CN107273825B - 基于改进典型相关分析的生理信号融合身份识别方法 - Google Patents
基于改进典型相关分析的生理信号融合身份识别方法 Download PDFInfo
- Publication number
- CN107273825B CN107273825B CN201710388966.0A CN201710388966A CN107273825B CN 107273825 B CN107273825 B CN 107273825B CN 201710388966 A CN201710388966 A CN 201710388966A CN 107273825 B CN107273825 B CN 107273825B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- class
- neighborhood
- sample
- matrix
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Abstract
本发明公开了一种基于改进典型相关分析的生理信号融合身份识别方法,主要解决现有方法识别率较低的问题。其实现步骤:1)获取脉搏波和呼吸信号并对其训练数据预处理;2)训练数据波形截取,获取脉搏波训练集合和呼吸训练集合;3)分别求取上述两个集合的类内、类间邻域;4)根据类内、类间邻域,计算上述两个集合的类内、类间相关矩阵并构造正则化典型相关分析目标函数;5)求解基于正则化典型相关分析的脉搏波、呼吸转换矩阵;6)利用转换矩阵求取训练融合特征向量;7)获取脉搏波和呼吸信号测试数据求取测试融合向量;8)对测试融合向量进行类别判别,得出身份识别结果。本发明提高了身份识别率,可应用于电子商务和远程医疗身份认证。
Description
技术领域
本发明属于身份识别技术领域,具体涉及一种身份识别方法,可用于电子商务、远程医疗身份认证等领域。
背景技术
随着计算机技术及无线网络的发展与应用,基于互联网的电子商务、远程医疗等应用发展迅速,已经成为了现代人们生活中不可或缺的重要组成部分。因为这些应用涉及到个人财产账户,个体生理信息等重要隐私信息,保证这些应用的安全使用显得尤为重要。较单模态的生物识别系统,多模态生物识别系统安全性依赖于多种生物特征,而多种生物特征难以同时被窃取或复制,因此具有更高的安全性和可靠性,而用于两种特征融合的典型相关分析算法也得到了众多学者的广泛研究与关注。
2008年,彭岩,张道强等人在“计算机工程与应用”期刊上发表了一篇“局部判别型典型相关分析算法”的文章。该文章采用局部化思想,将样本的类别信息引入到典型相关分析中,提出了一种局部判别型典型相关分析方法。为验证该方法的有效性,文中分别在多个数据库上进行了实验仿真,实验结果证明了方法的有效性。但该方法不能消除数据中的噪声干扰,在特征提取融合过程中存在过拟合或数据冗余问题,会降低身份识别效果。
2012年,刘云东,崔琳,郝汝岗等人在“计算机工程”期刊上发表了“一种广义局部判别型典型相关分析算法”一文。该文中,作者在局部判别型典型相关分析的基础上,通过添加类内散度矩阵和类间散度矩阵,进一步将样本的类别信息整合到典型相关分析中。最后通过在多个数据库上进行实验仿真,验证了方法的有效性,但该方法由于没有考虑到噪声对信号特征提取的影响,因而不能充分获取有效特征信息,其身份识别率有进一步提升的空间。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于改进典型相关分析的生理信号融合身份识别方法,以对样本局部类内、类间邻域的选取方式进行改进,同时在典型相关分析的目标函数中,添加正则化参数,来消除信号中噪声对特征提取的影响,提高身份识别率。
实现本发明目的的技术方案是,首先根据光电容积脉搏波信号和呼吸信号的原始样本和一阶差分样本确定类内邻域与类间邻域,然后在典型相关分析目标函数中引入正则化参数,计算基于正则化典型相关分析算法的脉搏波转换矩阵和呼吸转换矩阵,并利用该两个矩阵对脉搏波信号和呼吸信号进行特征提取和融合,生成融合特征向量,最后进行身份识别,其实现步骤如下:
(1)获取C个人的光电容积脉搏波信号和呼吸信号,并对这两种信号进行去噪和归一化预处理,C≥2;
