CN111783715A - 基于脉搏信号特征提取的身份识别方法 - Google Patents

Abstract

本发明公开了基于脉搏信号特征提取的身份识别方法。该方法首先对原始脉搏波形进行FIR带通滤波，使用平均幅度差函数算法对滤波后的脉搏波形进行变换，通过变换波形的相邻极小值的时间差和采样率获得瞬时脉搏周期，根据瞬时脉搏周期进行每一帧脉搏波形的周期分割；对预处理后的脉搏波形进行特征提取，包括脉率特征、极值特征、曲率特征、能量特征以及子带谱特征；以每6周波作为一个样本，对所有训练样本的上述5种特征分别进行高斯统计建模；最后基于最大似然度进行身份ID识别，即对测试样本的5种特征分别按照每个目标人对应的5个高斯概率密度模型进行适配，计算5种特征的高斯概率密度乘积，将乘积最大值对应的身份ID作为识别结果。

Description

基于脉搏信号特征提取的身份识别方法

技术领域

本发明涉及一种基于脉搏信号特征提取的身份识别方法。

背景技术

生物识别系统进行身份识别是以从人体身上提取的生理特征或者行为特征为特异信息来源。经现代临床医学实验表明，人体的许多生理特征或行为特征是暗藏丰富个体信息的。多种类型的生物识别系统包括指纹、人脸和虹膜等生物识别系统，已经得到了广泛应用。比较主流的身份识别方法，市面上主要采用指纹和人脸识别，少数采用掌纹、虹膜识别，但是这些特征识别存在以下缺陷：如指纹识别的缺陷在于对被采指纹的适应性差、指纹采集时易变形以及指纹容易伪造导致市面上的指纹膜可以代替本人进行识别；人脸识别的缺陷在于人脸表情丰富、人脸会随着年龄增长而变化以及人脸所成图像受光照、成像角度及成像距离影响等。综上所述，生理信号如脉搏、心电、呼吸、血压等生理参数具有不可复制性，安全性更高。

目前，现有的监护方式大多通过ECG信号采集方式获取呼吸与心率信号，此方式需要通过多个接触电极来进行信号采集，对受试员的束缚性较强；市场上的导联线多是服务于医院监护背景下的，导联线过多过长导致多导联心电监测设备极容易与穿戴者发生线与线的纠缠，造成不必要的麻烦，而脉搏信号的采集方式比心电更简单方便，使用脉搏传感器夹取被测者的指尖，即可输出反映指尖血容积变化的完整的脉搏波波形信号。

基于此，本发明提出一种采用脉搏信号特征提取的身份识别方法，其中所用到的脉搏特征包括脉率特征、极值特征、曲率特征、能量特征和子带谱特征等，而且对比了不同采样率的识别情况。脉搏身份识别可作为指纹或人脸识别的补充特征，进一步提高安全性。

发明内容

本发明要解决的技术问题是提供一种基于脉搏信号特征提取的身份识别方法。

为了解决上述技术问题，本发明采用的技术方案是，基于脉搏信号特征提取的身份识别方法，包括以下步骤：

(1)对总计s位目标人中每个目标人的脉搏信号原始波形进行FIR带通滤波和分帧，对每一帧使用平均幅度差函数算法对滤波后的脉搏波形进行变换，由通过变换波形得到的相邻极小值的时间差和采样率获得瞬时脉搏周期，根据瞬时脉搏周期进行每一帧脉搏波形的周期分割；

(2)步骤(1)得到的总计s位目标人中每个目标人的脉搏波形按如下步骤进行包含脉率特征、极值特征、曲率特征、能量特征和子带谱特征的5种特征的提取：对每一周脉搏波形进行脉率特征、极值特征、曲率特征、能量特征的提取，对每6周脉搏波形进行子带谱特征的提取；脉率特征为单维特征，极值特征、曲率特征、能量特征和子带谱特征为多维特征；

(3)以每6周波作为一个样本，将每个目标人的所有样本划分为训练样本和测试样本；对目标人所有训练样本所提取的5种特征分别进行高斯统计建模，首先计算所有训练样本中单周波的脉率特征的均值与方差，得到脉率特征对应的单维高斯概率密度统计模型；分别计算所有训练样中单周波的极值特征、曲率特征和能量特征的均值与协方差，得到极值特征、曲率特征和能量特征对应的多维高斯概率密度统计模型；再计算所有训练样本的子带谱特征的均值与协方差，得到子带谱特征对应的多维高斯概率密度统计模型；每个目标人得到一组特征高斯概率密度模型，且一组特征高斯概率密度模型包含与5种特征分别对应的5个高斯概率密度统计模型；总计s位目标人共得到s组特征高斯概率密度模型；

(4)以每个测试样本所提取的5种特征分别按照s位目标人对应的s组特征高斯概率密度模型进行适配：分别将每个测试样本中每周波的脉率特征、极值特征、曲率特征和能量特征代入一组特征高斯概率密度模型中的脉率特征、极值特征、曲率特征和能量特征所对应的高斯概率密度统计模型，依次获得与脉率特征、极值特征、曲率特征和能量特征一一对应的每一周波概率密度；将每个测试样本的子带谱特征代入同一组特征高斯概率密度模型中的子带谱特征对应的高斯概率密度统计模型，获得子带谱特征的高斯概率密度；将每个测试样本的5种特征遍历代入s组特征高斯概率密度模型，至此，每个测试样本得到了s组高斯概率密度数据，且每组高斯概率密度数据包含与脉率特征、极值特征、曲率特征和能量特征一一对应的每一周波概率密度，以及子带谱特征的高斯概率密度；

(5)根据步骤(4)获得的每个测试样本的s组高斯概率密度数据分别代入下式，计算5种特征的高斯概率密度乘积，再对此求对数，将最终结果的最大值对应的身份ID作为该测试样本的识别结果；

其中，上式中，id∈[1，s]，p_subi为一个测试样本的脉率特征、极值特征、曲率特征和能量特征的高斯概率密度的乘积，即

特征种类序号i为1～4分别代表脉率特征、极值特征、曲率特征、能量特征，p_ij为第i号特征第j周波的概率密度，p_sub5为一个测试样本的子带谱特征的高斯概率密度。

作为优选，周期分割包括如下步骤：

a)以每一帧的第一点为基准点，以第一个脉搏周期为窗宽，找到窗内的最大值点为第一个周波的主波峰，且第一个周波的主波峰之前的第一个极小值点为第一个周波的起始点；

b)以上一个周波的起始点距离下一个脉搏周期的1/2处的点为基准点，以下一个脉搏周期为窗宽，找到窗内的最大值点为下一个周波的主波峰，且下一个周波的主波峰之前的第一个极小值点为下一个周波的起始点；

c)重复步骤b)，直至找到一帧中所有周波内的起始点和主波峰，且每一个周波的起始点为相邻周波的分界点。

作为优选，步骤(2)中，曲率特征提取方法如下：

在脉搏波形当前周波的主波峰和下一周波的起始点之间进行曲率计算，然后将曲率值由大到小进行排序，提取曲率值最大的q个曲率值对应的特征点，q∈[5，10]，然后将这q个曲率值对应的特征点按照时间从先到后排序，保留时间最先的4个特征点，将这4个特征点的曲率值、横坐标、纵坐标、相对横坐标值以及相对纵坐标设为曲率特征，相对横坐标为每个特征点的横坐标除以当前周波的脉搏周期，相对纵坐标为每个特征点的纵坐标除以当前周波的主波峰的高度。

作为优选，步骤(2)中，能量特征提取方法如下：

对步骤(1)处理后的每一周脉搏波形进行逐点能量计算，将周波最大能量和平均能量作为每周波的能量特征。

作为优选，步骤(2)中，子带谱特征的提取包括主成分查找和子带划分；

主成分查找的步骤如下：

d)对一帧中的每个样本降采样成2ⁿ点，然后进行短时傅里叶变换，提取f_min-30Hz分量，设fs为原始采样率、num是每个样本的点数，2ⁿ取最接近num且要大于num的值，则重采样对应的采样率fs1＝fs×2ⁿ/num，最小理论分辨率f_min＝fs/num；

e)对2ⁿ点进行短时傅里叶变换，将获得的各频谱分量A_k进行从大到小排序，排序后记为A′_k，其中

令排序后的第一名分量A_k1＝A_max；另

记录ρ₁≤-2对应的第一个谐波序号为N_end；

f)重复步骤e)，对所有帧进行计算，记录所有的N_end，即{N_end}，记录其中最大概率对应的N_end值，标记为N′_end，该谐波序号对应的最高频率为f_cut；

子带划分的步骤如下：

将f_min～30Hz分为M个子带，且M＝2+M₁+M₂；将f_min～f_cut分为M₁个子带，将f_cut～30分为M₂个子带；子带范围依次划分为

每个子带内的子带谱特征公式如下：

其中j为子带序号，i为谐波分量序号，N_j为第j个子带的谐波分量个数，|X_ji|为第j个子带第i个谐波分量的模值；则子带谱特征向量为λ_j＝(G_j1，G_j2，...G_j9)。

本发明的有益效果是：

对比了不同采样率对识别率的影响，脉搏身份识别可作为独立特征或者作为指纹或人脸识别的补充特征，进一步提高安全性。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例的身份识别总体框图。

图2是本发明实施例的脉搏波波形图。

图3是本发明实施例的滤波前后对比图。

图4是本发明实施例的AMDF变换波形图。

图5是本发明实施例的6周波极值特征点的提取图。

图6a、图6b、图6c是本发明实施例的三个不同ID的6周波曲率特征点的提取图。

图7a、图7b、图7c是本发明实施例的三个不同ID的6周波能量特征的提取图。

图8a、图8b、图8c是本发明实施例的三个不同ID的6周波子带谱特征的提取图。

具体实施方式

1.方法

本实施例首先对目标人脉搏信号的原始波形进行预处理，即对原始波形进行FIR带通滤波和归一化处理，使用平均幅度差函数算法对滤波后的脉搏波形进行变换。对预处理后的每一周脉搏波形进行脉率特征、极值特征、曲率特征、能量特征的提取；对每6周脉搏波形进行子带谱特征的提取。其中，脉率特征为单维特征，极值特征、曲率特征、能量特征和子带谱特征为多维特征。对上述5种特征进行统计概率建模，最后基于最大似然度进行身份ID识别。图1为本实施例的身份识别总体框图。

1.1脉率特征

基于平均幅度差函数算法计算脉搏周期。对原始波形进行FIR带通滤波，使用平均幅度差函数算法对滤波后的脉搏波形进行变换，然后对变换后的波形进行极小值的筛选，进而得到相邻极小值的距离，记为N，通过公式(1)得到脉搏周期T。

上式中，fs为采样率。脉率和周期的关系如式(2)所示，由于脉率的范围在40～140之间，计算出周期的最小值t_min和最大值t_max，所以设周期范围为t，t∈[t_min，t_max]，故将此范围设置为阈值，再次对变换后的曲线图进行优化，设两个谷值之间的距离为t₁，若满足

则舍去。

1.2极值特征

在脉搏周期提取的基础上，通过移动窗口法获得主波峰c点和脉搏波主波升点a点进而确定每周波的划分，见图2。每次移动T/2个长度，窗长为T，在此范围内利用极值法查找c点和a点。其中c点是整周波中最大值点，a点是c点之前的第一个极小值，所以按照这个位置关系进行a、c特征点的查找。则设第i周极值点的极值特征向量μ_i如下(3)：

μ_i＝(θ_i1，θ_i2) (3)

其中θ_i1＝H_ic，θ_i2＝T_ic。H_ic为该极值所在周波的主波峰c的高，T_ic为从a点达到c点所用的时间。

1.3曲率特征

在确定每周波的分界点后，利用曲率法进行其他特征点d、e、f、g点的查找，见图2。首先在脉搏波形的每个周波主波峰ci点和下一周波主波升点bi之间进行曲率计算，然后按照曲率值由大到小的顺序排序，提取曲率值最大的8个曲率值对应的特征点；然后将这8个曲率值对应的特征点按照时间从先到后的顺序排序，保留时间最先的4个曲率值即前4个曲率大值对应的特征为d、e、f、g点；其中曲率k的计算公式如式(4)：

式中，

这里Δx_n＝1，x_n和y_n分别为第n个脉搏点的横坐标和纵坐标。

设第i周第j极值点的曲率特征向量如式(5)：

v_ij＝(δ_ij1，δ_ij2，δ_ij3，δ_ij4，δ_ij5) (5)

式中，δ_ij1＝k_ij，δ_ij2＝X_ij，δ_ij3＝Y_ij，δ_ij4＝Y_ij/H_ic，δ_ij5＝X_ij/T_i。H_ic为该极值所在周波的主波峰的高，T_i为该极值所在周波的周期长度，δ_ij1、δ_ij2、δ_ij3、δ_ij4和δ_ij5分别为某个特征点的曲率值、横坐标、纵坐标以及相对横坐标和相对纵坐标；其中相对横坐标为每个特征点的横坐标除以当前周波的脉搏周期，相对纵坐标为每个特征点的纵坐标除以当前周波的主波峰的高度。

1.4能量特征

能量特征以每周波最大能量和平均能量，为2维特征。按照归一化后的每周波的边界点a重新读取原始数据，以a_i和a_i+1的距离为一周波计算能量。

1.5子带谱特征

将一帧中的每6周波降采样成2ⁿ点，然后短时傅里叶变换(STFT)，提取f_min～30Hz分量，设fs为原始采样率、num是每个6周波的点数，2ⁿ取最接近num且要大于num的值，则降采样对应的采样率fs1＝fs*2ⁿ/num，最小理论分辨率f_min＝fs/num。

首先寻找频率主成分含量的分界点f_cut：对2ⁿ点进行STFT，对STFT获得的各频谱分量A_k进行从大到小排序，排序后记为A_k′，其中

令排序后的第一名分量A_k1＝A_max。另

记录ρ₁≤-2对应的第一个谐波序号为N_end。按照以上方法对所有帧进行计算，记录所有的N_end，即{N_end}，记录其中最大概率对应的N_end值，标记为N_end′，该谐波序号对应的最高频率为f_cut。

然后将f_min～30Hz分为9个子带。对f_min～f_cut细分子带，子带范围依次为

每个子带内的子带谱特征公式如下式(6)：

其中j为子带序号，i为谐波分量序号，N_j为第j个子带的谐波分量个数，|X_ji|为第j个子带第i个谐波分量的模值。则子带谱特征向量为μ_j＝(G₁，G₂，...G₉)。

2.模式分类

2.1特征统计高斯建模

本实施例对目标人所有训练样本所提取的5种特征分别进行高斯统计建模，且5种特征分别得到其对应的高斯概率密度统计模型。特征存在一维脉率特征和多维曲率特征等，故分别采用一维高斯建模和多维高斯建模的方法来计算高斯概率密度。

以每6个周波作为一个样本，每个目标人的所有样本即为总样本，将总样本的一半用于训练，即为训练样本，对上述5种特征分别进行高斯统计建模，将每个目标人的总样本的其余一半用于测试，即为测试样本。首先对脉率特征、极值特征、曲率特征和能量特征进行统计概率建模，计算所有训练样本中单周波的脉率特征的均值与方差，得到脉率特征对应的单维高斯概率密度统计模型；分别计算所有训练样本的极值特征、曲率特征和能量特征的均值与协方差，得到极值特征、曲率特征和能量特征对应的多维高斯概率密度统计模型。再对子带谱特征进行统计概率建模，计算所有训练样本的子带谱特征的均值与协方差，得到子带谱特征的多维高斯概率密度统计模型；最终每个目标人的特征高斯概率密度模型包含分别对应5种特征的5个高斯概率密度统计模型。其中，一维高斯概率密度函数公式如式(7)：

式中σ为标准差，μ为均值。其中均值、标准差公式如式(8)、(9)，设X_i为每个特征值。

多维高斯概率密度函数公式如式(10)：

式中D为维数，∑为协方差，

为均值。其中均值、标准差公式如下，设X为：

其中d为特征维数，n为某一特征的个数。然后按照行算均值：

再按照均值计算协方差：

∑为d*d的矩阵，表示X_i和X_j的协方差，对角线元素表示那一维度的方差。

2.2最大似然模式分类

本实施例使用最大似然度进行身份ID识别。以每个测试样本所提取的5种特征分别按照s位目标人对应的s组特征高斯概率密度模型进行适配：分别将每个测试样本中每周波的脉率特征、极值特征、曲率特征和能量特征代入一组特征高斯概率密度模型中的脉率特征、极值特征、曲率特征和能量特征所对应的高斯概率密度统计模型，依次获得与脉率特征、极值特征、曲率特征和能量特征一一对应的每一周波概率密度；将每个测试样本的子带谱特征代入同一组特征高斯概率密度模型中的子带谱特征对应的高斯概率密度统计模型，获得子带谱特征的高斯概率密度；将每个测试样本的5种特征遍历代入s组特征高斯概率密度模型，至此，每个测试样本得到了s组高斯概率密度数据，且每组高斯概率密度数据包含与脉率特征、极值特征、曲率特征和能量特征一一对应的每一周波概率密度，以及子带谱特征的高斯概率密度；将每个测试样本的s组高斯概率密度数据分别代入(11)式，计算5种特征的高斯概率密度乘积，再对此求对数，将最终结果的最大值对应的身份ID作为该测试样本的识别结果。

其中，上式中，id∈[1，s]，p_subi为一个测试样本的脉率特征、极值特征、曲率特征和能量特征的高斯概率密度的乘积，即

特征种类序号i为1～4分别代表脉率特征、极值特征、曲率特征和能量特征，p_ij为第i号特征第j周波的概率密度，p_sub5为一个测试样本的子带谱特征的高斯概率密度。故以P(id)作为判别函数来确定样本的所属类别，其分类公式为(12)：

3实验

数据的采集模式为单通道采集，采集通道为1个通道，采样率设置有2种：512Hz、1024Hz，采集方式为连续采集。采用TLE2027组成的差分放大电路，充电电池供电。目前一共测试了35名实验者，脉搏信号的采集方式为：每个目标人采用2种不同采样率各采集1次，每次采集时间为3分钟，均处于静态测量。

首先对脉搏波形进行带通滤波、去均值、归一化和分帧，进行周期的划分。本实施例采用的是窗函数设计法，首先进行带通滤波，滤波参数根据脉搏信号的频率范围进行设置，有用信息的频率范围主要分布在0～20Hz之间，故滤波器的截止频率范围是0.5～30Hz。参数如下：选择凯塞窗，512阶，beta为0.5。然后对滤波后的脉搏波形x＝(x₁，x₂，…x_n)进行归一化，由于后续用来计算曲率值，故将其归一化后的结果放大600倍。归一化公式如式(13)；最后对归一化后的脉搏波形分帧，帧长为15s，帧移为3.75s。

本实施例以每6个周波作为样本，滤波前后对比如图3；6周波的AMDF变换波形图、极值特征点提取图和曲率特征点提取图如图4、图5和图6a、图6b、图6c，其中曲率特征点提取图选取了三个不同ID的典型的脉搏波形；三个不同ID的6周波的能量特征提取图如图7a、图7b、图7c所示。对于STFT的谱特征，通过实验统计，取f_cut＝15Hz，一共分为9个子带，对f_min-f_cut进行子带的划分，频谱图见图6a、图6b、图6c，从图6a中可看出大部分有用信息的频率存在于0～15Hz，而且图6b显示主要集中在0-3Hz，故子带具体划分为：(f_min～0.5]，(0.5～3]，(3～6]，(6～9]，(9～12]，(12～15]，(15～20]，(20～25]，(25～30]。

根据上述方法，三个不同ID的6周波的子带谱特征提取图如图8a、图8b、图8c所示。

在特征提取完之后，将每个目标人的总样本的一半用于训练，对上述5种特征分别进行高斯统计建模。在每个目标人的特征高斯概率密度模型已知的前提下，进而计算脉率特征、极值特征、曲率特征、能量特征的6周波的联合概率密度，子带谱特征的高斯概率密度，通过公式(11)判断出识别情况。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (5)

1.基于脉搏信号特征提取的身份识别方法，包括以下步骤：

(1)对总计s位目标人中每个目标人的脉搏信号原始波形进行FIR带通滤波和分帧，对每一帧使用平均幅度差函数算法对滤波后的脉搏波形进行变换，由通过变换波形得到的相邻极小值的时间差和采样率获得瞬时脉搏周期，根据瞬时脉搏周期进行每一帧脉搏波形的周期分割；

(2)步骤(1)得到的总计s位目标人中每个目标人的脉搏波形按如下步骤进行包含脉率特征、极值特征、曲率特征、能量特征和子带谱特征的5种特征的提取：对每一周脉搏波形进行脉率特征、极值特征、曲率特征、能量特征的提取，对每6周脉搏波形进行子带谱特征的提取；所述脉率特征为单维特征，所述极值特征、曲率特征、能量特征和子带谱特征为多维特征；

(3)以每6周波作为一个样本，将每个目标人的所有样本划分为训练样本和测试样本；对目标人所有训练样本所提取的5种特征分别进行高斯统计建模，首先计算所有训练样本中单周波的脉率特征的均值与方差，得到脉率特征对应的单维高斯概率密度统计模型；分别计算所有训练样中单周波的极值特征、曲率特征和能量特征的均值与协方差，得到极值特征、曲率特征和能量特征对应的多维高斯概率密度统计模型；再计算所有训练样本的子带谱特征的均值与协方差，得到子带谱特征对应的多维高斯概率密度统计模型；每个目标人得到一组特征高斯概率密度模型，且一组特征高斯概率密度模型包含与5种特征分别对应的5个高斯概率密度统计模型；总计s位目标人共得到s组特征高斯概率密度模型；

(4)以每个测试样本所提取的5种特征分别按照s位目标人对应的s组特征高斯概率密度模型进行适配：分别将每个测试样本中每周波的脉率特征、极值特征、曲率特征和能量特征代入一组特征高斯概率密度模型中的脉率特征、极值特征、曲率特征和能量特征所对应的高斯概率密度统计模型，依次获得与脉率特征、极值特征、曲率特征和能量特征一一对应的每一周波概率密度；将每个测试样本的子带谱特征代入同一组特征高斯概率密度模型中的子带谱特征对应的高斯概率密度统计模型，获得子带谱特征的高斯概率密度；将每个测试样本的5种特征遍历代入s组特征高斯概率密度模型，至此，每个测试样本得到了s组高斯概率密度数据，且每组高斯概率密度数据包含与脉率特征、极值特征、曲率特征和能量特征一一对应的每一周波概率密度，以及子带谱特征的高斯概率密度；

(5)根据步骤(4)获得的每个测试样本的s组高斯概率密度数据分别代入下式，计算5种特征的高斯概率密度乘积，再对此求对数，将最终结果的最大值对应的身份ID作为该测试样本的识别结果；

其中，上式中，id∈[1，s]，p_subi为一个测试样本的脉率特征、极值特征、曲率特征和能量特征的高斯概率密度的乘积，即

特征种类序号i为1～4分别代表脉率特征、极值特征、曲率特征、能量特征，p_ij为第i号特征第j周波的概率密度，p_sub5为一个测试样本的子带谱特征的高斯概率密度。

2.根据权利要求1所述的身份识别方法，其特征在于：所述周期分割包括如下步骤：

a)以每一帧的第一点为基准点，以第一个脉搏周期为窗宽，找到窗内的最大值点为第一个周波的主波峰，且第一个周波的主波峰之前的第一个极小值点为第一个周波的起始点；

b)以上一个周波的起始点距离下一个脉搏周期的1/2处的点为基准点，以下一个脉搏周期为窗宽，找到窗内的最大值点为下一个周波的主波峰，且下一个周波的主波峰之前的第一个极小值点为下一个周波的起始点；

c)重复步骤b)，直至找到一帧中所有周波内的起始点和主波峰，且每一个周波的起始点为相邻周波的分界点。

3.根据权利要求2所述的身份识别方法，其特征在于：步骤(2)中，所述曲率特征提取方法如下：

在脉搏波形当前周波的主波峰和下一周波的起始点之间进行曲率计算，然后将曲率值由大到小进行排序，提取曲率值最大的q个曲率值对应的特征点，q∈[5，10]，然后将这q个曲率值对应的特征点按照时间从先到后排序，保留时间最先的4个特征点，将这4个特征点的曲率值、横坐标、纵坐标、相对横坐标值以及相对纵坐标设为曲率特征，所述相对横坐标为每个特征点的横坐标除以当前周波的脉搏周期，相对纵坐标为每个特征点的纵坐标除以当前周波的主波峰的高度。

4.根据权利要求3所述的身份识别方法，其特征在于：步骤(2)中，所述能量特征提取方法如下：

对步骤(1)处理后的每一周脉搏波形进行逐点能量计算，将周波最大能量和平均能量作为每周波的能量特征。

5.根据权利要求3所述的身份识别方法，其特征在于：步骤(2)中，所述子带谱特征的提取包括主成分查找和子带划分；

所述主成分查找的步骤如下：

d)对一帧中的每6周波降采样成2n点，然后进行短时傅里叶变换，提取f_min-30Hz分量，设fs为原始采样率、num是每个样本的点数，2ⁿ取最接近num且要大于num的值，则重采样对应的采样率fs1＝fs×2ⁿ/num，最小理论分辨率f_min＝fs/num；

e)对2n点进行短时傅里叶变换，将获得的各频谱分量A_k进行从大到小排序，排序后记为A′_k，其中

令排序后的第一名分量A_k1＝A_max；另

记录ρ₁≤-2对应的第一个谐波序号为N_end；

f)重复步骤e)，对所有帧进行计算，记录所有的N_end，即{N_end}，记录其中最大概率对应的N_end值，标记为N′_end，该谐波序号对应的最高频率为f_cut；

所述子带划分的步骤如下：

将f_min～30Hz分为M个子带，且M＝2+M₁+M₂；将f_min～f_cut分为M₁个子带，将f_cut～30分为M₂个子带；子带范围依次划分为(f_min～0.5]，(0.5～3Hz]，

…，

…，

每个子带内的子带谱特征公式如下：

其中j为子带序号，i为谐波分量序号，N_j为第j个子带的谐波分量个数，|X_ji|为第j个子带第i个谐波分量的模值；则子带谱特征向量为λ_j＝(G_j1，G_j2，...G_j9)。

Images