CN114880646B - 一种身份识别方法、装置、电子设备及存储介质 - Google Patents

一种身份识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114880646B
CN114880646B CN202210819476.2A CN202210819476A CN114880646B CN 114880646 B CN114880646 B CN 114880646B CN 202210819476 A CN202210819476 A CN 202210819476A CN 114880646 B CN114880646 B CN 114880646B
Authority
CN
China
Prior art keywords
data
identified
classified
electrocardiosignals
label
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
CN202210819476.2A
Other languages
English (en)
Other versions
CN114880646A (zh
Inventor
于建华
冼冠东
钟柳强
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 Normal University
Original Assignee
South China Normal University
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 Normal University filed Critical South China Normal University
Priority to CN202210819476.2A priority Critical patent/CN114880646B/zh
Publication of CN114880646A publication Critical patent/CN114880646A/zh
Application granted granted Critical
Publication of CN114880646B publication Critical patent/CN114880646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请适用于身份识别技术领域，提供一种身份识别方法、装置、电子设备及存储介质。其中，身份识别方法包括：构建信号数据库，信号数据库中包括对应每个人体的个人档案，每个个人档案中包括从人体腿部采集的心电信号；获取待识别个体在腿部的待识别心电信号；对每个个人档案中的心电信号以及待识别心电信号进行数据抽样，构建待分类数据集以及样本空间；将待分类数据集和样本空间输入到改进的K近邻算法中进行距离计算，得到待分类数据集的标签，将标签作为待识别个体的目标标签进行身份识别。本申请从腿部采集心电信号更具有灵活性，且能将改进的K近邻算法用于身份识别领域，能够提高身份识别的准确率，减少识别时间，提高身份识别效率。

Description

一种身份识别方法、装置、电子设备及存储介质
技术领域
本申请属于身份识别技术领域，尤其涉及一种身份识别方法、装置、电子设备及存储介质。
背景技术
现有的ECG（electrocardiogram，心电图）信号采集设备主要有心电监护仪和具有心电信号采集功能的智能手环。目前，已有基于ECG信号实现身份识别的算法。但是，研究中所使用的数据集是标准的百人数据集，其数据集中的数据比较规范且不同人的心电信号差异大，与实际贴合性较小。而事实上通过现有的ECG信号采集设备所采集的ECG信号不够精密，不同人的心电信号差异小，通过标准的百人数据集进行识别时准确率较低。
此外，现有技术中还可以通过神经网络、机器学习方法实现身份识别。虽然神经网络识别的效果好，但其训练需要大量的时间和数据。而机器学习方法中，传统的KNN算法（k-NearestNeighbor）为分类算法，难以正确判断不在类别内的数据，无法实现身份识别。
发明内容
本申请实施例提供了一种身份识别方法，旨在提高身份识别的准确率，同时减少识别时间，提高身份识别效率。
第一方面，本申请实施例提供了一种身份识别方法，所述方法包括：
构建信号数据库，所述信号数据库中包括对应每个人体的个人档案，每个所述个人档案中包括从人体腿部采集的心电信号；
获取待识别个体在腿部的待识别心电信号；
对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间；
将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别。
更进一步地，所述构建信号数据库的步骤，包括：
采集多个人体腿部的所述心电信号，对所述心电信号进行预处理；
寻找预处理后每个所述心电信号的QRS波，获取所述QRS波的各波峰，基于预设的切割量分别在各波峰前后进行切割，得到每个所述心电信号的周期信号数据；
将每个所述心电信号中所述周期信号数据的周期数满足第一预设周期数的数据进行存储，构建所述信号数据库。
更进一步地，所述对所述心电信号进行预处理的步骤，包括：
基于第一预设信号长度对所述心电信号的长度进行比较；
若所述心电信号的长度满足所述第一预设信号长度，则基于预设过滤点数对所述心电信号进行过滤。
更进一步地，在所述获取待识别个体在腿部的待识别心电信号的步骤之后，所述方法还包括：
基于所述预设过滤点数，对长度满足第二预设信号长度的所述待识别心电信号进行过滤；
寻找过滤后所述待识别心电信号的待识别QRS波，获取所述待识别QRS波的各波峰，基于所述预设的切割量分别在所述待识别QRS波中各波峰前后进行切割，得到所述待识别心电信号的周期信号数据，并判断所述待识别心电信号的周期信号数据的周期数是否满足第二预设周期数。
更进一步地，所述对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间的步骤，包括：
基于第一预设数据条数对每个所述个人档案中所述心电信号的所述周期信号数据进行抽样，得到对应每个所述个人档案的数据类，且每个所述数据类中包括多条样本数据；
基于第二预设数据条数对所述待识别心电信号的所述周期信号数据进行抽样，得到所述待识别心电信号的数据类，所述待识别心电信号的数据类中包括所述待识别心电信号的多条样本数据；
基于抽样后所述待识别心电信号的所述周期信号数据中的剩余周期信号数据构建所述待分类数据集；
基于每个所述个人档案的数据类中包括的多条样本数据，以及所述待识别心电信号的数据类中包括的所述待识别心电信号的多条样本数据构建所述样本空间。
更进一步地，所述将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别的步骤，包括：
将所述待分类数据集和所述样本空间输入到所述改进的K近邻算法；
计算所述待分类数据集中每个待分类数据与所述样本空间中每个数据类的所述样本数据之间的距离，所述样本数据通过所述标签进行标识；
基于所述距离计算每个所述待分类数据的k个近邻样本数据，计算所述k个近邻样本数据中每个所述标签的频率，将频率最高的标签作为对应的待分类数据的标签，其中，k为正整数；
统计所述待分类数据集的各所述待分类数据中出现频率最高的标签，并将各所述待分类数据中出现频率最高的标签作为所述待分类数据集的标签；
将所述待分类数据集的标签作为所述待识别个体的目标标签进行身份识别。
第二方面，本申请实施例提供了一种身份识别装置，所述装置包括：
构建模块，用于构建信号数据库，所述信号数据库中包括对应每个人体的个人档案，每个所述个人档案中包括从人体腿部采集的心电信号；
获取模块，用于获取待识别个体在腿部的待识别心电信号；
抽样模块，用于对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间；
识别模块，用于将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别。
更进一步地，所述构建模块包括：
信号采集单元，用于采集多个人体腿部的所述心电信号，对所述心电信号进行预处理；
信号切割单元，用于寻找预处理后每个所述心电信号的QRS波，获取所述QRS波的各波峰，基于预设的切割量分别在各波峰前后进行切割，得到每个所述心电信号的周期信号数据；
信号选取单元，用于将每个所述心电信号中所述周期信号数据的周期数满足第一预设周期数的数据进行存储，构建所述信号数据库。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面所述的方法步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面所述的方法步骤。
本发明所达到的有益效果：本申请由于基于腿部的心电信号实现身份识别，相比现采用的标准数据集，腿部的心电信号更复杂，从腿部采集心电信号更具有灵活性；且本申请中的改进的K近邻算法是在传统的KNN聚类算法的基础上改进得到，通过改进的K近邻算法对构建的待分类数据集以及样本空间进行距离计算，基于计算得到的距离，筛选待分类数据集的标签作为待识别个体的目标标签，并基于该目标标签识别待识别个体的身份，相对于传统的KNN聚类算法，不仅用于身份识别，且通过计算距离，选取待分类数据集的最高频率的标签即可实现对待识别个体的身份识别，且具有运行时间短的特点。所以，本申请能够提高身份识别的准确率，减少识别时间，提高身份识别效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本申请一实施例提供的一种身份识别方法的流程示意图；
图2是本申请另一实施例提供的图1中步骤S10的流程示意图；
图3a是本申请另一实施例提供的图2中步骤S101的流程示意图；
图3b是本申请另一实施例提供的构建信号数据库的流程示意图;
图4是本申请另一实施例提供的图1中步骤S20之后的流程示意图；
图5a是本申请另一实施例提供的图1中步骤S30的流程示意图；
图5b是本申请另一实施例提供的另一种身份识别方法的流程示意图;
图6是本申请另一实施例提供的图1中步骤步骤S40的流程示意图；
图7是本申请一实施例提供的一种身份识别装置的结构示意图；
图8是本申请另一实施例提供的图7中构建模块的结构示意图；
图9是本申请另一实施例提供的图8中信号采集单元的结构示意图；
图10是本申请另一实施例提供的另一种身份识别装置的结构示意图；
图11是本申请另一实施例提供的图7中抽样模块的结构示意图；
图12是本申请另一实施例提供的图7中识别模块的结构示意图；
图13是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请是基于腿部的心电信号实现身份识别，相比现采用的标准数据集，腿部的心电信号更复杂，从腿部采集心电信号更具有灵活性。本申请中改进的K近邻算法是在传统的KNN聚类算法的基础上改进得到，通过改进的K近邻算法对构建的待分类数据集以及样本空间进行距离计算，基于计算得到的距离，筛选待分类数据集的标签作为待识别个体的目标标签，并基于该目标标签识别待识别个体的身份，相对于传统的KNN聚类算法，不仅用于身份识别，且具有运行时间短的特点。所以，本申请能够提高身份识别的准确率，减少识别时间，提高身份识别效率。
实施例一
图1示出了本申请实施例提供的一种身份识别方法的流程图，如图1所示，该方法包括步骤S10至S40。各个步骤的具体实现原理如下：
S10，构建信号数据库，所述信号数据库中包括对应每个人体的个人档案，每个所述个人档案中包括从人体腿部采集的心电信号。
在本实施例中，一种身份识别方法可以是基于在大腿上采集心电信号的智能坐便器上实现身份识别的功能。一种身份识别方法所运用的电子设备可以通过有线连接方式或者无线连接方式采集心电信号，以及与其他设备实现连接等。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。
需要理解的是，上述心电信号（ECG）为一种生理信号，也称为心电图，是通过生物电来进行检测，人体的组织和细胞在生命活动过程中会发生电位和极性变化，这些电变化统称为生物电。心脏生物电即是生物电的一种，心脏在每次跳动中，都伴随着生物电的变化，通过米动健康手环捕捉心脏发出的电信号，经过数字化信号处理后，就能输出准确、详细的心脏健康信息。
在一些实施例中，上述信号数据库可以是提前/实时进行数据录入构建得到，信号数据库可以作为身份识别时的一个参考数据库，例如：当运用场景为家庭时，信号数据库中可以包括每个家庭成员的个人档案。每个人体可以采集一个心电信号，且心电信号可以在腿部进行采集，当用户使用智能坐便器时，可以是通过在马桶盖上设置用于心电信号采集的模块进行采集。其中，可以在马桶盖上固定位置设置用于心电信号采集的模块，使用马桶盖从腿部采集心电信号更具有灵活性。且对应每个人体的心电信号可以构建一人一档的个人档案进行对应存储，多个个人档案共同构建得到上述信号数据库。
S20，获取待识别个体在腿部的待识别心电信号。
在一些实施例中，上述的待识别个体可以指需要进行身份识别的人体，上述待识别心电信号可以指需要进行身份识别的人体在腿部采集的心电信号。当信号数据库构建完成后，在每次有待识别个体使用智能坐便器时，便可以自动获取在待识别个体腿部的心电信号。
S30，对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间。
在一些实施例中，信号数据库中的心电信号以及待识别心电信号都可以拆解为多个数据，当存在需要进行身份识别的待识别个体后，可以在已构建的信号数据库中对每个个人档案中的心电信号进行数据抽样，同时对待识别心电信号进行数据抽样。其中，对个人档案中的心电信号进行数据抽样的数据量与对待识别心电信号进行数据抽样的数据量可以不同。
在一些实施例中，上述的数据抽样可以是从每个个人档案中的心电信号以及待识别心电信号的整体中抽出部分数据。上述待分类数据集可以是基于已抽样后的待识别心电信号中的数据构建。上述的样本空间可以包括抽样得到的所有数据，即包括从每个个人档案中的心电信号以及待识别心电信号进行抽样得到的数据，在本实施例中，信号数据库中有N个个人档案，则对每个个人档案进行抽样，每个个人档案作为一个类，抽样会得到N个数据类，且待识别心电信号中抽样1个数据类，则样本空间中包括N+1个数据类，每个数据类中都有一定数据量的抽样数据。
S40、将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别。
在一些实施例中，上述标签可以表示为样本空间中每个数据所属的类别，通过标签可以进行人体身份识别。传统的KNN算法指的是在特征空间中，如果一个样本附近的k个最近样本的大多数属于某一个类别，则该样本也属于这个类别。而本申请中，上述改进的K近邻算法在传统的KNN算法上进行了改进，不单是计算一个样本与多个样本之间的分类，而是依据待识别心电信号中的数据构建待识别数据集，并基于心电信号以及待识别心电信号进行数据抽样构建新的样本空间，最终计算待识别数据集中每个待识别数据与样本空间中的数据之间的距离去确定待识别个体的标签。
更具体的，通过将构建得到的待分类数据集以及样本空间作为输入数据输入改进的K近邻算法中，对两个集合中的数据进行距离计算，基于距离筛选待分类数据集中每个待分类数据的标签，再确定待分类数据集的标签，然后将待分类数据集的标签作为待识别个体的目标标签进行身份识别，从而判断出待识别个体的身份。其中，待分类数据集的标签可以是统计待分类数据集中每个待分类数据的标签中出现频率最高的标签。
在一些实施例中，快速自动识别用户的身份后，可以更快的调取当前用户已设置的个人使用参数，智能座便器自动工作。个人使用参数可以包括便圈温度、烘干暖风温度、冲洗参数中的至少一种，不同的参数可以根据使用时间、天气、习惯等进行设置。
在本发明实施例中，本申请由于基于腿部的心电信号实现身份识别，相比现采用的标准数据集，腿部的心电信号更复杂，实用性更高，用户在使用智能坐便器时从腿部采集心电信号更具有灵活性。且本申请提供改进的K近邻算法，通过对构建的待分类数据集以及样本空间进行距离计算，基于计算得到的距离，筛选待分类数据集的标签作为待识别个体的目标标签，并基于该目标标签识别待识别个体的身份。相对于传统的KNN聚类算法，不仅用于身份识别，且通过计算距离，选取待分类数据集的最高频率的标签即可实现对待识别个体的身份识别，且具有运行时间短的特点。所以，本申请能够提高身份识别的准确率，减少识别时间，提高身份识别效率。
实施例二
在本实施例中，基于上述实施例，如图2所示，步骤S10包括步骤S101至S103。各个步骤的具体实现原理如下：
S101，采集多个人体腿部的所述心电信号，对所述心电信号进行预处理。
在一些实施例中，构建信号数据库可以采集多个人体的腿部的心电信号，人体包括同一智能坐便器的使用者，例如：家庭成员、短期居住人员等等。
当人体在接触和离开智能坐便器的马桶盖瞬间，会对采集到的心电信号造成干扰，因此，上述对心电信号进行预处理可以包括对心电信号的长度进行判断、对心电信号进行去噪点等处理。
S102，寻找预处理后每个所述心电信号的QRS波，获取所述QRS波的各波峰，基于预设的切割量分别在各波峰前后进行切割，得到每个所述心电信号的周期信号数据。
需要说明的是，上述QRS波（QRS波群）反映左、右心室除极电位和时间的变化，第一个向下的波为Q波，向上的波为R波，接着向下的波是S波。自QRS波群起点至QRS波群终点的时间为QRS时限。其中，可以通过使用WFDB-python工具寻找QRS波群，绘制相应的心电信号波形，并对数据进行分析。
在一些实施例中，上述预设的切割量指的是对波峰前后进行切割所设定的点数，点数可以根据历史测量数据进行提前设定。对每个人体的心电信号进行预处理后，可以寻找出预处理后心电信号的QRS波群，然后采集到QRS波群中各个点出现的波峰，基于预设的切割量在QRS波群中各个点出现的波峰的前后进行切割，例如，在波峰前后100个点的位置进行切割。切割完成后会得到每个人体的心电信号的多个周期信号数据。
S103，将每个所述心电信号中所述周期信号数据的周期数满足第一预设周期数的数据进行存储，构建所述信号数据库。
在一些实施例中，得到多个QRS波群的周期信号后，可以将QRS波群的周期信号数据的周期数与第一预设周期数进行比较，将周期信号数据的周期数满足第一预设周期数的周期信号数据进行存储。例如：第一预设周期数为28，切割得到人体a的心电信号的周期信号数据的周期数为30，则可以将人体a的心电信号切割得到的周期信号数据进行存储。当然，上述只是一个示例，第一预设周期数也可以设置为其他，但至少保证第一预设周期数大于等于从每个个人档案中进行抽样的数量。
采集到的所有人体的心电信号都判断完成后，基于存储的周期信号数据可以构建上述信号数据库，且一人一档，分别存储每个心电信号的多个周期信号数据。
在另一些实施例中，当周期信号数据的周期数达不到第一预设周期数时，可以放弃该心电信号，重新进行心电信号采集，例如：一些短暂占用坐便器，并非真正使用导致误判的情况。
在本发明实施例中，通过智能坐便器的马桶盖对人体腿部的心电信号进行采集，并对初始采集到的心电信号进行预处理，可以优化心电信号，有利于更准确的寻找QRS波群，进行波峰前后切割以及周期信号数据的周期数判断。这样，所构建的信号数据库也更具有参考性，用于身份识别时的识别准确率更高。且基于智能坐便器采集人体腿部的心电信号更具有灵活性。
实施例三
在本实施例中，基于上述实施例，如图3a所示，步骤S101，对所述心电信号进行预处理，包括步骤S1011和S1012。各个步骤的具体实现原理如下：
S1011，基于第一预设信号长度对所述心电信号的长度进行比较。
在一些实施例中，上述第一预设信号长度可以根据历史测试数据进行设定，在本实施例中，可以将第一预设信号长度设置为14000。当采集到心电信号时，可以预先判断心电信号的长度，是否达到第一预设信号长度。
S1012，若所述心电信号的长度满足所述第一预设信号长度，则基于预设过滤点数对所述心电信号进行过滤。
在一些实施例中，心电信号可以是在不同的时间点上采集点，通过点组成线的形式呈现。上述预设过滤点数可以根据历史测试数据预先设定，在本实施例中，预设过滤点数可以设定为5000个点。若心电信号的长度满足第一预设信号长度，则继续对心电信号进行过滤，例如：对心电信号前后5000个点进行过滤。
具体的，参考图3b所示，图3b为本实施例提供的采集心电信号，构建信号数据库的示例性整体流程图。其中，通过采集用户的腿部心电信号，然后判断心电信号的长度是否大于等于第一预设信号长度14000，将大于等于第一预设信号长度14000的心电信号进行过滤，基于预设过滤点数去除前后各5000个点，然后对过滤后的心电信号寻找对应的QRS波，并对QRS波中各波峰基于预设的切割量进行切割，得到多个周期信号数据。然后判断周期信号数据的周期数是否大于等于第一预设周期数28，将周期信号数据的周期数大于等于第一预设周期数28的心电信号切割后得到的周期信号数据进行存储，基于存储的所有数据构建信号数据库。
需要说明的是，在本申请中，将第一预设周期数示例性的设置为28，保证每个人的个人档案中至少包括28条数据，所以，对个人档案中进行数据抽样时抽取的数据为28条。当然，这只是示例性的，也可以设置为其他数据量，在此不做唯一限定。
在本发明实施例中，基于第一预设信号长度对心电信号的长度进行比较，将满足第一预设信号长度的心电信号基于预设过滤点数进行过滤，有利于获取到更准确的心电信号，便于更准确的寻找QRS波群，对各波峰前后一定数据的点进行切割，构建更具参考性的信号数据库。
实施例四
在本实施例中，基于上述实施例，如图4所示，在所述获取待识别个体在腿部的待识别心电信号的步骤之后，所述方法还包括步骤S50和S60。各个步骤的具体实现原理如下：
S50，基于所述预设过滤点数，对长度满足第二预设信号长度的所述待识别心电信号进行过滤。
在一些实施例中，上述第二预设信号长度与上述第一预设信号长度可以不同，在本实施例中，第二预设信号长度可以为12000。在获取到待识别个体的待识别心电信号后，参考信号数据库中的心电信号处理过程，同样可以对待识别心电信号进行长度判断，将长度满足第二预设信号长度的待识别心电信号基于预设过滤点数进行过滤。具体的，对待识别心电信号进行过滤包括：对待识别心电信号的前后各5000个点进行过滤。
在另一些实施例中，若判断出待识别心电信号的长度没有达到第二预设信号长度，则无需继续身份识别过程。待识别心电信号的长度达不到第二预设信号长度的情况包括用户并非真实使用，只是短暂占用等。
S60，寻找过滤后所述待识别心电信号的待识别QRS波，获取所述待识别QRS波的各波峰，基于所述预设的切割量分别在所述待识别QRS波中各波峰前后进行切割，得到所述待识别心电信号的周期信号数据，并判断所述待识别心电信号的周期信号数据的周期数是否满足第二预设周期数。
在一些实施例中，上述第二预设周期数与第一预设周期数设置不同，第二预设周期数的设置需要参考信号数据库中个人档案的数量，例如：个人档案个数为N，则第二预设周期数可设定为13+N。当然，这只是一个示例，也可以设置为其他周期数，具体可以基于从待识别心电信号中进行抽样的数量与个人档案的数量确定。
同样，对待识别心电信号进行过滤后，也要寻找待识别心电信号的待识别QRS波，然后获取待识别QRS波中各波峰，基于预设的切割量分别在待识别QRS波中各波峰前后进行切割，并将切割得到的待识别心电信号的周期信号数据的周期数与第二预设周期数进行比较，对待识别心电信号的周期信号数据的周期数满足第二预设周期数的周期信号数据进行抽样，例如：第二预设周期数为41，切割得到人体b的心电信号的周期信号数据的周期数为45，则继续对人体b的心电信号的周期信号数据进行数据抽样，否则不进行身份识别。
在本发明实施例中，在检测到待识别个体的待识别心电信号后，基于第二预设信号长度以及预设过滤点数对待识别心电信号进行判断和过滤后，得到更准确的待识别心电信号。此外，基于第二预设周期数对待识别心电信号周期信号数据的周期数进行判断，对满足第二预设周期数的待识别心电信号的周期信号数据进行抽样，可以得到更加准确的输入数据输入到改进的K近邻算法进行计算，能够提高身份识别的准确率。
实施例五
在本实施例中，基于上述实施例，如图5a所示，步骤S30，对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间，包括步骤S301至S303。各个步骤的具体实现原理如下：
S301，基于第一预设数据条数对每个所述个人档案中所述心电信号的所述周期信号数据进行抽样，得到对应每个所述个人档案的数据类，且每个所述数据类中包括多条样本数据。
在一些实施例中，对每个所述心电信号进行数据抽样具体可以是对每个心电信号的周期信号数据进行抽样。上述第一预设数据条数小于等于个人档案中的心电信号的周期信号数据的周期数，以保证能够抽样到相应的数据，例如：已录入N个个人档案，第一预设数据条数为28条，则随机对每个个人档案中的心电信号的周期信号数据进行数据抽样的条数为28条，对应将会得到N个数据类，每个数据类中抽取的28条周期信号数据为样本数据，总共有N×28个样本数据。
S302，基于第二预设数据条数对所述待识别心电信号的所述周期信号数据进行抽样，得到所述待识别心电信号的数据类，所述待识别心电信号的数据类中包括所述待识别心电信号的多条样本数据。
在一些实施例中，上述第二预设数据条数可以设置为12条。对待识别心电信号的周期信号数据进行数据抽样，抽样得到12条样本数据，并将待识别心电信号的12条样本数据作为一个新的数据类Guest。
S303，基于抽样后所述待识别心电信号的所述周期信号数据中的剩余周期信号数据构建所述待分类数据集。
S304，基于每个所述个人档案的数据类中包括的多条样本数据，以及所述待识别心电信号的数据类中包括的所述待识别心电信号的多条样本数据构建所述样本空间。
在一些实施例中，基于抽样后待识别心电信号的周期信号数据中剩余周期信号数据可以构建得到待分类数据集。具体的，在本实施例中，以已录入N个个人档案，以及第二预设周期为13+N为例，抽样12条周期信号数据后，待识别心电信号中剩余N+1条周期信号数据，待分类数据集可以表示为X={x1,x2,…,xi,…,xN+1}，N表示个人档案的个数。同样，以已录入N个人档案，对每个个人档案抽样28条样本数据，以及对待识别心电信号抽样12条样本数据为例，构建得到的样本空间可以表示为Y={y1,y2,…,yj,…,y28N+12}。其中，28N+12表示总的样本数据量，且样本空间中包括N+1个数据类，N表示个人档案个数，1表示对待识别心电信号进行抽样得到的新的数据类Guest。上述各个数量的设置只是示例性的，不作唯一限定。
具体的，结合图5b所示，图5b为本实施例提供的一种身份识别的整体流程图。其中，通过采集待识别心电信号，判断待识别心电信号的长度是否大于等于第二预设信号长度12000，在待识别心电信号的长度大于等于第二预设信号长度12000后，对待识别心电信号进行过滤，去除前后5000个点，然后寻找过滤后待识别心电信号的QRS波，基于预设的切割量分别在待识别QRS波中各波峰前后进行切割，判断切割后得到的周期信号数据的周期数是否大于等于第二预设周期数13+N，在满足的情况下，对待识别心电信号切割得到的各个周期信号数据进行数据抽样（抽样2），且在此前/此时读取信号数据库中各个人档案中的周期信号数据，并从每个个人档案的周期信号数据中进行数据抽样（抽样1），基于上述数据抽样构建待分类数据集和样本空间，作为输入数据输入到改进的K近邻算法中进行距离计算，最终输出待识别个体的目标标签，通过目标标签确定待识别个体的身份。
在本发明实施例中，通过对每个个人档案中的心电信号以及待识别心电信号进行数据抽样，构建待分类数据集以及样本空间，将待分类数据集以及样本空间作为改进的K近邻算法的输入数据，通过改进的K近邻算法对构建的待分类数据集以及样本空间进行距离计算，基于计算得到的距离，筛选待分类数据集的标签作为待识别个体的目标标签，并基于该目标标签识别待识别个体的身份。相对于传统的KNN聚类算法，不仅用于身份识别，且通过计算距离，选取待分类数据集的最高频率的标签即可实现对待识别个体的身份识别，且具有运行时间短的特点。所以，本申请能够提高身份识别的准确率，减少识别时间，提高身份识别效率。
实施例六
在本实施例中，基于上述实施例，如图6所示，步骤S40，将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别，包括步骤S401至S405。
S401，将所述待分类数据集和所述样本空间输入到所述改进的K近邻算法。
S402、计算所述待分类数据集中每个待分类数据与所述样本空间中每个数据类的所述样本数据之间的距离，所述样本数据通过所述标签进行标识。
