馈指令为否,则将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
优选地,所述活动段特征值包括:
所述肌电信号对应的活动段肌电积分值、信号波长度、绝对值均值、平均频率、平均功率、能量特征值、均方根、过零点数、平均幅值差。
此外,为实现上述目的,本发明还提供一种基于肌电的生物识别终端,所述基于肌电的生物识别终端包括:步频信号采集装置、肌电信号采集装置、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于肌电的生物识别程序,其中:
所述步频信号采集装置,用于采集待测用户的步频信号;
所述肌电信号采集装置,用于在待采集部位采集肌电信号;
所述基于肌电的生物识别程序被所述处理器执行时实现如上述所述的基于肌电的生物识别方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于肌电的生物识别程序,所述基于肌电的生物识别程序被处理器执行时实现如上述所述的基于肌电的生物识别方法的步骤。
本发明中,当待测用户的步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号,提取该肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别,接收神经网络模型反馈的识别结果,若识别结果为识别通过,则待测用户身份识别通过。通过本发明,将基于肌电的生物识别方法应用于运动健康领域,能够在运动健康领域便捷的实现生物识别。
附图说明
图1为本发明基于肌电的生物识别方法第一实施例的流程示意图;
图2为本发明基于肌电的生物识别方法第二实施例的流程示意图;
图3为图1中步骤S60的细化流程示意图;
图4为本发明基于肌电的生物识别方法第三实施例的流程示意图;
图5为图4中步骤S90的细化流程示意图;
图6为本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明基于肌电的生物识别方法第一实施例的流程示意图。
在一实施例中,基于肌电的生物识别方法包括:
步骤S40,获取待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内;
本实施例中,待采集部位的选取一般选取面积较大、收缩明显的肌肉处,在本发明一可选实施例中,选取小腿处的腓肠肌或胫前肌。例如,在本发明一可选实施例中,待采集部位为左右小腿的胫前肌。步频信号采集装置可以采用加速度传感器,利用加速度传感器采集到的待测用户加速度变化次数(人在行走时加速度会发生改变,每走一步,改变一次),利用预置算法对加速度传感器在一分钟内采集到的加速度数据进行分析,得到在一分钟内加速度改变的次数,换算得到该用户在一分钟内的步数。本实施例中,预设范围由人为根据实际需要进行设置,例如,设置成90至130步/分钟,检测步频信号对应的步频值是否处于这个范围。例如,通过智能手机来完成这一检测过程,(当前大多数智能手机均具有测步功能),或是通过具有记步功能的手环等设备来实现。
步骤S50,当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号;
在本实施例中,当预设范围被设置成90至130步/分钟时,若通过步频信号采集装置测得待测用户的步频信号对应的步频值为100,则此时待测用户的步频信号对应的步频值处于预设范围内,则获取此时肌电信号采集装置在待采集部位采集的肌电信号。在本实施例中,一个肌电信号采集装置对应一个待采集部位,肌电信号采集装置通过表面电极采集待采集部位的肌电信号,表面电极可以是干电极、织物电极、微阵列电极等,表面电极可以集成在智能可穿戴设备中,如智能护腕、护踝等,通过无线通讯或有线通讯的形式将采集到的肌电信号传输至信号处理终端,本实施例中,处理终端可以是手机、电脑、平板等智能终端。例如,在本发明一可选实施例中,分别使用肌电信号采集装置1采集用户左小腿胫前肌的肌电信号,使用肌电信号采集装置2采集用户右小腿胫前肌的肌电信号。当待测用户的步频值在预设范围内时,处理终端获取肌电信号采集装置1采集用户左小腿胫前肌的肌电信号,获取肌电信号采集装置2采集用户右小腿胫前肌的肌电信号。本实施例中,肌电信号采集装置的频率可以设置为600-1000Hz之间,具体根据实际需要进行设置。
步骤S60,提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别;
在本实施例中,首先对肌电信号进行去噪处理,在本发明一可选实施例中,可以采用低通或带通(20-450Hz)滤波器滤除0-20Hz低频噪声,采用小波去噪或自适应滤波算法去除50Hz左右工频干扰及其他高频噪声。
在本实施例中,提取经过去噪处理后的肌电信号对应的活动段特征值,首先需要确定活动段对应的肌电信号。例如,在本发明一可选实施例中,首先采集待测用户在正常站立时左小腿胫前肌的肌电信号,例如采集10组待测用户在正常站立时左小腿胫前肌的肌电信号,求这10组肌电信号的平均值作为阈值(即判断肌肉活动起始点的阈值)。当待测用户的步频值在预设范围内时,获取机电信号采集装置在待采集部位采集的肌电信号,将该肌电信号同阈值比较,绝对值大于阈值的部分则为活动段肌电信号。
本实施例中,可以以活动段肌电信号对应的肌电积分值、信号波长度、绝对值均值、平均频率、平均功率等作为活动段特征值,在此不作限制,具体根据需要缩减或扩充活动段特征值。本实施例中,将上述活动段特征值中的2项或多项作为神经网络模型输入参数,神经网络模型可预先存储于存储器中。在对用户身份进行识别时,神经网络模型已经经过训练。使用训练后的神经网络模型基于此次输入的活动段特征值对待测用户身份进行识别,若识别通过,可通过对话框进行提示,若识别不通过,可通过对话框提示用户通过其他认证方式进行身份认证,例如:密码、指纹、声纹等认证方式。
步骤S70,接收神经网络模型反馈的识别结果,若识别结果为识别通过,则待测用户身份识别通过。
在本实施例中,若识别通过,可通过对话框进行提示,若识别不通过,可通过对话框提示用户通过其他认证方式进行身份认证,例如:密码、指纹、声纹等认证方式。
本发明中,当待测用户的步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号,提取该肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别,接收神经网络模型反馈的识别结果,若识别结果为识别通过,则待测用户身份识别通过。通过本发明,将基于肌电的生物识别方法应用于运动健康领域,能够在运动健康领域便捷的实现生物识别。
参照图2,图2为本发明基于肌电的生物识别方法第二实施例的流程示意图。
在一实施例中,步骤S40之前包括:
步骤S10,接收待测用户身份信息以及待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内;
步骤S20,当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在所述待采集部位采集的肌电信号;
步骤S30,提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
本实施例为训练神经网络模型的步骤说明。
在本实施例中,实现装置由终端、步频信号采集装置、肌电信号采集装置组成,终端、步频信号采集装置、肌电信号采集装置之间通过有线或无线通讯的方式进行数据通信,终端可以是手机、电脑等智能终端,终端获取步频信号采集装置、肌电信号采集装置采集的信号,对信号进行分析处理。
