CN108323201B - 一种身份认证的方法及装置 - Google Patents

一种身份认证的方法及装置 Download PDF

Info

Publication number
CN108323201B
CN108323201B CN201680063391.9A CN201680063391A CN108323201B CN 108323201 B CN108323201 B CN 108323201B CN 201680063391 A CN201680063391 A CN 201680063391A CN 108323201 B CN108323201 B CN 108323201B
Authority
CN
China
Prior art keywords
model
motion state
sub
parameter
physiological characteristic
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
Application number
CN201680063391.9A
Other languages
English (en)
Other versions
CN108323201A (zh
Inventor
卢恒惠
黄曦
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN108323201A publication Critical patent/CN108323201A/zh
Application granted granted Critical
Publication of CN108323201B publication Critical patent/CN108323201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2133—Verifying human interaction, e.g., Captcha
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Computer Security & Cryptography (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明实施例公开了一种身份认证的方法及装置。本发明实施例方法包括：采集用户的实时PPG信号；根据实时PPG信号获取用户的第一生理特征信息；基于身份认证模型对第一生理特征信息进行分析，得到认证结果，身份认证模型是使用采集对象在不同的运动状态下的PPG信号进行训练学习后建立的。本发明实施例还提供了一种身份认证的装置。本发明实施例中考虑到用户的生理特征信息会随着不同的客观条件而发生变化的因素，用户的生理特征参数会随着用户的运动状态而改变，无论用户处于哪种运动状态，都可以与身份认证模型进行匹配，极大的提高了认证的可用性和准确性。

Description

一种身份认证的方法及装置
技术领域
本发明涉及计算机领域，尤其涉及一种基于光电容积描记信号的身份认证的方法及装
置。
背景技术
光电容积描记术(Photoplethysmography，缩写：PPG)是一种利用光电信号描述血流容积的技术。该技术通过检测经由血液和人体组织反射或透射的光线强度，描记血液容积在心动周期内的变化情况。PPG信号中包含了许多生理信息。例如，其交流变化频率可用于反映心率；其交流幅度大小对应于心输出量变化大小；其直流分量则反应了皮肤组织、静脉血流、平均动脉血流的情况等。鉴于不同人的这些生理信息各不相同，其对应的PPG也各不相同，故而可将PPG作为一种生物特征，用以识别认证用户身份。
较之于指纹、虹膜、人脸、语音等传统的生物识别认证技术，PPG信号本质上是取自体内，而非体外，故而可以避免人脸、指纹易被复制、声音可被重放等安全缺陷，具有活体特征好、不易被伪造、安全的优势。
PPG信号主要由血流变化决定，而血流变化又由人体的心血管系统调控。通常人体的身体状况不会一直稳定不变，经常处于动态变化中，如从静止到行走，从行走到跑步，此时心血管系统会产生应激反应，例如：心跳加快、每博输出量增大、血管扩张、耗氧增多导致血氧含量降低、血液中含有的乳酸量增加等等。这些改变将直接导致对光线的吸收反射情况发生改变，进而引发PPG信号发生变化。故而，因PPG信号改变导致认证失败或识别出错的问题，亟待解决。
发明内容
本发明实施例提供了一种身份认证的方法的装置，用于提高基于PPG信号的方法进行身份认证的可用性及准确性。该方法可以应用于一种身份认证的装置，该装置可以为可穿戴设备、手机、智能密码箱、门禁或者打卡机等需要确定用户身份后，才能授予使用权限的装置。
第一方面，本发明实施例提供了一种身份认证的方法，包括：采集用户的实时PPG信号，然后根据实时PPG信号获取用户的第一生理特征信息，该生理特征信息包括运动状态特征参数和身份识别特征参数，其中，运动状态特征参数可以为：该心率、呼吸率、血氧饱和度、血流峰值。身份识别特征参数可以为心率、呼吸率、心率变异性、血氧饱和度、血流峰值等生理特征信息。然后基于身份认证模型对第一生理特征信息进行分析，得到认证结果。该认证结果包括通过认证和未通过认证。身份认证模型是使用采集对象在不同的运动状态下的PPG信号进行训练学习后建立的。对于运动状态的理解，不仅仅局限于用户身体的肢体动作产生的实际运动，还涵盖了用户身体状态产生的运动变化，例如处于紧张情绪，高兴情绪等。本发明实施例中的运动状态的划分实质是考虑到人体在不同的客观条件下，人体的生理特征信息会发生变化的情况的划分。因此，本发明实施例中的运动状态可以理解为对于人体的生理特征信息发生变化的一种标识方法。例如，人体在紧张、恐惧的不同的状态下的生理特征信息是不同的，以心率这个参数为例，在紧张的状态下和轻度运动的状态下，心率值可能是相同的，在恐惧的状态下和中强度运动的状态下，心率值可能是相同的，因此，本发明实施例中的“运动状态”的实质为人体不同的情况下产生不同的生理特征信息的状况的划分，只要是用于建立的身份认证模型所获取的PPG信号区分了不同的状态均与本发明中的建立身份认证模型的实质相同。
本发明实施例中，预先通过在不同的运动状态下采集PPG信号，从多个PPG信号中的每个PPG信号中提取生理特征数据集，并对生理特征数据集进行训练学习，得到身份认证模型。在实时认证的过程中，获取对采集对象进行实时采集后得到的PPG信号，从PPG信号中提取采集对象的第一生理特征信息，然后通过身份认证模型对第一生理特征信息进行分析，得到认证结果，考虑到用户的生理特征信息会随着不同的客观条件而发生变化的因素，例如，该客观条件可以是运动状态，用户的生理特征参数会随着用户的运动状态而改变，无论用户处于哪种运动状态，即在用户处于何种运动状态下获取的PPG信号，都可以与身份认证模型进行匹配，极大的提高了认证的可用性。
在一种可能的实现方式中，第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数，身份认证模型包括多个子模型，多个子模型中的每个子模型与不同的运动状态具有对应关系，每个子模型中包括与运动状态对应的第二生理特征信息；然后基于身份认证模型对第一生理特征信息进行分析的具体方法可以为：根据第一运动状态特征参数及其参数值从多个子模型中选择目标子模型，该目标子模型对应多个第二生理特征参数，多个第二生理特征参数是在建立身份特征模型的阶段获取的。最后将第一身份识别特征参数与目标子模型中的第二生理特征信息进行匹配，得到认证结果，若实时获取的第一身份识别特征参数与目标子模型中的第二生理特征参数匹配，则认证通过，若实时获取的第一身份识别特征参数与目标子模型中的第二生理特征参数未匹配，则认证不通过。本发明实施例中，身份认证模型中包括了多个子模型，在实时认证的过程中，可以通过运动状态特征参数先确定不同运动状态对应的目标子模型，再将获取的第一身份识别特征参数与目标子模型中的第二身份识别特征参数进行匹配，得到匹配结果，极大的提高了认证的准确性，并且减少运算步骤，不需要将第一身份识别特征参数与身份模型中的所有参数及参数值进行逐一匹配，只需要与确定的目标子模型进行匹配，提高了匹配效率。
在一种可能的实现方式中，第二生理特征信息包括第二运动状态特征参数及其参数值，每个子模型与第二运动状态特征参数的参数值对应的预设区间具有对应关系；根据第一运动状态特征参数从多个子模型中选择目标子模型的方法具体可以为：每个子模型可以通过运动状态特征参数的参数值的预设区间来区分，例如，可以通过心率值的预设区间来区分不同的子模型，因此，可以先确定第一运动状态特征参数的参数值所属的目标预设区间，然后从多个子模型中确定与目标预设区间具有对应关系的目标子模型。
在一种可能的实现方式中，第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数，身份认证模型包括多个运动状态识别模型和多个子模型，多个子模型中的每个子模型与不同的运动状态具有对应关系，通过身份认证模型对第一生理特征信息进行分析的具体方法可以为：通过运动状态识别模型对第一运动状态特征参数及其参数值进行分析，确定目标运动状态，先确定用户当前的运动状态，然后，再根据用户当前所处的目标运动状态(例如，中强度运动状态)确定与目标运动状态具有对应关系的目标子模型，最后，通过目标子模型对第一生理特征信息进行分析，得到分析结果。本发明实施例中通过运动状态识别模型先对第一运动状态特征参数进行分析，先确定出运动状态，在根据用户当前的运动状态选择对应的目标子模型，确定计算的路径，提高计算的准确率。
上面是对实时认证的过程进行说明，在实时认证的过程中需要预先建立的身份认证模型对获取的生理特征参数进行分析，下面对建立身份认证模型的过程进行说明。
该身份认证模型是通过获取的用于模型训练的生理特征数据集进行训练学习后建立的。首先，获取采集对象在不同运动状态下的多个PPG信号，然后从多个PPG信号中的每个PPG信号中提取到用于模型训练的生理特征数据集；再根据用于模型训练的生理特征数据集建立身份认证模型。其中，身份认证模型也可以理解为一个关于xs和xi的函数关系。例如，该函数关系可以为：f(xs,xi)＝ya，其中，其中xs代表与运动状态相关的运动状态特征参数，xi表示与用户身份识别相关的身份识别特征参数身份识别特征参数。ya表示输出结果。
在一种可能的实现方式中，用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数；根据用于模型训练的生理特征数据集建立身份认证模型的方法还可以为：根据运动状态特征参数建立多个运动状态识别模型；根据多个运动状态识别模型中的每个运动状态识别模型对应的身份识别特征参数建立身份认证模型的子模型。
