CN110458197A - 基于光电容积脉搏波的身份识别方法及其系统 - Google Patents

基于光电容积脉搏波的身份识别方法及其系统 Download PDF

Info

Publication number
CN110458197A
CN110458197A CN201910622556.7A CN201910622556A CN110458197A CN 110458197 A CN110458197 A CN 110458197A CN 201910622556 A CN201910622556 A CN 201910622556A CN 110458197 A CN110458197 A CN 110458197A
Authority
CN
China
Prior art keywords
ppg
photoplethysmographic
signal
convolutional neural
neural networks
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
Application number
CN201910622556.7A
Other languages
English (en)
Inventor
王国兴
王敏
林炳辉
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.)
Guangdong Jiuzhi Technology Co.,Ltd.
Original Assignee
Qidong Zhimicroelectronics Technology 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 Qidong Zhimicroelectronics Technology Co Ltd filed Critical Qidong Zhimicroelectronics Technology Co Ltd
Priority to CN201910622556.7A priority Critical patent/CN110458197A/zh
Publication of CN110458197A publication Critical patent/CN110458197A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于光电容积脉搏波的身份识别方法，包括以下步骤：S1、数据预处理程序模块对采集的PPG信号进行预处理；S2、广义S变换程序模块对预处理后的PPG信号进行广义S变换获取PPG频谱特征图；S3、Getframe图像处理模块调用Getframe函数对PPG频谱特征图在每个时间点进行快照，获得一个连续的PPG频谱轨迹特征图；S4、卷积神经网络对PPG频谱轨迹特征图进行特征提取、特征分类，实现身份识别。有益效果是将PPG信号从原始的一维信号转换成二维的图像，以便后续采用卷积神经网络进行身份识别，提取数据特征容易，提取数据特征过程简单而且可靠性高。

Description

基于光电容积脉搏波的身份识别方法及其系统
【技术领域】
本发明涉及身份识别技术领域，具体涉及基于光电容积脉搏波的身份识别方法及其系统。
【背景技术】
随着信息化的快速发展和互联网应用的普及，信息安全问题变得越来越突出，对个人身份识别的要求也越来越强烈，自动化系统只有准确识别个人的身份才能有效保护信息安全。传统的身份验证手段存在着丢失，被盗窃，甚至伪造的风险，安全性较低。生物特征作为人体固有的特征，不但克服了传统验证方式的缺点，也更易于自动化识别验证。常用于验证身份的生物特征包括指纹、人脸、声音、皮肤、步态、虹膜、静脉、手形、手写体、脱氧核糖核酸(DNA)、心电信号(ECG)和光电容积脉搏波(PPG)信号等。其中人脸、指纹、声音等验证方式有较长的研究和应用历史，技术已经趋于成熟，操作方便且准确率高，但是人脸可以用假面欺骗，声音可以直接录制，指纹印可以从人手接触过的各个地方提取到，复制成本都比较低。又如DNA特征虽然难以复制且有天然编码，但操作复杂，实时性差。对于安全性要求更高的场合，例如财产安全、患者临床检测数字记录等，需要更难复制的生物特征。目前基于ECG信号的身份识别算法研究成熟，最高识别率可高达100％。相比之下，需要加强基于PPG信号的身份识别研究。PPG信号包含了众多心血管信息，如心率，血压等，对于不同的人，由于其身体结构的差异，各个波群的相对位置，周期和幅度都会有所不同，因此每个人都有异于他人的PPG波形，这也是PPG用于身份验证的基础。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。
西安电子科技大学同鸣、杨晓玲在PPG信号身份识别领域有多项发明专利申请。申请(专利)号：CN201710224596.7，发明名称《基于PPG信号和呼吸信号特征融合的身份识别方法》对测试PPG样本和呼吸样本进行特征融合，类别预测，得到识别结果。申请(专利)号：CN201610876814.0，发明名称《基于光电容积脉搏波最佳周期波形的身份识别方法》利用支持向量机将测试特征向量与预先生成的被鉴定者训练特征向量库进行匹配，输出身份识别结果。申请(专利)号：CN201710195051.8，发明名称《基于人体PPG信号分段的身份识别方法》对测试子特征加权融合，获取测试特征集，利用SVM分类器完成身份识别。以上方法大多采用SVM(Support Vector Machine)分类器完成分类识别。然而，该方法需要提取大量的特征，过程非常麻烦，而且无法保证提取的特征的可靠性，不具有推广性。
本发明针对上述现有技术，对基于PPG信号的身份识别进行了改进。
【发明内容】
本发明的目的是，提出一种基于光电容积脉搏波的提取数据特征容易，提取数据特征过程简单而且可靠性高的身份识别方法。
为实现上述目的，本发明采取的技术方案是基于光电容积脉搏波的身份识别方法，包括以下步骤：
S1、数据预处理程序模块对采集的PPG信号进行预处理；
S2、广义S变换程序模块对预处理后的PPG信号进行广义S变换获取PPG频谱特征图；
S3、Getframe图像处理模块调用Getframe函数对PPG频谱特征图在每个时间点进行快照，获得一个连续的PPG频谱轨迹特征图；
S4、卷积神经网络对PPG频谱轨迹特征图进行特征提取、特征分类，实现身份识别。
进一步的优选技术方案，上述预处理采用小波变换对PPG信号进行滤波处理以去除噪声，把PPG信号分割成分段信号以减少每段信号的数据处理量。
优选地，上述分段信号是任意分割成的具有相同时间长度的滤波处理后的PPG信号。
进一步的优选技术方案，上述广义S变换程序模块通过广义S变换把时域的PPG信号转换到时频域，充分反映PPG信号的时频联合特性，获得每个时间点的PPG频谱特征图。
进一步的优选技术方案，上述Getframe图像处理模块将PPG频谱轨迹特征图的大小和像素调整一致，作为卷积神经网络的输入信号。
进一步的优选技术方案，上述卷积神经网络的卷积层和池化层对PPG频谱轨迹特征图提取特征；上述卷积神经网络的激活函数层和全连接层对PPG频谱轨迹特征图特征分类以进行身份识别。
优选地，上述激活函数层采用ReLu激活函数来降低梯度，上述全连接层采用Softmax分类器进行特征分类。
本发明的再一目的是，提出一种基于光电容积脉搏波的提取数据特征容易，提取数据特征过程简单而且可靠性高的身份识别系统。
为实现上述目的，本发明采取的技术方案是基于光电容积脉搏波的身份识别系统，上述系统包括数据预处理程序模块、广义S变换程序模块、Getframe图像处理程序模块、卷积神经网络，上述数据预处理程序模块、广义S变换程序模块、Getframe图像处理程序模块、卷积神经网络依次顺序连接，上述卷积神经网络包括卷积层、池化层、激活函数层、全连接层，采集的PPG信号经过上述系统执行上述的基于光电容积脉搏波的身份识别方法，输出身份识别结果。
本发明有如下有益效果：将PPG信号通过广义S变换和Getframe技术转换成频谱特征轨迹图，从而把原始的一维信号转换成二维的图像，以便后续采用卷积神经网络进行身份识别，首先，CNN卷积层的卷积操作过程就是特征提取的过程，其在训练数据的过程中隐式地提取特征，本发明采用CNN进行特征提取时只需要将输入数据做简单的预处理即可，避免了其他方法中复杂的特征提取操作，简化了特征提取流程；其次，由于CNN在同一特征面上的神经元相互间共享权值，极大的减少了训练参数，降低了网络结构的复杂性，增强了系统的泛化能力，有利于进行大规模的身份识别，极大地简化了识别网络的复杂度。
【附图说明】
图1是基于光电容积脉搏波的身份识别方法步骤图。
图2是基于光电容积脉搏波的身份识别方法系统框图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
实施例1
本实施例实现基于光电容积脉搏波的身份识别方法。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。
SoftMax模型是一种用来解决多分类问题的模型。
在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数(又称激励函数)。sigmoid和tanh是“饱和激活函数”，而ReLU及其变体则是“非饱和激活函数”。使用“非饱和激活函数”的优势在于两点：(1)“非饱和激活函数”能解决所谓的“梯度消失”问题。(2)它能加快收敛速度。
S变换是小波变换和短时傅里叶变换的继承和发展，S变换采用高斯窗函数且窗宽与频率的倒数成正比。
附图1所述基于光电容积脉搏波的身份识别方法步骤图，框图中的CNN，可以基于本地的服务器实现，也可以是基于云计算的服务实现，或者兼而有之；具体实现的程序是基于Python语言的项目；可以选用商业的神经网络，例如Alexnet、VGG Net，以及上述神经网络的改进。
基于光电容积脉搏波的身份识别方法，包括以下步骤：
S1、数据预处理程序模块对采集的PPG信号进行预处理；
S2、广义S变换程序模块对预处理后的PPG信号进行广义S变换获取PPG频谱特征图；
S3、Getframe图像处理模块调用Getframe函数对PPG频谱特征图在每个时间点进行快照，获得一个连续的PPG频谱轨迹特征图；
S4、卷积神经网络对PPG频谱轨迹特征图进行特征提取、特征分类，实现身份识别。
进一步的优选技术方案，上述预处理采用小波变换对PPG信号进行滤波处理以去除噪声，把PPG信号分割成分段信号以减少每段信号的数据处理量。
优选地，上述分段信号是任意分割成的具有相同时间长度的滤波处理后的PPG信号。
进一步的优选技术方案，上述广义S变换程序模块通过广义S变换把时域的PPG信号转换到时频域，充分反映PPG信号的时频联合特性，获得每个时间点的PPG频谱特征图。
进一步的优选技术方案，上述Getframe图像处理模块将PPG频谱轨迹特征图的大小和像素调整一致，作为卷积神经网络的输入信号。
进一步的优选技术方案，上述卷积神经网络的卷积层和池化层对PPG频谱轨迹特征图提取特征；上述卷积神经网络的激活函数层和全连接层对PPG频谱轨迹特征图特征分类以进行身份识别。
优选地，上述激活函数层采用ReLu激活函数来降低梯度，上述全连接层采用Softmax分类器进行特征分类。
本实施例将PPG信号通过广义S变换和Getframe技术转换成频谱特征轨迹图，从而把原始的一维信号转换成二维的图像，以便后续采用卷积神经网络进行身份识别，首先，CNN卷积层的卷积操作过程就是特征提取的过程，其在训练数据的过程中隐式地提取特征，本实施例采用CNN进行特征提取时只需要将输入数据做简单的预处理即可，避免了其他方法中复杂的特征提取操作，简化了特征提取流程；其次，由于CNN在同一特征面上的神经元相互间共享权值，极大的减少了训练参数，降低了网络结构的复杂性，增强了系统的泛化能力，有利于进行大规模的身份识别，极大地简化了识别网络的复杂度。
实施例2
本实施例实现基于光电容积脉搏波的身份识别系统。
附图2所述基于光电容积脉搏波的身份识别方法系统框图。基于光电容积脉搏波的身份识别系统，上述系统包括数据预处理程序模块、广义S变换程序模块、Getframe图像处理程序模块、卷积神经网络，上述数据预处理程序模块、广义S变换程序模块、Getframe图像处理程序模块、卷积神经网络依次顺序连接，上述卷积神经网络包括卷积层、池化层、激活函数层、全连接层，采集的PPG信号经过上述系统执行上述实施例1所述的基于光电容积脉搏波的身份识别方法，输出身份识别结果。
实施例3
本实施例实现基于光电容积脉搏波的身份识别方法。本实施例是实施例1、实施例2的具体应用。
请先参阅附图2。附图2是本实施例基于光电容积脉搏波的身份识别方法系统框图，其中包含了四部分：数据预处理、广义S变换、Getframe技术和卷积神经网络。
请参阅附图1。图2是本实施例基于光电容积脉搏波的身份识别方法步骤图。数据处理流程如下：第一步输入时域的PPG信号进行滤波处理；第二步通过广义S变换获得PPG频谱特征图；第三步通过Getframe得到PPG频谱轨迹特征图；第四步将PPG频谱轨迹特征图的大小和像素调整一致。
本实施例基于光电容积脉搏波的身份识别方法，主要包括以下四个部分。
1.数据预处理：
PPG信号采集过程中，设备或人体的活动容易导致采集到的PPG信号受到干扰。常见的干扰有基线漂移、工频干扰及运动伪迹等。因此需要对采集到的PPG信号进行预处理。本实施例中数据预处理过程首先采用小波变换对PPG信号进行滤波处理以去除噪声。由于数据量庞大，本实施例把数据分割成分段信号以减少每段信号的数据处理量。为了保证数据的多样性，本实施例将过滤后的PPG信号盲目分割成具有相同时间长度的窗口，窗口的时间长度为3秒，以确保分段信号中至少有一个完整的PPG波形信号。对于每一个受试者，本实施例将随机选取固定长度的PPG数据用于下一个时/频域转换，这些数据通常包含不同数量的脉搏信号和不同幅度的信号模式。
2.广义S变换(GST)：
S变换是连续的“相位校正”小波变换，GST是基于S变换的高斯窗函数。与传统的时频分析方法相比，时频GST分析方法具有高频分辨率、抗噪声能力强、无交叉干扰、可调节窗口功能等优点。本实施例通过GST把时域的PPG信号转换到时频域，从而充分反映PPG信号的时频联合特性。之后将经过GST变换的每个时间点的PPG频谱特征图(n个时间点的总共n个频谱)用于CNN的输入，为身份认证提供足够的时域、频域联合分布信息。
3.Getframe技术：
Getframe技术是一种图像处理技术，主要用于对当前的图形进行快照。本实施例使用MATLAB中的Getframe函数将经过GST变换的PPG频谱特征图在每个时间点进行快照，从而获得一个连续的PPG频谱轨迹特征图。连续的PPG频谱轨迹特征图作为CNN的输入信号。
4.卷积神经网络：
本实施例卷积神经网络，其包含了卷积层、池化层、激活函数层和全连接层。其中卷积层和池化层用来提取特征以便学习特征；激活函数层和全连接层对特征分类以达到识别受试者身份的目的。对CNN中每一层的描述如下：
输入信号：本实施例CNN模型的输入是通过Getframe技术获得的PPG频谱轨迹特征图。对于每个PPG频谱轨迹特征图，本实施例将PPG频谱轨迹特征图的大小调整一致后作为输入信号输入至卷积神经网络；
卷积层：卷积层是CNN的主要构建模块，其通过对输入数据应用卷积滤波操作来提取数据的特征以获取数据的特征图。
池化层：池化层对每个特征图进行降采样以减小每个特征图的维度和数据量，同时保留特征图中的重要信息以便对图像进行压缩，减少数据处理。
卷积层和池化层主要是对图像进行特征提取。本实施例在各层中选取多个滤波器进行滤波。单个滤波器将提取图像的一种特征，因此使用多个滤波器后该层将输出多个特征图。
激活函数层：激活函数层通过激活函数将非线性引入到卷积神经网络从而映射到数据中。与传统的人工神经网络相比，CNN由于具有更深的层，前向传播计算相对较大，并且在计算期间容易产生梯度和其他相关问题反向传播计算，因此需要引入激活函数以减小梯度、提高计算精度。本实施例中采用Relu激活函数来降低梯度。
全连接层：上述卷积层和池化层的输出反映了输入图像的高级特征。当特征图像输入到全连接层时，全连接层使用这些特征进行分类。全连接层中每个神经元与前一层的所有的神经元相互连接。Softmax层是全连接网络的最后一层，本实施例采用Softmax作为分类器进行分类，其输出是一个对应于受试人数的N维向量。
综上所述，本实施例首先将PPG信号通过广义S变换和Getframe技术转换成PPG频谱特征轨迹图从而将原始的一维信号转换成二维的图像，从而利用卷积神经网络在识别二维图像上的优势来进行身份识别。与现有方法相比，本实施例提出的方法极大地简化了识别网络的复杂度。
本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Acess Memory，RAM)等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (8)

1.基于光电容积脉搏波的身份识别方法，其特征在于包括以下步骤：
S1、数据预处理程序模块对采集的PPG信号进行预处理；
S2、广义S变换程序模块对预处理后的PPG信号进行广义S变换获取PPG频谱特征图；
S3、Getframe图像处理模块调用Getframe函数对PPG频谱特征图在每个时间点进行快照，获得一个连续的PPG频谱轨迹特征图；
S4、卷积神经网络对PPG频谱轨迹特征图进行特征提取、特征分类，实现身份识别。
2.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于步骤S1：所述预处理采用小波变换对PPG信号进行滤波处理以去除噪声，把PPG信号分割成分段信号以减少每段信号的数据处理量。
3.根据权利要求2所述的基于光电容积脉搏波的身份识别方法，其特征在于步骤S1：所述分段信号是任意分割成的具有相同时间长度的滤波处理后的PPG信号。
4.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于步骤S2：所述广义S变换程序模块通过广义S变换把时域的PPG信号转换到时频域，充分反映PPG信号的时频联合特性，获得每个时间点的PPG频谱特征图。
5.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于步骤S3：所述Getframe图像处理模块将PPG频谱轨迹特征图的大小和像素调整一致，作为卷积神经网络的输入信号。
6.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于步骤S4：所述卷积神经网络的卷积层和池化层对PPG频谱轨迹特征图提取特征；所述卷积神经网络的激活函数层和全连接层对PPG频谱轨迹特征图特征分类以进行身份识别。
7.根据权利要求6所述的基于光电容积脉搏波的身份识别方法，其特征在于步骤S4：所述激活函数层采用ReLu激活函数来降低梯度，所述全连接层采用Softmax分类器进行特征分类。
8.基于光电容积脉搏波的身份识别系统，其特征在于：所述系统包括数据预处理程序模块、广义S变换程序模块、Getframe图像处理程序模块、卷积神经网络，所述数据预处理程序模块、广义S变换程序模块、Getframe图像处理程序模块、卷积神经网络依次顺序连接，所述卷积神经网络包括卷积层、池化层、激活函数层、全连接层，采集的PPG信号经过所述系统执行权利要求1至7任一权利要求所述的基于光电容积脉搏波的身份识别方法，输出身份识别结果。
CN201910622556.7A 2019-07-11 2019-07-11 基于光电容积脉搏波的身份识别方法及其系统 Pending CN110458197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910622556.7A CN110458197A (zh) 2019-07-11 2019-07-11 基于光电容积脉搏波的身份识别方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910622556.7A CN110458197A (zh) 2019-07-11 2019-07-11 基于光电容积脉搏波的身份识别方法及其系统

Publications (1)

Publication Number Publication Date
CN110458197A true CN110458197A (zh) 2019-11-15

Family

ID=68482651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910622556.7A Pending CN110458197A (zh) 2019-07-11 2019-07-11 基于光电容积脉搏波的身份识别方法及其系统

Country Status (1)

Country Link
CN (1) CN110458197A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222498A (zh) * 2020-03-19 2020-06-02 桂林电子科技大学 一种基于光电容积脉搏波的身份识别方法
CN111358455A (zh) * 2020-03-17 2020-07-03 乐普（北京）医疗器械股份有限公司 一种多数据源的血压预测方法和装置
CN111358451A (zh) * 2020-03-17 2020-07-03 乐普（北京）医疗器械股份有限公司 一种血压预测方法和装置
CN111444489A (zh) * 2020-01-06 2020-07-24 北京理工大学 一种基于光电容积脉搏波传感器的双因子认证方法
CN111563455A (zh) * 2020-05-08 2020-08-21 南昌工程学院 基于时间序列信号和压缩卷积神经网络的伤损识别方法
CN111783715A (zh) * 2020-07-10 2020-10-16 安徽建筑大学 基于脉搏信号特征提取的身份识别方法
CN112307996A (zh) * 2020-11-05 2021-02-02 杭州电子科技大学 一种指尖心电身份识别装置及方法
CN112699993A (zh) * 2020-12-11 2021-04-23 北京信息科技大学 一种多层光学卷积神经网络方法
CN112869717A (zh) * 2021-02-25 2021-06-01 佛山科学技术学院 一种基于bl-cnn的脉搏特征识别分类系统及方法
CN113312596A (zh) * 2021-06-10 2021-08-27 重庆市勘测院 一种基于深度学习和异步轨迹数据的用户身份识别方法
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
CN115830656A (zh) * 2022-12-08 2023-03-21 辽宁科技大学 基于脉搏波的身份识别方法及装置
CN116035548A (zh) * 2023-03-31 2023-05-02 深圳市九天睿芯科技有限公司 心律状态检测方法、装置、智能穿戴设备及存储介质
TWI802346B (zh) * 2022-02-18 2023-05-11 聯發科技股份有限公司 認證系統及認證方法
CN118211182A (zh) * 2024-05-10 2024-06-18 沈阳恒德医疗器械研发有限公司 基于脉搏波信号多指标融合分析的身份识别系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100016738A1 (en) * 2008-07-15 2010-01-21 Nellcor Puritan Bennett Ireland Systems and methods for pulse processing
CN109919050A (zh) * 2019-02-21 2019-06-21 天津惊帆科技有限公司 身份识别方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100016738A1 (en) * 2008-07-15 2010-01-21 Nellcor Puritan Bennett Ireland Systems and methods for pulse processing
CN109919050A (zh) * 2019-02-21 2019-06-21 天津惊帆科技有限公司 身份识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHIDONG ZHAO, YEFEI ZHANG, YANJUN DENG, XIAOHONG ZHANG: "ECG authentication system design incorporating a convolutional neural network and generalized S-Transformation", 《COMPUTERS IN BIOLOGY AND MEDICINE》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444489A (zh) * 2020-01-06 2020-07-24 北京理工大学 一种基于光电容积脉搏波传感器的双因子认证方法
CN111444489B (zh) * 2020-01-06 2022-10-21 北京理工大学 一种基于光电容积脉搏波传感器的双因子认证方法
CN111358451B (zh) * 2020-03-17 2022-07-29 乐普（北京）医疗器械股份有限公司 一种血压预测方法和装置
CN111358455A (zh) * 2020-03-17 2020-07-03 乐普（北京）医疗器械股份有限公司 一种多数据源的血压预测方法和装置
CN111358451A (zh) * 2020-03-17 2020-07-03 乐普（北京）医疗器械股份有限公司 一种血压预测方法和装置
CN111358455B (zh) * 2020-03-17 2022-07-29 乐普（北京）医疗器械股份有限公司 一种多数据源的血压预测方法和装置
CN111222498A (zh) * 2020-03-19 2020-06-02 桂林电子科技大学 一种基于光电容积脉搏波的身份识别方法
CN111563455A (zh) * 2020-05-08 2020-08-21 南昌工程学院 基于时间序列信号和压缩卷积神经网络的伤损识别方法
CN111783715A (zh) * 2020-07-10 2020-10-16 安徽建筑大学 基于脉搏信号特征提取的身份识别方法
CN111783715B (zh) * 2020-07-10 2024-04-23 安徽建筑大学 基于脉搏信号特征提取的身份识别方法
CN112307996A (zh) * 2020-11-05 2021-02-02 杭州电子科技大学 一种指尖心电身份识别装置及方法
CN112307996B (zh) * 2020-11-05 2024-04-02 杭州电子科技大学 一种指尖心电身份识别装置及方法
CN112699993A (zh) * 2020-12-11 2021-04-23 北京信息科技大学 一种多层光学卷积神经网络方法
CN112869717B (zh) * 2021-02-25 2023-02-24 佛山科学技术学院 一种基于bl-cnn的脉搏特征识别分类系统及方法
CN112869717A (zh) * 2021-02-25 2021-06-01 佛山科学技术学院 一种基于bl-cnn的脉搏特征识别分类系统及方法
CN113312596A (zh) * 2021-06-10 2021-08-27 重庆市勘测院 一种基于深度学习和异步轨迹数据的用户身份识别方法
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
TWI802346B (zh) * 2022-02-18 2023-05-11 聯發科技股份有限公司 認證系統及認證方法
CN115830656A (zh) * 2022-12-08 2023-03-21 辽宁科技大学 基于脉搏波的身份识别方法及装置
CN115830656B (zh) * 2022-12-08 2023-07-14 辽宁科技大学 基于脉搏波的身份识别方法及装置
CN116035548A (zh) * 2023-03-31 2023-05-02 深圳市九天睿芯科技有限公司 心律状态检测方法、装置、智能穿戴设备及存储介质
CN116035548B (zh) * 2023-03-31 2023-06-09 深圳市九天睿芯科技有限公司 心律状态检测方法、装置、智能穿戴设备及存储介质
CN118211182A (zh) * 2024-05-10 2024-06-18 沈阳恒德医疗器械研发有限公司 基于脉搏波信号多指标融合分析的身份识别系统及方法
CN118211182B (zh) * 2024-05-10 2024-09-17 沈阳恒德医疗器械研发有限公司 基于脉搏波信号多指标融合分析的身份识别系统及方法

Similar Documents

Publication Publication Date Title
CN110458197A (zh) 基于光电容积脉搏波的身份识别方法及其系统
Hammad et al. A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication
Lynn et al. A deep bidirectional GRU network model for biometric electrocardiogram classification based on recurrent neural networks
Chu et al. ECG authentication method based on parallel multi-scale one-dimensional residual network with center and margin loss
Yuan et al. Fingerprint liveness detection using an improved CNN with image scale equalization
CN108776788A (zh) 一种基于脑电波的识别方法
CN109247923A (zh) 基于视频的非接触式脉搏实时估计方法及设备
Zhang et al. Human identification driven by deep CNN and transfer learning based on multiview feature representations of ECG
CN111523601A (zh) 一种基于知识引导和生成对抗学习的潜在情绪识别方法
CN111222498A (zh) 一种基于光电容积脉搏波的身份识别方法
Patil et al. A non-contact PPG biometric system based on deep neural network
Jyotishi et al. An ECG biometric system using hierarchical LSTM with attention mechanism
CN116304815A (zh) 一种基于自注意力机制和并行卷积的运动想象脑电信号分类方法
Janapati et al. Towards a more theory-driven BCI using source reconstructed dynamics of EEG time-series
CN116738295B (zh) sEMG信号分类方法、系统、电子设备及存储介质
Kuang et al. LSTM model with self-attention mechanism for EEG based cross-subject fatigue detection
CN117084693A (zh) 一种基于多领域特征融合和注意力机制的脑病检测系统
Bandana Das et al. Person identification using autoencoder-CNN approach with multitask-based EEG biometric
CN112215196A (zh) 一种心电身份识别方法
Yaacoubi et al. A multimodal biometric identification system based on ECG and PPG signals
Tseng et al. Ecg identification system using neural network with global and local features.
Xu et al. New advances in remote heart rate estimation and its application to deepfake detection
Wu et al. Research on personal identity verification based on convolutional neural network
Thentu et al. Ecg biometric using 2d deep convolutional neural network
Sancho et al. Photoplethysmographic authentication in long-term scenarios: A preliminary assessment

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
TA01 Transfer of patent application right

Effective date of registration: 20210508

Address after: 214 000 999-8-d2-801-802, gaolang East Road, Wuxi City, Jiangsu Province

Applicant after: Wuxi Jintong Technology Co.,Ltd.

Address before: 226000 No. 500, Linyang Road, Qidong Economic Development Zone, Nantong City, Jiangsu Province

Applicant before: Qidong zhimicroelectronics Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220210

Address after: 528403 room 411-18, floor 4, building C, innovation center plant, No. 34, Xiangshan Avenue, Cuiheng new area, Zhongshan City, Guangdong Province

Applicant after: Guangdong Jiuzhi Technology Co.,Ltd.

Address before: 214 000 999-8-d2-801-802, gaolang East Road, Wuxi City, Jiangsu Province

Applicant before: Wuxi Jintong Technology Co.,Ltd.

TA01 Transfer of patent application right
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191115

WD01 Invention patent application deemed withdrawn after publication