CN109692005A - 基于ppg信号稀疏分解的身份识别方法 - Google Patents
基于ppg信号稀疏分解的身份识别方法 Download PDFInfo
- Publication number
- CN109692005A CN109692005A CN201811465375.XA CN201811465375A CN109692005A CN 109692005 A CN109692005 A CN 109692005A CN 201811465375 A CN201811465375 A CN 201811465375A CN 109692005 A CN109692005 A CN 109692005A
- Authority
- CN
- China
- Prior art keywords
- signal
- sparse decomposition
- ppg signal
- personal identification
- identification method
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
基于PPG信号稀疏分解的身份识别方法,包括如下步骤:步骤S1、获取被鉴定者的PPG信号,并对其进行滤波、移动平均和零均值化预处理;步骤S2、检测预处理后信号的时域特征点提取时域特征值,提取预处理后信号中的最优波段;步骤S3、对提取出的最优波段进行波形分割,获取若干个单周期波形;步骤S4、将单周期波形进行信号的稀疏分解,获取信号的最佳原子特性参数特征;步骤S5、将时域特征值与最佳原子特性参数特征进行特征融合,获取训练模板和测试样本;步骤S6、利用支持向量机将测试样本与训练模板相匹配,识别鉴定者的身份。该方法主要解决现有的身份识别方法易受外界环境干扰、操作复杂等问题,使识别率达到98%以上。
Description
技术领域
本发明属于信息处理技术领域,具体涉及一种基于PPG信号稀疏分解的身份识别方法。
背景技术
随着信息安全技术的快速发展,人们对身份识别的安全性、便捷性以及高效性的要求不断提高,复杂数字密码、个人身份证件等传统信息安全保护措施已经不能满足人们的需求。目前以指纹、虹膜等为载体的生物识别系统已被广泛应用于金融交易、计算机网络等应用场合,极大地缓解了市场对信息安全保护的迫切需求。但是,这些生物识别系统仍然存在一定的缺陷,比如容易被复制或伪造,因此亟需寻求新的生物特征来弥补这些缺陷或者代替现有生物特征研制新的生物识别系统。
光电容积脉搏波是借助于光电检测手段获取的人体的生理信号,是人体的一种固有的生理特征,个体之间有明显的差异。PPG信号具有采集简单但又难以复制的特点,应用于身份识别具有较高的安全性。目前基于PPG信号的身份识别技术还不够完善,识别率较低,难以满足实际应用的需求。
目前已经提出的基于PPG信号的身份识别方法有:
Gu,Y.Y.,Zhang,Y.T.在2003年“IEEE EMBS Asian-Pacific Conference onBiomedical Engineering”会议上发表的文章“Photoplethysmographic authenticationthrough fuzzy logic”中利用模糊决策的方法实现身份识别,相同实验环境中可达到94%的识别率,若人体所处环境不同,由于呼吸、运动伪影等影响仅达到82.3%的识别率,无法满足对身份识别较高要求的场合。
土耳其的A.Resit Kavsaoglu,Kemal Polatb等人2014年在“Computers inbiology and medicine”期刊上发表的文章“A novel feature ranking algorithm forbiometric recognition with PPG signals”,利用K最近邻域分类器完成基于PPG信号的身份识别,最高仅达到94.44%的识别率,且输入分类器的特征维数较大,算法复杂度较高。
发明内容
本发明所要解决的技术问题是克服现有技术的不足,提供一种基于PPG信号稀疏分解的身份识别方法,首先提取测得的PPG信号的最优波,并对最优波进行单周期分割,然后利用FFT实现基于MP的信号稀疏分解得到可以还原原始信号的最佳原子的特性参数,最后将最佳原子的特性参数与相应的时域周期特性相融合组成特征向量,实现身份识别。
本发明提供一种基于PPG信号稀疏分解的身份识别方法,包括如下步骤:
步骤S1、获取被鉴定者的PGG信号,并对其进行滤波、移动平均和零均值化预处理;
步骤S2、检测预处理后信号的时域特征点提取时域特征值,提取预处理后信号中的最优波段;
步骤S3、对提取出的最优波段进行波形分割,获取若干个单周期波形;
步骤S4、将单周期波形进行信号的稀疏分解,获取信号的最佳原子特性参数特征;
步骤S5、将时域特征值与最佳原子特性参数特征进行特征融合,获取训练模板和测试样本;
步骤S6、利用支持向量机将测试样本与训练模板相匹配,识别鉴定者的身份。
作为本发明的进一步技术方案,步骤S1中,采集N个人在规定的若干个时间段中PPG信号组成的训练数据mtrain,再采集其中一人在另一时间段内的PPG信号作为测试数据mtest。
进一步的,步骤S2中,利用kaiser窗对采集到的PGG信号mtrain和mtest进行带通滤波,然后进行移动平均处理,并将处理后的信号进行零均值化获取信号xtrain和xtest。
进一步的,步骤S3中,采用滑窗法对光电容积脉搏波波峰和波谷的检测及最优波的粗判与细判;其中,最优波形的判断为:在满足最优波形粗略判断的条件下,通过峰度和偏度对光电容积脉搏信号每个波形形态进行精确判断,其计算公式为:和
其中,kurtosis为峰度,skewness为偏度,为均值,std为标准差;
峰度和偏度的阈值为:和
其中,Tk为峰度的阈值,Ts为偏度的阈值,为最优波窗体峰度的均值,为最优波窗体偏度的均值,a1、a2为常数,数值指标需根据实验数据来确定。
进一步的,步骤S4中,根据步骤S3中检测出的舒张期波谷的位置,以两个相邻波谷为分割点分离出单周期波形,并提取出每个单周期的周期值t。
进一步的,步骤S5中稀疏分解包括设置分解参数,形成过完备原子库,在过完备原子库中获取最佳原子,在信号或信号残差中减去在最佳原子上的分量,循环进行完成分解,最后保存分解结果得到最佳原子的时频特性及投影值。
更进一步的,过完备原子库由Gabor原子组成,一个Gabor原子由一个经过调制的高斯窗函数构成:
其中,是高斯窗函数,r=(s,u,v,w)是时频参数;
时频参数按照以下方法离散化:r=(aj,pajΔu,ka-jΔv,iΔw);
其中,a=2,Δv=π,0<j≤log2N,0≤p≤N2-j+1,0≤k<2j+1,0≤i≤12;
过完备原子库D中的原子个数LD的公式为:
LD=52(Nlog2N+N-1)。
本发明利用信号稀疏分解,在给定的超完备字典中用尽可能少的原子来表示信号,可以获得信号更为简洁的表示方式,从而更容易地获取信号中所蕴含的信息,将原子的时频特征结合信号的时域特征,提高识别的正确率。
该方法还利用遗传算法改进的支持向量机进行模型的训练与数据测试,遗传算法具有良好的全局搜索能力,可以快速地将解空间中的全体解搜索出,而不会陷入局部最优解的快速下降陷阱;并且利用它的内在并行性,可以方便地进行分布式计算,加快求解速度。用遗传算法改进支持向量机提高了分类的性能,使得识别更加准确快速。
附图说明
图1为本发明的流程示意图;
图2为本发明的信号稀疏分解流程图。
具体实施方式
请参阅图1,本实施例提供一种基于PPG信号稀疏分解的身份识别方法,包括如下步骤:
步骤1.获取待识别者的PPG信号,建立训练数据库以及测试数据集。
通过智能马桶垫采集N个人在规定的几个时间段内的PPG信号组成训练数据mtrain。然后再采集其中一个人在另一个时间段内的PPG信号作为测试数据mtest;
步骤2.利用带通滤波、移动平均以及零均值化对PPG信号进行预处理。
第一步,PPG信号中脉动成分的频率为0.4-7Hz,运动伪差频率为0.1Hz及以上,所以首先将信号经过通带为0.4-7Hz的带通滤波器,保留脉动成分的主要部分。
第二步,通过移动平均做进一步处理,快速减缓漂移的影响。具体方法为:选取上述带通滤波后的信号,通过自相关求出一个脉搏波信号周期的采样点数n;然后将各个周期的数据
重组为如下矩阵:
对矩阵的1到5行求均值得到新的一组数据作为信号的第一个周期,继续对2到6行求均值得到信号第二个周期,以此类推。将得到的数组重新组成一维数组,即为周期移动平均后的信号。
第三步,将经滤波以及移动平均处理后的信号进行零均值化,得到更加规范的数据。具体公式:
步骤3.特征点检测与提取。
特征点的检测包括采用滑窗法对脉搏波波峰和波谷的检测,特征点的提取包括波峰值、波谷值、周期。
步骤4.最优波提取
首先进行最优波的粗略判断,利用预设窗体进行波形提取,然后通过变异系数的检测,判断该窗体内波形的稳定性,筛选出较为稳定的一段优质波。
在满足最优波形粗略判断的条件下,通过峰度(kurtosis)和偏度(skewness)分别对脉搏波信号的每个波形进行统计量检测,实现波形形态的精确判断。当粗判窗体中的每个波形均在所设阈值范围内,即完成最优波的提取。
步骤5.将提取的最优波形进行单周期分割
根据步骤3、4得到的特征值以及最优波形,以检测到的最优波的第一个舒张期波谷为第一个单周期波的起始点,经过一个收缩期波峰到达另一个舒张期波谷为第一个单周期的终点,以第一个周期的终点作为第二个单周期的起始点,依次分割最优波中的每个完整的单周期波形。
步骤6.信号的稀疏分解
如图2所示,利用MP算法将得到的单周期信号进行稀疏分解
设D={gr}r∈Γ为过完备原子库,gr为由参数组r定义的原子。参数组r所含参数及参数的个数根据构造原子的方法而定,且参数个数应远大于信号本身长度。原子gr的长度与原始信号的长度相同,所有原子作归一化处理,即||gr||=1。Γ为参数组r的集合。
首先从过完备库中找出与原信号最佳匹配的原子gr0,满足
因此信号可以由最佳匹配原子gr0及分残余分量R1f表示,即
f=<f,gr0>gr0+R1f (2)
将残余分量R1f进行分解,即
Rkf=<Rkf,grk〉grk+Rk+1f (3)
其中grk满足
根据式(2)和(3)可得,经过n步分解后,信号被分解为
其中Rnf为原始信号分解成的n个原子的线性组合后产生的残余误差,因为在分解的过程中,所选取的最佳原子都需要满足式(4),所以此残余误差会随着不断的分解迅速减小,且在信号长度有限的条件下,||Rnf||会随着n的增大呈指数衰减的形式趋于0。所以信号最终可以分解为
由于||Rnf||呈指数衰减,衰减速度很快,所以并不需要取很多的原子,只需要少数最佳匹配的原子就可以很好的将信号的主要成分表示出来,即
其中n<<N,这个过程就很好的将原始信号用少数的最佳原子表示出来,完成信号的稀疏分解。
具体步骤:
第一步,设置分解参数,参数主要指原子库的结构、相干性、原子库中原子在信号空间分布的稠密程度,分解每一步中的最优性因子等,本发明中的具体参数设置如下:
a_base=2;j_min=0;j_max=log2(N);u_base=1/2;v_base=pi;
w_base=pi/6;k_min=0;i_min=0;i_max=12。
第二步,形成过完备原子库,过完备原子库由Gabor原子组成。一个Gabor原子由一个经过调制的高斯窗函数构成:
其中,是高斯窗函数,r=(s,u,v,w)是时频参数。
时频参数按照以下方法离散化:r=(aj,pajΔu,ka-jΔv,iΔw),其中,a=2,Δv=π,0<j≤log2N,0≤p≤N2-j+1,0≤k<2j+1,0≤i≤12。
过完备原子库D中的原子个数LD可以由以下公式得到:LD=52(Nlog2N+N-1)。
第三步,在过完备原子库中寻找最佳原子,寻找最佳原子需要巨大的计算量,基于MP的信号稀疏分解中花费绝大部分计算时间在内积<Rkf,gr>运算,本发明中利用FFT算法将N次这样的内积计算转换成一次Rkf和gr的互相关运算大大提高稀疏分解的速度。
第四步,从信号或者信号残差中减去最佳原子上的分量,完成一步分解,记录下最佳原子的参数(s,u,v,w),其中s是尺度因子,u是位移因子,v原子的频率,w原子的相位。
第五步,判断分解是否完成,分解是否完成可以根据不同的标准来判定,本发明中是利用分解步数(对应于表示信号的原子数目)来判定。本发明中以五个最佳原子为分解的终止点,即当分解得到五个最佳原子后分解完成。
步骤7.完成识别
提取出表示信号的五个最佳原子的参数作为特征,将其与以上步骤中得到的周期值融合成特征矩阵,形成训练数据库以及测试数据集,导入GA_SVM中进行识别,并输出识别率。识别率的计算利用以下公式:
识别率=匹配成功的测试向量数目/参与匹配的测试向量总数
测试结果显示本发明的正确识别率在98%以上。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解,本发明不受上述具体实施例的限制,上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理,在不脱离本发明精神范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。
Claims (7)
1.基于PPG信号稀疏分解的身份识别方法,其特征在于,包括如下步骤:
步骤S1、获取被鉴定者的PPG信号,并对其进行滤波、移动平均和零均值化预处理;
步骤S2、检测预处理后信号的时域特征点提取时域特征值,提取预处理后信号中的最优波段;
步骤S3、对提取出的最优波段进行波形分割,获取若干个单周期波形;
步骤S4、将单周期波形进行信号的稀疏分解,获取信号的最佳原子特性参数特征;
步骤S5、将时域特征值与最佳原子特性参数特征进行特征融合,获取训练模板和测试样本;
步骤S6、利用支持向量机将测试样本与训练模板相匹配,识别鉴定者的身份。
2.根据权利要求1所述的一种基于PPG信号稀疏分解的身份识别方法,其特征在于,所述步骤S1中,采集N个人在规定的若干个时间段中PPG信号组成的训练数据mtrain,再采集其中一人在另一时间段内的PPG信号作为测试数据mtest。
3.根据权利要求1所述的一种基于PPG信号稀疏分解的身份识别方法,其特征在于,所述步骤S2中,利用kaiser窗对采集到的PGG信号mtrain和mtest进行带通滤波,然后进行移动平均处理,并将处理后的信号进行零均值化获取信号xtrain和xtest。
4.根据权利要求1所述的一种基于PPG信号稀疏分解的身份识别方法,其特征在于,所述步骤S3中,采用滑窗法对光电容积脉搏波波峰和波谷的检测及最优波的粗判与细判;其中,最优波形的判断为:在满足最优波形粗略判断的条件下,通过峰度和偏度对光电容积脉搏信号每个波形形态进行精确判断,其计算公式为:和
其中,kurtosis为峰度,skewness为偏度,为均值,std为标准差;
峰度和偏度的阈值为:和
其中,Tk为峰度的阈值,Ts为偏度的阈值,为最优波窗体峰度的均值,为最优波窗体偏度的均值,a1、a2为常数,数值指标需根据实验数据来确定。
5.根据权利要求1所述的一种基于PPG信号稀疏分解的身份识别方法,其特征在于,所述步骤S4中,根据步骤S3中检测出的舒张期波谷的位置,以两个相邻波谷为分割点分离出单周期波形,并提取出每个单周期的周期值t。
6.根据权利要求1所述的一种基于PPG信号稀疏分解的身份识别方法,其特征在于,所述步骤S5中稀疏分解包括设置分解参数,形成过完备原子库,在过完备原子库中获取最佳原子,在信号或信号残差中减去在最佳原子上的分量,循环进行完成分解,最后保存分解结果得到最佳原子的时频特性及投影值。
7.根据权利要求6所述的一种基于PPG信号稀疏分解的身份识别方法,其特征在于,所述过完备原子库由Gabor原子组成,一个Gabor原子由一个经过调制的高斯窗函数构成:
其中,是高斯窗函数,r=(s,u,v,w)是时频参数;
时频参数按照以下方法离散化:r=(aj,pajΔu,ka-jΔv,iΔw);
其中,a=2,Δv=π,0<j≤log2N,0≤p≤N2-j+1,0≤k<2j+1,0≤i≤12;
过完备原子库D中的原子个数LD的公式为:
LD=52(Nlog2N+N-1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811465375.XA CN109692005A (zh) | 2018-12-03 | 2018-12-03 | 基于ppg信号稀疏分解的身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811465375.XA CN109692005A (zh) | 2018-12-03 | 2018-12-03 | 基于ppg信号稀疏分解的身份识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109692005A true CN109692005A (zh) | 2019-04-30 |
Family
ID=66230372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811465375.XA Pending CN109692005A (zh) | 2018-12-03 | 2018-12-03 | 基于ppg信号稀疏分解的身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109692005A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111744A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于时域短时及长时特征融合的脉纹识别方法 |
CN114098691A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 基于混合高斯模型的脉搏波身份认证方法、装置和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927761A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于稀疏表示的故障微弱信号特征提取方法 |
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 |
CN107088069A (zh) * | 2017-03-29 | 2017-08-25 | 西安电子科技大学 | 基于人体ppg信号分段的身份识别方法 |
CN108917917A (zh) * | 2018-05-16 | 2018-11-30 | 国网山东省电力公司莱芜供电公司 | 一种基于稀疏分解的断路器机械振动信号去噪方法 |
-
2018
- 2018-12-03 CN CN201811465375.XA patent/CN109692005A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927761A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于稀疏表示的故障微弱信号特征提取方法 |
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 |
CN107088069A (zh) * | 2017-03-29 | 2017-08-25 | 西安电子科技大学 | 基于人体ppg信号分段的身份识别方法 |
CN108917917A (zh) * | 2018-05-16 | 2018-11-30 | 国网山东省电力公司莱芜供电公司 | 一种基于稀疏分解的断路器机械振动信号去噪方法 |
Non-Patent Citations (1)
Title |
---|
王秀英: "稀疏分解在图像去噪中的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111744A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于时域短时及长时特征融合的脉纹识别方法 |
CN113111744B (zh) * | 2021-03-29 | 2023-02-14 | 华南理工大学 | 一种基于时域短时及长时特征融合的脉纹识别方法 |
CN114098691A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 基于混合高斯模型的脉搏波身份认证方法、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manjunatha et al. | Online signature verification based on writer dependent features and classifiers | |
Page et al. | Utilizing deep neural nets for an embedded ECG-based biometric authentication system | |
CN106473750B (zh) | 基于光电容积脉搏波最佳周期波形的身份识别方法 | |
Shimpi et al. | A machine learning approach for the classification of cardiac arrhythmia | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
Goshvarpour et al. | Human identification using a new matching pursuit-based feature set of ECG | |
Ng et al. | Iris recognition using rapid Haar wavelet decomposition | |
CN107122643B (zh) | 基于ppg信号和呼吸信号特征融合的身份识别方法 | |
CN111407243A (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
Teodoro et al. | Feature selection for biometric recognition based on electrocardiogram signals | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN109692005A (zh) | 基于ppg信号稀疏分解的身份识别方法 | |
CN105654046B (zh) | 心电信号身份识别方法及装置 | |
Jaafar et al. | Acceleration plethysmogram based biometric identification | |
Xu et al. | Structural sparse representation with class-specific dictionary for ECG biometric recognition | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
Samal et al. | Ensemble median empirical mode decomposition for emotion recognition using EEG signal | |
Niu et al. | Local second-order gradient cross pattern for automatic depression detection | |
Campo et al. | Multiresolution analysis (discrete wavelet transform) through Daubechies family for emotion recognition in speech. | |
CN110598522A (zh) | 一种基于人脸和掌纹掌静脉识别的身份比对方法 | |
Gnana Rajesh | Analysis of MFCC features for EEG signal classification | |
Huang et al. | Multi-scale deep cascade bi-forest for electrocardiogram biometric recognition | |
CN116305048A (zh) | 一种基于改进残差收缩网络的身份识别方法 | |
CN114469017A (zh) | 脉象数据检测方法以及系统 | |
Abenna et al. | Sleep stages detection based BCI: A novel single-channel EEG classification based on optimized bandpass filter |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190430 |
|
RJ01 | Rejection of invention patent application after publication |