CN112818315B - 一种融合多特征信息的心电信号身份识别方法及系统 - Google Patents

Abstract

本公开提出了一种融合多特征信息的心电信号身份识别方法及系统，包括：多获取的心电信号进行心拍划分并对得到的心拍进行多个特征提取；针对提取的多个特征，训练时基于多特征低秩字典学习和结构稀疏表示获得一字典；其中，在低秩字典学习和结构稀疏表示方法下，稀疏系数通过添加范数和局部约束表达式来探索心电信号样本间类内和类间的关系；字典通过添加低秩约束来降低重建过程中来自训练样本的噪声的影响；对于任意心拍，可利用字典训练得到更具有辨别性的稀疏表示系数，加和权重融合再进行相似性度量完成识别分类。多个特征之间的信息相辅相成，进一步提高了心电信号特征的辨别度，提高了心电身份识别的效果。

Description

一种融合多特征信息的心电信号身份识别方法及系统

技术领域

本公开属于心电信号身份识别技术领域，尤其涉及一种融合多特征信息的心电信号身份识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

利用人的生理或行为特点进行身份识别属于生物识别的研究范畴，例如人脸识别、指纹识别、动作识别等等。近年来，一些用于医学目的的生物信号也被挖掘用来生物识别。其中，心电信号因其普遍性、唯一性、稳定性、易采集等特点，越来越受到研究者的青睐。心电信号是人体重要的生理信号，一般不会随着时间推移发生较大的变化，而且现在心电信号的采集也越来越便捷。因而心电信号身份识别是一种相对安全的、可靠的身份识别技术，应用前景很广阔。

发明人在研究中发现，传统的稀疏表示和字典学习并不能很好的考虑样本之间的关系，无法提取高度辨别性的特征导致识别效果差，因此心电身份识别技术的鲁棒性和准确率还有很大的挑战空间。

发明内容

为克服上述现有技术的不足，本公开提供了一种融合多特征信息的心电信号身份识别方法，进一步提高了心电信号特征的辨别度，提高了心电身份识别的效果。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

第一方面，公开了一种融合多特征信息的心电信号身份识别方法，包括：

对获取的心电信号进行心拍划分并对得到的心拍进行多个特征提取；

针对提取的多个特征，训练时基于多特征低秩字典学习和结构稀疏表示获得字典；

其中，在低秩字典学习和结构稀疏表示方法下，稀疏系数通过添加范数和局部约束表达式来探索心电信号样本间类内和类间的关系；字典通过添加低秩约束来降低重建过程中来自训练样本的噪声的影响；

对于任意心拍，可利用字典训练得到更具有辨别性的稀疏表示系数，加和权重融合再进行相似性度量完成识别分类。

进一步的技术方案，对得到的心拍进行多个特征提取时，利用小波系数分解和一维多分辨率局部二进制模式进行特征提取。

进一步的技术方案，在训练过程中，将m^(v)*(n*N)的特征矩阵作为基于多特征低秩字典学习和结构稀疏表示方法学习过程中的训练数据，其中单个心拍提取的特征维度用m^(v)表示，n为每个用户用于训练的心拍数，N表示数据库的大小，v表示第几种特征。

进一步的技术方案，还包括引入了多特征正则式来加强多特征之间的一致性，并构建目标函数表达式。

进一步的技术方案，针对目标函数表达式进行优化，固定字典更新稀疏系数，固定稀疏系数更新字典。

进一步的技术方案，训练过程具体为：

输入心拍训练样本；

输出字典；

初始化字典及稀疏表示系数；

固定字典更新稀疏系数；

固定稀疏系数更新字典；

直至目标函数差值小于设定值或者满足最大迭代次数，获得字典。

进一步的技术方案，目标函数式表达如下：

其中⊙表示Hadamard product，

式(1)中的第三项看成一个加权的l₁范数，提高这个目标函数的稀疏性，在分类时增大类间散射，减小类内散射。

第二方面，公开了一种考虑样本之间关系的心电身份识别系统，包括：

多特征提取模块，用于获取的心电信号进行心拍划分并对得到的心拍进行多个特征提取；

字典获取模块，用于针对提取的多个特征，训练时基于多特征低秩字典学习和结构稀疏表示获得字典；

其中，在低秩字典学习和结构稀疏表示方法下，稀疏系数通过添加范数和局部约束表达式来探索心电信号样本间类内和类间的关系；字典通过添加低秩约束来降低重建过程中来自训练样本的噪声的影响；

识别模块，对于任意心拍，可利用字典训练得到更具有辨别性的稀疏表示系数，加和权重融合再进行相似性度量完成识别分类。

以上一个或多个技术方案存在以下有益效果：

本公开技术方案采用心电信号的多个特征相结合，利用加和权重融合得到最后的稀疏表示系数特征，多个特征之间的信息相辅相成，进一步提高了心电信号特征的辨别度，提高了心电身份识别的效果。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例方法流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了一种融合多特征信息的心电信号身份识别方法，该方法根据心电信号特点，先对心电信号进行滤波，心拍划分等预处理操作，然后分别提取多种特征，进而采用基于多特征低秩字典学习和结构稀疏表示方法训练得到每个用户的多特征字典D^(v)。对任意的心电信号样本，均可以通过其字典D^(v)分别获取由稀疏系数构成的新特征，最后利用加和权重融合，融合后的特征作为心电信号的新特征。识别时，通过新特征与模板库中所有用户的特征进行距离相似性度量，以此达到识别的目的，这个方法能够提高心电信号身份识别方法的性能和鲁棒性。

需要说明的是本公开中的多种特征是泛指，目标函数式中也用v来代表多种特征。在其中一个实际实施时，选用了小波系数特征和1DLBP特征。在一些实施例子中，也可以融合其他特征进行识别，达到更好的识别效果。

参见附图1所示，具体步骤包括：

步骤1、对原始心电信号进行预处理。

步骤2、心拍划分，即得到多个单周期心电信号。

步骤3、对心电信号进行特征提取。

步骤4、使用基于多特征低秩字典学习和结构稀疏表示的算法，训练得到多特征字典。

步骤5、识别时利用多特征字典得到多特征稀疏表示系数，加和权重融合再进行相似性度量完成识别分类。

步骤1中，在心电信号采集过程中，各种各样的噪声会产生。大多数心电信号的频率会集中在0.5hz或1hz到40hz之间，因此采用截止频率为1-40HZ巴特沃斯带通滤波器降噪。利用这个带通滤波器，一些基线漂移和更高频率的电源线干扰的噪声会被消除。

上述心电信号数据是来自现有的公开数据库PTBDB，ECGID，UofTDB库等等。这些库中的信号往往是含有噪声的。

对每一条心电记录，直接利用MATLAB自带的信号读取函数rdsamp()进行处理。

步骤2中，心拍划分：传统上，心电信号是非平稳的类周期信号，一条心电信号记录包含多个单周期心拍。一个完整的心拍主要由三个波段组成：P波、QRS波和T波，其中R波顶点幅值最为突出，可以作为提取单个心拍的依据。R峰可以由经典的Pan-Tompkin算法定位得到，然后根据心电信号的采样频率，以R峰为中心，向前向后各取一定数目的采样点构成一个心拍。一般情况下，提取到的心拍并不全是有效心拍，先计算出所有心拍之间的平均距离得到平均心拍，然后将每个心拍与平均心拍做对比，通过合适的阈值筛除无效心拍。

步骤3中，特征提取，这个阶段，将得到的心拍进行多个特征提取。在本专利中，利用小波系数分解和一维局部二进制模式(1DLBP)得到小波特征和1DLBP特征两种新的特征，m⁽¹⁾则为小波特征的维度，m⁽²⁾为1DMRLBP特征维度，Db3小波对心电信号的压缩和噪声去除有很大的作用，本申请实施例子选择五层Db3小波分解来得到其中一个新特征。1DLBP能有效的保留心电信号有用信息的统一模式并且对噪声不敏感，选择1DLBP来得到另一个新特征。

其中，小波特征：利用五层Db3小波系数分解得到的新特征；1DLBP特征：是图像中二进制模式(LBP)特征的改进，以此应用于一维心电信号上。像LBP一样，1DLBP也是利用二进制模式来捕捉和编码心电信号的形状，但是这种机制是融合了多个时域心拍成一个特征向量。

小波特征的维度是m⁽¹⁾，进而构成的特征矩阵是m^(v)*(n*N)；1DLBP特征维度是m⁽²⁾，进而构成的特征矩阵是m⁽²⁾*(n*N)。两个特征矩阵同时训练，得到两种稀疏表示系数，最后将两个系数矩阵进行加权融合为一个系数矩阵。

以小波特征为例，每个心拍得到的特征向量是m⁽¹⁾*1。若库中有N个人，每个人含有n个心拍，最后得到的所有特征向量拼接成一个特征矩阵，利用其它特征同上。

基于多特征低秩字典学习和结构稀疏表示：在训练过程中，将m^(v)*(n*N)的特征矩阵作为基于多特征低秩字典学习和结构稀疏表示方法学习过程中的训练数据，其中单个心拍提取的特征维度用m^(v)表示，n为每个用户用于训练的心拍数，N表示数据库的大小，v表示第几种特征。本申请实施例子中，只采用两种特征进行试验，m⁽¹⁾则为小波特征的维度，m⁽²⁾为1DLBP特征维度。设

为来自N个用户的心拍训练样本，其中

为某个用户的心拍训练样本，其中

本申请的方法是通过寻找一个结构稀疏表示系数

和学习一个字典

来近似表示和重建原来的训练样本X^(v)。为了使得到的稀疏系数更加有辨别性，其表示能力更加鲁棒，对稀疏系数添加了局部约束表达式来探索训练样本间局部的几何信息，并且对其进行l_2，1范数正则化，另外，心电信号的训练样本包含很多噪声，而噪声一般都分布在高维空间，字典在重建训练样本时肯定会受到噪声的影响。根据低秩矩阵的恢复理论，对字典的低秩约束将得到一个纯净的字典，即使心电训练样本被污染，也可以重建去噪后的信号。

上述在训练样本中，每个人的一段心电记录可能会提取出很多个心拍。在应用时，对于每个人，会选择其中n个有效心拍作为训练数据。故此处构成特征矩阵的训练数据是训练样本的子集。

为了捕捉多特征数据之间的几何结构信息，进一步引入了多特征正则式来加强多特征之间的一致性。其目标函数式表达如下：

其中⊙表示Hadamard product，

其中，X^(v)为心拍训练样本数据，D^(v)为训练后得到的重建字典，C^(v)为训练后得到的稀疏表示系数。λ，α，γ，β为(1)式每个分式的参数。

式(1)中的第三项可看成一个加权的l₁范数，因此它能提高这个目标函数的稀疏性，在分类时起到良好的作用，增大类间散射，减小类内散射。其中，局部约束表达式体现在(1)式的α||R^(v)⊙C^(v)||₁项。

由于(1)式包含两个变量(D^(v)，C^(v))，如果考虑两个变量同时优化，整个式子就是非凸的，故(1)式是无法直接进行优化的。但是如果固定一个变量优化另一个变量，式子就会变成凸函数，是可以继续进行优化的。

式(1)的优化可分为两个子问题完成：固定D^(v)更新C^(v)，固定C^(v)更新D^(v)。

子问题1：固定D^(v)更新C^(v)

通过引入两个辅助松弛变量E^(v)和L^(v)，式(2)的优化问题变成以下相等的问题：

式(3)可以用拉格朗日乘子法(ALM)求解。

子问题2：固定C^(v)更新D^(v)

通过引入辅助松弛变量J^(v)，(4)的优化问题变成以下相等的问题：

式(5)的求解也可以用拉格朗日乘子法(ALM)。

基于多特征低秩字典学习和结构稀疏表示的算法流程如下：

输入：心拍训练样本X^(v)(X⁽¹⁾，X⁽²⁾，...X^(M))，参数λ，M，α，β，γ

输出：字典D^(v)(D⁽¹⁾，D⁽²⁾，...D^(M))

步骤1：初始化D^(v)＝X^(v)，稀疏表示系数A^(v)＝0，E^(v)＝0，L^(v)＝0，J^(v)＝0，设置最大迭代次数k_max

步骤2：for v＝1：M do

步骤3：利用ALM算法解决(3)式来固定D^(v)更新C^(v)，

利用ALM算法解决(5)式来固定C^(v)更新D^(v)

步骤4：重复步骤3直到相邻迭代次数的目标函数差值越来越小，愈来愈趋向于ε(ε＝10^-8)，或者是满足最大迭代次数。

步骤4中，识别：对用户i的某个心拍向量

式(6)利用字典D^(v)训练得到多个特征下的稀疏表示系数

式(7)利用加和权重融合

得到c_i，c_i将作为识别时的模板存入模板库中。

在识别时，对于任意新输入的待识别心拍x^(v)，式(6)利用字典D^(v)训练得到多个特征下的稀疏表示系数c^(v)，式(9)利用加和权重融合c^(v)得到c_test。式(10)通过欧氏距离计算，寻找与库中最相似的模板，其最相似模板对应的用户i为待识别用户。

c_test＝λ₁c⁽¹⁾+…+λ_Mc^(M) s.t.λ₁+…+λ_M＝1 (9)

其中，优化式(6)时，可以先固定其他特征的稀疏表示系数更新

因此，式(6)变成以下的式子：

式(11)的解析解如下：

式(8)的优化与式(6)一样，此处不再赘述。

本发明利用1-40HZ的巴特沃斯带通滤波器去噪，采用Pan-Tompkins算法对R峰定位并提取心拍。在训练过程中，基于多特征低秩字典学习和结构稀疏表示的心电身份识别方法会获得一个字典D^(v)；在识别阶段，对于任意心拍，可利用D^(v)训练得到更具有辨别性的稀疏表示系数c^(v)。传统的稀疏表示和字典学习并不能很好的考虑样本之间的关系，进而导致识别效果差。在低秩字典学习和结构稀疏表示方法下，稀疏系数通过添加l_2,1范数和局部约束表达式来探索心电信号样本间类内和类间的关系；字典通过添加低秩约束来降低重建过程中来自训练样本的噪声的影响。本方法采用心电信号的多个特征相结合，利用加和权重融合得到最后的稀疏表示系数特征，多个特征之间的信息相辅相成，进一步提高了心电信号特征的辨别度，提高了心电身份识别的效果。

实施例二

本实施例的目的是提供一种计算装置,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，所述处理器执行所述程序时实现上述方法的步骤。

实施例三

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。

实施例四

本实施例的目的是提供一种考虑样本之间关系的心电身份识别系统，包括：

多特征提取模块，用于获取的心电信号进行心拍划分并对得到的心拍进行多个特征提取；

字典获取模块，用于针对提取的多个特征，训练时基于多特征低秩字典学习和结构稀疏表示获得一字典；

其中，在低秩字典学习和结构稀疏表示方法下，稀疏系数通过添加范数和局部约束表达式来探索心电信号样本间类内和类间的关系；字典通过添加低秩约束来降低重建过程中来自训练样本的噪声的影响；

识别模块，对于任意心拍，可利用字典训练得到更具有辨别性的稀疏表示系数，加和权重融合再进行相似性度量完成识别分类。

以上实施例的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。

本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (6)

1.一种融合多特征信息的心电信号身份识别方法，其特征是，包括：

对获取的心电信号进行心拍划分并对得到的心拍进行多个特征提取；

针对提取的多个特征，训练时基于多特征低秩字典学习和结构稀疏表示获得字典；

其中，在低秩字典学习和结构稀疏表示方法下，稀疏系数通过添加范数和局部约束表达式来探索心电信号样本间类内和类间的关系；字典通过添加低秩约束来降低重建过程中来自训练样本的噪声的影响；

对于任意心拍，可利用字典训练得到更具有辨别性的稀疏表示系数，加和权重融合再进行相似性度量完成识别分类；

为了捕捉多特征数据之间的几何结构信息，从多特征数据中得到更加有辨别性的字典，训练过程中的目标函数式表达如下：

其中，⊙表示Hadamard product，

X^(v)为心拍训练样本数据，D^(v)为训练后得到的重建字典，C^(v)为训练后得到的稀疏表示系数，λ，α，γ，β为(1)式每个分式的参数；

式(1)中的第三项是一个加权的L₁范数，提高这个目标函数的稀疏性，在分类时起到良好的作用，增大类间散射，减小类内散射；其中，局部约束表达式体现在(1)式的α||R^(v)⊙C^(v)||₁项；

式(1)的优化分为两个子问题完成：固定D^(v)更新C^(v)，固定C^(v)更新D^(v)；

子问题1：固定D^(v)更新C^(v)

通过引入两个辅助松弛变量E^(v)和Z^(v)，式(2)的优化问题变成以下相等的问题：

式(3)用拉格朗日乘子法ALM求解；

子问题2：固定C^(v)更新D^(v)

通过引入辅助松弛变量J^(v)，(4)的优化问题变成以下相等的问题：

式(5)的求解也用拉格朗日乘子法ALM；

基于多特征低秩字典学习和结构稀疏表示获得字典的算法流程如下：

输入：心拍训练样本X^(v)(X⁽¹⁾,X⁽²⁾,…X^(M))，参数λ，M，α，β，γ

输出：字典D^(v)(D⁽¹⁾,D⁽²⁾,…D^(M))

步骤1：初始化D^(v)＝X^(v)，稀疏表示系数A^(v)＝0,E^(v)＝0,Z^(v)＝0,J^(v)＝0,设置最大迭代次数k_max

步骤2：for v＝1：Mdo

步骤3：利用ALM算法解决(3)式来固定D^(v)更新C^(v)，

利用ALM算法解决(5)式来固定C^(v)更新D^(v)；

步骤4：重复步骤3直到相邻迭代次数的目标函数差值越来越小，愈来愈趋向于ε(ε＝10^-8)，或者是满足最大迭代次数；

步骤4中，识别：对用户i的某个心拍向量

式(6)利用字典D^(v)训练得到多个特征下的稀疏表示系数

式(7)利用加和权重融合

得到c_i，c_i将作为识别时的模板存入模板库中；

在识别时，对于任意新输入的待识别心拍x^(v)，式(6)利用字典D^(v)训练得到多个特征下的稀疏表示系数c^(v)，式(9)利用加和权重融合c^(v)得到c_test；式(10)通过欧氏距离计算，寻找与库中最相似的模板，其最相似模板对应的用户i为待识别用户；

c_test＝λ₁c⁽¹⁾+…+λ_Mc^(M)s.t.λ₁+…+λ_M＝1 (9)

其中，优化式(6)时，先固定其他特征的稀疏表示系数更新

式(6)变成以下的式子：

式(11)的解析解如下：

2.如权利要求1所述的一种融合多特征信息的心电信号身份识别方法，其特征是，对得到的心拍进行多个特征提取时，利用小波系数分解和一维局部二进制模式进行特征提取。

3.如权利要求1所述的一种融合多特征信息的心电信号身份识别方法，其特征是，在训练过程中，将m^(v)*(n*N)的特征矩阵作为基于多特征低秩字典学习和结构稀疏表示方法学习过程中的训练数据，其中单个心拍提取的特征维度用m^(v)表示，n为每个用户用于训练的心拍数，N表示数据库的大小，v表示第几种特征。

4.一种考虑样本之间关系的心电身份识别系统，其特征是，包括：

多特征提取模块，用于获取的心电信号进行心拍划分并对得到的心拍进行多个特征提取；

字典获取模块，用于针对提取的多个特征，训练时基于多特征低秩字典学习和结构稀疏表示获得一字典；

其中，在低秩字典学习和结构稀疏表示方法下，稀疏系数通过添加范数和局部约束表达式来探索心电信号样本间类内和类间的关系；字典通过添加低秩约束来降低重建过程中来自训练样本的噪声的影响；

识别模块，对于任意心拍，可利用字典训练得到更具有辨别性的稀疏表示系数，加和权重融合再进行相似性度量完成识别分类；

为了捕捉多特征数据之间的几何结构信息，从多特征数据中得到更加有辨别性的字典，训练过程中的目标函数式表达如下：

其中，⊙表示Hadamard product，

X^(v)为心拍训练样本数据，D^(v)为训练后得到的重建字典，C^(v)为训练后得到的稀疏表示系数，λ，α，γ，β为(1)式每个分式的参数；

式(1)中的第三项是一个加权的L₁范数，提高这个目标函数的稀疏性，在分类时起到良好的作用，增大类间散射，减小类内散射；其中，局部约束表达式体现在(1)式的α||R^(v)⊙C^(v)||₁项；

式(1)的优化分为两个子问题完成：固定D^(v)更新C^(v)，固定C^(v)更新D^(v)；

子问题1：固定D^(v)更新C^(v)

通过引入两个辅助松弛变量E^(v)和Z^(v)，式(2)的优化问题变成以下相等的问题：

式(3)用拉格朗日乘子法ALM求解；

子问题2：固定C^(v)更新D^(v)

通过引入辅助松弛变量J^(v)，(4)的优化问题变成以下相等的问题：

式(5)的求解也用拉格朗日乘子法ALM；

基于多特征低秩字典学习和结构稀疏表示获得字典的算法流程如下：

输入：心拍训练样本X^(v)(X⁽¹⁾,X⁽²⁾,…X^(M))，参数λ，M，α，β，γ

输出：字典D^(v)(D⁽¹⁾,D⁽²⁾,…D^(M))

步骤1：初始化D^(v)＝X^(v)，稀疏表示系数A^(v)＝0,E^(v)＝0,Z^(v)＝0,J^(v)＝0,设置最大迭代次数k_max

步骤2：for v＝1：Mdo

步骤3：利用ALM算法解决(3)式来固定D^(v)更新C^(v)，

利用ALM算法解决(5)式来固定C^(v)更新D^(v)；

步骤4：重复步骤3直到相邻迭代次数的目标函数差值越来越小，愈来愈趋向于ε(ε＝10^-8)，或者是满足最大迭代次数；

步骤4中，识别：对用户i的某个心拍向量

式(6)利用字典D^(v)训练得到多个特征下的稀疏表示系数

式(7)利用加和权重融合

得到c_i，c_i将作为识别时的模板存入模板库中；

在识别时，对于任意新输入的待识别心拍x^(v)，式(6)利用字典D^(v)训练得到多个特征下的稀疏表示系数c^(v)，式(9)利用加和权重融合c^(v)得到c_test；式(10)通过欧氏距离计算，寻找与库中最相似的模板，其最相似模板对应的用户i为待识别用户；

c_test＝λ₁c⁽¹⁾+...+λ_Mc^(M) s.t.λ₁+…+λ_M＝1 (9)

其中，优化式(6)时，先固定其他特征的稀疏表示系数更新

式(6)变成以下的式子：

式(11)的解析解如下：

5.一种计算装置,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，其特征是，所述处理器执行所述程序时实现上述权利要求1-3任一所述的方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-3任一所述的方法的步骤。

Images