CN107980151A - 一种基于心电认证的门禁系统及其认证方法 - Google Patents

一种基于心电认证的门禁系统及其认证方法 Download PDF

Info

Publication number
CN107980151A
CN107980151A CN201780002092.9A CN201780002092A CN107980151A CN 107980151 A CN107980151 A CN 107980151A CN 201780002092 A CN201780002092 A CN 201780002092A CN 107980151 A CN107980151 A CN 107980151A
Authority
CN
China
Prior art keywords
electrocardio
control system
access control
certification
feature
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.)
Granted
Application number
CN201780002092.9A
Other languages
English (en)
Other versions
CN107980151B (zh
Inventor
张跃
肖志博
雷夏飞
张拓
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.)
SHENZHEN YANSHANG TECHNOLOGY Co Ltd
Shenzhen Graduate School Tsinghua University
Original Assignee
SHENZHEN YANSHANG TECHNOLOGY Co Ltd
Shenzhen Graduate School Tsinghua 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 SHENZHEN YANSHANG TECHNOLOGY Co Ltd, Shenzhen Graduate School Tsinghua University filed Critical SHENZHEN YANSHANG TECHNOLOGY Co Ltd
Publication of CN107980151A publication Critical patent/CN107980151A/zh
Application granted granted Critical
Publication of CN107980151B publication Critical patent/CN107980151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07CTIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00Individual registration on entry or exit
    • G07C9/00174Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00563Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于心电认证的门禁系统的认证方法,包括对预处理过的心电信号采用自相关变换算法进行特征提取,获取心电自相关序列,再通过正交多项式拟合回归对心电自相关序列进行降维,生成特征模板,之后选择和评估出心电最优特征模板,获取最佳阈值,用户基于心电最优特征模板,最佳阈值进行身份认证,该认证方法安全性高,同时识别准确度高、认证存储信息小。