例如,在本发明一可选实施例中,由用户手动输入用户的身份信息,以及此次待采集部位信息(例如,左小腿胫前肌)。步频信号采集装置可以采用加速度传感器,利用加速度传感器采集到的待测用户加速度变化次数(人在行走时加速度会发生改变,每走一步,改变一次),利用预置算法对加速度传感器在一分钟内采集到的加速度数据进行分析,得到在一分钟内加速度改变的次数,换算得到该用户在一分钟内的步数。本实施例中,预设范围由人为根据实际需要进行设置,例如,设置成90至130步/分钟,检测步频信号对应的步频值是否处于这个范围。例如,通过智能手机来完成这一检测过程,(当前大多数智能手机均具有测步功能),或是通过具有记步功能的手环等设备来实现。在本实施例中,一个肌电信号采集装置对应一个待采集部位,肌电信号采集装置通过表面电极采集待采集部位的肌电信号,表面电极可以是干电极、织物电极、微阵列电极等,表面电极可以集成在智能可穿戴设备中,如智能护腕、护踝等,通过无线通讯或有线通讯的形式将采集到的肌电信号传输至信号处理终端,终端在接收到肌电信号后,首先对肌电信号进行去噪处理,在本发明一可选实施例中,可以采用低通或带通(20-450Hz)滤波器滤除0-20Hz低频噪声,采用小波去噪或自适应滤波算法去除50Hz左右工频干扰及其他高频噪声。在本实施例中,提取经过去噪处理后的肌电信号对应的活动段特征值,首先需要确定活动段对应的肌电信号。例如,在本发明一可选实施例中,首先采集待测用户在正常站立时左小腿胫前肌的肌电信号,例如采集待测用户在正常站立时左小腿胫前肌的肌电信号,将该肌电信号作为阈值(即判断肌肉活动起始点的阈值)。当待测用户的步频值在预设范围内时,获取机电信号采集装置在待采集部位采集的肌电信号,将该肌电信号同阈值比较,大于阈值的部分则为活动段肌电信号。以活动段肌电信号对应的肌电积分值、信号波长度、绝对值均值、平均频率、平均功率等作为活动段特征值,在此不作限制,具体根据需要缩减或扩充活动段特征值。将活动段特征值作为参数输入神经网络模型,以供对神经网络模型进行训练。重复上述步骤S10至S30若干次,得到训练后的神经网络模型。
例如,在一实施例中,在第1次至第5次的时间内,通过步骤S10至S30对用户A的肌电信息进行采集,基于采集的用户A的肌电信息对神经网络模型进行训练,得到训练后的神经网络模型。在第6次时,采集用户A的肌电信息,得到对应的活动段特征值,将活动段特征值输入训练后的神经网络模型,由神经网络模型判断当前活动段特征值对应的用户是否为A,若是,则反馈识别通过结果,若不是,则反馈识别失败结果。
在本实施例中,当待测用户的步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号,提取该肌电信号对应的活动段特征值,将活动段特征值作为参数输入神经网络模型,以供对神经网络模型进行训练,作为后续识别的对比基础。
进一步,在本发明一实施例中,步骤S50包括:
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置以预设采样频率在所述待采集部位采集的肌电信号。
在本实施例中,当预设范围被设置成90至130步/分钟时,若通过步频信号采集装置测得待测用户的步频信号对应的步频值为100,则此时待测用户的步频信号对应的步频值处于预设范围内,则获取此时肌电信号采集装置在待采集部位采集的肌电信号。在本实施例中,一个肌电信号采集装置对应一个待采集部位,肌电信号采集装置通过表面电极采集待采集部位的肌电信号,表面电极可以是干电极、织物电极、微阵列电极等,表面电极可以集成在智能可穿戴设备中,如智能护腕、护踝等,通过无线通讯或有线通讯的形式将采集到的肌电信号传输至信号处理终端,本实施例中,处理终端可以是手机、电脑、平板等智能终端。例如,在本发明一可选实施例中,分别使用肌电信号采集装置1采集用户左小腿胫前肌的肌电信号,使用肌电信号采集装置2采集用户右小腿胫前肌的肌电信号。当待测用户的步频值在预设范围内时,处理终端获取肌电信号采集装置1采集用户左小腿胫前肌的肌电信号,获取肌电信号采集装置2采集用户右小腿胫前肌的肌电信号。本实施例中,肌电信号采集装置的频率可以设置为600-1000Hz之间,具体根据实际需要进行设置。
本实施例中,在步频信号对应的步频值处于预设范围时,获取肌电信号采集装置以预设采样频率(600-1000Hz)采集待采集部位的肌电信号,便于识别和滤除噪声、电磁干扰信号。进一步提高后续识别的准确度。
参照图3,图3为图1中步骤S60的细化流程示意图。
在一实施例中,步骤S60包括:
步骤S601,对所述肌电信号进行信号去噪处理;
步骤S602,根据预设差分阈值法提取所述经过信号去噪处理后的肌电信号对应的活动段特征值;
步骤S603,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别。
在本实施例中,首先对肌电信号进行去噪处理,在本发明一可选实施例中,可以采用低通或带通(20-450Hz)滤波器滤除0-20Hz低频噪声,采用小波去噪或自适应滤波算法去除50Hz左右工频干扰及其他高频噪声。
在本实施例中,提取经过去噪处理后的肌电信号对应的活动段特征值,首先需要确定活动段对应的肌电信号。例如,在本发明一可选实施例中,首先采集待测用户在正常站立时左小腿胫前肌的肌电信号,例如采集10组待测用户在正常站立时左小腿胫前肌的肌电信号,求这10组肌电信号的平均值作为阈值(即判断肌肉活动起始点的阈值)。当待测用户的步频值在预设范围内时,获取机电信号采集装置在待采集部位采集的肌电信号,将该肌电信号同阈值比较,绝对值大于阈值的部分则为活动段肌电信号。
本实施例中,可以以活动段肌电信号对应的肌电积分值、信号波长度、绝对值均值、平均频率、平均功率等作为活动段特征值,在此不作限制,具体根据需要缩减或扩充活动段特征值。
在本实施例中,对肌电信号进行去噪处理、通过预设差分阈值法提取,进一步提高数据的准确性,从而提高后续识别结果的准确性。
进一步的,在本发明一可选实施例中,步骤S601包括:
采用小波去噪算法或自适应滤波算法对所述肌电信号进行去噪处理。
在本实施例中,首先对肌电信号进行去噪处理,在本发明一可选实施例中,可以采用低通或带通(20-450Hz)滤波器滤除0-20Hz低频噪声,采用小波去噪或自适应滤波算法去除50Hz左右工频干扰及其他高频噪声。
在本实施例中,采用小波去噪算法或自适应滤波算法对所述肌电信号进行去噪处理,能提高数据的准确性,从而提高后续识别结果的准确性。
参照图4,图4为本发明基于肌电的生物识别方法第三实施例的流程示意图。
在一实施例中,步骤S60之后包括:
步骤S70,接收神经网络模型反馈的识别结果,若识别结果为识别失败,则弹出第一对话框,用于提示所述待测用户进行身份认证;
步骤S80,接收基于所述待测用户操作输入的认证信息,检测所述认证信息是否为合法信息;
步骤S90,若所述认证信息为合法信息,则待测用户身份识别通过,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
在本实施例中,当识别失败时,则弹出第一对话框,用于提示所述待测用户进行身份认证。身份认证的方式在此不作限制,具体根据实际情况设置。例如,验证方式为用户输入验证码,若验证码同预先存储的验证码一致,则认证通过(即识别通过),又或者,对用户指纹进行采集,若采集到的指纹信息同预先存储的指纹信息一致,则认证通过(即识别通过)。
在本实施例中,当基于肌电信号的识别失败后,通过其他预置的验证方式进一步对待测用户进行身份认证,若认证通过,说明此次神经网络模型对待测用户身份的判断出现错误,则将活动段特征值发送至待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对神经网络模型进行训练,进一步提高识别结果的准确性。
参照图5,图5为图4中步骤S90的细化流程示意图。
在一实施例中,步骤S90包括:
步骤S901,若所述认证信息为合法信息,则待测用户身份识别通过,并弹出第二对话框,以供所述待测用户选择是否在预设时间段内加大了运动量;
步骤S902,接收基于所述待测用户操作触发的反馈指令,若反馈指令为否,则将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
在本实施例中,若基于肌电信息的识别失败,但通过其他方式进行认证通过。则提取此次活动段肌电信号对应的肌电积分值X,将该肌电积分值X同历史肌电积分值Y(可以是历史采集的该用户对应的待测部位所有肌电积分值的均值)对比,得到|X-Y|/Y的值Z,Z为信号幅值。检测Z是否大于或等于预设阈值(在本实施例中,预设阈值的设置由实际实验数据来设置,在此不作限制,例如,设置为10%)。当信号增幅大于或等于预设阈值时,则弹出对话框,以供待测用户选择是否在预设时间内加大了运动量(例如,在显示界面显示在4-8小时内是否增加了运动量的选项),若用户反馈没有,则表明神经网络模型对待测用户身份的判断出现错误,则将活动段特征值发送至待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对神经网络模型进行训练,进一步提高识别结果的准确性;若用户反馈是,则表明神经网络模型对待测用户身份的判断是正确的,此次识别失败是因为用户肌电信号由于运动量增大的缘故发生了较大改变,忽略此次活动段肌电信号对应的活动段特征值。
本实施例中,有针对性的对神经网络模型进行训练,提高了神经网络模型在后续的判断精确度。
进一步,在本发明一实施例中,活动段特征值包括:
所述肌电信号对应的活动段肌电积分值、信号波长度、绝对值均值、平均频率、平均功率、能量特征值、均方根、过零点数、平均幅值差。
本实施例中,肌电积分值(IEMG)是一种简单的肌电时域特征量,常用于EMG(肌电信号)活动段检测的预处理和一些临床应用中。IEMG被定义为肌电信号在一段时间内的绝对值和:
其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
绝对值均值(MAV),是肌电信号幅值在一段时间内的绝对值平均值:
其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
能量特征值包括幅值平方和(SSI),均方值(VAR):
VAR,其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
均方根(RMS)是肌电信号分析常用的时域特征量,其定义如下:
其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
信号波长度(WL)和平均幅值差(AAC),WL是描述肌电信号复杂程度的特征量,定义为在一段时间内信号波形的总长度,计算公式如下:
其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
AAC,表征信号幅值变化的剧烈程度,从计算公式上看,AAC只是信号波长度的平均值,即AAC=WL/N。
过零点数(ZC)是描述肌电信号频率信息的特征量在时域内的表示方法。ZC是信号幅值经过零值的次数,为了消除低幅值信号或噪声造成的干扰,在计算时一般设定一个阈值,当零点两侧信号差值大于阈值时,该过零点才被认为是有效的。
本实施例中,对活动段特征值可根据实际需要扩充或缩减,在此不作限制。采用的活动段特征值可以是上述全部也可以是上述中一或两种。根据实际情况进行设置。
在本实施例中,可仅选择肌电信号对应的少数特定信息作为活动段特征值,例如,以肌电信号对应的活动段肌电积分值作为活动段特征值,可简化识别过程,能够在运动健康领域便捷的实现生物识别。
此外,本发明实施例还提供一种基于肌电的生物识别终端。
如图6所示,图6是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、便携计算机等终端设备。
如图6所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,人体特征采集组件1006(包括步频信号采集装置、肌电信号采集装置),通信总线1002。其中,步频信号采集装置用于采集待测用户的步频信号,肌电信号采集装置用于在待采集部位采集肌电信号,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图6中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图6所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于肌电的生物识别程序。
在图6所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的基于肌电的生物识别程序,并执行以下操作:
获取待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内;
本实施例中,待采集部位的选取一般选取面积较大、收缩明显的肌肉处,在本发明一可选实施例中,选取小腿处的腓肠肌或胫前肌。例如,在本发明一可选实施例中,待采集部位为左右小腿的胫前肌。步频信号采集装置可以采用加速度传感器,利用加速度传感器采集到的待测用户加速度变化次数(人在行走时加速度会发生改变,每走一步,改变一次),利用预置算法对加速度传感器在一分钟内采集到的加速度数据进行分析,得到在一分钟内加速度改变的次数,换算得到该用户在一分钟内的步数。本实施例中,预设范围由人为根据实际需要进行设置,例如,设置成90至130步/分钟,检测步频信号对应的步频值是否处于这个范围。例如,通过智能手机来完成这一检测过程,(当前大多数智能手机均具有测步功能),或是通过具有记步功能的手环等设备来实现。
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号;
在本实施例中,当预设范围被设置成90至130步/分钟时,若通过步频信号采集装置测得待测用户的步频信号对应的步频值为100,则此时待测用户的步频信号对应的步频值处于预设范围内,则获取此时肌电信号采集装置在待采集部位采集的肌电信号。在本实施例中,一个肌电信号采集装置对应一个待采集部位,肌电信号采集装置通过表面电极采集待采集部位的肌电信号,表面电极可以是干电极、织物电极、微阵列电极等,表面电极可以集成在智能可穿戴设备中,如智能护腕、护踝等,通过无线通讯或有线通讯的形式将采集到的肌电信号传输至信号处理终端,本实施例中,处理终端可以是手机、电脑、平板等智能终端。例如,在本发明一可选实施例中,分别使用肌电信号采集装置1采集用户左小腿胫前肌的肌电信号,使用肌电信号采集装置2采集用户右小腿胫前肌的肌电信号。当待测用户的步频值在预设范围内时,处理终端获取肌电信号采集装置1采集用户左小腿胫前肌的肌电信号,获取肌电信号采集装置2采集用户右小腿胫前肌的肌电信号。本实施例中,肌电信号采集装置的频率可以设置为600-1000Hz之间,具体根据实际需要进行设置。
提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别;
在本实施例中,首先对肌电信号进行去噪处理,在本发明一可选实施例中,可以采用低通或带通(20-450Hz)滤波器滤除0-20Hz低频噪声,采用小波去噪或自适应滤波算法去除50Hz左右工频干扰及其他高频噪声。
在本实施例中,提取经过去噪处理后的肌电信号对应的活动段特征值,首先需要确定活动段对应的肌电信号。例如,在本发明一可选实施例中,首先采集待测用户在正常站立时左小腿胫前肌的肌电信号,例如采集10组待测用户在正常站立时左小腿胫前肌的肌电信号,求这10组肌电信号的平均值作为阈值(即判断肌肉活动起始点的阈值)。当待测用户的步频值在预设范围内时,获取机电信号采集装置在待采集部位采集的肌电信号,将该肌电信号同阈值比较,绝对值大于阈值的部分则为活动段肌电信号。
本实施例中,可以以活动段肌电信号对应的肌电积分值、信号波长度、绝对值均值、平均频率、平均功率等作为活动段特征值,在此不作限制,具体根据需要缩减或扩充活动段特征值。本实施例中,将上述活动段特征值中的2项或多项作为神经网络模型输入参数,神经网络模型可预先存储于存储器中。在对用户身份进行识别时,神经网络模型已经经过训练。使用训练后的神经网络模型基于此次输入的活动段特征值对待测用户身份进行识别,若识别通过,可通过对话框进行提示,若识别不通过,可通过对话框提示用户通过其他认证方式进行身份认证,例如:密码、指纹、声纹等认证方式。
接收神经网络模型反馈的识别结果,若识别结果为识别通过,则待测用户身份识别通过。
在本实施例中,若识别通过,可通过对话框进行提示,若识别不通过,可通过对话框提示用户通过其他认证方式进行身份认证,例如:密码、指纹、声纹等认证方式。
本发明中,当待测用户的步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号,提取该肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别,接收神经网络模型反馈的识别结果,若识别结果为识别通过,则待测用户身份识别通过。通过本发明,将基于肌电的生物识别方法应用于运动健康领域,能够在运动健康领域便捷的实现生物识别。
进一步地,处理器1001可以用于调用存储器1005中存储的基于肌电的生物识别程序,并执行以下操作:
接收待测用户身份信息以及待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内;
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在所述待采集部位采集的肌电信号;
提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
本实施例为训练神经网络模型的步骤说明。
在本实施例中,实现装置由终端、步频信号采集装置、肌电信号采集装置组成,终端、步频信号采集装置、肌电信号采集装置之间通过有线或无线通讯的方式进行数据通信,终端可以是手机、电脑等智能终端,终端获取步频信号采集装置、肌电信号采集装置采集的信号,对信号进行分析处理。
例如,在本发明一可选实施例中,由用户手动输入用户的身份信息,以及此次待采集部位信息(例如,左小腿胫前肌)。步频信号采集装置可以采用加速度传感器,利用加速度传感器采集到的待测用户加速度变化次数(人在行走时加速度会发生改变,每走一步,改变一次),利用预置算法对加速度传感器在一分钟内采集到的加速度数据进行分析,得到在一分钟内加速度改变的次数,换算得到该用户在一分钟内的步数。本实施例中,预设范围由人为根据实际需要进行设置,例如,设置成90至130步/分钟,检测步频信号对应的步频值是否处于这个范围。例如,通过智能手机来完成这一检测过程,(当前大多数智能手机均具有测步功能),或是通过具有记步功能的手环等设备来实现。在本实施例中,一个肌电信号采集装置对应一个待采集部位,肌电信号采集装置通过表面电极采集待采集部位的肌电信号,表面电极可以是干电极、织物电极、微阵列电极等,表面电极可以集成在智能可穿戴设备中,如智能护腕、护踝等,通过无线通讯或有线通讯的形式将采集到的肌电信号传输至信号处理终端,终端在接收到肌电信号后,首先对肌电信号进行去噪处理,在本发明一可选实施例中,可以采用低通或带通(20-450Hz)滤波器滤除0-20Hz低频噪声,采用小波去噪或自适应滤波算法去除50Hz左右工频干扰及其他高频噪声。在本实施例中,提取经过去噪处理后的肌电信号对应的活动段特征值,首先需要确定活动段对应的肌电信号。例如,在本发明一可选实施例中,首先采集待测用户在正常站立时左小腿胫前肌的肌电信号,例如采集待测用户在正常站立时左小腿胫前肌的肌电信号,将该肌电信号作为阈值(即判断肌肉活动起始点的阈值)。当待测用户的步频值在预设范围内时,获取机电信号采集装置在待采集部位采集的肌电信号,将该肌电信号同阈值比较,大于阈值的部分则为活动段肌电信号。以活动段肌电信号对应的肌电积分值、信号波长度、绝对值均值、平均频率、平均功率等作为活动段特征值,在此不作限制,具体根据需要缩减或扩充活动段特征值。将活动段特征值作为参数输入神经网络模型,以供对神经网络模型进行训练。重复上述步骤S10至S30若干次,得到训练后的神经网络模型。
例如,在一实施例中,在第1次至第5次的时间内,通过步骤S10至S30对用户A的肌电信息进行采集,基于采集的用户A的肌电信息对神经网络模型进行训练,得到训练后的神经网络模型。在第6次时,采集用户A的肌电信息,得到对应的活动段特征值,将活动段特征值输入训练后的神经网络模型,由神经网络模型判断当前活动段特征值对应的用户是否为A,若是,则反馈识别通过结果,若不是,则反馈识别失败结果。
在本实施例中,当待测用户的步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号,提取该肌电信号对应的活动段特征值,将活动段特征值作为参数输入神经网络模型,以供对神经网络模型进行训练,作为后续识别的对比基础。
进一步地,处理器1001可以用于调用存储器1005中存储的基于肌电的生物识别程序,还执行以下操作:
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置以预设采样频率在所述待采集部位采集的肌电信号。
在本实施例中,当预设范围被设置成90至130步/分钟时,若通过步频信号采集装置测得待测用户的步频信号对应的步频值为100,则此时待测用户的步频信号对应的步频值处于预设范围内,则获取此时肌电信号采集装置在待采集部位采集的肌电信号。在本实施例中,一个肌电信号采集装置对应一个待采集部位,肌电信号采集装置通过表面电极采集待采集部位的肌电信号,表面电极可以是干电极、织物电极、微阵列电极等,表面电极可以集成在智能可穿戴设备中,如智能护腕、护踝等,通过无线通讯或有线通讯的形式将采集到的肌电信号传输至信号处理终端,本实施例中,处理终端可以是手机、电脑、平板等智能终端。例如,在本发明一可选实施例中,分别使用肌电信号采集装置1采集用户左小腿胫前肌的肌电信号,使用肌电信号采集装置2采集用户右小腿胫前肌的肌电信号。当待测用户的步频值在预设范围内时,处理终端获取肌电信号采集装置1采集用户左小腿胫前肌的肌电信号,获取肌电信号采集装置2采集用户右小腿胫前肌的肌电信号。本实施例中,肌电信号采集装置的频率可以设置为600-1000Hz之间,具体根据实际需要进行设置。
本实施例中,在步频信号对应的步频值处于预设范围时,获取肌电信号采集装置以预设采样频率(600-1000Hz)采集待采集部位的肌电信号,便于识别和滤除噪声、电磁干扰信号。进一步提高后续识别的准确度。