(2)采用脉搏波窗口对光电容积脉搏波信号进行波形截取,得到脉搏波训练样本集合X={x1,x2,…,xi,…,xn},采用呼吸窗口对呼吸信号进行波形截取,得到呼吸训练样本集合Y={y1,y2,…,yi,…,yn};其中,xi和yi分别表示集合X的第i个样本和集合Y的第i个样本,i=1,2,…,n,n表示总的训练样本个数;
(3)确定局部类内邻域和局部类间邻域;
(3a)计算脉搏波训练样本集合X中脉搏波样本xi的差分样本,计算呼吸训练样本集合Y中呼吸样本yi的差分样本;
(3b)分别求取脉搏波样本xi的类内邻域N(xi)、类间邻域NE(xi)和呼吸样本yi的类内邻域N(yi)、类间邻域NE(yi);
(4)根据(3b)的结果计算脉搏波训练样本集合X和呼吸训练样本集合Y的局部类内相关矩阵sw和局部类间相关矩阵sb;
(5)利用局部类内相关矩阵sw和局部类间相关矩阵sb,构造正则化典型相关分析目标函数DZ:
其约束条件为:
其中,Wx和Wy分别表示脉搏波转换矩阵和呼吸转换矩阵,η为比例参数,Sxx表示X的内协方差矩阵,Sxx=XXT,Syy表示Y的内协方差矩阵,Syy=YYT,τx和τy分别表示两个正则化参数,Ix和Iy分别为p×p维的单位矩阵和q×q维的单位矩阵,(·)T表示向量或矩阵的转置;
(6)求取正则化典型相关分析目标函数DZ中的脉搏波转换矩阵Wx和呼吸转换矩阵Wy;
(7)利用脉搏波转换矩阵Wx和呼吸转换矩阵Wy,对脉搏波训练样本集合X和呼吸训练样本集合Y进行特征提取和串联融合,得到训练融合向量集合F:
其中,F∈R2r×n,2r表示一个融合向量的维数;
(8)获取D个人的光电容积脉搏波信号和呼吸信号,并进行上述(1)-(7)步骤操作,得到测试融合向量集合L,D≥2;
(9)利用分类器和训练融合向量集合F对测试融合向量集合L中每个人的测试融合向量进行类别判别,得出D个人的身份识别结果。
本发明与现有技术相比具有以下优点:
第一,本发明利用正则化的典型相关分析对信号进行特征提取,充分考虑了噪声对信号的干扰,得到无冗余、精准的生理特征向量,有利于身份识别率的提高。
第二,本发明将脉搏波信号和呼吸信号进行特征融合,使得到的融合特征向量包含更丰富的反映个体特性的生理信息,从而大大提高了身份识别的正确率。
附图说明
图1为本发明的实现流程图;
图2为用本发明对MIMIC数据库的个体身份识别率结果图;
图3为用本发明对MIMIC2数据库的个体身份识别率结果图。
具体实施方式
下面结合附图对本发明的实施及效果作进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1.获取光电容脉搏波信号数据和呼吸信号数据。
本实例使用生理信号公开数据库MIMIC库中的生理信号,从MIMIC库中随机选取C个人的光电容脉搏波信号数据文件和呼吸信号数据文件;从每个光电容脉搏波信号数据文件和呼吸信号数据文件中各读取600秒时间长度的脉搏波信号和呼吸信号,并将前300秒时间长度的脉搏波信号和呼吸信号作为训练数据,将后300秒时间长度的脉搏波信号和呼吸信号作为测试数据;再分别对训练数据和测试数据依次进行去噪和归一化预处理,得到预处理后的训练数据和测试数据。
步骤2.获取脉搏波训练样本集合X和呼吸训练样本集合Y。
(2a)对训练数据的所有脉搏波信号和呼吸信号进行波峰检测,获取每个人脉搏波信号的所有波峰和呼吸信号的所有波峰;
(2b)设宽度为t1秒的窗口为脉搏波窗口,将(2a)得到的每个人的所有脉搏波波峰置于窗口的中心位置,用脉搏波窗口对每个人的脉搏波信号进行波形截取,由每个窗口截取的波形得到一个脉搏波信号样本,获取所有脉搏波样本;
(2c)设宽度为t2秒的窗口为呼吸信号窗口,将(2a)得到的每个人的所有呼吸波峰置于呼吸窗口的中心位置,用呼吸信号窗口对每个人的呼吸信号进行波形截取,获取所有呼吸样本;
(2d)对(2b)得到的所有人的脉搏波样本进行去均值化,得到脉搏波训练样本集合X={x1,x2,…,xi,…,xn},对(2c)得到的所有人的呼吸样本进行去均值化,得到呼吸训练样本集合Y={y1,y2,…,yi,…,yn},其中,xi,yi分别表示脉搏波训练样本集合X的第i个脉搏波样本和呼吸训练样本集合Y的第i个呼吸样本,i=1,2,3,…,n,n表示总的训练样本个数,xi∈Rp,yi∈Rq,Rp和Rq分别表示实p维向量空间和实q维向量空间。
步骤3.确定信号类内邻域和类间邻域。
(3a)计算脉搏波训练集合X中每个脉搏波样本的差分样本,计算呼吸训练集合Y中每个呼吸样本的差分样本,差分样本的计算公式如下:
sd=s(1:end-1)-s(2:end),
其中,sd表示脉搏波差分样本或呼吸差分样本,s(1:end-1)表示一个脉搏波样本或一个呼吸样本从1到倒数第2个采样点,s(2:end)表示一个脉搏波样本或一个呼吸样本的从2到最后一个采样点;
(3b)计算脉搏波训练集合X的脉搏波样本xi与其他所有脉搏波样本的欧式距离,选取欧式距离最小的k个同类样本作为脉搏波样本xi的类内邻域1,选取欧式距离最小的k个其他类的样本组成脉搏波样本xi的类间邻域1,其中,k≥1;
(3c)计算脉搏波样本xi的差分样本与其他所有脉搏波样本的差分样本之间的欧式距离,选取欧式距离最小的k个同类样本组成脉搏波样本xi的类内邻域2,选取欧式距离最小的k个其他类的脉搏波样本组成脉搏波样本xi的类间邻域2;
(3d)将脉搏波样本xi的类内邻域1与类内邻域2的交集作为脉搏波样本xi的类内邻域N(xi),将类间邻域1与类间邻域2的交集作为脉搏波样本xi的类间邻域NE(xi),按照上述步骤获取脉搏波训练集合X的所有样本的类内邻域和类间邻域;
(3e)按照步骤(3a)-(3d)的方法,求取呼吸训练集合Y中呼吸样本yi的类内邻域N(yi)和类间邻域NE(yi)。
步骤4.构造正则化典型相关分析目标函数。
(4a)利用脉搏波训练集合X中的每个脉搏波样本的类内邻域和呼吸训练集合Y中的每个呼吸样本的类内邻域,计算X和Y的局部类内相关矩阵sw:
其中,(·)T表示向量或矩阵的转置;
(4b)根据脉搏波训练集合X中的每个脉搏波样本的类间邻域和呼吸训练集合Y中的每个呼吸样本的类间邻域,计算X和Y的局部类间相关矩阵sb:
(4c)利用类内相关矩阵sw、类间相关矩阵sb,设定约束条件,构造正则化典型相关分析目标函数DZ:
其约束条件为:
其中,Wx和Wy分别表示脉搏波信号转换矩阵和呼吸信号转换矩阵,Wx∈Rp×r,Wy∈Rq ×r,Rp×r和Rq×r分别表示实p×r维和实q×r维矩阵空间,η为比例参数,Sxx=XXT∈Rp×p,Syy=YYT∈Rq×q,Sxx和Syy分别表示集合X的内协方差矩阵和集合Y的内协方差矩阵,τx和τy分别表示两个正则化参数,Ix和Iy分别为p×p维的单位矩阵和q×q维的单位矩阵。
步骤5.求解脉搏波信号转换矩阵Wx和呼吸信号转换矩阵Wy。
(5a)利用拉格朗日函数和约束条件,对正则化典型相关分析目标函数DZ进行优化求解,得到脉搏波信号中间矩阵H1和呼吸信号中间矩阵H2:
H1=[Sxx+τxIx]-1(sw-ηsb)[Syy+τyIy]-1(sw-ηsb)T,
H2=[Syy+τyIy]-1(sw-ηsb)T[Sxx+τxIx]-1(sw-ηsb),
其中,[·]-1表示矩阵的逆;
(5b)求取脉搏波信号中间矩阵H1前r个最大特征值对应的特征向量,然后将它们进行施密特正交化,作为列向量组成脉搏波转换矩阵Wx,r≥1;
(5c)求取呼吸信号中间矩阵H2前r个最大特征值对应的特征向量,然后将它们进行施密特正交化,作为列向量组成呼吸转换矩阵Wy。
步骤6.利用脉搏波转换矩阵Wx和呼吸转换矩阵Wy对脉搏波训练集合X和呼吸训练集合Y进行特征提取和串联融合,得到训练融合向量集合F:
其中,F∈R2r×n,2r表示一个融合向量的维数。
步骤7.对步骤1中的测试数据,进行步骤2-步骤6操作,得到测试融合向量集合L。
步骤8.利用K近邻分类器和训练融合向量集合F,对测试融合向量集合L中每个人的所有测试融合向量进行类别判别,并按照下列公式,计算每个个体的身份识别率。
身份识别率=被正确预测的测试融合向量个数/个体参与类别判别的测试融合向量总数。
本步骤中使用的分类器不限于K近邻分类器,也可采用SVM分类器或朴素贝叶斯分类器。
为验证本发明的识别效果,分别利用两个公开数据库MIMIC和MIMIC2中各50个人的脉搏波信号和呼吸信号进行实验仿真,求得每个库中50个人的身份识别率,取平均身份识别率作为每个库的总体身份识别率,如图2和图3所示。
从图2和图3中可以看出,MIMIC库和MIMIC2库的总体身份识别率均在99.2%以上,充分说明本发明的有效性和高的正确识别率。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (8)
1.基于改进典型相关分析的生理信号融合身份识别方法,包括如下步骤:
(1)获取C个人的光电容积脉搏波信号和呼吸信号,并对这两种信号进行去噪和归一化预处理,C≥2;
(2)采用脉搏波窗口对光电容积脉搏波信号进行波形截取,得到脉搏波训练样本集合X={x1,x2,…,xi,…,xn},采用呼吸窗口对呼吸信号进行波形截取,得到呼吸训练样本集合Y={y1,y2,…,yi,…,yn};其中,xi和yi分别表示集合X的第i个样本和集合Y的第i个样本,i=1,2,…,n,n表示总的训练样本个数;
(3)确定局部类内邻域和局部类间邻域;
(3a)计算脉搏波训练样本集合X中脉搏波样本xi的差分样本,计算呼吸训练样本集合Y中呼吸样本yi的差分样本;
(3b)分别求取脉搏波样本xi的类内邻域N(xi)、类间邻域NE(xi)和呼吸样本yi的类内邻域N(yi)、类间邻域NE(yi);
(4)根据(3b)的结果分别计算脉搏波训练样本集合X和呼吸训练样本集合Y的局部类内相关矩阵sw、脉搏波训练样本集合X和呼吸训练样本集合Y的局部类间相关矩阵sb;
(5)利用局部类内相关矩阵sw和局部类间相关矩阵sb,构造正则化典型相关分析目标函数DZ:
其约束条件为:
其中,Wx和Wy分别表示脉搏波转换矩阵和呼吸转换矩阵,η为比例参数,Sxx表示X的内协方差矩阵,Sxx=XXT,Syy表示Y的内协方差矩阵,Syy=YYT,τx和τy分别表示两个正则化参数,Ix和Iy分别为p×p维的单位矩阵和q×q维的单位矩阵,(·)T表示向量或矩阵的转置;
(6)求取正则化典型相关分析目标函数DZ中的脉搏波转换矩阵Wx和呼吸转换矩阵Wy;
(7)利用脉搏波转换矩阵Wx和呼吸转换矩阵Wy,对脉搏波训练样本集合X和呼吸训练样本集合Y进行特征提取和串联融合,得到训练融合向量集合F:
其中,F∈R2r×n,2r表示一个融合向量的维数;
(8)获取D个人的光电容积脉搏波信号和呼吸信号,并进行上述(1)-(7)步骤操作,得到测试融合向量集合L,D≥2;
(9)利用分类器和训练融合向量集合F对测试融合向量集合L中每个人的测试融合向量进行类别判别,得出D个人的身份识别结果。
2.根据权利要求1所述的方法,其中步骤(2)中采用脉搏波窗口对光电容积脉搏波信号进行波形截取,具体操作步骤如下:
(2a)对所有人的光电容积脉搏波信号进行波峰检测,获取每人光电容积脉搏波信号的所有波峰;
(2b)将波峰置于窗口的中心位置,用宽度为t1秒的脉搏波信号窗口对每人光电容积脉搏波信号进行波形截取,获取所有脉搏波样本,将所有脉搏波样本进行去均值化,组成脉搏波训练样本集合X={x1,x2,…,xi,…,xn}。
3.根据权利要求1所述的方法,其中步骤(2)中采用呼吸窗口对呼吸信号进行波形截取,具体操作步骤如下:
(2c)对所有人的呼吸信号进行波峰检测,获取每人呼吸信号的所有波峰;
(2d)将波峰置于呼吸窗口的中心位置,用宽度为t2秒的呼吸信号窗口对每人呼吸信号进行波形截取,获取所有呼吸样本,将所有呼吸样本进行去均值化,组成呼吸训练样本集合Y={y1,y2,…,yi,…,yn}。
4.根据权利要求1所述的方法,其中步骤(3b)中求取脉搏波样本xi的类内邻域N(xi)、类间邻域NE(xi),具体操作如下:
(3b1)计算脉搏波训练样本集合X的脉搏波样本xi与其他所有脉搏波样本的欧式距离,选取欧式距离最小的k个同类样本作为脉搏波样本xi的类内邻域1,选取欧式距离最小的k个其他类的样本组成脉搏波样本xi的类间邻域1,其中,k≥1;
(3b2)计算脉搏波样本xi的差分样本与其他所有脉搏波样本的差分样本之间的欧式距离,选取欧式距离最小的k个同类样本组成脉搏波样本xi的类内邻域2,选取欧式距离最小的k个其他类的脉搏波样本组成样本xi的类间邻域2;
(3b3)取脉搏波样本xi的类内邻域1与类内邻域2的交集作为脉搏波样本xi的类内邻域N(xi),取类间邻域1与类间邻域2的交集作为脉搏波样本xi的类间邻域NE(xi)。
5.根据权利要求1所述的方法,其中步骤(3b)中求取呼吸样本yi的类内邻域N(yi)、类间邻域NE(yi),具体操作如下:
(3b4)计算呼吸训练样本集合Y的呼吸样本yi与其他所有呼吸样本的欧式距离,选取欧式距离最小的k个同类样本作为呼吸样本yi的类内邻域1,选取欧式距离最小的k个其他类的样本组成呼吸样本yi的类间邻域1;
(3b5)计算呼吸样本yi的差分样本与其他所有呼吸样本的差分样本之间的欧式距离,选取欧式距离最小的k个同类样本组成呼吸样本yi的类内邻域2,选取欧式距离最小的k个其他类的呼吸样本组成呼吸样本yi的类间邻域2;
(3b6)取呼吸样本yi的类内邻域1与类内邻域2的交集作为呼吸样本yi的类内邻域N(yi),取类间邻域1与类间邻域2的交集作为呼吸样本yi的类间邻域NE(yi)。
7.根据权利要求1所述的方法,其中步骤(6)求取正则化典型相关分析目标函数DZ中的脉搏波转换矩阵Wx和呼吸转换矩阵Wy,具体操作如下:
(6a)利用拉格朗日函数和约束条件对正则化典型相关分析目标函数DZ进行优化求解,得到脉搏波信号中间矩阵H1和呼吸信号中间矩阵H2:
H1=[Sxx+τxIx]-1(sw-ηsb)[Syy+τyIy]-1(sw-ηsb)T,
H2=[Syy+τyIy]-1(sw-ηsb)T[Sxx+τxIx]-1(sw-ηsb),
其中,[·]-1表示矩阵的逆;
(6b)求取脉搏波信号中间矩阵H1前r个最大特征值对应的特征向量,并将r个特征向量进行施密特正交化,作为列向量组成脉搏波转换矩阵Wx,其中,r≥1;
(6c)求取呼吸信号中间矩阵H2前r个最大特征值对应的特征向量,将其进行施密特正交化,作为列向量组成呼吸转换矩阵Wy。
8.根据权利要求1所述的方法,其中步骤(9)中使用的分类器采用是K近邻分类器、或SVM分类器或朴素贝叶斯分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710388966.0A CN107273825B (zh) | 2017-05-25 | 2017-05-25 | 基于改进典型相关分析的生理信号融合身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710388966.0A CN107273825B (zh) | 2017-05-25 | 2017-05-25 | 基于改进典型相关分析的生理信号融合身份识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273825A CN107273825A (zh) | 2017-10-20 |
CN107273825B true CN107273825B (zh) | 2020-09-08 |
Family
ID=60065600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710388966.0A Active CN107273825B (zh) | 2017-05-25 | 2017-05-25 | 基于改进典型相关分析的生理信号融合身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273825B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304866A (zh) * | 2018-01-22 | 2018-07-20 | 西南交通大学 | 一种多视图特征判别方法 |
CN108509083B (zh) | 2018-04-08 | 2021-06-01 | 北京小米移动软件有限公司 | 显示面板和终端 |
CN109091126A (zh) * | 2018-09-14 | 2018-12-28 | 李思楠 | 一种基于多传感器的人体生理状态判别可视化方法及设备 |
CN109558911A (zh) * | 2018-12-26 | 2019-04-02 | 杭州电子科技大学 | 基于遗传算法广义典型相关分析的肌电信号特征融合方法 |
CN109497990B (zh) * | 2018-12-27 | 2020-06-02 | 山东大学 | 一种基于典型相关分析的心电信号身份识别方法及系统 |
CN110874576B (zh) * | 2019-11-14 | 2023-10-27 | 哈尔滨鹏博普华科技发展有限责任公司 | 一种基于典型相关分析融合特征的行人再识别方法 |
CN111046844B (zh) * | 2019-12-27 | 2020-11-27 | 中国地质大学(北京) | 一种基于邻域选取约束的高光谱图像分类方法 |
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 |
CN112989218B (zh) * | 2021-03-12 | 2022-06-28 | 西华大学 | 基于多级属性嵌入和约束典型相关分析的身份链接方法 |
