CN107526952B - 基于多通道表面肌电信号的身份识别方法 - Google Patents
基于多通道表面肌电信号的身份识别方法 Download PDFInfo
- Publication number
- CN107526952B CN107526952B CN201610473652.6A CN201610473652A CN107526952B CN 107526952 B CN107526952 B CN 107526952B CN 201610473652 A CN201610473652 A CN 201610473652A CN 107526952 B CN107526952 B CN 107526952B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- issuing
- electromyographic
- channel surface
- electromyographic signals
- 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Abstract
本发明提供一种基于多通道表面肌电信号的身份识别方法。首先让用户完成规定动作,建立所有用户肌电特征库,肌电特征即肌肉运动单元发放序列;其次在识别时,采集待识别者肌电特征;然后将肌电特征与肌电特征库匹配待识别者;最后输出匹配结果。该肌电身份识别方法具有可靠性高、实现简单的优点。
Description
技术领域
本发明涉及一种基于多通道表面肌电信号的身份识别方法。
背景技术
随着现代社会的高速发展,基于生物特征的身份识别技术需求不断增长。生物身份识别技术是利用个体唯一的生物特征进行身份识别,这些生物特征包括指纹、手写体、虹膜、面部、声音等。但是指纹识别存在利用假指代替的风险,声音或手写体可能会被模仿,面部识别存在假面的伪造,虹膜要求强光对人眼带来不舒服的感觉。因此各种识别技术都存在一定程度的缺点,这给安全系统带来极大隐患,因此需要研究新的识别技术。
表面肌电信号(sEMG)是利用表面电极从人体体表检测肌电信号,从多通道的表面肌电信号中可以提取较多运动单元的发放序列,从而反映个体肌肉特征。实践表明,个体的表面肌电的重复率达到88%,这个为表面肌电进行身份识别提供了依据。已有学者研究通过表面肌电来研究身份识别技术,这些学者主要是从表面肌电的均方根等参数来识别,都没有从运动单元发放序列角度研究。
发明内容
为实现上述目的,本发明一种基于多通道表面肌电信号的身份识别方法,其特征是包括以下步骤:
步骤一:建立所有用户的肱二头肌肉肌电信号特征库。建立方法如下:
(1)将多通道表面电极贴在肱二头肌上,手部多次完成规定动作,每次采集肱二头肌的肌电信号;
(2)对多通道表面肌电信号滤波,削弱干扰。采用卷积核补偿算法对表面肌电信号提取发放时刻,对数次提取的所有发放序列归类整理,删除重复的发放序列;
(3)每个用户的发放时刻建立一个存储空间,删除重复的发放时刻序列后,将发放时刻序列存储。
步骤二:采集待识别者肌电信号,提取肌电特征。在进行身份识别时,要求测试者完成规定动作,采集肱二头肌的肌电信号,提取发放时刻序列。
步骤三:肌电特征匹配。将待识别的每个发放序列与存储的发放序列逐一做互相关检测,设置阈值,如果互相关性高于阈值,则表明找到一个匹配的运动单元。
步骤四:识别结果输出。如果最后待识别者发放序列与存储的某个用户肌电信号特征匹配个数达到80%以上,则身份确认成功,否则身份确认失败。
优选的,步骤一的采集次数最少3次,多次采集有利于更全面的提取运动单元发放序列。
与现有生物识别技术相比,本发明的是基于表面肌电信号的发放序列进行身份识别,具有可靠性高,难以伪造的优势。采用多通道的表面肌电信号相对于单通道肌电信号,更有利于体现整个肌肉的个体特征,减少运动单元发放序列提取过程中丢失的可能,提高识别的可靠性。在建立肌电信号特征库的时候,可以针对不同用户设置不同的动作,增强系统识别的安全性。发放时刻互相关性分析有效地克服了2个发放序列间时刻起始点无法同步的缺陷。本发明采用的卷积核补偿算法不需要计算运动单元发放序列和多通道表面肌电信号间混合矩阵,大大减少计算时间,提高了效率,使用方便。
附图说明
图1是本发明流程图。
图2是本发明实施案例提取的发放序列图。
图3是本发明实施案例的发放序列互相关性图。
具体实施方式
以下结合附图1、附图2和附图3对本发明作进一步详细描述,本领域技术人员可由本说明书所揭露的内容轻易地实现。
本发明一种基于多通道表面肌电信号的身份识别方法,其特征是包括以下步骤:
步骤一:建立所有用户的肱二头肌肉肌电信号特征库。建立方法如下:
(1)将多通道表面电极贴在用户右手肱二头肌上,右手上臂紧贴身体,肘关节成90度,小臂平行地面,右手握紧1公斤重哑铃,保持5秒钟,采集肱二头肌的肌电信号。重复5次完成上述动作。针对不同用户,可以灵活选择肌肉及动作,提升识别安全性。
②对多通道表面肌电信号滤波,削弱干扰。采用卷积核补偿算法对表面肌电信号提取发放时刻,对5次提取的所有发放序列归类整理,删除重复的发放序列;
卷积核补偿算法是利用阵列sEMG信号各通道信号的相关性,计算发放序列。具体过程为:首先计算阵列sEMG信号互相关矩阵以及互相关矩阵逆矩阵,互相关矩阵表示为:
C=E(S(n)ST(n))
其中n是采样时刻,S(n)是第n个采样时刻的阵列信号,ST(n)是第n个采样时刻的阵列信号转置,E(·)是数序期望。计算互相关矩阵的逆矩阵C-1,即
C-1=[E(S(n)ST(n))]-1
然后采样时刻n取sEMG信号能量的中值,能量按照下式计算:
Δ=ST(n)C-1S(n)
取能量中值Δ所对应的时刻n0。最后利用如下公式计算得到运动单元发放序列:
ξ(n0)=ST(n0)C-1S(n0)
③每个用户的发放时刻建立一个存储空间,删除重复的发放时刻序列后,将发放时刻序列存储。图2即提取的4个肌肉运动单元(MU)的发放序列,每个序列中竖线对应一个发放时刻。
步骤二:采集待识别者肌电信号,提取肌电特征。在进行身份识别时,要求测试者完成步骤一规定动作,采集肱二头肌的肌电信号,提取发放时刻序列,提取过程与步骤一相同。
步骤三:肌电特征匹配。将待识别的每个发放序列与存储的发放序列逐一做互相关检测,设置阈值,如果互相关性高于阈值,则表明找到一个匹配的运动单元。具体做法是:将步骤二提取的发放时刻序列与肌电信号特征库中每个用户进行互相关性分析,互相关性可以在MATLAB平台下调用函数xcorr来实现。图3即为一个互相关性分析结果,其中横坐标代表信号的延迟时间,因为互相关的定义是两个信号相乘积分,纵坐标表示能量,能量越大表明相关性越强。为明确区分两个发放序列互相关性,可以设置纵坐标最大值大于0.9即确认两个发放序列为一个发放序列。
步骤四:识别结果输出。如果最后待识别者发放序列与存储的某个用户匹配肌电信号特征个数达到80%以上,即某个用户的肌电信号特征库中80%以上的发放序列与待识别者匹配,则身份确认成功,否则身份确认失败。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (2)
1.一种基于多通道表面肌电信号的身份识别方法,其特征是包括以下步骤:
步骤一:建立所有用户的肱二头肌肉多通道表面肌电信号特征库,建立方法如下:
1)将多通道表面电极贴在肱二头肌上,手部多次完成规定动作,每次采集肱二头肌的多通道表面肌电信号;
2)对多通道表面肌电信号滤波,削弱干扰,采用卷积核补偿算法对多通道表面肌电信号提取发放时刻序列,对数次提取的所有发放时刻序列归类整理,删除重复的发放时刻序列;
3)每个用户的发放时刻序列建立一个存储空间,删除重复的发放时刻序列后,将发放时刻序列存储;
步骤二:采集待识别者多通道表面肌电信号,提取肌电特征,在进行身份识别时,要求测试者完成规定动作,采集肱二头肌的多通道表面肌电信号,提取发放时刻序列;
步骤三:肌电特征匹配,将待识别的每个发放时刻序列与存储的发放时刻序列逐一做互相关检测,设置阈值,如果互相关性高于阈值,则表明找到一个匹配的运动单元;
步骤四:识别结果输出,如果最后待识别者发放时刻序列与存储的某个用户多通道表面肌电信号发放时刻序列匹配个数达到80%以上,则身份确认成功,否则身份确认失败。
2.根据权利1要求的一种基于多通道表面肌电信号的身份识别方法,其特征还包括:步骤一的采集次数最少3次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610473652.6A CN107526952B (zh) | 2016-06-22 | 2016-06-22 | 基于多通道表面肌电信号的身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610473652.6A CN107526952B (zh) | 2016-06-22 | 2016-06-22 | 基于多通道表面肌电信号的身份识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107526952A CN107526952A (zh) | 2017-12-29 |
CN107526952B true CN107526952B (zh) | 2020-09-01 |
Family
ID=60734178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610473652.6A Active CN107526952B (zh) | 2016-06-22 | 2016-06-22 | 基于多通道表面肌电信号的身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526952B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108403114B (zh) * | 2018-02-11 | 2021-02-02 | 宁波工程学院 | 一种面向恒力的阵列式表面肌电信号分解方法 |
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 |
CN112183377A (zh) * | 2020-09-29 | 2021-01-05 | 中国人民解放军军事科学院国防科技创新研究院 | 隐秘环境下融合IMU和sEMG的加密手势识别方法 |
CN113625882B (zh) * | 2021-10-12 | 2022-06-14 | 四川大学 | 一种基于稀疏多通道相关性特征的肌电手势识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1542676A (zh) * | 2003-04-30 | 2004-11-03 | 香港中文大学 | 基于受激肌肉动作电位信号的身份识别方法 |
CN104997508A (zh) * | 2015-08-19 | 2015-10-28 | 宁波工程学院 | 阵列式sEMG信号自动分解方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9788203B2 (en) * | 2014-08-19 | 2017-10-10 | Zighra Inc. | System and method for implicit authentication |
-
2016
- 2016-06-22 CN CN201610473652.6A patent/CN107526952B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1542676A (zh) * | 2003-04-30 | 2004-11-03 | 香港中文大学 | 基于受激肌肉动作电位信号的身份识别方法 |
CN104997508A (zh) * | 2015-08-19 | 2015-10-28 | 宁波工程学院 | 阵列式sEMG信号自动分解方法 |
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 |
Non-Patent Citations (2)
Title |
---|
基于自组织映射神经网络和卷积核补偿的多通道;宁勇等;《生物医学工程学杂志》;20150228;第32卷(第1期);1-7 * |
基于运动单元的肌肉力估计新方法;何金保等;《航天医学与医学工程》;20191031;第28卷(第5期);313-318 * |
Also Published As
Publication number | Publication date |
---|---|
CN107526952A (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107526952B (zh) | 基于多通道表面肌电信号的身份识别方法 | |
CN101491441B (zh) | 基于脑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 | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN104127181B (zh) | 基于wkfda的肌电信号跌倒检测方法 | |
CN107157450B (zh) | 用于对帕金森病人的手部运动能力进行量化评估方法和系统 | |
Patro et al. | Effective feature extraction of ECG for biometric application | |
CN105326500B (zh) | 基于表面肌电信号的动作识别方法和设备 | |
CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
Sasikala et al. | Identification of individuals using electrocardiogram | |
CN102961203A (zh) | 基于emd样本熵的表面肌电信号识别方法 | |
CN106874722A (zh) | 一种基于心电信号的身份识别方法及其装置 | |
CN108403108B (zh) | 基于波形优化的阵列式表面肌电信号分解方法 | |
CN101558997A (zh) | 基于二阶盲辨识的脑电信号识别方法 | |
Pancholi et al. | Intelligent upper-limb prosthetic control (iULP) with novel feature extraction method for pattern recognition using EMG | |
CN110811633A (zh) | 基于肌电信号的身份识别方法、系统、装置 | |
Said et al. | Machine-learning based wearable multi-channel sEMG biometrics modality for user's identification | |
CN114081505A (zh) | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 | |
CN112698720B (zh) | 一种基于互信息特征提取及多人融合的运动想象识别方法 | |
Louis et al. | One dimensional multi-resolution local binary patterns features (1DMRLBP) for regular electrocardiogram (ECG) waveform detection | |
Chen et al. | Finger ECG-based authentication for healthcare data security using artificial neural network | |
CN107198508B (zh) | 康复度排序方法及复合式交互训练系统 | |
Tomczyński et al. | Hand gesture-based interface with multichannel sEMG band enabling unknown gesture discrimination | |
Veer | A flexible approach for segregating physiological signals | |
CN114098768B (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
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 |