Description

一种基于心电认证的门禁系统及其认证方法
技术领域
本发明涉及身份认证技术领域,具体涉及一种基于心电认证的门禁系统及其认证方法。
背景技术
本项研究工作得到了中国国家自然科学基金资助(项目批准号:61571268)。
随着电子技术的发展,日常生活用品的品质也在不断提升,门禁系统在向着高科技化、智能化方向发展。传统的门禁系统有机械锁式的、密码式的、卡片式的等等。然而这些门禁系统存在一定的缺点:机械锁式的门禁系统由钥匙来控制,但是钥匙容易携带,数量多了携带也不方便;密码式的门禁系统密码容易泄露、安全性差;卡片式的门禁系统由于卡片容易被复制、窃取,安全性也不高。近年来,生物特征识别技术被应用到了门禁系统上,其主要利用人体的生理或行为特征,自动实现对个人身份的识别和认证,进行控制门禁系统的开关。
目前应用到门禁系统上的生物特征识别方法主要有指纹、人脸、语言,这些方式相比传统的门禁系统在安全性上有了很大的提高,但还是存在被模仿、复制、窃取或盗用的危险。
发明内容
为了解决现有技术识别安全性低的问题,本发明提出一种基于心电认证的门禁系统及其认证方法。
本发明的技术问题通过以下的技术方案予以解决:
一种基于心电认证的门禁系统的认证方法,包括心电注册和心电认证步骤,心电注册步骤包括:S11、将门禁系统调至心电注册状态;S12、通过心电采集设备采集注册者的心电信号并进行预处理,检测R波位置,截取QT波段;S13、将截取的QT波段采用自相关变换算法进行特征提取,获取心电自相关序列;S14、将获取的心电自相关序列通过正交多项式拟合回归进行降维,生成特征模板;S15、从生成的特征模板中选择和评估出心电最优特征模板;S16、从心电最优特征模板中获取最佳阈值;心电认证步骤包括:S21、将门禁系统调至心电注册状态;S22、通过心电采集设备采集测试者的心电信号并进行预处理,检测R波位置,截取QT波段;S23、将截取的QT波段采用自相关变换算法进行特征提取,获取心电自相关序列;S24、将获取的心电自相关序列通过正交多项式拟合回归进行降维,生成特征模板;S25、将生成的特征模板与心电最优特征模板进行特征比对,根据最佳阈值完成认证,若认证通过,则门锁器打开,若认证失败,则门锁器维持关闭状态。
本发明与现有技术对比的有益效果包括:本发明提出了一种基于心电认证的门禁系统及其认证方法。该方法对预处理过的心电信号采用自相关变换算法进行特征提取,获取心电自相关序列,再通过正交多项式拟合回归对心电自相关序列进行降维,生成特征模板,之后选择和评估出心电最优特征模板,获取最佳阈值,用户基于心电最优特征模板,最佳阈值进行身份认证,该认证方法安全性高,同时识别准确度高、认证存储信息小。
附图说明
图1是心电用户进行注册的流程图。
图2是心电用户进行认证的流程图。
图3是本发明具体实施方式中的一种门禁系统的结构框图。
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。
一种基于心电认证的门禁系统的认证方法,包括心电注册和心电认证步骤,如图1所示,所述心电注册步骤包括:
步骤201,将门禁系统调至心电注册状态;
步骤202,通过心电采集设备采集注册者的心电信号并进行预处理,检测R波位置,截取QT波段;
步骤203,将截取的QT波段采用自相关变换算法进行特征提取,获取心电自相关序列;
步骤204,将获取的心电自相关序列通过正交多项式拟合回归进行降维,生成特征模板;
步骤205,从生成的特征模板中选择和评估出心电最优特征模板;
步骤206,从心电最优特征模板中获取最佳阈值,完成用户注册,若用户注册失败则重新注册。
在本具体实施方式中,取注册时特征模板向量两两之间的最小距离为(thd_down),最大距离为(thd_up),那么阈值的取值范围为(thd_down,thd_up),迭代次数为iternum,则变化的步长为阈值的取值为其中i=1,2,...,iternum。
错误接受率(FAR)与错误拒绝率(FRR)都是阈值的函数,在门禁系统中,发生错误接受和错误拒接的代价是不同的,假设发生错误接受的代价为cost1,发生错误拒绝的代价为cost2(cost1>cost2),首先根据FAR和FRR做出ROC曲线,再根据ROC曲线做出代价曲线,选择使得总体代价最小所对应的阈值为最佳阈值best_thd。
如图2所示,所述心电认证步骤包括:
步骤301,将门禁系统调至心电认证状态;
步骤302,通过心电采集设备采集测试者的心电信号并进行预处理,检测R波位置,截取QT波段;
步骤303,将截取的QT波段采用自相关变换算法进行特征提取,获取心电自相关序列;
步骤304,将获取的心电自相关序列通过正交多项式拟合回归进行降维,生成特征模板;