在一些实施例中，每个样本数据都有对应的标签，标签可以是用于识别身份的特征。因样本数据采集于不同人体腿部的心电信号且进行切割，所以不同样本数据的标签可以相同/不同，当然，源于同一腿部的样本数据的标签可以是相同的。
具体的，计算上述xi和yj的距离可以通过二范数公式表示，公式如下式（1）所示：
dij=|| xi - yj | | 2 （1）
其中，xi为待分类数据，yj为样本数据，dij为xi和 yj在空间上的欧式距离。
S403、基于所述距离计算每个所述待分类数据的k个近邻样本数据，计算所述k个近邻样本数据中每个所述标签的频率，将频率最高的标签作为对应的待分类数据的标签。
在一些实施例中，上述近邻样本数据指与待分类数据xi的距离最近的数据。计算得到待分类数据xi和样本数据yj的欧式距离后，可以根据欧式距离的大小筛选待分类数据xi的k个近邻样本数据，并统计k个近邻样本数据中每个近邻样本数据的标签，得到k个近邻样本数据中每个标签的频率，然后将频率最高的标签作为待分类数据xi的标签，其中，k为正整数。
S404、统计所述待分类数据集的各所述待分类数据中出现频率最高的标签，并将各所述待分类数据中出现频率最高的标签作为所述待分类数据集的标签。
S405、将所述待分类数据集的标签作为所述待识别个体的目标标签进行身份识别。
在一些实施例中，基于统计出的每个待分类数据的标签，可以统计出待分类数据集X中频率出现最高的标签，并将出现频率最高的标签作为待分类数据集的标签，且将待分类数据集的标签作为待识别个体的目标标签进行身份识别，也即是将目标标签作为身份识别的特征进行识别。
在本发明实施例中，由于基于腿部的心电信号实现身份识别，相比现采用的标准数据集，腿部的心电信号更复杂，实用性更高，用户在使用智能坐便器时从腿部采集心电信号更具有灵活性。且本申请提供的改进的K近邻算法是在传统的KNN聚类算法的基础上改进得到，通过改进的K近邻算法对构建的待分类数据集以及样本空间进行欧式距离计算，基于计算得到的欧式距离，筛选待分类数据集的标签作为待识别个体的目标标签，并基于该目标标签识别待识别个体的身份。相对于传统的KNN聚类算法，不仅用于身份识别，且通过计算距离，选取待分类数据集的最高频率的标签即可实现对待识别个体的身份识别，且具有运行时间短的特点。所以，本申请能够提高身份识别的准确率，减少识别时间，提高身份识别效率。
实施例七
对应于上述图1所示的一种身份识别方法，图7示出的是本申请实施例提供的一种身份识别装置的示意图，所述装置M70包括：
构建模块M701，用于构建信号数据库，所述信号数据库中包括对应每个人体的个人档案，每个所述个人档案中包括从人体腿部采集的心电信号；
获取模块M702，用于获取待识别个体在腿部的待识别心电信号；
抽样模块M703，用于对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间；
识别模块M704，用于将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别。
可选的，参考图8所示，图8为本发明实施例提供的构建模块的结构示意图。所述构建模块M701包括：
信号采集单元M7011，用于采集多个人体腿部的所述心电信号，对所述心电信号进行预处理；
信号切割单元M7012，用于寻找预处理后每个所述心电信号的QRS波，获取所述QRS波的各波峰，基于预设的切割量分别在各波峰前后进行切割，得到每个所述心电信号的周期信号数据；
信号选取单元M7013，用于将每个所述心电信号中所述周期信号数据的周期数满足第一预设周期数的数据进行存储，构建所述信号数据库。
可选的，参考图9所示，图9为本发明实施例提供的信号采集单元的结构示意图。所述信号采集单元M7011包括：
比较子单元M70111，基于第一预设信号长度对所述心电信号的长度进行比较；
过滤子单元M70112，用于若所述心电信号的长度满足所述第一预设信号长度，则基于预设过滤点数对所述心电信号进行过滤。
可选的，参考图10所示，图10为本发明实施例提供的另一种身份识别装置的结构示意图。所述装置M70还包括：
过滤模块M705，用于基于所述预设过滤点数，对长度满足第二预设信号长度的所述待识别心电信号进行过滤；
切割模块M706，用于寻找过滤后所述待识别心电信号的待识别QRS波，获取所述待识别QRS波的各波峰，基于所述预设的切割量分别在所述待识别QRS波中各波峰前后进行切割，得到所述待识别心电信号的周期信号数据，并判断所述待识别心电信号的周期信号数据的周期数是否满足第二预设周期数。
可选的，参考图11所示，图11为本发明实施例提供抽样模块的结构示意图。所述抽样模块M703包括：
第一抽样单元M7031，用于基于第一预设数据条数对每个所述个人档案中所述心电信号的所述周期信号数据进行抽样，得到对应每个所述个人档案的数据类，且每个所述数据类中包括多条样本数据；
第二抽样单元M7032，用于基于第二预设数据条数对所述待识别心电信号的所述周期信号数据进行抽样，得到所述待识别心电信号的数据类，所述待识别心电信号的数据类中包括所述待识别心电信号的多条样本数据；
第一构建单元M7033，用于基于抽样后所述待识别心电信号的所述周期信号数据中的剩余周期信号数据构建所述待分类数据集；
第二构建单元M7034，用于基于每个所述个人档案的数据类中包括的多条样本数据，以及所述待识别心电信号的数据类中包括的所述待识别心电信号的多条样本数据构建所述样本空间。
可选的，参考图12所示，图12为本发明实施例提供识别模块的结构示意图。所述识别模块M704，包括：
输入单元M7041，用于将所述待分类数据集和所述样本空间输入到所述改进的K近邻算法；
第一计算单元M7042，用于计算所述待分类数据集中每个待分类数据与所述样本空间中每个数据类的所述样本数据之间的距离，所述样本数据通过所述标签进行标识；
第二计算单元M7043，用于基于所述距离计算每个所述待分类数据的k个近邻样本数据，计算所述k个近邻样本数据中每个所述标签的频率，将频率最高的标签作为对应的待分类数据的标签，其中，k为正整数；
统计单元M7044，用于统计所述待分类数据集的各所述待分类数据中出现频率最高的标签，并将各所述待分类数据中出现频率最高的标签作为所述待分类数据集的标签；
识别单元M7045，用于将所述待分类数据集的标签作为所述待识别个体的目标标签进行身份识别。
可以理解的是，本发明实施例提供的一种身份识别装置能够实现上述方法实施例中一种身份识别方法实现的各个过程，为避免重复，这里不再赘述。且可以达到相同的有益效果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例八
图13为本申请实施例提供的一种电子设备的结构示意图。如图13所示，该实施例的电子设备D10包括：至少一个处理器D100（图13中仅示出一个）、存储器D101、网络接口D102，以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序。其中，处理器D100用于调用存储器D101存储的计算机程序，并执行如下步骤：
构建信号数据库，所述信号数据库中包括对应每个人体的个人档案，每个所述个人档案中包括从人体腿部采集的心电信号；
获取待识别个体在腿部的待识别心电信号；
对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间；
将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别。
可选的，处理器D100执行的所述构建信号数据库的步骤，包括：
采集多个人体腿部的所述心电信号，对所述心电信号进行预处理；
寻找预处理后每个所述心电信号的QRS波，获取所述QRS波的各波峰，基于预设的切割量分别在各波峰前后进行切割，得到每个所述心电信号的周期信号数据；
将每个所述心电信号中所述周期信号数据的周期数满足第一预设周期数的数据进行存储，构建所述信号数据库。
可选的，处理器D100执行的所述对所述心电信号进行预处理的步骤，包括：
基于第一预设信号长度对所述心电信号的长度进行比较；
若所述心电信号的长度满足所述第一预设信号长度，则基于预设过滤点数对所述心电信号进行过滤。
可选的，在所述获取待识别个体在腿部的待识别心电信号的步骤之后，处理器D100还用于执行：
基于所述预设过滤点数，对长度满足第二预设信号长度的所述待识别心电信号进行过滤；
寻找过滤后所述待识别心电信号的待识别QRS波，获取所述待识别QRS波的各波峰，基于所述预设的切割量分别在所述待识别QRS波中各波峰前后进行切割，得到所述待识别心电信号的周期信号数据，并判断所述待识别心电信号的周期信号数据的周期数是否满足第二预设周期数。
可选的，处理器D100执行的所述对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间的步骤，包括：
基于第一预设数据条数对每个所述个人档案中所述心电信号的所述周期信号数据进行抽样，得到对应每个所述个人档案的数据类，且每个所述数据类中包括多条样本数据；
基于第二预设数据条数对所述待识别心电信号的所述周期信号数据进行抽样，得到所述待识别心电信号的数据类，所述待识别心电信号的数据类中包括所述待识别心电信号的多条样本数据；
基于抽样后所述待识别心电信号的所述周期信号数据中的剩余周期信号数据构建所述待分类数据集；
基于每个所述个人档案的数据类中包括的多条样本数据，以及所述待识别心电信号的数据类中包括的所述待识别心电信号的多条样本数据构建所述样本空间。
可选的，处理器D100执行的所述将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别的步骤，包括：
将所述待分类数据集和所述样本空间输入到所述改进的K近邻算法；
计算所述待分类数据集中每个待分类数据与所述样本空间中每个数据类的所述样本数据之间的距离，所述样本数据通过所述标签进行标识；
基于所述距离计算每个所述待分类数据的k个近邻样本数据，计算所述k个近邻样本数据中每个所述标签的频率，将频率最高的标签作为对应的待分类数据的标签，其中，k为正整数；
统计所述待分类数据集的各所述待分类数据中出现频率最高的标签，并将各所述待分类数据中出现频率最高的标签作为所述待分类数据集的标签；
将所述待分类数据集的标签作为所述待识别个体的目标标签进行身份识别。
本发明实施例提供的电子设备D10能够实现一种身份识别方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
需要指出的是，图中仅示出了具有组件的D100-D102，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备。
所述处理器D100在一些实施例中可以是中央处理单元(Central ProcessingUnit，CPU)，该处理器D100还可以是其它通用处理器、数字信号处理器 (Digital SignalProcessor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述电子设备D10的内部存储单元，例如电子设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述电子设备D10的外部存储设备，例如所述电子设备D10上配备的插接式硬盘，智能存储卡（Smart MediaCard, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器D101还可以既包括所述电子设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其它程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
所述网络接口D102可包括无线网络接口或有线网络接口，该网络接口D102通常用于在电子设备D10与其他电子设备之间建立通信连接。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器D100执行时实现本发明实施例提供的一种身份识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述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介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
本申请的说明书和权利要求书或上述附图中的术语“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。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申请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。
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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种身份识别方法，其特征在于，所述方法包括：
构建信号数据库，所述信号数据库中包括对应每个人体的个人档案，每个所述个人档案中包括从人体腿部采集的心电信号；
获取待识别个体在腿部的待识别心电信号；
对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间；
将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别；
所述构建信号数据库的步骤，包括：
采集多个人体腿部的所述心电信号，对所述心电信号进行预处理；
寻找预处理后每个所述心电信号的QRS波，获取所述QRS波的各波峰，基于预设的切割量分别在各波峰前后进行切割，得到每个所述心电信号的周期信号数据；
将每个所述心电信号中所述周期信号数据的周期数满足第一预设周期数的数据进行存储，构建所述信号数据库；
所述对所述心电信号进行预处理的步骤，包括：
基于第一预设信号长度对所述心电信号的长度进行比较；
若所述心电信号的长度满足所述第一预设信号长度，则基于预设过滤点数对所述心电信号进行过滤；
在所述获取待识别个体在腿部的待识别心电信号的步骤之后，所述方法还包括：
基于所述预设过滤点数，对长度满足第二预设信号长度的所述待识别心电信号进行过滤；
寻找过滤后所述待识别心电信号的待识别QRS波，获取所述待识别QRS波的各波峰，基于所述预设的切割量分别在所述待识别QRS波中各波峰前后进行切割，得到所述待识别心电信号的周期信号数据，并判断所述待识别心电信号的周期信号数据的周期数是否满足第二预设周期数；
所述对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间的步骤，包括：
基于第一预设数据条数对每个所述个人档案中所述心电信号的所述周期信号数据进行抽样，得到对应每个所述个人档案的数据类，且每个所述个人档案的数据类中包括多条样本数据；
基于第二预设数据条数对所述待识别心电信号的所述周期信号数据进行抽样，得到所述待识别心电信号的数据类，所述待识别心电信号的数据类中包括所述待识别心电信号的多条样本数据；
基于抽样后所述待识别心电信号的所述周期信号数据中的剩余周期信号数据构建所述待分类数据集；
基于每个所述个人档案的数据类中包括的多条样本数据，以及所述待识别心电信号的数据类中包括的所述待识别心电信号的多条样本数据构建所述样本空间；
所述将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别的步骤，包括：
将所述待分类数据集和所述样本空间输入到所述改进的K近邻算法；
计算所述待分类数据集中每个待分类数据与所述样本空间中每个数据类的所述样本数据之间的距离，所述样本数据通过所述标签进行标识；
基于所述距离计算每个所述待分类数据的k个近邻样本数据，计算所述k个近邻样本数据中每个所述标签的频率，将频率最高的标签作为对应的待分类数据的标签，其中，k为正整数；
统计所述待分类数据集的各所述待分类数据中出现频率最高的标签，并将各所述待分类数据中出现频率最高的标签作为所述待分类数据集的标签；
将所述待分类数据集的标签作为所述待识别个体的目标标签进行身份识别。
2.一种身份识别装置，其特征在于，所述装置包括：
构建模块，用于构建信号数据库，所述信号数据库中包括对应每个人体的个人档案，每个所述个人档案中包括从人体腿部采集的心电信号；
获取模块，用于获取待识别个体在腿部的待识别心电信号；
抽样模块，用于对每个所述个人档案中的心电信号以及所述待识别心电信号进行数据抽样，构建待分类数据集以及样本空间；
识别模块，用于将所述待分类数据集和所述样本空间输入到改进的K近邻算法中进行距离计算，得到所述待分类数据集的标签，将所述标签作为所述待识别个体的目标标签进行身份识别；
所述构建模块包括：
信号采集单元，用于采集多个人体腿部的所述心电信号，对所述心电信号进行预处理；
信号切割单元，用于寻找预处理后每个所述心电信号的QRS波，获取所述QRS波的各波峰，基于预设的切割量分别在各波峰前后进行切割，得到每个所述心电信号的周期信号数据；
信号选取单元，用于将每个所述心电信号中所述周期信号数据的周期数满足第一预设周期数的数据进行存储，构建所述信号数据库；
所述信号采集单元包括：
比较子单元，基于第一预设信号长度对所述心电信号的长度进行比较；
过滤子单元，用于若所述心电信号的长度满足所述第一预设信号长度，则基于预设过滤点数对所述心电信号进行过滤；
所述身份识别装置还包括：
过滤模块，用于基于所述预设过滤点数，对长度满足第二预设信号长度的所述待识别心电信号进行过滤；
切割模块，用于寻找过滤后所述待识别心电信号的待识别QRS波，获取所述待识别QRS波的各波峰，基于所述预设的切割量分别在所述待识别QRS波中各波峰前后进行切割，得到所述待识别心电信号的周期信号数据，并判断所述待识别心电信号的周期信号数据的周期数是否满足第二预设周期数；
所述抽样模块包括：
第一抽样单元，用于基于第一预设数据条数对每个所述个人档案中所述心电信号的所述周期信号数据进行抽样，得到对应每个所述个人档案的数据类，且每个所述数据类中包括多条样本数据；
第二抽样单元，用于基于第二预设数据条数对所述待识别心电信号的所述周期信号数据进行抽样，得到所述待识别心电信号的数据类，所述待识别心电信号的数据类中包括所述待识别心电信号的多条样本数据；
第一构建单元，用于基于抽样后所述待识别心电信号的所述周期信号数据中的剩余周期信号数据构建所述待分类数据集；
第二构建单元，用于基于每个所述个人档案的数据类中包括的多条样本数据，以及所述待识别心电信号的数据类中包括的所述待识别心电信号的多条样本数据构建所述样本空间；
所述识别模块，包括：
输入单元，用于将所述待分类数据集和所述样本空间输入到所述改进的K近邻算法；
第一计算单元，用于计算所述待分类数据集中每个待分类数据与所述样本空间中每个数据类的所述样本数据之间的距离，所述样本数据通过所述标签进行标识；
第二计算单元，用于基于所述距离计算每个所述待分类数据的k个近邻样本数据，计算所述k个近邻样本数据中每个所述标签的频率，将频率最高的标签作为对应的待分类数据的标签，其中，k为正整数；
统计单元，用于统计所述待分类数据集的各所述待分类数据中出现频率最高的标签，并将各所述待分类数据中出现频率最高的标签作为所述待分类数据集的标签；
识别单元，用于将所述待分类数据集的标签作为所述待识别个体的目标标签进行身份识别。
3.一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述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如权利要求1所述的一种身份识别方法。
4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述的一种身份识别方法。
CN202210819476.2A 2022-07-13 2022-07-13 一种身份识别方法、装置、电子设备及存储介质 Active CN114880646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210819476.2A CN114880646B (zh) 2022-07-13 2022-07-13 一种身份识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210819476.2A CN114880646B (zh) 2022-07-13 2022-07-13 一种身份识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114880646A CN114880646A (zh) 2022-08-09
CN114880646B true CN114880646B (zh) 2023-08-08

Family

ID=82683241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210819476.2A Active CN114880646B (zh) 2022-07-13 2022-07-13 一种身份识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114880646B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984962A (zh) * 2014-05-30 2014-08-13 河北工业大学 一种基于肌电信号的外骨骼行走模式识别方法
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
US9595185B1 (en) * 2016-05-10 2017-03-14 David R. Hall User identifying toilet apparatus
CN109497882A (zh) * 2018-12-06 2019-03-22 珠海格力电器股份有限公司 马桶坐垫的加热控制方法、装置、存储介质及马桶坐垫
CN112257573A (zh) * 2020-10-21 2021-01-22 吉林大学 一种基于t-SNE和Adaboost的ECG身份识别方法
CN112370065A (zh) * 2020-10-21 2021-02-19 华南理工大学 基于心电信号动力学特征的身份识别方法、系统及介质
CN113017620A (zh) * 2021-02-26 2021-06-25 山东大学 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统
WO2021179712A1 (zh) * 2020-10-22 2021-09-16 平安科技（深圳）有限公司 心电信号分类模型的训练方法、心电信号分类方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017187422A1 (en) * 2016-04-29 2017-11-02 Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência Biometric method and device for identifying a person through an electrocardiogram (ecg) waveform
EP3906844A1 (en) * 2020-05-06 2021-11-10 Oli - Sistemas Sanitarios, S.A. Method and system for biomedical assessment in sanitation facilities

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984962A (zh) * 2014-05-30 2014-08-13 河北工业大学 一种基于肌电信号的外骨骼行走模式识别方法
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
US9595185B1 (en) * 2016-05-10 2017-03-14 David R. Hall User identifying toilet apparatus
CN109497882A (zh) * 2018-12-06 2019-03-22 珠海格力电器股份有限公司 马桶坐垫的加热控制方法、装置、存储介质及马桶坐垫
CN112257573A (zh) * 2020-10-21 2021-01-22 吉林大学 一种基于t-SNE和Adaboost的ECG身份识别方法
CN112370065A (zh) * 2020-10-21 2021-02-19 华南理工大学 基于心电信号动力学特征的身份识别方法、系统及介质
WO2021179712A1 (zh) * 2020-10-22 2021-09-16 平安科技（深圳）有限公司 心电信号分类模型的训练方法、心电信号分类方法及装置
CN113017620A (zh) * 2021-02-26 2021-06-25 山东大学 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于稀疏编码的手指心电信号身份识别算法;林娟等;《传感器与微系统》;20170220;第36卷(第02期);第142-145页 *

Also Published As

Publication number Publication date
CN114880646A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
CN107981858B (zh) 基于人工智能的心电图心搏自动识别分类方法
CA2976568C (en) Methods and systems for disease analysis based on tranformations of diagnostic signals
US9314177B2 (en) System and method of detecting abnormal movement of a physical object
CN108294745B (zh) 多导联心电图信号中p波、t波起止点检测方法及系统
CN103345600A (zh) 一种心电信号数据处理方法
CN110464333A (zh) 一种心电图数据的存储方法及装置
CN109712712A (zh) 一种健康评估方法、健康评估装置及计算机可读存储介质
CN112869716B (zh) 一种基于双通道卷积神经网络的脉搏特征识别系统及方法
CN109124620A (zh) 一种房颤检测方法、装置及设备
EP3641628B1 (en) System and method for classifying ectopic cardiac beats
CN109065163A (zh) 中医诊断服务平台
Al-Fahoum et al. A practical reconstructed phase space approach for ECG arrhythmias classification
CN110151165A (zh) 一种基于非线性动力学特征的心电向量图分类方法
CN110522443B (zh) 基于心电信号的房室传导阻滞检测方法、装置和电子设备
CN111684540A (zh) 监护设备中生理参数的统计显示方法及监护设备
CN114880646B (zh) 一种身份识别方法、装置、电子设备及存储介质
CN109147945A (zh) 中医诊断系统及手环
Safara Cumulant-based trapezoidal basis selection for heart sound classification
CN113693610B (zh) 少导联心电数据处理方法、装置、存储介质及计算机设备
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质
Bashir et al. Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring
CN114271830A (zh) 一种心电信号检测方法及系统
CN112842355A (zh) 基于深度学习目标检测的心电信号心搏检测识别方法
Raghav et al. Fractal feature based ECG arrhythmia classification

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