CN113468988B - 一种基于ecg信号的多压力状态下身份识别方法 - Google Patents
一种基于ecg信号的多压力状态下身份识别方法 Download PDFInfo
- Publication number
- CN113468988B CN113468988B CN202110675373.9A CN202110675373A CN113468988B CN 113468988 B CN113468988 B CN 113468988B CN 202110675373 A CN202110675373 A CN 202110675373A CN 113468988 B CN113468988 B CN 113468988B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- rate variability
- model
- manual
- features
- 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 31
- 239000000203 mixture Substances 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 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
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于ECG信号的多压力状态下身份识别方法，包括以下步骤：S1、信号采集及预处理：利用可穿戴设备采集心电信号，并对采集的心电信号进行预处理；S2、手动特征采集：提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征；S3、自动特征采集：利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征；S4、识别模型构建：将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别。有益效果：本发明可以有效地实现在不同心理压力状态下进行ECG身份识别，从而有效地扩展了ECG身份识别的应用场景。
Description
技术领域
本发明涉及生理信号处理技术领域，具体来说，涉及一种基于ECG信号的多压力状态下身份识别方法。
背景技术
生物特征识别技术利用人的生理或行为特征，自动实现对个人身份的识别和认证。它具有传统的身份鉴别方式所无法比拟的优势，已逐渐成为国际的研究热点之一。目前，在商业上采用的基于生物特征的身份识别方法主要有指纹识别、人脸识别和声音识别等。
然而，指纹易被遗留在抓取的物体上而被别人盗用；脸形容易从用户的相片中提取出来；声音容易被模仿等等。因此，探索新的生物识别方法仍然是身份识别领域的热点之一。ECG信号(心电信号)不仅是一个非常有用的临床诊断工具，而且也是一种很好的用于身份认证的生物特征识别工具，相较于指纹识别、人脸识别和声音识别，ECG信号身份识别具有更高的安全性。
但是，ECG信号受心理压力变化的影响，在不同心理压力状态下的ECG身份识别仍然具有挑战性。因此，本发明提出一种基于ECG信号的多压力状态下身份识别方法，可以应用于多种压力状态下的身份识别。
发明内容
针对相关技术中的问题，本发明提出一种基于ECG信号的多压力状态下身份识别方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于ECG信号的多压力状态下身份识别方法，该身份识别方法包括以下步骤：
S1、信号采集及预处理：利用可穿戴设备采集心电信号，并对采集的心电信号进行预处理；
S2、手动特征采集：提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征；
S3、自动特征采集：利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征；
S4、识别模型构建：将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别。
进一步的，所述S1中对采集的心电信号进行预处理通过中值滤波和频率滤波的两种滤波方法来实现。
进一步的，所述中值滤波采用采样频率的1/3作为中值滤波的窗口大小来去除基线漂移，所述频率滤波通过使用非因果的前向后方法的IIR滤波器来产生一个固定的零相位响应。
进一步的，所述S2提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征包括以下步骤：
S201、利用Pan-Tompkins波峰检测算法在预处理的心电信号上标记R峰的特征点，得到RR间期；
S202、利用RR间期提取出单条心电信号中的多种心率变异性特征参数，构成心率变异性特征向量(ai，bi，ci…)；
S203、利用高斯混合模型对提取出的心率变异性特征进行聚类，并利用高斯混合模型的聚类结果求出每个类别的中心参数；
S204、利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征。
进一步的，所述高斯混合模型可以看作是由K个单高斯模型组成的模型，K为子模型的隐藏变量，当数据是多维数据时，高斯分布遵从以下概率密度函数：
其中，x为随机变量，μ为数据期望，Σ为协方差，D为数据维度，T为矩阵转置。
进一步的，所述S204中利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征包括以下步骤：
S2041、利用高斯混合模型进行聚类，获得单个心率变异性特征向量所属类别(X，Y，Z…)，其中，X，Y，Z…表征不同的心理压力状态；
S2042、对所有的心率变异性特征向量进行整合，得到同一类别的心率变异性特征向量中心(aX，bX，cx…)，(aY，bY，cY…)，(aZ，bZ，cZ…)，其中，a，b，c…表征不同特征；
S2043、针对每个原始心率变异性特征向量进行中心化处理：
(aXi，bXi，cxi…)＝(ai，bi，ci…)-(aX，bX，cx…)；
(aYi，bYi，cYi…)＝(ai，bi，ci…)-(aY，bY，cY…)；
(aZi，bZi，cZi…)＝(ai，bi，ci…)-(aZ，bZ，cZ…)；
……。
进一步的，所述S3中利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征包括以下步骤：
S301、构建一维卷积神经网络模型，并使用该模型来自动学习心电时序信号中的深度特征；
S302、利用深度学习网络对时间序列心电信号进行深度特征提取，得到自动特征。
进一步的，所述S4中将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别包括以下步骤：
S401、将获取的手动特征和自动特征相结合，形成识别模型的身份识别特征向量，得到新的混合特征向量；
S402、将新的混合特征向量输入预先构建的支持向量机模型，并利用该模型实现不同心理压力下的身份识别。
进一步的，所述新的混合特征向量包含经过处理的心率变异性特征和卷积网络提取的短时间低维度上的特征。
本发明的有益效果为：通过提出一种基于ECG信号的多压力状态下身份识别方法，可以应用于多种压力状态下的身份识别。其主要是通过高斯混合模型从采集到ECG信号中提取HRV特征进行处理，获得手动特征，同时将原始ECG信号通过设计好的一维卷积网络来获得自动特征，最后将手动特征与自动特征相结合，通过SVM模型，进一步来进行不同心理压力下的身份识别，相比于传统的ECG信号身份识别，本发明可以有效地实现在不同心理压力状态下进行ECG身份识别，从而有效地扩展了ECG身份识别的应用场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于ECG信号的多压力状态下身份识别方法的流程示意图；
图2是根据本发明实施例的一种基于ECG信号的多压力状态下身份识别方法的原理示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于ECG信号的多压力状态下身份识别方法。
现结合附图和具体实施方式对本发明进一步说明，如图1-2所示，根据本发明实施例的一种基于ECG信号的多压力状态下身份识别方法，该身份识别方法包括以下步骤：
S1、信号采集及预处理：利用可穿戴设备采集心电信号(ECG信号)，并对采集的心电信号进行预处理，以减小噪声的影响；
其中，所述S1中对采集的心电信号进行预处理通过中值滤波和频率滤波两种有效且易于实现的滤波方法来实现。
具体的，所述中值滤波采用采样频率的1/3作为中值滤波的窗口大小，以更好地去除基线漂移，对于频率滤波，使用了IIR滤波器，它比FIR滤波器的计算效率更高。然而，IIR滤波器具有非线性的相位响应，这可能会使心电信号失真。为了避免这个问题，IIR滤波器使用一种非因果的前向后方法(双向滤波器)，它产生一个固定的零相位响应。
S2、手动特征采集：提取预处理后心电信号中的心率变异性(HRV)特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征；
其中，所述S2提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，从而获得减少心理压力影响的手动特征，得到手动特征包括以下步骤：
S201、利用Pan-Tompkins波峰检测算法在预处理的心电信号上标记R峰的特征点，得到RR间期；
S202、利用RR间期提取出单条心电信号中的多种心率变异性特征参数，构成心率变异性特征向量(ai，bi，ci…)；
S203、利用高斯混合模型对提取出的心率变异性特征进行聚类，并利用高斯混合模型的聚类结果求出每个类别的中心参数；
具体的，所述高斯混合模型可以看作是由K个单高斯模型组成的模型，K为子模型的隐藏变量，当数据是多维数据时，高斯分布遵从以下概率密度函数：
其中，x为随机变量，μ为数据期望，Σ为协方差，D为数据维度，T为矩阵转置。
S204、利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征。
具体的，所述S204中利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征包括以下步骤：
S2041、利用高斯混合模型进行聚类，获得单个心率变异性特征向量所属类别(X，Y，Z…)，其中，X，Y，Z…表征不同的心理压力状态；
S2042、对所有的心率变异性特征向量进行整合，得到同一类别的心率变异性特征向量中心(aX，bX，cx…)，(aY，bY，cY…)，(aZ，bZ，cZ…)，其中，a，b，c…表征不同特征；
S2043、针对每个原始心率变异性特征向量进行中心化处理：
(aXi，bXi，cxi…)＝(ai，bi，ci…)-(aX，bX，cx…)；
(aYi，bYi，cYi…)＝(ai，bi，ci…)-(aY，bY，cY…)；
(aZi，bZi，cZi…)＝(ai，bi，ci…)-(aZ，bZ，cZ…)；
……。
S3、自动特征采集：利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征；
其中，所述S3中利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征包括以下步骤：
S301、构建一维卷积神经网络模型，并使用该模型来自动学习心电时序信号中的深度特征；
多层卷积核有助于提取丰富的特征。小尺寸的卷积核滤波器有助于提高计算效率和提取更清晰的特征。构建多层小尺寸卷积网络模型，便于进行ECG时序信号的深层特征提取。
S302、利用深度学习网络对时间序列心电信号进行深度特征提取，得到自动特征。
S4、识别模型构建：将手动特征与自动特征相结合，并利用预先构建的支持向量机(SVM)模型实现不同心理压力下的身份识别。
其中，所述S4中将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别包括以下步骤：
S401、将获取的手动特征和自动特征相结合，形成识别模型的身份识别特征向量，得到新的混合特征向量；
该特征向量中包含了经过处理的HRV特征，该特征可以在长时间高维度上表征每个人的身份特征。同时特征向量中也包含了卷积网络提取的短时间低维度上的特征，可以在ECG局部信号中表征每个人的身份特征。
S402、将新的混合特征向量输入预先构建的支持向量机模型，并利用该模型实现不同心理压力下的身份识别。
综上所述，借助于本发明的上述技术方案，提出了一种基于ECG信号的多压力状态下身份识别方法，可以应用于多种压力状态下的身份识别。此方法主要是通过高斯混合模型从采集到ECG信号中提取HRV特征进行处理，获得手动特征，同时将原始ECG信号通过设计好的一维卷积网络来获得自动特征，最后将手动特征与自动特征相结合，通过SVM模型，进一步来进行不同心理压力下的身份识别，相比于传统的ECG信号身份识别，本发明可以有效地实现在不同心理压力状态下进行ECG身份识别，从而有效地扩展了ECG身份识别的应用场景。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于ECG信号的多压力状态下身份识别方法，其特征在于，该身份识别方法包括以下步骤：
S1、信号采集及预处理：利用可穿戴设备采集心电信号，并对采集的心电信号进行预处理；
S2、手动特征采集：提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征；
S3、自动特征采集：利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征；
S4、识别模型构建：将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别；
所述S2中提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征包括以下步骤：
S201、利用Pan-Tompkins波峰检测算法在预处理的心电信号上标记R峰的特征点，得到RR间期；
S202、利用RR间期提取出单条心电信号中的多种心率变异性特征参数，构成心率变异性特征向量(ai，bi，ci…)；
S203、利用高斯混合模型对提取出的心率变异性特征进行聚类，并利用高斯混合模型的聚类结果求出每个类别的中心参数；
S204、利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征；
所述S204中利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征包括以下步骤：
S2041、利用高斯混合模型进行聚类，获得单个心率变异性特征向量所属类别(X，Y，Z…)，其中，X，Y，Z…表征不同的心理压力状态；
S2042、对所有的心率变异性特征向量进行整合，得到同一类别的心率变异性特征向量中心(aX，bX，cX…)，(aY，bY，cY…)，(aZ，bZ，cZ…)，其中，a，b，c…表征不同特征；
S2043、针对每个原始心率变异性特征向量进行中心化处理：
(aXi，bXi，cXi…)＝(ai，bi，ci…)-(aX，bX，cX…)；
(aYi，bYi，cYi…)＝(ai，bi，ci…)-(aY，bY，cY…)；
(aZi，bZi，cZi…)＝(ai，bi，ci…)-(aZ，bZ，cZ…)；
……；
所述S4中将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别包括以下步骤：
S401、将获取的手动特征和自动特征相结合，形成识别模型的身份识别特征向量，得到新的混合特征向量；
S402、将新的混合特征向量输入预先构建的支持向量机模型，并利用该模型实现不同心理压力下的身份识别；
所述新的混合特征向量包含经过处理的心率变异性特征和卷积网络提取的短时间低维度上的特征。
2.根据权利要求1所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述S1中对采集的心电信号进行预处理通过中值滤波和频率滤波的两种滤波方法来实现。
3.根据权利要求2所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述中值滤波采用采样频率的1/3作为中值滤波的窗口大小来去除基线漂移，所述频率滤波通过使用非因果的前向后方法的IIR滤波器来产生一个固定的零相位响应。
4.根据权利要求3所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述高斯混合模型是由K个单高斯模型组成的模型，K为子模型的隐藏变量，当数据是多维数据时，高斯分布遵从以下概率密度函数：
其中，x为随机变量，μ为数据期望，Σ为协方差，D为数据维度，T为矩阵转置。
5.根据权利要求1所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述S3中利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征包括以下步骤：
S301、构建一维卷积神经网络模型，并使用该模型来自动学习心电时序信号中的深度特征；
S302、利用深度学习网络对时间序列心电信号进行深度特征提取，得到自动特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110675373.9A CN113468988B (zh) | 2021-06-18 | 2021-06-18 | 一种基于ecg信号的多压力状态下身份识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110675373.9A CN113468988B (zh) | 2021-06-18 | 2021-06-18 | 一种基于ecg信号的多压力状态下身份识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113468988A CN113468988A (zh) | 2021-10-01 |
| CN113468988B true CN113468988B (zh) | 2024-04-05 |
Family
ID=77870324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110675373.9A Active CN113468988B (zh) | 2021-06-18 | 2021-06-18 | 一种基于ecg信号的多压力状态下身份识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113468988B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098757B (zh) * | 2021-11-12 | 2024-02-09 | 南京海量物联科技有限公司 | 一种基于量子粒子群优化的ecg信号监测方法 |
| CN114343637B (zh) * | 2021-12-29 | 2023-10-13 | 河北体育学院 | 基于卷积和循环神经网络运动员心理压力评估方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101773394A (zh) * | 2010-01-06 | 2010-07-14 | 中国航天员科研训练中心 | 身份识别方法及应用该方法的身份识别系统 |
| CN101887721A (zh) * | 2010-07-19 | 2010-11-17 | 东南大学 | 一种基于心电信号与语音信号的双模态情感识别方法 |
| CN101894294A (zh) * | 2009-05-20 | 2010-11-24 | 中国科学院半导体研究所 | 一种基于特征分析的粒子群聚类方法 |
| CN103974144A (zh) * | 2014-05-23 | 2014-08-06 | 华中师范大学 | 一种基于特征尺度变换不变点和微场景检测的视频数字水印方法 |
| CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
| CN106453818A (zh) * | 2015-08-11 | 2017-02-22 | 三星电子株式会社 | 声音数据的自适应处理 |
| WO2018023884A1 (zh) * | 2016-08-04 | 2018-02-08 | 深圳先进技术研究院 | 一种身份识别装置及方法 |
| CN108537100A (zh) * | 2017-11-17 | 2018-09-14 | 吉林大学 | 一种基于pca和lda分析的心电信号身份识别方法及系统 |
| CN108647961A (zh) * | 2018-04-26 | 2018-10-12 | 华南理工大学 | 基于心电信号身份认证的数字货币钱包 |
| CN110236573A (zh) * | 2019-06-24 | 2019-09-17 | 深圳和而泰家居在线网络科技有限公司 | 心理压力状态的检测方法及相关装置 |
| CN111931729A (zh) * | 2020-09-23 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的行人检测方法、装置、设备及介质 |
| CN112307996A (zh) * | 2020-11-05 | 2021-02-02 | 杭州电子科技大学 | 一种指尖心电身份识别装置及方法 |
-
2021
- 2021-06-18 CN CN202110675373.9A patent/CN113468988B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894294A (zh) * | 2009-05-20 | 2010-11-24 | 中国科学院半导体研究所 | 一种基于特征分析的粒子群聚类方法 |
| CN101773394A (zh) * | 2010-01-06 | 2010-07-14 | 中国航天员科研训练中心 | 身份识别方法及应用该方法的身份识别系统 |
| CN101887721A (zh) * | 2010-07-19 | 2010-11-17 | 东南大学 | 一种基于心电信号与语音信号的双模态情感识别方法 |
| CN103974144A (zh) * | 2014-05-23 | 2014-08-06 | 华中师范大学 | 一种基于特征尺度变换不变点和微场景检测的视频数字水印方法 |
| CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
| CN106453818A (zh) * | 2015-08-11 | 2017-02-22 | 三星电子株式会社 | 声音数据的自适应处理 |
| WO2018023884A1 (zh) * | 2016-08-04 | 2018-02-08 | 深圳先进技术研究院 | 一种身份识别装置及方法 |
| CN108537100A (zh) * | 2017-11-17 | 2018-09-14 | 吉林大学 | 一种基于pca和lda分析的心电信号身份识别方法及系统 |
| CN108647961A (zh) * | 2018-04-26 | 2018-10-12 | 华南理工大学 | 基于心电信号身份认证的数字货币钱包 |
| CN110236573A (zh) * | 2019-06-24 | 2019-09-17 | 深圳和而泰家居在线网络科技有限公司 | 心理压力状态的检测方法及相关装置 |
| CN111931729A (zh) * | 2020-09-23 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的行人检测方法、装置、设备及介质 |
| CN112307996A (zh) * | 2020-11-05 | 2021-02-02 | 杭州电子科技大学 | 一种指尖心电身份识别装置及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于CNN和SVM混合模型的心电信号识别方法;孙波;杨磊;郭秀梅;陈冉;张童;贾昊;;山东农业大学学报(自然科学版)(第02期);全文 * |
| 基于希尔伯特振动分解和卷积神经网络的融合特征心电识别算法;黄润新;张烨菲;郭春伟;;通信技术(第04期);全文 * |
| 基于高斯混合模型的标准心电波形筛选;麻妙玲;戴敏;孟丹阳;赵梦帆;;天津理工大学学报(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113468988A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| CN113468988B (zh) | 一种基于ecg信号的多压力状态下身份识别方法 | |
| CN103345600B (zh) | 一种心电信号数据处理方法 | |
| 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 | |
| CN104055522A (zh) | 一种心律失常情况下心电信号身份识别方法 | |
| CN113158793A (zh) | 一种基于多特征融合的多类运动想象脑电信号识别方法 | |
| CN106377247A (zh) | 基于特征选择的心律失常分类方法 | |
| Chun | Single pulse ECG-based small scale user authentication using guided filtering | |
| CN107766781B (zh) | 一种快速心电身份识别的方法及其系统 | |
| CN104887263A (zh) | 一种基于心音多维特征提取的身份识别算法及其系统 | |
| CN108596269A (zh) | 一种基于svm+cnn的足底压力图像的识别算法 | |
| WO2022088626A1 (zh) | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 | |
| CN110059564A (zh) | 基于功率谱密度和互相关熵谱密度融合的特征提取方法 | |
| WO2018120088A1 (zh) | 情感识别模型生成方法及装置 | |
| CN107153807A (zh) | 一种二维主成分分析的非贪婪人脸识别方法 | |
| CN115414050A (zh) | 一种实现情绪识别的eeg脑网络最大团检测方法及系统 | |
| CN106691475B (zh) | 情感识别模型生成方法及装置 | |
| CN106650685B (zh) | 一种基于心电图信号的身份识别方法及装置 | |
| CN111616680A (zh) | 一种脑力负荷自动辨识方法及系统 | |
| Wan et al. | Research on Identification Algorithm Based on ECG Signal and Improved Convolutional Neural Network | |
| CN111444489B (zh) | 一种基于光电容积脉搏波传感器的双因子认证方法 | |
| CN116150670A (zh) | 一种基于特征去相关解耦的任务无关脑纹识别方法 | |
| Bharkad et al. | Rotated wavelet filters-based fingerprint recognition | |
| CN114840834A (zh) | 一种基于步态特征的隐式身份认证方法 | |
| CN113626785A (zh) | 基于用户指纹按压行为的指纹认证安全增强方法及系统 |
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 |