CN107888552B - 一种基于心电信号的身份认证方法及系统 - Google Patents
一种基于心电信号的身份认证方法及系统 Download PDFInfo
- Publication number
- CN107888552B CN107888552B CN201610878696.7A CN201610878696A CN107888552B CN 107888552 B CN107888552 B CN 107888552B CN 201610878696 A CN201610878696 A CN 201610878696A CN 107888552 B CN107888552 B CN 107888552B
- Authority
- CN
- China
- Prior art keywords
- module
- wave
- sparse features
- electrocardiosignal
- indicate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000013016 learning Effects 0.000 claims abstract description 18
- 230000004069 differentiation Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007906 compression Methods 0.000 claims abstract description 4
- 230000006835 compression Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000013475 authorization Methods 0.000 claims description 2
- 230000000747 cardiac effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 2
- 230000017105 transposition Effects 0.000 claims 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 2
- 206010052804 Drug tolerance Diseases 0.000 description 1
- UELITFHSCLAHKR-UHFFFAOYSA-N acibenzolar-S-methyl Chemical compound CSC(=O)C1=CC=CC2=C1SN=N2 UELITFHSCLAHKR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000026781 habituation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于心电信号的身份认证方法，包括注册环节和认证环节，注册环节包括：预存负样本，将作为负样本的心电信号进行预处理，采集用户模板心电信号，检测R波位置，截取QT波，将截取的QT波采用用于稀疏表示的区分字典学习算法生成稀疏特征模板，之后评估出最优稀疏特征模板，再搜索出最佳阈值；认证环节包括：将经过预处理的心电信号生成稀疏特征，之后基于最佳阈值进行初步认证，再基于最高熵投票完成认证，若进行远程身份认证，还包括在初步认证之前对数据进行压缩处理并传输到远程认证单元。本发明尤其适用于远程动态医疗中的心电身份实时认证的应用，解决了高效实时的身份认证问题。
Description
技术领域
本发明涉及身份认证领域，特别是涉及一种基于心电信号的身份认证方法及系统。
背景技术
随着远程移动医疗技术的不断发展，用户身份与诊断医生身份的实时唯一性认证越来越重要。生物特征识别是基于生物行为的习惯性或生物个体特征，对个体身份自动实现识别与认证。传统比较成熟的指纹、虹膜、声音、人脸等技术中具有较好生物特征的包括：指纹、掌纹、耳朵等。然而，数据量大、计算复杂，易于被获取仿制，对采集方式或采集环境要求较高等因素一定程度限制了传统生物特征的应用。
心电信号是远程移动医疗技术中关键的生理参数，同时具有唯一标识个体身份的特性。与传统识别特征相比，心电信号具有实时、活体、数据量小等特性。目前基于心电信号的身份认证方法，一方面，过多借助于P,QRS,T等基准点的检测和数据测量，难以满足高效性要求；另一方面，需要实时完整心电数据，难以实现实时身份认证。
发明内容
本发明为了解决基于心电信号的身份认证方法难以满足高效性要求的技术问题，以及身份认证难以实现实时身份认证的技术问题，提出了一种基于心电信号的身份认证方法及系统。
