CN113836995B - 年龄段识别方法及装置 - Google Patents

Abstract

本发明涉及一种年龄段识别方法及装置，该方法包括：采集用户在预设时间段内的脉搏波信号；采用多个小波对所述脉搏波信号进行去噪处理，所述多个小波的层数各不相同；对采用所述多个小波去噪后得到的脉搏波信号分别进行特征提取，得到与所述多个小波一一对应的多个脉搏波特征向量；将所述多个脉搏波特征向量输入至预先训练的年龄段识别模型中，得到所述用户对应的年龄段。本发明提供的年龄段识别方法采用脉搏波信号进行年龄段识别，而非采用人脸图像进行年龄段识别，不受应用场景中很多因素的影响，例如，姿态、光照、表情、遮挡等，因此可以提高年龄段识别的准确性。

Description

年龄段识别方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种年龄段识别方法及装置。

背景技术

现有的年龄段识别方法有很多，尤其是基于人脸图像进行年龄段识别的应用最为广泛。虽然在人脸属性方面的研究已经取得了大量的成果，但是在年龄段识别时仍然会受到实际应用场景的多种因素的影响，影响因素有：因为人脸是非刚性物体，不同的姿态、不同的光照、不同的表情会使同一张人脸有多样的变化，会给识别带来困扰；人脸也会受到遮挡的影响，比如有无眼镜、有无胡须、长短发等。而这些影响因素实际上很难不发生。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供了一种年龄段识别方法及装置。

第一方面，本发明提供一种年龄段识别方法，包括：

采集用户在预设时间段内的脉搏波信号；

采用多个小波对所述脉搏波信号进行去噪处理，所述多个小波的层数各不相同；

对采用所述多个小波去噪后得到的脉搏波信号分别进行特征提取，得到与所述多个小波一一对应的多个脉搏波特征向量；

将所述多个脉搏波特征向量输入至预先训练的年龄段识别模型中，得到所述用户对应的年龄段。

第二方面，本发明提供一种年龄段识别装置，包括：

信号采集模块，用于采集用户在预设时间段内的脉搏波信号；

去噪处理模块，用于采用多个小波对所述脉搏波信号进行去噪处理，所述多个小波的层数各不相同；

特征提取模块，用于对采用所述多个小波去噪后得到的脉搏波信号分别进行特征提取，得到与所述多个小波一一对应的多个脉搏波特征向量；

年龄段识别模块，用于将所述多个脉搏波特征向量输入至预先训练的年龄段识别模型中，得到所述用户对应的年龄段。

本实施例提供的年龄段识别方法及装置，采集脉博波信号，采用小波对脉搏波信号进行去噪处理，并对去噪后的脉搏波信号进行特征提取，将得到的脉搏波特征向量输入至年龄段识别模型，得到对应的年龄段。本发明提供的年龄段识别方法采用脉搏波信号进行年龄段识别，而非采用人脸图像进行年龄段识别，不受应用场景中很多因素的影响，例如，姿态、光照、表情、遮挡等，因此可以提高年龄段识别的准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为在一个实施例中年龄段识别方法的流程示意图；

图2a为在一个实施例中原始脉博波信号的波形图；

图2b为对图2a进行去掉极限漂移后的脉博波信号的波形图；

图2c为对图2b进行低通滤波器去噪后的脉博波信号的波形图；

图3为在一个实施例中脉博波信号在一个信号周期内的波形图；

图4为在一个实施例中年龄段识别装置的结构框图。

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的一部分实施例，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的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。

第一方面，本发明提供一种年龄段识别方法，如图1所示，该方法可以包括如下步骤S110～S140：

S110、采集用户在预设时间段内的脉搏波信号；

其中，预设时间段可以根据需要选择，例如30s、60s等。在预设时间段内应当包括多个脉搏波信号周期。

在具体实施时，可以采用脉诊采集设备采集用户的脉搏波。在采集到脉搏波信号之后，如果想要获得较好的脉搏波特征，需要对脉博波信号进行一定的预处理，例如，去掉极限漂移、进行低通滤波器去噪等。在对图2a所示的原始脉博波信号去掉极限漂移之后，可以得到图2b所示的脉博波信号；再对图2b示出的脉搏波信号进行低通滤波器去噪后得到图2c所示的脉搏波信号。

