CN110869930A - 基于心冲击信号的身份识别方法、电子设备及存储介质 - Google Patents

基于心冲击信号的身份识别方法、电子设备及存储介质 Download PDF

Info

Publication number
CN110869930A
CN110869930A CN201980002078.8A CN201980002078A CN110869930A CN 110869930 A CN110869930 A CN 110869930A CN 201980002078 A CN201980002078 A CN 201980002078A CN 110869930 A CN110869930 A CN 110869930A
Authority
CN
China
Prior art keywords
peak
user
signal
identity
peaks
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.)
Granted
Application number
CN201980002078.8A
Other languages
English (en)
Other versions
CN110869930B (zh
Inventor
焦旭
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.)
Beijing micro digital technology Co., Ltd
Original Assignee
焦旭
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 焦旭 filed Critical 焦旭
Publication of CN110869930A publication Critical patent/CN110869930A/zh
Application granted granted Critical
Publication of CN110869930B publication Critical patent/CN110869930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本申请涉及一种基于心冲击信号的身份识别方法，包括：采集第一用户的心冲击信号；从心冲击信号中提取信号特征，作为第一用户的身份特征信息；根据第一用户的身份特征信息，确定第一用户的身份。

Description

基于心冲击信号的身份识别方法、电子设备及存储介质
技术领域
本申请属于身份识别领域，特别涉及一种基于心冲击信号的身份识别方法、电子设备及存储介质。
背景技术
随着智慧电子设备的普及，越来越多的设备可以用于采集用户的生理特征，并做进一步分析。例如某些设备可以用于采集人的体动信号，并用于进一步的健康分析或其他场合用户需求。该类设备在用于对用户做健康分析时，需要使用户的数据与用户的身份相关联，否则容易造成数据错乱。
在将用户数据与用户的身份相关联时，就需要对用户的身份进行识别。现有技术中，基于生物特征进行人员的身份识别的技术较多，例如基于指纹的，基于人脸的，等等。然而，本申请的发明人发现，在健康设备中引入专门的身份识别装置后，由于需要用户做过多的操作，会导致用户体验不佳。而且，有很多老年人对于高技术产品并不是很熟悉，需要有较高的学习成本，过多的操作容易导致出错。例如在采集用户心跳数据的场景下，如果用户没有主动去做身份识别或忘记做身份识别，仍然有可能导致数据错乱的问题。同时，由于该健康设备还需要增加额外的传感器，进而导致设备的设备复杂度及制造成本提升。
同时，本申请的发明人还发现，目前市面上已经出现了针对指纹、人脸等身份识别方式的欺骗性破解手段，为了用户的数据安全，需要一种新的身份识别方式作为旧有身份识别方式的补充。
发明内容
本文旨在提供一种基于心冲击信号的身份识别方法、电子设备及存储介质。
本申请的一个实施例提供了一种基于心冲击信号的身份识别方法，包括：采集第一用户的心冲击信号；从所述心冲击信号中提取信号特征，作为所述第一用户的身份特征信息；根据所述第一用户的身份特征信息，确定所述第一用户的身份。
可选地，所述信号特征包括：心跳频率、频域特征和/或时域特征；从所述心冲击信号中提取信号特征，包括：对所述心冲击信号进行频域分析和/或时域分析。
本申请的另一实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器内的所述处理器可执行的程序，其中，当所述程序被执行时，所述处理器执行前述任意一种身份识别方法。
本申请的又一实施例提供了一种存储介质，其上存储有处理器可执行的程序,其中，当所述程序被执行时，所述处理器执行前述任意一种身份识别方法。
利用前述身份识别方法以及相关电子设备和存储介质。可以通过采集目标用户的心冲击信号，并进行分析即可直接进行简单的身份特征识别。该方法可以用于包含心冲击信号采集能力的健康设备中。在对用户进行身体健康状况检测的同时，可以直接通过利用前述方法进行简单的身份识别，进而可以完成目标用户的身份与其体征数据的关联，从而避免了数据错乱。由于应用该身份识别方法的健康设备可以在对用户进行检测的同时，在用户无感的情况下完成了用户的身份识别，因而使用该健康设备的用户体验相对较好。由于不需要额外配置专门的身份识别装置，使得应用该方法的健康设备的设备成本以及设备复杂度相对较低。
附图说明
图1示出了本申请的一个实施例基于心冲击信号的身份识别方法的流程示意图。
图2A示出了本申请的另一实施例基于心冲击信号的身份识别方法的流程示意图。
图2B示出了心冲击信号的波形示意图。
图2C示出了心冲击信号的自相关结果的波形示意图。
图2D示出了心冲击信号的频谱分析结果示意图。
图2E示出了图2A所示的身份识别方法的局部流程示意图。
图2F示出了图2A所示的身份识别方法的局部流程示意图。
图3A示出了本申请的另一实施例身份识别方法的流程示意图。
图3B示出了身份特征库建立的数据流示意图。
图4示出了本申请的另一实施例身份识别方法的流程示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明所公开有关“一种基于心冲击信号的身份识别方法、电子设备及存储介质”的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。
本申请的另一实施例提供了一种基于心冲击信号的身份识别方法，包括：采集第一用户的心冲击信号；从所述心冲击信号中提取信号特征，作为所述第一用户的身份特征信息；根据所述第一用户的身份特征信息，确定所述第一用户的身份。
可选地，所述信号特征包括：心跳频率、频域特征和/或时域特征；从所述心冲击信号中提取信号特征，包括：对所述心冲击信号进行频域分析和/或时域分析。
本申请的另一实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器内的所述处理器可执行的程序，其中，当所述程序被执行时，所述处理器执行前述任意一种身份识别方法。
本申请的又一实施例提供了一种存储介质，其上存储有处理器可执行的程序,其中，当所述程序被执行时，所述处理器执行前述任意一种身份识别方法。
利用前述身份识别方法以及相关电子设备和存储介质。可以通过采集目标用户的心冲击信号，并进行分析即可直接进行简单的身份识别。该方法可以用于包含心冲击信号采集能力的健康设备中。可以在利用该健康设备对目标用户进行健康状况检测的同时，通过利用前述身份识别方法及装置进行简单的身份识别。在不经意间，完成目标用户的身份与其体征数据的关联，从而避免了数据错乱。由于应用该身份识别方法的健康设备可以在对用户进行检测的同时，在用户不经意之间完成了用户的身份识别，因而使用该健康设备的用户体验相对较好。同时该身份识别方式不需要用户进行专门的身份识别操作，使得用户的操作步骤简化，用户体验更加良好。而且应用前述身份识别方法及装置的健康设备的设备成本和设备复杂度也可以相对较低。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
