CN114638272A - 一种基于指尖脉搏波信号的身份识别方法和装置 - Google Patents

Abstract

本发明涉及非接触式生理信号检测领域，尤其涉及一种基于指尖脉搏波信号的身份识别方法和装置，该方法包括：步骤一，利用血氧仪采集人体指尖的脉搏波信号；步骤二，将采集到的脉搏波信号进行滤波、峰值检测、信号截取对齐以及计算导数并归一标准化的处理，同时保存对应的个人身份标识号；步骤三，重复步骤一至步骤二，将步骤二中得到的信号数据保存为数据集；步骤四，将数据集输入特征提取网络进行特征提取，后输入分类网络训练，训练完成后保存训练好的网络参数，得到训练好的身份识别模型；步骤五，利用训练好的身份识别模型，对输入的脉搏波信号进行识别，预测出对应身份。本发明相比现有的其他方法，具有更高的识别准确率的优点。

Description

一种基于指尖脉搏波信号的身份识别方法和装置

技术领域

本发明涉及非接触式生理信号检测领域，尤其涉及一种基于指尖脉搏波信号的身份识别方法和装置。

背景技术

光电容积脉搏波信号是由于血液和其他组织成分对不同频段的光吸收程度不同，且血液本身在血管中的血液容积量会随着心脏的搏动而发生变化，因此在心脏收缩和舒张的过程中，血液对光的吸收量也会随心脏收缩呈现出周期性的脉搏波动，这种波动反应在传感器所接受到的信号变化即为PPG信号。

PPG信号反映了一个人的心脏搏动情况与血管健康。理论上，每个人的PPG信号都是不一样的。对于同一个人来说，身体处于不同状态的时候PPG信号有时会出现不一样的形式，例如饥饿时，PPG会明显减弱，但是，总有一些特征是保持不变的；人类指尖的具有丰富的毛细血管，所以通过指尖来采集PPG会更加容易且准确。

传统的特征提取方法依据经验对PPG信号的波形以及频域特征进行提取，可以提取的特征有限；目前，利用深度学习的方式进行脉搏波特征提取逐渐受到了关注，深度学习通过不断的迭代学习到人类很难手工提取的有效深度特征并利用这些特征进行生物识别；但是，一般的训练方式在生物识别任务中很难达到满意的精度指标，容易出现过拟合的问题；而且，PPG信号获取的成本较大，且容易出现类别不平衡问题，为识别造成更大的困难。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种基于指尖脉搏波信号的身份识别方法和装置，其具体技术方案如下：

一种基于指尖脉搏波信号的身份识别方法，包括以下步骤：

步骤一，利用血氧仪采集人体指尖的脉搏波信号；

步骤二，将采集到的脉搏波信号进行滤波、峰值检测、信号截取对齐以及计算导数并归一标准化的处理，同时保存对应的个人身份标识号；

步骤三，重复步骤一至步骤二，将步骤二中得到的信号数据保存为数据集；

步骤四，将数据集输入特征提取网络进行特征提取，后输入分类网络训练，训练完成后保存训练好的网络参数，得到训练好的身份识别模型；

步骤五，利用训练好的身份识别模型，对输入的脉搏波信号进行识别，预测出对应身份。

进一步地，所述步骤二具体包括以下子步骤：

步骤2.1 ，对采集到的脉搏波信号利用巴特沃斯带通滤波器进行滤波，得到滤波后的信号；

步骤2.2 ，利用三层人工神经网络ANN对滤波后的信号进行峰值检测，输出结果分为五类，分别为峰值点、峰谷点、重搏波峰值点、重搏波峰谷点以及非极值点；

步骤2.3 ，保存峰值点、峰谷点、重搏波峰值点、重搏波峰谷点坐标位置及所对应的脉搏波类别；

步骤2.4 ，在脉搏波信号及其一阶导数和二阶导数上分别设置滑动窗口，利用滑动窗口得到峰值对齐的脉搏波片段；

步骤2.5，对所述脉搏波片段进行求导，得到脉搏波片段的一阶导数与二阶导数；

步骤2.6，对脉搏波片段及其一阶导数、二阶导数进行归一化与标准化计算，并保存对应身份标识号。

进一步地，所述步骤2.4中的滑动窗口的具体设置为：

窗口大小window_size和步长window_step分别以峰值点个数为计量单位，window_size的范围是（m,m+10），window_step的范围是（n,n+5）；window_step根据每个类别数据量进行动态调整，具体调整如下公式：