S120、采用多个小波对所述脉搏波信号进行去噪处理，所述多个小波的层数各不相同；

例如，采用2层的小波、3层的小波和4层的小波分别对所述脉搏波信号进行去噪处理，从而得到比较光滑的波形。小波的类型可以根据需要选择，例如，选择db4小波进行去噪处理。

可理解的是，采用小波进行去噪处理的原理是小波变换。小波变换是由傅立叶变换发展进化而来，小波变换对于分析瞬时时变信号非常有用。它可以有效的从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了傅立叶变换不能解决的许多困难问题。小波变换的本质和傅立叶变换类似，也是用精心挑选的小波基来表示信号方程。每个小波变换都有一个母小波，同时还有一个尺度函数，也被成为父小波。任何小波变换的小波基函数其实就是对母小波和父小波缩放和平移后得到的集合。小波变换允许更加精确的局部描述以及信号特征的分离。一个傅立叶系数通常表示某个贯穿整个时间域的信号分量，因此即使是临时的信号，其特征也被强扯到了整个时间周期去描述。而小波展开的系数则代表了对应分量当下的自己，因此非常容易诠释。对于傅立叶变换以及大部分的信号变换系统，他们的函数基都是固定的，那么变换后的结果只能按部就班被分析推导出来，没有任何灵活性。而对于小波变换来讲，基是变的，是可以根据信号来推导或者构建出来的，只要符合小波变换的性质和特点即可。也就是说，如果你有着比较特殊的信号需要处理，你甚至可以构建一个专门针对这种特殊信号的小波基函数集合对其进行分析。这种灵活性是任何别的变换都无法比拟的。总结来说，傅立叶变换适合周期性的、统计特性不随时间变化的信号，而小波变换则适用于大部分信号，尤其是瞬时信号。小波变换针对绝大部分信号的压缩、去噪、检测效果都特别好。小波变换已经在科技信息产业领域取得了令人瞩目的成就。电子信息技术是六大高新技术中重要的一个领域，它的重要方面是图像和信号处理。现今信号处理已经成为当代科学技术工作的重要部分，信号处理的目的就是：准确的分析、诊断、编码压缩和量化、快速传递或存储、精确地重构。从数学的角度来看，信号与图象处理可以统一看作是信号处理，小波变换的许多分析和应用问题，都可以归结为信号处理问题。小波变换是一种实用的时频分析方法，在时频两域都具有良好的局部化特性。小波变换的窗口随频率的增加而缩小,符合高频信号分辨率高的要求，而且小波变换经适当离散化后能构成标准正交系。在许多领域的研究表明，小波变换的信号分解效果明显优于其他方法，尤其对常规方法难以奏效的一些问题，如在微弱信号、非平稳信号、瞬态信号及奇异信号的检测中都显示出其独特的优越性。最重要的是小波变换具有多分辨分析的特征,可以在不同尺度上获得信号的不同频率成分。因此，这些特性使得小波变换无论在脉搏波信号的去噪上能取得较好的效果。

S130、对采用所述多个小波去噪后得到的脉搏波信号分别进行特征提取，得到与所述多个小波一一对应的多个脉搏波特征向量；

例如，在S120中采用2层的小波、3层的小波和4层的小波分别对所述脉搏波信号进行去噪处理，这样就会得到三个不同层数的小波处理后的脉搏波信号。对采用2层的小波进行去噪后的脉搏波信号进行特征提取，可以得到一个脉搏波特征向量；对采用3层的小波进行去噪后的脉搏波信号进行特征提取，可以得到一个脉搏波特征向量；对采用4层的小波进行去噪后的脉搏波信号进行特征提取，可以得到一个脉搏波特征向量。这样可以得到3个脉搏波特征向量，而每一个脉搏波特征向量中包括多个脉搏波特征。

在具体实施时，对采用每一个小波去噪后得到的脉搏波信号进行特征提取的过程，可以包括如下步骤S131～S133：

S131、确定所述脉搏波信号中的波峰或者波谷，并根据所述波峰或所述波谷，确定所述脉搏波信号中所有信号周期的起点和终点；

可理解的是，通过确定波峰或者波谷的方式，在脉搏波信号中确定所有的脉搏波信号周期(简称为信号周期)。

在具体实施时，确定所述脉搏波信号中的波峰的方式有多种，例如，将所述脉搏波信号输入至预设波峰寻找函数中，得到所述脉搏波信号中所有波峰的所在位置。其中，预设波峰寻找函数可以为signal.find_peaks(data,distance＝a)，函数中的data为脉搏波信号，a为脉搏波信号的长度。

当然，利用预设波峰寻找函数也可以确定所述脉搏波信号中的波谷，具体包括：将所述脉搏波信号进行正负倒置，将正负倒置后的脉搏波信号输入至预设波峰寻找函数中，得到所述脉搏波信号中所有波谷的所在位置。也就是说，将data加上负号，输入至预设波峰寻找函数，这样就出来的波峰的坐标实际上就是未加负号的脉搏波信号的波谷。

实际上，不限于采用上述预设波峰寻找函数确定波峰或者波谷。例如，采用求极值的方式，比前后数值都大的位置是波峰，比前后数值都小的位置是波谷。

可理解的是，在计算得到脉博比信号中的所有波峰或者所有波谷后，便可以确定所有的信号周期的起点和终点。

S132、确定每一个所述信号周期中的所有极值点，并根据所述所有极值点，确定每一个所述信号周期对应的多个预设特征值；

也就是说，针对每一个信号周期，确定其中的所有极值点，包括极大值和极小值，进而依据极大值和极小值确定这个信号周期对应的特征值。

在具体实施时，依据一个信号周期内的所有极值，在一个信号周期内可以确定的多个预设特征值可以包括多个幅值特征值和多个时间特征值。

S133、根据所述脉搏波信号中所有信号周期内的所述多个预设特征值，计算多个预设特征均值，并将所述多个预设特征均值作为一个脉搏波特征向量。

例如，在脉搏波信号中一共有20个信号周期，而每一个信号周期中有10个预设特征值。在这20个信号周期的200个预设特征值中，将相同特征对应的20个预设特征值求平均，得到该特征对应的预设特征均值。由于共有10个特征，最终会得到10个预设特征均值。

在具体实施时，如果一个信号周期内包括多个幅值特征值和多个时间特征值，则这个脉搏波信号对应多个幅值特征均值和多个时间特征均值，也就是说，每一个脉搏波特征向量中的所述多个预设特征均值包括多个幅值特征均值和多个时间特征均值，实际上这多个时间特征均值与这多个幅值特征均值一一对应。

在具体实施时，对采用每一个小波去噪后得到的脉搏波信号进行特征提取的过程，还可以包括S134和S135：

S134、针对每一个脉搏波特征向量，确定第一最大值和第二最大值；所述第一最大值为所述多个幅值特征均值中的最大值，所述第二最大值为所述多个时间特征均值中的最大值；

S135、将所述多个幅值特征均值分别除以所述第一最大值，得到归一化后的多个幅值特征均值，并将所述多个时间特征均值分别除以所述第二最大值，得到归一化后的多个时间特征均值。

例如，在每一个脉搏波特征向量中包括5个幅值特征均值和5个时间特征均值，若这5个幅值特征均值中第一个幅值特征均值最大，则将第一个幅值特征均值作为第一最大值，若在这5个时间特征均值中第三个时间特征均值最大，则将第三个时间特征均值作为第二最大值。将这5个幅值特征均值均除以第一最大值，实现对幅值特征均值的归一化处理，这5个时间特征均值均除以第二最大值，实现对时间特征均值的归一化处理。由于在一个脉搏波特征向量中包括不同种类的特征值，因此分别进行不同的归一化处理，更加符合特征值的种类。

通过以上S131～S133或S S131～S134，可以对采用每一个小波去噪后得到的脉搏波信号进行特征提取，得到一个脉搏波特征向量。这样在S120中，采用N个小波进行去噪，经过S130就会得到N个脉搏波特征向量。

在具体实施时，如图3所示，在依据波谷所确定的一个信号周期内，包括依次形成的起点、第一极大值、第一极小值、第二极大值、第二极小值、第三极大值和终点。一个信号周期内的预设特征值包括5个幅值特征值和5个时间特征值。5个幅值特征值分别为：第一极大值的幅值h₁、第一极小值的幅值h₂、第二极大值的幅值h₃、第二极小值的幅值h₄、第三极大值和第二极小值的幅值之差h₅。5个时间特征值分别为：第一极大值和起点之间的第一时长t₁、第一极小值和起点时间的第二时长t₂、第二极大值和起点之间的第三时长t₃、第二极小值和起点之间的第四时长t₄、第三极大值和终点之间的第五时长t₅。

基于这种信号周期，一个脉搏波特征向量中包括的多个幅值特征均值可以包括：所述第一极大值的幅值均值所述第一极小值的幅值均值/>所述第二极大值的幅值均值/>所述第二极小值的幅值均值/>以及所述第三极大值和所述第二极小值的幅值之差的均值/>

对应的，一个脉搏波特征向量中包括的多个时间特征均值可以包括：所述第一极大值与所述起点之间的第一时长均值所述第一极小值与所述起点之间的第二时长均值所述第二极大值与所述起点之间的第三时长均值/>所述第二极小值与所述起点之间的第四时长均值/>以及所述终点与所述第二极小值之间的第五时长均值/>

假如采用2层小波、3层小波和4层小波分别进行去噪后的脉搏波信号进行特征提取得到三个脉搏波特征向量T²、T³、T⁴：，这三个向量可以表示为：

S140、将所述多个脉搏波特征向量输入至预先训练的年龄段识别模型中，得到所述用户对应的年龄段。

其中，预先训练的年龄段识别模型为预先训练得到，预先训练过程可以包括如下步骤S141～S143：

S141、确定多个样本集，所述多个样本集与所述多个小波一一对应，每一个样本集中包括多个各种年龄段的人的脉搏波信号在对应小波去噪后并进行特征提取得到的脉搏波特征向量；

也就是说，如果本发明中采用N个小波进行去噪，这里就需要N个样本集。每一个样本集中包括多个脉搏波特征向量，这些脉搏特征向量是多个脉搏波信号通过对应层数的小波去噪后进行特征提取得到的，而这些脉搏波信号来自于各个年龄段，而且每一个年龄段包括多个人。即，将来自不同年龄段的人的脉搏波信号经过对应层数的小波进行去噪后，并通过上述S130进行特征提取，得到多个脉搏波特征向量。当然，对样本集中的脉搏波特征向量需要标注对应的人的年龄段。

例如，对于不同年龄的人群按照上面步骤S110～S130可以形成一系列的脉搏波特征向量T²、T³、T⁴，将所有的T²形成第一个样本集T1，将所有的T³形成第二个样本集T2，将所有的T⁴形成第三个样本集T3。

S142、根据每一个所述样本集，训练对应的年龄段识别子模型，并对所述年龄段识别子模型进行测试；

例如，利用上述第一个样本集进行模型训练，得到第一个年龄段识别子模型M²，利用上述第二个样本集进行模型训练，得到第二个年龄段识别子模型M³，利用上述第三个样本集进行模型训练，得到第三个年龄段识别子模型M⁴。

在实际中，采用样本集中的一部分作为训练集进行模型训练，采用另一部分作为测试集进行模型测试，从而判断年龄段识别子模型的预测准确率是否满足要求，如果不满足要求，则对年龄段识别子模型的相关参数进行调整，直到年龄段识别子模型的预测准确率能够满足要求。

在具体实施时，可以采用不同的分类算法进行模型训练，例如，支持向量机、深度卷积神经网络、随机森林算法等等。

S143、在测试结束后，将训练得到的多个所述年龄段识别子模型进行加权求和，得到所述年龄段识别模型。

例如，通过模型训练和测试，得到三个年龄段识别子模型M²、M³、M⁴，可以根据年龄段识别子模型的识别准确率设置每一个年龄段识别子模型的权重，例如，第二个年龄段识别子模型M³的准确率最高，其余两个年龄段识别子模型的准确率相差无几，则可以将第二个年龄段识别子模型M³的权重设置为0.4，其余两个年龄段识别子模型的权重设置为0.3，得到最终的年龄段识别模型M：

M＝0.3M²(T²)+0.4M³(T³)+0.3M⁴(T⁴)

注意，本文中上标2、3、4并不是幂次方的概念，而是对应的小波的层数。

其中，年龄段的长度可以根据需要设置，例如，长度设置为10，则年龄段有[0,10]、[11,20]…[80以上]等。如果一个人的年龄为15岁，则对应的年龄段为[11,20]。

举例来说，采用支持向量机进行模型训练，具体可以通过支持向量机开源库LibSVM并采用多项式核函数来构造子模型。对年龄段识别模型的训练过程大致包括：

(1)训练样本集；通过S110～S130对不同年龄段的人群进行多测量，得到大量的脉搏波特征向量T²、T³、T⁴，进而得到三个样本集：T1、T2、T3。

(2)对于支持向量机，为了避免在训练时计算核函数时引起数值计算的困难，通常将数据缩放到[-1,1]或者[0,1]，如果对脉搏波特征向量进行了归一化处理，则必然会满足这个条件，如果没有进行归一化处理，此步骤则需要对脉搏波特征向量进行一定的处理，使其位于[-1,1]或者[0,1]内。

(3)进行参数设置，例如，将多项式核函数的初始等级设置为3，将多项式核函数的伽马参数的初始值设置为1，然后利用交叉验证的方式确定所述多项式核函数中的最佳预设参数，最佳预设参数可以包括最佳的损失函数参数和最佳的伽马参数。在确定好最佳参数后，采用支持向量机训练器对年龄段识别子模型进行训练，得到M²、M³、M⁴。

(4)对训练得到的M²、M³、M⁴分别进行测试，具体采用支持向量机预测器，将测试集中的T²输入到子模型M²中，得到预测的年龄段，然后根据标注的年龄段和预测得到的年龄段，对子模型M²的准确率进行判断，如果不满足需求，则进行参数调整。对于其它两个子模型也是如此。

(5)将三个子模型进行加权求和，例如，如果三个子模型的准确率相当，则将每一个子模型的权重设置为三分之一。

本发明提供的年龄段识别方法，采集脉博波信号，采用小波对脉搏波信号进行去噪处理，并对去噪后的脉搏波信号进行特征提取，将得到的脉搏波特征向量输入至年龄段识别模型，得到对应的年龄段。本发明提供的年龄段识别方法采用脉搏波信号进行年龄段识别，而非采用人脸图像进行年龄段识别，不受应用场景中很多因素的影响，例如，姿态、光照、表情、遮挡等，因此可以提高年龄段识别的准确性。

第二方面，本发明提供一种年龄段识别装置，如图4所示，该装置100包括：

信号采集模块110，用于采集用户在预设时间段内的脉搏波信号；

去噪处理模块120，用于采用多个小波对所述脉搏波信号进行去噪处理，所述多个小波的层数各不相同；

特征提取模块130，用于对采用所述多个小波去噪后得到的脉搏波信号分别进行特征提取，得到与所述多个小波一一对应的多个脉搏波特征向量；

年龄段识别模块140，用于将所述多个脉搏波特征向量输入至预先训练的年龄段识别模型中，得到所述用户对应的年龄段。

在一些实施例中，所述特征提取模块可以包括：

周期确定单元，用于确定所述脉搏波信号中的波峰或者波谷，并根据所述波峰或所述波谷，确定所述脉搏波信号中所有信号周期的起点和终点；

特征确定单元，用于确定每一个所述信号周期中的所有极值点，并根据所述所有极值点，确定每一个所述信号周期对应的多个预设特征值；

均值计算单元，用于根据所述脉搏波信号中所有信号周期内的所述多个预设特征值，计算多个预设特征均值，并将所述多个预设特征均值作为一个脉搏波特征向量。

可理解的是，第二方面提供的装置中的有关内容的解释、举例、具体实施方式、有益效果等可以参见上述第一方面中的相应部分，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.一种年龄段识别方法，其特征在于，包括：

采集用户在预设时间段内的脉搏波信号；

采用多个小波对所述脉搏波信号进行去噪处理，所述多个小波的层数各不相同；

对采用所述多个小波去噪后得到的脉搏波信号分别进行特征提取，得到与所述多个小波一一对应的多个脉搏波特征向量；

将所述多个脉搏波特征向量输入至预先训练的年龄段识别模型中，得到所述用户对应的年龄段；

对采用每一个小波去噪后得到的脉搏波信号进行特征提取的过程，包括：

确定所述脉搏波信号中的波峰或者波谷，并根据所述波峰或所述波谷，确定所述脉搏波信号中所有信号周期的起点和终点；

确定每一个所述信号周期中的所有极值点，并根据所述所有极值点，确定每一个所述信号周期对应的多个预设特征值；

根据所述脉搏波信号中所有信号周期内的所述多个预设特征值，计算多个预设特征均值，并将所述多个预设特征均值作为一个脉搏波特征向量；

确定所述脉搏波信号中的波峰，包括：将所述脉搏波信号输入至预设波峰寻找函数中，得到所述脉搏波信号中所有波峰的所在位置；

或者，确定所述脉搏波信号中的波谷，包括：将所述脉搏波信号进行正负倒置，将正负倒置后的脉搏波信号输入至预设波峰寻找函数中，得到所述脉搏波信号中所有波谷的所在位置；

对采用每一个小波去噪后得到的脉搏波信号进行特征提取的过程，还包括：

针对每一个脉搏波特征向量，确定第一最大值和第二最大值；所述第一最大值为所述多个幅值特征均值中的最大值，所述第二最大值为所述多个时间特征均值中的最大值；

将所述多个幅值特征均值分别除以所述第一最大值，得到归一化后的多个幅值特征均值，并将所述多个时间特征均值分别除以所述第二最大值，得到归一化后的多个时间特征均值。

2.根据权利要求1所述的方法，其特征在于，每一个脉搏波特征向量中的所述多个预设特征均值包括：多个幅值特征均值以及与所述多个幅值特征均值一一对应的多个时间特征均值。

3.根据权利要求2所述的方法，其特征在于，

每一个所述信号周期中包括依次形成的起点、第一极大值、第一极小值、第二极大值、第二极小值、第三极大值和终点；

对应的，所述多个幅值特征均值包括：所述第一极大值的幅值均值、所述第一极小值的幅值均值、所述第二极大值的幅值均值、所述第二极小值的幅值均值以及所述第三极大值和所述第二极小值的幅值之差的均值；所述多个时间特征均值包括：所述第一极大值与所述起点之间的第一时长均值、所述第一极小值与所述起点之间的第二时长均值、所述第二极大值与所述起点之间的第三时长均值、所述第二极小值与所述起点之间的第四时长均值以及所述终点与所述第二极小值之间的第五时长均值。

4.根据权利要求3所述的方法，其特征在于，所述年龄段识别模型的预先训练过程包括：

确定多个样本集，所述多个样本集与所述多个小波一一对应，每一个样本集中包括多个各种年龄段的人的脉搏波信号在对应小波去噪后并进行特征提取得到的脉搏波特征向量；

根据每一个所述样本集，训练对应的年龄段识别子模型，并对所述年龄段识别子模型进行测试；

在测试结束后，将训练得到的多个所述年龄段识别子模型进行加权求和，得到所述年龄段识别模型。

5.根据权利要求4所述的方法，其特征在于，所述训练对应的年龄段识别子模型，包括：

采用支持向量机训练器对所述年龄段识别子模型进行训练；其中，所述支持向量机训练器采用多项式核函数进行训练，并采用交叉验证的方式确定所述多项式核函数中的最佳预设参数。

6.一种年龄段识别装置，用于实施如权利要求1-5任一所述方法，其特征在于，包括：

信号采集模块，用于采集用户在预设时间段内的脉搏波信号；

去噪处理模块，用于采用多个小波对所述脉搏波信号进行去噪处理，所述多个小波的层数各不相同；

特征提取模块，用于对采用所述多个小波去噪后得到的脉搏波信号分别进行特征提取，得到与所述多个小波一一对应的多个脉搏波特征向量；

年龄段识别模块，用于将所述多个脉搏波特征向量输入至预先训练的年龄段识别模型中，得到所述用户对应的年龄段。

7.根据权利要求6所述的装置，其特征在于，所述特征提取模块包括：

周期确定单元，用于确定所述脉搏波信号中的波峰或者波谷，并根据所述波峰或所述波谷，确定所述脉搏波信号中所有信号周期的起点和终点；

特征确定单元，用于确定每一个所述信号周期中的所有极值点，并根据所述所有极值点，确定每一个所述信号周期对应的多个预设特征值；

均值计算单元，用于根据所述脉搏波信号中所有信号周期内的所述多个预设特征值，计算多个预设特征均值，并将所述多个预设特征均值作为一个脉搏波特征向量。