CN112115782B - 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 PDFInfo
- Publication number
- CN112115782B CN112115782B CN202010806006.3A CN202010806006A CN112115782B CN 112115782 B CN112115782 B CN 112115782B CN 202010806006 A CN202010806006 A CN 202010806006A CN 112115782 B CN112115782 B CN 112115782B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- code
- signature
- neural network
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 28
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 2
- 125000000484 butyl group Chemical group [H]C([*])([H])C([H])([H])C([H])([H])C([H])([H])[H] 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
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:其中,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:其中,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:其中,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。
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 CN112115782A (zh) | 2020-12-22 |
CN112115782B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (7)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10022613B2 (en) * | 2016-05-02 | 2018-07-17 | Bao Tran | Smart device |
-
2020
- 2020-08-12 CN CN202010806006.3A patent/CN112115782B/zh active Active
Patent Citations (7)
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 |
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)
Title |
---|
基于卷积神经网络和心电QRS波群的身份识别;梁盛德;王寻;梁金福;;电子测量与仪器学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112115782A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610168B (zh) | 一种基于注意力机制的脑电情绪识别方法 | |
CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
CN111401303B (zh) | 一种身份与视角特征分离的跨视角步态识别方法 | |
Munoz-Briseno et al. | Fingerprint indexing with bad quality areas | |
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 | |
CN102231213A (zh) | Ecg门禁卡身份识别方法及系统 | |
CN107798308B (zh) | 一种基于短视频训练法的人脸识别方法 | |
CN108875629B (zh) | 基于多样本特征融合的掌静脉识别方法 | |
CN105989266A (zh) | 基于心电信号的认证方法、装置及系统 | |
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 | |
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 | |
Eid et al. | Leaf plant identification system based on hidden naïve bays classifier | |
CN114511901A (zh) | 一种年龄分类辅助的跨年龄人脸识别算法 | |
CN112084944B (zh) | 一种动态演化表情的识别方法与系统 | |
Yousofvand et al. | Person identification using ECG signal’s symbolic representation and dynamic time warping adaptation | |
CN111859000A (zh) | 一种深度学习模型下的人脸特征数据库构建和更新方法 | |
Coutinho et al. | Personal identification and authentication based on one-lead ecg using ziv-merhav cross parsing | |
CN115712885A (zh) | 脑纹识别方法、装置、电子设备和存储介质 | |
KR20210018586A (ko) | 등장인물의 생체특징을 이용하는 비디오 콘텐트 식별 방법 및 장치 | |
CN110135253A (zh) | 一种基于长期递归卷积神经网络的手指静脉认证方法 | |
CN114783054A (zh) | 一种基于无线和视频特征融合的步态识别方法 | |
CN115544476A (zh) | Ecg身份识别方法、装置、电子设备及存储介质 | |
Kaur et al. | Finger print recognition using genetic algorithm and neural network | |
CN111444895B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN117688365B (zh) | 多模态生物识别门禁系统 |
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 |