在一种可能的实现方式中，用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数；其中，根据用于模型训练的生理特征数据集建立身份认证模型的具体方法还可以为：根据运动状态特征参数及其参数值建立多个子模型，多个子模型中的每个子模型对应运动状态特征参数的参数值的预设区间，或每个子模型为根据所属运动状态特征参数的参数值建立的数据模型，每个子模型对应不同的运动状态；在每个子模型中添加身份识别特征参数及其对应的参数值；将多个子模型进行组合，建立身份认证模型。
在一种可能的实现方式中，多个子模型包括休息模型、轻度运动模型、中强度运动模型、剧烈运动模型和运动后恢复模型。
第二方面，本发明实施例提供了一种计算机存储介质，用于储存上述身份认证的装置所用的计算机软件指令，其包含用于执行上述第一方面所设计的程序。
第三方面，本发明实施例提供了一种身份认证的装置，具有实现上述方法中实际中装置所执行的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
第四方面，身份认证的装置的结构中包括存储器，收发器和处理器。其中存储器用于存储计算机可执行程序代码，并与收发器耦合。该程序代码包括指令，当该处理器执行该指令时，该指令使该装置执行上述方法中所涉及的信息或者指令。
附图说明
图1为本发明实施例中的一种身份认证的装置的一个实施例的结构示意图；
图2为本发明实施例中的一种身份认证的方法的一个实施例的步骤流程图；
图3为本发明实施例中的PPG波形信号的示意图；
图4为本发明实施例中的一种身份认证的方法的另一个实施例的步骤流程图；
图5为本发明实施例中的身份认证模型的示意图；
图6为本发明实施例中的一种身份认证的方法的另一个实施例的步骤流程图；
图7为本发明实施例中的一种身份认证的装置的另一个实施例的结构示意图；
图8为本发明实施例中的一种身份认证的装置的另一个实施例的结构示意图；
图9为本发明实施例中的一种身份认证的装置的另一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种身份认证的方法，该方法基于PPG信号实现对用户的身份认证，为了方便理解，下面首先对PPG进行简单介绍：
光学容积描记法PPG，也叫光电容积脉搏波描记法，是一种用来检测血管中的血容量变化的一种光学测量技术。通过PPG传感器获取采集对象的PPG信号，该PPG传感器的基本结构可以为：包括一个照亮组织的光源和一个用来测量与血液灌注相关的光强度变化信息的光电探测器。当一定波长的光束照射到皮肤时，由于皮肤、血液等对光的吸收或反射能力不同，且血液容积在心脏作用下呈搏动性变化，从而使得光电探测器接收到的光强度随血液容积的改变呈脉动性变化，于是得到容积脉搏血流的变化信息。PPG能够提供很多有价值的生理特征信息。例如，生理特征信息心率、动脉血氧饱和度、血压、心输出量等。
该方法应用于一种身份认证的装置，该装置可以为可穿戴设备、手机、智能密码箱、门禁或者打卡机等需要确定用户身份后，才能授予使用权限的装置。例如，该装置以手机为例，通过本发明提供的身份认证方法，可以应用于手机屏幕解锁，或者手机执行支付功能时，通过身份认证，对手机支付功能进行授权。需要说明的是，上述装置只是举例说明，而并非对本发明提供的身份认证的装置的限定性的说明。
请参阅图1所示，图1为该一种身份认证的装置100的结构示意图，该装置100包括处理器110、PPG传感器120，存储器130，收发器140(可选的)。该PPG传感器120、收发器140、该存储器130均与该处理器110耦合。该存储器130包括内部存储器131和外部存储器132，内部存储器131用于存储可执行程序指令，该可执行程序指令用于该处理器110进行调用。该收发器140可以用于接收身份认证模型，该外部存储器132用于存储该身份认证模型。该身份认证模型是通过获取多个PPG信号，进行训练学习而建立的，并且该多个PPG信号为在用户不同的运动状态下获取。由于每个用户的生理特征信息不同，因此可以通过PPG信号来区分不同的用户。但当同一个用户所处的运动状态发生变化时，如从休息状态进入运动状态，或者从运动状态进行运动后的恢复状态，这些参数的参数值也会发生变化。例如，处于运动前的休息状态时，心输出量为正常值；开始运动后，心输出量逐渐增大直到稳定在峰值；运动结束后，心输出量首先迅速降低到一个较低的水平，而后又缓慢恢复到正常水平。因此，该身份认证模型中的包括了用户不同运动状态下的生理特征信息。需要说明的是，该运动状态的划分也可以有不同的划分方式，例如，该运动状态可以为休息、运动、运动后恢复等。对于实际应用中，运动状态的具体划分方式本发明不限定。
本发明实施例中对于运动状态的理解，不仅仅局限于用户身体的肢体动作产生的实际运动，还涵盖了用户身体状态产生的运动变化，例如处于紧张情绪，高兴情绪等。本发明实施例中的运动状态的划分实质是考虑到人体在不同的客观条件下，人体的生理特征信息会发生变化的情况的划分。因此，本发明实施例中的运动状态可以理解为对于人体的生理特征信息发生变化的一种标识方法。例如，人体在紧张、恐惧的不同的状态下的生理特征信息是不同的，以心率这个参数为例，在紧张的状态下和轻度运动的状态下，心率值可能是相同的，在恐惧的状态下和中强度运动的状态下，心率值可能是相同的，因此，本发明实施例中的“运动状态”的实质为人体不同的情况下产生不同的生理特征信息的状况的划分，只要是用于建立的身份认证模型所获取的PPG信号区分了不同的状态均与本发明中的建立身份认证模型的实质相同。
当进行实时身份认证时，通过PPG传感器120采集用户的PPG信号，并将该PPG信号传输给处理器110，该处理器110接收到PPG信号后，提取该PPG信号中的第一生理特征信息，该第一生理特征信息可以理解为当前获取的生理特征信息，该处理器将第一生理特征信息与身份认证模型中的第二生理特征信息进行匹配，得到匹配结果，该匹配结果包括认证成功或认证失败。由于身份认证模型中的第二生理特征信息包括了用户在不同运动状态下的生理特征信息，因此，无论该第一生理特征信息是在何种运动状态下获取的，该装置都可以准确匹配，得到准确的认证结果。
本发明中提供的身份认证方法可以应用到如下场景中，例如身份认证装置为可穿戴设备，当用户第一次使用该可穿戴设备时，用户开机启动该可穿戴设备，该可穿戴设备提示用户为了使用的安全性，需要为用户建立身份认证模型。
建立模型阶段：用户在使用该可穿戴设备时，有意识的采集在不同状态下的PPG信号。当用户在跑步时佩戴该可穿戴设备，按压可穿戴设备的采集PPG信号的按键(当然，按键只是举例，接收用户输入的获取PPG的控制信号，可选的，用户可以对可穿戴设备进行声控，触控等等，此处只是举例说明，并不造成对本发明的限定性说明)。该可穿戴设备接收到获取PPG信号的控制信号后，采集用户当前的PPG信号，然后在采集到的PPG信号中提取运动状态特征参数的参数值。例如，提取的心率值为a1，呼吸率为b1，提取身份识别特征参数：血氧饱和度为c1，心率变异性d1，当然，心率值和呼吸率也可以作为身份识别特征参数，且也可以只提取心率值a1作为运动状态特征参数，只提取血氧饱和度c1作为身份识别特征参数，这里只是为了方便说明，此处举例并不造成对本发明的限定性说明。
可穿戴设备根据心率值a1，呼吸率b1确定对应第一运动状态，然后根据第一运动状态建立一个与该第一运动状态对应的第一子模型，该第一子模型下对应有身份识别特征参数：血氧饱和度c1，心率变异性d1。
当用户在安静的看书的时候，启动采集PPG信号的按键，可穿戴设备获取当前状态下的PPG信号。然后，可穿戴设备从PPG信号中提取的运动状态特征参数为：心率值为a2，呼吸率为b2；身份识别特征参数：血氧饱和度c2，心率变异性d2。此时，可穿戴设备确定心率值a2与a1的差异值，呼吸率b2与b1的差异值，若两次心率值的差异值大于第一预置门限，呼吸率的差异值大于第二预置门限，则可穿戴设备根据心率值a2和呼吸率b2确定第二运动状态，然后建立一个与第二运动状态对应的第二子模型，该第二子模型下对应身份识别特征参数的对应参数值，血氧饱和度c2，心率变异性d2。