进一步地,处理器1001可以用于调用存储器1005中存储的基于肌电的生物识别程序,还执行以下操作:
对所述肌电信号进行信号去噪处理;
根据预设差分阈值法提取所述经过信号去噪处理后的肌电信号对应的活动段特征值;
将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别。
在本实施例中,首先对肌电信号进行去噪处理,在本发明一可选实施例中,可以采用低通或带通(20-450Hz)滤波器滤除0-20Hz低频噪声,采用小波去噪或自适应滤波算法去除50Hz左右工频干扰及其他高频噪声。
在本实施例中,提取经过去噪处理后的肌电信号对应的活动段特征值,首先需要确定活动段对应的肌电信号。例如,在本发明一可选实施例中,首先采集待测用户在正常站立时左小腿胫前肌的肌电信号,例如采集10组待测用户在正常站立时左小腿胫前肌的肌电信号,求这10组肌电信号的平均值作为阈值(即判断肌肉活动起始点的阈值)。当待测用户的步频值在预设范围内时,获取机电信号采集装置在待采集部位采集的肌电信号,将该肌电信号同阈值比较,绝对值大于阈值的部分则为活动段肌电信号。
本实施例中,可以以活动段肌电信号对应的肌电积分值、信号波长度、绝对值均值、平均频率、平均功率等作为活动段特征值,在此不作限制,具体根据需要缩减或扩充活动段特征值。
在本实施例中,对肌电信号进行去噪处理、通过预设差分阈值法提取,进一步提高数据的准确性,从而提高后续识别结果的准确性。
进一步地,处理器1001可以用于调用存储器1005中存储的基于肌电的生物识别程序,并执行以下操作:
采用小波去噪算法或自适应滤波算法对所述肌电信号进行去噪处理。
在本实施例中,首先对肌电信号进行去噪处理,在本发明一可选实施例中,可以采用低通或带通(20-450Hz)滤波器滤除0-20Hz低频噪声,采用小波去噪或自适应滤波算法去除50Hz左右工频干扰及其他高频噪声。
在本实施例中,采用小波去噪算法或自适应滤波算法对所述肌电信号进行去噪处理,能提高数据的准确性,从而提高后续识别结果的准确性。
进一步地,处理器1001可以用于调用存储器1005中存储的基于肌电的生物识别程序,并执行以下操作:
接收神经网络模型反馈的识别结果,若识别结果为识别失败,则弹出第一对话框,用于提示所述待测用户进行身份认证;
接收基于所述待测用户操作输入的认证信息,检测所述认证信息是否为合法信息;
若所述认证信息为合法信息,则待测用户身份识别通过,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
在本实施例中,当识别失败时,则弹出第一对话框,用于提示所述待测用户进行身份认证。身份认证的方式在此不作限制,具体根据实际情况设置。例如,验证方式为用户输入验证码,若验证码同预先存储的验证码一致,则认证通过(即识别通过),又或者,对用户指纹进行采集,若采集到的指纹信息同预先存储的指纹信息一致,则认证通过(即识别通过)。
在本实施例中,当基于肌电信号的识别失败后,通过其他预置的验证方式进一步对待测用户进行身份认证,若认证通过,说明此次神经网络模型对待测用户身份的判断出现错误,则将活动段特征值发送至待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对神经网络模型进行训练,进一步提高识别结果的准确性。
进一步地,处理器1001可以用于调用存储器1005中存储的基于肌电的生物识别程序,并执行以下操作:
若所述认证信息为合法信息,则待测用户身份识别通过,并弹出第二对话框,以供所述待测用户选择是否在预设时间段内加大了运动量;
接收基于所述待测用户操作触发的反馈指令,若反馈指令为否,则将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
在本实施例中,若基于肌电信息的识别失败,但通过其他方式进行认证通过。则提取此次活动段肌电信号对应的肌电积分值X,将该肌电积分值X同历史肌电积分值Y(可以是历史采集的该用户对应的待测部位所有肌电积分值的均值)对比,得到|X-Y|/Y的值Z,Z为信号幅值。检测Z是否大于或等于预设阈值(在本实施例中,预设阈值的设置由实际实验数据来设置,在此不作限制,例如,设置为10%)。当信号增幅大于或等于预设阈值时,则弹出对话框,以供待测用户选择是否在预设时间内加大了运动量(例如,在显示界面显示在4-8小时内是否增加了运动量的选项),若用户反馈没有,则表明神经网络模型对待测用户身份的判断出现错误,则将活动段特征值发送至待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对神经网络模型进行训练,进一步提高识别结果的准确性;若用户反馈是,则表明神经网络模型对待测用户身份的判断是正确的,此次识别失败是因为用户肌电信号由于运动量增大的缘故发生了较大改变,忽略此次活动段肌电信号对应的活动段特征值。
本实施例中,有针对性的对神经网络模型进行训练,提高了神经网络模型在后续的判断精确度。
进一步地,处理器1001可以用于调用存储器1005中存储的基于肌电的生物识别程序,并执行以下操作:
所述活动段特征值包括:
所述肌电信号对应的活动段肌电积分值、信号波长度、绝对值均值、平均频率、平均功率、能量特征值、均方根、过零点数、平均幅值差。
本实施例中,肌电积分值(IEMG)是一种简单的肌电时域特征量,常用于EMG(肌电信号)活动段检测的预处理和一些临床应用中。IEMG被定义为肌电信号在一段时间内的绝对值和:
其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
绝对值均值(MAV),是肌电信号幅值在一段时间内的绝对值平均值:
其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
能量特征值包括幅值平方和(SSI),均方值(VAR):
VAR,其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
均方根(RMS)是肌电信号分析常用的时域特征量,其定义如下:
其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
信号波长度(WL)和平均幅值差(AAC),WL是描述肌电信号复杂程度的特征量,定义为在一段时间内信号波形的总长度,计算公式如下:
其中EMGi代表肌电信号在时刻i的值,N代表信号段的长度。
AAC,表征信号幅值变化的剧烈程度,从计算公式上看,AAC只是信号波长度的平均值,即AAC=WL/N。
过零点数(ZC)是描述肌电信号频率信息的特征量在时域内的表示方法。ZC是信号幅值经过零值的次数,为了消除低幅值信号或噪声造成的干扰,在计算时一般设定一个阈值,当零点两侧信号差值大于阈值时,该过零点才被认为是有效的。
本实施例中,对活动段特征值可根据实际需要扩充或缩减,在此不作限制。采用的活动段特征值可以是上述全部也可以是上述中一或两种。根据实际情况进行设置。
在本实施例中,可仅选择肌电信号对应的少数特定信息作为活动段特征值,例如,以肌电信号对应的活动段肌电积分值作为活动段特征值,可简化识别过程,能够在运动健康领域便捷的实现生物识别。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有基于肌电的生物识别程序程序,所述基于肌电的生物识别程序被处理器执行时实现上述所述的基于肌电的生物识别方法的步骤。