应当理解，本申请的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本申请。如在本申请说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
图1示出了本申请的一个实施例基于心冲击信号的身份识别方法的流程示意图。
如图1所示，方法1000可以包括步骤：S110、S120和S130。其中：
在S110中，可以利用心冲击相关传感器或者传感器阵列采集用户的心冲击信号。例如，首先，可以使传感器或者传感器阵列与用户的身体预设区域密切接触，其中预设区域可以是用户的肢体或者躯干；然后，采集用户由于呼吸和心跳等因素对传感器及传感器阵列造成的压力信号，即体动信号；再从该体动信号中分离呼吸信号，从而得到心冲击信号。
在S120中，可以对S110中得到的心冲击信号进行信号分析，提取该心冲击信号的信号特征，作为用户的身份特征信息。可选地，该身份特征信息可以包括心跳频率、频域特征和时域特征中的至少一项。S120可以包括对S110中得到的心冲击信号进行时域分析和/或频域分析。
如图1所示，可选地，在S120中的时域特征可以包括：心冲击信号的波峰，其中该波峰可以在每一个心跳周期内周期性出现。例如，时域特征可以包括心冲击信号中的波峰的峰值以及相邻两个波峰之间的时间间隔。一般来说，在一个心跳周期内存在多个不同的波峰，每个波峰在多个心跳周期内的同一相位周期性出现。而且由于在多个心跳周期内，心冲击信号的波形是相似的。因而在多个心跳周期内，对于相位相同的多个波峰中的每两个波峰来说，其波形和幅度都比较相似。
在这里可以定义，在多个心跳周期内，相位相同的多个波峰的峰值的平均值为波峰均值。一个心跳周期内的多个峰值中，每一个波峰均对应一个波峰均值，其中数值最大的波峰均值可以定义为最大波峰均值。可以定义最大波峰均值对应的每个心跳周期内的波峰为主峰，其他的波峰为次峰。
可选地，时域特征可以包括主峰的峰值和次峰的峰值。进一步地，在S120中，还可以包括：根据心冲击信号确定心跳周期；在心冲击信号的多个波峰中确定主峰和次峰；确定主峰的峰值和次峰的峰值。可选地，时域特征也可以包括主峰对应的峰值均值，即最大峰值均值，以及各个次峰对应的峰值均值。进一步地，在S120中，也可以包括：根据心冲击信号，确定最大峰值均值以及各个次峰对应的峰值均值。
如图1所示，可选地，在S120中的时域特征还可以包括每个心跳周期内各个次峰与主峰的峰值比值。进一步地，时域特征可以包括：各个次峰对应的峰值均值与最大峰值均值的比值。可选地，S120还可以包括根据心冲击信号，确定各个次峰与同一心跳周期内的主峰的峰值比。以及可选地，S120可以包括根据心冲击信号，确定各个次峰对应的峰值均值与最大峰值均值的比值。
如图1所示，可选地，在S120中，频域特征可以包括心冲击信号的基波分量和谐波分量，其中该基波分量的波动频率为心跳频率。进一步地，频域特征可以包括心冲击信号的基波分量的幅值和相位以及各次谐波分量的幅值和相位。更进一步地，频域特征还可以包括各次谐波分量与基波分量的幅值比。
如图1所示，进一步地，S120可以包括：根据心冲击信号确定心跳频率；对心冲击信号进行基于心跳频率频域分析，得到心冲击信号的相对于心跳频率的基波分量和谐波分量，包括基波分量的幅值和相位以及谐波分量的幅值和相位。进一步地，S120还可以包括：根据基波分量和谐波分量，计算各次谐波分量与基波分量的幅值比。
如图1所示，可选地，S120还可以包括：把根据心冲击信号得到的心跳频率、频域特征和时域特征作为用户的身份特征信息。
如图1所示，在S130中，可以利用S120中的到的用户身份特征信息对用户进行身份识别。进一步地，在S130中还可以该用户身份特征信息与身份特征库中的至少一名用户的身份特征记录确定该用户的身份。
可选地，该身份特征记录可以包括：该至少一名用户的直至少一条身份特征信息，其中，该至少一名用户的直至少一条身份特征信息可以利用步骤S110和步骤S120获得。可选地，该身份特征记录还可以包括：根据该至少一名用户的直至少一条身份特征信息创建的身份特征模型。
图2A示出了本申请的另一实施例基于心冲击信号的身份识别方法的流程示意图。图2B示出了心冲击信号的波形示意图。图2C示出了心冲击信号的自相关结果的波形示意图。图2D示出了心冲击信号的频谱分析结果示意图。图2E示出了图2A所示的身份识别方法的局部流程示意图。图2F示出了图2A所示的身份识别方法的局部流程示意图。
如图2A所示，方法2000可以包括：S210、S220、S230、S240、S250、S260。
如图2A所示，在S210中，可以利用传感器或者传感器阵列采集用户的体动信号H(t)。例如，可以使传感器或者传感器阵列与用户的身体预设区域密切接触，其中预设区域可以包括用户的肢体和躯干上的任意区域；然后，采集用户对传感器及传感器阵列造成的压力信号，作为用户的体动信号H(t)。可选地，体动信号H(t)的采样的时间长度不小于三秒。
如图2A所示，在S220中，可以对H(t)进行处理得到用户的心冲击信号b(t)。如图2B所示为心冲击信号b(t)的波形示意图。例如，在S220中，可以对H(t)进行高通滤波，滤掉其中的呼吸信号得到心冲击信号b(t)。其中高通滤波的截止频率可以是50Hz。可选地，在S220中也可以包括低通滤波、带通滤波器或者其他波形处理运算。
如图2A所示，在S230中，可以根据心冲击信号b(t)得到心跳频率fh。可以根据心冲击信号b(t)的波峰之间的时间差，计算心跳频率，或者可以利用其他方式计算心跳频率。S230还可以包括根据心跳频率fh计算心跳周期Th。可选地，在在S230中也可以根据心冲击信号b(t)得到心跳周期Th。再根据心跳周期Th计算心跳频率fh。
如图2A所示，在S230中还可以对心冲击信号b(t)进行滑动自相关运算，得到自相关结果ct(τ)；再把ct(τ)的第一个极值点的自变量值作为心跳周期Th，或者把ct(τ)的两个相邻极值点的自变量之差作为心跳周期Th；进而根据心跳周期Th计算心跳频率fh。其中，自相关结果ct(τ)的波形示意图如图2C所示，滑动自相关运算可以依下式进行。
Figure BDA0002246551880000071
其中fs为采样率，即一秒内的采样点的数量。式(1)为滑动窗为2秒，滑动范围为1秒的滑动自相关运算。
如图2A所示，S230也可以是利用其他参数的滑动自相关运算。S230可以根据完整的心冲击信号b(t)进行滑动自相关运算，也可以根据部分心冲击信号b(t)进行滑动自相关运算。可以根据心冲击信号b(t)的从起点开始的一段进行滑动自相关运算，可以根据心冲击信号b(t)的中间一段滑动自相关运算。
如图2A所示，在S240中，检测心冲击信号b(t)的波峰的峰值。其中波峰的峰值可以包括检测心冲击信号b(t)的主峰的峰值和次峰的峰值。进一步地，在S240中，可以检测心冲击信号b(t)的主峰的峰值和峰值较高的三个次峰的峰值。
如图2B所示，为心冲击信号的波形示意图。其中Th为心跳周期，P0为一个心跳周期Th内的主峰，P1、P2、P3分别为峰值均值最高三个次峰。其中，次峰P1、P2、P3在以主峰P0为起点的心跳周期Th内，按照相位从低到高的次序顺次排布。可以定义次峰P1、P2、P3顺次分别为第一次峰、第二次峰和第三次峰。
如图2B所示，一般来说，在以主峰P0为起点的心跳周期Th内P1、P2、P3相对均匀分布，即次峰P1、P2、P3对应的相位顺次分别约为1/4Th、1/2Th、3/4Th。
如图2A所示，可选地，S240可以包括，采集检测心冲击信号b(t)中每个心跳周期的主峰P0的峰值，以及三个最高次峰P1、P2、P3的峰值。可选地，S240还可以包括计算每个心跳周期的次峰P1、P2、P3与主峰P0的峰值比。进一步地，S240还可以包括计算主峰P0对应的最大峰值均值，和次峰P1、P2、P3对应的三个峰值均值。更进一步地S240还可以包括次峰P1、P2、P3对应的三个峰值均值与最大峰值均值的比值。
如图2E所示，可选地S240还可以包括：在心冲击信号b(t)中的多个波峰中确定主峰和次峰。进一步地，S240可以包括：S241、S242和S243。
其中：
在S241中，计算波峰均值。例如，可以在心冲击信号b(t)的一个心跳周期Th内，选择峰值最大的若干个波峰(比如可以是峰值最大的四个波峰)；计算该若干个波峰中的每一个波峰的波峰均值，得到若干个波峰均值。
在S242中，可以在该若干个波峰均值中，确定其中数值最大的一个，作为最大波峰均值。
在S243中，可以确定最大波峰均值对应的每一个心跳周期Th内的波峰为主峰，确定其他波峰为次峰。进一步地，还可以在以每一个主峰为起点的心跳周期Th内，峰值较高的几个波峰，按照相位从小到大分别为第一次峰、第二次峰、第三次峰……
如图2F所示，可选地，S240还可以包括：S245、S246和S247。其中：
在S245中，可以计算心冲击信号b(t)的峰值较大的多个波峰的峰值。
在S246中，可以在该多个波峰的峰值中选择数值最大的作为最大波峰。
在S247中，可以确定与最大波峰同相位的波峰为主峰。具体地，确定与最大波峰相距心跳周期Th的整数倍的波峰为主峰。可以确定其他波峰为次峰。
如图2A所示，在S250中，可以对心冲击信号b(t)进行频域分析得到心冲击信号b(t)的频谱分析结果。如图2D所示，为心冲击信号b(t)的频谱分析结果。其中，Z0、Z1、Z2和Z3分别为心冲击信号b(t)的基波分量幅值、二次谐波分量幅值、三次谐波分量幅值和四次谐波分量幅值。其中，基波分量对应的频率为心跳频率fh，二次谐波分量幅值、三次谐波分量幅值和四次谐波分量幅值对应的频率分别为2fh、3fh和4fh。
如图2A所示，可选地，S250可以包括，对心冲击信号b(t)进行傅里叶分析，得到心冲击信号b(t)的基波分量幅值、二次谐波分量幅值、三次谐波分量幅值和四次谐波分量幅值。进一步地，S250还可以包括对心冲击信号b(t)进行傅里叶分析得到心冲击信号b(t)的其他谐波分量的幅值。更进一步地，S250还可以包括，计算心冲击信号b(t)的各个谐波分量的幅值与基波分量的幅值之间的比值。更进一步地，S250还可以包括，通过计算得到心冲击信号b(t)的各个谐波分量的相位。
如图2A所示，在S260中，可以把心跳频率fh以及在S240、S250中的到时域特征和频域特征中的至少一项作为用户的身份特征信息。
图3A示出了本申请的另一实施例身份识别方法的流程示意图。图3B示出了身份特征库建立的数据流示意图。
如图3A所示，方法3000包括：S310和S320。
如图3A所示，在S310中，可以采集用户的心冲击信号并从该心冲击信号中提取用户的身份特征信息。
如图3A所示，在S320中，把用户的身份特征信息与身份特征库中的特征记录比较，确定用户的身份。
可选地，还可以包括S330，把用户的身份特征信息存入身份特征库。
可选地，身份特征库中包含至少一名用户的身份特征记录。其中，该身份特征记录可以包括该至少一名用户的至少一组身份特征信息以及该至少一名用户的身份数据。进一步地，该至少一组身份特征信息可以根据该至少一名用户的至少一组心冲击信号获得；身份数据可以包括该用户的姓名、性别、年龄等。
更进一步地，身份特征库还可以包括根据一组身份特征信息创建的模型。例如，可以利用同一用户的多组身份特征信息作为训练数据，创建和训练模型，得到模型数据。在S320中，还可以根据用户的身份特征信息和数据模型，确定用户的身份。可选地，也可以利用心冲击信号的样本信息作为训练数据训练该模型。
如图3B所示，为特征库建立的一种数据流示意图。在图3B所示出的方案中，根据用户的心冲击数据分别得到该用户的身份特征信息和模型，并把该身份特征信息、模型以及身份信息一同存入特征库。
图4示出了本申请的另一实施例身份识别方法的流程示意图。
如图4所示，方法4000包括：S410、S420和S430。
在S410中，可以采集用户的心冲击信号，并从该心冲击信号中提取身份特征信息。
在S420中，可以利用身份特征信息训练模型，或者可以用心冲击信号数据训练模型。
在S430中，得到模型数据。
本申请还包括一个实施例，一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，该计算机程序被执行时，处理器前述任意一种身份识别方法。
可选地该电子设备可以是一种健康设备，并包括用于采集用户的体动信号的传感器或者传感器阵列。
本申请还包括一个实施例，一种存储介质，存储处理器可执行的程序,其中，该程序被执行时，处理器执行前述任意一种身份识别方法。
利用前述身份识别方法以及电子设备和存储介质。可以通过采集目标用户的心冲击信号，并进行分析即可直接进行简单的身份特征识别。该方法可以用于包含心冲击信号采集能力的医疗设备中，通过利用该方法进行简单的身份识别，完成目标用户的身份与其体征数据的关联，从而避免了数据错乱。由于应用该身份识别方法的健康设备可以在对用户进行检测的同时，在用户不经意之间完成了用户的身份识别，因而使用该健康设备的用户体验相对较好。利用该身份识别方法的医疗设备由于不需要引入额外的身份识别装置，使得该医疗设备结构相对简单，成本相对低廉。
本领域技术人员可以理解，本申请的技术方案可实施为系统、方法或计算机程序产品。因此，本申请可表现为完全硬件的实施例、完全软件的实施例(包括固件、常驻软件、微码等)或将软件和硬件相结合的实施例的形式，它们一般可被称为“电路”、“模块”或“系统”。此外，本申请可表现为计算机程序产品的形式，所述计算机程序产品嵌入到任何有形的表达介质中，所述有形的表达介质具有嵌入到所述介质中的计算机可用程序代码。
参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本申请。可以理解的是，可由计算机程序指令执行流程图和/或框图中的每个框、以及流程图和/或框图中的多个框的组合。这些计算机程序指令可提供给通用目的计算机、专用目的计算机或其它可编程数据处理装置的处理器，以使通过计算机或其它可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个框或多个框中指明的功能/动作的装置。
这些计算机程序指令还可存储于能够指导计算机或其它可编程数据处理装置以特定的方式实现功能的计算机可读介质中，以使存储于计算机可读介质中的指令产生包括实现流程图和/或框图中的一个框或多个框中指明的功能/动作的指令装置。
计算机程序指令还可加载到计算机或其它可编程数据处理装置上，以引起在计算机上或其它可编程装置上执行一连串的操作步骤，以产生计算机实现的过程，从而使在计算机或其它可编程装置上执行的指令提供用于实现流程图和/或框图中的一个框或多个框中指明的功能/动作的过程。
附图中的流程图和框图示出根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这点上，流程图或框图中的每个框可表示一个模块、区段或代码的一部分，其包括一个或多个用于实现特定逻辑功能的可执行指令。还应注意，在一些可替代性实施中，框中标注的功能可以不按照附图中标注的顺序发生。例如，根据所涉及的功能性，连续示出的两个框实际上可大致同时地执行，或者这些框有时以相反的顺序执行。还可注意到，可由执行特定功能或动作的专用目的的基于硬件的系统、或专用目的硬件与计算机指令的组合来实现框图和/或流程图示图中的每个框、以及框图和/或流程图示图中的多个框的组合。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (17)

1.一种基于心冲击信号的身份识别方法，包括：
采集第一用户的心冲击信号；
从所述心冲击信号中提取信号特征，作为所述第一用户的身份特征信息；
根据所述第一用户的身份特征信息，确定所述第一用户的身份。
2.根据权利要求1所述的方法，其中，所述信号特征包括：心跳频率、频域特征和/或时域特征；
从所述心冲击信号中提取信号特征，包括：对所述心冲击信号进行频域分析和/或时域分析。
3.根据权利要求2所述的方法，其中，所述频域特征包括：所述心跳频率的基波分量和谐波分量；
对所述心冲击信号进行频域分析包括：
获取所述心跳频率；
对所述心冲击信号进行基于所述心跳频率的频域分析。
4.根据权利要求3所述的方法，其中，所述频域特征还包括：谐波分量幅值与基波分量幅值的比值。
5.根据权利要求3所述的方法，其中，所述谐波分量包括：二次谐波分量、三次谐波分量和/或四次谐波分量。
6.根据权利要求2所述的方法，其中，所述时域特征包括：波峰的峰值，所述波峰在每个心跳周期的同一相位周期性出现；
对所述心冲击信号进行时域分析包括：在所述心冲击信号中，采集所述波峰的峰值。
7.根据权利要求6所述的方法，其中，所述波峰的峰值包括：
波峰均值，相对于每个心跳周期，相位相同的多个波峰的峰值的均值。
8.根据权利要求6所述的方法，其中，所述波峰包括主峰和次峰，其中：
最大峰值均值对应的每个心跳周期内的波峰为所述主峰，其他波峰为所述次峰，其中，峰值均值为相位相同的多个波峰的峰值的均值，所述心冲击信号中，数值最大的峰值均值为最大峰值均值；
对所述心冲击信号进行时域分析包括：在所述心冲击信号的多个波峰中确定所述主峰。
9.根据权利要求8所述的方法，其中，所述时域特征还包括：所述次峰的峰值与所述主峰的峰值的比值。
10.根据权利要求8所述的方法，其中，所述次峰包括每个主峰之后的峰值最高的三个次峰，顺次为第一次峰、第二次峰和第三次峰。
11.根据权利要求8所述的方法，其中，在所述心冲击信号的多个波峰中确定所述主峰，包括：
在所述心冲击信号中提取所述心跳周期；
根据所述心冲击信号确定所述最大峰值均值；
确定所述心跳周期内，所述最大峰值均值对应的波峰为所述主峰。
12.根据权利要求8所述的方法，其中，在所述心冲击信号的多个波峰中确定所述主峰，包括：
在所述心冲击信号中提取所述心跳周期；
在所述多个波峰中提取最大波峰，所述最大波峰为所述多个波峰中，峰值最大的波峰；
确定所述心跳周期内，与最大波峰相位相同的波峰为主峰。
13.根据权利要求1-12所述的方法，其中，根据所述第一用户的身份特征信息，确定所述第一用户的身份，包括：
根据所述所述第一用户的身份特征信息和身份特征库中的至少一个用户的身份特征记录，确定所述第一用户的身份。
14.根据权利要求13所述的方法，其中：
所述至少一个用户的身份特征记录包括：所述至少一个用户的至少一条身份特征信息；
所述方法还包括：
采集所述至少一个用户的心冲击信号；
从所述心冲击信号中提取信号特征，作为所述至少一个用户的一条身份特征信息；
根据所述至少一个用户的身份特征记录创建所述身份特征库。
15.根据权利要求14所述的方法，其中，
所述至少一个用户的身份特征记录还包括：所述至少一个用户的身份特征模型；
所述方法还包括：
根据所述至少一个用户的至少一条身份特征信息建立所述至少一个用户的身份特征模型。
16.一种电子设备，包括：存储器、处理器及存储在所述存储器上的所述处理器可执行程序，当所述程序被执行时，所述处理器执行权利要求1-15中至少一项所述的身份识别方法。
17.一种存储介质，存储处理器可执行的程序,其中，所述程序被执行时，当所述程序被执行时，所述处理器执行权利要求1-15中至少一项所述的身份识别方法。
CN201980002078.8A 2019-10-08 2019-10-08 基于心冲击信号的身份识别方法、电子设备及存储介质 Active CN110869930B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/109933 WO2021068107A1 (zh) 2019-10-08 2019-10-08 基于心冲击信号的身份识别方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110869930A true CN110869930A (zh) 2020-03-06
CN110869930B CN110869930B (zh) 2021-08-06

Family

ID=69660093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980002078.8A Active CN110869930B (zh) 2019-10-08 2019-10-08 基于心冲击信号的身份识别方法、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN110869930B (zh)
WO (1) WO2021068107A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140133231A (ko) * 2013-05-10 2014-11-19 (주)에스티엠디 고위험 작업자의 라이프 케어 시스템 및 방법
CN104771178A (zh) * 2015-04-13 2015-07-15 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
CN105468951A (zh) * 2015-11-17 2016-04-06 安徽华米信息科技有限公司 通过心电特征进行身份识别的方法及装置、可穿戴设备
CN106778561A (zh) * 2016-11-16 2017-05-31 深圳市阿尔法通讯技术有限公司 一种穿戴式设备的身份识别方法及识别装置
CN108388861A (zh) * 2018-02-13 2018-08-10 余海波 电子设备及其控制方法和装置
CN109895782A (zh) * 2019-04-24 2019-06-18 泉州师范学院 智能汽车座椅及工作方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140133231A (ko) * 2013-05-10 2014-11-19 (주)에스티엠디 고위험 작업자의 라이프 케어 시스템 및 방법
CN104771178A (zh) * 2015-04-13 2015-07-15 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
CN105468951A (zh) * 2015-11-17 2016-04-06 安徽华米信息科技有限公司 通过心电特征进行身份识别的方法及装置、可穿戴设备
CN106778561A (zh) * 2016-11-16 2017-05-31 深圳市阿尔法通讯技术有限公司 一种穿戴式设备的身份识别方法及识别装置
CN108388861A (zh) * 2018-02-13 2018-08-10 余海波 电子设备及其控制方法和装置
CN109895782A (zh) * 2019-04-24 2019-06-18 泉州师范学院 智能汽车座椅及工作方法

Also Published As

Publication number Publication date
WO2021068107A1 (zh) 2021-04-15
CN110869930B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Hammad et al. A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication
Zhang et al. Heart sound classification based on scaled spectrogram and partial least squares regression
EP3037036B1 (en) Biometric authentication method and apparatus
Mazilu et al. Feature learning for detection and prediction of freezing of gait in Parkinson’s disease
CN111091116B (zh) 一种用于判断心律失常的信号处理方法及系统
US20170143226A1 (en) Action Recognition Method and Device Based on Surface Electromyography Signal
CN105468951B (zh) 通过心电特征进行身份识别的方法及装置、可穿戴设备
US20160100803A1 (en) Method and system for measuring beat parameters
Xu et al. High accuracy classification of EEG signal
US10163528B2 (en) Determining user-interested information based on wearable device
Reiss et al. PPG-based heart rate estimation with time-frequency spectra: A deep learning approach
CN107273827B (zh) 一种心电信号r波检测方法及装置
KR101578167B1 (ko) 심전도 생체정보를 이용한 실시간 개인 인증방법
CN113349778A (zh) 基于经颅直流电刺激的情绪分析方法、装置和电子装置
Irani et al. Contactless measurement of muscles fatigue by tracking facial feature points in a video
Hwang et al. Variation-stable fusion for PPG-based biometric system
Prajod et al. On the generalizability of ecg-based stress detection models
Zairi et al. Intelligent system for detecting cardiac arrhythmia on FPGA
Akhbari et al. Fiducial points extraction and characteristicwaves detection in ECG signal using a model-based bayesian framework
CN110869930B (zh) 基于心冲击信号的身份识别方法、电子设备及存储介质
Vuksanovic et al. Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters
CN112869743A (zh) 一种考虑认知分心的运动起始意图神经解析方法
Derawi et al. Fusion of gait and ECG for biometric user authentication
Mesin et al. A low cost ECG biometry system based on an ensemble of support vector machine classifiers
Lin et al. Explainable deep neural network for identifying cardiac abnormalities using class activation map

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: 20200629

Address after: 1219, floor 11, No.19, Madian East Road, Haidian District, Beijing 100088

Applicant after: Beijing micro digital technology Co., Ltd

Address before: 100095 Beijing Haidian District Hot Spring Town Dongbutou Village District No.398

Applicant before: Jiao Xu

TA01 Transfer of patent application right
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40037990

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant