CN110750775B - 一种心率身份识别的方法 - Google Patents

Abstract

本发明涉及一种心率身份识别的方法，采集心率曲线，进行滤波处理；进行二阶导数处理，得到二阶导数曲线；与预设的参考曲线进行拟合，若拟合度超过拟合阈值，则判断身份可识别。通过上述的技术手段，创造性的使用心率曲线的二阶导数值作为参考，并且考虑误差设置超时比例，可以单独通过手表的心率采集器，而不用增加其他的部件，使得用户的身份识别准确率达到80%以上。

Description

一种心率身份识别的方法

技术领域

本发明涉及一种身份识别的方法，具体涉及一种心率身份识别的方法。

背景技术

目前的智能手表在内置了NFC或者其他可以进行身份识别的芯片之后，可以根据其芯片的唯一性，进行快速的支付。随着科技的发展，如微信、支付宝，根据手机的特性，已经摒弃了内置芯片，直接依靠软件和手机本身的身份识别特征来进行身份识别并且进行支付确认。手机的处理器较为强大，可以对图像进行较为清晰的识别，因此，识别成功率比较高。在将智能手机的功能逐步移植到智能手表的过程中，存在相当大的难度，这些难度存在的一个基本的原因就是手表的体积小、电池小，无法支持高功率的处理器芯片，而手表本身的特征也决定了手表中基本不会安装如手机一样具有强大计算功能的处理器。

因此，目前，当智能手表用于支付（如地铁进站出站、扫码支付）等等情况的时候，主要是利用手表本身的唯一可识别的芯片（需要另外安装），或者利用蓝牙将采集到的特征传输给手机，利用手机的处理器进行判断。技术和算法的因素，极大制约着智能手表支付市场的发展。

CN104257389B公开了一种心率识别设备及基于该设备的煤矿井下放炮人员识别方法，该方法公开了使用可穿戴设备进行心率识别的方法。苹果WATCH也在16年就提出关于心率身份识别的手表。

但是事实上，心率的识别特别是PPG心率的识别，主要依赖于光线的传输与反射，测量心率的数量可以比较准确，但是在对比测量上，识别成功的几率不是特别达。申请人做出多种实验，在心率识别的基础上，仅仅依靠心率的数据来进行模板或者其他方面的识别，是远远不能解决身份识别的问题的，很多时候都是，心率的对比模板通过，但是事实上是多个人可以匹配同一个模板，达不到心率数据和用户一一匹配的结果。

发明内容

有鉴于此，本发明提供一种心率身份识别的方式，通过该方式，可以得到去掉无用因素的对比曲线，使得采集的信号能够精确模拟对比曲线，从而依据心率单因素即可进行相对准确的身份识别。

本发明具体的技术方案如下：

一种心率身份识别的方法，所述方法包括：

采集心率曲线，进行滤波处理；

进行二阶导数处理，得到二阶导数曲线；

与预设的参考曲线进行拟合，若拟合度超过拟合阈值，则判断身份可识别。

进一步地，对滤波后的心率曲线进行一阶导数处理，得到一阶曲线；对一阶导数再次进行导数处理，得到二阶导数，形成二阶曲线。

进一步地，对所述参考曲线进行容忍化处理，所述容忍化处理为对参考曲线中每个时间坐标对应的数值按照比例阈值进行扩大，从而形成参考曲线带。

进一步地，所述比例阈值为1%-5%。

进一步地，与预设的参考曲线带进行拟合，若容纳在所述参考曲线带的时间比例超过拟合阈值，则判断身份可识别。

进一步地，所述拟合阈值为95%-100%。

进一步地，所述参考曲线为学习曲线，所述学习曲线获得方法为：

S11，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

S12，对所有的波峰曲线进行二阶导数处理，得到第一波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第一波谷二阶导数曲线；

S13，对所有第一波峰二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；对所有第一波谷二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；

S14，插值处理，得到由标准差和插值组成的第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线；所述第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线组成初始学习曲线或者第一学习曲线。

进一步地，在摘下手表并第i次佩戴时，实施如下方法：

Si0，若身份可识别，则转入到Si1；

Si1，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

Si2，对所有的波峰曲线进行二阶导数处理，得到第i波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第i波谷二阶导数曲线；

Si3，对所述的第i波峰二阶导数曲线和第i-1学习曲线中的第i-1参考波峰二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；对所述的第i波谷二阶导数曲线和第i-1学习曲线中的第i-1参考波谷二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；

Si4，插值处理，得到由标准差和插值组成的第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线；所述第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线组成第i学习曲线。

通过上述的技术手段，创造性的使用心率曲线的二阶导数值作为参考，并且考虑误差设置超时比例，可以单独通过手表的心率采集器，而不用增加其他的部件，使得用户的身份识别准确率达到80%以上。也期望后续能够有更精确的算法将准确识别率达到90以上甚至100%。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

第一实施例

用户佩戴具有心率传感器的手表，最好是PPG心率识别的手表，测量得到的心率的曲线为连续的曲线，曲线类似与正弦，但是和正弦曲线有较大的区别，区别主要在于，曲线的波峰和波谷之间为不规则的类似于突变性质的曲线。一般我们去0.1-0.2秒内的包括波峰或者波谷的曲线进行研究。

每个人的波峰和波谷都不相同，与用户的血压、心脏功能有非常大的关系，有些人的波峰比较平稳，说明整体气血不太足，有些人波峰在顶点的地方呈现尖锐的状态，非常有力，气血旺盛。当然，这些不属于本申请的范围，但是这些现象表明，每个人的心率的曲线背后的因素不一样，可以通过这些现象来进行精确的身份识别。

取用户的一段心率曲线，该心率曲线至少包括N个波峰和N个波谷，为了平衡数据的准确性和全面性，N值一般大于10。每个用户的心率曲线的波峰和波谷也存在比较大的区别，因此，波峰和波谷需要分别处理。

对于波峰和波谷，分别取以波峰点和波谷点为中心的第一时长的时间段，一般取0.1-0.2秒。形成至少N个波峰曲线和N个波谷曲线。

对所有的波峰曲线和波谷曲线进行二阶导数处理，得到第一波峰二阶导数曲线和第一波谷二阶导数曲线。

由于每个第一时长上虽然时间比较短，但是连续的曲线内还是有无限多的点，因此，我们对启进行散点处理，为了平衡准确性与计算量，一般我们取散点的数量在50-100个点。并且，每个第一时长的波峰或者波谷，散点的数量和对应的时间点都是一样的。如将每个波峰曲线或者每个波谷曲线的第一点的时间都极为0 ，在每个波峰的0.001秒上取第一个点，0.002秒上取第二个点，保证每个时间点，在每个波峰或者波谷曲线上都有对应的散点。

对所有波峰曲线的具有相同时间横坐标的散点进行标准差运算，进行插值处理，得到参考波峰二阶导数曲线。对波谷曲线也进行相同的操作，得到参考波谷二阶导数曲线。

所述参考波峰二阶导数曲线和参考波谷二阶导数曲线组成初始学习曲线。

在第二天，或者用户再次佩戴手表的时候，基于上述的初始学习曲线，对用户的身份进行识别，若是测量并且计算得到的二阶导数曲线与初始学习曲线的拟合度超过拟合阈值，一般拟合阈值可以设置为95%，则认为目前佩戴手表的用户与上一次佩戴手表的用户为同一用户，此时即进行了身份识别。

事实上，在身份识别的时候，我们可以采用较为简单的方式设置拟合度。方法如下：

首先，将初始学习曲线进行容忍化处理，该容忍化为扩大化处理得到学习曲线带。这个扩大化是基于用户在测量的时候的测量误差。如将每个时间坐标对应的二阶导数值均在比例阈值内扩大。比例阈值可以设置为1%-5%。这样，方便比对。将测量并且计算得到的二阶导数曲线与上述的学习曲线带进行对比，若伸出该学习曲线带的时间长度与总时间长度（上述的第一时长）的比例超过比例阈值，则判断身份不可识别，即这次佩戴的与上次的不是同一个人。

第二实施例

用户由于进行锻炼治疗等等因素，心率曲线的二阶导数反馈的数据事实上可能是缓慢变化的，因此，上述的学习曲线我们取名叫初始学习曲线，是为了方便同一用户在佩戴以后不断地进行学习优化。学习的方式如下：

S11，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

S12，对所有的波峰曲线进行二阶导数处理，得到第一波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第一波谷二阶导数曲线；

S13，对所有第一波峰二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；对所有第一波谷二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；

S14，插值处理，得到由标准差和插值组成的第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线；所述第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线组成初始学习曲线。

下一次用户佩戴的时候，进行如下操作：

S20，若身份可识别，则转入到S21；

S21，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

S22，对所有的波峰曲线进行二阶导数处理，得到第二波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第二波谷二阶导数曲线；

S23，对所述的第二波峰二阶导数曲线和所述初始学习曲线中的第一参考波峰二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；对所述的第二波谷二阶导数曲线和所述初始学习曲线中的第一参考波谷二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；

S24，插值处理，得到由标准差和插值组成的第二参考波峰二阶导数曲线和第二参考波谷二阶导数曲线；所述第二参考波峰二阶导数曲线和第二参考波谷二阶导数曲线组成第二学习曲线。

在手表第i此被佩戴时，进行如下操作：

Si0，若身份可识别，则转入到S21；

Si1，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

Si2，对所有的波峰曲线进行二阶导数处理，得到第i波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第i波谷二阶导数曲线；

Si3，对所述的第i波峰二阶导数曲线和第i-1学习曲线中的第i-1参考波峰二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；对所述的第i波谷二阶导数曲线和第i-1学习曲线中的第i-1参考波谷二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；

S24，插值处理，得到由标准差和插值组成的第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线；所述第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线组成第i学习曲线。

由此，作为比对的参考曲线可以不断的被学习，从而更加符合用户不断变化的自身需求。

通过上述的技术手段，创造性的使用心率曲线的二阶导数值作为参考，并且考虑误差设置超时比例，可以单独通过手表的心率采集器，而不用增加其他的部件，使得用户的身份识别准确率达到80%以上。也期望后续能够有更精确的算法将准确识别率达到90以上甚至100%。

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精神和范围。

Claims (7)

1.一种心率身份识别的方法，所述方法包括：

采集心率曲线，进行滤波处理；

进行二阶导数处理，得到二阶导数曲线；

与预设的参考曲线进行拟合，若拟合度超过拟合阈值，则判断身份可识别；

其中，所述参考曲线为学习曲线，所述学习曲线获得方法为：

S11，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

S12，对所有的波峰曲线进行二阶导数处理，得到第一波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第一波谷二阶导数曲线；

S13，对所有第一波峰二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；对所有第一波谷二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；

S14，插值处理，得到由标准差和插值组成的第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线；所述第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线组成初始学习曲线或者第一学习曲线。

2.根据权利要求1所示方法，其特征在于，对滤波后的心率曲线进行一阶导数处理，得到一阶曲线；对一阶导数再次进行导数处理，得到二阶导数，形成二阶曲线。

3.根据权利要求1所示方法，其特征在于，对所述参考曲线进行容忍化处理，所述容忍化处理为对参考曲线中每个时间坐标对应的数值按照比例阈值进行扩大，从而形成参考曲线带。

4.根据权利要求3所示方法，其特征在于，所述比例阈值为1%-5%。

5.根据权利要求3所示方法，其特征在于，与预设的参考曲线带进行拟合，若容纳在所述参考曲线带的时间比例超过拟合阈值，则判断身份可识别。

6.根据权利要求5所示方法，其特征在于，所述拟合阈值为95%-100%。

7.根据权利要求1所示方法，其特征在于，在摘下手表并第i次佩戴时，实施如下方法：

Si0，若身份可识别，则转入到Si1；

Si1，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

Si2，对所有的波峰曲线进行二阶导数处理，得到第i波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第i波谷二阶导数曲线；

Si3，对所述的第i波峰二阶导数曲线和第i-1学习曲线中的第i-1参考波峰二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；对所述的第i波谷二阶导数曲线和第i-1学习曲线中的第i-1参考波谷二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；

Si4，插值处理，得到由标准差和插值组成的第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线；所述第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线组成第i学习曲线。