本发明的技术问题通过以下的技术方案予以解决：S1、使用认证心电信号采集模块采集心电信号的步骤；S2、在预处理与QT截取模块中将采集的心电信号进行预处理，检测R波位置，截取QT波的步骤；S3、将截取的QT波在多个心电特征提取与数据处理模块中采用用于稀疏表示的区分字典学习算法生成稀疏特征的步骤；S4、生成的稀疏特征基于最佳阈值在模板匹配模块中进行模糊匹配，完成初步认证，之后基于最高熵投票，完成认证的步骤。
本发明与现有技术对比的有益效果包括：本发明提出一种基于心电信号的身份认证方法及系统。该方法将经过预处理的心电信号采用用于稀疏表示的区分字典学习算法生成稀疏特征，生成的稀疏特征基于最佳阈值进行模糊匹配，稀疏特征在判别式的基础上完成初步认证，之后再基于最高熵投票进行第二次判别即可完成认证，认证效果高效准确。同时，稀疏特征的数值只有0和1，相对于传统数据存储方式，被压缩后的数据数据量更小，能实现远程动态医疗应用中的实时心电身份认证。
附图说明
图1是本发明提供的基于心电信号的身份注册流程图。
图2是本发明提供的基于心电信号的身份认证流程图。
图3是本发明提供的基于心电信号的认证系统的结构框图。
具体实施方式
下面对照附图并结合优选的实施方式对本发明作进一步说明。
需要说明的是，本发明具体实施方式的算法主要采用用于稀疏表示的区分字典学习算法、在线学习算法、数据压缩算法、最高熵投票算法。
本发明提供了一种基于心电信号的身份注册方法，如图1所示，包括以下步骤：
步骤201，预存负样本。
需要说明的是，负样本prodata，由h个用户的QT波形组成，每个用户包含n个QT波形；主要用于预训练字典D和最佳阈值搜索，h取值范围理论值大于等于1，取值越大，预训练字典D性能越好和最佳阈值的搜索越准确，优选地，h取100。
步骤202，针对每个用户，截取的n个QT波越多，训练性能越好，不过所消耗的时间也相应提升，优选地，所述QT波的个数n取16。预训练字典D训练完成后生成预存负样本的稀疏特征protrdata。
步骤203，判断注册用户是否为新用户，如果不是新用户，即在预存的负样本中已经包含该用户，此时不需要更新字典，最新字典D’＝D。
如果是新用户，则需要通过在线学习算法更新字典D，进而获得最新字典D’。所述在线学习算法是借助Mairal等人在“Online learning for matrix factorization andsparse coding”提出的稀疏表示字典在线学习算法更新字典D，具体地，依据预训练字典D，求解对应的稀疏特征C，通过D与C计算重构误差ΔD＝2(Xnew-D*C)，快速更新最新字典D’＝D。其中，Xnew指新用户QT波形。
将经过预处理的心电信号采用用于稀疏表示的区分字典学习算法生成稀疏特征；
其中，J(D,C)是求解后的字典D和稀疏特征C，Verif(Xi,Xj,D,Ci,Cj)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间。
Xi与Xj分别表示第i个和第j个QT波，Ci和Cj分别表示与Xi和Xj相对应的稀疏特征。其中，i≠j。
其中，dm是设定的不同类之间的最小距离，label(Xi)表示Xi的类别编号。
s.t.||dj||＝1,1≤j≤l
其中，X＝(X1,X2,...,Xn)表示n个QT波；D＝(d1,d2,...,dl)表示字典的维数，l为大于1的任意数值；表示稀疏特征。
步骤204，从生成的稀疏特征中评估出最优稀疏特征模板。
具体地，采用留一法，逐个通过阈值判别，从而剔除异常值。
其中，C1＝(C11,C12,...,C1n)；f(C1i,C1j)是特征C1i与特征C1j的间距计算；表示当特征C1i与特征C1j的间距小于预设阈值prothd时取1，否则取0。Prothd的取值常取n个稀疏特征的平均值mean(f(C1i,C1j))。i取值为1到n。j取值为1到n，且i≠j。
当上式条件满足时，第i个样本被选为优质稀疏特征；不满足时，第i个样本即为异常值，被提出。最终选出最优稀疏特征模板F＝(F1,F2,...,Fnl)，其中nl≤n。
步骤205，基于最优稀疏特征模板搜索出最佳阈值。
在本具体实施方式中，步骤201所述的心电信号的采集时长为20-30s。
在本具体实施方式中，步骤204中最佳阈值的搜索过程是采用欧式距离进行搜索，搜索过程包括：
任意从最优特征模板F中抽取子集S，剩余特征模块为FcS；
以S为训练集，FcS和protrdata为测试集搜索阈值thd1；
以FcS为训练集，S和protrdata为测试集搜索阈值thd2；
计算训练集中两两欧氏距离的最大最小值maxthd，minthd。设置搜索次数iternum，则遍历阈值此处i取值从1到iternum，从而获得FRR＝{frr1,frr2,...,frriternum}和FAR＝{far1,far2,...,fariternum}。由FRR和FAR可以得到|FAR-FRR|＝{|far1-frr1|，|far2-frr2|，...,|fariternum-frriternum|}，取frr与far差值绝对值最小所对应的第i个阈值为搜索到的最合适阈值，即thd1和thd2。