公式中，c_class为当前类别脉搏波信号的数据量，max_class为最大类别对应的脉搏波信号数据量。

进一步地，所述步骤四具体包括以下子步骤：

步骤4.1，输入采集的脉搏波信号数据集至特征提取网络，在特征提取网络中，利用三个一维ResNet18网络来提取脉搏波片段及其一阶导数、二阶导数的特征，在得到三组特征后，将三组特征串联得到新的特征向量，再通过空间金字塔池化结构模块将新的特征向量处理成同一长度，之后输入分类网络；

步骤4.2，在分类网络中，使用交替训练的方式，经迭代训练后，得到损失函数收敛的分类网络，输出分类结果；

步骤4.3，保存训练后收敛的网络参数，得到训练好的身份识别模型。

进一步地，所述步骤4.2具体为：在分类网络中，以E个训练周期为单位来交替利用交叉熵损失函数以及Pair_loss损失函数来训练，即进行E次迭代训练，在每次交替次数结束后，采用对测试的数据集中所有类别进行散度计算以及类间距离计算来评估训练性能，当性能不符合指标，则继续进行交替训练，直到指标达到规定数值后则停止训练。

进一步地，所述Pair_loss损失函数的具体表达由下式所示；

公式中，feature1、feature2为输出特征，label1和label2为两类标签， dist()为欧式距离计算函数，m为欧式距离阈值。

进一步地，所述步骤五具体为：

在注册阶段，使用训练好的身份识别模型，当有新用户进行注册时，将新用户的脉搏波信号作为输入送入训练好的身份识别模型的特征提取网络中，得到对应的特征向量并保存至特征库；

在检索阶段，将要检索的脉搏波信号输入至特征提取网络得到特征向量，之后计算特征库中其与所有特征向量的相似度，找到相似度最高的特征向量，其对应身份标识号即为预测的身份标识号。

一种基于指尖脉搏波信号的身份识别装置，包括一个或多个处理器，用于实现所述的基于指尖脉搏波信号的身份识别方法。

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的基于指尖脉搏波信号的身份识别方法。

本发明的优点：

本发明在数据预处理阶段考虑到信号的多尺度特性并使用不同的窗口大小，步长的滑窗进行分片段操作，这不仅保证了输入样本的多样性也确保了在类别不平衡时所带来的问题；

在特征提取网络中，本发明使用SPP模块将不等长的输出特征向量转换为一致的维度，此外，本发明以生物识别任务为原则创新的提出了交替训练方法；为保证算法性能，在每次训练结束后评估训练性能并根据评估出的性能动态的调整Pair_loss损失函数的权重。

附图说明

图1是本发明的一种基于指尖脉搏波信号的身份识别方法的流程图；

图2是本发明的特征提取网络与分类网络的结构示意图；

图3是本发明的SPP模块处理流程示意图；

图4是本发明的分类网络训练流程示意图；

图5是本发明的一种基于指尖脉搏波信号的生物识别装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。

如图1所示，一种基于指尖脉搏波信号的身份识别方法，包括以下步骤：

步骤一，利用血氧仪采集人体指尖脉搏波信号；

血氧仪的采集频率为M赫兹，采集时长为T秒，每段信号共有M × T个数据点。

步骤二，将采集到的脉搏波信号进行滤波、峰值检测、信号截取对齐以及计算导数并归一标准化的处理，同时保存对应的个人身份标识号，即身份ID，具体包括以下子步骤：

步骤2.1 ，对采集到的指尖脉搏波信号PPG利用巴特沃斯带通滤波器进行滤波，得到滤波后的信号filt_PPG；本实施例中，滤波器的带通范围设置为[0.5,4]Hz；

步骤2.2 ，利用三层人工神经网络ANN对滤波后的信号filt_PPG进行峰值检测，输出结果分为五类，分别为峰值点、峰谷点、重搏波峰值点、重搏波峰谷点以及非极值点；

步骤2.3 ，保存峰值点、峰谷点、重搏波峰值点、重搏波峰谷点坐标位置及对应类别，所述对应类别是指所对应的脉搏波类别。

步骤2.4 ，在脉搏波信号PPG及其一阶导数和二阶导数上分别设置滑动窗口，利用滑动窗口得到峰值对齐的脉搏波片段PPG_slice；

其中窗口大小window_size和步长window_step分别以峰值点个数为计量单位，window_size的范围是（m,m+10），window_step的范围是（n,n+5）；window_step根据每个类别数据量进行动态调整，具体调整如下公式：

公式中，c_class为当前类别脉搏波信号PPG的数据量，max_class为最大类别对应的脉搏波信号PPG数据量；公式可以解释为：如果数据量多，那么步长则大，采样的数据量更小；反之则缩小步长，采集更多的片段来避免样本不平衡；

