CN114036483A - 基于生物雷达探测心跳信号的身份认证方法及装置 - Google Patents
基于生物雷达探测心跳信号的身份认证方法及装置 Download PDFInfo
- Publication number
- CN114036483A CN114036483A CN202111411495.3A CN202111411495A CN114036483A CN 114036483 A CN114036483 A CN 114036483A CN 202111411495 A CN202111411495 A CN 202111411495A CN 114036483 A CN114036483 A CN 114036483A
- Authority
- CN
- China
- Prior art keywords
- identity
- dipole
- heartbeat signal
- user
- identified
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- G06F21/44—Program or device authentication
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开实施例公开了一种基于生物雷达探测心跳信号的身份认证方法及装置,其中方法包括:获取待识别对象的生物雷达心跳信号;将所述生物雷达心跳信号切分,得到心跳信号片段;将所述心跳信号片段输入训练好的偶极子神经网络模型,提取待识别身份特征;根据提取的待识别身份特征与已知身份的偶极子的关系,进行身份认证。本公开实施例能够无接触实现身份认证。
Description
技术领域
本公开涉及安全认证技术领域,具体涉及一种基于生物雷达探测心跳信号的身份认证方法及装置。
背景技术
本公开对于背景技术的描述属于与本公开相关的相关技术,仅仅是用于说明和便于理解本公开的公开内容,不应理解为公开人明确认为或推定公开人认为是本公开在首次提出公开的公开日的现有技术。
安全认证包括生物特征识别认证,生物特征描述了人类特有的特征,可用于自动和明确地识别一个用户的身份。例如,指纹识别传感器被广泛应用于身份认证。
相关生物特征认证在获取用户信息时,用户必须与测量设备直接接触或极近的距离。即使不考虑易攻击性,这种限制在实际应用中也大大损害了设备的可用性。并且这种弱密码机制容易遭受黑客攻击、密码盗窃等,还有用户粗心等原因也容易导致系统认证错误。
发明内容
本公开实施例提供了一种基于生物雷达探测心跳信号的身份认证方法及装置,能够无接触地进行身份识别。
第一方面,本公开实施例提供了一种基于生物雷达探测心跳信号的身份认证方法,包括:
获取待识别对象的生物雷达心跳信号;
将所述生物雷达心跳信号切分,得到心跳信号片段;
将所述心跳信号片段输入训练好的偶极子神经网络模型,提取待识别身份特征;
根据提取的待识别身份特征与用户偶极子的关系,进行身份认证。
可选实施例中,根据提取的待识别身份特征与用户偶极子的关系,进行身份认证,包括:
当提取的待识别身份特征与用户偶极子的距离在身份辨别阈值内时,确定待识别对象身份认证通过;
当提取的待识别身份特征与用户偶极子的距离超过身份辨别阈值时,确定待识别对象身份认证不通过。
可选实施例中,获取待识别对象的生物雷达心跳信号,包括:
获取待识别对象的生物雷达反射信号;
对所述生物雷达反射信号过滤,得到滤波信号;
对所述滤波信号进行解调,获得所述生物雷达心跳信号。
可选实施例中,将所述生物雷达心跳信号切分,得到心跳信号片段,包括:
将所述生物雷达心跳信号切分为2s-5s的心跳信号片段。
可选实施例中,所述方法还包括:将已知身份的心跳信号片段输入偶极子神经网络模型,对所述偶极子神经网络模型进行训练,得到训练好的偶极子神经网络模型。
可选实施例中,对所述偶极子神经网络模型进行训练,包括:
基于已知身份的心跳信号片段,提取对应的用户身份特征;
生成用户偶极子,所述用户偶极子中的正极子排斥对应的用户身份特征,所述用户偶极子中的负极子吸引对应的用户身份特征。
可选实施例中,对所述偶极子神经网络模型进行训练,还包括:
设定身份辨别阈值,所述身份辨别阈值为身份特征与对应的用户偶极子的距离的临界值。
可选实施例中,设定身份辨别阈值,包括:
用包括已知身份的心跳信号片段和未知身份的心跳信号片段对偶极子神经网络模型进行验证;
获取身份特征距离负极子的距离;
将置信度为99%的距离设置为身份辨别阈值。
第二方面,本公开实施例提供了一种基于生物雷达探测心跳信号的身份认证装置,包括:
信息获取单元,其用于获取待识别对象的生物雷达心跳信号;
切分单元,其用于将所述生物雷达心跳信号切分,得到心跳信号片段;
提取单元,其用训练好的偶极子神经网络模型对所述心跳信号片段处理,提取待识别身份特征;
认证单元,其用于根据提取的待识别身份特征与用户偶极子的关系,进行身份认证。
第三方面,本公开实施例提供了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实现上述任一实施例所述的方法。
第四方面,本公开实施例提供了一种电子设备,包括处理器和存储器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一实施例所述的方法。
本公开实施例提供的身份识别方法以心跳信号为基础,然后用训练好的偶极子神经网络模型提取待识别身份特征,根据待识别身份特征与用户偶极子的关系,即可进行身份认证,心跳信号可以通过生物雷达获取,无需指纹等生物信息人工提取,能够实现无接触身份识别,摆脱了繁重的时间耗损以及专业知识的要求,并且待识别对象在生物雷达覆盖范围内,可以持续进行身份识别,能够避免指纹等身份验证方式只能单次识别的问题,提高了安全性。
附图说明
为了更清楚地说明本公开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,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开实施例的基于生物雷达探测心跳信号的身份识别方法的流程示意图;
图2a和图2b分别示出了本公开实施例的方法中偶极子神经网络模型训练和测试时的特征空间的原理示意图。
图3示出本公开实施例的基于生物雷达探测心跳信号的身份识别装置的结构示意图;
图4示出本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开方案,下面将对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本公开的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
如图1所示,本公开实施例一种基于生物雷达探测心跳信号的身份认证方法,包括:
获取待识别对象的生物雷达心跳信号;
将生物雷达心跳信号切分,得到心跳信号片段;
将心跳信号片段输入训练好的偶极子神经网络模型,提取待识别身份特征;
根据提取的待识别身份特征与用户偶极子的关系,进行身份认证。
本公开实施例提供的身份识别方法以心跳信号为基础,然后用训练好的偶极子神经网络模型提取待识别身份特征,根据待识别身份特征与用户偶极子的关系,即可进行身份认证,心跳信号可以通过生物雷达获取,无需指纹等生物信息人工提取,能够实现无接触身份识别,摆脱了繁重的时间耗损以及专业知识的要求,并且待识别对象在生物雷达覆盖范围内,可以持续进行身份识别,能够避免指纹等身份验证方式只能单次识别的问题,提高了安全性。
一些实施例中,获取待识别对象的生物雷达心跳信号,包括:
获取待识别对象的生物雷达反射信号;
对生物雷达反射信号过滤,得到滤波信号;
对滤波信号进行解调,获得生物雷达心跳信号。
本公开实施例中,通过生物雷达向待识别对象发射低功率无线电信号,待识别对象能够对该低功率无线电信号反射,接收待识别对象反射的低功率无线电信号,即获得待识别对象的生物雷达反射信号。对生物雷达反射信号进行过滤,得到滤波信号。对生物雷达反射信号进行过滤,滤除干扰信号。反射信号中不仅包含心跳信号,还包括周围的环境信息,还包含着由用户呼吸和心跳运动引起的一些生理参数信息。例如,通过带通滤波器即可对接收到的生物雷达反射信号进行过滤,滤除包括噪声和呼吸相关的干扰信号。干扰信号具体可以包括高斯噪声信号,呼吸波形信号,工频干扰信号等。
本公开实施例中,基于生物雷达发射信号和接收的反射信号可以判断是否存在待识别对象,若不存在待识别对象,则继续发射信号和接收发射信号,若存在待识别对象,对生物雷达反射信号过滤,得到滤波信号。示例性实施例中,对生物雷达反射信号过滤,得到滤波信号,包括:对生物雷达反射信号进行高通滤波,对高通滤波后的生物雷达反射信号进行快速傅里叶变换(fast Fourier transform,简称FFT变换)获得第一频谱数据,即获得滤波信号。对滤波信号进行解调,获得生物雷达心跳信号。判断第一频谱数据中最大幅度值点对应的频率是否在预设的心跳频率范围内,若最大幅度值点对应的频率在预设的心跳频率范围内,且最大幅度值点对应的频率的3倍频处和/或3倍频附近存在幅度极大值点,则将最大幅度值点对应的频率作为待识别对象的心跳主频,以此作为待识别对象的生物雷达心跳信号。