同理，每次当用户主动启动获取PPG的按键时，可穿戴设备获取用户的PPG信号，然后根据PPG信号提取运动状态特征参数和身份识别特征参数，再根据运动状态特征参数及参数值确定一个运动状态，然后，根据这个运动状态建立一个对应的子模型。
还有一种可能的实现方式，可穿戴设备也可以主动获取用户的PPG信号，不需要用户的操作。例如，当用户每一次使用该可穿戴设备时，可穿戴设备可以通过PPG传感器实时获取用户的PPG信号，然后提取PPG信号中的运动状态特征参数和身份识别特征参数，当获取了大量的运动状态特征参数对应的参数值，和身份识别特征参数对应的参数值之后，可穿戴设备可以根据对应的算法(例如，神经网络算法)对大量的运动状态特征参数的数据集进行分类，得到对应的几种运动状态，然后根据不同的运动状态对应相应的身份识别特征参数。原理与上一种实现方式相似，但是不需要用户的操作，而是可穿戴设备可以主动获取用户的PPG信号。
当可穿戴设备获取了大量的PPG信号后，就得到了一个运动状态特征参数的集合，和身份识别特征参数的集合，根据相应的算法身份认证模型建立完成。该身份认证模型通过用户在不同的运动状态下获取的PPG信号进行学习训练后建立的。当可穿戴设备身份认证模型建立完成后，会发出身份认证模型建立完成的提示。
实时认证阶段：当用户再次使用该可穿戴设备时，可穿戴设备实时获取用户的PPG信号，提取PPG信号中的运动状态特征参数。例如，提取的运动状态特征参数心率为a1，身份特征参数血氧饱和度为c2。基于身份认证模型可以确定对应于运动状态特征参数心率为a1时用户处于第一运动状态，然后，确定一个运动状态应该对应第一子模型。可穿戴设备将血氧饱和度c2与第一子模型下的参数值进行匹配，第一子模型下具有对应的血氧饱和度c2，或者c2与第一子模型下的血氧饱和度的参数值之间的差异值很小，小于一个预置门限，则提示用户具有使用权限，反之，若实时获取的血氧饱和度c2与第一子模型下的血氧饱和度的参数值不匹配，则提示用户没有使用权限，用户则不能正常使用。
上面对本发明提供的身份认证的方法的应用场景进行了举例说明，下面请参阅图2所示，本发明实施例提供的一种身份认证的方法的一个实施例，本发明实施中，一种身份认证的方法主要包括建立身份认证模型的过程，和实时身份认证的过程。下面首先对建立身份认证模型的过程进行详细描述。
步骤201、获取采集对象在不同运动状态下的多个PPG信号。
具体的，可以多次获取采集对象的PPG信号，多次采集PPG信号的原则是要用户在不同的运动状态下获取。例如，该运动状态可以包括：休息、轻度运动、中强度运动、剧烈运动和运动后恢复等。
PPG信号的采集可以在用户有感知的情况下采集，例如，用户确定运动状态时，主动启动PPG信号采集，使得该装置在该运动状态下采集用户的PPG信号。PPG信号的采集也可以在用户无感知的情况下采集。例如，该装置在预设时间段内(一个月)实时采集该PPG信号，也就是说，在一个月内，该装置在开机的情况下，实时采集PPG信号，在一个月内，应该包括了用户所处的不同的运动状态，采集了不同运动状态下的PPG信号。PPG信号采集的具体的方式，本发明此处不限定。
步骤202、对每个PPG信号进行预处理，得到PPG波形信号。
其中，步骤202为可选步骤，具体需要结合应用场景来确定是否需要对PPG信号进行预处理，例如对PPG信号进行滤波等预处理，去除PPG信号的噪声，得到干净的PPG波形信号，尽可能还原真实PPG波形信号。
步骤203、从所述多个PPG波形信号中每个PPG波形信号中提取到用于模型训练的生理特征数据集。
请结合图3进行理解，图3为PPG波形图，从所述PPG波形信号中提取用户的生理特征信息，多组生理特征信息组成了了生理特征数据集。该生理特征信息包括了运动状态特征参数及其参数值，和身份识别特征参数及其参数值，如图3所示，从PPG信号中可以得到心率、呼吸率、心率变异性、血氧饱和度、血流峰值等生理特征信息。利用这些生理特征信息，即可识别不同的运动状态。该生理特征信息可用[xs，xi]表示，其中xs代表与运动状态相关的运动状态特征参数，xi表示与用户身份识别相关的身份识别特征参数。需要说明的是xs和xi可以有重叠。例如，xs为心率、呼吸率、血氧饱和度、血流峰值。xi为心率、呼吸率、血氧饱和度。需要说明的是，对于生理特征信息、xs和xi只是举例说明，并不造成对本发明的限定性说明。
步骤204、根据所述用于模型训练的生理特征数据集建立所述身份认证模型。
根据获取的生理特征数据集建立身份模型可以采用的算法包括：线性回归，神经网络，决策树，支持向量机(Support Vector Machine，缩写：SVM)等。上述算法只是举例说明，不能作为对本发明的限定。
例如，以神经网络算法为例进行说明，神经网络(Neural Networks，NN)是由大量的处理单元(称为神经元)广泛地互相连接而形成的复杂的系统，神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力。身份认证模型也可以理解为一个关于xs和xi的函数关系，例如，该函数关系可以为：f(xs,xi)＝ya，其中，其中xs代表与运动状态相关的运动状态特征参数，xi表示与用户身份识别相关的身份识别特征参数。ya表示输出结果。
需要说明的是，上述步骤201至步骤204为建立身份认证模型的方法，该建立身份认证模型的方法应用的建模装置可以与图1所示的身份认证的装置为同一个装置，也可以与图1所示的装置为不同的装置。例如：
第一种情况：建模装置与身份认证的装置为同一个装置的应用场景，例如，该身份认证的装置为手机，用户A新买了一部手机，该手机可以应用PPG信号解锁。首先用户需要通过该手机建立身份认证模型。当用户A在休息，运动中，运动后这三种状态中主动启动采集PPG信号，手机分别在用户处于休息状态下、运动状态下和运动后采集PPG信号，手机通过采集到的PPG信号通过算法建立身份认证模型。
第二种情况：建模装置与身份认证的装置并非同一个装置的应用场景，建模装置在用户无感知的情况下，获取用户的PPG信号。例如，建模装置为可穿戴设备。可选的，该可穿戴设备可以为手环或指环。身份认证的装置为手机、门禁、密码箱等，用户通过可穿戴设备在用户无感知的情况下，自动获取用户的PPG信号，可穿戴设备根据采集到的PPG信号通过算法建立身份认证模型，并将该身份认证模型发送给手机，手机接收该身份认证模型后，存储该身份认证模型。本发明实施例中，为了描述的简洁性，建模装置和身份认证装置为同一个装置为例进行说明。
需要说明的是，步骤201至步骤204为建立身份认证模型的过程，当建立好该身份认证模型后，每次进行实时身份认证的过程中，可以不执行，而是直接执行步骤205。
下面对实时身份认证的过程做详细描述。
步骤205、采集用户的实时PPG信号。
例如，用户A的手机需要PPG解锁。用户A跑步过程中，突然想到有一件紧急的事情需要处理，用手机拨打电话，拨打电话首先要屏幕解锁，该手机获取了用户当前的PPG信号，由于用户A刚刚正在跑步，因此获取的PPG信号与正常休息状态下的PPG信号不同。也可以理解为，手机获取了用户在此运动状态下的PPG信号。
可选的，步骤206、对获取的PPG信号进行预处理，得到PPG波形信号。
例如，对获取的PPG信号进行滤波处理，去除PPG信号中的噪声，得到干净的PPG波形信号，尽可能还原真实的PPG波形信号。
步骤207、根据PPG波形信号获取用户的第一生理特征信息。
请结合图3进行理解，图3为PPG波形信号示意图。从该PPG波形信号中提取该用户A的第一生理特征信息，该第一生理特征信息包括第一运动状态特征参数及其参数值，第一身份识别特征参数及其参数值，第一运动状态特征参数为第一生理特征信息中与运动状态相关的参数，第一身份识别特征参数为第一生理特征信息中与身份识别相关的参数。具体的参数及其参数值举例如下表1所示：
表1
参数 参数值
心率 70次/分钟
呼吸率 20次/分钟
血氧饱和度 98％
需要说明的是，该生理特征信息可用[xs，xi]表示，其中xs代表与运动状态相关的运动状态特征参数，xi表示与用户身份识别相关的身份识别特征参数。需要说明的是xs和xi可以有重叠。例如，xs包括心率、呼吸率、血氧饱和度、血流峰值。xi包括心率、呼吸率、心率变异性、血氧饱和度。需要说明的是，对于生理特征信息、xs和xi只是举例说明并非限定性说明。
步骤208、通过身份认证模型对所述第一生理特征信息进行分析，得到认证结果。
分析过程可以采用的算法包括：线性回归，神经网络，决策树，支持向量机(Support Vector Machine，缩写：SVM)等。本发明实施例中，以神经网络为例进行说明。
将所述第一生理特征信息通过f(xs,xi)＝ya进行分析，得到认证结果。例如，当第一生理特征信息中的xs为心率的值为130次/分钟，xi为血氧饱和度为75％，则输出的认证结果为ya1，表示认证结果为认证成功，若输出的认证结果为ya2则表示认证结果为认证失败。
需要说明的是，第一生理信息中包括多个参数，多个参数中至少要包括一个身份识别特征参数和一个运动状态特征参数，根据f(xs,xi)＝ya，若所述第一生理特征信息与身份认证模型中的第二生理特征信息匹配，则认证结果指示认证成功；若所述第一生理特征信息与身份认证模型中的第二生理特征信息不匹配，则认证结果指示认证失败。本发明实施例中，身份认证模型中包括了不同运动状态下分别对应的第二生理特征信息，当在进行实时身份认证的过程中，获取的当前的第一生理特征信息与身份认证模型中的第二生理特征信息进行匹配时，通过预先建立的身份认证模型对实时得到的至少一个运动状态特征参数和至少一个身份识别特征参数进行分析，得到认证结果。考虑到用户的生理特征信息会随着不同的客观条件(例如、运动状态)而发生变化的因素，本发明方案可极大的增强了身份识别认证的可用性，并提高了身份识别认证的准确性。
请参阅图4所示，本发明实施例提供了一种身份认证的方法的另一个实施例包括：
步骤401至步骤403与图2对应的实施例中的步骤201至步骤203相同，此处不赘述。
步骤404、根据生理特征数据集中的运动状态特征参数及其参数值建立多个子模型，所述多个子模型中的每个子模型对应所述运动状态特征参数的参数值的预设区间或根据所属运动状态特征参数的参数值建立的数据模型，所述每个子模型对应不同的运动状态。
本发明实施例中，请结合图5进行理解，图5为本发明实施例中身份认证模型的示意图。以心率及心率值来划分不同的运动状态。心率值的预设区间为70-75的子模型对应的运动状态为“休息”；心率值的预设区间为110-115的子模型对应的运动状态为“低强度运动”；心率值的预设区间为130-133的子模型对应的运动状态为“中强度运动”；心率值的预设区间为170-175的子模型对应的运动状态为“高强度运动”；心率值的预设区间为90-95的子模型对应的运动状态为“运动后恢复”。
需要说明的是，本发明实施例中以心率值来划分不同的子模型，本发明实施例中只是为了方便说明，当然也可以以多个运动状态特征参数及其参数值来综合确定不同的子模型。对于划分子模型的运动状态特征参数本发明不限定。可以理解的是，所述子模型为根据所属运动状态特征参数的参数值建立的子数据模型。
步骤405、在每个子模型中添加身份识别特征参数及其对应的参数值。
在每个子模型中添加身份识别特征参数及其对应的参数值，例如，图5中所示，每个子模型中添加的参数为血氧饱和度及其参数值，图5只是举例子说明，并非对添加的参数的限定说明，子模型中添加的参数只要是身份识别特征参数均可。
步骤406、将所述多个子模型进行组合，建立所述身份认证模型。
需要说明的是，步骤401至步骤406为建立身份认证模型的过程，为可选步骤，可以不执行，而直接执行步骤407。
下面对实时身份认证的过程做详细描述。
步骤407至步骤409，与图2对应的实施例中的步骤205至步骤207相同，此处不赘述。
步骤410、根据所述第一运动状态特征参数及其参数值从所述多个子模型中选择目标子模型。
具体的，确定所述第一运动状态特征参数的参数值所属的目标预设区间；根据所述目标预设区间和所述对应关系从所述多个子模型中确定所述目标子模型。
所述第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数。例如，第一运动状态特征参数为心率，心率值xs为130，则可以确定运动状态为“中强度运动”，每种运动状态与对应的子模型具有预置的对应的关系，中强度运动与第三子模型具有对应关系，进而可以确定目标子模型为第三子模型。在另一种可能的实现方式中，当心率值xs为130时，则该心率值属于第三子模型的预设区间，则确定目标子模型为第三子模型。在实际应用中，具体的实现方式本方案不限定。
步骤411、将所述第一身份识别特征参数与所述目标子模型中的所述第二生理特征信息进行匹配，得到认证结果。
例如，第一身份识别特征参数xi为血氧饱和度，该血氧饱和度为95％，第一身份识别特征参数及参数值与第三子模型中的血氧饱和度进行匹配，第三子模型中的血氧饱和度也为95％，则认证结果指示认证成功。本发明实施例中，身份认证模型中包括了多个子模型，分别可以为休息模型(第一模型)、轻度运动模型(第二模型)、中强度运动模型(第三模型)、剧烈运动模型(第四模型)和运动后恢复模型(第五模型)。在实时认证的过程中，可以通过运动状态特征参数先确定不同运动状态对应的目标子模型，再将获取的第一身份识别特征参数与目标子模型中的第二身份识别特征参数进行匹配，得到匹配结果，极大的提高了认证的准确性，并且减少运算步骤，不需要将第一身份识别特征参数与身份模型中的所有参数及参数值进行逐一匹配，只需要与确定的目标子模型进行匹配，提高了匹配效率。
请参阅图6所示，本发明实施例提供了一种身份认证的方法的另一个实施例包括：
步骤601至步骤603与图2对应的实施例中的步骤201至步骤203相同，此处不赘述。
步骤604、根据生理特征数据集中的运动状态特征参数及其参数值建立多个运动状态识别模型。
例如，该运动状态的识别模型的表达式可以为f1(xs)＝Fs，其中，xs代表与运动状态相关的运动状态特征参数，Fs表示运动状态。运动状态可以包括“休息”，“低强度运动”，“中强度运动”，“高强度运动”等。
步骤605、根据每个运动状态识别模型对应的身份识别特征参数建立身份识别模型的子模型。
每个运动状态识别模型下对应了至少一个身份识别特征参数及其参数值，根据身份识别特征参数及其参数值建立多个身份认证模型的子模型。例如，该身份认证模型的子模型的表达式可以为：f2(Fs,xi)＝ya，其中，xi表示与用户身份识别相关的身份识别特征参数。
需要说明的是，步骤601至步骤605为建立身份认证模型的过程，为可选步骤，可以不执行，而直接执行步骤606。
步骤606至步骤608与图2对应的实施例中的步骤205至步骤207相同，此处不赘述。
步骤609、根据第一运动状态特征参数及其参数值确定目标运动状态。
可以理解的是，通过f1(xs)＝Fs运动状态的识别模型对第一运动状态特征参数及其参数值进行分析，确定目标运动状态。例如，输入xs为心率，且心率值为130，则通过f1(xs)＝Fs可以确定运动状态为“中强度运动”。
步骤610、根据目标运动状态确定与该目标运动状态具有对应关系的目标子模型。
请结合图5进行理解，运动状态与子模型具有对应关系，因此可以根据目标运动状态和该对应关系选择该目标运动状态对应的目标子模型。
步骤611、通过目标子模型对第一身份识别特征参数进行分析，得到认证结果。
例如，可以通过该f2(Fs,xi)＝ya对第一身份识别特征参数进行分析，得到认证结果，当目标运动状态为“中强度运动”，且血氧饱和度为95％时，则认证结果指示认证。或者，当目标运动状态为“中强度运动”，且血氧饱和度为85％时，认证结果指示认证失败。
本发明实施例中，身份识别模型包括运动状态识别模型和子模型，且运动状态模型与子模型具有对应关系。在实时认证的过程中可以包括两个步骤，首先可以通过运动状态识别模型对第一运动状态特征参数进行分析，可以确定出用户当前的运动状态，然后可以根据用户当前的运动状态从多个子模型中选择与该运动状态对应的目标子模型，通过目标子模型对第一身份识别特征参数及参数值进行分析，可以得到认证结果。本发明实施例中，考虑到用户的生理特征信息会随着不同的客观条件(例如、运动状态)而发生变化的因素，本发明方案可极大的增强了身份识别认证的可用性，并提高了身份识别认证的准确性。
上面对一种身份认证的方法进行了描述，下面对该身份认证的装置进行描述，请参阅图7所示，本发明提供的一种身份认证的装置700的一个实施例包括：
PPG信号采集模块701，用于采集用户的实时PPG信号；
生理特征提取模块702，用于根据PPG信号采集模块701采集的实时PPG信号获取用户的第一生理特征信息；
分析模块703，用于基于身份认证模型对PPG信号采集模块701获取的第一生理特征信息进行分析，得到认证结果，身份认证模型是使用采集对象在不同的运动状态下的PPG信号进行训练学习后建立的。
请参阅图8所示，在图7对应的实施例的基础上，本发明实施例还提供了一种身份认证装置800的另一个实施例包括：
第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数，身份认证模型包括多个子模型，多个子模型中的每个子模型与不同的运动状态具有对应关系，每个子模型中包括与运动状态对应的第二生理特征信息；
分析模块703还包括子模型确定单元7031和匹配单元7032；
子模型确定单元7031，用于根据第一运动状态特征参数及其参数值从多个子模型中选择目标子模型；
匹配单元7032，用于将确定单元选择的第一身份识别特征参数与目标子模型中的第二生理特征信息进行匹配，得到认证结果。
可选的，第二生理特征信息包括第二运动状态特征参数及其参数值，每个子模型与第二运动状态特征参数的参数值的预设区间具有对应关系；
子模型确定单元7031还具体用于：
确定第一运动状态特征参数的参数值所属的目标预设区间；
从多个子模型中确定与目标预设区间具有对应关系的目标子模型。
可选的，第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数，身份认证模型包括多个运动状态识别模型和多个子模型，多个子模型中的每个子模型与不同的运动状态具有对应关系。
分析模块703还具体用于：
通过运动状态识别模型对第一运动状态特征参数及其参数值进行分析，确定目标运动状态。
根据目标运动状态确定与目标运动状态具有对应关系的目标子模型。
通过目标子模型对第一生理特征信息进行分析，得到分析结果。
请参阅图9所示，在图7对应的实施例的基础上，本发明实施例还提供了一种身份认证装置900的另一个实施例包括：
PPG信号采集模块701，用于获取采集对象在不同运动状态下的多个PPG信号。
生理特征提取模块702，用于从PPG信号采集模块701获取的多个PPG信号中的每个PPG信号中提取到用于模型训练的生理特征数据集。
模型建立模块704，用于根据生理特征提取模块702提取的用于模型训练的生理特征数据集建立身份认证模型。
可选的，用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数。
模型建立模块704，具体用于：
根据运动状态特征参数建立多个运动状态识别模型；
根据多个运动状态识别模型中的每个运动状态识别模型对应的身份识别特征参数建立身份认证模型的子模型。
可选的，模型建立模块704还具体用于：
根据运动状态特征参数及其参数值建立多个子模型，多个子模型中的每个子模型对应运动状态特征参数的参数值的预设区间，或每个子模型为根据所属运动状态特征参数的参数值建立的数据模型，每个子模型对应不同的运动状态；
在每个子模型中添加身份识别特征参数及其对应的参数值；
将多个子模型进行组合，建立身份认证模型。
多个子模型包括休息模型、轻度运动模型、中强度运动模型、剧烈运动模型和运动后恢复模型。
进一步的，图7至图9中的装置是以功能模块的形式来呈现。这里的“模块”可以指特定应用集成电路(application-specific integrated circuit，ASIC)，电路，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。在一个简单的实施例中，图7至图9中的装置可以采用图1所示的形式。各模块可以通过图1的形式来实现。
该存储器130包括内部存储器131和外部存储器132，内部存储器131用于存储可执行程序指令，该可执行程序指令用于该处理器110进行调用。
处理器110用于使该身份认证的装置执行图2和图4对应的实施例中的方法。
具体的，PPG传感器120，用于采集用户的实时PPG信号。
处理器110，用于根据PPG传感器120实时PPG信号获取用户的第一生理特征信息；基于身份认证模型对第一生理特征信息进行分析，得到认证结果，身份认证模型是使用采集对象在不同的运动状态下的PPG信号进行训练学习后建立的。
可选的，第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数，身份认证模型包括多个子模型，多个子模型中的每个子模型与不同的运动状态具有对应关系，每个子模型中包括与运动状态对应的第二生理特征信息。
处理器110，还用于根据第一运动状态特征参数及其参数值从多个子模型中选择目标子模型；将第一身份识别特征参数与目标子模型中的第二生理特征信息进行匹配，得到认证结果。
可选的，第二生理特征信息包括第二运动状态特征参数及其参数值，每个子模型与第二运动状态特征参数的参数值对应的预设区间具有对应关系。
处理器110，还具体用于确定第一运动状态特征参数的参数值所属的目标预设区间；从多个子模型中确定与目标预设区间具有对应关系的目标子模型。
可选的，第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数，身份认证模型包括多个运动状态识别模型和多个子模型，多个子模型中的每个子模型与不同的运动状态具有对应关系。
处理器110，还用于通过运动状态识别模型对第一运动状态特征参数及其参数值进行分析，确定目标运动状态；根据目标运动状态确定与目标运动状态具有对应关系的目标子模型；通过目标子模型对第一生理特征信息进行分析，得到分析结果。
可选的，PPG传感器120，还用于获取采集对象在不同运动状态下的多个PPG信号。
处理器110，还用于从多个PPG信号中的每个PPG信号中提取到用于模型训练的生理特征数据集；根据用于模型训练的生理特征数据集建立身份认证模型。
可选的，用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数。
处理器110，还用于根据运动状态特征参数建立多个运动状态识别模型；根据多个运动状态识别模型中的每个运动状态识别模型对应的身份识别特征参数建立身份认证模型的子模型。
可选的，用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数；
处理器110，还用于根据运动状态特征参数及其参数值建立多个子模型，多个子模型中的每个子模型对应运动状态特征参数的参数值的预设区间，或每个子模型为根据所属运动状态特征参数的参数值建立的数据模型，每个子模型对应不同的运动状态；在每个子模型中添加身份识别特征参数及其对应的参数值；将多个子模型进行组合，建立身份认证模型。
本领域普通技术人员应该了解本申请的所有或部分标的物可在结合硬件和/或固件的软件中实施。例如，本文描述的标的物可在一个或多个处理器执行的软件中实施。在一项示例性实施方式中，本文描述的标的物可使用存储有计算机可执行指令的非瞬时计算机可读介质实施，当计算机处理器执行该计算机可执行指令时，该指令控制计算机执行步骤。适于实施本文描述的标的物的示例计算机可读介质包括非瞬时计算机可读介质，例如磁盘存储器设备、芯片存储器设备、可编程逻辑设备和专用集成电路。另外，实施本文描述的标的物的计算机可读介质可位于单个设备或计算平台上，或可在多个设备或计算平台上分发。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (14)

1.一种身份认证的方法，其特征在于，包括：
采集用户的实时PPG信号；
根据所述实时PPG信号获取所述用户的第一生理特征信息，所述第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数；所述第一运动状态特征参数和所述第一身份识别特征参数包括至少一个相同的生理特征参数；
基于身份认证模型对所述第一生理特征信息进行分析，得到认证结果，所述身份认证模型是使用采集对象在不同的运动状态下的PPG信号进行训练学习后建立的，所述身份认证模型包括多个子模型，所述多个子模型中的每个子模型与所述不同的运动状态具有对应关系，所述每个子模型中包括与所述运动状态对应的第二生理特征信息；所述运动状态包括用户身体的肢体动作以及身体状态产生的运动变化，所述运动状态用于对人体的生理特征信息的变化进行标识；
其中，所述基于身份认证模型对所述第一生理特征信息进行分析，包括：
根据所述第一运动状态特征参数及其参数值从所述多个子模型中选择目标子模型；
将所述第一身份识别特征参数与所述目标子模型中的所述第二生理特征信息进行匹配，得到认证结果。
2.根据权利要求1所述的方法，其特征在于，所述第二生理特征信息包括第二运动状态特征参数及其参数值，每个所述子模型与所述第二运动状态特征参数的参数值对应的预设区间具有对应关系；
所述根据所述第一运动状态特征参数及其参数值从所述多个子模型中选择目标子模型，包括：
确定所述第一运动状态特征参数的参数值所属的目标预设区间；
从所述多个子模型中确定与所述目标预设区间具有对应关系的所述目标子模型。
3.根据权利要求1所述的方法，其特征在于，所述身份认证模型还包括多个运动状态识别模型，所述基于身份认证模型对所述第一生理特征信息进行分析，包括：
通过所述运动状态识别模型对所述第一运动状态特征参数及其参数值进行分析，确定目标运动状态；
根据所述目标运动状态确定与所述目标运动状态具有所述对应关系的目标子模型；
通过所述目标子模型对所述第一生理特征信息进行分析，得到分析结果。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述实时PPG信号获取所述用户的第一生理特征信息之前，所述方法还包括：
获取所述采集对象在不同运动状态下的多个PPG信号；
从所述多个PPG信号中的每个PPG信号中提取到用于模型训练的生理特征数据集；
根据所述用于模型训练的生理特征数据集建立所述身份认证模型。
5.根据权利要求4所述的方法，其特征在于，所述用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数；
所述根据所述用于模型训练的生理特征数据集建立所述身份认证模型，包括：
根据所述运动状态特征参数建立多个运动状态识别模型；
根据所述多个运动状态识别模型中的每个运动状态识别模型对应的身份识别特征参数建立所述身份认证模型的子模型。
6.根据权利要求4所述的方法，其特征在于，所述用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数；
所述根据所述用于模型训练的生理特征数据集建立所述身份认证模型，包括：
根据所述运动状态特征参数及其参数值建立多个子模型，所述多个子模型中的每个子模型对应所述运动状态特征参数的参数值的预设区间，或所述每个子模型为根据所属运动状态特征参数的参数值建立的数据模型，所述每个子模型对应不同的运动状态；
在所述每个子模型中添加所述身份识别特征参数及其对应的参数值；
将所述多个子模型进行组合，建立所述身份认证模型。
7.根据权利要求1或2所述的方法，其特征在于，所述多个子模型包括休息模型、轻度运动模型、中强度运动模型、剧烈运动模型和运动后恢复模型。
8.一种身份认证的装置，其特征在于，包括：
PPG信号采集模块，用于采集用户的实时PPG信号；
生理特征提取模块，用于根据所述PPG信号采集模块采集的实时PPG信号获取所述用户的第一生理特征信息，所述第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数；所述第一运动状态特征参数和所述第一身份识别特征参数包括至少一个相同的生理特征参数；
分析模块，用于基于身份认证模型对所述生理特征提取模块获取的所述第一生理特征信息进行分析，得到认证结果，所述身份认证模型是使用采集对象在不同的运动状态下的PPG信号进行训练学习后建立的，所述身份认证模型包括多个子模型，所述多个子模型中的每个子模型与所述不同的运动状态具有对应关系，所述每个子模型中包括与所述运动状态对应的第二生理特征信息；所述运动状态包括用户身体的肢体动作以及身体状态产生的运动变化，所述运动状态用于对人体的生理特征信息的变化进行标识；
其中，所述分析模块还包括子模块确定单元和匹配单元；
所述子模型确定单元，用于根据所述第一运动状态特征参数及其参数值从所述多个子模型中选择目标子模型；
所述匹配单元，用于将所述第一身份识别特征参数与所述目标子模型中的所述第二生理特征信息进行匹配，得到认证结果。
9.根据权利要求8所述的装置，其特征在于，所述第二生理特征信息包括第二运动状态特征参数及其参数值，每个所述子模型与所述第二运动状态特征参数的参数值对应的预设区间具有对应关系；
所述子模型确定单元还具体用于：
确定所述第一运动状态特征参数的参数值所属的目标预设区间；
从所述多个子模型中确定与所述目标预设区间具有对应关系的所述目标子模型。
10.根据权利要求8所述的装置，其特征在于，所述身份认证模型还包括多个运动状态识别模型和多个子模型，所述分析模块还具体用于：
通过所述运动状态识别模型对所述第一运动状态特征参数及其参数值进行分析，确定目标运动状态；
根据所述目标运动状态确定与所述目标运动状态具有所述对应关系的目标子模型；
通过所述目标子模型对所述第一生理特征信息进行分析，得到分析结果。
11.根据权利要求8至10任一项所述的装置，其特征在于，还包括模型建立模块；
所述PPG信号采集模块，还用于获取所述采集对象在不同运动状态下的多个PPG信号；
所述生理特征提取模块，还用于从所述PPG信号采集模块获取的所述多个PPG信号中的每个PPG信号中提取到用于模型训练的生理特征数据集；
所述模型建立模块，用于根据所述生理特征提取模块提取的用于模型训练的生理特征数据集建立所述身份认证模型。
12.根据权利要求11所述的装置，其特征在于，所述用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数；
所述模型建立模块还具体用于：
根据所述运动状态特征参数建立多个运动状态识别模型；
根据所述多个运动状态识别模型中的每个运动状态识别模型对应的身份识别特征参数建立所述身份认证模型的子模型。
13.根据权利要求11所述的装置，其特征在于，所述用于模型训练的生理特征数据集包括运动状态特征参数和身份识别特征参数；
所述模型建立模块还具体用于：
根据所述运动状态特征参数及其参数值建立多个子模型，所述多个子模型中的每个子模型对应所述运动状态特征参数的参数值的预设区间，或所述每个子模型为根据所属运动状态特征参数的参数值建立的数据模型，所述每个子模型对应不同的运动状态；
在所述每个子模型中添加所述身份识别特征参数及其对应的参数值；
将所述多个子模型进行组合，建立所述身份认证模型。
14.一种身份识别的装置，其特征在于，包括：处理器，及与所述处理器耦合的PPG传感器和存储器；
所述PPG传感器，用于采集用户的实时PPG信号；
所述存储器，用于存储身份认证模型，所述身份认证模型是使用采集对象在不同的运动状态下的PPG信号进行训练学习后建立的，所述身份认证模型包括多个子模型，所述多个子模型中的每个子模型与所述不同的运动状态具有对应关系，所述每个子模型中包括与所述运动状态对应的第二生理特征信息,所述运动状态包括用户身体的肢体动作以及身体状态产生的运动变化，所述运动状态用于对人体的生理特征信息的变化进行标识；
所述处理器，根据所述实时PPG信号获取所述用户的第一生理特征信息；基于所述存储器中存储的所述身份认证模型对所述第一生理特征信息进行分析，得到认证结果，所述第一生理特征信息包括第一运动状态特征参数和第一身份识别特征参数；所述第一运动状态特征参数和所述第一身份识别特征参数包括至少一个相同的生理特征参数；
所述处理器，具体用于根据所述第一运动状态特征参数及其参数值从所述多个子模型中选择目标子模型；将所述第一身份识别特征参数与所述目标子模型中的所述第二生理特征信息进行匹配，得到认证结果。
CN201680063391.9A 2016-11-16 2016-11-16 一种身份认证的方法及装置 Active CN108323201B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2016/106111 WO2018090251A1 (zh) 2016-11-16 2016-11-16 一种身份认证的方法及装置

Publications (2)

Publication Number Publication Date
CN108323201A CN108323201A (zh) 2018-07-24
CN108323201B true CN108323201B (zh) 2021-05-18

Family

ID=62144995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680063391.9A Active CN108323201B (zh) 2016-11-16 2016-11-16 一种身份认证的方法及装置

Country Status (2)

Country Link
CN (1) CN108323201B (zh)
WO (1) WO2018090251A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033772B (zh) * 2019-04-28 2021-04-20 中国科学院上海高等研究院 基于ppg信号的非声学语音信息检测装置
CN110197172B (zh) * 2019-06-10 2021-10-19 清华大学 一种基于光电血管容积信息进行身份认证的方法及装置
CN110765939B (zh) * 2019-10-22 2023-03-28 Oppo广东移动通信有限公司 身份识别方法、装置、移动终端及存储介质
CN112837459B (zh) * 2019-11-22 2023-01-31 Oppo广东移动通信有限公司 门禁解锁方法及相关设备
CN111062021B (zh) * 2019-12-19 2022-03-11 清华大学 一种基于可穿戴设备进行身份认证的方法及装置
CN111325118A (zh) * 2020-02-07 2020-06-23 清华大学 一种基于视频进行身份认证的方法及视频设备
CN113243902B (zh) * 2021-05-31 2021-12-07 之江实验室 一种基于光电容积脉搏波的特征提取方法
FR3133249A1 (fr) * 2022-03-01 2023-09-08 Valeo Systemes Thermiques Dispositif de protection de données personnelles

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100365644C (zh) * 2003-04-21 2008-01-30 香港中文大学 身份识别和鉴定方法
US20140148709A1 (en) * 2012-11-23 2014-05-29 Pixart Imaging Incorporation System and method for integrating heart rate measurement and identity recognition
CN103970271B (zh) * 2014-04-04 2017-06-20 浙江大学 融合运动和生理传感数据的日常活动识别方法
CN104771178B (zh) * 2015-04-13 2018-01-05 深圳市飞马与星月科技研究有限公司 身份识别的方法及装置
CN104799865B (zh) * 2015-04-16 2017-11-28 陈珉 指纹识别系统
WO2016176067A1 (en) * 2015-04-29 2016-11-03 Analog Devices, Inc. Time-domain interference removal and improved tracking mechanism for heart rate measurements
CN105809438A (zh) * 2016-03-17 2016-07-27 广东乐心医疗电子股份有限公司 用于智能可穿戴设备的身份识别方法、支付方法与装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
cancellation of motion artifact induced by exercise for PPG-based heart rate sensing;Takunori Shimazaki et al.;《2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society》;20141106;第3216-3219页 *
基于光电容积脉搏波的抗运动心率及血氧提取算法研究;李敏;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20160815(第08期);第E062-27页 *

Also Published As

Publication number Publication date
WO2018090251A1 (zh) 2018-05-24
CN108323201A (zh) 2018-07-24

Similar Documents

Publication Publication Date Title
CN108323201B (zh) 一种身份认证的方法及装置
US9946942B2 (en) Method, apparatus and system for biometric identification
Wieclaw et al. Biometrie identification from raw ECG signal using deep learning techniques
Luque et al. End-to-end photopleth YsmographY (PPG) based biometric authentication by using convolutional neural networks
Lu et al. Unobtrusive gait verification for mobile phones
Kavsaoğlu et al. A novel feature ranking algorithm for biometric recognition with PPG signals
CA2835460C (en) System and method for enabling continuous or instantaneous identity recognition based on physiological biometric signals
Abo-Zahhad et al. Biometric authentication based on PCG and ECG signals: present status and future directions
Bonissi et al. A preliminary study on continuous authentication methods for photoplethysmographic biometrics
CN108513665A (zh) 用户身份识别的方法、装置和系统
Jyotishi et al. An LSTM-based model for person identification using ECG signal
EP3449409B1 (en) Biometric method and device for identifying a person through an electrocardiogram (ecg) waveform
Hwang et al. Variation-stable fusion for PPG-based biometric system
Donida Labati et al. Biometric recognition of PPG cardiac signals using transformed spectrogram images
Jyotishi et al. An ecg biometric system using hierarchical lstm with attention mechanism
Lee et al. Wearable Bio-Signal (PPG)-Based Personal Authentication Method Using Random Forest and Period Setting Considering the Feature of PPG Signals.
Pinto et al. Deep neural networks for biometric identification based on non-intrusive ECG acquisitions
Gürkan et al. A novel biometric authentication approach using electrocardiogram signals
Abo-Zahhad et al. PCG biometric identification system based on feature level fusion using canonical correlation analysis
Chen et al. Finger ECG-based authentication for healthcare data security using artificial neural network
Guven et al. A novel biometric identification system based on fingertip electrocardiogram and speech signals
Zhang et al. Biometric authentication via finger photoplethysmogram
CN106650685B (zh) 一种基于心电图信号的身份识别方法及装置
Mesin et al. A low cost ECG biometry system based on an ensemble of support vector machine classifiers
Girish Rao Salanke et al. An enhanced intrinsic biometric in identifying people by photopleythsmography signal

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