CN110811633A - 基于肌电信号的身份识别方法、系统、装置 - Google Patents
基于肌电信号的身份识别方法、系统、装置 Download PDFInfo
- Publication number
- CN110811633A CN110811633A CN201911077519.9A CN201911077519A CN110811633A CN 110811633 A CN110811633 A CN 110811633A CN 201911077519 A CN201911077519 A CN 201911077519A CN 110811633 A CN110811633 A CN 110811633A
- Authority
- CN
- China
- Prior art keywords
- electromyographic
- electromyographic signal
- signal
- identity recognition
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000013501 data transformation Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000003183 myoelectrical effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000554 iris Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 244000286916 Ratibida columnifera Species 0.000 description 1
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- 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
Abstract
本发明属于生物识别领域，具体涉及一种基于肌电信号的身份识别方法、系统、装置，旨在解决现有身份识别方法中人体的生物特征容易被伪造和篡改，导致安全性差的问题。本系统方法包括获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号；提取输入信号对应的特征值；基于特征值，通过身份识别模型获取用户身份识别结果；其中，身份识别模型基于卷积神经网络构建，并基于训练样本进行训练，所述训练样本包括肌电信号特征值样本、对应的用户身份信息标签。本发明利用肌电信号进行身份识别，提高了身份识别的安全性。
Description
技术领域
本发明属于生物识别领域，具体涉及一种基于肌电信号的身份识别方法、系统、装置。
背景技术
随着科技的快速发展以及社会信息化水平的不断提高，个人信息的安全性越来越重要。为了确保人们的信息安全，各种各样的身份识别技术应运而生。传统的个人身份识别方法有个人识别码(PIN)或识别标签(ID)等，会有PIN/ID泄露、盗窃和伪造的风险，安全程度不是很高。随后，研究者们提出了一种利用人体独特的生理特征来识别用户身份的生物识别技术，以降低传统身份识别方法的风险。目前已经被广泛应用的生物识别技术有虹膜识别，指纹识别，掌纹识别，人脸识别等。虽然这种技术一定程度上提高了身份识别的安全性，但目前采用的生物特征也是可以被伪造和篡改的。例如，指纹可以用乳胶进行重建，虹膜可以通过在隐形眼镜上打印其特征来伪造，人脸识别对人工的伪装并不敏感等。
为了防止人体的生物特征被伪造和篡改，人体特征的活体检测将是一种很好的方案。目前已有相关人员研究了利用心电图或脑电图做身份识别的方案。但由于心电图和脑电图的信号采集设备需要佩戴在胸前或头部，舒适性和便捷性不是很好。
肌电信号是由神经系统控制并依赖于肌肉的解破学和生理特征的复杂信号，与每个人的生理学直接相关，不同年龄、体重、性别、高度的人，其肌电信号是不相同的。所以肌电信号具有独特性、稳定性，难以被伪造和篡改，符合做身份识别的要求。除此之外，肌电信号的采集装置可以佩戴在胳膊或腿上，具有良好的便携性和舒适性。目前，利用肌电信号做身份识别的方法寥寥无几，因此，本发明提出了一种基于肌电信号的身份识别方法。
发明内容
为了解决现有技术中的上述问题，即为了解决现有身份识别方法中人体的生物特征容易被伪造和篡改，导致安全性差的问题，本发明第一方面，提出了一种基于肌电信号的身份识别的方法，该方法包括：
步骤S100，获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号；
步骤S200，提取所述输入信号对应的特征值；
步骤S300，基于所述特征值，通过身份识别模型获取用户身份识别结果；
其中，所述身份识别模型基于卷积神经网络构建，并基于训练样本进行训练，所述训练样本包括肌电信号特征值样本、对应的用户身份信息标签。
在一些优选的实施方式中，所述身份识别模型，其训练方法为：
步骤A100，获取用户设定部位在一个或多个设定动作下重复N次的肌电信号，构建第一肌电信号数据集；
步骤A200，将所述第一肌电信号数据集中各肌电信号通过数据预处理方法进行预处理，将预处理后的肌电信号作为第二肌电信号，构建第二肌电信号数据集；
步骤A300，提取所述第二肌电信号数据集中各肌电信号对应的特征值；
步骤A400，基于各肌电信号对应的特征值及对应的用户身份信息标签，构建训练样本数据集；
步骤A500，基于所述训练样本数据集，对所述身份识别模型进行训练。
在一些优选的实施方式中，步骤A100“获取用户设定部位在一或多个设定动作下重复N次的肌电信号”，其方法为：
在设定部位，按照预设的时间间隔，获取N组设定动作的肌电信号；
若设定部位为多个时，分别在每个设定部位按照预设的时间间隔，获取N组设定动作的肌电信号。
在一些优选的实施方式中，步骤A200“将所述第一肌电信号数据集中各肌电信号通过数据预处理方法进行预处理，将预处理后的肌电信号作为第二肌电信号”，其方法为：所述数据预处理方法包括数据清理、数据分割和数据变换；预处理过程如下：
获取所述第一肌电信号数据集中各肌电信号中持续时间长度，将持续时间长度不一致的肌电信号进行清除；
获取清除后的各肌电信号在持续时间长度内首次出现肌电信号强度值大于预设的肌电信号强度阈值的时间节点，将该节点之后预设分割时间间隔内的肌电信号作为待变换的肌电信号；
对各所述待变换的肌电信号进行数据变换，将变换后的肌电信号作为第二肌电信号。
在一些优选的实施方式中，所述预设分割时间间隔为0.4秒。
在一些优选的实施方式中，步骤A300中“提取所述第二肌电信号数据集中各肌电信号对应的特征值”，其方法为：通过时频域分析方法中的连续小波变换方法提取各肌电信号特征值。
本发明的第二方面，提出了一种基于肌电信号的身份识别的系统，该系统包括获取模块、提取模块、识别模块；
所述的获取模块，配置为获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号；
所述提取模块，配置为提取所述输入信号的特征值
所述的识别模块，配置为基于所述特征值，通过身份识别模型获取用户身份识别结果；
其中，所述身份识别模型基于卷积神经网络构建，并基于训练样本进行训练，所述训练样本包括肌电信号特征值样本、对应的用户身份信息标签。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行以实现上述的基于肌电信号的身份识别方法。
本发明的第四方面，提出了一种处理设置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于肌电信号的身份识别方法。
本发明的有益效果：
本发明利用肌电信号进行身份识别，提高了身份识别的安全性。本发明利用肌电信号采集装置获取人体的肌电信号，通过数据清理、数据分割和数据变换，对采集的肌电信号进行归一化处理，保证了训练数据的可靠性。基于归一化后的肌电信号通过时频域分析方法中的连续小波变换方法提取各肌电信号特征，高分辨率的识别高频肌电信号、低频肌电信号，有助于模型的训练。利用训练好的模型去识别用户身份，由于肌电信号不易篡改的特性，从而保证了身份识别技术的安全性。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于肌电信号的身份识别方法的流程示意图；
图2是本发明一种实施例的基于肌电信号的身份识别方法的框架示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合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做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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于肌电信号的身份识别方法，如图1所示，包括以下步骤：
步骤S100，获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号；
步骤S200，提取所述输入信号对应的特征值；
步骤S300，基于所述特征值，通过身份识别模型获取用户身份识别结果；
其中，所述身份识别模型基于卷积神经网络构建，并基于训练样本进行训练，所述训练样本包括肌电信号特征值样本、对应的用户身份信息标签。
为了更清晰地对本发明基于肌电信号的身份识别方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
下文优选实施例中，先对身份识别模型进行详述，再对采用身份识别模型获取用户身份识别结果的基于肌电信号的身份识别方法进行详述。
1、身份识别模型的训练
步骤A100，获取用户设定部位在一个或多个设定动作下重复N次的肌电信号，构建第一肌电信号数据集。
在本发明中，通过肌电采集装置采集用户的肌电信号。具体如下：选择商用(比如MYO腕带)或其他的肌电信号采集装置，将肌电信号采集装置中的肌电电极贴放在人体胳膊、腿等肌肉多的部位以捕获数据。由于肌电信息在人体组织内的传递会随着距离的增加而很快衰减，因此需要将肌电电极贴放在肌肉发放最强的肌腹部，肌肉收缩会比较明显，收集的肌电信号特征比较明显，同时也可以减少临近肌肉的肌电干扰，有助于模型的训练。
为了保障实验数据的可靠性和广泛性，选取M个不同年龄、身高、性别的健康用户来采集肌电信号。每位用户均需要根据指示做指定的手势(例如握拳、手伸开、挥手、OK手势、Yes手势等等)。每个手势都重复N次，每个手势动作至少保持1秒，每次手势之间至少有3s的休息时间，以防止肌肉疲劳导致测试误差。将采集到的M个用户做指定手势N次的肌电信号数据作为第一肌电信号数据集，同时添加对应的用户身份信息标签。
步骤A200，将所述第一肌电信号数据集中各肌电信号通过数据预处理方法进行预处理，将预处理后的肌电信号作为第二肌电信号，构建第二肌电信号数据集。
在本发明中，为了提高后续训练模型的精度和泛化能力，需要对采集到的肌电信号进行数据的预处理。常规的数据预处理主要包括数据清理、数据集成、数据规约和数据变换四个部分。对于本发明提出的基于肌电信号的身份识别技术主要利用了数据清理、数据分割和数据变换的预处理方法。
数据清理主要是清除采集到的肌电信号中数据丢失或空缺的部分。每个用户做一次指定手势所对应的数据为一个样本数据，所有样本数据的数据长度应是一致的，如果有缺失部分，则含有缺失部分的样本数据判定为无效数据，直接删除。
数据分割则是分割出每个用户做一次指定手势所得到的肌电信号中可以有效代表动作信号的数据。由于每个用户做指定手势的习惯不一样，相同的动作采集时间内，可能只有部分时间段内采集到了用户做手势时的有效肌电信号。因此需要对采集到的肌电信号进行一个数据分割，提高数据的有效性和可靠性。本发明中使用了预设肌电信号强度阈值的方法来进行数据分割。具体的说，是将经过数据清理后的样本数据在持续时间长度内首次出现肌电信号强度值大于预设的肌电信号强度阈值的时间节点作为有效肌电信号的开始节点，将该节点之后预设分割时间间隔内(本发明设置分割时间间隔为0.4s)的肌电信号数据作为新的样本数据。
数据变换则主要采用规范化处理方法将肌电数据按照一定比例进行缩放，使之落在一个设定的区域。常用的方法有二值化、归一化、连续特征变换等。本发明实例中采用了归一化的方法，具体的说是极差标准化(区间放缩法)，其计算公式如公式(1)所示：
其中，xi代表一个样本数据中的一个肌电信号，m为样本数据的长度，
代表样本数据中的最小值，
代表样本数据中的最大值。经过极差标准化处理后的新数据被映射到在[0,1]之间。
步骤A300，提取所述第二肌电信号数据集中各肌电信号对应的特征值。
在本发明中，对肌电信号数据进行预处理后，需要从众多的数据中提取出具有明显物理意义或统计意义的特征，即特征提取。针对肌电信号的特征提取，常见的方法主要有时域分析方法、频域分析方法、时频域分析方法以及非线性动力学分析方法。时域特征提取方法比较简单，常用的特征有过零点数、方差、AR模型、RMS(均方根)、MAV(绝对平均值)等；频域特征提取方法主要是肌电信号功率谱的平均功率；时频域特征提取方法主要采用短时傅里叶变换、离散小波变换、连续小波变换、小波包变换等；非线性动力学分析方法则是采用熵。本发明通过时频域分析方法中的连续小波变换方法提取各肌电信号特征值。连续小波变换的计算公式如公式(2)所示：
其中，CWTW(a,b)为连续小波变换函数，Ψ(t)为小波母函数，一个在时间域和频率域都有连续性质的函数，
表示小波母函数的共轭，a为尺度因子，小尺度的变换包含信号的高频成分，大尺度的变换包含信号的低频成分，b为平移因子，它是关于时间的系数，决定了小波变换的时域信息，x(t)为待变换的原始信号。不同小波母函数和尺度因子会对后续身份识别模型的识别精度有影响，因此需要根据数据集的特征选择合适的小波母函数和尺度因子，本发明实例选用的是Mexican-hat小波母函数。通过使用连续小波变换法可以将一维的第二肌电信号离散数据变换为二维的图像数据，用来表征肌电信号的时频特征值。
步骤A400，基于各肌电信号对应的特征值及对应的用户身份信息标签，构建训练样本数据集。
将提取的各肌电信号对应的特征值加上对应的用户身份信息标签后，构建多用户的肌电信号特征库，将肌电信号特征库划分成训练样本数据集和测试样本数据集。
步骤A500，基于所述训练样本数据集，对所述身份识别模型进行训练。
在本实施例中，用机器学习算法对训练样本数据集进行训练学习。常用的机器学习算法主要包括支持向量机(SVM)、K最近邻分类算法(KNN)、朴素贝叶斯、决策树、随机森林、gc-Forest算法、线性判别分析法(LDA)、神经网络、隐马尔可夫、Adaboost算法等。本发明的身份识别模型基于卷积神经网络构建。卷积神经网络是在人工神经网络的基础上发展而来，主要由一个或多个卷积层和顶端的全连接层组成，同时也包括关联权重和池化层。卷积层是一组平行的特征图，它通过在输入图像上滑动不同的卷积核并运行一定的运算而组成。池化层是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值，它会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，在一定程度上也控制了过拟合。通常来说，卷积神经网络的卷积层之间都会周期性地插入池化层。在本发明实例中使用的卷积神经网络包括一个输入层，4个池化层，4个卷积层，2个全连接层和输出层，激活函数选用了ReLU激活函数。连续小波变换后得到的二维图像数据样本集及对应的用户身份信息标签作为模型的输入，用以对网络模型进行训练，以得到网络模型中各层的参数。
2、基于肌电信号的身份识别方法
步骤S100，获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号。
肌电信号是众多肌纤维中运动单元动作电位在时间和空间上的叠加，能在一定程度上反映神经肌肉的活动。在特定的动作下，具有一定的独特性、稳定性，难以被伪造和篡改，符合做身份识别的要求。在进行身份识别的过程中，先获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号。
步骤S200，提取所述输入信号对应的特征值。
在本实施例中，通过时频域分析方法中的连续小波变换方法提取各肌电信号特征。即用连续小波变换法将一维的离散样本数据变换为二维的图像样本数据，用来表征肌电信号的时频特征值。
步骤S300，基于所述特征值，通过身份识别模型获取用户身份识别结果。
基于提取的特征值，通过训练好的身份识别模型，获取用户身份的识别结果。
本发明第二实施例的一种基于肌电信号的身份识别系统，如图2所示，包括：获取模块100、提取模块200、识别模块300；
所述的获取模块100，配置为获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号；
所述提取模块200，配置为提取所述输入信号的特征值
所述的识别模块300，配置为基于所述特征值，通过身份识别模型获取用户身份识别结果；
其中，所述身份识别模型基于卷积神经网络构建，并基于训练样本进行训练，所述训练样本包括肌电信号特征值样本、对应的用户身份信息标签。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于肌电信号的身份识别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的基于肌电信号的身份识别方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于肌电信号的身份识别方法。
所述技术领域的技术人员可以清楚的了解到，未描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的设定应用和设计约束条件。本领域技术人员可以对每个设定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示设定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种基于肌电信号的身份识别方法，其特征在于，该方法包括：
步骤S100，获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号；
步骤S200，提取所述输入信号对应的特征值；
步骤S300，基于所述特征值，通过身份识别模型获取用户身份识别结果；
其中，所述身份识别模型基于卷积神经网络构建，并基于训练样本进行训练，所述训练样本包括肌电信号特征值样本、对应的用户身份信息标签。
2.根据权利要求1所述的基于肌电信号的身份识别方法，其特征在于，所述身份识别模型，其训练方法为：
步骤A100，获取用户设定部位在一个或多个设定动作下重复N次的肌电信号，构建第一肌电信号数据集；
步骤A200，将所述第一肌电信号数据集中各肌电信号通过数据预处理方法进行预处理，将预处理后的肌电信号作为第二肌电信号，构建第二肌电信号数据集；
步骤A300，提取所述第二肌电信号数据集中各肌电信号对应的特征值；
步骤A400，基于各肌电信号对应的特征值及对应的用户身份信息标签，构建训练样本数据集；
步骤A500，基于所述训练样本数据集，对所述身份识别模型进行训练。
3.根据权利要求2所述的基于肌电信号的身份识别方法，其特征在于，步骤A100“获取用户设定部位在一或多个设定动作下重复N次的肌电信号”，其方法为：
在设定部位，按照预设的时间间隔，获取N组设定动作的肌电信号；
若设定部位为多个时，分别在每个设定部位按照预设的时间间隔，获取N组设定动作的肌电信号。
4.根据权利要求1所述的基于肌电信号的身份识别方法，其特征在于，步骤A200“将所述第一肌电信号数据集中各肌电信号通过数据预处理方法进行预处理，将预处理后的肌电信号作为第二肌电信号”，其方法为：所述数据预处理方法包括数据清理、数据分割和数据变换；预处理过程如下：
获取所述第一肌电信号数据集中各肌电信号中持续时间长度，将持续时间长度不一致的肌电信号进行清除；
获取清除后的各肌电信号在持续时间长度内首次出现肌电信号强度值大于预设的肌电信号强度阈值的时间节点，将该节点之后预设分割时间间隔内的肌电信号作为待变换的肌电信号；
对各所述待变换的肌电信号进行数据变换，将变换后的肌电信号作为第二肌电信号。
5.根据权利要求4所述的基于肌电信号的身份识别方法，其特征在于，所述预设分割时间间隔为0.4秒。
6.根据权利要求1所述的基于肌电信号的身份识别方法，其特征在于，步骤A300中“提取所述第二肌电信号数据集中各肌电信号对应的特征值”，其方法为：通过时频域分析方法中的连续小波变换方法提取各肌电信号特征值。
7.一种基于肌电信号的身份识别系统，其特征在于，该系统包括获取模块、提取模块、识别模块；
所述的获取模块，配置为获取待识别用户设定部位在设定动作下的肌电信号，作为输入信号；
所述提取模块，配置为提取所述输入信号的特征值；
所述的识别模块，配置为基于所述特征值，通过身份识别模型获取用户身份识别结果；
其中，
其中，所述身份识别模型基于卷积神经网络构建，并基于训练样本进行训练，所述训练样本包括肌电信号特征值样本、对应的用户身份信息标签。
8.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用由处理器加载并执行以实现权利要求1-6任一项所述的基于肌电信号的身份识别方法。
9.一种处理设置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-6任一项所述的基于肌电信号的身份识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911077519.9A CN110811633A (zh) | 2019-11-06 | 2019-11-06 | 基于肌电信号的身份识别方法、系统、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911077519.9A CN110811633A (zh) | 2019-11-06 | 2019-11-06 | 基于肌电信号的身份识别方法、系统、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110811633A true CN110811633A (zh) | 2020-02-21 |
Family
ID=69552920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911077519.9A Pending CN110811633A (zh) | 2019-11-06 | 2019-11-06 | 基于肌电信号的身份识别方法、系统、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110811633A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111371951A (zh) * | 2020-03-03 | 2020-07-03 | 北京航空航天大学 | 基于肌电信号和孪生神经网络的智能手机用户认证方法和系统 |
| CN111783056A (zh) * | 2020-07-06 | 2020-10-16 | 诺百爱（杭州）科技有限责任公司 | 一种基于肌电信号识别用户身份的方法、装置和电子设备 |
| CN111898469A (zh) * | 2020-07-09 | 2020-11-06 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
| CN112123332A (zh) * | 2020-08-10 | 2020-12-25 | 北京海益同展信息科技有限公司 | 手势分类器的构建方法、外骨骼机器人控制方法及装置 |
| CN113143261A (zh) * | 2021-04-30 | 2021-07-23 | 中国科学院自动化研究所 | 基于肌电信号的身份识别系统、方法及设备 |
| CN111898469B (zh) * | 2020-07-09 | 2024-04-26 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243312A (zh) * | 2015-11-13 | 2016-01-13 | 上海傲意信息科技有限公司 | 一种密码系统及加解密方法 |
| CN107169432A (zh) * | 2017-05-09 | 2017-09-15 | 深圳市科迈爱康科技有限公司 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
| CN107526952A (zh) * | 2016-06-22 | 2017-12-29 | 宁波工程学院 | 基于多通道表面肌电信号的身份识别方法 |
| CN109165556A (zh) * | 2018-07-24 | 2019-01-08 | 吉林大学 | 一种基于grnn身份识别方法 |
| JP2019080784A (ja) * | 2017-10-31 | 2019-05-30 | フクダ電子株式会社 | 生体情報測定装置、及び、生体情報測定装置における被検者取違い検出方法 |
-
2019
- 2019-11-06 CN CN201911077519.9A patent/CN110811633A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243312A (zh) * | 2015-11-13 | 2016-01-13 | 上海傲意信息科技有限公司 | 一种密码系统及加解密方法 |
| CN107526952A (zh) * | 2016-06-22 | 2017-12-29 | 宁波工程学院 | 基于多通道表面肌电信号的身份识别方法 |
| CN107169432A (zh) * | 2017-05-09 | 2017-09-15 | 深圳市科迈爱康科技有限公司 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
| JP2019080784A (ja) * | 2017-10-31 | 2019-05-30 | フクダ電子株式会社 | 生体情報測定装置、及び、生体情報測定装置における被検者取違い検出方法 |
| CN109165556A (zh) * | 2018-07-24 | 2019-01-08 | 吉林大学 | 一种基于grnn身份识别方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111371951A (zh) * | 2020-03-03 | 2020-07-03 | 北京航空航天大学 | 基于肌电信号和孪生神经网络的智能手机用户认证方法和系统 |
| CN111371951B (zh) * | 2020-03-03 | 2021-04-23 | 北京航空航天大学 | 基于肌电信号和孪生神经网络的智能手机用户认证方法和系统 |
| CN111783056A (zh) * | 2020-07-06 | 2020-10-16 | 诺百爱（杭州）科技有限责任公司 | 一种基于肌电信号识别用户身份的方法、装置和电子设备 |
| CN111898469A (zh) * | 2020-07-09 | 2020-11-06 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
| CN111898469B (zh) * | 2020-07-09 | 2024-04-26 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
| CN112123332A (zh) * | 2020-08-10 | 2020-12-25 | 北京海益同展信息科技有限公司 | 手势分类器的构建方法、外骨骼机器人控制方法及装置 |
| CN113143261A (zh) * | 2021-04-30 | 2021-07-23 | 中国科学院自动化研究所 | 基于肌电信号的身份识别系统、方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hejazi et al. | ECG biometric authentication based on non-fiducial approach using kernel methods | |
| Labati et al. | Deep-ECG: Convolutional neural networks for ECG biometric recognition | |
| Abbaspour et al. | Evaluation of surface EMG-based recognition algorithms for decoding hand movements | |
| Fratini et al. | Individual identification via electrocardiogram analysis | |
| Lu et al. | A study of personal recognition method based on EMG signal | |
| CN110811633A (zh) | 基于肌电信号的身份识别方法、系统、装置 | |
| Uwaechia et al. | A comprehensive survey on ECG signals as new biometric modality for human authentication: Recent advances and future challenges | |
| Belgacem et al. | A novel biometric authentication approach using ECG and EMG signals | |
| George et al. | A score level fusion method for eye movement biometrics | |
| CN101773394B (zh) | 身份识别方法及应用该方法的身份识别系统 | |
| Singh et al. | Bioelectrical signals as emerging biometrics: Issues and challenges | |
| Wang et al. | Multi-scale differential feature for ECG biometrics with collective matrix factorization | |
| Chamatidis et al. | Using deep learning neural networks for ECG based authentication | |
| Teodoro et al. | Feature selection for biometric recognition based on electrocardiogram signals | |
| Hadiyoso et al. | One-lead electrocardiogram for biometric authentication using time series analysis and Support Vector Machine | |
| Donida Labati et al. | Biometric recognition of PPG cardiac signals using transformed spectrogram images | |
| Lai et al. | Arrangements of resting state electroencephalography as the input to convolutional neural network for biometric identification | |
| EP3449409A1 (en) | Biometric method and device for identifying a person through an electrocardiogram (ecg) waveform | |
| Mahmoudi et al. | Multi-class EEG classification of motor imagery signal by finding optimal time segments and features using SNR-based mutual information | |
| CN113143261B (zh) | 基于肌电信号的身份识别系统、方法及设备 | |
| Lu et al. | An EMG-based personal identification method using continuous wavelet transform and convolutional neural networks | |
| CN114081505A (zh) | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 | |
| Louis et al. | One dimensional multi-resolution local binary patterns features (1DMRLBP) for regular electrocardiogram (ECG) waveform detection | |
| Tantawi et al. | An evaluation of the generalisability and applicability of the PhysioNet electrocardiogram (ECG) repository as test cases for ECG-based biometrics | |
| Wu et al. | Gram matrix-based convolutional neural network for biometric identification using photoplethysmography 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |
|
| RJ01 | Rejection of invention patent application after publication |