步骤305,将生成的特征模板与心电最优特征模板进行特征比对,根据最佳阈值完成认证,当则认证通过,否则认证不通过。
如果用户通过认证,则门禁系统的开关打开,若认证失败,则门禁系统的开关维持关闭状态。优选地,若认证失败,发出警报。
在本具体实施方式中,步骤203或步骤303中所述的自相关变换算法的公式为其中,x[i]表示心电序列,N表示心电序列的长度,x[i+m]表示对心电序列平移m个序列后的心电序列,m=0,1,2,...,M-1,M<<N,Rxx[m]表示心电信号自相关序列,Rxx[0]表示心电序列的能量。
需要说明的是,不同个体之间自相关序列Rxx[m]具有明显的差异性,可作为个体心电信号的固有特征。由于QRS波群是心电信号在不同种测试环境下变化最小最稳定的成分,所以m的取值接近QRS波的长度,心电序列x[i]经过自相关处理后的自相关序列Rxx[m]仍是高维信号,需要进行降维处理。
在本具体实施方式中,步骤204或步骤304中所述的通过正交多项式拟合回归进行降维,生成特征模板是通过用多项式近似表示心电自相关序列,得出用特征模板表示所述心电自相关序列。
具体地,所述多项式为a0+a1f1(xi)+a2f2(xi)+...+akfk(xi)=ATFi≈Rxx[i]。其中A表示特征模板,且上述多项式中,A=(a0,a1,a2,...,ak)T,Fi=(1,f1(xi),f2(xi),...,fk(xi))T,i=0,1,2,3,...,M-1,其中1,f1(xi),f2(xi),...,fk(xi)分别是x的0次,1次,2次,...,k次正交多项式,其中f为心电信号的采样频率。
特征模板的计算公式为:
其中,λ,α∈(0,1),λ,α为正则化系数,为求解后的向量A和Fi,得到的特征模板为A=(a0,a1,a2,...,ak)T,k<<M,采取n个模板生成n个特征模板A1,A2,...,An,10≤n≤20。
在本具体实施方式中,步骤205中所述的心电最优特征模板是采用留一法获得的,判别式为其中D(Ai,Aj)表示特征向量Ai和特征向量Aj之间的距离度量;表示当特征Ai与特征Aj的间距小于预设阈值THD时取1,否则取0;THD的取值为n个特征向量之间距离的平均值,i,j取值为1到n,i≠j。
当上式条件满足时,第i个特征模板被选为优质特征模板;不满足时,第i个模板即为异常值,被剔除。最终选出最优特征模板,A1,A2,...,Anl,其中nl≤n。
在本具体实施方式中,步骤202或302中所述的截取QT波段是以所述R波左侧90毫秒内的最小值点为Q波点,所述R波右侧300毫秒以内最大值点为T波峰值点,以所述T波峰值点右侧一阶差分首次由负到正的位置为所述T波形截止点,再通过波形矫正生成固定长度的所述QT波段。
在本具体实施方式中,步骤202或302中所述预处理包括:对心电信号进行滤波处理,采集用户一定时长的心电信号,采用合适的滤波器滤出工频干扰、基线漂移及肌电干扰等噪声。优选地,对工频50Hz的频率点进行陷波,除去波形中50Hz工频干扰;使用截止频率40Hz的巴特沃斯低通滤波器滤除肌电干扰;使用大于1Hz的高通滤波器消除基线漂移。
在一些实施例中,在步骤203或步骤303中所述特征提取还包括采用用于稀疏表示的区分字典学习算法获取,具体地,
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。
在另一些实施例中,在步骤203或步骤303中所述特征提取包括以下步骤:
C1:确定截取心电信号上至少包括一个心电信息的窗口长度,窗口长度大于一个心拍长度,确保每个窗口至少包含一个心拍的完整信息。正常人的心跳在60-100次/分钟,特殊人群一般也在40次/分钟以上,因此窗口长度选择1-2秒以上,即可确保窗口中至少包含一个心拍的完整信息,这里一个心拍的完整信息,不局限于同一个心拍,也包含两个心拍的不同部分能够组合成一个心拍的完整信息。窗口d固定之后,训练和测试时窗口长度不再变化。
C2:根据确定好的窗口长度,滑动窗口,从心电信号的任意位置截取对应长度的心电窗口,截取心电窗口过程中,对窗口的起始点位置没有任何限制,在实时测试阶段尤为重要。
C3:将所述心电窗口划分为多个的定长片段,得到多个所述特征片段,每个心电窗口划分为n个任意定长片段,其中n大于或等于1,假设由窗口d截取的心电窗口为x,任意定长划分为n个特征片段{x1,x2,...,xn},任意定长片段指片段长度小于心电窗口长度且固定。
特征片段通过全自动特征提取层包括两个阶段:卷积层和最大池层;其中:包括以下步骤:
A21:通过多个所述卷积层对所述特征片段进行并行卷积,得到多个向量值,此处为多个1×m维向量值。其中卷积层个数为n,每个卷积层层数大于1,卷积核K为一维卷积核;n个特征片段{x1,x2,...,xn}通过卷积层后生成n个向量{c1,c2,...,cn},其中:
其中i取值范围为[1,n],l为卷积层数,b为偏置,初始值可置零。
n个向量{c1,c2,...,cn}直接生成矩阵A=[c1,c2,...,cn]m×n
A22:多个所述向量值通过所述最大池层生成深度融合特征。最大池核尺寸为1×n,最大池核作用于矩阵A后生成深度融合特征DeepFusionFeature=[f1,f2,...fm]T。最大池核作用于矩阵A:
fi=max(ci1,ci2,...,cin);
A23:所述深度融合特征通过所述全连接层进行训练分类,输出分类判断结果,根据分类判断结果抽取所述全自动特征提取层作为所述特征提取器。
在某些实施例中,基于心电认证的门禁系统的认证方法中特征提取的方法不同,包括:首先检测心电信号中各个基准点以提取出准周期性的心搏作为原始心电特征。心电信号是一种准周期的信号,但并不是整个心搏周期中的成分都具有特异性,其中每个心搏周期中的P波、QRS波群和T波包含了大部分的心电特异性信息。本发明实施例从连续的心电信号中截出各个心搏周期中的波段作为原始的心电特征。为此,要定位出心搏的基准点。此外,在后续的波形矫正环节,还需要进一步对P波和T波进行处理。因此,需要定位出这些波形的关键位置,将这些点统称为基准点。本发明实施例针对每个心搏检测的基准点包括:P波起点(Ps)和P波终点(Pe),R波峰(R),J波起点(J),T波峰(Tp)和T波终点(Te),共计6类基准点。
其中,心电信号总体比较缓和,R波为最尖锐的部分。R波位于信号二阶差分的极小值位置,并且一阶差分为0。本发明实施例用原信号的二阶差分信号的极小值确定R波的粗略位置。定位出R波的粗略位置后,再根据R波幅值处于极大值位置这一特点,其一阶导数为0,在离散情况下,即一阶差分信号最接近于零的那一个,据此定位精确的R波峰位置。
进一步地,以各R波左侧160-180毫秒范围内一处优选如170毫秒处为P波起点Ps;以各R波左侧80-100毫秒范围内一处优选如90毫秒处为P波终点Pe;以各R波峰右侧80-100毫秒范围内一处优选如90毫秒处为J波起点(J);以各R波峰(R)右侧一段区域内的最大值为T波峰(Tp),该段区域从J波起点开始到2/3个当前RR间期(即相邻两个R波峰之间的时长)处截止;以T波峰(Tp)右侧一阶差分信号首次由负到正的位置为T波终点(Te)。
由于心率的变化,各个准周期内的心搏并不相同,因此本发明实施例提出了一种分段波形矫正的方法来消除心率变异的影响,矫正的基本方法是对原心搏信号进行分段重采样,具体的,对P波段进行上采样,经过上采样后延长P波段时长,统一为460-500毫秒,优选如480毫秒;对于QRS波段保持不变,例如长180毫秒;对于T波段,分别对其中J-Tp段和Tp-Tp段进行下采样,使得重采样后两小段各时长统一为10-20毫秒,优选如15毫秒。最终,矫正后的心搏总长基本一致,例如为690毫秒。由于人在不同时间和经过不同运动后心率是不一样的,而这心率的差异不应该成为衡量人身份特征的标准。本发明以QRS波段为基准,生成一种方便检测的信号,心搏周期长度一致,从而消除心率变异带来的差异。
波形矫正后的信号X,对X进行特征提取和特征重组,重组后特征F:
F=λ1×PCA(X)+λ2×LDA(X)+λ3×DCT(X)
其中,λ123是特征重组系数,取值范围均为[0,1],且满足λ123=1。PAC(X)是对波形后的信号X进行PCA降维,LDA是对波形后的信号X进行线性判别分析降维,DCT是对波形后的信号X进行离散余弦变换。
同时本发明还提供了采用上述任一认证方法的基于心电认证的门禁系统,如图3所示,包括电源供给装置101,连接主控制器106;心电采集设备102用来采集用户的心电信号,并传输到所述主控制器106;所述主控制器106对采集的心电信号进行预处理、特征提取、降维、生成特征模板、获取最佳阈值,进行心电注册或认证,并将所有数据储存在存储器105;按键103连接所述主控制器106,用来设定、更定门禁系统的工作状态;门锁器104连接所述主控制器106,用来打开门禁系统的开关或维持门禁系统关闭状态。
进一步地,所述心电采集设备102是通过双电极进行心电信号采集。
更进一步地,还包括传输装置107,用于将智能可穿戴设备采集的心电信号传输给主控制器106。优选地,所述传输装置107包括蓝牙或WIFI。
优选地,基于心电认证的门禁系统还包括报警器108,所述报警器108连接所述主控器,如果用户认证失败,则会发出警报。
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 (10)

