CN111183424B - 识别用户的系统和方法 - Google Patents

识别用户的系统和方法 Download PDF

Info

Publication number
CN111183424B
CN111183424B CN201780094397.7A CN201780094397A CN111183424B CN 111183424 B CN111183424 B CN 111183424B CN 201780094397 A CN201780094397 A CN 201780094397A CN 111183424 B CN111183424 B CN 111183424B
Authority
CN
China
Prior art keywords
physiological
model
subject
feature
determining
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.)
Active
Application number
CN201780094397.7A
Other languages
English (en)
Other versions
CN111183424A (zh
Inventor
韦传敏
彭衡
赵纪伟
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.)
Vita Course Technologies Co Ltd
Original Assignee
Vita Course Technologies 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 Vita Course Technologies Co Ltd filed Critical Vita Course Technologies Co Ltd
Publication of CN111183424A publication Critical patent/CN111183424A/zh
Application granted granted Critical
Publication of CN111183424B publication Critical patent/CN111183424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种方法包括：获取与第一对象相关的第一生理数据，从与第一对象相关的第一生理数据中提取至少一个第一生理特征，确定与至少一个第一参考生理特征相关的第一模型，根据第一模型和至少一个第一生理特征，生成第二模型，第二模型与至少一个与第二模型相对应的第二参考生理特征相关，以及，基于第二模型和至少一个第一生理特征，确定至少一个与第一对象相关的识别生理特征。至少一个识别生理特征可以对应于至少一个第二参考生理特征。

Description

识别用户的系统和方法
技术领域
本申请通常涉及用户识别系统，更具体地，涉及用于基于生理信号识别用户的方法和系统。
背景技术
通过利用诸如语音信号和从身体提取的个人数据等信号来进行个人识别的生物识别技术已经被用于各种领域，例如安全和欺诈检测。示例性生物识别技术可以包括指纹识别、语音识别、静脉识别、虹膜识别、视网膜识别、面部识别、DNA识别等或其组合。然而，上述生物信号(例如指纹、静脉、语音等)可能会被盗、丢失或被伪造，这可能会影响识别的准确性。因此，期望提供用于基于生理信号有效识别用户的系统和方法。
发明内容
根据本申请的一方面，提供了一种用于基于生理信号识别用户的方法。该方法可以在至少一台机器上实现，每台机器具有至少一个处理器和存储器。该方法可以包括：获取与第一对象相关的第一生理数据，从与第一对象相关的第一生理数据中提取至少一个第一生理特征，确定至少一个与第一参考生理特征相关的第一模型，基于第一模型和至少一个第一生理特征生成第二模型，所述第二模型与对应于所述第二模型的至少一个第二参考生理特征有关，并基于第二模型和至少一个第一生理特征确定与第一对象相关的至少一个识别生理特征。在一些实施例中，至少一个识别生理特征可以对应于至少一个第二参考生理特征。
在一些实施例中，与第一对象相关的第一生理数据可以包括心电图(ECG)信号或光电容积描记图(PPG)信号中的至少一个。
在一些实施例中，确定与至少一个第一参考生理特征相关的第一模型还可以包括：获取与多个对象相关的多个生理数据，从多个生理数据中提取与多个对象相关的生理特征，并基于与多个对象相关的生理特征训练机器学习模型，生成第一模型。
在一些实施例中，可以基于传统神经网络、长短期记忆网络、深度信任网络、对抗生成网络、支持向量机或随机森林模型中的至少一个来构建机器学习模型。
在一些实施例中，基于第一模型和至少一个第一生理特征确定第二模型进一步包括：基于第一模型和至少一个第一生理特征确定至少一个有效生理特征，所述至少一个有效生理特征与所述至少一个第一参考生理特征相对应，并基于所述至少一个有效生理特征训练所述第一模型，以生成对应于所述第一对象的第二模型。
在一些实施例中，基于第一模型和至少一个第一生理特征确定第二模型可进一步包括获取与第一对象相关的第二生理数据，所述第二生理数据对应于第一生理数据，基于第一模型和至少一个第一生理特征生成第三模型，第二模型与第三模型相对应的至少一个第三参考生理特征有关，并通过基于第二生理数据训练第三模型以生成第二模型。
在一些实施例中，与第一对象相关的第二生理数据可以包括血压数据、血糖数据、心率数据或呼吸率数据中的至少一个，并且第一生理特征可以包括心电图(ECG)信号和光电容积描记图(PPG)信号中的至少一个。
在一些实施例中，该方法可以进一步包括基于与第一对象相关的至少一个识别生理特征来识别第二对象。
在一些实施例中，基于第二模型和与第一对象相关的至少一个第一生理特征来识别第二对象，可以进一步包括：获取与第一对象相关的至少一个识别生理特征，确定与所述第二对象相关的至少一个第二生理特征，比较与所述第二对象相关的至少一个第二生理特征和与所述第一对象相关的至少一个识别生理特征，并基于所述比较来识别所述第二对象。
在一些实施例中，确定与第二对象相关的至少一个第二生理特征，还可以包括：获取第一模型或第二模型中的至少一个，并基于第一模型或第二模型中的至少一个确定与第二对象相关的至少一个第二生理特征。
在一些实施例中，比较第二对象相关的至少一个第一生理特征与与第一对象相关的至少一个识别生理特征，还可以包括：基于与第一对象相关的至少一个识别生理特征，确定特征向量，基于与第二对象相关的至少一个第二生理特征确定第二特征向量，确定与第一对象相关的特征向量和与第一对象相关的第二特征向量之间的距离，并将与第一对象相关的第一特征向量和与第二对象相关的第二特征向量之间的距离与阈值进行比较。
在一些实施例中，该方法可以进一步包括：响应于确定距离小于或等于阈值，确定第二对象与第一对象匹配。
根据本申请的一方面，提供了一种用于基于生理信号识别用户的系统。该系统可以包括至少一个处理器和可执行指令。所述可执行指令由所述至少一个处理器执行，使得所述系统实现一种方法。该方法可以包括：获取与第一对象相关的第一生理数据，从与第一对象相关的第一生理数据中提取至少一个第一生理特征，确定至少一个与第一参考生理特征相关的第一模型，基于第一模型和至少一个第一生理特征，生成第二模型，该第二模型与对应于第二模型的至少一个第二参考生理特征有关，并基于第二模型和至少一个第一生理特征，确定与第一对象相关的至少一个识别生理特征。至少一个识别生理特征可以对应于至少一个第二参考生理特征。
根据本申请的另一方面，提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质可以包括可执行指令。指令由至少一个处理器执行，可以使得至少一个处理器实现一种方法。该方法可以包括：获取与第一对象相关的第一生理数据，从与第一对象相关的第一生理数据中提取至少一个第一生理特征，确定至少一个与第一参考生理特征相关的第一模型，根据第一模型和至少一个第一生理特征，生成第二模型，该第二模型与对应于第二模型相对应的至少一个第二参考生理特征有关，并基于第二模型和至少一个第一生理特征，确定与第一对象相关的至少一个识别生理特征。至少一个识别生理特征可以对应于至少一个第二参考生理特征。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：
图1是根据本申请的一些实施例所示的示例性识别系统的示意图；
图2是根据本申请的一些实施例所示的示例性计算设备的示例性硬件和/或软件组件的示意图；
图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图；
图4是根据本申请的一些实施例所示的示例性处理引擎的框图；
图5是根据本申请的一些实施例所示的示例性处理模块的框图；
图6是根据本申请的一些实施例所示的用于识别对象的示例性过程的流程图；
图7是根据本申请的一些实施例所示的用于确定与待注册的对象相关的标识信息的示例性过程的流程图；
图8是根据本申请的一些实施例所示的用于生成第一模型的示例性过程的流程图；以及
图9是根据本申请的一些实施例所示的根据本申请的一些实施例的生理信号来识别对象的示例性过程的流程图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。然而，本领域技术人员应该明白，可以在没有这些细节的情况下实施本申请。在其他情况下，为了避免不必要地模糊本申请的一些方面，本申请已经以相对高级别概略地描述了公知的方法、程序、系统、组件和/或电路。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。
本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或多个其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
应当理解的是，本文使用的“系统”、“引擎”、“单元”、“模块”和/或“区块”是用于按升序区分不同级别的不同构件、元素、部件、部分或组件的方法。但是，如果这些术语达到相同的目的，则可能会被其他表达方式所取代。
通常，本文所使用的词“模块”、“单元”或“块”是指体现在硬件或固件中的逻辑，或软件指令的集合。本文描述的模块、单元或块可以被实现为软件和/或硬件，并且可以被存储在任何类型的非暂时性计算机可读介质或其他存储设备中。在一些实施例中，可以编译软件模块/单元/块并将其链接到可执行程序中。将意识到，软件模块可以是可从其他模块/单元/块或从其自身调用的，和/或可以响应于检测到的事件或中断而被调用。被配置为在计算设备上执行的软件模块/单元/块(例如，图2所示的处理器210)可以在计算机可读介质(例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质)上提供，或以数字下载的形式提供(并且可以最初以压缩或可安装的格式存储，在执行之前需要安装、解压缩或解密)。这样的软件代码可以部分地或全部地存储在执行计算设备的存储设备上，以供计算设备执行。软件指令可以嵌入在固件中，例如可擦可编程只读内存(erasable programmableread only memory(EPROM))。还将意识到，硬件模块/单元/块可以被包括在连接的逻辑组件中，例如门和触发器，和/或可以包括在可编程单元中，例如可编程门阵列或处理器。本文描述的模块/单元/块或计算设备功能可以被实现为软件模块/单元/块，但是可以以硬件或固件来表示。通常，本文描述的模块/单元/块是指可以与其他模块/单元/块组合或者被划分为子模块/子单元/子块的逻辑模块/单元/块，不管其物理结构或存储。该描述可以适用于系统、引擎或其一部分。
当单元、引擎、模块或块被称为在另一单元、引擎、模块或块“上”、“连接到”或“耦合到”另一单元、引擎、模块或块时，它可以直接在其他单元、引擎、模块或块上，与之连接或与之通信，或者可以存在中间单元、引擎、模块或块，除非上下文另有明确说明。在本申请中，术语“和/或”可包括任何一个或多个有关所列条目或其组合。
根据以下对附图的描述，本申请的这些和其他的特征、特点以及有关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。
本申请的一方面涉及用于用户识别的系统和方法。在一些实施例中，可以使用生理信号(例如PPG、ECG等)来识别用户。例如，可以基于识别对象的生理信号确定一个或多个识别生理特征。确定识别生理特征的方法可以包括：获取与第一对象相关的第一生理数据；从与第一对象相关的第一生理数据中提取至少一个第一生理特征；确定与至少一个第一参考生理特征相关的第一模型；基于第一模型和至少一个第一生理特征，生成第二模型，所述第二模型与对应于第二模型的至少一个第二参考生理特征有关；基于所述第二模型和所述至少一个第一生理特征，确定与所述第一对象相关的至少一个识别生理特征，其中，所述至少一个识别生理特征对应于所述至少一个第二参考生理特征；在一些实施例中，该方法还可以包括基于至少一个识别生理特征来识别第一对象。
为了说明的目的，本申请描述了识别系统的系统和方法。下文描述的识别系统100仅出于说明目的而提供，并不旨在限制本申请的范围。
图1是根据本申请的一些实施例所示的示例性识别系统100的示意图。如图所示，识别系统100可以包括测量设备110、处理引擎120、存储器130、终端140和网络150。在一些实施例中，测量设备110、处理引擎120、存储器130和/或终端140可以经由无线连接(例如，网络150)、有线连接或其组合而彼此连接或通信。识别系统100中的组件之间的连接可以是可变的。仅作为示例，测量设备110可以通过网络150连接到处理引擎120，如图1所示。又例如，测量设备110可以直接连接到处理引擎120。再例如，存储器130可以通过网络150连接到处理引擎120，如图1所示，或者直接连接到处理引擎120。作为又一示例，终端140可以通过网络150连接到处理引擎120，如图1所示，或者直接连接到处理引擎120。
测量设备110可以测量生理信号。生理信号可以涉及或用于确定或估算感兴趣的生理特征。在一些实施例中，生理信号可以包括生理电信号和生理非电信号。示例性生理电信号可以包括光电容积描记图(PPG)信号、心电图(ECG)信号、脑电图(EEG)信号、肌电图(EMG)信号等或其组合。示例性生理非电信号可以包括呼吸信号、血压、血氧饱和度信号等或其组合。生理特征可以是一个或多个与生理信号相关的空间的、时间的、频谱的和/或个体的度量。例如，生理特征可以包括脉搏传播时间(PTT)、脉搏传播时间变化(PTTV)、血压(BP)、收缩压(SBP)、舒张压(DBP)、脉搏率、心率、HRV、心脏杂音、血氧饱和度、血液密度、血氧水平等或其任意组合。
测量设备110可以包括例如临床设备、家用设备、便携式设备、可穿戴设备等或其组合。如本文所使用的，临床设备可以是满足在临床环境中使用的适用标准和/或规格的设备，临床环境包括例如医院、医生办公室、疗养院等。示例性临床设备包括听诊设备、示波设备、ECG监测器、PPG监测器等或其组合。示例性的家用设备包括示波设备、家用ECG监测器、血压计等或其组合。示例性便携式设备包括示波设备、便携式ECG监测器、便携式PPG监测器等或其组合。示例性可穿戴设备包括：眼镜、肩带、智能手表、脚链、大腿带、臂章、胸带、颈带、手指夹等或其组合。提供测量设备110的上述示例是出于说明的目的，而不是要限制本申请的范围。测量设备110可以是另一种形式，例如包括指套、腕带、胸罩、内衣、胸带等或其组合。
仅作为示例，测量设备110可以包括可测量一个或多个心血管信号的可穿戴或便携式设备。在一些实施例中，可穿戴设备或便携式设备可以处理至少一些测量信号，基于测量信号估算感兴趣的生理特征，以例如图像、音频警报的形式显示包括感兴趣的生理特征的结果，与另一台设备或服务器进行有线或无线通信等或其组合。在一些实施例中，可穿戴或便携式设备可以与另一设备(例如，终端140)或服务器(例如，云服务器)通信。设备或服务器可以处理至少一些测量信号，基于测量信号估算感兴趣的生理特征，以例如图像、音频警报的形式显示包括感兴趣的生理特征的结果等，或其任意组合。
在一些实施例中，处理测量信号、估算生理特征、显示结果或进行有线或无线通信的操作可以由集成设备或彼此连接或通信的单独设备执行。这样的集成设备可以是便携式的或可穿戴的。在一些实施例中，至少一些单独设备可以是便携式或可穿戴的，或者位于信号被测量或感兴趣的生理特征被估算或监测的对象附近。如本文所使用的，对象可以指信号或信息被获取并且生理特征被获取、估算或监视的人或动物。仅作为示例，对象可以是生理信号被获取的患者。仅作为示例，对象佩戴可以测量一个或多个生理信号的测量设备110；所测量的一个或多个生理信号被发送到智能电话，该智能电话可以基于所测量的信号计算或估算一个或多个感兴趣的生理特征；可以将计算出的与该对象相关的一个或多个生理特征输入该对象的个体模型，并且可以基于一个或多个生理特征和该对象的个体模型确定该对象的识别。
在一些实施例中，测量设备110可包括各种类型的传感器，包括例如电极传感器、光学传感器、光电传感器、压力传感器、加速度计、重力传感器、温度传感器、湿度传感器等或其组合。测量设备可以监测和/或检测与对象相关的一个或多个类型的变量，包括例如体重、温度、湿度、用户或对象输入等或其组合。测量设备110还可以包括定位系统，例如GPS接收器或位置传感器，并且位置信息可以通过网络150被发送到处理引擎120、存储器130、终端140等或其任意组合。位置信息和测量信号可以同时或相继发送。
处理引擎120可以处理从测量设备110、存储器130和/或终端140获取的数据和/或信息。在一些实施例中，处理引擎120可以基于与对象相关的生理信号来识别对象。在一些实施例中，处理引擎120可以通过基于与对象相关的生理信号确定识别生理特征来注册对象。例如，处理引擎120可以从与对象相关的生理信号中提取一个或多个生理特征，所述生理信号与从测量设备110获取。处理引擎120可以基于与对象相关的多个生理特征来生成一个或多个模型。处理引擎120还可以基于模型和与对象相关的生理特征来确定识别生理特征。在一些实施例中，处理引擎120可以是单个服务器或服务器组。服务器组可以是集中式或分布式的。在一些实施例中，处理引擎120可以是本地的也可以是远程的。例如，处理引擎120可以经由网络150访问来自测量设备110、存储器130和/或终端140的信息和/或数据。又例如，处理引擎120可以直接连接到测量设备110、终端140和/或存储器130以访问信息和/或数据。在一些实施例中，处理引擎120可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其组合。在一些实施例中，处理引擎120可以由如图2所描述的具有一个或多个组件的计算设备200实现。
存储器130可以存储数据、指令和/或任何其他信息。在一些实施例中，存储器130可以存储从测量设备110、处理引擎120、终端140和/或交互设备150获取的数据。数据可以包括生理信号、生理特征、数据处理中使用的模型、个体数据或在识别对象的过程中生成的其他数据。在一些实施例中，个体数据可以包括静态数据、动态数据或两者。示例性静态数据可包括与对象相关的各种信息，包括性别、年龄、体重、身高、联系信息、生日、健康史(例如，对象是否有吸烟史、有关先前手术的信息、食物过敏、药物过敏、就医史、遗传病史、家庭健康史等或其组合)、性别、国籍、身高、体重、职业、习惯(例如，健康相关的习惯(如运动习惯)、教育背景、嗜好、婚姻状况等或其组合。示例性动态数据可以包括对象的当前健康状况、对象正在服用的药物、对象进行的药物治疗、饮食等或其组合。
在一些实施例中，存储器130可以存储处理引擎120执行或用于执行本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储器130可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪光驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可以包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模型只读内存(MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中，可以在本申请中其他地方描述的云平台上实现存储器130。
在一些实施例中，存储器130可以连接到网络150以与识别系统100中的一个或多个其他组件(例如，处理引擎120、终端140等)通信。识别系统100中的一个或多个组件可以通过网络150访问存储在存储器130中的数据或指令。在一些实施例中，存储器130可以是处理引擎120的一部分。
终端140可以连接到测量设备110、处理引擎120和/或存储器130和/或与之通信。例如，处理引擎120可以经由用户获取从终端140输入的指令。又例如，终端140可以从测量设备110、处理引擎120和/或存储器130获取生理数据。在一些实施例中，终端140可以包括移动设备、平板计算机、膝上型计算机等或其组合。例如，移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式机等或其组合。在一些实施例中，终端140可以包括输入设备、输出设备等。输入设备可以包括字母数字键和其他键。其他键可以通过键盘、触摸屏(例如，具有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监控系统或任何其他可比较的输入机制输入。通过输入设备接收到的输入信息可以经由例如总线传输到处理引擎120，以进行进一步处理。其他类型的输入设备可以包括光标控制设备，例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器、扬声器、打印机等或其组合。在一些实施例中，终端140可以是处理引擎120的一部分。
在一些实施例中，系统100中的终端140可以被配置为处理至少一些测量信号，基于测量生理信号估算感兴趣的生理特征，以图像、存储数据的形式显示包括感兴趣的生理特征的结果，控制对系统100或其一部分的访问(例如，对存储在系统100中或可从系统100获取的个人数据的访问)，管理来自或与之相关的对象的输入输出等或其组合。其他设备可以包括可以独立工作的设备，也可以包括组装在另一个设备中的处理单元或处理模块(例如，智能家庭终端)。仅作为示例，终端140包括测量设备110中的CPU或处理器。在一些实施例中，终端140可以包括如图2所示的引擎300。
网络150可以包括可以促进识别系统100的信息和/或数据的交换的任何合适的网络。在一些实施例中，识别系统100一个或多个的组件(例如，测量设备110、处理引擎120、存储器130、终端140等)可以经由网络150与识别系统100的一个或多个其他组件通信信息和/或数据。例如，处理引擎120可以经由网络150从测量设备110获取图像数据。又例如，处理引擎120可以经由网络150从终端140获取用户指令。网络150可以是和/或包括公共网络(例如，因特网)、专用网络(例如，局部区域网络(LAN)、广域网(WAN))等)、有线网络(例如，以太网络)、无线网络(例如802.11网络、Wi-Fi网络等)、蜂窝网络(例如，长期演进(LTE)网络、帧中继网络、虚拟专用网络(VPN)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任意组合。例如，网络150可以包括电缆网络、有线网络、光纤网络、电信网络、内部网、无线局部区域网络(WLAN)、城域网(MAN)、公共交换电话网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等或其任意组合。在一些实施例中，网络150可以包括一个或多个网络接入点。例如，网络150可以包括诸如基站和/或互联网交换点之类的有线和/或无线网络接入点，识别系统100的一个或多个组件可以通过有线和/或无线接入点连接到网络150以交换数据和/或信息。
该描述旨在是说明性的，而不是限制本申请的范围。对于本领域普通技术人员而言，许多替代、修改和变化将是显而易见的。本文描述的示例性实施例的特征、结构、方法和其他特征可以通过各种方式组合以获取附加的和/或替代的示例性实施例。例如，存储器130可以是包括云计算平台的数据存储设备，诸如公共云、私有云、社区和混合云等。又例如，处理引擎120和终端140可以集成到单个设备中。但是，这些变化与修改不会超出本申请的范围。
图2是根据本申请的一些实施例所示的可以在其上实现处理引擎120的示例性计算设备200的示例性硬件和/或软件组件的示意图。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以执行计算机指令(例如，程序代码)，并根据本申请描述的技术执行处理引擎120的功能。计算机指令可以包括例如执行在此描述的特定功能的常规、程序、对象、组件、数据结构、过程、模块和功能。例如，处理器210可以处理从测量设备110、存储器130、终端140和/或识别系统100的任何其他组件获取的生理数据。在一些实施例中，处理器210可以包括一个或多个硬件处理器，诸如微控制器、微处理器、精简指令集计算机(RISC)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高阶RISC机器(ARM)、可编程逻辑器件(PLD)、能够执行一个或多个功能的任何电路或处理器等或其任意组合。
仅仅为了说明，在计算设备200中仅描述了一个处理器。然而，应该注意的是，本申请中的计算设备200还可以包括多个处理器，如本申请中所描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合地或单独地执行。例如，在本申请中，如果计算设备200的处理器执行操作A和操作B，则应该理解，操作A和操作B也可以由计算设备200中的两个或以上不同的处理器共同地或单独地执行(例如，第一处理器执行操作A并且第二处理器执行操作B，或者第一处理器和第二处理器共同执行操作A和B)。
存储器220可以存储从测量设备110、存储器130、终端140和/或识别系统100的任何其他组件获取的数据/信息。在一些实施例中，存储器220可包括大容量存储器、可移动存储器、易失性读写内存、只读存储器(ROM)等或其任意组合。例如，大容量存储设备可以包括磁盘、光盘、固态驱动器等。可移动存储设备可以包括闪存驱动器、软盘、光盘、内存卡、zip磁盘、磁带等。易失性读写内存可以包括随机存取内存(RAM)。RAM可以包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。ROM可以包括掩模型只读内存(MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中，存储器220可以存储一个或多个程序和/或指令以执行在本申请中描述的示例性方法。例如，存储器220可以存储用于处理引擎120的程序，用于确定目标翻转角度计划。
I/O 230可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O 230可以使用户与处理引擎120交互。在一些实施例中，I/O 230可以包括输入设备和输出设备。示例性的输入设备可以包括键盘、鼠标、触控屏幕、麦克风等或其任意组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影机等或其任意组合。显示设备的示例可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管(CRT)、触摸屏幕等或其任意组合。
通信端口240可以连接到网络(例如，网络120)以促进数据通信。通信端口240可以在处理引擎120与测量设备110、存储器130和/或终端140之间建立连接。连接可以是有线连接、无线连接、可以启用数据传输和/或接收的任何其他通信连接，和/或这些连接的任意组合。有线连接可以包括例如电缆、光缆、电话线等或其任意组合。无线连接可以包括例如蓝牙链路、Wi-Fi链路、WiMax链路、WLAN链路、紫蜂链路、移动网络链路(例如3G、4G、5G等)等或其组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，诸如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的通信端口。例如，通信端口240可以根据医学数字成像和通信(DICOM)协议来设计。
图3是根据本申请的一些实施例所示的可以在其上实现终端140的示例性移动设备300的示例性硬件和/或软件组件的示意图。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O350、内存360以及储存器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，移动操作系统370(例如，iOSTM、AndroidTM、Windows PhoneTM等)和一个或多个应用程序380可从存储器490下载至内存360以及由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于接收及呈现与图像处理相关的信息或处理引擎120中的其他信息。用户与信息流的交互可以通过I/O 350来实现，并通过网络150提供给处理引擎120和/或识别系统100的其他组件。
为了实现在本发明中描述的各种模块、单元及其功能，计算设备或移动设备可以用作本发明所描述的一个或多个组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若计算机被适当的程序化，计算机亦可用作服务器。
图4是根据本申请的一些实施例所示的示例性处理引擎120的框图。处理引擎120可以包括获取模块410、处理模块420、输出模块430和存储模块440。处理引擎120的至少一部分可以在如图2所示的计算设备上或在如图3所示的移动设备上实现。
获取模块410可以被配置为从一个或多个对象获取信号或信息。如本文所用，可以通过接收由例如传感器感测、检测或测量的信号或信息，或者通过接收来自对象或来自对象以外的用户(例如，与对象相关的医生、护理人员、家庭成员等或其组合)的输入来实现获取。。示例性获取的信息可以包括生理数据。生理数据包括光电容积描记图(PPG)信号、心电图(ECG)信号、心动图(BCG)信号、血压(BP)、收缩压(SBP)、舒张压(DBP)、脉搏率(PR)、心率(HR)、心率变化(HRV)、心脏杂音、血氧饱和度、血液密度、血液pH值、肠鸣音、脑电波、脂肪含量、血液流速等或其组合。示例性获取的信息可以进一步包括关于对象的信息，例如，身高、体重、年龄、性别、体温、手臂长度、疾病史等或其组合。
处理模块420可以处理由处理引擎120的各个模块提供的信号或信息。在一些实施例中，处理模块420可以注册对象。例如，处理模型420可以通过处理与对象相关的生理信号来确定一个或多个识别生理特征。在一些实施例中，处理模块420可以基于生理信号和与对象相关的识别生理特征来识别对象。在一些实施例中，处理模块420可以被配置为执行一个或多个操作，例如包括预处理、计算、判断、统计分析等或其组合。任何一个操作可以基于至少一些所获取的信息，或者来自另一操作的中间结果(例如，训练数据，或者由处理模块420执行的操作，或者识别系统100的另一组件)来执行。
输出模块430可以被配置为输出获取的信号或信息，例如，生理信号、感兴趣的生理特征、对象的注册、对象的识别等或其组合。例如，输出模块430可以输出待识别的第一对象是否与第二对象匹配。又例如，输出模块430可以输出多个对象中与待识别的第一对象匹配的一个对象。在一些实施例中，输出模块430可以将获取的信号或信息输出到存储器130、终端140和/或任何其他存储器。如本文所使用的，模块可以具有独立处理器，或使用系统共享处理器。处理器可以根据与各种模块相关的指令来执行功能。例如，处理模块420可以根据有关指令，获取获取信号并进行计算以获取感兴趣的生理特征以上。
存储模块440可以存储信息。该信息可以包括程序、软件、算法、数据、文本、数字、图像和一些其他信息。例如，信息可以包括生理信号、生理特征、模型等或其组合。在一些实施例中，存储模块440可以存储可由处理引擎120的处理器执行的程序和/或指令，以获取数据，确定成像参数，重建MR图像，和/或显示任何中间结果或结果图像。
在一些实施例中，图5所示的一个或多个模块可以在图1所示的示例性识别系统100的至少一部分中实现。例如，获取模块410、输出模块430、处理模块420和/或存储模块440可以集成到控制台(未示出)中。经由控制台，用户可以设置用于识别对象、控制识别过程等的参数。在一些实施例中，控制台可以经由处理引擎120和/或终端140来实现。
图5是根据本申请的一些实施例所示的示例性处理模块420的框图。处理模块420可以包括注册单元520、识别单元540和存储单元560。处理模块420的至少一部分可以在如图2所示的计算设备或如图3所示的移动设备上实现。
注册单元520可以被配置为注册对象。在一些实施例中，对象的注册可以包括确定与对象相关的一个或多个识别特征和/或可以将与对象相关的一个或多个识别特征和/或任何其他标识信息存储在例如存储器130、终端140、存储模块440和/或任何其他存储器中。在一些实施例中，注册单元520可以进一步包括第一特征提取子单元522、模型生成子单元524和标识信息确定子单元526。第一特征提取子单元522可以被配置为提取一个或多个生理特征以训练模型。模型生成524可以被配置为生成一个或多个模型。在一些实施例中，该模型可以被配置为确定一个或多个与待注册的对象相关的识别生理特征。在一些实施例中，可以基于识别生理特征对模型进行识别和/或分类。标识信息确定子单元526可以确定与对象相关的标识信息。在一些实施例中，标识信息可以包含一个或多个的识别生理特征、个体数据和/或其他与对象相关的标识信息(例如，指纹、DNA、虹膜等)。
识别单元540可以被配置为识别待识别的对象。在一些实施例中，识别单元540还可以包括第二特征提取子单元542、判断子单元544和计算子单元546。第二特征提取子单元542可以提取与待识别的对象相关的生理特征。判断子单元544可以确定待识别的对象是否与注册对象匹配。计算子单元546可以在例如识别待识别的对象的过程中执行计算功能。例如，计算子单元546可以确定待识别的对象和注册对象之间的差异。
存储单元560可以存储包括例如用于识别对象和/或注册对象的信息的信息。该信息可以包括程序、软件、算法、数据、文本、数字和一些其他信息。例如，存储单元560可以存储由注册单元520确定的识别特征，由模型生成子单元524生成的一个或多个模型等。在一些实施例中，存储单元560可以存储用于识别对象的条件、阈值或标准。存储单元610可以在对象识别或注册过程中存储中间结果和/或最终结果。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不会背离本申请的范围。例如，第一特征提取子单元和第二特征提取子单元可以被集成到一个单个单元中。又例如，处理模块420可以进一步包括预处理单元。
图6是根据本申请的一些实施例所示的用于识别对象的示例性过程600的流程图。在一些实施例中，图6所示的过程600的一个或多个操作可以在图1所示的识别系统100中实现。例如，图6所示的过程600可以以指令的形式存储在存储器130中，并由处理引擎120(例如，图2所示的计算设备200的处理器210、如图3所示的移动设备300的CPU 340)调用和/或执行。
在602中，可以获取与待识别的第一对象相关的生理数据。操作602可以由获取模块410执行。在一些实施例中，生理数据可以包括一个或多个与第一对象相关的生理信号，例如光电容积描记图(PPG)信号、心电图(ECG)信号、心动图(BCG)信号、心音图(PCG)信号、心电图阻抗(ICG)信号、血压(BP)、收缩压(SBP)、舒张压(DBP)、脉搏率(PR)、心率(HR)、心率变化(HRV)、心脏杂音、血氧饱和度、血液密度、血液的pH值、肠鸣音、脑电波、脂肪浓度、血流速度等或其组合。上述生理信号可以是时间相关的。在一些实施例中，生理信号可以是一定长度的单个时间信号，例如持续200秒的PPG信号。
在一些实施例中，如本申请的其他地方所述，生理数据还可以包括与第一对象相关的个体数据，例如年龄、身高、体重、性别、健康史等。参见例如图1及其描述。在一些实施例中，可以从测量设备110、存储器130、终端140和/或连接到识别系统100的其他外部存储器获取与待识别的第一对象相关的生理数据。例如，获取模块410可以从测量设备110获取与待识别的第一对象相关的生理信号(例如，PPG信号)。
在604中，可以对生理数据进行预处理。操作604可以由处理模块420执行。在一些实施例中，生理数据的预处理可以包括降噪操作、归一化操作等或其组合。可以执行降噪操作以减少或消除生理数据中的噪声或错误。可以基于例如小波变换、傅立叶变换、离散小波变换(DWT)、正交小波变换(Mallat)、希尔伯特-黄(Hilbert-Huang)变换或任何其他数学变换来执行去噪操作。在一些实施例中，可以通过使用滤波技术来执行去噪操作。示例性滤波技术可以包括平滑滤波算法、自适应滤波算法、带阻滤波算法、Levkov滤波算法、低通滤波算法、带通滤波算法、中值滤波算法、形态滤波算法、曲线拟合等或其组合。在预处理过程中，本文提到的技术和/或算法可以并行使用或可以组合使用。另外，还可以在604中实现时域或频域的实时变换，并且信号或有关信息可以在时域、频域、小波域或所有这些中使用。
在606中，可以获取与第二对象相关的标识信息。操作606可以由获取模块410执行。在一些实施例中，可以从存储器130、终端140和/或任何其他存储器获取与第二对象相关的标识信息。例如，与第二对象相关的标识信息可以由识别系统预先确定和/或存储在识别系统中。在一些实施例中，标识信息可以包括一个或多个识别生理特征、与第二对象相关的个体数据和/或与第二对象的识别相关的其他信息(例如，DNA、指纹、语音、虹膜等)。可以根据如图7所示的过程700，基于与第二对象相关的生理数据(例如，生理信号)来确定与第二对象相关的识别生理特征。在一些实施例中，第二对象可以被注册。如本文所使用的，第二对象的注册可以指确定与第二对象相关的一个或多个识别生理特征(其可以用于识别第二对象)和/或存储与该第二对象相关的识别生理特征和/或其他个体数据于，例如，存储设备130、终端140、存储模块540和/或识别系统100可以访问的其他外部存储器中。在一些实施例中，可以同步或大致同时获取与待识别的第一对象相关的生理数据和与第二对象相关的识别生理特征。在一些实施例中，可以先获取一个信号，再获取另一个信号。
在608中，可以基于与第一对象相关的生理数据和与第二对象相关的标识信息来识别第一对象。操作608可以由处理模块420执行。在一些实施例中，可以从与第一对象相关的生理数据中提取多个生理特征。例如，可以提取对应于PPG信号的生理特征(例如，PTT)。在一些实施例中，根据图9所示的过程900，可以将待识别的第一对象的多个生理特征中的至少一个与第二对象的多个生理特征进行比较。可以通过基于比较确定待识别的第一对象是否与第二对象匹配来识别待识别的第一对象。在一些实施例中，可以将待识别的第一对象的多个生理特征中的至少一个与多个第二对象的生理特征进行比较。可以通过基于多个比较确定多个第二对象中的哪个与待识别的第一对象匹配来识别待识别的第一对象。
在608中，可以输出待识别的第一对象的识别情况。操作608可以由输出模块430执行。在一些实施例中，可以将待识别的对象的识别情况输出到存储器130、终端140、存储模块540和/或任何其他外部设备。例如，可以将待识别的对象的识别情况发送到终端140(例如，计算机)以进行显示。在一些实施例中，对第一对象的识别可以包括第一对象是否与第二对象匹配(例如，是或否)。在一些实施例中，对第一对象的识别可以包括第一对象与第二对象匹配的概率。在一些实施例中，如果第一对象与第二对象匹配，则对第一对象的识别还可以包括与第二对象相关的个体数据，例如ID号、血型、地址、健康史、年龄等或其组合。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不会背离本申请的范围。例如，操作608可以是不必要的。又例如，操作602和604可以同时执行。
图7是根据本申请的一些实施例所示的用于确定与待注册对象相关的标识信息的示例性过程700的流程图。在一些实施例中，图7所示的过程700的一个或多个操作可以在图1所示的识别系统100中实现。例如，图7所示的过程700可以以指令的形式存储在存储器130中，并由处理引擎120(例如，图2所示的计算设备200的处理器210、如图3所示的移动设备300的CPU 340)调用和/或执行。可以根据过程700来执行操作604。
在702中，可以获取与待注册的对象相关的生理数据。操作702可以由获取模块410执行。在一些实施例中，与待注册的对象相关的生理数据可以包括一个或多个与待注册的对象相关的生理信号，例如光电容积描记图(PPG)信号、心电图(ECG)信号、心动描记图(BCG)信号、心电图(PCG)信号、阻抗心电图(ICG)信号、血压(BP)、收缩压(SBP)、舒张压(DBP)、脉搏率(PR)、心脏率(HR)、心率变化(HRV)、心脏杂音、血氧饱和度、血液密度、血液的pH值、肠鸣音、脑电波、脂肪含量、血流速度等或其组合，在一些实施例中，如本申请中其他地方所述，生理数据可以包括与待注册的对象相关的个体数据，例如年龄、身高、体重、性别、健康史等。参见例如图1及其描述。在一些实施例中，可以从与识别系统100连接的测量设备110、存储器130、终端140和/或其他外部存储器获取与待注册的对象相关的生理数据。例如，获取模块410可以从测量设备110获取与待注册的对象相关的生理信号(例如，PPG信号)。
在704中，可以从与待注册的对象相关的生理数据中提取生理特征。操作704可以由第一特征提取单元522执行。在一些实施例中，对应于生理信号的生理特征可以包括波形特征、特征点或基于特征点和/或波形特征确定的其他特征。例如，对应于ECG信号的波形特征可以包括在心动周期中的P波、QRS波、T波、R波等。又例如，对应于PPG信号的波形特征可以包括P波、V波等。特征点可以包括峰点、起点、终点、最小点、最大点、拐点等。例如，与PPG波相对应的特征点可以包括PPG波的起点、PPG波的终点、PPG波的峰值、PPG波的前谷、PPG波的潮波等。在一些实施例中，可以基于特征点确定波形特征。例如，可以基于特征点来确定波形的开始、波形的结束、波形的斜率、波形的振幅等。在一些实施例中，可以从生理信号的一阶导数、生理信号的二阶导数、生理信号的三阶导数等中进一步提取特征点。
在一些实施例中，生理特征还可以包括波形(例如，PPG波形、ECG波形等)的函数的时间间隔、相位、频率、周期、比率、最大斜率、开始时间、结束时间、直流(DC)分量、交流(AC)分量等或其任意组合。波形的函数可以是与波形等效的函数，或者是波形的一阶导数或更高阶导数。例如，一个特征点可以是生理信号的峰值或谷值，例如ECG信号的R波的峰值或谷值、PPG信号的最快上升点、PPG信号的更高阶矩或更高阶导数、PPG信号的脉冲面积、PCG信号的S2的最大正峰值或ICG信号的峰值等。在一些实施例中，生理特征还可以包括波强度、血压、心率、呼吸率等。
在一些实施例中，可以从测量设备110、终端140、存储设备130或其他存储设备中获取一部分生理特征(例如，血压、心率、呼吸频率等)。在一些实施例中，可以根据一个或多个其他生理特征来确定或估算部分生理特征(例如，血压、心率、呼吸率等)。例如，可以基于与PPG信号相关的一个或多个特征点(例如，相邻P波和V波之间的幅度差(hvp)、两个相邻P波之间的时间间隔(tpp)、两个相邻V波之间的时间间隔(tvv)、相邻的P波和V波之间的时间间隔(tvp等))来确定对应于PPG信号的生理特征。又例如，可以基于PPG波的波峰(或波谷)与ECG波的R波之间的时间间隔来估计PTT。仍然作为示例，可以基于相邻波之间的时间间隔来估计心率。再例如，可以基于波峰和波谷的强度来估计SpO2。
在706中，可以生成关于一个或多个第一参考生理特征的第一模型。操作706可以由模型生成单元524执行。在一些实施例中，第一模型可以被配置为确定与对象(例如，要在702中注册的对象)相关的生理特征(也称为有效生理特征)的至少一部分。有效的生理特征可以对应于第一参考生理特征。如本文所使用的，有效的生理特征可以用于识别对象(例如，要在702中注册的对象)。例如，可以将在702中提取的与待注册的对象相关的生理特征输入到第一模型中。第一模型可以确定与第一参考生理特征相对应的与待注册的对象相关的有效生理特征。在一些实施例中，第一模型可以被配置为基于一个或多个第一参考生理特征来识别对象(例如，要在702中注册的对象)。例如，可以将与待识别的第一对象相关的生理特征和与第二对象相关的生理特征输入到第一模型中。第一模型可以使用与对应于第一参考生理特征的第一对象相关的有效生理特征来识别第一对象。第一模型可以确定第一对象是否与第二对象匹配或第一对象与第二对象匹配的可能性。
在一些实施例中，第一参考生理特征可以与多个生理特征的类型有关。例如，第一参考生理特征可以包括与诸如PPG信号、ECG信号等的生理信号相关的一种或以上类型的生理特征(例如，PTT)。在一些实施例中，第一参考生理特征可以对应于至少两种类型的生理信号之间的关系，诸如生理电子信号和生理非电子信号。例如，第一参考生理特征可以涉及血压信号与PPG信号和/或ECG信号之间的关系。
在一些实施例中，第一模型可以基于机器学习技术来生成。根据学习机制，机器学习技术可以包括监督学习、无监督学习、半监督学习、强化学习等或其组合。在一些实施例中，机器学习技术可以包括回归算法、案例学习算法、正式学习算法、决策树学习算法、贝叶斯学习算法、核学习算法、聚类算法、关联规则学习算法、神经网络学习算法、深度学习算法、降维算法等。回归算法可以包括逻辑回归算法、逐步回归算法、多元自适应回归样条算法、局部估计散点图平滑算法等。案例学习算法可以包括k最近邻算法、学习向量量化算法、自组织映射算法等。正式学习算法可以包括岭回归算法、最小绝对收缩和选择算子(LAASSO)、弹性网算法等。决策树学习算法可以包括分类和回归树算法、迭代二分法3(ID3)算法、C45算法、卡方自动交互检测(CHAID)算法、决策树桩算法、随机森林算法、火星算法、梯度提升机(GBM)算法等。贝叶斯学习算法可以包括朴素的贝叶斯算法、平均的单依赖估计算法、贝叶斯信念网络(BBN)算法等。内核学习算法可以包括支持向量机算法、线性判别分析算法等。神经网络学习算法可以包括感知器神经网络算法、反向传播算法、Hopfield网络算法、自组织映射(SOM)算法、学习矢量量化算法等。深度学习算法可以包括受限的Boltzmann机器算法、深度信任网络(DBN)算法、卷积神经网络(CNN)算法、堆叠式自动编码器算法、长短记忆(LSTM)算法、对抗生成网络(GAN)算法等。
在一些实施例中，机器学习算法可以对应于机器学习模型。可以通过基于第一组训练数据来训练第一机器学习模型以生成第一模型。第一组训练数据可以包括生理特征的第一集合。可以从与多个样本相关的多个生理信号中提取第一组生理特征。在一些实施例中，第一组训练数据还可包括与多个样本相对应的多个个体数据，例如年龄、性别、体重、身高、病史或与样本相关的其他信息，如本申请其他地方所述。在一些实施例中，可以从存储器130、终端140或识别系统110可以连接到的任何其他外部数据源或存储器获取第一组生理特征或与多个样本相关的多个生理信号。
在708中，可以基于与待注册的对象相关的第一模型和生理特征来生成与一个或多个第二参考生理特征相关的第二模型。操作708可以由模型生成单元524执行。在一些实施例中，第二模型可以被配置为确定与对象(例如，要在702中注册的对象)相关的生理特征(也称为识别生理特征或个体生理特征)的至少一部分。识别生理特征可以对应于第二参考生理特征。识别生理特征可以被配置为用于识别对象(例如，要在702中注册的对象)。例如，可以将在702中提取的与待注册的对象相关的生理特征输入到第二模型中。第二模型可以确定与第二参考生理特征相对应的待注册的对象相关的识别生理特征。在一些实施例中，第二模型可以被配置为基于一个或多个第二参考生理特征来识别对象(例如，要在702中注册的对象)。例如，可以将与待识别的第一对象相关的生理特征和与第二对象相关的生理特征输入到第二模型。可以通过第二模型来确定与第一对象相关的与第二参考生理特征对应的识别生理特征和与第二对象相关的与第二参考生理特征对应的识别生理特征。第二模型可以比较与第一对象相关的识别生理特征和与第二对象相关的识别生理特征。第二模型可以确定第二对象是否与第一对象匹配或第一对象与第二对象匹配的概率。当将多个第二对象与第一对象进行比较时，第二模型可以确定第一对象与多个第二对象中的哪个匹配，或者第一对象与多个第二对象中的每个匹配的可能性。
在一些实施例中，第二模型可以是个性化的。对象(例如，待识别的对象)可以对应于第二模型。对于不同的对象，与第二模型相关的第二参考生理特征可以不同。可以通过基于与待注册的对象相关的第二组训练数据对第一模型进行训练来生成在702中待注册的对象的第二模型。与待注册的对象相关的第二组训练数据可以包括与待注册的对象相关的生理特征的第二组生理特征。在一些实施例中，第二组生理特征可以包括与704中提取的待注册的对象相关的生理特征。在一些实施例中，第二组生理特征可以包括与基于第一模型确定的待注册的对象相关的有效生理特征。在一些实施例中，第二组训练数据还可以包括与待注册对象相关的多个个体数据，例如年龄、性别、体重、身高、病史或其他与样本相关的其他信息，如本申请中其他地方所述。在一些实施例中，可以通过基于与待注册的对象相关的第二组生理特征训练本申请中其他地方所述的机器学习模型来生成第二模型。
在一些实施例中，第二参考生理特征可以与多个生理特征的类型有关。例如，第二参考生理特征可以包括与诸如PPG信号、ECG信号等的生理信号相关的一个或多个生理特征(例如，PTT)。在一些实施例中，第二参考生理特征可以对应于至少两种类型的生理信号之间的关系，诸如生理电子信号和生理非电子信号。例如，第二参考生理特征可以涉及血压信号与PPG信号和/或ECG信号之间的关系。此外，可以根据后续操作来确定与第二参考生理特征相关的第二模型，该第二模型反映了至少两种类型的生理信号之间的关系。可以通过基于第三组训练数据来训练本申请中其他地方所述的机器学习模型来生成第三模型。可以基于与多个样本相关的至少两种类型的生理信号(例如，PPG信号和血压信号)来确定第三组训练数据。然后可以通过第四组训练数据来训练第三模型。可以基于与对象(例如，要在702中登记的对象)相关的至少两种生理信号(例如，PPG信号和血压信号)来确定第四组训练数据。可以基于训练后的第三模型来生成与对象(例如，要在702中注册的对象)相关的第二模型。
在710，可以基于第二模型来确定与待注册的对象相关的标识信息。操作710可以由标识信息确定子单元526执行。在一些实施例中，与待注册的对象相关的标识信息可以包括一个或多个的识别生理特征。在一些实施例中，可以通过处理经由第二模型在704中提取的生理特征来确定与待注册的对象相关的识别生理特征。在一些实施例中，可以通过处理基于第一模型通过第二模型确定的有效生理特征来确定与待注册的对象相关的识别生理特征。在一些实施例中，标识信息可以包括待注册的对象的第二模型。例如，第二模型可以用于识别待注册的对象。可以对应于待注册的对象来个性化第二模型。此外，可以将在702中提取的与待注册的对象相关的生理特征输入到第二模型。可以确定在702中提取的与待注册对象相关并且对应于第二参考生理特征的生理特征的至少一部分，以用于通过第二模型识别对象。在一些实施例中，可以确定待注册对象，如果与待注册对象相关的生理特征中的至少一部分和与第二模型相关的第二参考生理特征相匹配，可以通过匹配第二模型来识别待注册的对象。识别对象的更多描述可以在例如图9所示的过程900中找到。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不会背离本申请的范围。例如，过程700可以进一步包括预处理生理信号。又例如，操作704和706可以同时执行。在一些实施例中，操作706可以是不必要的。可以基于第一模型和与待注册的对象相关的生理特征确定与待注册的对象相关的标识信息。在一些实施例中，操作704可以是不必要的。可以通过直接基于与待注册的对象相关的生理特征训练机器学习模型来生成第二模型。
图8是根据本申请的一些实施例所示的生成第一模型的示例性过程800的流程图。在一些实施例中，一个或多个图8所示的过程800的操作可以在图1所示的识别系统100中实现。例如，图8所示的过程800可以以指令的形式存储在存储器130中，并且由处理引擎120(例如，图2所示的计算设备200的处理器210、如图3所示的移动设备300的CPU 340)调用和/或执行。可以根据如图8所示的过程800来执行操作706。
在802中，可以获取与多个对象相关的多个生理数据。操作802可以由获取模块410执行。在一些实施例中，可以从存储器130、终端140和/或识别系统110能够连接到的任何其他外部存储器获取与多个对象相关的多个生理数据。在一些实施例中，多个生理数据可以包括与本申请中其他地方所描述的多个信号相关的生理信号。例如，生理信号可以包括生理电子信号(例如，PPG、ECG、EMG等)和生理非电子信号(例如，血压、心率、呼吸频率等)。作为另一示例，多个生理数据还可以包含与多个对象中的每一个相对应的个体数据，例如性别、年龄、体重、身高、联系信息、生日、健康史(例如，对象是否有吸烟史、有关先前手术的信息、食物过敏、药物过敏、医疗史、遗传病史、家庭健康史等或其组合)等。
在804中，可以从与多个对象相关的生理数据中提取生理特征整体。操作804可以由第一特征提取子单元522执行。在一些实施例中，可以根据如图7所示的操作704来提取生理特征整体。
在806中，可以基于与多个对象相对应的生理特征集合来训练机器学习模型以生成第一模型。操作806可以由模型生成子单元524执行。根据学习机制，机器学习模型可以包括监督学习模型、非监督学习模型、半监督学习、强化学习模型等或其组合。根据学习机制，机器学习模型可以包括回归模型、案例学习模型、正式学习模型、决策树学习模型、贝叶斯学习模型、内核学习模型、聚类模型、关联规则学习模型、神经网络学习模型、深度学习模型、降维模型等。回归模型可以包括逻辑回归模型、逐步回归模型、多元自适应回归样条模型、局部估计散点图平滑模型等。案例学习模型包括k最近邻模型、学习向量量化模型、自组织映射模型等。形式学习模型可以包括岭回归模型、最小绝对收缩和选择算子(LAASSO)模型、弹性网模型等。决策树学习模型可以包括分类和回归树模型、迭代二分法3(ID3)模型、C45模型、卡方自动交互检测(CHAID)模型、决策树桩模型、随机森林模型、火星模型、梯度提升机(GBM)模型等。贝叶斯学习模型可以包括朴素的贝叶斯模型、平均的单依赖估计模型、贝叶斯信念网络(BBN)模型等。内核学习模型可以包括支持向量机模型、线性判别分析模型等。该神经网络学习模型可以包括感知器神经网络模型、反向传播模型、Hopfield网络模型、自组织映射模型(SOM)、学习矢量量化模型等。深度学习模型可以包括受限的Boltzmann机器模型、深度信任网络(DBN)模型、卷积神经网络(CNN)模型、堆叠式自动编码器模型、长期短期内存(LSTM)模型、对抗生成网络(GAN)模型等。降维模型可以包括主成分分析模型、偏最小二乘回归模型、Sammon映射v、多维缩放模型、投影追踪模型等。
在一些实施例中，可以基于代价函数进一步生成第一模型。选择的代价函数可以是测试数据的预测误差的平均值、中值、标准偏差。例如，可以选择代价函数作为测试数据的预测误差的标准偏差。基于在训练机器学习模型中生成的训练后的机器学习模型的表现，可以将测试数据的预测误差的标准偏差最小的模型指定为第一模型。
在一些实施例中，机器学习模型的选择可以是以下形式之一：
其中Sbp是收缩压，Dbp是舒张压。gsbp(.)、gdbp(.)、gbpdiff(.)、glnsbp(.)、glndbp(.)是输入生理特征的预测功能的结构成分(非随机)，例如PPG信号的特征点、对象的人口统计学信息等。函数关系可以是线性的、非线性的、回归树或由关系函数确定的随机森林。线性函数的示例采用以下形式：g(X1,X2,..)＝β0+β1X1+β2X2。βi是要确定的机器学习模型系数，Xi是有效的生理特征，i＝1，2，..M。其中M是选择的生理特征的个数，R(id)是与对象相关的个体变量。将结构成分gsbp(.)、gdbp(.)、gbpdiff(.)、glnsbp(.)、glndbp(.)设置为在整个总体中保持不变，而R(id)表示预测函数的随机成分，这是针对个体的。在一些实施例中，结构成分gsbp(.)、gdbp(.)、gbpdiff(.)、glnsbp(.)、glndbp(.)可以取决于训练数据。
在一些实施例中，第一模型可以被配置为确定第一参考生理特征。第一参考生理特征可以用于确定与对象相关的可用于识别对象的有效生理特征。在一些实施例中，第一参考生理特征可以包括与生理信号相关的生理参数的类型。在一些实施例中，第一参考生理特征可以包括至少两种类型的生理信号之间的关系。例如，当使用多个血压信号和对应于多个血压信号的多个PPG信号来训练机器学习模型时，第一模型可以反映血压与PPG信号之间的关系。又例如，当基于多个PPG信号训练机器学习模型时，可以通过基于与多个PPG信号相对应的多个血压信号训练机器学习模型来生成第一模型。如本文所使用的，相应的血压信号和PPG信号可以指的是可以对应于同一对象并且由对象同时产生的血压信号和PPG信号。在一些实施例中，可以通过PPG信号和/或EEG信号来估计血压信号。然后，可以通过基于与多个对象相关的多个PPG信号和/或EEG信号以及基于PPG信号和/或EEG信号估计的血压信号来训练机器学习模型以生成第一模型。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不会背离本申请的范围。例如，过程800可以进一步包括预处理多个生理数据。又例如，操作802和804可以同时执行。在一些实施例中，过程800可以进一步包括测试第一模型。可以基于多个测试数据来测试第一模型。测试数据可以包括在804中提取的多个生理特征的至少一部分。
图9是根据本申请的一些实施例所示的用于基于生理信号识别对象的示例性过程900的流程图。在一些实施例中，图9所示的过程900的操作可以在图1所示的识别系统100中实现。例如，图9所示的过程900可以以指令的形式存储在存储器130中，并由处理引擎120(例如，图2所示的计算设备200的处理器210、如图3所示的移动设备300的CPU 340)调用和/或执行。在一些实施例中，可以根据过程900来执行操作708。
在902中，可以从与待识别的对象相关的生理数据中提取一个或多个生理特征。操作902可以由第二特征提取子单元执行。在一些实施例中，“生理数据”可以包括一个或多个生理信号、个体数据或本申请中其他地方所述的其他“生理数据”。可以如结合图6中描述的操作602所描述的那样获取生理数据。
在904，可以基于与待识别的对象相关的生理特征来确定第一特征向量。操作904可以由计算子单元546执行。在一些实施例中，第一特征向量可以包括一个或多个维度。一个或多个维度中的每个维度都可以包含至少两个元素。至少两个元素可以包括基于相同生理信号(例如，PPG信号、ECG信号等)或一个或多个相同生理特征确定的生理特征的多个值。在一些实施例中，可以基于与识别出的对象相关的生理特征的至少一部分来确定第一特征向量。例如，可以基于与本申请中其他地方所描述的第一参考生理特征相关的第一模型来处理与待识别的对象相关的生理特征。参见例如图7及其描述。可以基于对应于第一参考生理特征的生理特征的至少一部分来确定第一特征向量。又例如，可以基于与第二参考生理特征相关的第二模型来处理与待识别的对象相关的生理特征。第二模型可以对应于注册对象。参见例如图7及其描述。可以基于对应于第二参考生理特征的生理特征的至少一部分来确定第一特征向量。
在906中，可以基于与注册对象相关的标识信息来确定第二特征向量。可以由计算子单元546执行操作906。在一些实施例中，与注册对象相关的标识信息可以从存储器130、终端140、存储模块440和/或结合操作606描述的任何其他存储器中获取。在一些实施例中，与注册对象相关的标识信息可以包括一个或多个与注册对象相关的识别生理特征。一个或多个识别生理特征可用于识别注册对象。可以如结合图7所描述的方式确定与注册对象相关的识别生理特征。在一些实施例中，第二特征向量可以包括一个或多个维度。一个或多个维度中的每个维度都可以包含至少两个元素。至少两个元素可以包括基于与注册对象相关的相同生理信号(例如，PPG信号、ECG信号等)或一个或多个相同生理特征确定的生理特征的多个值。在一些实施例中，与注册对象相关的标识信息可以包括与注册对象相关的个体模型(例如，如图7所示的与注册对象相关的第二模型)。与注册对象相关的个性化模型可以基于与注册对象相关的生理信号来确定与注册对象相关的识别生理特征。
在908中，可以确定第一特征向量和第二特征向量之间的距离是否满足条件。判断子单元544可以执行操作908。如果第一特征向量和第二特征向量之间的距离满足条件，则过程900可以进行到操作910。如果第一特征向量和第二特征向量之间的距离不满足该条件，则过程900可以进行到操作906。如本文所使用的，第一特征向量和第二特征向量之间的距离可以指第一特征向量和第二特征向量(即，待识别的对象和注册对象)之间的差。在一些实施例中，该距离可以包括欧几里得距离、曼哈顿距离、明可夫斯基距离、切比雪夫距离、归一化的欧几里得距离等。例如，可以基于第一特征向量和第二特征向量的每个维度的平均值来确定第一特征向量和第二特征之间的欧几里德距离。在一些实施例中，条件可以包括阈值。如果第一特征向量和第二特征向量之间的距离小于阈值，则满足条件。如果第一特征向量和第二特征向量之间的距离等于或超过阈值，则不满足该条件。在一些实施例中，阈值可以由用户通过例如终端140预设，或者根据系统默认值。
在910，可以确定待识别的对象与注册对象是否匹配。判断子单元544可以执行操作910。在一些实施例中，如果第一特征向量和第二特征向量之间的距离小于阈值，则可以确定待识别的对象与注册对象匹配。在一些实施例中，可以基于注册对象来获取对待识别的对象的识别。例如，可以从例如存储器130、终端140、存储模块440、存储单元560和/或其他存储器获取与注册对象相关的个体数据。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不会背离本申请的范围。在一些实施例中，可以同时确定与多个第二注册主体相对应的多个第二特征向量。可以将第一特征向量与多个第二特征向量同时进行比较。例如，可以确定对应于多个注册对象的第一特征向量和多个第二特征向量之间的距离。第一对象可以与对应于最小距离的多个第二注册对象之一匹配和/或最小距离可以小于阈值。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行，可以完全由软件(包括韧体、常驻软件、微代码等)执行，也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请的各方面可以采取体现在一个或多个计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写，包括面向对象程序设计语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化程序设计语言如C程序设计语言、Visual Basic、Fortran2103、Perl、COBOL 2102、PHP、ABAP，动态程序设计语言如Python、Ruby,和Groovy，或其他程序设计语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但是它也可以实现为纯软件解决方案，例如，在现有服务器或移动设备上的安装。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。相反，发明的主体应具备比上述单一实施例更少的特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
本文中提及的所有专利、专利申请、专利申请公布和其他材料(如论文、书籍、说明书、出版物、记录、事物和/或类似的东西)均在此通过引用的方式全部并入本文以达到所有目的，与上述文件相关的任何起诉文档记录、与本文件不一致或冲突的任何上述文件或对迟早与本文件相关的权利要求书的广泛范畴有限定作用的任何上述文件除外。举例来说，如果在描述、定义和/或与任何所结合的材料有关联的术语的使用和与本文件有关联的术语之间存在任何不一致或冲突，则描述、定义和/或在本文件中使用的术语以本文件为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (17)

1.一种基于生理信号识别用户的方法，在具有至少一个处理器、至少一个计算机可读存储介质以及与测量设备连接的通信端口的计算设备上实现，所述方法包括：获取与第一对象相关的第一生理数据；从与所述第一对象相关的所述第一生理数据中提取至少一个第一生理特征；确定与至少一个第一参考生理特征相关的第一模型；
基于所述第一模型和所述至少一个第一生理特征，生成第二模型，所述第二模型与对应于所述第二模型的至少一个第二参考生理特征相关；以及
基于所述第二模型和所述至少一个第一生理特征，确定与所述第一对象相关的至少一个识别生理特征，其中，所述至少一个识别生理特征对应于所述至少一个第二参考生理特征；
确定与第二对象相关的至少一个第二生理特征；
比较与所述第二对象相关的所述至少一个第二生理特征和与所述第一对象相关的所述至少一个识别生理特征；以及基于所述比较，识别所述第二对象。
2.根据权利要求1所述的方法，其中，与所述第一对象相关的所述第一生理数据包括心电图(ECG)信号或光电容积描记图(PPG)信号中的至少一个。
3.根据权利要求1所述的方法，其中，所述确定与至少一个第一参考生理特征相关的第一模型还包括：获取与多个对象相关的多个生理数据；从所述多个生理数据中提取与所述多个对象相关的生理特征；以及
基于与所述多个对象相关的所述生理特征训练机器学习模型以生成所述第一模型。
4.根据权利要求1所述的方法，其中，机器学习模型是基于传统神经网络、长短期记忆网络、深度信任网络、对抗生成网络、支持向量机或随机森林模型中的至少一个构建的。
5.根据权利要求1所述的方法，其中，基于所述第一模型和所述至少一个第一生理特征，所述确定第二模型进一步包括：
基于所述第一模型和所述至少一个第一生理特征，确定至少一个有效生理特征，所述至少一个有效生理特征与所述至少一个第一参考生理特征相对应；以及
基于所述至少一个有效生理特征来训练所述第一模型，以生成对应于所述第一对象的所述第二模型。
6.根据权利要求1所述的方法，其中所述基于所述第一模型和所述至少一个第一生理特征，确定第二模型进一步包括：
获取与所述第一对象相关的第二生理数据，所述第二生理数据对应于所述第一生理数据；
基于所述第一模型和所述至少一个第一生理特征，生成第三模型，所述第二模型与所述第三模型相对应的至少一个第三参考生理特征相关；以及通过基于所述第二生理数据训练所述第三模型，生成所述第二模型。
7.根据权利要求6所述的方法，其中，与所述第一对象相关的所述第二生理数据包括血压数据、血糖数据、心率数据或呼吸率数据中的至少一个，以及，所述至少一个第一生理特征包括心电图(ECG)信号或光电容积描记图(PPG)信号中的至少一个。
8.根据权利要求1所述的方法，其中，所述确定与第二对象相关的至少一个第二生理特征，进一步包括：获取所述第一模型或所述第二模型中的至少一个；以及
基于所述第一模型或所述第二模型中的至少一个，确定与所述第二对象相关的所述至少一个第二生理特征。
9.根据权利要求1所述的方法，其中，所述比较与第二对象相关的至少一个第二生理特征和与第一对象相关的至少一个识别生理特征，进一步包括：基于与所述第一对象相关的所述至少一个识别生理特征，确定特征向量；基于与所述第二对象相关的所述至少一个第二生理特征，确定第二特征向量；
确定与所述第一对象相关的所述特征向量和与所述第二对象相关的所述第二特征向量之间的距离；以及
将与所述第一对象相关的第一特征向量和与所述第二对象相关的所述第二特征向量之间的所述距离与阈值进行比较。
10.根据权利要求9所述的方法，还包括：
响应于确定所述距离小于或等于所述阈值，确定所述第二对象与所述第一对象匹配。
11.一种基于生理信号识别用户的系统，包括：至少一个处理器；以及
可执行指令，所述可执行指令由所述至少一个处理器执行，使得所述系统实现一种方法，包括：获取与第一对象相关的第一生理数据；从与所述第一对象相关的所述第一生理数据中提取至少一个第一生理特征；确定与至少一个第一参考生理特征相关的第一模型；
基于所述第一模型和所述至少一个第一生理特征，生成第二模型，所述第二模型与对应于所述第二模型的至少一个第二参考生理特征有关；以及
基于所述第二模型和所述至少一个第一生理特征，确定与所述第一对象相关的至少一个识别生理特征，其中，所述至少一个识别生理特征对应于所述至少一个第二参考生理特征；
获取与所述第一对象相关的所述至少一个识别生理特征；确定与所述第二对象相关的至少一个第二生理特征；
比较与所述第二对象相关的所述至少一个第二生理特征和与所述第一对象相关的所述至少一个识别生理特征；以及基于所述比较来识别所述第二对象。
12.根据权利要求11所述的系统，其中，所述确定与至少一个第一参考生理特征相关的第一模型还包括：获取与多个对象相关的多个生理数据；从所述多个生理数据中提取与所述多个对象相关的生理特征；以及
基于与所述多个对象相关的所述生理特征训练机器学习模型以生成所述第一模型。
13.根据权利要求11所述的系统，其中，基于所述第一模型和所述至少一个第一生理特征，所述确定第二模型进一步包括：
基于所述第一模型和所述至少一个第一生理特征确定至少一个有效生理特征，所述至少一个有效生理特征与所述至少一个第一参考生理特征相对应；以及
基于所述至少一个有效生理特征来训练所述第一模型，以生成对应于所述第一对象的所述第二模型。
14.根据权利要求11所述的系统，其中所述确定与第二对象相关的至少一个第二生理特征，进一步包括：获取所述第一模型和所述第二模型中的至少一个；以及
基于所述第一模型或所述第二模型中的至少一个，确定与所述第二对象相关的所述至少一个第二生理特征。
15.根据权利要求11所述的系统，其中与所述第一对象相关的所述第一生理数据包括心电图(ECG)信号或光电容积描记图(PPG)信号中的至少一个。
16.根据权利要求11所述的系统，其中与所述第一对象相关的第二生理数据包括血压数据、血糖数据、心率数据或呼吸率数据中的至少一个，并且所述至少一个第一生理特征包括心电图(ECG)信号和光电容积描记图(PPG)信号中的至少一个。
17.一种非暂时性计算机可读介质，包括：
由至少一个处理器执行的指令，所述指令使所述至少一个处理器实现一种方法，包括：获取与第一对象相关的第一生理数据；从与所述第一对象相关的所述第一生理数据中提取至少一个第一生理特征；确定与至少一个第一参考生理特征相关的第一模型；
基于所述第一模型和所述至少一个第一生理特征，生成第二模型，所述第二模型与对应于所述第二模型的至少一个第二参考生理特征有关；以及
基于所述第二模型和所述至少一个第一生理特征，确定与所述第一对象相关的至少一个识别生理特征，其中所述至少一个识别生理特征对应于所述至少一个第二参考生理特征；
确定与第二对象相关的至少一个第二生理特征；
比较与所述第二对象相关的所述至少一个第二生理特征和与所述第一对象相关的所述至少一个识别生理特征；以及基于所述比较，识别所述第二对象。
CN201780094397.7A 2017-08-30 2017-08-30 识别用户的系统和方法 Active CN111183424B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/099780 WO2019041202A1 (en) 2017-08-30 2017-08-30 SYSTEM AND METHOD FOR USER IDENTIFICATION

Publications (2)

Publication Number Publication Date
CN111183424A CN111183424A (zh) 2020-05-19
CN111183424B true CN111183424B (zh) 2024-04-12

Family

ID=65524605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780094397.7A Active CN111183424B (zh) 2017-08-30 2017-08-30 识别用户的系统和方法

Country Status (3)

Country Link
US (1) US11593468B2 (zh)
CN (1) CN111183424B (zh)
WO (1) WO2019041202A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11229404B2 (en) * 2017-11-28 2022-01-25 Stmicroelectronics S.R.L. Processing of electrophysiological signals
EP3865059B1 (en) * 2020-02-13 2022-11-30 Qompium Computer-implemented method for synchronizing a photoplethysmography (ppg) signal with an electrocardiogram (ecg) signal
CN113397509B (zh) * 2020-03-15 2023-04-25 英业达科技有限公司 动态切换血压测量模型的方法
US11275479B2 (en) * 2020-04-24 2022-03-15 Electronics And Telecommunications Research Institute Frequency-based ratiometric feature extraction device for user authentication
CN111568400B (zh) * 2020-05-20 2024-02-09 山东大学 一种人体体征信息监测方法及系统
CN112115782B (zh) * 2020-08-12 2023-09-29 安徽心之声医疗科技有限公司 一种基于深度哈希神经网络的心电信号身份识别的方法
CN113076927B (zh) * 2021-04-25 2023-02-14 华南理工大学 基于多源域迁移的指静脉识别方法及系统
US20220414402A1 (en) * 2021-06-28 2022-12-29 Varian Medical Systems, Inc. Automatic localized evaluation of contours with visual feedback
CN113662524B (zh) * 2021-08-23 2024-04-30 合肥工业大学 一种ppg信号运动伪影的去除方法
CN113598784B (zh) * 2021-08-25 2024-04-09 济南汇医融工科技有限公司 心律失常检测方法及系统
CN113837056A (zh) * 2021-09-18 2021-12-24 深圳市商汤科技有限公司 形体信息的确定方法及相关装置、设备和存储介质
CN113925517B (zh) * 2021-09-22 2022-08-26 北京脑陆科技有限公司 基于脑电信号的认知障碍识别方法、装置及介质
CN117743719B (zh) * 2023-12-22 2024-07-09 北京京航计算通讯研究所 一种页面元素的识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102741862A (zh) * 2010-01-29 2012-10-17 诺基亚公司 用于促进对象识别的方法和装置
CN104665768A (zh) * 2013-10-03 2015-06-03 塔塔咨询服务有限公司 生理参数的监测

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101773394B (zh) * 2010-01-06 2011-09-07 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
US9865176B2 (en) * 2012-12-07 2018-01-09 Koninklijke Philips N.V. Health monitoring system
KR102257300B1 (ko) * 2014-09-01 2021-05-27 삼성전자주식회사 심전도 신호를 이용한 사용자 인증 방법 및 장치
EP3033991B1 (en) * 2014-12-15 2018-02-28 Stichting IMEC Nederland System and method for blood pressure estimation
KR102299819B1 (ko) * 2014-12-30 2021-09-08 삼성전자주식회사 생체 신호를 이용한 사용자 인증 방법 및 장치
US10467548B2 (en) * 2015-09-29 2019-11-05 Huami Inc. Method, apparatus and system for biometric identification
US10853516B2 (en) * 2015-12-09 2020-12-01 Intel Corporation Methods and apparatus using human electrocardiogram to protect electronic data
CN106650685B (zh) * 2016-12-29 2020-06-05 深圳先进技术研究院 一种基于心电图信号的身份识别方法及装置
US10939834B2 (en) * 2017-05-01 2021-03-09 Samsung Electronics Company, Ltd. Determining cardiovascular features using camera-based sensing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102741862A (zh) * 2010-01-29 2012-10-17 诺基亚公司 用于促进对象识别的方法和装置
CN104665768A (zh) * 2013-10-03 2015-06-03 塔塔咨询服务有限公司 生理参数的监测

Also Published As

Publication number Publication date
US20200201971A1 (en) 2020-06-25
US11593468B2 (en) 2023-02-28
CN111183424A (zh) 2020-05-19
WO2019041202A1 (en) 2019-03-07

Similar Documents

Publication Publication Date Title
CN111183424B (zh) 识别用户的系统和方法
US20220079459A1 (en) System and method for physiological feature derivation
JP7367099B2 (ja) せん妄患者の脳症の存在をスクリーニングするためのシステム
US10420515B2 (en) Method and system for acquiring data for assessment of cardiovascular disease
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
WO2019019119A1 (en) SYSTEMS AND METHODS FOR DETERMINING THE BLOOD PRESSURE OF A SUBJECT
CN112040849B (zh) 用于确定对象血压的系统和方法
Chu et al. Non-invasive arterial blood pressure measurement and SpO2 estimation using PPG signal: A deep learning framework
Paviglianiti et al. VITAL-ECG: A de-bias algorithm embedded in a gender-immune device
CN115802931A (zh) 检测用户温度和评估呼吸系统病症的生理症状
Athaya et al. An efficient fingertip photoplethysmographic signal artifact detection method: A machine learning approach
KR102340670B1 (ko) 딥러닝 기반의 심리생리검사 시스템 및 방법
US20230290506A1 (en) Systems and methods for rapidly screening for signs and symptoms of disorders
CN113907733A (zh) 博纳希ai
KR101861741B1 (ko) 맥파를 이용한 환자 병명 진단장치 및 방법
Raju et al. DNN-BP: a novel framework for cuffless blood pressure measurement from optimal PPG features using deep learning model
US20240180434A1 (en) System and method for blood pressure measurement, computer program product using the method, and computer-readable recording medium thereof
Vats Machine Learning Enabled Vital Sign Monitoring System
Jagad et al. Smart Healthcare System to Predict Ailments Based on Preliminary Symptoms
WO2022120017A1 (en) Systems and methods for contactless respiratory monitoring
Skibińska Machine Learning-Aided Monitoring and Prediction of Respiratory and Neurodegenerative Diseases Using Wearables
Dai Smart Sensing and Clinical Predictions with Wearables: From Physiological Signals to Mental Health
Elzeiny Automatic Stress Classification Using Photoplethysmogram-Based Images
WO2023214957A1 (en) Machine learning models for estimating physiological biomarkers
WO2023214956A1 (en) Systems, devices, and methods for biomarker detection and tracking

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40027520

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant