CN112965058B - 基于呼吸特征的身份验证方法、装置、设备及计算机存储介质 - Google Patents
基于呼吸特征的身份验证方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112965058B CN112965058B CN202110133549.8A CN202110133549A CN112965058B CN 112965058 B CN112965058 B CN 112965058B CN 202110133549 A CN202110133549 A CN 202110133549A CN 112965058 B CN112965058 B CN 112965058B
- Authority
- CN
- China
- Prior art keywords
- layer
- signals
- user
- radar
- verified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012795 verification Methods 0.000 title claims abstract description 49
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 41
- 230000000241 respiratory effect Effects 0.000 claims abstract description 93
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 230000033001 locomotion Effects 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 39
- 238000003066 decision tree Methods 0.000 claims description 29
- 238000007637 random forest analysis Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 210000000115 thoracic cavity Anatomy 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000000887 face Anatomy 0.000 description 3
- 210000000876 intercostal muscle Anatomy 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 210000000554 iris Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开了一种基于呼吸特征的身份验证方法、装置、设备及计算机存储介质；该方法可以包括：向待验证用户发射雷达信号；接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户。
Description
技术领域
本发明实施例涉及信息安全技术领域，尤其涉及一种基于呼吸特征的身份验证方法、装置、设备及计算机存储介质。
背景技术
当前，物联网的应用范围随着通信技术的进步也变得更加广泛，比如从共享单车到智慧城市、再比如从智能驾驶到智慧农业等。物联网技术俨然已成为产业革命的重要推动力。然而，在给人们的生活带来便利的同时，物联网的应用也面临着更加严峻的安全威胁。因此，物联网的身份验证问题成为了技术发展过程中值得关注的焦点。详细来说，身份验证是指对请求访问系统、网络或设备用户进行识别的过程，是防止未经授权的用户访问敏感信息的方法；身份验证的目的不仅要保障个人隐私和敏感信息在物联网应用过程中不被轻易窃取；而且还应当满足高度智能化和简单化的条件，以适应物联网应用基于不同场景的便捷使用。
目前，基于生物特征识别技术的身份验证机制能够满足以上两方面需求，举例来说，利用指纹、人脸、声音及虹膜这些生物特征进行身份验证的技术方案已经广泛地应用在相关技术中，但这些技术方案往往存在安全隐患或者部署困难等问题；比如，指纹、人脸和声音这类生物特征模板容易被伪造，而利用虹膜进行身份验证则需要昂贵的专有设备才能实现。因此，需要提出一种既安全可靠，又成本低廉、便于部署的身份验证方案，来解决物联网应用关于身份验证的需求。
发明内容
有鉴于此，本发明实施例期望提供一种基于呼吸特征的身份验证方法、装置、设备及计算机存储介质；能够利用呼吸运动所具有的生物特征信息实现身份验证，不仅安全可靠，而且便于部署，降低实施成本。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种基于呼吸特征的身份验证方法，所述方法包括：
向待验证用户发射雷达信号；
接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；
从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；
基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户。
第二方面，本发明实施例提供了一种基于呼吸特征的身份验证装置，所述装置包括：发射部分、接收部分、提取部分、判定部分；其中，
所述发射部分，经配置为向待验证用户发射雷达信号；
所述接收部分，经配置为接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；
所述提取部分，经配置为从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；
所述判定部分，经配置为基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户。
第三方面，本发明实施例提供了一种计算设备，所述设备包括：雷达信号发射器、雷达信号接收器、存储器和处理器；其中，所述雷达信号发射器，用于向待验证用户发射雷达信号；
所述雷达信号接收器，用于接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；
所述存储器用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行以下步骤：
从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；
基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，判断所述待验证特征信息与已预存的合法用户的呼吸特征信息是否相符；
相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户。
第四方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于呼吸特征的身份验证程序，所述基于呼吸特征的身份验证程序被至少一个处理器执行时实现第一方面所述基于呼吸特征的身份验证方法的步骤。
本发明实施例提供了一种基于呼吸特征的身份验证方法、装置、设备及计算机存储介质；利用提取所得到的待验证用户的呼吸运动特征信息与已保存的合法用户的呼吸特征信息进行比较，从而确定待验证用户身份的合法性。借助于人的呼吸生理特征的独特性进行身份验证，提升了验证的安全可靠性。而且利用雷达信号的回波信号进行分析，能够降低设备制造的成本，无需布置额外的硬件设备，便于部署，降低实施成本。
附图说明
图1为本发明实施例提供的一种基于呼吸特征的身份验证方法流程示意图；
图2为本发明实施例提供的构建神经网络分类模型流程示意图；
图3为本发明实施例提供的从雷达回波信号中提取待验证特征信息的流程示意图；
图4为本发明实施例提供的去噪流程示意图；
图5为本发明实施例提供的小波分解流程示意图；
图6为本发明实施例提供的提取候选特征的流程示意图；
图7为本发明实施例提供的小波包分解过程示意图；
图8为本发明实施例提供的选取用于进行身份验证的呼吸特征类型流程示意图；
图9为本发明实施例提供的决策树数量与袋外数据误差之间的关系示意图；
图10为本发明实施例提供的特征数量与平均绝对误差之间的关系示意图；
图11为本发明实施例提供的神经网络分类器示意图；
图12为本发明实施例提供的一种基于呼吸特征的身份验证装置组成示意图；
图13为本发明实施例提供的另一种基于呼吸特征的身份验证装置组成示意图；
图14为本发明实施例提供的一种计算设备的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
首先，需要解释说明的是，人的呼吸过程包含吸气和呼气两个阶段。在吸气阶段，胸腔会随着膈肌和肋间肌的收缩而增大；在呼气阶段，膈肌和肋间肌的舒张会导致胸腔容量减小。由于人体生理结构的复杂多样性，不同人之间因为膈肌和肋间肌力量的不同、胸腔容量的不同等差异，会造成与腹部运动和胸部运动密切相关的呼吸运动在不同人之间会有不同模式和量级的呈现。基于此，在生物医学领域，相关研究已经证实了呼吸运动是一种与人相关的且独特的生物特征信息。根据以上阐述，本发明实施例期望能够利用呼吸运动相对于人体相关且独特的特征实现对合法用户的验证。
基于此，参见图1，其示出了本发明实施例提供的一种基于呼吸特征的身份验证方法，该方法可以包括：
S110：向待验证用户发射雷达信号；
S120：接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；
S130：从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；
S140：基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户。
对于上述技术方案，利用提取所得到的待验证用户的呼吸运动特征信息与已保存的合法用户的呼吸特征信息进行比较，从而确定待验证用户身份的合法性。借助于人的呼吸生理特征的独特性进行身份验证，提升了验证的安全可靠性。而且利用雷达信号的回波信号进行分析，能够降低设备制造的成本，无需布置额外的硬件设备，便于部署，降低实施成本。
对于图1所示的技术方案，在具体实施之前，需要对合法用户的呼吸特征信息进行采集，并且还需要构建用于比较验证的神经网络分类模型，因此，在执行图1所示的技术方案之前，参见图2，所述方法还包括：
S101：向合法用户发射雷达信号；
S102：接收源自被所述合法用户反射的发射雷达信号的雷达回波信号；
S103：根据设定的小波分解滤波器抑制所述合法用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
S104：根据设定的小波包变换策略从去噪后的回波信号中提取候选特征；
S105：基于信息增益的随机森林算法策略从所述候选特征中选取用于进行身份验证的呼吸特征类型；
S106：利用所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息对初始神经网络分类器进行训练，构建获得用于验证的神经网络分类模型。
对于图1或者图2所示的技术方案，在一些示例中，可以向待验证用户或合法用户的胸口方向发射频率为76GHz的毫米波雷达信号；发射的毫米波雷达信号由待验证用户或合法用户的胸口反射后，通过毫米波雷达接收器进行接收，需要说明的是，反射的雷达回波信号中包括与人体呼吸生理特征密切相关的信息，例如胸腔起伏程度不同、起伏频率不同，这些生理特征上的差异可被利用以成为个人独特的认证信息。可以理解地，由于人体呼吸时引起的胸腔起伏较小，选用毫米波雷达信号就可以利用其数据带宽高、宽带广谱能力所带来抑制多径效应和杂乱回波的探测能力强等特点，对由呼吸引起胸腔起伏的微小运动进行精确测量。
在一些示例中，接收到雷达回波信号后，就需要对其进行处理以提取雷达回波信号中所承载的用于描述呼吸运动特征的待验证特征信息，对于图1所示的技术方案，参见图3，所述从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息，包括：
S131：根据设定的小波分解滤波器抑制所述待验证用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
S132：根据设定的小波包变换策略从去噪后的回波信号提取候选特征；
S133：基于设定的用于描述呼吸运动特征类型从所述候选特征中选择待验证特征信息。
相较于图2以及图3，均包括去噪步骤，比如S103和S131；还均包括提取候选特征步骤，比如S104和S132。优选来说，对于上述S103和S131所阐述的去噪步骤可以通过相同的实施方式以实现，本发明实施例以S103的实施方案为例进行阐述，可以理解地，S103的实施方案可以应用于实施S131。本发明实施例对此不再赘述。
在一些示例中，参见图4，所述根据设定的小波分解滤波器抑制所述合法用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号，包括：
S1031：将所述合法用户的雷达回波信号按照设定的小波分解层数n进行分解，获得第n层的低频分量信号以及每层的高频分量信号；其中，在对每层进行小波分解的过程中，将第i层的低频分量信号进行分解获得第i+1层的低频分量信号和第i+1层的高频分量信号，且1≤i<n；
S1032：基于设定的阈值以及软阈值判定策略对每层高频分量信号进行更新，获得更新后的高频分量信号；
S1033：基于所述第n层的低频分量信号以及所述更新后的高频分量信号进行重构，获得所述去噪后的回波信号。
对于上述示例，在具体实施过程中，需要说明的是，接收的雷达回波信号通常包含有大量的噪声和不相关的干扰信号，比如硬件本身产生的噪声、周围运动物体造成的信号干扰等。这些噪声干扰与呼吸信号混杂，会引起所采集到信号的畸变，使整个信号的波形不规则，进而影响后续的信号分析处理，因此需要对原始的雷达回波信号进行去噪。正常情况下，人体的呼吸频率通常为0.26Hz到0.66Hz之间，也就是说，与呼吸相关的信号通常为低频信号，而噪声信号则通常为高频信号，且主要集中在高频小波系数中。此外，在原始的雷达回波信号中，有用的呼吸信号幅值较大，但数目较少；而噪声信号幅值较小，且数目较多。基于原始的雷达回波信号的这些特点，本发明实施例采用小波分解滤波器，使用门限阈值法对小波系数进行处理，从而移除噪声所造成的负面影响。相应于上述图4所示的示例中的三个步骤，其具体实施过程包括：
对于步骤S1031所阐述的小波变换多尺度分解过程，详细来说，对合法用户的原始含噪音的雷达回波信号进行小波分解，设定小波分解的层数n，然后对合法用户的雷达回波信号进行n层分解。以n＝3为例，图5展示了一种小波分解流程，设定合法用户的雷达回波信号为S＝Haf(x)，通过低频分解和高频分解，该信号在首层被分为Ha-1f(x)和Da-1f(x)；接着，在每一层均只对低频分量进行分解，以此类推，在第n层则会被分解为Ha-nf(x)和Da-nf(x)。
对于步骤S1032所阐述的各尺度小波系数去噪过程，详细来说，从第1层到第n层，每一层对高通分量Da-nf(x)使用轻量级的软阈值法进行降噪处理，如下式所示：
也就是说在每一层中，将高通分量的绝对值与设定的阈值θ进行比较，若其值小于或等于阈值则将高通分量置为0；若大于阈值，则将高通分量在数轴上向0的方向收缩，将高通分量置为高通分量的绝对值与阈值之差。对于阈值θ，可以使用统一阈值法进行确定，比如其中，α为第一层小波分解系数Dj-1f(x)绝对值的中间值；β等于固定值0.6745，表示高斯噪声标准方差的调整系数；L为信号尺寸或长度。
对于步骤1033所阐述的小波逆变换重构过程，详细来说，在通过上述过程获得更新后的高通分量系数后，可通过下式对信号进行重构：
S'＝Ha-nf(x)+Da-nf(x)+…+Da-1f(x)
式中，S'即为去噪后的回波信号。
优选地，对于图2以及图3分别阐述的步骤S104和S132，也可以通过相同的实施方式以实现，本发明实施例以S104的实施方案为例进行阐述，可以理解地，S104的实施方案可以应用于实施S132。本发明实施例对此不再赘述。
在一些示例中，参见图6，所述根据设定的小波包变换策略从去噪后的回波信号中提取候选特征，可以包括：
S1041：将所述去噪后的回波信号按照设定的小波包层数m进行小波包分解，获得第m层的低通分量信号以及第m层的高通分量信号；其中，在对每层进行小波包分解的过程中，将第j层的每个分量信号均分别使用低通滤波器和高通滤波器进行分解，获得第j+1层的低通分量信号以及第j+1层的高通分量信号；且1≤j<m；
S1042：针对所述去噪后的回波信号以及分解至第m层过程中所有分量信号的每一个，均分别提取方差、偏度及峭度特征，获得个候选特征。
对于上述示例，在具体实施过程中，需要说明的是，通过小波包变换对去噪后的回波信号进行时频分析，可以推导出由呼吸引起的身体不同部位的震动或运动，如胸腔运动和腹部运动的特征。这种在不同频域对信号的分析可以更好地捕获独特的呼吸特征，以区分人与人之间呼吸运动的细微差别，从而实现身份验证。相应于上述图6所示的示例中的两个步骤，其具体实施过程可以包括：
对于步骤S1041所阐述的信号小波包分解过程，详细来说，如图7所示，设定去噪后的毫米波回波信号为S，分别使用低通滤波函数G(·)和高通滤波函数H()对信号逐层分解至第M层，本实施例中M取值为5。与图5所示的小波分解过程不同的是，小波包分解对每一层中的高频分量和低频分量均进行分解。例如，对于第k层中第m个分量Sk,m而言，在使用低通滤波函数G[(k+1)f]和高通滤波函数H[(k+1)f]分解之后，得到该分量信号的低通分量可表示为：
其中，ak,j为粗糙系数，为尺度函数。而该分量信号的的高通分量可表示为：
其中，dk,j为细节系数，ψk,j(x)为小波母函数。
对于步骤S1042所阐述的信号特征提取过程，详细来说，以尺寸为N，均值为μ的信号而言，本发明实施例优选以下三种信号特征类型来表示呼吸运动：
1、方差；用来描述信号的波动范围，表示为：
2、偏度；用来描述信号的对称程度，表示为：
3、峭度；用来描述信号顶峰的凸平度，表示为：
将去噪后的回波信号分解至第m层的信号S共有个信号分量，可以认为是具有/>个子信号空间，针对分解过程中所获得的每个子信号空间分别提取方差、偏度及峭度三种特征，则从信号S中总共可以提取/>个特征，这些特征可以被认为是候选特征，也就是说，用于进行身份验证的特征将从这/>个特征中进行选取。在本实施例中，M取值为5，信号S被分解为63个子信号空间，共有189个特征。
需要说明的是，在获取到候选特征之后，并不是所有候选特征都有足够的独特性能够区分开不同用户；所以，需要挑选出信息更丰富的特征并移除低相关甚至不相关的特征来进行用户身份验证。这种特征选取的过程不仅可以减少无用特征所带来的训练时间，还能减少可能出现的过拟合问题。基于此，对于图2所示的方案，本发明实施例通过随机森铃算法评估所有候选特征，从而提取用于进行身份验证的呼吸特征类型。在一些示例中，参见图8，所述基于信息增益的随机森林算法策略从所述候选特征中选取用于进行身份验证的呼吸特征类型，包括：
S1051：根据袋外数据(OOB，Out-of-Bag)误差最小准则确定决策树的数目；
S1052：以各候选特征的特征向量为根节点，基于所述决策树的数目构建随机森林中的决策树；
S1053：针对每个决策树，获取每个特征向量的信息增益；
S1054：将所有特征向量按照信息增益降序排列；
S1055：将降序排列的特征向量中的前K个符合平均绝对误差最小准则的特征向量所对应的特征确定为用于进行身份验证的呼吸特征类型；其中，K为符合平均绝对误差最小准则的特征向量数目最小值。
对于上述示例，需要说明的是，随机森林算法包含一定数量的决策树，每个决策树的根节点都代表一个特征向量，其中的每个特征向量的重要性得分根据其信息增益而计算得出。而信息增益则是用来表示在决策树中从当前节点状态到建议状态的信息熵的变化。信息熵定义为：其中，p1到pk表示每一个特征向量的概率值，之和为1。基于以上信息熵的定义，信息增益则表示为：△H＝H(p)-∑c∈CH(c)；其中，H(p)表示父节点p，也就是特征向量的信息熵；C为父节点p的所有子节点的集合；H(c)表示子节点的信息熵。根据以上解释及说明，在本实施例中，随机森林模型构建的具体步骤包括：
1、决策树数目选取过程，详细来说，为了建立一个能够良好评估特征重要度的随机森林模型，优选使用袋外数据(OOB，Out-of-Bag)误差计算训练集中袋外数据的误分类概率。本实施例通过调整森林中决策树的数量，选取使OOB误差最小的决策树的数目作为最优解。沿用上例所阐述的189个候选特征，如图9所示，当决策树数量接近250时，OOB误差趋于稳定并且接近最小值，因此本实施例选择250作为随机森林中决策树的参数。
2、沿用上例中的189个特征向量，利用随机森林模型中各决策树计算用于表征所选特征重要性得分的信息增益。
3、按照信息增益将所有特征向量降序排列。
4、为随机森林分类器选取前K个特征，详细来说，当K满足使分类器产生最小的平均绝对误差时，则前K个特征向量为优选特征，即为用于进行身份验证的呼吸特征。如图10所示，在本实施例中，前53个特征使分类器的平均绝对误差(MAE，Mean Absolute Error)趋于稳定且特征数目最小。之后再增加特征数目，分类器的平均绝对误差不会有明显的减少，故选择前53个特征作为本实施例的用于进行身份验证的呼吸特征。
基于上述阐述，在选择确定用于进行身份验证的呼吸特征类型的过程中，还可以在对所有合法用户进行呼吸特征采集过程中提取合法用户的生物特征模板存储在本地存储器中，用于后续的用户身份验证任务。由于呼吸特征随着用户身体状态的不同而发生改变，如用户的运动状态和情感波动。因此，在本发明实施例中，还可以采集合法用户在不同状态下的呼吸特征，从而提高身份验证过程的适用性。
为了区分用于进行身份验证的呼吸特征，本发明实施例优选通过神经网络分类器实现身份验证，因此，需要根据已进行提取到的合法用户的呼吸特征信息对神经网络分类器进行训练，从而获得用于身份验证的神经网络分类模型，基于此，在一些示例中，所述利用所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息对初始神经网络分类器进行训练，构建获得用于验证的神经网络分类模型，包括：
设置一初始神经网络分类器；其中，所述初始神经网络分类器依次包括一个输入层，至少两个隐藏层和一个输出层；输入层节点数目为选取所得到的呼吸特征类型数目，输出层节点数目为待分类的用户数目；每个隐藏层包括多个神经元节点；隐藏层和输出层各自对应一权重矩阵，权重矩阵中的每个元素均表示当前层的上一层节点至当前层节点的权重值，且权重值初始为随机选取；
将所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息输入至所述初始神经网络分类器进行前向计算，获得初始分类概率；
基于所述分类概率确定分类器的总体误差；
基于所述总体误差从输出层起至首个隐藏层反向的依次更新各层对应的权重矩阵；
将所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息输入至更新完毕后的申请网络分类器进行前向计算，获得迭代的分类概率；
基于所述迭代的分类概率确定分类器的迭代的总体误差；
基于所述迭代的总体误差从输出层起至首个隐藏层反向的依次更新各层对应的权重矩阵；直至完成设定次数的迭代后所获得的权重矩阵，从而构建获得用于验证的神经网络分类模型。
对于上述示例，本发明实施例以一个具有两个隐藏层的神经网络分类器为例进行技术方案的阐述，如图11所示，该分类器为的输入层有53个节点，表示前例中所选的53个特征向量；每个隐藏层包含24个神经元节点；输出层节点代表待分类用户的数量。网络中的每一层的训练就是利用若干个权重系数矩阵以及偏移向量与输入向量进行一系列线性运算。从输入层开始，一层一层地向后计算，一直运算到输出层，得到输出结果。在网络初始化时，隐藏层节点的权重系数矩阵内的元素值随机选取，随后再利用反向传播算法对权重系数矩阵内的元素值进行优化调整。具体而言，就是利用损失函数，来度量训练样本计算出的输出值和真实值之间的损失。在对这个损失函数进行优化求极值的过程中，不断地对权重系数矩阵还有偏移向量进行更新，直到达到预期效果。所以，对神经网络分类器进行训练可以包括以下两个不断迭代的步骤：
1、前向传播；
首先，计算输入层到第一层隐藏层中各个神经元节点的值，具体来说，第j个神经元的输入可表示为：其中，n＝53表示输入层的53个特征向量；xi表示特征向量的具体数值；wij表示输入层第i个节点到第一层隐藏层中第j个节点之间的权重值，在训练迭代开始时，wij随机选取。在本实施例中，神经元节点所使用的激活函数为Sigmoid函数，该第j个节点的输出值为：
接着，以第一层隐藏层的输出作为第二层隐藏层的输入计算第二层隐藏层的输出值。具体来说，第二层隐藏层的第k个神经元的输入可表示为：其中m表示第一层隐藏层的节点数，如前文所述，在本实施例中m＝24；wjk表示第一层隐藏层的第j个节点到第二层隐藏层的第k个节点之间的权重值；o1j为之前计算以获得的第一层隐藏层的第j个节点的输出值。则节点k的输出值为：/>
随后，以第二层隐藏层的输出值作为分类输出层的输入计算分类结果。同理，输出层第p个节点的输入可以表示为：其中，m＝24表示第二层隐藏层的节点数；wkp表示第二层隐藏层的第k个节点到输出层的第p个节点间的权重值；o2k为前一步计算得出的第二层隐藏层的第k个节点的输出值。则输出层节点p的输出值，也就是分类概率可表示为：/>
2、反向传播。
首先，计算总体误差；用户身份标签IDk的真值为0或1，分别表示当前的输入特征值不是用户k和是用户k两种情况。本实施例选择平方和误差函数作为模型的损失函数，那么对于拥有m个用户样本的训练数据而言，分类器的总体误差为：
接着，更新第二层隐藏层到输出层的权重值wkp。本实施例优选使用链式法则求解wkp对总体误差产生的影响，即：其中，k为第二层隐藏层的节点，p为输出层的用户节点。更新后的权重值为：/>其中，η为学习速率，本实施例取值为0.5。
随后，基于上述更新方式更新第一层隐藏层到第二层隐藏层的权重值wjk以及输入层到第一层隐藏层的权重值wij。
最后，将分类器模型的全局权重值更新完毕后，继续重复执行以上前向传播和反向传播两个步骤以实现迭代更新，可以获知，在每一次迭代更新完成之后，总体误差就会下降，预测概率值将会逐渐地无限接近身份标签IDk的真值。本实施例迭代次数选10000次。
可以理解地，当神经网络分类器训练完成之后，后续就可以利用训练好的神经网络分类器，对待验证用户的特征进行判断，从而确定其是否属于授权的合法用户。最终可以根据验证结果为待验证用户提供允许访问或拒绝访问的判断。
以上所阐述的技术方案，在具体应用时可以部署到各个涉及到人机交互的物联网应用场景中，例如智能门禁、智能汽车、智能家居或个人智能移动设备中。相比较传统的认证方式，例如智能门禁和智能汽车需要用户随身携带额外的RFID物理设备；例如指纹、声纹及人脸等生物特征信息容易被盗用或伪造，而呼吸生物特征信息难以被复制和盗用，且不需要额外的物理设备，比传统的认证方式更加安全、方便快捷。
基于前述技术方案相同的发明构思，参见图12，其示出了本发明实施例提供的一种基于呼吸特征的身份验证装置120，所述装置120可以包括：发射部分1201、接收部分1202、提取部分1203、判定部分1204；其中，
所述发射部分1201，经配置为向待验证用户发射雷达信号；
所述接收部分1202，经配置为接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；
所述提取部分1203，经配置为从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；
所述判定部分1204，经配置为基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户。
对于图12所示的基于呼吸特征的身份验证装置120，可以理解地，在具体实施过程中，还可以包括其他图12中未示出的部件；比如为整个装置120提供示例性规格为5V5A电能的供电部分；对于数据以及模板进行存储的数据存储部分；以及在确定待验证用户为合法用户后，将验证结果进行输出以供后续身份处理的验证结果输出部分等，本发明实施例对此不做赘述。
此外，以上部件在具体应用过程中基于其实现的步骤或功能可以被复用。详细来说，所述发射部分1201具体可以是毫米波雷达信号发射器，其雷达信号优选为76GHz的调频连续雷达波；接收部分1202则可以是毫米波雷达信号接收器。
在上述方案中，参见图13，所述提取部分1203，可以包括：去噪单元12031、提取单元12032和选择单元12033；其中，
所述去噪单元12031，经配置为根据设定的小波分解滤波器抑制所述待验证用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
所述提取单元12032，经配置为根据设定的小波包变换策略从去噪后的回波信号提取候选特征；
所述选择单元12033，经配置为基于设定的用于描述呼吸运动特征类型从所述候选特征中选择待验证特征信息。
在上述方案中，所述发射部分1201，还经配置为向合法用户发射雷达信号；
所述接收部分1202，还经配置为接收源自被所述合法用户反射的发射雷达信号的雷达回波信号；
所述去噪单元12031，还经配置为根据设定的小波分解滤波器抑制所述合法用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
所述提取单元12032，还经配置为根据设定的小波包变换策略从去噪后的回波信号中提取候选特征；
所述选择单元12033，还经配置为基于信息增益的随机森林算法策略从所述候选特征中选取用于进行身份验证的呼吸特征类型；
此外，参见图13，装置120还可以包括训练部分1205，经配置为利用所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息对初始神经网络分类器进行训练，构建获得用于验证的神经网络分类模型。
对于上述方案，所述去噪单元12031，经配置为：
将所述合法用户的雷达回波信号按照设定的小波分解层数n进行分解，获得第n层的低频分量信号以及每层的高频分量信号；其中，在对每层进行小波分解的过程中，将第i层的低频分量信号进行分解获得第i+1层的低频分量信号和第i+1层的高频分量信号，且1≤i<n；
基于设定的阈值以及软阈值判定策略对每层高频分量信号进行更新，获得更新后的高频分量信号；
基于所述第n层的低频分量信号以及所述更新后的高频分量信号进行重构，获得所述去噪后的回波信号。
对于上述方案，所述提取单元12032，经配置为：
将所述去噪后的回波信号按照设定的小波包层数m进行小波包分解，获得第m层的低通分量信号以及第m层的高通分量信号；其中，在对每层进行小波包分解的过程中，将第j层的每个分量信号均分别使用低通滤波器和高通滤波器进行分解，获得第j+1层的低通分量信号以及第j+1层的高通分量信号；且1≤j<m；
针对所述去噪后的回波信号以及分解至第m层过程中所有分量信号的每一个，均分别提取方差、偏度及峭度特征，获得个候选特征。
对于上述方案，所述选择单元12033，经配置为：
根据袋外数据OOB误差最小准则确定决策树的数目；
以各候选特征的特征向量为根节点，基于所述决策树的数目构建随机森林中的决策树；
针对每个决策树，获取每个特征向量的信息增益；
将所有特征向量按照信息增益降序排列；
将降序排列的特征向量中的前K个符合平均绝对误差最小准则的特征向量所对应的特征确定为用于进行身份验证的呼吸特征类型；其中，K为符合平均绝对误差最小准则的特征向量数目最小值。
对于上述方案，所述训练部分1205，经配置为：
设置一初始神经网络分类器；其中，所述初始神经网络分类器依次包括一个输入层，至少两个隐藏层和一个输出层；输入层节点数目为选取所得到的呼吸特征类型数目，输出层节点数目为待分类的用户数目；每个隐藏层包括多个神经元节点；隐藏层和输出层各自对应一权重矩阵，权重矩阵中的每个元素均表示当前层的上一层节点至当前层节点的权重值，且权重值初始为随机选取；
将所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息输入至所述初始神经网络分类器进行前向计算，获得初始分类概率；
基于所述分类概率确定分类器的总体误差；
基于所述总体误差从输出层起至首个隐藏层反向的依次更新各层对应的权重矩阵；
将所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息输入至更新完毕后的申请网络分类器进行前向计算，获得迭代的分类概率；
基于所述迭代的分类概率确定分类器的迭代的总体误差；
基于所述迭代的总体误差从输出层起至首个隐藏层反向的依次更新各层对应的权重矩阵；直至完成设定次数的迭代后所获得的权重矩阵，从而构建获得用于验证的神经网络分类模型。
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于呼吸特征的身份验证程序，所述基于呼吸特征的身份验证程序被至少一个处理器执行时实现上述技术方案中所述基于呼吸特征的身份验证方法步骤。
根据上述基于呼吸特征的身份验证装置120以及计算机存储介质，参见图14，其示出了本发明实施例提供的一种能够实施上述基于呼吸特征的身份验证装置120的计算设备140的具体硬件结构，该计算设备140可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(PDA)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器，等。计算设备140包括：雷达信号发射器1401a、雷达信号接收器1401b，存储器1402和处理器1403；各个组件通过总线系统1404耦合在一起。可理解，总线系统1404用于实现这些组件之间的连接通信。总线系统1404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图14中将各种总线都标为总线系统1404。其中，
所述雷达信号发射器1401a，用于向待验证用户发射雷达信号，或者向合法用户发射雷达信号；发射雷达信号如图14中实线箭头所示；
所述雷达信号接收器1401b，用于接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号，或者，接收源自被所述合法用户反射的发射雷达信号的雷达回波信号；雷达回波信号如图14中虚线箭头所示；
所述存储器1402，用于存储能够在所述处理器1403上运行的计算机程序；
所述处理器1403，用于在运行所述计算机程序时，执行前述技术方案中所述基于呼吸特征的身份验证方法步骤，这里不再进行赘述。
可以理解，本发明实施例中的存储器1402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本文描述的系统和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器1403可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1403中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1403可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1402，处理器1403读取存储器1402中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
对于上述基于呼吸特征的身份验证装置120以及计算设备140的示例性方案，可以理解地，上述基于呼吸特征的身份验证装置120以及计算设备140的技术方案与前述基于呼吸特征的身份验证方法的技术方案属于同一构思，因此，上述基于呼吸特征的身份验证装置120以及计算设备140的技术方案未详细描述的细节内容，均可以参见前述基于呼吸特征的身份验证方法的技术方案的描述。本发明实施例对此不做赘述。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于呼吸特征的身份验证方法，其特征在于，所述方法包括：
向合法用户发射雷达信号；
接收源自被所述合法用户反射的发射雷达信号的雷达回波信号；
根据设定的小波分解滤波器抑制所述合法用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
根据设定的小波包变换策略从去噪后的回波信号中提取候选特征；
基于信息增益的随机森林算法策略从所述候选特征中选取用于进行身份验证的呼吸特征类型；
利用所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息对初始神经网络分类器进行训练，构建获得用于验证的神经网络分类模型；
向待验证用户发射雷达信号；
接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；
从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；
基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户；
其中，
所述根据设定的小波分解滤波器抑制所述合法用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号，包括：
将所述合法用户的雷达回波信号按照设定的小波分解层数n进行分解，获得第n层的低频分量信号以及每层的高频分量信号；其中，在对每层进行小波分解的过程中，将第i层的低频分量信号进行分解获得第i+1层的低频分量信号和第i+1层的高频分量信号，且1≤i<n；
基于设定的阈值以及软阈值判定策略对每层高频分量信号进行更新，获得更新后的高频分量信号；
基于所述第n层的低频分量信号以及所述更新后的高频分量信号进行重构，获得所述去噪后的回波信号；
所述根据设定的小波包变换策略从去噪后的回波信号中提取候选特征，包括：
将所述去噪后的回波信号按照设定的小波包层数m进行小波包分解，获得第m层的低通分量信号以及第m层的高通分量信号；其中，在对每层进行小波包分解的过程中，将第j层的每个分量信号均分别使用低通滤波器和高通滤波器进行分解，获得第j+1层的低通分量信号以及第j+1层的高通分量信号；且1≤j<m；
针对所述去噪后的回波信号以及分解至第m层过程中所有分量信号的每一个，均分别提取方差、偏度及峭度特征，获得个候选特征；
所述基于信息增益的随机森林算法策略从所述候选特征中选取用于进行身份验证的呼吸特征类型，包括：
根据袋外数据OOB误差最小准则确定决策树的数目；
以各候选特征的特征向量为根节点，基于所述决策树的数目构建随机森林中的决策树；
针对每个决策树，获取每个特征向量的信息增益；
将所有特征向量按照信息增益降序排列；
将降序排列的特征向量中的前K个符合平均绝对误差最小准则的特征向量所对应的特征确定为用于进行身份验证的呼吸特征类型；其中，K为符合平均绝对误差最小准则的特征向量数目最小值。
2.根据权利要求1所述的方法，其特征在于，所述利用所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息对初始神经网络分类器进行训练，构建获得用于验证的神经网络分类模型，包括：
设置一初始神经网络分类器；其中，所述初始神经网络分类器依次包括一个输入层，至少两个隐藏层和一个输出层；输入层节点数目为选取所得到的呼吸特征类型数目，输出层节点数目为待分类的用户数目；每个隐藏层包括多个神经元节点；隐藏层和输出层各自对应一权重矩阵，权重矩阵中的每个元素均表示当前层的上一层节点至当前层节点的权重值，且权重值初始为随机选取；
将所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息输入至所述初始神经网络分类器进行前向计算，获得初始分类概率；
基于所述分类概率确定分类器的总体误差；
基于所述总体误差从输出层起至首个隐藏层反向的依次更新各层对应的权重矩阵；
将所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息输入至更新完毕后的申请网络分类器进行前向计算，获得迭代的分类概率；
基于所述迭代的分类概率确定分类器的迭代的总体误差；
基于所述迭代的总体误差从输出层起至首个隐藏层反向的依次更新各层对应的权重矩阵；直至完成设定次数的迭代后所获得的权重矩阵，从而构建获得用于验证的神经网络分类模型。
3.根据权利要求1所述的方法，其特征在于，所述从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息，包括：
根据设定的小波分解滤波器抑制所述待验证用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
根据设定的小波包变换策略从去噪后的回波信号提取候选特征；
基于设定的用于描述呼吸运动特征类型从所述候选特征中选择待验证特征信息。
4.一种基于呼吸特征的身份验证装置，其特征在于，所述装置包括：发射部分、接收部分、提取部分、判定部分；其中，
所述发射部分，经配置为向待验证用户发射雷达信号；
所述接收部分，经配置为接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；
所述提取部分，经配置为从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；
所述判定部分，经配置为基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户；
所述提取部分，包括：去噪单元、提取单元和选择单元；其中，
所述去噪单元，经配置为根据设定的小波分解滤波器抑制所述待验证用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
所述提取单元，经配置为根据设定的小波包变换策略从去噪后的回波信号提取候选特征；
所述选择单元，经配置为基于设定的用于描述呼吸运动特征类型从所述候选特征中选择待验证特征信息；
所述发射部分，还经配置为向合法用户发射雷达信号；
所述接收部分，还经配置为接收源自被所述合法用户反射的发射雷达信号的雷达回波信号；
所述去噪单元，还经配置为根据设定的小波分解滤波器抑制所述合法用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
所述选择单元，还经配置为基于信息增益的随机森林算法策略从所述候选特征中选取用于进行身份验证的呼吸特征类型；
所述装置还包括训练部分，经配置为利用所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息对初始神经网络分类器进行训练，构建获得用于验证的神经网络分类模型；
所述去噪单元，经配置为：
将所述合法用户的雷达回波信号按照设定的小波分解层数n进行分解，获得第n层的低频分量信号以及每层的高频分量信号；其中，在对每层进行小波分解的过程中，将第i层的低频分量信号进行分解获得第i+1层的低频分量信号和第i+1层的高频分量信号，且1≤i<n；
基于设定的阈值以及软阈值判定策略对每层高频分量信号进行更新，获得更新后的高频分量信号；
基于所述第n层的低频分量信号以及所述更新后的高频分量信号进行重构，获得所述去噪后的回波信号；
所述提取单元，经配置为：
将所述去噪后的回波信号按照设定的小波包层数m进行小波包分解，获得第m层的低通分量信号以及第m层的高通分量信号；其中，在对每层进行小波包分解的过程中，将第j层的每个分量信号均分别使用低通滤波器和高通滤波器进行分解，获得第j+1层的低通分量信号以及第j+1层的高通分量信号；且1≤j<m；
针对所述去噪后的回波信号以及分解至第m层过程中所有分量信号的每一个，均分别提取方差、偏度及峭度特征，获得个候选特征；
所述选择单元，经配置为：
根据袋外数据OOB误差最小准则确定决策树的数目；
以各候选特征的特征向量为根节点，基于所述决策树的数目构建随机森林中的决策树；
针对每个决策树，获取每个特征向量的信息增益；
将所有特征向量按照信息增益降序排列；
将降序排列的特征向量中的前K个符合平均绝对误差最小准则的特征向量所对应的特征确定为用于进行身份验证的呼吸特征类型；其中，K为符合平均绝对误差最小准则的特征向量数目最小值。
5.一种计算设备，其特征在于，所述设备包括：雷达信号发射器、雷达信号接收器、存储器和处理器；其中，所述雷达信号发射器，用于向待验证用户发射雷达信号；
所述雷达信号接收器，用于接收源自被所述待验证用户反射的发射雷达信号的雷达回波信号；
所述存储器用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行以下步骤：
从所述待验证用户的雷达回波信号中提取用于描述呼吸运动特征的待验证特征信息；
基于已构建完毕的神经网络分类模型对所述待验证特征信息与已预存的合法用户的呼吸特征信息进行比较，判断所述待验证特征信息与已预存的合法用户的呼吸特征信息是否相符；
相应于所述待验证特征信息与已预存的合法用户的呼吸特征信息相符，确定所述待验证用户为合法用户；
所述雷达信号发射器，还用于向合法用户发射雷达信号；
所述雷达信号接收器，还用于接收源自被所述合法用户反射的发射雷达信号的雷达回波信号；
所述处理器，还执行以下步骤：
根据设定的小波分解滤波器抑制所述合法用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号；
根据设定的小波包变换策略从去噪后的回波信号中提取候选特征；
基于信息增益的随机森林算法策略从所述候选特征中选取用于进行身份验证的呼吸特征类型；
利用所述合法用户对应于选取所得到的呼吸特征类型的呼吸特征信息对初始神经网络分类器进行训练，构建获得用于验证的神经网络分类模型；
其中，所述根据设定的小波分解滤波器抑制所述合法用户的雷达回波信号中与呼吸信号不相关的其他噪声信号，获得去噪后的回波信号，包括：
将所述合法用户的雷达回波信号按照设定的小波分解层数n进行分解，获得第n层的低频分量信号以及每层的高频分量信号；其中，在对每层进行小波分解的过程中，将第i层的低频分量信号进行分解获得第i+1层的低频分量信号和第i+1层的高频分量信号，且1≤i<n；
基于设定的阈值以及软阈值判定策略对每层高频分量信号进行更新，获得更新后的高频分量信号；
基于所述第n层的低频分量信号以及所述更新后的高频分量信号进行重构，获得所述去噪后的回波信号；
所述根据设定的小波包变换策略从去噪后的回波信号中提取候选特征，包括：
将所述去噪后的回波信号按照设定的小波包层数m进行小波包分解，获得第m层的低通分量信号以及第m层的高通分量信号；其中，在对每层进行小波包分解的过程中，将第j层的每个分量信号均分别使用低通滤波器和高通滤波器进行分解，获得第j+1层的低通分量信号以及第j+1层的高通分量信号；且1≤j<m；
针对所述去噪后的回波信号以及分解至第m层过程中所有分量信号的每一个，均分别提取方差、偏度及峭度特征，获得个候选特征；
所述基于信息增益的随机森林算法策略从所述候选特征中选取用于进行身份验证的呼吸特征类型，包括：
根据袋外数据OOB误差最小准则确定决策树的数目；
以各候选特征的特征向量为根节点，基于所述决策树的数目构建随机森林中的决策树；
针对每个决策树，获取每个特征向量的信息增益；
将所有特征向量按照信息增益降序排列；
将降序排列的特征向量中的前K个符合平均绝对误差最小准则的特征向量所对应的特征确定为用于进行身份验证的呼吸特征类型；其中，K为符合平均绝对误差最小准则的特征向量数目最小值。
6.一种计算机存储介质，其特征在于，所述计算机存储介质存储有基于呼吸特征的身份验证程序，所述基于呼吸特征的身份验证程序被至少一个处理器执行时实现权利要求1至3中任一项所述基于呼吸特征的身份验证方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133549.8A CN112965058B (zh) | 2021-02-01 | 2021-02-01 | 基于呼吸特征的身份验证方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133549.8A CN112965058B (zh) | 2021-02-01 | 2021-02-01 | 基于呼吸特征的身份验证方法、装置、设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112965058A CN112965058A (zh) | 2021-06-15 |
| CN112965058B true CN112965058B (zh) | 2024-02-02 |
Family
ID=76272559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110133549.8A Active CN112965058B (zh) | 2021-02-01 | 2021-02-01 | 基于呼吸特征的身份验证方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112965058B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015867B (zh) * | 2022-05-31 | 2023-05-16 | 中国人民解放军总医院 | 一种基于超宽带雷达的身份识别和跌倒检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100780470B1 (ko) * | 2007-08-21 | 2007-11-28 | (주)미래시스템 | 탐색 레이더의 적응적 표적 탐지장치 |
| WO2016060863A2 (en) * | 2014-10-17 | 2016-04-21 | Qualcomm Incorporated | Breathprint sensor systems, smart inhalers and methods for personal identification |
| EP3037036A1 (en) * | 2014-12-24 | 2016-06-29 | Samsung Electronics Co., Ltd. | Biometric authentication method and apparatus |
| CN110507293A (zh) * | 2019-07-26 | 2019-11-29 | 中国电子科技集团公司第三十八研究所 | 一种超宽带穿墙雷达人体呼吸及心跳检测方法及系统 |
| CN110584631A (zh) * | 2019-10-10 | 2019-12-20 | 重庆邮电大学 | 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法 |
| CN111481184A (zh) * | 2020-04-24 | 2020-08-04 | 华侨大学 | 基于毫米波雷达技术的多目标呼吸心率监测方法与系统 |
-
2021
- 2021-02-01 CN CN202110133549.8A patent/CN112965058B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100780470B1 (ko) * | 2007-08-21 | 2007-11-28 | (주)미래시스템 | 탐색 레이더의 적응적 표적 탐지장치 |
| WO2016060863A2 (en) * | 2014-10-17 | 2016-04-21 | Qualcomm Incorporated | Breathprint sensor systems, smart inhalers and methods for personal identification |
| CN107073234A (zh) * | 2014-10-17 | 2017-08-18 | 高通股份有限公司 | 用于个人识别的呼吸纹传感器系统、智能吸入器和方法 |
| EP3037036A1 (en) * | 2014-12-24 | 2016-06-29 | Samsung Electronics Co., Ltd. | Biometric authentication method and apparatus |
| CN110507293A (zh) * | 2019-07-26 | 2019-11-29 | 中国电子科技集团公司第三十八研究所 | 一种超宽带穿墙雷达人体呼吸及心跳检测方法及系统 |
| CN110584631A (zh) * | 2019-10-10 | 2019-12-20 | 重庆邮电大学 | 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法 |
| CN111481184A (zh) * | 2020-04-24 | 2020-08-04 | 华侨大学 | 基于毫米波雷达技术的多目标呼吸心率监测方法与系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于CSI的行为识别研究综述;王正杰;杨伟丽;王喆;侯玉珊;郭银景;;计算机工程与应用(第05期);全文 * |
| 基于小波和神经网络的雷达目标识别方法研究;徐俊艳, 何友, 杨卫华;山东农业大学学报(自然科学版)(第02期);全文 * |
| 生物特征识别综述;卢官明;李海波;刘莉;;南京邮电大学学报(自然科学版)(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112965058A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
| Roy et al. | RFAL: Adversarial learning for RF transmitter identification and classification | |
| Liu et al. | Data-driven deep learning for signal classification in industrial cognitive radio networks | |
| CN108597505B (zh) | 语音识别方法、装置及终端设备 | |
| US20170103194A1 (en) | Systems and methods for active authentication | |
| Eftekhari et al. | Two-dimensional random projection | |
| Hemalatha et al. | Towards improving the performance of blind image steganalyzer using third-order SPAM features and ensemble classifier | |
| Krundyshev et al. | Hybrid neural network framework for detection of cyber attacks at smart infrastructures | |
| Ni et al. | Open-set human identification based on gait radar micro-Doppler signatures | |
| CN112965058B (zh) | 基于呼吸特征的身份验证方法、装置、设备及计算机存储介质 | |
| Chelali et al. | Face recognition using MLP and RBF neural network with Gabor and discrete wavelet transform characterization: a comparative study | |
| Qiao et al. | Human activity classification based on micro-Doppler signatures separation | |
| EP1997061A2 (en) | Method and apparatus for decaying combined probability estimates over time | |
| Yang et al. | An adaptive contourlet HMM–PCNN model of sparse representation for image denoising | |
| Lu et al. | Hypercomplex extreme learning machine with its application in multispectral palmprint recognition | |
| CN115188384A (zh) | 基于余弦相似性和语音去噪的声纹识别对抗样本的防御方法 | |
| Lee et al. | ECG-based biometrics using a deep network based on independent component analysis | |
| Jahangir | CNN‐SCNet: A CNN net‐based deep learning framework for infant cry detection in household setting | |
| Liang et al. | A posture recognition based fall detection system using a 24GHz CMOS FMCW radar SoC | |
| Ju et al. | Deep‐learning‐based line enhancer for passive sonar systems | |
| Cai et al. | An integrated incremental self-organizing map and hierarchical neural network approach for cognitive radio learning | |
| Barua et al. | A deep learning approach for detecting tic disorder using wireless channel information | |
| US11899765B2 (en) | Dual-factor identification system and method with adaptive enrollment | |
| Balas et al. | Combined Haar-Hilbert and Log-Gabor Based Iris Encoders | |
| CN106897693B (zh) | 一种身份识别方法、装置及系统 |
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 |