一些实施例中,根据提取的待识别身份特征与用户偶极子的关系,进行身份认证,包括:
当提取的待识别身份特征与用户偶极子的距离在身份辨别阈值内时,确定待识别对象身份认证通过;
当提取的待识别身份特征与用户偶极子的距离超过身份辨别阈值时,确定待识别对象身份认证不通过。
本公开实施例中,身份特征与对应的用户偶极子存在特定关系,如果待识别用户的待识别身份特征与存储的用户偶极子相匹配,则可判断该待识别用户为已存储的用户,身份认证通过,否则,身份认证不通过。即待识别用户的待识别身份特征与存储的所有用户偶极子均不相匹配时,则可判断该待识别用户为未知,身份认证不通过。示例性实施例中,通过提取的待识别身份特征与用户偶极子的距离是否在身份辨别阈值范围内,进行身份认证。
一些实施例中,将生物雷达心跳信号切分,得到心跳信号片段,包括:将生物雷达心跳信号切分为2s-5s的心跳信号片段。
本公开实施例中,心跳信号片段越长,包含的待识别对象的心拍个数越多,也就蕴藏着更多关于用户的身份信息,可以借此增强身份认证的准确率。另一方面,当片段太长时,作为神经网络的输入,使得神经网络的参数变多,从而增加了神经网络的训练时间以及训练难度,并且损害了方法的实时性应用。因此,在切分心跳信号片段时,必须在方法的准确性和实时性之间进行平衡。本公开实施例中,将生物雷达心跳信号切分成2秒到5秒钟的心跳信号片段,不仅可以保证了准确性,而且可以实现实时认证。具体实施中,可以选取5s时长的心跳信号片段作为神经网络的输入。
一些实施例中,本公开实施例的方法还包括:将已知身份的心跳信号片段输入偶极子神经网络模型,对偶极子神经网络模型进行训练,得到训练好的偶极子神经网络模型。本公开实施例中,在神经网络模型中引入了偶极子与用户身份特征相匹配,进行身份认证,能够以心跳信号为基础,进行身份认证,实现了无接触的身份认证,并且能够连续进行身份认证,当某些原因,导致认证过的用户离开,有陌生人员占据原用户位置,也能够及时发现,认证不通过,提高了安全性。
一些实施例中,对偶极子神经网络模型进行训练,包括:
基于已知身份的心跳信号片段,提取对应的用户身份特征;
生成用户偶极子,用户偶极子中的正极子排斥对应的用户身份特征,用户偶极子中的负极子吸引对应的用户身份特征。
本公开实施例中,将切分好的已知身份的心跳信号片段输入偶极子神经网路模型,训练偶极子神经网路模型,并提取对应的用户身份特征,以预测对应于每个心跳信号片段的用户的身份。身份认证阶段的生物雷达心跳信号的切分和模型训练阶段的生物雷达心跳信号的切分可采用相同的方式。本公开实施例中,不仅要提取并分辨已知用户的身份特征,而且还要在入侵者未知的情况下拒绝入侵者的访问,因此在训练过程中应尽可能限制未知者的特征空间。
本公开实施例的方法中,偶极子神经网路模型在特征空间中为每一个已知身份的用户设计了偶极子结构。对特定的用户,其偶极子中的附加会吸引其用户身份特征,使其用户身份特征向其负极子靠拢,其正极子会极力地排斥其身份特征,使得用户身份特征在特征空间内远离对应的正极子的同时,不断的靠近对应的负极子,从而正负极子间形成了一种对抗的关系,偶极子神经网路模型训练过程可以如下表示:
其中,fθ是偶极子神经网络的特征提取参数,N是负极子,P是正极子,d(fθ,N,p)代表某一用户的用户身份特征在特征空间中距离其正负极子的距离,d(fθ,N)代表了用户身份特征与负极子之间的距离,d(fθ,p)代表了用户身份特征与正极子间的距离。
通过对抗训练,使得用户身份特征与其对应的负极子之间的距离越小越好,与其对应的正极子之间的距离越大越好。最终对于已知用户,在偶极子神经网络模型的作用下,其用户身份特征分别集中在其对应的负极子周围。同时,由于正极子的对抗作用,不同用户的用户身份特征能够在特征空间中明显的区分开。对于未知的入侵者,由于没有与其身份特征对应的偶极子,偶极子神经网络模型提取的未知身份的身份特征会集中在已知用户偶极子的中心部位。因此,通过身份特征与偶极子的距离即可确定是否有与其对应的偶极子,如果有与待识别身份特征对应的偶极子,则可以确定待识别对象为已知用户,认证通过,如果没有与待识别身份特征对应的偶极子,则可以确定待识别对象为未知用户,认证不通过。
一些实施例中,对偶极子神经网络模型进行训练,还包括:
设定身份辨别阈值,身份辨别阈值为身份特征与对应的用户偶极子的距离的临界值。
本公开实施例中,通过设定身份辨别阈值,来判断身份特征是否与用户偶极子匹配。身份辨别阈值为身份特征与对应的已知用户的偶极子的距离的临界值,当提取的用户身份特征与已知用户的偶极子的距离在身份辨别阈值内时,确定提取的用户身份特征为已知用户身份特征。
一些实施例中,设定身份辨别阈值,包括:
用包括已知身份的心跳信号片段和未知身份的心跳信号片段对偶极子神经网络模型进行验证;
获取身份特征距离负极子的距离;
将置信度为99%的距离设置为身份辨别阈值。
本公开实施例中,身份特征与偶极子之间的距离可以通过L2范数表示。L2=||fθ-N||2代表了偶极子神经网络模型提取的用户身份特征距离其相应的负极子之间的距离。在验证阶段,通过对每一位用户的数据进行统计,将置信度为99%的距离设置为阈值。通过设定每一位用户身份特征在特征空间的阈值,在进行应用时,本公开实施例的方法不仅可以保证已知用户间认证的准确性,同时能够高效地拒绝入侵者的进入,成功实现了无接触式地基于生物雷达心跳信号的开集身份认证。
偶极子神经网络模型的训练集中只有已知身份的用户的心跳信号数据,测试集中除了训练集中已知身份的用户的心跳数据外,还有未知者作为入侵者。训练时,只利用训练集中的数据进行训练,经过偶极子神经网络模型进行训练后,在特征空间每一个用户都可生成其相应的偶极子。
本公开实施例中,将心跳信号片段作为输入信号输入到偶极子神经网络模型中进行训练,将心跳信号映射到特征空间中作为用户的身份特征。待训练稳定后,在特征空间中为每一个用户的身份特征设置基于距离的阈值,此阈值代表了在特征空间中用户身份特征与其相应的偶极子的临界值,通过此临界值来判断用户的身份以及拒绝入侵者的登陆,本公开中称该阈值为身份辨别阈值。
图2a示出了本公开实施例的方法中偶极子神经网络模型训练时的特征空间的原理示意图。参见图2a,图中以三个已知用户为例,黑点,实线圆圈,虚线圆圈分别代表三位已知用户的身份特征。训练时,将包括上述三个用户的雷达生物心跳信号切分,得到各用户的心跳信号片段,这些心跳信号片段作为输入信号输入到偶极子神经网络模型中进行训练,将心跳信号映射到特征空间中作为用户的身份特征,偶极子神经网络模型生成与包括上述三位已知用户的身份特征分别对应的偶极子,其中,黑三角代表与黑点对应的在特征空间的偶极子,实线三角代表与实线圆圈对应的在特征空间的偶极子,虚线三角代表与虚线圆圈对应的在特征空间的偶极子。经过训练以后,在偶极子正负极的作用下,用户的心跳特征分别被吸引在其对应的负极子周围,被排斥于其相应的正极子外。之后,通过身份辨别阈值设定,为每一位用户设置临界值,用于判断用户的身份,通过对每一位用户的数据进行统计,将每个用户身份特征与对应的偶极子的置信度为99%的距离设置为对应用户的身份辨别阈值。图2b示出了本公开实施例的方法中偶极子神经网络模型测试时的特征空间的原理示意图。参见图2b,图中以三个已知用户和一个未知者为例,三个已知用户参见图2a及相关说明,未知者的身份特征以五角星表述,在测试阶段,未知的入侵者其心跳信号经过偶极子神经网络模型提取出身份特征后,由于入侵者在特征空间中没有相应的偶极子,故其特征距离已知用户的偶极子的有一定的距离,通过阈值的判定,可将其判定为未知用户,从而达到拒绝入侵者的效果。
本公开实施例提供了一种基于生物雷达探测心跳信号的身份认证装置,该装置能够实现上述实施例的方法,上述方法实施例可用于理解本公开实施例的状,下述装置的实施例也可以用于理解上述方法实施例。本公开实施例的基于生物雷达探测心跳信号的身份认证装置包括:
信息获取单元,其用于获取待识别对象的生物雷达心跳信号;
切分单元,其用于将生物雷达心跳信号切分,得到心跳信号片段;
提取单元,其用训练好的偶极子神经网络模型对心跳信号片段处理,提取待识别身份特征;
认证单元,其用于根据提取的待识别身份特征与用户偶极子的关系,进行身份认证。
本公开实施例提供的身份识别装置中,信息获取单元获取生物雷达心跳信号,切分单元将生物雷达心跳信号切分得到心跳信号片段,提取单元用训练好的偶极子神经网络模型提取待识别身份特征,认证单元根据待识别身份特征与用户偶极子的关系,即可进行身份认证,心跳信号可以通过生物雷达获取,无需指纹等生物信息人工提取,能够实现无接触身份识别,摆脱了繁重的时间耗损以及专业知识的要求,并且待识别对象在生物雷达覆盖范围内,可以持续进行身份识别,能够避免指纹等身份验证方式只能单次识别的问题,提高了安全性。
一些实施例中,信息获取单元包括:
接收模块,其用于获取待识别对象的生物雷达反射信号;
滤波模块,其用于对生物雷达反射信号过滤,得到滤波信号;
解调模块,其用于对滤波信号进行解调,获得生物雷达心跳信号。
本公开实施例中,信息获取单元还可以包括发射模块,其用于通过生物雷达向待识别对象发射低功率无线电信号,待识别对象能够对该低功率无线电信号反射,接收模块接收待识别对象反射的低功率无线电信号,即获得待识别对象的生物雷达反射信号。滤波模块对生物雷达反射信号进行过滤,得到滤波信号。滤波模块对生物雷达反射信号进行过滤,滤除干扰信号,以得到有效的心跳信号。反射信号中不仅包含心跳信号,还包括周围的环境信息,还包含着由用户呼吸和心跳运动引起的一些生理参数信息。例如,通过带通滤波器即可对接收到的生物雷达反射信号进行过滤,滤除包括噪声和呼吸相关的干扰信号。干扰信号具体可以包括高斯噪声信号,呼吸波形信号,工频干扰信号等。
本公开实施例中,信息获取单元基于生物雷达发射信号和接收的反射信号可以判断是否存在待识别对象,若不存在待识别对象,则继续发射信号和接收发射信号,若存在待识别对象,滤波模块对生物雷达反射信号过滤,得到滤波信号。示例性实施例中,滤波模块对生物雷达反射信号过滤,得到滤波信号,包括:滤波模块对生物雷达反射信号进行高通滤波,对高通滤波后的生物雷达反射信号进行快速傅里叶变换(fast Fourier transform,简称FFT变换)获得第一频谱数据,即获得滤波信号。解调模块对滤波信号进行解调,获得生物雷达心跳信号。判断第一频谱数据中最大幅度值点对应的频率是否在预设的心跳频率范围内,若最大幅度值点对应的频率在预设的心跳频率范围内,且最大幅度值点对应的频率的3倍频处和/或3倍频附近存在幅度极大值点,则将最大幅度值点对应的频率作为待识别对象的心跳主频,以此作为待识别对象的生物雷达心跳信号。
一些实施例中,认证单元根据提取的待识别身份特征与用户偶极子的关系,进行身份认证,包括:
当提取的待识别身份特征与用户偶极子的距离在身份辨别阈值内时,认证单元确定待识别对象身份认证通过;
当提取的待识别身份特征与用户偶极子的距离超过身份辨别阈值时,认证单元确定待识别对象身份认证不通过。
本公开实施例中,身份特征与对应的用户偶极子存在特定关系,如果待识别用户的待识别身份特征与存储的用户偶极子相匹配,则可判断该待识别用户为已存储的用户,身份认证通过,否则,身份认证不通过。即待识别用户的待识别身份特征与存储的所有用户偶极子均不相匹配时,则可判断该待识别用户为未知,身份认证不通过。示例性实施例中,通过提取的待识别身份特征与用户偶极子的距离是否在身份辨别阈值范围内,进行身份认证。
一些实施例中,切分单元将生物雷达心跳信号切分,得到心跳信号片段,包括:切分单元将生物雷达心跳信号切分为2s-5s的心跳信号片段。
本公开实施例中,切分单元切分的心跳信号片段越长,包含的待识别对象的心拍个数越多,也就蕴藏着更多关于用户的身份信息,可以借此增强身份认证的准确率。另一方面,当片段太长时,作为神经网络的输入,使得神经网络的参数变多,从而增加了神经网络的训练时间以及训练难度,并且损害了方法的实时性应用。因此,在切分心跳信号片段时,必须在方法的准确性和实时性之间进行平衡。本公开实施例中,将生物雷达心跳信号切分成2秒到5秒钟的心跳信号片段,不仅可以保证了准确性,而且可以实现实时认证。具体实施中,可以选取5s时长的心跳信号片段作为神经网络的输入。
一些实施例中,本公开实施例的装置还包括:训练单元,其用于将已知身份的心跳信号片段输入偶极子神经网络模型,对偶极子神经网络模型进行训练,得到训练好的偶极子神经网络模型。本公开实施例中,在神经网络模型中引入了偶极子与用户身份特征相匹配,进行身份认证,能够以心跳信号为基础,进行身份认证,实现了无接触的身份认证,并且能够连续进行身份认证,当某些原因,导致认证过的用户离开,有陌生人员占据原用户位置,也能够及时发现,认证不通过,提高了安全性。训练单元和提取单元也可以是同一单元,该单元内的神经网络模型未训练好之前,为训练单元,训练好之后即为提取单元。
一些实施例中,训练单元对偶极子神经网络模型进行训练,包括:
基于已知身份的心跳信号片段,提取对应的用户身份特征;
生成用户偶极子,用户偶极子中的正极子排斥对应的用户身份特征,用户偶极子中的负极子吸引对应的用户身份特征。
本公开实施例中,将切分好的已知身份的心跳信号片段输入偶极子神经网路模型,训练偶极子神经网路模型,并提取对应的用户身份特征,以预测对应于每个心跳信号片段的用户的身份。身份认证阶段的生物雷达心跳信号的切分和模型训练阶段的生物雷达心跳信号的切分可采用相同的方式。本公开实施例中,不仅要提取并分辨已知用户的身份特征,而且还要在入侵者未知的情况下拒绝入侵者的访问,因此在训练过程中应尽可能限制未知者的特征空间。
本公开实施例的方法中,偶极子神经网路模型在特征空间中为每一个已知身份的用户设计了偶极子结构。对特定的用户,其偶极子中的附加会吸引其用户身份特征,使其用户身份特征向其负极子靠拢,其正极子会极力地排斥其身份特征,使得用户身份特征在特征空间内远离对应的正极子的同时,不断的靠近对应的负极子,从而正负极子间形成了一种对抗的关系,偶极子神经网路模型训练过程可以如下表示:
其中,是偶极子神经网络的特征提取参数,N是负极子,P是正极子,代表某一用户的用户身份特征在特征空间中距离其正负极子的距离,代表了用户身份特征与负极子之间的距离,代表了用户身份特征与正极子间的距离。
通过对抗训练,使得用户身份特征与其对应的负极子之间的距离越小越好,与其对应的正极子之间的距离越大越好。最终对于已知用户,在偶极子神经网络模型的作用下,其用户身份特征分别集中在其对应的负极子周围。同时,由于正极子的对抗作用,不同用户的用户身份特征能够在特征空间中明显的区分开。对于未知的入侵者,由于没有与其身份特征对应的偶极子,偶极子神经网络模型提取的未知身份的身份特征会集中在已知用户偶极子的中心部位。因此,通过身份特征与偶极子的距离即可确定是否有与其对应的偶极子,如果有与待识别身份特征对应的偶极子,则可以确定待识别对象为已知用户,认证通过,如果没有与待识别身份特征对应的偶极子,则可以确定待识别对象为未知用户,认证不通过。
一些实施例中,对偶极子神经网络模型进行训练,还包括:
设定身份辨别阈值,身份辨别阈值为身份特征与对应的用户偶极子的距离的临界值。
本公开实施例中,通过设定身份辨别阈值,来判断身份特征是否与用户偶极子匹配。身份辨别阈值为身份特征与对应的已知用户的偶极子的距离的临界值,当提取的用户身份特征与已知用户的偶极子的距离在身份辨别阈值内时,确定提取的用户身份特征为已知用户身份特征。
一些实施例中,设定身份辨别阈值,包括:
用包括已知身份的心跳信号片段和未知身份的心跳信号片段对偶极子神经网络模型进行验证;
获取身份特征距离负极子的距离;
将置信度为99%的距离设置为身份辨别阈值。
代表了偶极子神经网络模型提取的用户身份特征距离其相应的负极子之间的距离。在验证阶段,通过对每一位用户的数据进行统计,将置信度为99%的距离设置为阈值。通过设定每一位用户身份特征在特征空间的阈值,在进行应用时,本公开实施例的方法不仅可以保证已知用户间认证的准确性,同时能够高效地拒绝入侵者的进入,成功实现了无接触式地基于生物雷达心跳信号的开集身份认证。
本公开实施例还提供了一种电子设备,包括处理器和存储器;存储器存储有可在处理器上运行的计算机程序,处理器执行该计算机程序时实现上述任一实施例的方法。
请参见图4,为本公开实施例提供了一种电子设备的结构示意图。如图4所示,电子设备600可以包括:至少一个处理器601,至少一个网络接口604,用户接口603,存储器605,至少一个通信总线602。
其中,通信总线602用于实现这些组件之间的连接通信。
其中,用户接口603可以包括显示屏(Display)、摄像头(Camera),一些用户接口603还可以包括标准的有线接口、无线接口。
其中,网络接口604一些的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器601可以包括一个或者多个处理核心。处理器601利用各种借口和线路连接整个终端600内的各个部分,通过运行或执行存储在存储器605内的指令、程序、代码集或指令集,以及调用存储在存储器605内的数据,执行终端600的各种功能和处理数据。一些的,处理器601可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器601可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器601中,单独通过一块芯片进行实现。
其中,存储器605可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。一些的,该存储器605包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605一些的还可以是至少一个位于远离前述处理器601的存储装置。如图4所示,作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图4所示的电子设备600中,用户接口603主要用于为用户提供输入的接口,获取用户输入的数据;而处理器601可以用于调用存储器605中存储的应用程序,并具体执行上述任一方法实施例的步骤。
本公开还提供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实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
本公开实施例还提供一种计算机程序产品,该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质,该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种电子设备控制方法的部分或全部步骤。
本领域的技术人员可以清楚地了解到本公开的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammaBLE GateArray,FPGA)、集成电路(Integrated Circuit,IC)等。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本公开所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元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单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本公开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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本公开各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种基于生物雷达探测心跳信号的身份认证方法,其特征在于,包括:
获取待识别对象的生物雷达心跳信号;
将所述生物雷达心跳信号切分,得到心跳信号片段;
将所述心跳信号片段输入训练好的偶极子神经网络模型,提取待识别身份特征;
根据提取的待识别身份特征与用户偶极子的关系,进行身份认证。
2.根据权利要求1所述的方法,其中,根据提取的待识别身份特征与用户偶极子的关系,进行身份认证,包括:
当提取的待识别身份特征与用户偶极子的距离在身份辨别阈值内时,确定待识别对象身份认证通过;
当提取的待识别身份特征与用户偶极子的距离超过身份辨别阈值时,确定待识别对象身份认证不通过。
3.根据权利要求1所述的方法,其中,获取待识别对象的生物雷达心跳信号,包括:
获取待识别对象的生物雷达反射信号;
对所述生物雷达反射信号过滤,得到滤波信号;
对所述滤波信号进行解调,获得所述生物雷达心跳信号。
4.根据权利要求1所述的方法,其中,将所述生物雷达心跳信号切分,得到心跳信号片段,包括:
将所述生物雷达心跳信号切分为2s-5s的心跳信号片段。
5.根据权利要求1所述的方法,其中,所述方法还包括:将已知身份的心跳信号片段输入偶极子神经网络模型,对所述偶极子神经网络模型进行训练,得到训练好的偶极子神经网络模型。
6.根据权利要求5所述的方法,其中,对所述偶极子神经网络模型进行训练,包括:
基于已知身份的心跳信号片段,提取对应的用户身份特征;
生成用户偶极子,所述用户偶极子中的正极子排斥对应的用户身份特征,所述用户偶极子中的负极子吸引对应的用户身份特征。
7.根据权利要求6所述的方法,其中,对所述偶极子神经网络模型进行训练,还包括:
设定身份辨别阈值,所述身份辨别阈值为身份特征与对应的用户偶极子的距离的临界值。
8.根据权利要求7所述的方法,其中,设定身份辨别阈值,包括:
用包括已知身份的心跳信号片段和未知身份的心跳信号片段对偶极子神经网络模型进行验证;
获取身份特征距离负极子的距离;
将置信度为99%的距离设置为身份辨别阈值。
9.一种基于生物雷达探测心跳信号的身份认证装置,包括:
信息获取单元,其用于获取待识别对象的生物雷达心跳信号;
切分单元,其用于将所述生物雷达心跳信号切分,得到心跳信号片段;
提取单元,其用训练好的偶极子神经网络模型对所述心跳信号片段处理,提取待识别身份特征;
认证单元,其用于根据提取的待识别身份特征与用户偶极子的关系,进行身份认证。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111411495.3A CN114036483A (zh) | 2021-11-25 | 2021-11-25 | 基于生物雷达探测心跳信号的身份认证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111411495.3A CN114036483A (zh) | 2021-11-25 | 2021-11-25 | 基于生物雷达探测心跳信号的身份认证方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036483A true CN114036483A (zh) | 2022-02-11 |
Family
ID=80138765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111411495.3A Pending CN114036483A (zh) | 2021-11-25 | 2021-11-25 | 基于生物雷达探测心跳信号的身份认证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036483A (zh) |
-
2021
- 2021-11-25 CN CN202111411495.3A patent/CN114036483A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6553976B2 (ja) | 認証装置及び認証方法並びに記録媒体 | |
CN107437074B (zh) | 一种身份认证方法和装置 | |
AU2015244258B2 (en) | Bio leash for user authentication | |
KR102367481B1 (ko) | 생체 인증 장치 및 방법 | |
KR20180022019A (ko) | 라이브니스 검사 방법 및 장치 | |
CN102222199B (zh) | 应用程序身份识别方法及系统 | |
CN110287918B (zh) | 活体识别方法及相关产品 | |
CN105160739B (zh) | 自动识别设备、方法以及门禁系统 | |
CN107577930B (zh) | 一种触屏终端的解锁检测方法及触屏终端 | |
US20140115682A1 (en) | User Verification Processing Method, User Equipment, and Server | |
JP6529369B2 (ja) | 心電図信号を用いたユーザ認証方法と認証装置及びその登録装置 | |
Raja et al. | Smartphone authentication system using periocular biometrics | |
CN103761465A (zh) | 一种身份验证的方法及装置 | |
JP2012176106A (ja) | 認証装置及び認証方法、電子機器、並びにコンピューター・プロクラム | |
CN104036254A (zh) | 一种人脸识别方法 | |
Kurkovsky et al. | Experiments with simple iris recognition for mobile phones | |
CN107908940B (zh) | 一种指纹识别的方法及终端设备 | |
Raghavendra et al. | Exploring dorsal finger vein pattern for robust person recognition | |
CN108154031A (zh) | 伪装应用程序的识别方法、装置、存储介质和电子装置 | |
EP2148302A1 (en) | Vein pattern management system, vein pattern registration device, vein pattern authentication device, vein pattern registration method, vein pattern authentication method, program, and vein data structure | |
CN107517298B (zh) | 解锁方法及相关产品 | |
EP2148296A1 (en) | Vein pattern management system, vein pattern registration device, vein pattern authentication device, vein pattern registration method, vein pattern authentication method, program, and vein data structure | |
CN114036483A (zh) | 基于生物雷达探测心跳信号的身份认证方法及装置 | |
Garg et al. | Biometric authentication using soft biometric traits | |
KR101037759B1 (ko) | 활성형상모델과 가버 특징 벡터를 이용한 얼굴 인식 방법 |
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 |