本发明计算机可读存储介质的具体实施例同上述基于肌电的生物识别方法的各个实施例基本相同,在此不做赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于肌电的生物识别方法,其特征在于,所述基于肌电的生物识别方法应用于生物识别终端,所述生物识别终端包括步频信号采集装置和肌电信号采集装置,所述基于肌电的生物识别方法包括:
获取待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内;
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号,其中待采集部位为采集部位信息在待测用户的对应部位;
提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别;
接收神经网络模型反馈的识别结果,若识别结果为识别通过,则待测用户身份识别通过。
2.如权利要求1所述的基于肌电的生物识别方法,其特征在于,所述获取待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内之前包括:
接收待测用户身份信息以及待采集部位信息,获取步频信号采集装置采集的待测用户的步频信号,检测所述步频信号对应的步频值是否处于预设范围内;
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在所述待采集部位采集的肌电信号;
提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
3.如权利要求1所述的基于肌电的生物识别方法,其特征在于,所述当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置在待采集部位采集的肌电信号包括:
当所述步频信号对应的步频值处于预设范围内时,获取肌电信号采集装置以预设采样频率在所述待采集部位采集的肌电信号。
4.如权利要求1所述的基于肌电的生物识别方法,其特征在于,所述提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别包括:
对所述肌电信号进行信号去噪处理;
根据预设差分阈值法提取所述经过信号去噪处理后的肌电信号对应的活动段特征值;
将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别。
5.如权利要求4所述的基于肌电的生物识别方法,其特征在于,所述对所述肌电信号进行信号去噪处理包括:
采用小波去噪算法或自适应滤波算法对所述肌电信号进行去噪处理。
6.如权利要求1所述的基于肌电的生物识别方法,其特征在于,所述提取所述肌电信号对应的活动段特征值,将所述活动段特征值发送至所述待采集部位信息对应的神经网络模型,以供神经网络模型根据所述活动段特征值对待测用户身份进行识别之后包括:
接收神经网络模型反馈的识别结果,若识别结果为识别失败,则弹出第一对话框,用于提示所述待测用户进行身份认证;
接收基于所述待测用户操作输入的认证信息,检测所述认证信息是否为合法信息;
若所述认证信息为合法信息,则待测用户身份识别通过,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
7.如权利要求6所述的基于肌电的生物识别方法,其特征在于,所述若所述认证信息为合法信息,则待测用户身份识别通过,将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练包括:
若所述认证信息为合法信息,则待测用户身份识别通过,并弹出第二对话框,以供所述待测用户选择是否在预设时间段内加大了运动量;
接收基于所述待测用户操作触发的反馈指令,若反馈指令为否,则将所述活动段特征值发送至所述待测用户身份信息以及待采集部位信息对应的神经网络模型,以供对所述神经网络模型进行训练。
8.如权利要求1至7中任一项所述的基于肌电的生物识别方法,其特征在于,所述活动段特征值包括:
所述肌电信号对应的活动段肌电积分值、信号波长度、绝对值均值、平均频率、平均功率、能量特征值、均方根、过零点数、平均幅值差。
9.一种基于肌电的生物识别终端,其特征在于,所述基于肌电的生物识别终端包括:步频信号采集装置、肌电信号采集装置、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于肌电的生物识别程序,其中:
所述步频信号采集装置,用于采集待测用户的步频信号;
所述肌电信号采集装置,用于在待采集部位采集肌电信号;
所述基于肌电的生物识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于肌电的生物识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于肌电的生物识别程序,所述基于肌电的生物识别程序被处理器执行时实现如权利要求1至8中任一项所述的基于肌电的生物识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710323706.5A CN107169432A (zh) | 2017-05-09 | 2017-05-09 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
PCT/CN2017/094938 WO2018205424A1 (zh) | 2017-05-09 | 2017-07-28 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710323706.5A CN107169432A (zh) | 2017-05-09 | 2017-05-09 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107169432A true CN107169432A (zh) | 2017-09-15 |
Family
ID=59813026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710323706.5A Pending CN107169432A (zh) | 2017-05-09 | 2017-05-09 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107169432A (zh) |
WO (1) | WO2018205424A1 (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407531A (zh) * | 2018-10-30 | 2019-03-01 | 深圳市心流科技有限公司 | 智能家居控制方法、装置及计算机可读存储介质 |
CN109646024A (zh) * | 2019-01-09 | 2019-04-19 | 浙江强脑科技有限公司 | 疲劳驾驶检测方法、装置及计算机可读存储介质 |
CN109820482A (zh) * | 2019-03-05 | 2019-05-31 | 浙江强脑科技有限公司 | 肌肉状态检测方法、装置及计算机可读存储介质 |
CN109820523A (zh) * | 2019-03-05 | 2019-05-31 | 浙江强脑科技有限公司 | 心理测试仪控制方法、装置及计算机可读存储介质 |
CN109965847A (zh) * | 2019-04-08 | 2019-07-05 | 清华大学 | 服务器和信号分析系统 |
CN110321871A (zh) * | 2019-07-11 | 2019-10-11 | 电子科技大学成都学院 | 一种基于lstm的掌静脉识别系统及方法 |
CN110811633A (zh) * | 2019-11-06 | 2020-02-21 | 中国科学院自动化研究所 | 基于肌电信号的身份识别方法、系统、装置 |
CN111783056A (zh) * | 2020-07-06 | 2020-10-16 | 诺百爱(杭州)科技有限责任公司 | 一种基于肌电信号识别用户身份的方法、装置和电子设备 |
CN112022611A (zh) * | 2020-08-20 | 2020-12-04 | 无锡商业职业技术学院 | 一种被动式关节训练器械的识别电路结构 |
CN112140109A (zh) * | 2020-09-10 | 2020-12-29 | 华南理工大学 | 基于Web网页和肌电信号的机器人远程控制系统及方法 |
CN112244882A (zh) * | 2020-10-30 | 2021-01-22 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的疾病预警方法和装置 |
CN112690807A (zh) * | 2020-12-04 | 2021-04-23 | 京东数科海益信息科技有限公司 | 确定执行动作速度等级的方法、装置和存储介质 |
CN112773381A (zh) * | 2019-11-07 | 2021-05-11 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
CN113303816A (zh) * | 2021-04-30 | 2021-08-27 | 浙江大学 | 一种基于面部表面肌电信号的味觉感知识别方法及系统 |
CN114652493A (zh) * | 2022-05-25 | 2022-06-24 | 深圳市心流科技有限公司 | 一种肌电信号控制方法、装置、肌电设备、存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2566101A (en) * | 2017-09-05 | 2019-03-06 | B Secur Ltd | Wearable authentication device |
CN111714122A (zh) * | 2020-06-22 | 2020-09-29 | 北京海益同展信息科技有限公司 | 肌电模式识别方法、装置、设备和计算机可读存储介质 |
CN113791692A (zh) * | 2021-09-28 | 2021-12-14 | 歌尔光学科技有限公司 | 交互方法、终端设备及可读存储介质 |
CN117547287B (zh) * | 2023-11-14 | 2024-04-09 | 首都医科大学宣武医院 | 一种基于多生理参数的糖尿病足风险评估系统 |
CN117562560B (zh) * | 2023-11-20 | 2024-07-02 | 北京宜善医学科技有限公司 | 一种康复训练中的运动效果评估方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073881A (zh) * | 2011-01-17 | 2011-05-25 | 武汉理工大学 | 人体表面肌电信号消噪、特征提取和模式识别方法 |
CN105243312A (zh) * | 2015-11-13 | 2016-01-13 | 上海傲意信息科技有限公司 | 一种密码系统及加解密方法 |
CN105807640A (zh) * | 2014-12-30 | 2016-07-27 | 深圳Tcl新技术有限公司 | 终端控制方法和系统 |
CN106293057A (zh) * | 2016-07-20 | 2017-01-04 | 西安中科比奇创新科技有限责任公司 | 基于bp神经网络的手势识别方法 |
US9619024B2 (en) * | 2014-06-24 | 2017-04-11 | Beijing TransBorder Information Technology Co., Ltd. | Virtual input device and virtual input method |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100459934C (zh) * | 2006-10-12 | 2009-02-11 | 北京飞天诚信科技有限公司 | 一种身份鉴定方法及系统 |
CN104573458B (zh) * | 2014-12-30 | 2017-05-31 | 深圳先进技术研究院 | 一种基于心电信号的身份识别方法、装置及系统 |
CN105279411A (zh) * | 2015-09-22 | 2016-01-27 | 电子科技大学 | 一个基于步态生物特征的移动设备身份认证方法 |
-
2017
- 2017-05-09 CN CN201710323706.5A patent/CN107169432A/zh active Pending
- 2017-07-28 WO PCT/CN2017/094938 patent/WO2018205424A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073881A (zh) * | 2011-01-17 | 2011-05-25 | 武汉理工大学 | 人体表面肌电信号消噪、特征提取和模式识别方法 |
US9619024B2 (en) * | 2014-06-24 | 2017-04-11 | Beijing TransBorder Information Technology Co., Ltd. | Virtual input device and virtual input method |
CN105807640A (zh) * | 2014-12-30 | 2016-07-27 | 深圳Tcl新技术有限公司 | 终端控制方法和系统 |
CN105243312A (zh) * | 2015-11-13 | 2016-01-13 | 上海傲意信息科技有限公司 | 一种密码系统及加解密方法 |
CN106293057A (zh) * | 2016-07-20 | 2017-01-04 | 西安中科比奇创新科技有限责任公司 | 基于bp神经网络的手势识别方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407531A (zh) * | 2018-10-30 | 2019-03-01 | 深圳市心流科技有限公司 | 智能家居控制方法、装置及计算机可读存储介质 |
CN109646024A (zh) * | 2019-01-09 | 2019-04-19 | 浙江强脑科技有限公司 | 疲劳驾驶检测方法、装置及计算机可读存储介质 |
CN109820482A (zh) * | 2019-03-05 | 2019-05-31 | 浙江强脑科技有限公司 | 肌肉状态检测方法、装置及计算机可读存储介质 |
CN109820523A (zh) * | 2019-03-05 | 2019-05-31 | 浙江强脑科技有限公司 | 心理测试仪控制方法、装置及计算机可读存储介质 |
