CN113111744B - 一种基于时域短时及长时特征融合的脉纹识别方法 - Google Patents

一种基于时域短时及长时特征融合的脉纹识别方法 Download PDF

Info

Publication number
CN113111744B
CN113111744B CN202110334529.7A CN202110334529A CN113111744B CN 113111744 B CN113111744 B CN 113111744B CN 202110334529 A CN202110334529 A CN 202110334529A CN 113111744 B CN113111744 B CN 113111744B
Authority
CN
China
Prior art keywords
time
long
short
layer
neural network
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
Application number
CN202110334529.7A
Other languages
English (en)
Other versions
CN113111744A (zh
Inventor
赵明剑
谢斯雅
韦岗
曹燕
王一歌
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110334529.7A priority Critical patent/CN113111744B/zh
Publication of CN113111744A publication Critical patent/CN113111744A/zh
Application granted granted Critical
Publication of CN113111744B publication Critical patent/CN113111744B/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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

本发明公开了一种基于时域短时及长时特征融合的脉纹识别方法，通过设计一种多维脉纹信息提取策略来获得基于时域周期内的短时特征和长时特征。其中短时特征由主波包络，次波包络，主次波包络组成，而长时特征是与呼吸周期对应的多周期特征。本发明将上述基于时域周期内的长短特征与起点规整后的单周期脉搏波信号相结合，输入到双路分支神经网络中进行特征融合识别。利用本发明提出的脉纹识别方法进行身份识别，具有准确性高，可靠性强，泛化能力强的特点，适用于各种身份验证的现实场景。

Description

一种基于时域短时及长时特征融合的脉纹识别方法
技术领域
本发明涉及人工智能机器学习技术领域，具体涉及一种基于时域短时及长时特征融合的脉纹识别方法。
背景技术
随着信息化服务和数字化系统的爆炸性增长，密码管理在现实生活中变得越来越困难。近年来，科学家利用生物识别技术来建模人的个性化特征，从而利用人的独一无二性代替密码。然而，常见的生物识别技术，包括指纹、虹膜、手的几何形状和人脸等生物信息容易被攻击，且大多生物识别技术需要昂贵的采集和活体检测，提取成本较高。而新型的光电容积脉搏波(PPG)和心电图是目前进行心血管诊断所使用的非侵入性技术，在近年来作为生物识别技术的数据来源被广泛研究利用。PPG是一种简单、低成本的光学技术，通过测量皮肤表面来检测血管中的血量变化。如今，PPG传感器已被应用于许多不同的可穿戴设备中。与心电图不同的是，PPG传感器的信号采集只需要在身体的一侧完成，易用性和实用性更强。
目前脉纹信息的提取大多基于单维时域特征或者是频域特征。单维时域特征提取分为两种，一种是将脉搏波信号的整体作为输入，另一种是将信号按照周期切分后输入。前者容易造成模型的复杂度高，参数量大，而且需要处理不同脉搏波信号起点不对齐的情况，而后者信号在切分后容易使模型过分关注周期内部的特征提取，而忽略了不同周期间的关系。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于时域短时及长时特征融合的脉纹识别方法。
本发明的目的可以通过采取如下技术方案达到：
一种基于时域短时及长时特征融合的脉纹识别方法，所述脉纹识别方法包括以下步骤：
S1、自建脉搏波数据库，通过小波去噪、平滑滤波以及数据归一化对脉搏波数据库中存储的脉搏波信号进行预处理，接着通过多维脉纹信息提取策略获得短时特征、长时特征和起点规整后的单周期脉搏波信号，其中短时特征包括主波包络、次波包络、主次波包络，长时特征是呼吸周期对应的多周期长时特征；
S2、构建双路分支神经网络，其中，双路分支神经网络包括短时信号处理分支和长时信号处理分支，构建卷积层加非线性激活函数的短时信号处理分支，将短时特征输入短时信号处理分支；构建卷积-循环结构的长时信号处理分支，将长时特征以及起点规整后的单周期脉搏波信号输入长时信号处理分支；
S3、将步骤S2中双路分支神经网络输出结果进行特征融合，得到脉纹识别结果。
进一步地，所述脉搏波数据库的建立过程如下：
通过脉搏血氧仪，在实验室条件下，在不同用户的手腕和手指处进行数据的采集，从而获得不同用户的脉搏波信号。
进一步地，所述步骤S1中脉搏波信号进行预处理的过程如下：
通过小波去噪和平滑滤波来滤除脉搏波信号中的高频噪声，保留低频部分；之后去除基线漂移，以及进行数据归一化，得到处理后的脉搏波信号。
进一步地，所述步骤S1中短时特征和长时特征的特征提取过程如下：
连接所有脉搏波信号的主波峰值，并使用三次样条内插的方式进行数据增强，得到主波包络；
连接所有脉搏波信号的次波峰值，并使用三次样条内插的方式进行数据增强，得到次波包络；
连接所有脉搏波信号的每一组的主-次波峰值，并使用三次样条内插的方式进行数据增强，得到主次波包络；
上述对于短时特征的提取可以丰富特征内容，弥补切分脉搏波信号后趋势类信息的缺失，实验表明，此类辅助性特征可以提高单周期脉搏波信号的识别准确率。
将脉搏波信号周期内点数增加时段的信号为吸气时的信号，将周期内点数降低时段的信号为呼气时的信号，将脉搏波信号每一次连续周期内点数先增后减的序列作为多周期长时特征。
通过求极大值，获得主波的序列，接着将每两个主波之间的时段视为一个周期，使用线性内插方法进行数据增强，内插后每个周期具有相同的起点以及相同的点数的信号即为起点规整后的单周期脉搏波信号。
进一步地，所述短时信号处理分支的网络结构为依次顺序连接的输入层、一维卷积神经网络层、非线性层；其中，所述非线性层使用ReLu函数。
进一步地，所述长时信号处理分支采用卷积-循环神经网络，所述长时信号处理分支的网络结构为依次顺序连接的输入层，二维卷积神经网络层、循环神经网络层、非线性层，其中，所述非线性层使用ReLu函数。与常用一维卷积神经网络进行脉搏波信号的特征提取相比，使用二维卷积神经网络可以提取脉搏波信号内部时不变特征，实验表明，用二维卷积神经网络替代一维卷积神经网络，模型的效果取得了较大的提升。
进一步地，所述步骤S3中特征融合的过程如下：
将双路分支神经网络中短时信号处理分支和长时信号处理分支的输出进行串接，送入全连接神经网络中，所述全连接神经网络的网络结构为依次顺序连接的输入层、全连接层、非线性层1、全连接层、非线性层2、全连接层、非线性层3；其中，所述非线性层1和非线性层2使用ReLu函数，非线性层3使用Sigmoid函数；将全连接神经网络最后一层的输出作为得到样本i的预测值pi，当pi大于等于0.5时，认为样本i的两个脉纹信息属于同一人，当pi小于0.5时，认为样本i的两个脉纹信息不属于同一人。
进一步地，所述双路分支神经网络利用交叉熵损失函数L进行训练，具体如下：
Figure BDA0002997583920000041
其中yi表示第i个样本的真实值，pi表示第i个样本的预测值，N为样本数量。
进一步地，所述短时信号处理分支中一维卷积神经网络层的实现如下：
Figure BDA0002997583920000042
其中，
Figure BDA0002997583920000043
表示第k个短时特征经过卷积后第n个通道的输出，S_Cin表示短时特征的输入维度，
Figure BDA0002997583920000044
表示输出的第n个通道中第k个短时特征对应的参数，S_ink表示第k个短时特征的输入。
进一步地，所述长时信号处理分支中二维卷积神经网络层的实现如下：
Figure BDA0002997583920000045
其中，
Figure BDA0002997583920000046
表示第k个长时特征经过卷积后第n个通道的输出，
Figure BDA0002997583920000047
表示第k个长时特征的输入维度，
Figure BDA0002997583920000048
表示输出的第n个通道中第k个长时特征对应的参数，L_ink表示第k个长时特征的输入；
所述长时信号处理分支中循环神经网络层的实现如下：
it＝σ(Wixt+Uiht-1) (4)
ft＝σ(Wfxt+Ufht-1) (5)
ot＝σ(Woxt+Uoht-1) (6)
Figure BDA0002997583920000051
Figure BDA0002997583920000052
Figure BDA0002997583920000053
其中函数
Figure BDA0002997583920000054
表示
Figure BDA0002997583920000055
it、ft、ot分别为第t个时刻的输入门、遗忘门以及输出门，xt表示第t个时刻的输入，ht-1表示第t-1个时刻的隐藏门输出，
Figure BDA0002997583920000056
表示第t个时刻的候选记忆单元，ct表示第t个时刻的记忆单元，
Figure BDA0002997583920000057
表示点乘，其中W和U是可训练的矩阵，Wi，Wf，Wo，Wc分别表示在输入门，遗忘门，输出门以及记忆单元中，输入xt所对应的参数矩阵，Ui、Uf、Uo、Uc分别表示在输入门、遗忘门、输出门以及记忆单元中，隐藏门输出ht-1所对应的参数矩阵。
本发明相对于现有技术具有如下的优点及效果：
(1)相比于人工提取特征，本发明可以自动化地从序列中提取特征。
(2)本发明使用多维特征，同时兼顾周期内特征和周期外的趋势特征，互补的特征组成能够提供更加全面的信息线索，效果更优越，鲁棒性更强。
(3)本发明同时着重于序列间及序列内对齐的问题，这使得本发明在效果和参数量的权衡下取得了较好的效果。
附图说明
图1是本发明实施例中公开的一种基于时域短时及长时特征融合的脉纹识别方法的流程图；
图2是本发明实施例中短时信号处理分支的流程图；
图3是本发明实施例中长时信号处理分支的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种基于时域短时及长时特征融合的脉纹识别方法，如图1所示，具体步骤如下：
S1、自建脉搏波数据库，通过小波去噪、平滑滤波以及数据归一化对脉搏波数据库中存储的脉搏波信号进行预处理，接着通过多维脉纹信息提取策略获得短时特征、长时特征和起点规整后的单周期脉搏波信号，其中短时特征包括主波包络、次波包络、主次波包络，长时特征是呼吸周期对应的多周期长时特征；
其中，脉搏波数据库的建立过程如下：
通过脉搏血氧仪，在实验室的环境中，在不同用户的手腕和手指处进行数据的采集，从而获得不同用户的脉搏波信号。每一组脉搏波信号采样的频率是500hz，每一次共采集了10221个点。连续测试一个月，共采集了37个人的信号，最终过滤得到85002条有效数据，每条数据包含10221个点，约为22个周期脉搏波信号。
其中，上述步骤S1中脉搏波信号进行预处理的过程如下：
通过小波去噪和平滑滤波来滤除脉搏波信号中的高频噪声，保留低频部分；之后去除基线漂移，以及进行数据归一化，得到处理后的脉搏波信号。
其中，上述步骤S1中短时特征和长时特征的特征提取过程如下：
连接所有脉搏波信号的主波峰值，并使用三次样条内插的方式进行数据增强，将主波包络延长至100个点，得到主波包络；
连接所有脉搏波信号的次波峰值，并使用三次样条内插的方式进行数据增强，将次波包络延长至100个点，得到次波包络；
连接所有脉搏波信号的每一组的主-次波峰值，并使用三次样条内插的方式进行数据增强，将主次波包络延长至100个点，得到主次波包络；
将脉搏波信号周期内点数增加时段的信号为吸气时的信号，将周期内点数降低时段的信号为呼气时的信号，将脉搏波信号每一次连续周期内点数先增后减的序列作为多周期长时特征。利用线性内插作为数据增强的方式，将序列延长到2500个点。为了在硬件端利用矩阵并行化加速，对不足多周期长时特征的最大长度的序列进行补零；
通过求极大值，获得主波的序列，接着将每两个主波之间的时段视为一个周期，使用线性内插方法进行数据增强，将序列延长到500个点。内插后每个周期具有相同的起点以及相同的点数的信号即为起点规整后的单周期脉搏波信号。为了在硬件端利用矩阵并行化加速，对不足起点规整后的单周期脉搏波信号最大长度的序列进行补零。将起点规整后的单周期脉搏波信号切分成N*500的矩阵，其中N代表延拓后的起点规整后的单周期脉搏波信号包含的周期数。
S2、构建双路分支神经网络，其中，双路分支神经网络包括短时信号处理分支和长时信号处理分支，构建卷积层加非线性激活函数的短时信号处理分支，将短时特征输入短时信号处理分支；构建卷积-循环结构的长时信号处理分支，将长时特征以及起点规整后的单周期脉搏波信号输入长时信号处理分支；
S3、将步骤S2中双路分支神经网络输出结果进行特征融合，得到脉纹识别结果。
其中，上述步骤S3中特征融合的过程如下：
将双路分支神经网络得到的输出进行串接，送入全连接神经网络中，所述全连接神经网络的网络结构为依次顺序连接的输入层、全连接层、非线性层1、全连接层、非线性层2、全连接层、非线性层3；其中，所述非线性层1和非线性层2使用ReLu函数，非线性层3使用Sigmoid函数；将全连接神经网络最后一层的输出作为样本i的预测值pi，当pi大于等于0.5时，认为样本i的两个脉纹信息属于同一人，当pi小于0.5时，认为样本i的两个脉纹信息不属于同一人。
双路分支神经网络利用交叉熵损失函数L进行训练，具体如下：
Figure BDA0002997583920000081
其中yi表示第i个样本的真实值，pi表示第i个样本的预测值，N为样本数量。
上述步骤S2中所述双路分支神经网络指的是短时信号处理分支以及长时信号处理分支。
短时信号处理分支训练的具体流程如图2所示，构建短时信号处理分支具体层数如表1所示，短时信号处理分支构建方法为将短时特征，包括主波包络，次波包络，主次波包络，输入短时信号处理分支；其中所述短时信号处理分支的网络结构为依次顺序连接的输入层、一维卷积神经网络层、非线性层；其中，所述非线性层使用ReLu函数。
短时信号处理分支中一维卷积神经网络层的实现如下：
Figure BDA0002997583920000082
其中，
Figure BDA0002997583920000083
表示第k个短时特征经过卷积后第n个通道的输出，S_Cin表示短时特征的输入维度，
Figure BDA0002997583920000084
表示输出的第n个通道中第k个短时特征对应的参数，S_ink表示第k个短时特征的输入。
表1.各层参数表
Figure BDA0002997583920000085
Figure BDA0002997583920000091
长时信号处理分支训练的具体流程如图3所示，构建长时信号处理分支如表2所示，长时信号处理分支构建方法为将多周期长时特征以及起点规整后的单周期脉搏波信号，输入长时信号处理分支；所述长时信号处理分支采用卷积-循环神经网络，其网络结构为依次顺序连接的输入层，二维卷积神经网络层、循环神经网络层、非线性层，其中，所述非线性层使用ReLu函数。
长时信号处理分支中二维卷积神经网络层的实现如下：
Figure BDA0002997583920000092
其中
Figure BDA0002997583920000093
表示第k个长时特征经过卷积后第n个通道的输出，
Figure BDA0002997583920000094
表示第k个长时特征的输入维度，
Figure BDA0002997583920000095
表示输出的第n个通道中第k个长时特征对应的参数，L_ink表示第k个长时特征的输入。
长时信号处理分支中循环神经网络层的实现如下：
it＝σ(Wixt+Uiht-1) (4)
ft＝σ(Wfxt+Ufht-1) (5)
ot＝σ(Woxt+Uoht-1) (6)
Figure BDA0002997583920000096
Figure BDA0002997583920000101
Figure BDA0002997583920000102
其中
Figure BDA0002997583920000103
表示
Figure BDA0002997583920000104
it、ft、ot分别为第t个时刻的输入门、遗忘门以及输出门，xt表示第t个时刻的输入，ht-1表示第t-1个时刻的隐藏门输出，
Figure BDA0002997583920000105
表示第t个时刻的候选记忆单元，ct表示第t个时刻的记忆单元，
Figure BDA0002997583920000107
表示点乘，其中W和U是可训练的矩阵，Wi，Wf，Wo，Wc分别表示在输入门，遗忘门，输出门以及记忆单元中，输入xt所对应的参数矩阵，Ui，Uf，Uo，Uc分别表示在输入门，遗忘门，输出门以及记忆单元中，隐藏门输出ht-1所对应的参数矩阵。
表2.N表示输入信号的周期数表
Figure BDA0002997583920000106
上述步骤S3中所述全连接神经网络具体层数如表3所示。
表3.M表示长时信号分支和短时信号分支输出串接维度表
网络层 具体操作 特征尺寸
输入层 无 1*M
全连接层 权重矩阵为M*256 1*256
非线性层1 ReLu函数 1*256
全连接层 权重矩阵为256*128 1*128
非线性层2 ReLu函数 1*128
全连接层 权重矩阵为128*1 1*1
非线性层3 Sigmoid函数 1
输出层 无 1
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述脉纹识别方法包括以下步骤：
S1、自建脉搏波数据库，通过小波去噪、平滑滤波以及数据归一化对脉搏波数据库中存储的脉搏波信号进行预处理，接着通过多维脉纹信息提取策略获得短时特征、长时特征和起点规整后的单周期脉搏波信号，其中短时特征包括主波包络、次波包络、主次波包络，长时特征是呼吸周期对应的多周期长时特征；
所述步骤S1中短时特征和长时特征的特征提取过程如下：
连接所有脉搏波信号的主波峰值，并使用三次样条内插的方式进行数据增强，得到主波包络；
连接所有脉搏波信号的次波峰值，并使用三次样条内插的方式进行数据增强，得到次波包络；
连接所有脉搏波信号的每一组的主-次波峰值，并使用三次样条内插的方式进行数据增强，得到主次波包络；
将脉搏波信号周期内点数增加时段的信号为吸气时的信号，将周期内点数降低时段的信号为呼气时的信号，将脉搏波信号每一次连续周期内点数先增后减的序列作为多周期长时特征；
通过求极大值，获得主波的序列，接着将每两个主波之间的时段视为一个周期，使用线性内插方法进行数据增强，内插后每个周期具有相同的起点以及相同的点数的信号即为起点规整后的单周期脉搏波信号；
S2、构建双路分支神经网络，其中，双路分支神经网络包括短时信号处理分支和长时信号处理分支，构建卷积层加非线性激活函数的短时信号处理分支，将短时特征输入短时信号处理分支；构建卷积-循环结构的长时信号处理分支，将长时特征以及起点规整后的单周期脉搏波信号输入长时信号处理分支；所述短时信号处理分支的网络结构为依次顺序连接的输入层、一维卷积神经网络层、非线性层；其中，所述非线性层使用ReLu函数；所述长时信号处理分支采用卷积-循环神经网络，所述长时信号处理分支的网络结构为依次顺序连接的输入层，二维卷积神经网络层、循环神经网络层、非线性层，其中，所述非线性层使用ReLu函数；
S3、将步骤S2中双路分支神经网络输出结果进行特征融合，得到脉纹识别结果，其中，特征融合的过程如下：
将双路分支神经网络中短时信号处理分支和长时信号处理分支的输出进行串接，送入全连接神经网络中，所述全连接神经网络的网络结构为依次顺序连接的输入层、全连接层、非线性层1、全连接层、非线性层2、全连接层、非线性层3；其中，所述非线性层1和非线性层2使用ReLu函数，非线性层3使用Sigmoid函数；将全连接神经网络最后一层的输出作为得到样本i的预测值pi，当pi大于等于0.5时，认为样本i的两个脉纹信息属于同一人，当pi小于0.5时，认为样本i的两个脉纹信息不属于同一人。
2.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述脉搏波数据库的建立过程如下：
通过脉搏血氧仪，在实验室条件下，在不同用户的手腕和手指处进行数据的采集，从而获得不同用户的脉搏波信号。
3.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述步骤S1中脉搏波信号进行预处理的过程如下：
通过小波去噪和平滑滤波来滤除脉搏波信号中的高频噪声，保留低频部分；之后去除基线漂移，以及进行数据归一化，得到处理后的脉搏波信号。
4.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述双路分支神经网络利用交叉熵损失函数L进行训练，具体如下：
Figure FDA0003990433170000031
其中yi表示第i个样本的真实值，pi表示第i个样本的预测值，N为样本数量。
5.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述短时信号处理分支中一维卷积神经网络层的实现如下：
Figure FDA0003990433170000032
其中，
Figure FDA0003990433170000033
表示第k个短时特征经过卷积后第n个通道的输出，S_Cin表示短时特征的输入维度，
Figure FDA0003990433170000034
表示输出的第n个通道中第k个短时特征对应的参数，S_ink表示第k个短时特征的输入。
6.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述长时信号处理分支中二维卷积神经网络层的实现如下：
Figure FDA0003990433170000035
其中，
Figure FDA0003990433170000041
表示第k个长时特征经过卷积后第n个通道的输出，
Figure FDA0003990433170000042
表示第k个长时特征的输入维度，
Figure FDA0003990433170000043
表示输出的第n个通道中第k个长时特征对应的参数，L_ink表示第k个长时特征的输入；
所述长时信号处理分支中循环神经网络层的实现如下：
it＝σ(Wixt+Uiht-1) (4)
ft＝σ(Wfxt+Ufht-1) (5)
ot＝σ(Woxt+Uoht-1) (6)
Figure FDA0003990433170000044
Figure FDA0003990433170000045
Figure FDA0003990433170000046
其中函数
Figure FDA0003990433170000047
表示
Figure FDA0003990433170000048
it、ft、ot分别为第t个时刻的输入门、遗忘门以及输出门，xt表示第t个时刻的输入，ht-1表示第t-1个时刻的隐藏门输出，
Figure FDA0003990433170000049
表示第t个时刻的候选记忆单元，ct表示第t个时刻的记忆单元，
Figure FDA00039904331700000410
表示点乘，其中W和U是可训练的矩阵，Wi、Wf、Wo、Wc分别表示在输入门、遗忘门、输出门以及记忆单元中，输入xt所对应的参数矩阵，Ui、Uf、Uo、Uc分别表示在输入门、遗忘门、输出门以及记忆单元中，隐藏门输出ht-1所对应的参数矩阵。
CN202110334529.7A 2021-03-29 2021-03-29 一种基于时域短时及长时特征融合的脉纹识别方法 Active CN113111744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110334529.7A CN113111744B (zh) 2021-03-29 2021-03-29 一种基于时域短时及长时特征融合的脉纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110334529.7A CN113111744B (zh) 2021-03-29 2021-03-29 一种基于时域短时及长时特征融合的脉纹识别方法

Publications (2)

Publication Number Publication Date
CN113111744A CN113111744A (zh) 2021-07-13
CN113111744B true CN113111744B (zh) 2023-02-14

Family

ID=76712501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110334529.7A Active CN113111744B (zh) 2021-03-29 2021-03-29 一种基于时域短时及长时特征融合的脉纹识别方法

Country Status (1)

Country Link
CN (1) CN113111744B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6301375B1 (en) * 1997-04-14 2001-10-09 Bk Systems Apparatus and method for identifying individuals through their subcutaneous vein patterns and integrated system using said apparatus and method
CN108460764A (zh) * 2018-03-31 2018-08-28 华南理工大学 基于自动上下文和数据增强的超声图像智能分割方法
CN109034034A (zh) * 2018-07-12 2018-12-18 广州麦仑信息科技有限公司 一种基于强化学习算法优化卷积神经网络的静脉识别方法
WO2019028648A1 (en) * 2017-08-08 2019-02-14 Alibaba Group Holding Limited PROCESSING PERFORMANCE DATA FOR MACHINE LEARNING
CN109692005A (zh) * 2018-12-03 2019-04-30 南京邮电大学 基于ppg信号稀疏分解的身份识别方法
CN112036316A (zh) * 2020-08-31 2020-12-04 中国科学院半导体研究所 手指静脉识别方法、装置、电子设备及可读存储介质
CN112487945A (zh) * 2020-11-26 2021-03-12 上海贝业斯健康科技有限公司 一种基于双路卷积神经网络融合的脉象识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651941B (zh) * 2020-04-30 2022-05-17 北京航空航天大学 一种全球电离层电子总含量预测的算法
CN112418014B (zh) * 2020-11-09 2023-11-17 南京信息工程大学滨江学院 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6301375B1 (en) * 1997-04-14 2001-10-09 Bk Systems Apparatus and method for identifying individuals through their subcutaneous vein patterns and integrated system using said apparatus and method
WO2019028648A1 (en) * 2017-08-08 2019-02-14 Alibaba Group Holding Limited PROCESSING PERFORMANCE DATA FOR MACHINE LEARNING
CN108460764A (zh) * 2018-03-31 2018-08-28 华南理工大学 基于自动上下文和数据增强的超声图像智能分割方法
CN109034034A (zh) * 2018-07-12 2018-12-18 广州麦仑信息科技有限公司 一种基于强化学习算法优化卷积神经网络的静脉识别方法
CN109692005A (zh) * 2018-12-03 2019-04-30 南京邮电大学 基于ppg信号稀疏分解的身份识别方法
CN112036316A (zh) * 2020-08-31 2020-12-04 中国科学院半导体研究所 手指静脉识别方法、装置、电子设备及可读存储介质
CN112487945A (zh) * 2020-11-26 2021-03-12 上海贝业斯健康科技有限公司 一种基于双路卷积神经网络融合的脉象识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
指脉脉搏波自动识别及自动采集控制方法;杨琳等;《北京工业大学学报》;20130810(第08期);第1261-1263页 *

Also Published As

Publication number Publication date
CN113111744A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN106473750B (zh) 基于光电容积脉搏波最佳周期波形的身份识别方法
Page et al. Utilizing deep neural nets for an embedded ECG-based biometric authentication system
CN108009520A (zh) 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统
Jyotishi et al. An LSTM-based model for person identification using ECG signal
CN107736894A (zh) 一种基于深度学习的心电信号情绪识别方法
CN110458197A (zh) 基于光电容积脉搏波的身份识别方法及其系统
CN113887513A (zh) 一种基于并行CNN-Transformer神经网络的运动想象脑电信号分类方法
CN112257518A (zh) 基于wt与woa-pnn算法的ecg身份识别方法
CN109124620B (zh) 一种房颤检测方法、装置及设备
CN102567708B (zh) 生物特征提取方法、装置及生物识别方法、系统
Patil et al. A non-contact PPG biometric system based on deep neural network
CN111222498A (zh) 一种基于光电容积脉搏波的身份识别方法
Pinto et al. Deep neural networks for biometric identification based on non-intrusive ECG acquisitions
CN109171753A (zh) 一种基于深度自编码神经网络的脑电信号eeg身份识别方法
CN111291727A (zh) 一种光体积变化描记图法信号质量检测方法和装置
CN110192864B (zh) 一种跨域心电图生物特征身份识别方法
CN114638272A (zh) 一种基于指尖脉搏波信号的身份识别方法和装置
CN113243902B (zh) 一种基于光电容积脉搏波的特征提取方法
CN113128384B (zh) 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法
CN110338791A (zh) 基于样本熵和高斯模型的表面肌电信号活动段分割方法
CN109919050B (zh) 身份识别方法和装置
CN113111744B (zh) 一种基于时域短时及长时特征融合的脉纹识别方法
CN113729738A (zh) 一种多通道肌电特征图像的构建方法
CN112307996A (zh) 一种指尖心电身份识别装置及方法
CN113116300A (zh) 一种基于模型融合的生理信号分类方法

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