CN113397496B (zh) * | 2021-05-14 | 2024-03-19 | 深圳技术大学 | 基于信噪比提高技术的脉搏波获取方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013179018A1 (en) * | 2012-05-28 | 2013-12-05 | Obs Medical Limited | Respiration rate extraction from cardiac signals |
CN103584872A (zh) * | 2013-10-29 | 2014-02-19 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
CN106473750A (zh) * | 2016-10-08 | 2017-03-08 | 西安电子科技大学 | 基于光电容积脉搏波最佳周期波形的身份识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8388543B2 (en) * | 2007-05-16 | 2013-03-05 | The Research Foundation Of State University Of New York | Photoplethysmography apparatus and method employing high resolution estimation of time-frequency spectra |
-
2017
- 2017-05-25 CN CN201710388966.0A patent/CN107273825B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013179018A1 (en) * | 2012-05-28 | 2013-12-05 | Obs Medical Limited | Respiration rate extraction from cardiac signals |
CN103584872A (zh) * | 2013-10-29 | 2014-02-19 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
CN106473750A (zh) * | 2016-10-08 | 2017-03-08 | 西安电子科技大学 | 基于光电容积脉搏波最佳周期波形的身份识别方法 |
Non-Patent Citations (4)
Title |
---|
"A novel feature ranking algorithm for biometric recognition with PPG signals";Kavsaoğlu A R et al;《Computers in biology and medicine》;20141231;第49卷;全文 * |
"一种基于PPG信号的身份识别技术";陈玉炎;《中国优秀硕士学位论文全文数据库》;20160315;第2016年卷(第3期);全文 * |
"一种广义局部判别型典型相关分析算法";刘云东等;《计算机工程》;20120430;第38卷(第7期);全文 * |
"局部判别型典型相关分析算法";彭岩等;《计算机工程与应用》;20081231;第44卷(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107273825A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273825B (zh) | 基于改进典型相关分析的生理信号融合身份识别方法 | |
Patro et al. | An efficient optimized feature selection with machine learning approach for ECG biometric recognition | |
Shekhar et al. | Joint sparse representation for robust multimodal biometrics recognition | |
Xu et al. | An improvement to the nearest neighbor classifier and face recognition experiments | |
Patro et al. | ECG data optimization for biometric human recognition using statistical distributed machine learning algorithm | |
Gunasekaran et al. | Deep multimodal biometric recognition using contourlet derivative weighted rank fusion with human face, fingerprint and iris images | |
CN107122643B (zh) | 基于ppg信号和呼吸信号特征融合的身份识别方法 | |
CN107980151B (zh) | 一种基于心电认证的门禁系统及其认证方法 | |
Huang et al. | Sparse representation-based heartbeat classification using independent component analysis | |
Sun et al. | Univariate time series classification using information geometry | |
Deng et al. | Invariant subspace learning for time series data based on dynamic time warping distance | |
CN109271887A (zh) | 一种用于脑电模式识别的复合空间滤波与模板匹配方法 | |
Jia et al. | On view‐invariant gait recognition: a feature selection solution | |
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 | |
Xiao et al. | A low-complexity compressed sensing reconstruction method for heart signal biometric recognition | |
Zhu et al. | Latent correlation embedded discriminative multi-modal data fusion | |
Chou et al. | Compressed-domain ECG-based biometric user identification using compressive analysis | |
Singh et al. | A sparse coded composite descriptor for human activity recognition | |
Jiang et al. | Optimizing the cross-day performance of electromyogram biometric decoder | |
Wang et al. | Human Ear Image Recognition Method Using PCA and Fisherface Complementary Double Feature Extraction | |
Aslan et al. | VisGIN: Visibility graph neural network on one-dimensional data for biometric authentication | |
Li et al. | ET-UMAP integration feature for ECG biometrics using Stacking | |
WO2018187950A1 (zh) | 基于核判别分析的人脸识别方法 | |
Tucker et al. | Multimodal Bayesian registration of noisy functions using Hamiltonian Monte Carlo | |
Li et al. | Human action recognition based on tensor shape descriptor |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |