CN112115782A - 一种基于深度哈希神经网络的心电信号身份识别的方法 - Google Patents

一种基于深度哈希神经网络的心电信号身份识别的方法 Download PDF

Info

Publication number
CN112115782A
CN112115782A CN202010806006.3A CN202010806006A CN112115782A CN 112115782 A CN112115782 A CN 112115782A CN 202010806006 A CN202010806006 A CN 202010806006A CN 112115782 A CN112115782 A CN 112115782A
Authority
CN
China
Prior art keywords
signature
neural network
electrocardiosignal
codes
user
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
CN202010806006.3A
Other languages
English (en)
Other versions
CN112115782B (zh
Inventor
洪申达
傅兆吉
周荣博
俞杰
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.)
Anhui Xinzhisheng Medical Technology Co ltd
Original Assignee
Anhui Xinzhisheng Medical Technology 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 Anhui Xinzhisheng Medical Technology Co ltd filed Critical Anhui Xinzhisheng Medical Technology Co ltd
Priority to CN202010806006.3A priority Critical patent/CN112115782B/zh
Publication of CN112115782A publication Critical patent/CN112115782A/zh
Application granted granted Critical
Publication of CN112115782B publication Critical patent/CN112115782B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (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

本发明提出的一种基于深度哈希神经网络的心电信号身份识别的方法，包括：建立用于将心电信号转换为目标格式编码的信号编码模型；设置目标函数，并结合训练样本和目标函数训练信号编码模型并固定；建立签名库，签名库中存储有关联用户的签名编码；获取待识别心电信号，将待识别心电信号通过信号编码模型转换为待识别编码，将待识别编码与签名库中的签名编码比对，获取对应的用户身份。本发明中，当出现新的心电信号时，不需要重构或重新训练模型，可通过模型自主学习识别新用户。且本发明通过将心电信号转换为目标格式编码，进一步提高了模型识别的效率和精度，从而实现比现有方法更快的用户识别速度。

Description

一种基于深度哈希神经网络的心电信号身份识别的方法
技术领域
本发明涉及身份识别和信号处理技术领域，尤其涉及一种基于深度哈希神经网络的心电信号身份识别的方法和系统。
背景技术
身份识别是保障信息安全的一项重要环节，指纹识别、声纹识别和人脸识别等技术已经成为了人们普遍接受的常用身份识别方式，在智能手机、门禁系统等场景都能看到这些身份识别技术的应用。但是上述识别方式在实现便捷性应用的同时，也存在易于被盗取和伪造的缺点。
而从心电图(ECG)数据建立身份识别的深度学习模型，正是依托心电信号数据不易盗取和难以伪造的天然特点，具有活体检测、非敏感信息、易于采集、安全性高等独特优点。正是因为这些独特的优点，使得心电信号未来可以取代指纹识别等方式，有望成为新一代身份鉴别密码。
现有的心电信号身份识别研究集中的两个方向上：一是基于分类器的方法，二是基于匹配的方法；前者只支持闭集识别，无法识别新用户；后者计算复杂度高。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于深度哈希神经网络的心电信号身份识别的方法。
本发明提出的一种基于深度哈希神经网络的心电信号身份识别的方法，包
括以下步骤：
S1、建立用于将心电信号转换为目标格式编码的信号编码模型；
S2、获取多个作为原始样本的心电信号对，每一个心电信号对包含两段心电信号；每一个原始样本均标注有真实相似度；当样本中的两段心电信号来自同一人，则样本标注为“1”；反之，样本标注为“0”；
S3、将原始样本中的心电信号通过信号编码模型转换为目标格式编码，形成标注有真实相似度的训练样本；
S4、设置用于度量两段心电信号通过信号编码模型转换后的目标格式编码之间相似度的目标函数，并结合训练样本和目标函数训练信号编码模型并固定；
S5、建立签名库，签名库中存储有关联用户的签名编码；签名编码为用户的心电信号经过信号编码模型转换并标注用户的目标格式编码；
S6、获取待识别心电信号，将待识别心电信号通过信号编码模型转换为待识别编码，将待识别编码与签名库中的签名编码比对，获取对应的用户身份。
优选的，步骤S1中设置的信号编码模型为：Bi＝H(G(Xi))，其中，G为深度神经网络，H为哈希函数，Xi为心电信号，Bi为目标格式编码。
优选的，目标格式编码为二进制编码。
优选的，深度神经网络G采用单层的循环神经网络、全连接神经网络或者转换神经网络。
优选的，步骤S4中，目标函数为：
Figure BDA0002629142310000021
其中，
Figure BDA0002629142310000022
Sij表示Bi和Bj的相似度，Bi和Bj分别为心电信号Xi和Xj经过信号编码模型转换后生成的目标格式编码信号。
优选的，目标函数L通过随机梯度下降法求最优解，并通过前向传播和反向传播对信号编码模型的参数进行梯度更新。
优选的，步骤S5中，签名库中，每一个用户均关联有多个签名编码。
优选的，步骤S5中，建立签名库后，对签名库进行去重；去重的方法为：扫描整个签名库，检索关联有不同用户的签名编码作为去重对象；针对每一个去重对象，计算去重对象与关联的各用户的距离；然后，根据距离值确认去重对象的真实用户，并删除去重对象与真实用户以外的用户之间的关联。
优选的，计算去重对象与关联的各用户的距离的方法为：
首先，以去重对象关联的各用户作为检测对象，针对各检测对象，逐一计算去重对象与剩余签名编码之间的相似度；根据相似度之和对去重对象与关联的各用户的距离进行排序，相似度之和越高，则距离越近。
优选的，步骤S6具体为：将待识别心电信号通过信号编码模型转换为待识别编码，将待识别编码与整个签名库中的签名编码进行比对，获取所有与待识别编码的相似度为1的签名编码作为参照对象，获取所有参照对象关联的用户作为筛选对象，获取对应的参照对象最多的筛选对象作为待识别编码对应的用户身份。
本发明提出的一种基于深度哈希神经网络的心电信号身份识别的方法，通过机器学习模型自主训练，获取信号编码模型，用于将心电信号转换为目标格式编码，然后通过目标函数识别不同目标格式编码之间的相似度，以便通过与签名库中签名编码的对比，实现根据转换为目标格式编码的心电信号识别用户身份。
本发明中，当出现新的心电信号时，不需要重构或重新训练模型，可通过模型自主学习识别新用户。且本发明通过将心电信号转换为目标格式编码，进一步提高了模型识别的效率和精度，从而实现比现有方法更快的用户识别速度。
附图说明
图1为本发明提出的一种基于深度哈希神经网络的心电信号身份识别的方法流程图。
具体实施方式
参照图1，本发明提出的一种基于深度哈希神经网络的心电信号身份识别的方法，包括以下步骤。
S1、建立用于将心电信号转换为目标格式编码的信号编码模型。
具体的，记收集的第i条数据为
Figure BDA0002629142310000041
其中c为导联数，ni是第i条心电信号数据的长度，R表示实数集合。对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。
具体实施时，目标格式编码可选择二进制编码，此时，信号编码模型的输入为心电信号
Figure BDA0002629142310000042
其输出为二进制编码值Bi∈[-1,1]d，其中d表示编码的长度。该过程可形式化地表示为Bi＝F(Xi)。
本实施方式中，信号编码模型可具体设置为：Bi＝H(G(Xi))，其中，G为深度神经网络，H为哈希函数，Xi为心电信号，Bi为目标格式编码。
具体实施时，深度神经网络G可采用单层的循环神经网络(Recurrent NeuralNetwork，RNN)、全连接神经网络(Fully Connected Neural Network，FCN)或者转换神经网络(Transformer Neural Network)。哈希函数H选用为符号函数sgn。
具体的，深度神经网络G中待训练的参数为F中定义的所有变量，在训练的开始阶段，使用均值为0、方差为1的正态分布随机初始化这些变量。
S2、获取多个作为原始样本的心电信号对，每一个心电信号对包含两段心电信号；每一个原始样本均标注有真实相似度；当样本中的两段心电信号来自同一人，则样本标注为“1”；反之，样本标注为“0”；
S3、将原始样本中的心电信号通过信号编码模型转换为目标格式编码，形成标注有真实相似度的训练样本。
即，Bi和Bj分别为心电信号Xi和Xj经过信号编码模型转换后生成的目标格式编码信号。当心电信号Xi和Xj采集自同一个人，则训练样本(Bi，Bj)标注“1”；当心电信号Xi和Xj采集自不同的人，则训练样本(Bi，Bj)标注“0”。
S4、设置用于度量两段心电信号通过信号编码模型转换后的目标格式编码之间相似度的目标函数，并结合训练样本和目标函数训练信号编码模型并固定。
具体的，本实施方式中，哈希函数H选用为符号函数sgn。如果x≥0，则sgn(x)＝1；否则sgn(x)＝-1。本步骤S4中在训练信号编码模型时，为了解决符号函数的导数不连续的问题，可以使用函数平滑技术构造符号函数的近似函数，具体形式为sgn(x)＝limβ->∞tanh(βx)。然后，在本步骤S4中训练训练信号编码模型的过程中，使用等号右侧的公式
Figure BDA0002629142310000051
替换符号函数进行模型训练，以便对深度神经网络G的参数进行训练；但是，在深度神经网络G的参数固定后，在身份识别过程中，仍然使用符号函数sgn(x)作为哈希函数H配合训练好的深度神经网络G组成的信号编码模型F。
本实施方式中，目标函数设置为：
Figure BDA0002629142310000052
其中，
Figure BDA0002629142310000053
Sij表示Bi和Bj的相似度，Bi和Bj分别为心电信号Xi和Xj经过信号编码模型转换后生成的目标格式编码信号。
本步骤S4中，可对目标函数L通过随机梯度下降法求最优解，并通过前向传播和反向传播对信号编码模型的参数进行梯度更新，从而对深度神经网络G进行参数训练和固化。本实施方式中，在通过目标函数训练信号编码模型中的变量过程中，记录目标函数的变化曲线，经过多轮的迭代，当目标函数的数值不再明显下降时，停止训练过程，保存此时的网络模型参数，得到训练完毕的信号编码模型。
S5、建立签名库，签名库中存储有关联用户的签名编码；签名编码为用户的心电信号经过信号编码模型转换并标注用户的目标格式编码。本步骤中，建立的签名库中，应该保证不存在关联不同用户的相同的签名编码。
具体的，本步骤S5中，建立签名库后，对签名库进行去重，以避免出现相同的签名编码。本实施方式中，去重的方法为：扫描整个签名库，检索关联有不同用户的签名编码作为去重对象；针对每一个去重对象，计算去重对象与关联的各用户的距离；然后，根据距离值确认去重对象的真实用户，并删除去重对象与真实用户以外的用户之间的关联。
即，假设签名库中有一个签名编码A关联了多个不同的用户甲、乙、丙，则将该签名编码A设置为去重对象；然后分别计算签名编码A与用户甲乙丙之间的距离；假设签名编码A与用户甲的距离最近，则保留签名编码A与用户甲的关联，同时删除签名编码与用户乙和丙的关联。
本实施方式中，计算去重对象与关联的各用户的距离的方法为：首先，以去重对象关联的各用户作为检测对象，针对各检测对象，逐一计算去重对象与剩余签名编码之间的相似度；根据相似度之和对去重对象与关联的各用户的距离进行排序，相似度之和越高，则距离越近。
例如上一实施例中，以签名编码A作为去重对象，用户甲乙丙作为检测对象。假设用户甲还分别关联有签名编码B1、B2……、Bm，用户乙还分别关联有签名编码C1、C2……、Ck，用户丙还分别关联有签名编码D1、D2……、Df。假设，通过目标函数计算后，签名编码B1、B2……、Bm中有4个与签名编码A的相似度为1，签名编码C1、C2……、Ck中有1个与签名编码A的相似度为1，签名编码D1、D2……、Df中有2个与签名编码A的相似度为1。则签名编码A与用户甲之间的距离最近，故而，保留签名编码A与用户甲之间的关联，并删除签名编码A与用户乙丙之间的关联。具体实施时，为了保证去重的准确度，应保证m＝k＝f。
S6、获取待识别心电信号，将待识别心电信号通过信号编码模型转换为待识别编码，将待识别编码与签名库中的签名编码比对，获取对应的用户身份。
具体实施时，步骤S5中，签名库中，每一个用户均关联有多个签名编码。步骤S6中，将待识别心电信号通过信号编码模型转换为待识别编码，将待识别编码与整个签名库中的签名编码进行比对，获取所有与待识别编码的相似度为1的签名编码作为参照对象，获取所有参照对象关联的用户作为筛选对象，获取对应的参照对象最多的筛选对象作为待识别编码对应的用户身份。
即，假设待识别编码E在签名库中检测到的参照对象包括签名编码E1、E2、E3、E4、E5、E6、E7和E8，其中签名编码E1、E2、E3、E4均关联用户丁，签名编码E5和E6关联用户戊，签名编码E7和E8分别关联用户己和庚；则确定待识别编码E对应的用户为丁。
以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，包括以下步骤：
S1、建立用于将心电信号转换为目标格式编码的信号编码模型；
S2、获取多个作为原始样本的心电信号对，每一个心电信号对包含两段心电信号；每一个原始样本均标注有真实相似度；当样本中的两段心电信号来自同一人，则样本标注为“1”；反之，样本标注为“0”；
S3、将原始样本中的心电信号通过信号编码模型转换为目标格式编码，形成标注有真实相似度的训练样本；
S4、设置用于度量两段心电信号通过信号编码模型转换后的目标格式编码之间相似度的目标函数，并结合训练样本和目标函数训练信号编码模型并固定；
S5、建立签名库，签名库中存储有关联用户的签名编码；签名编码为用户的心电信号经过信号编码模型转换并标注用户的目标格式编码；
S6、获取待识别心电信号，将待识别心电信号通过信号编码模型转换为待识别编码，将待识别编码与签名库中的签名编码比对，获取对应的用户身份。
2.如权利要求1所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，步骤S1中设置的信号编码模型为：Bi＝H(G(Xi))，其中，G为深度神经网络，H为哈希函数，Xi为心电信号，Bi为目标格式编码。
3.如权利要求2所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，目标格式编码为二进制编码。
4.如权利要求2所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，深度神经网络G采用单层的循环神经网络、全连接神经网络或者转换神经网络。
5.如权利要求1所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，步骤S4中，目标函数为：
Figure RE-FDA0002770806480000021
其中，
Figure RE-FDA0002770806480000022
Sij表示Bi和Bj的相似度，Bi和Bj分别为心电信号Xi和Xj经过信号编码模型转换后生成的目标格式编码信号。
6.如权利要求5所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，目标函数L通过随机梯度下降法求最优解，并通过前向传播和反向传播对信号编码模型的参数进行梯度更新。
7.如权利要求1所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，步骤S5中，签名库中，每一个用户均关联有多个签名编码。
8.如权利要求7所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，步骤S5中，建立签名库后，对签名库进行去重；去重的方法为：扫描整个签名库，检索关联有不同用户的签名编码作为去重对象；针对每一个去重对象，计算去重对象与关联的各用户的距离；然后，根据距离值确认去重对象的真实用户，并删除去重对象与真实用户以外的用户之间的关联。
9.如权利要求8所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，计算去重对象与关联的各用户的距离的方法为：
首先，以去重对象关联的各用户作为检测对象，针对各检测对象，逐一计算去重对象与剩余签名编码之间的相似度；根据相似度之和对去重对象与关联的各用户的距离进行排序，相似度之和越高，则距离越近。
10.如权利要求7所述的基于深度哈希神经网络的心电信号身份识别的方法，其特征在于，步骤S6具体为：将待识别心电信号通过信号编码模型转换为待识别编码，将待识别编码与整个签名库中的签名编码进行比对，获取所有与待识别编码的相似度为1的签名编码作为参照对象，获取所有参照对象关联的用户作为筛选对象，获取对应的参照对象最多的筛选对象作为待识别编码对应的用户身份。
CN202010806006.3A 2020-08-12 2020-08-12 一种基于深度哈希神经网络的心电信号身份识别的方法 Active CN112115782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010806006.3A CN112115782B (zh) 2020-08-12 2020-08-12 一种基于深度哈希神经网络的心电信号身份识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010806006.3A CN112115782B (zh) 2020-08-12 2020-08-12 一种基于深度哈希神经网络的心电信号身份识别的方法

Publications (2)

Publication Number Publication Date
CN112115782A true CN112115782A (zh) 2020-12-22
CN112115782B CN112115782B (zh) 2023-09-29

Family

ID=73804070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010806006.3A Active CN112115782B (zh) 2020-08-12 2020-08-12 一种基于深度哈希神经网络的心电信号身份识别的方法

Country Status (1)

Country Link
CN (1) CN112115782B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117338309A (zh) * 2023-08-21 2024-01-05 合肥心之声健康科技有限公司 一种心电信号近似度阈值计算方法、身份识别方法及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013150806A (ja) * 2013-02-04 2013-08-08 Idesia Ltd 電子バイオメトリック識別認識のための方法及び装置
CN103714281A (zh) * 2013-12-12 2014-04-09 深圳先进技术研究院 一种基于心电信号的身份识别方法
US20180117447A1 (en) * 2016-05-02 2018-05-03 Bao Tran Smart device
CN108171114A (zh) * 2017-12-01 2018-06-15 深圳竹信科技有限公司 心纹识别方法、终端以及可读储存介质
WO2020006939A1 (zh) * 2018-07-06 2020-01-09 苏州大学张家港工业技术研究院 基于生成式对抗网络的心电图生成及分类方法
CN110897633A (zh) * 2019-12-17 2020-03-24 安徽心之声医疗科技有限公司 基于深度神经网络的心电信号分割方法
CN110998607A (zh) * 2017-08-08 2020-04-10 三星电子株式会社 用于神经网络的系统和方法
CN111183424A (zh) * 2017-08-30 2020-05-19 深圳市长桑技术有限公司 识别用户的系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013150806A (ja) * 2013-02-04 2013-08-08 Idesia Ltd 電子バイオメトリック識別認識のための方法及び装置
CN103714281A (zh) * 2013-12-12 2014-04-09 深圳先进技术研究院 一种基于心电信号的身份识别方法
US20180117447A1 (en) * 2016-05-02 2018-05-03 Bao Tran Smart device
CN110998607A (zh) * 2017-08-08 2020-04-10 三星电子株式会社 用于神经网络的系统和方法
CN111183424A (zh) * 2017-08-30 2020-05-19 深圳市长桑技术有限公司 识别用户的系统和方法
CN108171114A (zh) * 2017-12-01 2018-06-15 深圳竹信科技有限公司 心纹识别方法、终端以及可读储存介质
WO2020006939A1 (zh) * 2018-07-06 2020-01-09 苏州大学张家港工业技术研究院 基于生成式对抗网络的心电图生成及分类方法
CN110897633A (zh) * 2019-12-17 2020-03-24 安徽心之声医疗科技有限公司 基于深度神经网络的心电信号分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁盛德;王寻;梁金福;: "基于卷积神经网络和心电QRS波群的身份识别", 电子测量与仪器学报, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117338309A (zh) * 2023-08-21 2024-01-05 合肥心之声健康科技有限公司 一种心电信号近似度阈值计算方法、身份识别方法及存储介质
CN117338309B (zh) * 2023-08-21 2024-03-15 合肥心之声健康科技有限公司 一种身份识别方法及存储介质

Also Published As

Publication number Publication date
CN112115782B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
RU2697638C1 (ru) Способ и устройство для автономной аутентификации личности
Coutinho et al. One-lead ECG-based personal identification using Ziv-Merhav cross parsing
Jain et al. Deformable matching of hand shapes for user verification
CN107798308B (zh) 一种基于短视频训练法的人脸识别方法
CN113312989B (zh) 一种基于聚合描述子与注意力的指静脉特征提取网络
JP7130905B2 (ja) フィードフォワード畳み込みニューラルネットワークを使用した高速且つ堅牢な皮膚紋理の印のマニューシャの抽出
Coutinho et al. ECG-based Continuous Authentication System using Adaptive String Matching.
CN113221086A (zh) 离线人脸认证方法、装置、电子设备及存储介质
CN115188084A (zh) 非接触式声纹与掌纹掌静脉的多模态身份识别系统和方法
Al-Nima et al. A new approach to predicting physical biometrics from behavioural biometrics
Samai et al. 2d and 3d palmprint recognition using deep learning method
Linsangan et al. Real-time iris recognition system for non-ideal iris images
CN112115782B (zh) 一种基于深度哈希神经网络的心电信号身份识别的方法
CN114511901A (zh) 一种年龄分类辅助的跨年龄人脸识别算法
CN110598522A (zh) 一种基于人脸和掌纹掌静脉识别的身份比对方法
Coutinho et al. Personal identification and authentication based on one-lead ecg using ziv-merhav cross parsing
CN109165587B (zh) 智能图像信息抽取方法
Attallah et al. Fusing palmprint, finger-knuckle-print for Bi-modal recognition system based on LBP and BSIF
Yousofvand et al. Person identification using ECG signal’s symbolic representation and dynamic time warping adaptation
Abaza et al. Retrieving dental radiographs for post-mortem identification
Badrinath et al. An efficient multi-algorithmic fusion system based on palmprint for personnel identification
Prabu et al. Efficient personal identification using multimodal biometrics
Ting et al. Performance analysis of single and combined bit-planes feature extraction for recognition in face expression database
Malik Using codes in place of Fingerprints images during image processing for Criminal Information in large Databases and Data warehouses to reduce Storage, enhance efficiency and processing speed
Pei et al. Cancelable Iris Recognition with DPL

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
GR01 Patent grant
GR01 Patent grant