1.一种基于心电认证的门禁系统的认证方法,包括心电注册和心电认证步骤,其特征在于,所述心电注册步骤包括:
S11、将门禁系统调至心电注册状态;
S12、通过心电采集设备采集注册者的心电信号并进行预处理,检测R波位置,截取QT波段;
S13、将截取的QT波段采用自相关变换算法进行特征提取,获取心电自相关序列;
S14、将获取的心电自相关序列通过正交多项式拟合回归进行降维,生成特征模板;
S15、从生成的特征模板中选择和评估出心电最优特征模板;
S16、从心电最优特征模板中获取最佳阈值;
所述心电认证步骤包括:
S21、将门禁系统调至心电认证状态;
S22、通过心电采集设备采集测试者的心电信号并进行预处理,检测R波位置,截取QT波段;
S23、将截取的QT波段采用自相关变换算法进行特征提取,获取心电自相关序列;
S24、将获取的心电自相关序列通过正交多项式拟合回归进行降维,生成特征模板;
S25、将生成的特征模板与心电最优特征模板进行特征比对,根据最佳阈值完成认证的步骤,若认证通过,则门禁系统的开关打开,若认证失败,则门禁系统的开关维持关闭状态。
2.如权利要求1所述的基于心电认证的门禁系统的认证方法,其特征在于,在步骤S13或步骤S23中所述的自相关变换算法的公式为其中,x[i]表示心电序列,N表示心电序列的长度,x[i+m]表示对心电序列平移m个序列后的心电序列,m=0,1,2,...,M-1,M<<N,Rxx[m]表示心电信号自相关序列,Rxx[0]表示心电序列的能量。
3.如权利要求1所述的基于心电认证的门禁系统的认证方法,其特征在于,在步骤S14或步骤S24中所述的通过正交多项式拟合回归进行降维生成特征模板是通过用多项式近似表示心电自相关序列,得出用特征模板表示的所述心电自相关序列。
4.如权利要求3所述的基于心电认证的门禁系统的认证方法,其特征在于,所述多项式为a0+a1f1(xi)+a2f2(xi)+...+akfk(xi)=ATFi≈Rxx[i],其中A表示特征模板,所述多项式中A=(a0,a1,a2,...,ak)T,Fi=(1,f1(xi),f2(xi),...,fk(xi))T,i=0,1,2,3,...,M-1,其中1,f1(xi),f2(xi),...,fk(xi)分别是x的0次,1次,2次,...,k次正交多项式,其中f为心电信号的采样频率。
5.如权利要求1所述的基于心电认证的门禁系统的认证方法,其特征在于,在步骤S15中所述的心电最优特征模板是采用留一法获得的,判别式为其中D(Ai,Aj)表示特征向量Ai和特征向量Aj之间的距离度量;表示当特征Ai与特征Aj的间距小于预设阈值THD时取1,否则取0;THD的取值为n个特征向量之间距离的平均值,i,j取值为1到n,i≠j。
6.如权利要求1-5任一所述的基于心电认证的门禁系统的认证方法,其特征在于,在步骤S12或步骤S22中所述心电信号是通过有线和/或无线方式进行采集。
7.一种采用权利要求1-6任一所述认证方法的基于心电认证的门禁系统,其特征在于,包括电源供给装置,连接主控制器;心电采集设备用来采集用户的心电信号,并传输到所述主控制器;所述主控制器对采集的心电信号进行预处理、特征提取、降维、生成特征模板、获取最佳阈值,进行心电注册或认证,并将所有数据储存在存储器;按键连接所述主控制器,用来设定、更定门禁系统的工作状态;门锁器连接所述主控制器,用来打开门禁系统的开关或维持门禁系统关闭状态。
8.如权利要求7所述的基于心电认证的门禁系统,其特征在于,还包括传输装置,用于将智能可穿戴设备采集的心电信号传输给所述主控制器。
9.如权利要求8所述的基于心电认证的门禁系统,其特征在于,所述传输装置包括蓝牙或WIFI。
10.如权利要求7-9任一所述的基于心电认证的门禁系统,其特征在于,所述心电采集设备是通过双电极进行心电信号采集。
CN201780002092.9A 2017-02-22 2017-02-22 一种基于心电认证的门禁系统及其认证方法 Active CN107980151B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/074437 WO2018152711A1 (zh) 2017-02-22 2017-02-22 一种基于心电认证的门禁系统及其认证方法

Publications (2)

Publication Number Publication Date
CN107980151A true CN107980151A (zh) 2018-05-01
CN107980151B CN107980151B (zh) 2020-03-17

Family

ID=62006106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780002092.9A Active CN107980151B (zh) 2017-02-22 2017-02-22 一种基于心电认证的门禁系统及其认证方法

Country Status (2)

Country Link
CN (1) CN107980151B (zh)
WO (1) WO2018152711A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109875570A (zh) * 2019-01-30 2019-06-14 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
CN110269625A (zh) * 2019-05-31 2019-09-24 杭州电子科技大学 一种新型的多特征融合的心电认证方法及系统
WO2022027830A1 (zh) * 2020-08-07 2022-02-10 浙江大学 一种基于可穿戴设备的心电图身份认证方法
CN114469123A (zh) * 2022-01-30 2022-05-13 北京理工大学 运动过程中的心电数据分类与健康特征识别方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020053610A1 (en) 2018-09-14 2020-03-19 SOLOVEV, Sergei, Vladimirovich A method for automatic contactless authentication
RU2719023C1 (ru) * 2019-07-10 2020-04-16 Общество с ограниченной ответственностью «Компоненты и технологии 3Д» Способ регистрации электрокардиограммы водителя транспортного средства и устройство для его осуществления
CN110403599A (zh) * 2019-08-19 2019-11-05 深圳旭宏医疗科技有限公司 心电监测方法、装置、计算机设备和存储介质
CN113520403B (zh) * 2021-06-21 2024-04-02 浙江好络维医疗技术有限公司 一种基于峰谷特征的心电伪差识别方法
CN117338309B (zh) * 2023-08-21 2024-03-15 合肥心之声健康科技有限公司 一种身份识别方法及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1816303A (zh) * 2003-07-01 2006-08-09 卡迪尔马格成像公司 用于心磁图分类的机器学习的使用
CN102231213A (zh) * 2011-06-29 2011-11-02 哈尔滨工业大学深圳研究生院 Ecg门禁卡身份识别方法及系统
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
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
WO2015111569A1 (ja) * 2014-01-24 2015-07-30 日本電信電話株式会社 線形予測分析装置、方法、プログラム及び記録媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929487B (zh) * 2012-10-31 2015-07-01 广东欧珀移动通信有限公司 一种移动终端的解锁方法及装置
CN104090722A (zh) * 2014-07-08 2014-10-08 惠州Tcl移动通信有限公司 一种基于心电图的对电子设备进行解锁的方法及系统
KR102257287B1 (ko) * 2014-08-07 2021-05-27 삼성전자주식회사 지문 및 심전도 신호를 이용한 사용자 인증 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1816303A (zh) * 2003-07-01 2006-08-09 卡迪尔马格成像公司 用于心磁图分类的机器学习的使用
CN102231213A (zh) * 2011-06-29 2011-11-02 哈尔滨工业大学深圳研究生院 Ecg门禁卡身份识别方法及系统
WO2015111569A1 (ja) * 2014-01-24 2015-07-30 日本電信電話株式会社 線形予測分析装置、方法、プログラム及び記録媒体
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
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109875570A (zh) * 2019-01-30 2019-06-14 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
CN110269625A (zh) * 2019-05-31 2019-09-24 杭州电子科技大学 一种新型的多特征融合的心电认证方法及系统
WO2022027830A1 (zh) * 2020-08-07 2022-02-10 浙江大学 一种基于可穿戴设备的心电图身份认证方法
CN114469123A (zh) * 2022-01-30 2022-05-13 北京理工大学 运动过程中的心电数据分类与健康特征识别方法
CN114469123B (zh) * 2022-01-30 2024-04-09 北京理工大学 运动过程中的心电数据分类与健康特征识别方法

Also Published As

Publication number Publication date
WO2018152711A1 (zh) 2018-08-30
CN107980151B (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
CN107980151A (zh) 一种基于心电认证的门禁系统及其认证方法
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
CN104573458B (zh) 一种基于心电信号的身份识别方法、装置及系统
KR101866169B1 (ko) 개인 맞춤형 코골이 방지 시스템
Zhang et al. ECG quality assessment based on a kernel support vector machine and genetic algorithm with a feature matrix
Karimian et al. Unlock your heart: Next generation biometric in resource-constrained healthcare systems and IoT
Chamatidis et al. Using deep learning neural networks for ECG based authentication
CN108460318A (zh) 基于心电信号的身份认证/识别方法及设备
CN101773394A (zh) 身份识别方法及应用该方法的身份识别系统
Sasikala et al. Identification of individuals using electrocardiogram
CN104887263A (zh) 一种基于心音多维特征提取的身份识别算法及其系统
Wu et al. ECG biometric recognition: unlinkability, irreversibility, and security
Pinto et al. Deep neural networks for biometric identification based on non-intrusive ECG acquisitions
Zhao et al. ECG identification based on matching pursuit
Wu et al. Robust ecg biometrics using two-stage model
Safie et al. ECG biometric authentication using Pulse Active Width (PAW)
CN114638272B (zh) 一种基于指尖脉搏波信号的身份识别方法和装置
Zhang et al. Practical human authentication method based on piecewise corrected Electrocardiogram
CN107888552A (zh) 一种基于心电信号的身份认证方法及系统
Muhammed et al. CNN based off-the-person ECG biometrics
Wan et al. Research on Identification Algorithm Based on ECG Signal and Improved Convolutional Neural Network
CN116305048A (zh) 一种基于改进残差收缩网络的身份识别方法
Wu et al. Gram matrix-based convolutional neural network for biometric identification using photoplethysmography signal
CN111444489B (zh) 一种基于光电容积脉搏波传感器的双因子认证方法
CN115281676A (zh) 基于gru神经网络和ecg信号的疲劳检测方法

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