步骤2.5，对所述脉搏波片段PPG_slice进行求导，得到脉搏波片段的一阶导数PPG_slice’与二阶导数PPG_slice”；

步骤2.6，对脉搏波片段PPG_slice及其一阶导数PPG_slice’、二阶导数PPG_slice”进行归一化与标准化计算，并保存对应身份标识号。

步骤三，重复步骤一至步骤二，将步骤二中得到的信号数据保存为数据集，数据集中分别为脉搏波信号PPG及其一阶导数PPG’、二阶导数PPG”以及身份ID；

步骤四，将数据集输入特征提取网络进行特征提取，后输入分类网络训练，训练完成后保存训练好的网络参数，得到训练好的身份识别模型，具体包括以下子步骤：

步骤4.1，如图2所示，输入采集的脉搏波信号PPG数据集至特征提取网络，在特征提取网络中，利用三个一维ResNet18网络来提取脉搏波片段PPG_slice及其一阶导数、二阶导数的特征，在得到三组特征后，将三组特征串联得到一个新的特征向量；由于输入数据集中的脉搏波信号PPG是以极值点的个数为单位的，以及使用了不同窗口大小的滑窗，这就导致每一次的输入都是不等长的，为保证后续分类网络可以正常进行分类，在特征提取网络和分类网络之间加入一个SPP（空间金字塔池化结构）模块，如图3所示，将不等长的特征向量进行转化，使得每次得到的向量为同一长度；之后将处理后的特征向量送入分类网络进行训练，分类网络由三层全连接层组成；

步骤4.2，在分类网络中，使用交替训练的方式，经迭代训练后，得到损失函数收敛的分类网络，输出分类结果；

交替训练主要是通过不同的损失函数进行；因为分类网络是用于生物识别任务中，在生物识别任务中，主要原则是相同类别在保证最小的距离的同时，类别间的差距要尽可能大；为此，本技术利用两种损失函数，其中一种为交叉熵损失函数，另一种为基于未标记样本集的损失：Pair_loss损失函数；其中，Pair_loss损失函数的具体表达由下式所示：

公式中，feature1、feature2为输出特征，label1和label2为两类标签， dist()为欧式距离计算函数，m为欧式距离阈值；上述公式可以解释为：当为同一类时，计算特征的欧式距离，距离越大则loss函数值越大；当不属于同一类时，则设置距离的阈值，如果距离超过阈值则认为达到了满意的距离，loss为0；反之，则距离没有达到满意的阈值，需要计算两类的距离当做loss；

主要原理为通过随机组合数据集中不同类别的数据，如果两个数据属于同一类别，公式中则利用保持相同类别即类内最小距离的原则；反之，如果两组数据属于不同类，公式中则以类间最大距离为准则来更新网络参数；如图4所示，交替训练以E个训练周期为单位来交替利用交叉熵损失函数以及Pair_loss损失函数来训练，即进行E次迭代训练；在每次交替次数结束后，对测试集中所有类别进行散度计算以及类间距离计算来评估训练性能，当性能不符合指标，则继续进行交替训练，直到指标达到规定数值后则停止训练，即直到损失函数收敛后停止训练；

步骤4.3，保存训练后收敛的网络参数，得到训练好的身份识别模型。

步骤五，利用训练好的身份识别模型，对输入的脉搏波信号进行识别，预测出对应身份。

在注册阶段，使用训练好的身份识别模型，当有新用户进行注册时，将新用户的脉搏波信号PPG作为输入送入训练好的身份识别模型的特征提取网络中，得到对应的特征向量并保存至特征库；

在检索阶段，将要检索的脉搏波信号PPG输入至特征提取网络得到特征向量，之后计算特征库中其与所有特征向量的相似度，找到相似度最高的特征向量，其对应身份标识号即为预测的身份标识号。

如下表1所示，本发明在生物识别中的应用与现有生物识别方法的性能比较，可以看出本发明方法的生物识别具有更高的准确率。

表1：

。

与前述一种基于指尖脉搏波信号的身份识别方法的实施例相对应，本发明还提供了一种基于指尖脉搏波信号的生物识别装置的实施例。

参见图5，本发明实施例提供的一种基于指尖脉搏波信号的生物识别装置，包括一个或多个处理器，用于实现上述实施例中的基于指尖脉搏波信号的身份识别方法。

本发明一种基于指尖脉搏波信号的生物识别装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本发明一种基于指尖脉搏波信号的生物识别装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于指尖脉搏波信号的身份识别方法。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于指尖脉搏波信号的身份识别方法，其特征在于，包括以下步骤：

步骤一，利用血氧仪采集人体指尖的脉搏波信号；

步骤二，将采集到的脉搏波信号进行滤波、峰值检测、信号截取对齐以及计算导数并归一标准化的处理，同时保存对应的个人身份标识号；

步骤三，重复步骤一至步骤二，将步骤二中得到的信号数据保存为数据集；

步骤四，将数据集输入特征提取网络进行特征提取，后输入分类网络训练，训练完成后保存训练好的网络参数，得到训练好的身份识别模型；

步骤五，利用训练好的身份识别模型，对输入的脉搏波信号进行识别，预测出对应身份。

2.如权利要求1所述的一种基于指尖脉搏波信号的身份识别方法，其特征在于，所述步骤二具体包括以下子步骤：

步骤2.1 ，对采集到的脉搏波信号利用巴特沃斯带通滤波器进行滤波，得到滤波后的信号；

步骤2.2 ，利用三层人工神经网络ANN对滤波后的信号进行峰值检测，输出结果分为五类，分别为峰值点、峰谷点、重搏波峰值点、重搏波峰谷点以及非极值点；

步骤2.3 ，保存峰值点、峰谷点、重搏波峰值点、重搏波峰谷点坐标位置及所对应的脉搏波类别；

步骤2.4 ，在脉搏波信号及其一阶导数和二阶导数上分别设置滑动窗口，利用滑动窗口得到峰值对齐的脉搏波片段；

步骤2.5，对所述脉搏波片段进行求导，得到脉搏波片段的一阶导数与二阶导数；

步骤2.6，对脉搏波片段及其一阶导数、二阶导数进行归一化与标准化计算，并保存对应身份标识号。

3.如权利要求2所述的一种基于指尖脉搏波信号的身份识别方法，其特征在于，所述步骤2.4中的滑动窗口的具体设置为：

窗口大小window_size和步长window_step分别以峰值点个数为计量单位，window_size的范围是（m,m+10），window_step的范围是（n,n+5）；window_step根据每个类别数据量进行动态调整，具体调整如下公式：

公式中，c_class为当前类别脉搏波信号的数据量，max_class为最大类别对应的脉搏波信号数据量。

4.如权利要求2所述的一种基于指尖脉搏波信号的身份识别方法，其特征在于，所述步骤四具体包括以下子步骤：

步骤4.1，输入采集的脉搏波信号数据集至特征提取网络，在特征提取网络中，利用三个一维ResNet18网络来提取脉搏波片段及其一阶导数、二阶导数的特征，在得到三组特征后，将三组特征串联得到新的特征向量，再通过空间金字塔池化结构模块将新的特征向量处理成同一长度，之后输入分类网络；

步骤4.2，在分类网络中，使用交替训练的方式，经迭代训练后，得到损失函数收敛的分类网络，输出分类结果；

步骤4.3，保存训练后收敛的网络参数，得到训练好的身份识别模型。

5.如权利要求4所述的一种基于指尖脉搏波信号的身份识别方法，其特征在于，所述步骤4.2具体为：在分类网络中，以E个训练周期为单位来交替利用交叉熵损失函数以及Pair_loss损失函数来训练，即进行E次迭代训练，在每次交替次数结束后，采用对测试的数据集中所有类别进行散度计算以及类间距离计算来评估训练性能，当性能不符合指标，则继续进行交替训练，直到指标达到规定数值后则停止训练。

6.如权利要求5所述的一种基于指尖脉搏波信号的身份识别方法，其特征在于，所述Pair_loss损失函数的具体表达由下式所示；

公式中，feature1、feature2为输出特征，label1和label2为两类标签， dist()为欧式距离计算函数，m为欧式距离阈值。

7.如权利要求4所述的一种基于指尖脉搏波信号的身份识别方法，其特征在于，所述步骤五具体为：

在注册阶段，使用训练好的身份识别模型，当有新用户进行注册时，将新用户的脉搏波信号作为输入送入训练好的身份识别模型的特征提取网络中，得到对应的特征向量并保存至特征库；

在检索阶段，将要检索的脉搏波信号输入至特征提取网络得到特征向量，之后计算特征库中其与所有特征向量的相似度，找到相似度最高的特征向量，其对应身份标识号即为预测的身份标识号。

8.一种基于指尖脉搏波信号的身份识别装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-7中任一项所述的基于指尖脉搏波信号的身份识别方法。

9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-7中任一项所述的基于指尖脉搏波信号的身份识别方法。

Images