基于thd1和thd2获取最佳阈值Best_thd：
其中，Num(x)表示x的个数。
本发明提供了一种基于心电信号的身份认证方法，如图2所示，包括以下步骤：
步骤101，用处理装置对采集来的心电信号进行预处理，检测R波位置，截取m个QT波形，在本具体实施方式中，QT波的个数为16个。
需要说明的是，在本具体实施方式中，QT波形的截取通过采样点数划分法。具体地，获取采样频率fHz，QT波长t取0.32-0.44秒；QRS波长为0.1秒。QT采样个数num＝[f*t]，其中[]为取整函数。QRS采样个数num_QRS＝[f*0.1]。以每个R波为中心点，向前取[(num_QRS-1)/2]个点，向后取(num-1-[(num_QRS-1)/2])个点，包括R波中心点构成QT波。
采样频率f取决于所使用心电采集设备自身的频率，优选地，f＝125Hz，num＝[125*0.4]＝50，num_QRS＝[125*0.1]＝12。
步骤102，将步骤301中处理过的心电信号采用用于稀疏表示的区分字典学习算法，生成m个稀疏测试特征C2。
其中，用于稀疏表示的区分字典学习算法包括：
其中，J(D,C)是求解后的字典D和稀疏特征C，Verif(Xi,Xj,D,Ci,Cj)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间。
Xi与Xj分别表示第i个和第j个QT波，Ci和Cj分别表示与Xi和Xj相对应的稀疏特征。其中，i≠j。
其中，dm是设定的不同类之间的最小距离，label(Xi)表示Xi的类别编号。
s.t.||dj||＝1,1≤j≤l
其中，X＝(X1,X2,...,Xn)表示n个QT波；D＝(d1,d2,...,dl)表示字典的维数，l为大于1的任意数值；表示稀疏特征。
判读认证过程是否在本地进行，如果认证过程不是在本地进行，则需要对稀疏特征C2进行压缩，被压缩的数据倍数不小于8倍。
步骤103，如果认证过程是在本地进行，直接调用稀疏测试特征C2＝{C21,C22,...,C2m}。
生成的稀疏特征基于最佳阈值进行初步认证，当时，样本C2j完成初步认证。之后步骤104，基于最高熵投票完成认证。
在本具体实施方式中，步骤104中所述的最佳阈值的搜索过程是采用欧式距离进行搜索，具体地，搜索过程包括：
任意从最优特征模块F中抽取子集S，剩余特征模块为FcS；
以S为训练集，FcS和protrdata为测试集搜索阈值thd1；
以FcS为训练集，S和protrdata为测试集搜索阈值thd2；
计算训练集中两两欧氏距离的最大最小值maxthd，minthd。设置搜索次数iternum，则遍历阈值此处i取值从1到iternum，从而获得FRR＝{frr1,frr2,...,frriternum}和FAR＝{far1,far2,...,fariternum}。由FRR和FAR可以得到|FAR-FRR|＝{|far1-frr1|，|far2-frr2|，...,|fariternum-frriternum|}，取frr与far差值绝对值最小所对应的第i个阈值为搜索到的最合适阈值，即thd1和thd2。
基于thd1和thd2获取最佳阈值Best_thd：
其中，Num(x)表示x的个数。
在本具体实施方式中，步骤104是以频率作为所述最高熵投票认证基准，当满足时，即该个体认证通过。否则，认证失败。
其中，Fi表示第i个最优稀疏特征模块；C2j表示第j个待认证样本；i取值为1到nl。j取值为1到m。f(Fi,C2j)是特征Fi与特征C2j的间距计算；表示当特征Fi与特征C2j的间距小于最佳阈值Best_thd时取1，否则取0。
在本具体实施方式中，步骤104也可以以信息熵作为所述最高熵投票认证基准。
同时本发明提供了一种基于心电信号的身份认证系统，基于心电信号的身份认证系统，如图3所示，包括注册模块301和认证模块302；
其中，所述注册模块301包括，
负样本预收集与预处理模块，用于预训练字典D和生成预存负样本的稀疏特征；
模板心电信号采集模块，用于采集模板心电信号；
预处理与截取QT波模块，用于对心电信号进行滤波处理并截取n个QT波形；
提取初步心电特征模块，用于提取被截取的QT波形的时域或者频域特征；
评估最佳心电模块，用于设定评估最佳心电的标准，采用留一法从被提取的初步心电特征中剔除异常心电模块；
最佳阈值搜索模块，基于最佳心电模块中的最佳心电特征，用于设定搜索阈值范围和搜索精度，以评估出的最佳心电模块的数据的认假率FAR和拒真率FRR差值的绝对值为衡量标准，选取绝对值最小者所对应的阈值为最佳阈值；
其中，所述认证模块302包括，
认证心电信号采集模块，用于采集心电信号；
预处理与截取QT波模块，用于对心电信号进行滤波处理并通过采样点数划分截取n个QT波形；
多个心电特征提取与数据处理模块，将截取的QT波采用用于稀疏表示的区分字典学习算法生成稀疏特征；将稀疏特征进行压缩处理并传输到第三方认证设备；
模板匹配模块，得到的时域或频域特征与最佳心电模块进行匹配，得到初步认证结果；
投票模块，根据初步认证结果，基于最大频率或信息熵进行投票，完成认证。
本发明还提供了一种远程动态医疗中心电身份实时认证方法，包括采用上述任一身份注册方法进行注册和采用上述任一身份认证方法进行认证。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于心电信号的身份认证方法，其特征在于，包括以下步骤：
S1、使用认证心电信号采集模块采集心电信号的步骤；
S2、在预处理与截取QT波模块中将采集的心电信号进行预处理，检测R波位置，截取QT波的步骤；
S3、将截取的QT波在多个心电特征提取与数据处理模块中采用用于稀疏表示的区分字典学习算法生成稀疏特征的步骤；
S4、生成的稀疏特征基于最佳阈值在模板匹配模块中进行模糊匹配，完成初步认证，之后基于最高熵投票，完成认证的步骤；
在步骤S3中所述的用于稀疏表示的区分字典学习算法包括：
其中，J(D,C)是求解后的字典D和稀疏特征C，Verif(Xi,Xj,D,Ci,Cj)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间；
Xi与Xj分别表示第i个和第j个QT波，Ci和Cj分别表示与Xi和Xj相对应的稀疏特征。其中，i≠j；
其中，dm是设定的不同类之间的最小距离，label(Xi)表示Xi的类别编号；
s.t.||dj||＝1,1≤j≤l
其中，X＝(X1,X2,...,Xn)表示n个QT波；D＝(d1,d2,...,dl)表示字典的维数，l为大于1的任意数值；表示稀疏特征；T表示矩阵的转置。
2.如权利要求1所述的方法，其特征在于，在步骤S4中的所述的初步认证之前对步骤S3中所述的稀疏特征在所述多个心电特征提取与数据处理模块中进行压缩处理并传输到第三方认证设备，再解压为步骤S3中所述的稀疏特征。
3.如权利要求1所述的方法，其特征在于，在步骤S4中所述的最佳阈值的搜索过程是采用欧式距离进行搜索，所述的最高熵投票是以频率作为判断基础。
4.一种基于心电信号的身份注册方法，其特征在于，包括以下步骤：
a、预存负样本于负样本预收集与预处理模块的步骤；
b、在预处理与截取QT波模块中将采集的作为负样本的心电信号进行预处理，检测R波位置，截取QT波的步骤；
c、将截取的QT波在初步心电特征模板提取模块中采用用于稀疏表示的区分字典学习算法生成稀疏特征模板的步骤；
d、基于稀疏特征模板在最佳心电特征评估模块中评估出最优稀疏特征模板的步骤；
e、基于最优稀疏特征模板在最佳阈值搜索模块中搜索出最佳阈值的步骤；
在步骤c中所述的采用用于稀疏表示的区分字典学习算法包括：
其中，J(D,C)是求解后的字典D和稀疏特征C，Verif(Xi,Xj,D,Ci,Cj)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间；
Xi与Xj分别表示第i个和第j个QT波，Ci和Cj分别表示与Xi和Xj相对应的稀疏特征。其中，i≠j；
其中，dm是设定的不同类之间的最小距离，label(Xi)表示Xi的类别编号；
s.t.||dj||＝1,1≤j≤l，其中，X＝(X1,X2,...,Xn)表示n个QT波；D＝(d1,d2,...,dl)表示字典的维数，l为大于1的任意数值；表示稀疏特征；T表示矩阵的转置。
5.如权利要求4所述的方法，其特征在于，在步骤b中所述的心电信号进行预处理之前更新字典，在步骤e中所述的最佳阈值的搜索过程是采用欧式距离进行搜索。
6.如权利要求4所述的方法，其特征在于，在步骤c中所述的最优稀疏特征模板是采用留一法获得的，判别式为其中，C1＝(C11,C12,...,C1n)；f(C1i,C1j)是特征C1i与特征C1j的间距计算；表示当特征C1i与特征C1j的间距小于预设阈值prothd时取1，否则取0；Prothd的取值常取n个稀疏特征的平均值mean(f(C1i,C1j))；i取值为1到n。j取值为1到n，且i≠j。
7.一种基于心电信号的身份认证系统，包括注册模块和认证模块，其特征在于，所述注册模块包括，
负样本预收集与预处理模块，用于预训练字典D和生成预存负样本的稀疏特征；
模板心电信号采集模块，用于采集模板心电信号；
预处理与截取QT波模块，用于对心电信号进行滤波处理并截取QT波形；
提取初步心电特征模块，用于提取被截取的QT波形的时域或者频域特征；
评估最佳心电模块，用于设定评估最佳心电的标准，采用留一法从被提取的初步心电特征中剔除异常心电模块；