CN109965847A (zh) * | 2019-04-08 | 2019-07-05 | 清华大学 | 服务器和信号分析系统 |
CN109965847B (zh) * | 2019-04-08 | 2023-11-07 | 清华大学 | 服务器和信号分析系统 |
CN110321871A (zh) * | 2019-07-11 | 2019-10-11 | 电子科技大学成都学院 | 一种基于lstm的掌静脉识别系统及方法 |
CN110321871B (zh) * | 2019-07-11 | 2023-04-07 | 电子科技大学成都学院 | 一种基于lstm的掌静脉识别系统及方法 |
CN110811633A (zh) * | 2019-11-06 | 2020-02-21 | 中国科学院自动化研究所 | 基于肌电信号的身份识别方法、系统、装置 |
CN112773381A (zh) * | 2019-11-07 | 2021-05-11 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
CN112773381B (zh) * | 2019-11-07 | 2023-09-22 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
CN111783056B (zh) * | 2020-07-06 | 2024-05-14 | 诺百爱(杭州)科技有限责任公司 | 一种基于肌电信号识别用户身份的方法、装置和电子设备 |
CN111783056A (zh) * | 2020-07-06 | 2020-10-16 | 诺百爱(杭州)科技有限责任公司 | 一种基于肌电信号识别用户身份的方法、装置和电子设备 |
CN112022611B (zh) * | 2020-08-20 | 2022-06-21 | 无锡商业职业技术学院 | 一种被动式关节训练器械的识别电路结构 |
CN112022611A (zh) * | 2020-08-20 | 2020-12-04 | 无锡商业职业技术学院 | 一种被动式关节训练器械的识别电路结构 |
CN112140109A (zh) * | 2020-09-10 | 2020-12-29 | 华南理工大学 | 基于Web网页和肌电信号的机器人远程控制系统及方法 |
CN112140109B (zh) * | 2020-09-10 | 2024-04-30 | 华南理工大学 | 基于Web网页和肌电信号的机器人远程控制系统及方法 |
CN112244882A (zh) * | 2020-10-30 | 2021-01-22 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的疾病预警方法和装置 |
CN112244882B (zh) * | 2020-10-30 | 2023-06-02 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的疾病预警方法和装置 |
CN112690807A (zh) * | 2020-12-04 | 2021-04-23 | 京东数科海益信息科技有限公司 | 确定执行动作速度等级的方法、装置和存储介质 |
CN113303816A (zh) * | 2021-04-30 | 2021-08-27 | 浙江大学 | 一种基于面部表面肌电信号的味觉感知识别方法及系统 |
CN114652493A (zh) * | 2022-05-25 | 2022-06-24 | 深圳市心流科技有限公司 | 一种肌电信号控制方法、装置、肌电设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2018205424A1 (zh) | 2018-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169432A (zh) | 基于肌电的生物识别方法、终端及计算机可读存储介质 | |
CN104573458B (zh) | 一种基于心电信号的身份识别方法、装置及系统 | |
TWI708205B (zh) | 用於監測使用者之神經變性疾病、飲酒和心率變異性之方法、系統及電子裝置 | |
CN105787420A (zh) | 用于生物认证的方法、装置以及生物认证系统 | |
KR100750662B1 (ko) | 심전도를 이용한 생체인식 시스템 및 방법 | |
WO2019192235A1 (zh) | 一种基于移动设备的用户身份认证方法及系统 | |
KR20210047539A (ko) | 근전도 신호 기반 사용자 인증 장치 및 인증 방법 | |
CN107437074A (zh) | 一种身份认证方法和装置 | |
CN109820482A (zh) | 肌肉状态检测方法、装置及计算机可读存储介质 | |
US20220391487A1 (en) | Method of Authenticating the Identity of a User Wearing a Wearable Device | |
CN109448815A (zh) | 自助健身方法、装置、计算机设备及存储介质 | |
CN109949438B (zh) | 异常驾驶监测模型建立方法、装置及存储介质 | |
Matta et al. | Real-time continuous identification system using ECG signals | |
KR102057705B1 (ko) | 동작 인식을 위한 지능형 장치 및 그 제어 방법 | |
CN106667506A (zh) | 一种基于皮肤电反应和瞳孔变化的测谎方法及装置 | |
CN105530095B (zh) | 一种用户身份认证的方法及装置 | |
CN109758767A (zh) | 游戏难度调整方法、终端及计算机可读存储介质 | |
CN104809371B (zh) | 判断头戴式智能设备的鉴权信息有效性的装置和方法 | |
CN104571504A (zh) | 一种基于想象动作的在线脑-机接口方法 | |
WO2022047272A9 (en) | Electronic devices with a static artificial intelligence model for contextual situations, including age blocking for vaping and ignition start, using data analysis and operating methods thereof | |
WO2018214522A1 (zh) | 肌电信号采集方法及装置 | |
CN107239147A (zh) | 一种基于可穿戴设备的人体情境感知方法、装置及系统 | |
CN109407531A (zh) | 智能家居控制方法、装置及计算机可读存储介质 | |
CN108415564A (zh) | 电子装置、设备控制方法及相关产品 | |
CN109820523A (zh) | 心理测试仪控制方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170915 |
|
RJ01 | Rejection of invention patent application after publication |