最佳阈值搜索模块，基于最佳心电模块中的最佳心电特征，用于设定搜索阈值范围和搜索精度，以评估出的最佳心电模块的数据的认假率FAR和拒真率FRR差值的绝对值为衡量标准，选取绝对值最小者所对应的阈值为最佳阈值；所述认证模块包括，
认证心电信号采集模块，用于采集心电信号；
预处理与截取QT波模块，用于对心电信号进行滤波处理并通过采样点数划分截取QT波形；
多个心电特征提取与数据处理模块，将截取的QT波采用用于稀疏表示的区分字典学习算法生成稀疏特征；将稀疏特征模板进行压缩处理并传输到第三方认证设备；
模板匹配模块，得到的时域或频域特征与最佳心电模块进行匹配，完成初步认证；
投票模块，根据初步认证结果，基于最大频率或信息熵进行投票，完成认证；用于稀疏表示的区分字典学习算法包括：
其中，J(D,C)是求解后的字典D和稀疏特征C，Verif(Xi,Xj,D,Ci,Cj)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间；
Xi与Xj分别表示第i个和第j个QT波，Ci和Cj分别表示与Xi和Xj相对应的稀疏特征。其中，i≠j；
其中，dm是设定的不同类之间的最小距离，label(Xi)表示Xi的类别编号；
s.t.||dj||＝1,1≤j≤l
其中，X＝(X1,X2,...,Xn)表示n个QT波；D＝(d1,d2,...,dl)表示字典的维数，l为大于1的任意数值；表示稀疏特征；T表示矩阵的转置。
8.一种远程动态医疗中心电身份实时认证方法，其特征在于，采用如权利要求4-6中任一项所述的身份注册方法和如权利要求1-3任一项所述的身份认证方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610878696.7A CN107888552B (zh) | 2016-09-30 | 2016-09-30 | 一种基于心电信号的身份认证方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610878696.7A CN107888552B (zh) | 2016-09-30 | 2016-09-30 | 一种基于心电信号的身份认证方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107888552A CN107888552A (zh) | 2018-04-06 |
| CN107888552B true CN107888552B (zh) | 2019-11-12 |
Family
ID=61769712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610878696.7A Active CN107888552B (zh) | 2016-09-30 | 2016-09-30 | 一种基于心电信号的身份认证方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107888552B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108649961B (zh) * | 2018-05-08 | 2019-04-02 | 北京理工大学 | 一种基于边信息先验的多导联心电信号重构估计方法 |
| CN109875570B (zh) * | 2019-01-30 | 2020-08-18 | 华南理工大学 | 一种运动前后心电信号身份识别的有效方法 |
| CN111150387B (zh) * | 2020-01-15 | 2021-06-08 | 深圳市邦健科技有限公司 | 心电图模板匹配方法、装置、计算机设备及存储介质 |
| 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104055522A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种心律失常情况下心电信号身份识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3056138B1 (en) * | 2015-02-11 | 2020-12-16 | Samsung Electronics Co., Ltd. | Electrocardiogram (ecg)-based authentication apparatus and method thereof, and training apparatus and method thereof for ecg-based authentication |
-
2016
- 2016-09-30 CN CN201610878696.7A patent/CN107888552B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104055522A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种心律失常情况下心电信号身份识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Practical Human Authentication Method Based on Piecewise Corrected Electrocardiogram;Yue Zhang et al.;《2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS)》;20160828;正文第II-III节 * |
| 字典学习模型、算法及其应用研究进展;练秋生等;《自动化学报》;20150228;第41卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107888552A (zh) | 2018-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Encoding local image patterns using Riesz transforms: With applications to palmprint and finger-knuckle-print recognition | |
| Kong et al. | Palmprint feature extraction using 2-D Gabor filters | |
| Wayman et al. | An introduction to biometric authentication systems | |
| CN101093538B (zh) | 一种基于小波变换过零表示的虹膜识别方法 | |
| CN107888552B (zh) | 一种基于心电信号的身份认证方法及系统 | |
| CN108460318B (zh) | 基于心电信号的身份认证/识别方法及设备 | |
| CN108776788A (zh) | 一种基于脑电波的识别方法 | |
| CN101421744A (zh) | 电-生物身份识别方法和设备 | |
| CN101773394A (zh) | 身份识别方法及应用该方法的身份识别系统 | |
| CN110008674B (zh) | 一种高泛化性的心电信号身份认证方法 | |
| CN101604376A (zh) | 基于hmm-svm混合模型的人脸识别方法 | |
| CN107980151A (zh) | 一种基于心电认证的门禁系统及其认证方法 | |
| CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
| CN100557623C (zh) | 基于各向异性双树复小波包变换的人脸识别方法 | |
| CN105184254A (zh) | 一种身份认证方法及系统 | |
| CN116861217B (zh) | 用于移动终端的身份识别方法及系统 | |
| CN109840451A (zh) | 一种基于心电身份识别的智能支付可穿戴环及其支付方法 | |
| Abuqadumah et al. | Personal authentication application using deep learning neural network | |
| Jusman et al. | Performances of proposed normalization algorithm for iris recognition. | |
| Mohammed et al. | Recognition of human Iris for biometric identification using Daugman’s method | |
| CN104809450A (zh) | 基于在线极限学习机的腕部静脉认证系统 | |
| Chang et al. | Using empirical mode decomposition for iris recognition | |
| Sun et al. | A practical cross-domain ECG biometric identification method | |
| KR20040028854A (ko) | 가변 임계치을 이용한 실시간 홍채패턴 검증 시스템 | |
| CN106650685A (zh) | 一种基于心电图信号的身份识别方法及装置 |
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 |