CN115204238B - 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 - Google Patents
用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 Download PDFInfo
- Publication number
- CN115204238B CN115204238B CN202210908632.2A CN202210908632A CN115204238B CN 115204238 B CN115204238 B CN 115204238B CN 202210908632 A CN202210908632 A CN 202210908632A CN 115204238 B CN115204238 B CN 115204238B
- Authority
- CN
- China
- Prior art keywords
- ppg signal
- ppg
- signal
- binary index
- noise
- 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 76
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000008030 elimination Effects 0.000 claims abstract description 5
- 238000003379 elimination reaction Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 29
- 239000012634 fragment Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 235000005338 Allium tuberosum Nutrition 0.000 claims description 3
- 244000003377 Allium tuberosum Species 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013186 photoplethysmography Methods 0.000 description 130
- 238000004364 calculation method Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种用于可穿戴设备上的PPG信号身份识别方法及可穿戴设备,方法包括:针对可穿戴设备监测的PPG信号进行噪声消除,获得消除噪声的PPG信号;提取消除噪声的PPG信号中的心跳周期片段,并对提取的心跳周期片段进行归一化处理以及提取归一化处理后的心跳周期片段中的多尺度差分特征;采用哈希学习方法提取多尺度差分特征的二值索引码,并获取已知数据库中与该二值索引码相似的p1个二值索引码及p1个二值索引码所属的PPG信号集合;采用度量学习方法对可穿戴设备监测的PPG信号和PPG信号集合中每一PPG信号进行身份匹配,较好的适用于可穿戴设备,降低了计算资源,提高了计算效率。
Description
技术领域
本发明涉及信号处理技术,尤其涉及一种用于可穿戴设备上的PPG信号身份识别方法及可穿戴设备。
背景技术
近年来,随着运动手环和智能手表等可穿戴式设备的逐步普及,可穿戴式设备上附着的便携、可靠、实用的新功能也不断增加,人们通过可穿戴式设备进行社交、移动支付等等,给生活的各方面都带来极大便利。可穿戴式设备在生活中的广泛应用的同时,其承载的用户隐私信息也越来越多,如用户账号、密码、通讯录、短信、照片等。此外,许多用户还将可穿戴式设备作为网上银行和各种网银支付类应用(如微信、支付宝等)服务的接口,导致其可能存储更为敏感的数据。目前用于可穿戴式设备上传统的基于密码的身份识别方法容易被攻破、盗取和遗忘,使得可穿戴式设备的信息安全面临严峻的挑战,面向可穿戴式设备的身份识别问题研究成为人们的迫切需求。近年来,基于光电容积脉搏波(Photoplethysmography,简称PPG)信号的身份识别因其具有的独特优势而成为生物特征识别研究领域的热点。目前,对PPG信号身份识别方法有很多,如基于特征点的提取、主成分分析、小波变换、稀疏表示学习、深度学习等方法。现有PPG信号身份识别方法一般所需计算资源较多,由于可穿戴设备存储和计算资源有限,现有PPG信号身份识别方法无法有效满足可穿戴式设备的需求。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种用于可穿戴设备上的PPG信号身份识别方法及可穿戴设备。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明实施例提供一种用于可穿戴设备上的PPG信号身份识别方法,包括:
S10、针对可穿戴设备监测的PPG信号进行噪声消除,获得消除噪声的PPG信号;
S20、提取消除噪声的PPG信号中的心跳周期片段,并对提取的心跳周期片段进行归一化处理以及提取归一化处理后的心跳周期片段中的多尺度差分特征;
S30、采用哈希学习方法提取多尺度差分特征的二值索引码,并获取已知数据库中与该二值索引码相似的p1个二值索引码及p1个二值索引码所属的PPG信号集合;p1为大于1的自然数;
S40、采用度量学习方法对可穿戴设备监测的PPG信号和PPG信号集合中每一PPG信号进行身份匹配,获取可穿戴设备的身份信息。
可选地,所述S10包括:
借助于数字带通滤波器消除可穿戴设备监测的PPG信号中的噪声,得到第一级PPG信号,所述数字带通滤波器的频率范围为0.4~4赫兹,包括端点0.4赫兹和4赫兹;
采用最小均方自适应滤波算法对第一级PPG信号中弱运动伪影进行去除,以及采用变分模态分解方法对第一级PPG信号中强运动伪影进行去除,得到消除噪声的PPG信号;
或者,
借助于数字带通滤波器消除可穿戴设备监测的PPG信号中的噪声,得到第一级PPG信号,所述数字带通滤波器的频率范围为0.4~4赫兹,包括端点0.4赫兹和4赫兹;
采用最小均方自适应滤波算法对第一级PPG信号中弱运动伪影进行去除,得到消除噪声的PPG信号。
可选地,所述最小均方自适应滤波算法中权重因子w(t)、步长因子μ(t)为:
st.‖w(t+1)-w(t)‖2≤K1
μ(t)=bln(a|e(t)|m) (2)
其中,b是代表步长曲线的幅度变化大小参数,a代表步长曲线的整体形状变化大小参数,m代表控制步长曲线的底部变化速度参数;t表示时间变量,K1为常量;st.为数学符号约束于,ln为数学运算符号;
w(t)代表当前时刻最小均方自适应滤波对运动伪影建模的权重因子,w(t+1)代表下一时刻的权重因子,μ(t)代表步长因子,e(t)代表当前时刻输出信号与期望信号之间的误差信号,x(t)代表当前时刻的输入信号,上标T代表转置运算,ε是给定的已知变量,t代表当前时刻,t+1代表下一时刻,X(t)表示t时刻的输入信号。
可选地,采用最小均方自适应滤波算法对第一级PPG信号中弱运动伪影进行去除之后,还包括:
利用相关系数二元决策判断是否完全去除弱运动伪影;
具体地,采用皮尔逊相关系数来衡量PPG信号和可穿戴设备的加速信号之间的相关性,PPG信号x与加速信号g对应的g1,g2,g3三个方向的皮尔逊相关系数ρxg为:
ρxg1表示第一方向上加速信号g1的皮尔逊相关系数,ρxg2表示第二方向上加速信号g2的皮尔逊相关系数,ρxg3表示第三方向上加速信号g3的皮尔逊相关系数,cov表示数学符号协方差。
可选地,采用变分模态分解方法对第一级PPG信号中强运动伪影进行去除,包括:
通过选择不同具有稀疏结构的模态zk重构去除弱运动伪影后的PPG信号,基于变分模态分解方法产生的约束变分问题为:
zk是分解后的一系列模态k=1,2,…,K,K代表所有模态的总数;ωk代表模态zk中心角频率,{zk}={z1,z2,…,zK},{wk}={w1,w2,…,wK},
δ代表狄拉克分布;t表示时间变量,PPG信号经过Hilbert变换分解成解析信号,j表示解析信号的虚部;
选择前K2个模态以删除与高频噪声相关的一些模态,最小的K2满足如下:K2,K2≤K
∈是一个预设的变量,max(*)表示最大元素值函数;将选择的前K2个模态相加,得到重构的干净的PPG信号Xrecon:
重构的干净的PPG信号作为消除噪声的PPG信号。
可选地,所述S20包括:
基于预设的滑动窗口和重叠窗口的长度滑动消除噪声的PPG信号,每一步滑动后,记录滑动窗口内的PPG信号心跳周期片段,所有的心跳周期片段为分割后的PPG信号;
采用min-max标准化方法对心跳周期片段进行归一化处理,使心跳周期片段对应的数值在[0,1]区间范围内,得到归一化处理后的心跳周期片段;以及
基于预先定义的t时刻提取的采样点个数p和采样点距离d1,计算心跳周期片段S中的每个采样点St的差分特征值yt,构建采样点St的多尺度差分向量;该St的多尺度差分特征向量为MDF(St),构建心跳周期片段S的差分特征;且心跳周期片段S的每个时刻点的多尺度差分特征向量MDF(St)拼接构成心跳周期片段S的差分特征;
其中,d表示在t时刻[t-d1,t+d1]区间内的不参与采样的采样点数目;
S=[S1,S2,……Sn],1≤t≤n (7)
S(t)表示t时刻采样点的幅值;yt表示PPG信号t时刻的差分特征,经由公式(8),将幅值特征转换为差分特征;
MDF(St)=[y1,y2,…y2p] (9);
t时刻的幅值S(t)转化为多尺度差分特征向量为MDF(St)。
可选地,所述S30包括:
首先,通过下述目标函数获取多尺度差分特征的二值索引码;
其中,yi∈Rd′和yj∈Rd′分别代表PPG训练集中第i个和第j个心跳周期片段的d′维多尺度差分特征,心跳周期片段总共有N个;wk0∈Rd′是哈希函数的投影矩阵,K3是哈希函数数目,是yi的第k0位二值索引码,uk0代表二值索引码的均值;sgn(·)是符号函数,当h≥0时,sgn(h)等于1,当h≤0时,sgn(h)等于0;Hij是yi与yj之间的相似程度;PPG训练集为预先给定的PPG训练数据集合中的训练子集;
接着,利用海明距离计算获取的二值索引码和每个已注册个体PPG信号的二值索引码码之间的相似度;
然后,将相似度得分从大到小排序,返回筛选的p1个得分最高的已注册个体的二值索引码;
最后,利用筛选出的二值索引码对测试心跳周期片段进行检索,获取测试心跳周期片段最相似多个候选者集合的PPG信号集合。
可选地,所述S40包括:
第一步:采用近邻成分分析算法学习半正定矩阵M以构建度量矩阵,M=PPT;近邻成分分析算法的目标函数为:
其中,xl表示PPG训练集中第l个样本,P表示度量矩阵,Ωi表示与样本xi具有相同类别的样本的下标集合;公式(11)中xi表示PPG训练集中第i个样本;xj表示PPG训练集合中第j个样本;
第二步:通过训练集获取度量矩阵,并通过度量矩阵将测试集中样本之间的欧式距离变换为新的距离,即得到测试样本xi′与样本xj′之间新的距离度量D(xi′,xj′):
D(xi′,xj′)=||P(xi′-xj′)||2=(xi′-xj′)TPTP(xi′-xj′) (12)
公式(12)xi′表示测试集中第i个样本,xj′表示测试集中第j个样本,测试集为预先给定的PPG训练数据集合中的测试子集;
第三步:通过度量矩阵计算可穿戴设备监测的PPG信号的心跳周期片段与PPG信号集合中各信号的心跳周期片段之间的距离,距离最小者所属类别为可穿戴设备监测的PPG信号的类别。
可选地,还包括:
对识别的可穿戴设备所监测的PPG信号的类别进行评价;
具体地,计算误识率FAR、拒识率FRR和等错误率EER;
通过FAR和FRR,获取EER;若EER小于预设的第三数值0.01,则认为监测的PPG信号准确;
拒识率:
相等错误率:
其中,NGRA是类内测试的总次数、NIRA是类间测试的总次数;NFR和NFA是错误拒绝和错误接受的次数。
第二方面,本发明实施例还提供一种可穿戴设备,其包括存储器和处理器,所述存储器中存储程序,所述处理器执行所述存储器中存储的程序,并执行上述第一方面任一所述的用于可穿戴设备上的PPG信号身份识别方法。
(三)有益效果
由于可穿戴设备的存储和计算资源有限,用于可穿戴设备上的PPG信号身份识别方法需要较快的身份匹配效率。本发明实施例中可以实现在可穿戴设备上进行快速的身份匹配,首先对PPG信号进行预处理,然后提取查询个体的PPG信号多尺度差分特征,并把多尺度差分特征转化为二值索引码。最后,利用二值索引码对测试个体进行检索,获取测试个体的最相似多个候选者集合。在PPG信号身份识别时只对候选者集合中的个体的进行身份匹配,减少了测试个体的计算量,较好的适用于可穿戴设备。
附图说明
图1为本发明一实施例提供的用于可穿戴设备上的PPG信号身份识别方法的流程示意图;
图2为本发明另一实施例提供的用于可穿戴设备上的PPG信号身份识别方法的流程示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
传统的PPG信号身份识别方法一般所需计算资源较多,由于可穿戴设备存储和计算资源有限,现有PPG信号身份识别方法无法用于穿戴式上身份识别的需求。本发明实施例的方法具有较快的身份匹配效率,所需计算资源较少,可使用于可穿戴设备上,且快速的实现对PPG信号身份识别。本发明实施例的方法可有效提升可穿戴设备中PPG信号身份识别系统的识别性能,改善用户的使用体验,具有更为广阔的发展空间和应用前景。
实施例一
如图1所示,本发明实施例提供一种用于可穿戴设备上的PPG信号身份识别方法,本实施例的方法的执行主体可为任一可穿戴设备的处理装置,或者为单独的处理装置;其具体实现方法包括下述步骤:
S10、针对可穿戴设备监测的PPG信号进行噪声消除,获得消除噪声的PPG信号;
S20、提取消除噪声的PPG信号中的心跳周期片段,并对提取的心跳周期片段进行归一化处理以及提取归一化处理后的心跳周期片段中的多尺度差分特征;
S30、采用哈希学习方法提取多尺度差分特征的二值索引码,并获取已知数据库中与该二值索引码相似的p1个二值索引码及p1个二值索引码所属的PPG信号集合;p1表示大于1的自然数;
S40、采用度量学习方法对可穿戴设备监测的PPG信号和PPG信号集合中每一PPG信号进行身份匹配,获取可穿戴设备的身份信息。
通过上述的方法可使用较少的计算资源,且实现更快的身份识别和匹配,提升用户的使用体验。
可理解的是,本发明实施例中处理的输入对象是可穿戴设备监测的PPG信号(即测试信号)和预先数据库中的样本信息及训练样本,输出结果是可穿戴设备监测的PPG信号的身份识别结果。
应说明的是预先数据库中的样本信息可包括:每一样本的PPG信号、心跳周期片段、多尺度差分特征和二值索引码、类别/身份结果信息。
在实际应用中,预先数据库中的样本信息均为预先处理的,可不在可穿戴设备中进行同步的PPG信号的处理。
上述过程可总结为对测试信息进行噪声消除;利用滑动窗口对消除噪声后的测试信号分割,获取测试信号的心跳周期片段;以及利用多尺度差分特征抽取方法抽取心跳周期片段的多尺度差分特征,获取测试信号的多尺度差分特征;接着抽取测试信号的多尺度差分特征的二值索引码。然后,基于测试信号和训练样本的二值索引码,获取与测试信号的二值索引码最相似的多个候选者集合。再接着利用训练样本获取测试度量矩阵。利用度量矩阵在候选者集合中获取测试样本中每个查询个体的身份类别。
由此,提高了可穿戴设备中的身份匹配效率,所需计算资源较少,改善用户的使用体验,具有更为广阔的发展空间和应用前景。
实施例二
结合图1和图2,对本实施例的方法进行详细说明。
步骤01.针对待分析的PPG信号(即测试样本/测试信号),对待分析的PPG信号进行噪声消除。
可穿戴设备上采集的PPG信号中存在多种噪声干扰,主要的噪声有肌电干扰、工频干扰、基线漂移和运动伪影等。肌电干扰、工频干扰和极限漂移等噪声频带范围和PPG信号的频带范围不同,本实施例中可采用具有较高精度和灵敏度的数字带通滤波器消除噪声。
本实施例中,数字带通滤波器的截止频率设置为0.4赫兹和4赫兹。由于运动伪影的频带范围和PPG信号的频带范围相类似,从而造成PPG信号的运动伪影难以消除。
此外,在实际应用中PPG信号往往包含弱运动伪影和强运动伪影,可穿戴设备所含计算资源有限,本实施例中可采用基于二元决策的混合运动伪影去除方法。需要说明的是,弱运动伪影和强运动伪影为PPG信号领域的专业术语,本实施例借助于现有的术语进行说明。
本实施例方法的具体步骤如下:
第一步、使用改进的最小均方自适应滤波(LMS)算法对弱运动伪影进行去除。LMS算法权重因子变化太快会导致误差信号变大,导致在运动伪影消除过程中去除原始信号的有用成分,故对LMS算法的权重因子进行改进。此外,LMS算法采用固定步长,为了提高LMS算法收敛速度使LMS算法更好的适用于穿戴设备,拟使用对数函数控制步长因子。
本实施例中采用的权重因子w(t)和步长因子μ(t)为:
st.‖w(t+1)-w(t)‖2≤K1
μ(t)=bln(a|e(t)|m) (2)
其中,e(t)代表误差信号,x(t)代表输入信号,b是代表步长曲线的幅度变化大小参数,a代表步长曲线的整体形状变化大小参数,m代表控制步长曲线的底部变化速度参数;t表示时间变量,K1为常量;st.为数学符号约束于,ln为数学运算符号。
即w(t)代表当前时刻最小均方自适应滤波对运动伪影建模的权重因子,w(t+1)代表下一时刻权重因子,权重因子由公式(1)进行迭代计算获得。μ(t)代表步长因子,e(t)代表当前时刻输出信号与期望信号之间的误差信号。X(t)代表当前时刻的输入信号,上标T代表转置运算。ε是给定的一个较小数,以防止分母为零导致公式(1)无解,本实施例中ε为0.01。
第二步:利用相关系数二元决策判断去除弱运动伪影的PPG信号是否足够干净,进而决定是否需要进一步去除强运动伪影。
具体地,采用皮尔逊相关系数来衡量PPG信号和加速信号(可穿戴设备中加速传感器的加速信号)之间的相关性,PPG信号x与加速信号g对应的g1,g2,g3三个方向的皮尔逊相关系数ρxg为:
ρxg1表示第一方向上加速信号g1的皮尔逊相关系数,ρxg2表示第二方向上加速信号g2的皮尔逊相关系数,ρxg3表示第三方向上加速信号g3的皮尔逊相关系数,cov表示数学符号协方差。
通过皮尔逊相关系数ρxg与预设的阈值比较,能够判断去除弱运动伪影的PPG信号是否含有强运动伪影。
具体地,ρxg与预设的阈值比较的结果为大于和等于阈值,则代表有强运动伪影,结果为小于阈值,则代表没有强运动伪影,由此可以无需进行强运动伪影的去除计算过程,较好的节省计算量。即通过皮尔逊相关系数ρxg与预设的第一阈值比较,能够判断去除弱运动伪影的PPG信号是否含有强运动伪影。
第三步:利用变分模态分解方法去除强运动伪影。通过选择不同具有稀疏结构的模态zk重构输入信号(即去除弱运动伪影后的PPG信号),基于变分模态分解方法产生的约束变分问题为:
其中,θ为数学符号偏导数,X是输入变分模态分解的PPG信号,Xk(t)表示第k模态下t时刻的PPG信号,代表复指数信号,X(t)代表信号t时刻的输入信号即PPG信号,t是时间变量,j是虚数符号,即PPG信号经过Hilbert变换分解成解析信号,j表示解析信号的虚部;zk是分解后的一系列模态zk(k=1,2,…,K),K代表所有模态的总数。ωk代表模态zk中心角频率,{zk}={z1,z2,…,zK},{wk}={w1,w2,…,wK},δ代表狄拉克分布。
选择前K2(K2≤K)个模态从而删除与高频噪声相关的一些模态,最小的K2满足如下:
其中,∈是一个非常小的正数如0.01,X是输入变分模态分解的PPG信号,max(*)表示最大元素值函数。基于公式(6),得到重构的干净的PPG信号Xrecon(即去除噪声后的信号):
步骤02.基于滑动窗口的PPG信号分割。
由于面向穿戴设备采集的PPG信号波形受外界因素影响较大,PPG信号的基准点难以获取,本实施例采用基于滑动窗口的PPG信号分割方法提取PPG心跳周期片段,具体步骤如下:
第一步,设定滑动窗口和重叠窗口的长度。本实施例设定滑动窗口长度为1~1.2秒,大于一个PPG信号心动周期,重叠窗口长度为0.3~0.5秒。
本实施例中,根据不同信号的采样频率不同,1秒时间内滑动窗口包含的采样点是不同的。具体实验时采用滑动窗口的长度是1秒。
根据不同信号的采样频率不同,0.3秒时间内重叠窗口内包含的采样点是不同的。具体实验时重叠窗口长度是0.3秒。
第二步,以已设定的重叠窗口滑动去除噪声的PPG信号,每一步滑动后,记录滑动窗口内的PPG信号心跳周期片段,所有的心跳周期片段为分割后的PPG信号。
第三步,归一化处理。
为了消除不同维度数值因量级不同产生的影响,本实施例采用min-max标准化方法对心跳周期片段进行归一化处理,使心跳周期片段对应的数值在[0,1]区间范围内。
步骤03.PPG信号多尺度差分特征抽取。
PPG信号的局部信息具有很好的区分性,为了更好地节省计算资源,本实施例中提取心跳周期片段的多尺度差分特征,具体步骤如下:
第一步:设定采样点个数p(p为大于0的自然数)和采样点距离d1(d1为大于0的自然数),p表示t时刻的每一边提取的采样点个数,d表示在t时刻[t-d1,t+d1]区间内的不参与采样的采样点数目。
需要说明的是,t表示时间变量。
第二步:计算心跳周期片段S中的每个采样点St的差分特征值yt,其中,S=[S1,S2,……Sn],1≤t≤n (7)
其中,S(t)表示t时刻采样点的幅值,yt表示PPG信号t时刻的差分特征,经由公式(8),将幅值特征转换为差分特征。
第三步:构建采样点St的多尺度差分向量。
St的多尺度差分特征向量MDF(St)表示为:
MDF(St)=[y1,y2,…y2p] (9);
t时刻的幅值S(t)转化为多尺度差分特征向量为MDF(St),t时刻对两边的共2P个采样点进行采样,每边采样P个采样点。
第四步:构建心跳周期片段S的差分特征。心跳周期片段S的每个时刻点的多尺度差分特征向量MDF(St)拼接构成心跳周期片段S的差分特征。
该步骤中心跳周期片段是一个。心跳周期片段通过滑动窗口分割得到,每一个PPG信号,通过滑动窗口分割,可以获取多个心跳周期片段。
步骤04.PPG信号的检索。
为了减少穿戴设备的匹配次数,本实施例中首先把多尺度差分特征转化为二值索引码,利用二值索引码对测试个体进行检索,获取测试个体的最相似多个候选者集合。然后,在PPG信号身份识别时只对候选者集合中的个体的进行身份匹配,减少了测试信号与训练样本中个体匹配的计算量。
候选集中的个体来自模板数据库,模板数据库由每个注册个体心跳周期片段的二值码索引码构成,以每个个体以心跳周期片段的二值码作为模板。
第一步:本实施例中拟采用哈希学习的方法提取多尺度差分特征的二值索引码。在构建二值索引码时,在海明空间保持心跳周期片段的局部流形结构,同时保持量化误差最小和学习到的二值索引码方差最大化,通过以下目标函数(公式(10))获取PPG信号的二值索引码:
其中,yi∈Rd′和yj∈Rd′分别代表PPG训练集中第i个和第j个心跳周期片段的d′维多尺度差分特征,心跳周期片段总共有N个,每一个心跳周期片段对应的是一个个体。通常,训练样本是预先计算并存储的,每一个体样本对应一个心跳周期片段。
wk0∈Rd′是哈希函数的投影矩阵,K3是哈希函数数目, 是yi的第k0位二值索引码,uk0代表二值索引码的均值;sgn(·)是符号函数,当h≥0时,sgn(h)等于1,当h≤0时,sgn(h)等于0;Hij是yi与yj之间的相似程度;PPG训练集为预先给定的PPG训练数据集合中的训练子集。本实施例采用k近邻方法等。上式中第一项考虑PPG信号多尺度差分特征表示的局部流形结构,第二项保持量化误差最小,第三项最大化学习到的二值索引码的方差。
第二步:利用海明距离计算该二进索引码和每个已注册个体PPG信号的二值索引码码之间的相似度;
第三步:将相似度得分从大到小排序,返回p1个得分最高的注册PPG信号。
第四步:利用二值索引码对测试心跳周期片段进行检索,获取测试心跳周期片段最相似多个候选者集合。
步骤05.身份匹配即和候选者集合中的个体进行匹配。
在PPG信号身份识别时只对候选者集合中的个体(即已注册模板数据库中的模板,在模板数据集中以二值码索引码的形式存,即以心电片段对应的二值索引码形式存在。)的进行身份匹配,减少了查询个体的计算量。在身份匹配阶段,采用度量学习(MetricLearning)方法进行PPG信号身份匹配。基于度量学习的PPG信号身份匹配方法如下:
第一步:构建度量矩阵。采用近邻成分分析算法学习半正定矩阵M(M=PPT),该算法的目标函数如下:
其中,xl表示PPG训练集中第l个样本,P表示度量矩阵,Ωi表示与样本xi具有相同类别的样本的下标集合;公式(11)中xi表示PPG训练集中第i个样本;xj表示PPG训练集合中第j个样本。
上标T代表转置运算,度量矩阵通过训练样本获取,m代表训练样本的总数。
第二步:通过度量矩阵将传统的欧式距离变换为新的度量距离。学习到矩阵P后,可以对欧式距离进行如下转换以得到测试样本xi′与样本xj′之间新的距离度量D(xi′,xj′):
D(xi′,xj′)=||P(xi′-xj′)||2=(xi′-xj′)TPTP(xi′-xj′) (12)
公式(12)xi′表示测试集中第i个样本,xj′表示测试集中第j个样本,测试集为预先给定的PPG训练数据集合中的测试子集。
第三步:身份匹配。计算测试心跳周期片段与候选者集合中的个体之间的距离,距离最小者所属类别为测试心跳周期片段的类别。
本实施例的可穿戴设备的身份识别有两种应用场景,工作模态主要包括:验证模态和识别模态(Identification mode)。在验证模态下,现场实时提取的特征和一个已经注册的特征模板进行一对一的比对,从而确认是否为该用户,因为是一对一的比对,模板数量即数据库规模的大小对识别速度没有影响。但是,在识别模态下,需要验证用户的身份类别。比如:穿戴设备有时需要很多用户共同拥有权限。
当在识别模态下,模板数据库的规模决定了匹配速度,因为识别模态进行的是一对多匹配,也就是将实时提取的特征同数据库中的所有特征模板进行比对,从而确认该用户的身份。比如,数据库中的注册心跳片段模板为10000个,一个现场采集的待识别PPG信号就需要进行10000次匹配,如果进行一次匹配的时间为0.01s,那么总的匹配时间就是10000×0.01s=100s,此时100s的匹配时间,这在现实应用中是很难承受的。本实施例的方案可以适用各种场景,且能够有效降低匹配时间,进而实现大规模的推广。
步骤06.身份评价即结果评价。
最后计算误识率(FAR)、拒识率(FRR)和等错误率(EER)来衡量提出的身份识别方法的效果。具体地,计算误识率FAR、拒识率FRR和等错误率EER;通过FAR和FRR,获取EER;若EER小于预设的第三数值0.01,则认为监测的PPG信号准确;也就是说,对不同PPG信号数据库进行评价,本实施例中评价的作用验证本实施例的方案的有效性和先进性。
具体公式如下:
误识率:
拒识率:
相等错误率:
其中,NGRA是类内测试的总次数、NIRA是类间测试的总次数;NFR和NFA是错误拒绝和错误接受的次数。
上述方式经过评价能够实现更好的性能,且具有推广性。
实施例三
本实施例还提供一种可穿戴设备,包括:存储器和处理器;所述处理器用于执行所述存储器中存储的计算机程序,以实现执行上述实施例一和实施例二任意所述的可穿戴设备上PPG信号的身份识别方法的步骤。
具体地,本实施例的计算设备可包括:至少一个处理器、至少一个存储器、至少一个网络接口和/或其他的用户接口。电子设备中的各个组件通过总线系统耦合在一起。可理解,总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。用户接口可以包括显示器或者点击设备(例如,鼠标或者触感板等)。
可以理解,本实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。本文描述的存储器包括任意其它适合类型的存储器。
在本发明实施例中,处理器通过调用存储器存储的程序或指令,具体的,可以是应用程序中存储的程序或指令,处理器用于执行第一方面所提供的方法步骤。
上述本发明实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(FieldProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
另一方面,本发明实施例还提供一种计算机可读存储介质,其用于存储有计算机程序,所述计算机程序被处理器执行时实现上述任意实施例的可穿戴设备上的PPG信号身份识别方法的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (9)
1.一种用于可穿戴设备上的PPG信号身份识别方法,其特征在于,包括:
S10、针对可穿戴设备监测的PPG信号进行噪声消除,获得消除噪声的PPG信号;
S20、提取消除噪声的PPG信号中的心跳周期片段,并对提取的心跳周期片段进行归一化处理以及提取归一化处理后的心跳周期片段中的多尺度差分特征;
S30、采用哈希学习方法提取多尺度差分特征的二值索引码,并获取已知数据库中与该二值索引码相似的p1个二值索引码及p1个二值索引码所属的PPG信号集合;p1为大于1的自然数;
S40、采用度量学习方法对可穿戴设备监测的PPG信号和PPG信号集合中每一PPG信号进行身份匹配,获取可穿戴设备的身份信息;
其中,所述S20包括:
基于预设的滑动窗口和重叠窗口的长度滑动消除噪声的PPG信号,每一步滑动后,记录滑动窗口内的PPG信号心跳周期片段,所有的心跳周期片段为分割后的PPG信号;
采用min-max标准化方法对心跳周期片段进行归一化处理,使心跳周期片段对应的数值在[0,1]区间范围内,得到归一化处理后的心跳周期片段;以及
基于预先定义的t时刻提取的采样点个数p和采样点距离d1,计算心跳周期片段S中的每个采样点St的差分特征值yt,构建采样点St的多尺度差分向量;该St的多尺度差分特征向量为MDF(St),构建心跳周期片段S的差分特征;且心跳周期片段S的每个时刻点的多尺度差分特征向量MDF(St)拼接构成心跳周期片段S的差分特征;
其中,d表示在t时刻[t-d1,t+d1]区间内的不参与采样的采样点数目;
S=[S1,S2,.....Sn],1≤t≤n (7)
S(t)表示t时刻采样点的幅值;yt表示PPG信号t时刻的差分特征,经由公式(8),将幅值特征转换为差分特征;
MDF(St)=[y1,y2,…y2p] (9);
t时刻的幅值S(t)转化为多尺度差分特征向量为MDF(St)。
2.根据权利要求1所述的方法,其特征在于,所述S10包括:
借助于数字带通滤波器消除可穿戴设备监测的PPG信号中的噪声,得到第一级PPG信号,所述数字带通滤波器的频率范围为0.4~4赫兹,包括端点0.4赫兹和4赫兹;
采用最小均方自适应滤波算法对第一级PPG信号中弱运动伪影进行去除,以及采用变分模态分解方法对第一级PPG信号中强运动伪影进行去除,得到消除噪声的PPG信号;
或者,
借助于数字带通滤波器消除可穿戴设备监测的PPG信号中的噪声,得到第一级PPG信号,所述数字带通滤波器的频率范围为0.4~4赫兹,包括端点0.4赫兹和4赫兹;
采用最小均方自适应滤波算法对第一级PPG信号中弱运动伪影进行去除,得到消除噪声的PPG信号。
3.根据权利要求2所述的方法,其特征在于,所述最小均方自适应滤波算法中权重因子w(t)、步长因子μ(t)为:
st.||w(t+1)-w(t)||2≤K1
μ(t)=bln(a|e(t)|m) (2)
其中,b是代表步长曲线的幅度变化大小参数,a代表步长曲线的整体形状变化大小参数,m代表控制步长曲线的底部变化速度参数;t表示时间变量,K1为常量;st.为数学符号约束于,ln为数学运算符号;
w(t)代表当前时刻最小均方自适应滤波对运动伪影建模的权重因子,w(t+1)代表下一时刻的权重因子,μ(t)代表步长因子,e(t)代表当前时刻输出信号与期望信号之间的误差信号,x(t)代表当前时刻的输入信号,上标T代表转置运算,ε是给定的已知变量,t代表当前时刻,t+1代表下一时刻,X(t)表示t时刻的输入信号。
4.根据权利要求2所述的方法,其特征在于,采用最小均方自适应滤波算法对第一级PPG信号中弱运动伪影进行去除之后,还包括:
利用相关系数二元决策判断是否完全去除弱运动伪影;
具体地,采用皮尔逊相关系数来衡量PPG信号和可穿戴设备的加速信号之间的相关性,PPG信号x与加速信号g对应的g1,g2,g3三个方向的皮尔逊相关系数ρxg为:
ρxg1表示第一方向上加速信号g1的皮尔逊相关系数,ρxg2表示第二方向上加速信号g2的皮尔逊相关系数,ρxg3表示第三方向上加速信号g3的皮尔逊相关系数,cov表示数学符号协方差。
5.根据权利要求2所述的方法,其特征在于,采用变分模态分解方法对第一级PPG信号中强运动伪影进行去除,包括:
通过选择不同具有稀疏结构的模态zk重构去除弱运动伪影后的PPG信号,基于变分模态分解方法产生的约束变分问题为:
zk是分解后的一系列模态k=1,2,…,K,K代表所有模态的总数;ωk代表模态zk中心角频率,{zk}={z1,z2,…,zK},{wk}={w1,w2,…,wK},
δ代表狄拉克分布;t表示时间变量,PPG信号经过Hilbert变换分解成解析信号,j表示解析信号的虚部;
选择前K2个模态以删除与高频噪声相关的一些模态,最小的K2满足如下:K2≤K
重构的干净的PPG信号作为消除噪声的PPG信号。
6.根据权利要求1所述的方法,其特征在于,所述S30包括:
首先,通过下述目标函数获取多尺度差分特征的二值索引码;
其中,yi∈Rd′和yj∈Rd′分别代表PPG训练集中第i个和第j个心跳周期片段的d′维多尺度差分特征,心跳周期片段总共有N个;wk0∈Rd′是哈希函数的投影矩阵,K3是哈希函数数目,是yi的第k0位二值索引码,uk0代表二值索引码的均值;sgn(·)是符号函数,当h≥0时,sgn(h)等于1,当h≤0时,sgn(h)等于0;Hij是yi与yj之间的相似程度;PPG训练集为预先给定的PPG训练数据集合中的训练子集;
接着,利用海明距离计算获取的二值索引码和每个已注册个体PPG信号的二值索引码之间的相似度;
然后,将相似度得分从大到小排序,返回筛选的p1个得分最高的已注册个体的二值索引码;
最后,利用筛选出的二值索引码对测试心跳周期片段进行检索,获取测试心跳周期片段中的PPG信号集合,该PPG信号集合为与筛选的二值索引码最相似的多个候选者的PPG信号组成的集合。
7.根据权利要求6所述的方法,其特征在于,所述S40包括:
第一步:采用近邻成分分析算法学习半正定矩阵M以构建度量矩阵,M=PPT;近邻成分分析算法的目标函数为:
其中,xl表示PPG训练集中第l个样本,P表示度量矩阵,Ωi表示与样本xi具有相同类别的样本的下标集合;公式(11)中xi表示PPG训练集中第i个样本;xj表示PPG训练集合中第j个样本;
第二步:通过训练集获取度量矩阵,并通过度量矩阵将测试集中样本之间的欧式距离变换为新的距离,即得到测试样本xi′与样本xj′之间新的距离度量D(xi′,xj′):
D(xi′,xj′)=||P(xi′-xj′)||2=(xi′-xj′)TPTP(xi′-xj′) (12)
公式(12)xi′表示测试集中第i个样本,xj′表示测试集中第j个样本,测试集为预先给定的PPG训练数据集合中的测试子集;
第三步:通过度量矩阵计算可穿戴设备监测的PPG信号的心跳周期片段与PPG信号集合中各信号的心跳周期片段之间的距离,距离最小者所属类别为可穿戴设备监测的PPG信号的类别。
9.一种可穿戴设备,其特征在于,包括存储器和处理器,所述存储器中存储程序,所述处理器执行所述存储器中存储的程序,并执行上述权利要求1至8任一所述的用于可穿戴设备上的PPG信号身份识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908632.2A CN115204238B (zh) | 2022-07-29 | 2022-07-29 | 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908632.2A CN115204238B (zh) | 2022-07-29 | 2022-07-29 | 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204238A CN115204238A (zh) | 2022-10-18 |
CN115204238B true CN115204238B (zh) | 2023-05-23 |
Family
ID=83586771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210908632.2A Active CN115204238B (zh) | 2022-07-29 | 2022-07-29 | 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204238B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI827367B (zh) * | 2022-11-15 | 2023-12-21 | 正基科技股份有限公司 | 元件位置校正系統及方法 |
CN116861217A (zh) * | 2023-07-18 | 2023-10-10 | 菏泽学院 | 用于移动终端的身份识别方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10467548B2 (en) * | 2015-09-29 | 2019-11-05 | Huami Inc. | Method, apparatus and system for biometric identification |
CN106473750B (zh) * | 2016-10-08 | 2019-03-26 | 西安电子科技大学 | 基于光电容积脉搏波最佳周期波形的身份识别方法 |
CN108833085B (zh) * | 2018-04-04 | 2019-11-29 | 深圳大学 | 一种基于心跳信号的可穿戴智能设备配对方法及系统 |
CN111062021B (zh) * | 2019-12-19 | 2022-03-11 | 清华大学 | 一种基于可穿戴设备进行身份认证的方法及装置 |
CN113128350A (zh) * | 2021-03-25 | 2021-07-16 | 同济大学 | 一种ppg信号特征点的时域识别定位方法、设备及介质 |
-
2022
- 2022-07-29 CN CN202210908632.2A patent/CN115204238B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115204238A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115204238B (zh) | 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 | |
WO2017071126A1 (zh) | 触屏用户按键行为模式构建与分析系统及其身份识别方法 | |
WO2016049983A1 (zh) | 用户键盘按键行为模式建模与分析系统及其身份识别方法 | |
CN105989266B (zh) | 基于心电信号的认证方法、装置及系统 | |
Gunasekaran et al. | Deep multimodal biometric recognition using contourlet derivative weighted rank fusion with human face, fingerprint and iris images | |
Maurer et al. | Fusing multimodal biometrics with quality estimates via a Bayesian belief network | |
Singh et al. | A study of moment based features on handwritten digit recognition | |
Chen et al. | Combining fractional‐order edge detection and chaos synchronisation classifier for fingerprint identification | |
CN109190698B (zh) | 一种网络数字虚拟资产的分类识别系统及方法 | |
WO2017075913A1 (zh) | 一种基于鼠标行为的认证方法 | |
Malallah et al. | Online handwritten signature recognition by length normalization using up-sampling and down-sampling | |
Stojanović et al. | Latent overlapped fingerprint separation: a review | |
Zhu et al. | Fingergan: a constrained fingerprint generation scheme for latent fingerprint enhancement | |
CN111325275B (zh) | 基于低秩二维局部鉴别图嵌入的鲁棒图像分类方法及装置 | |
Qin et al. | Finger-vein quality assessment based on deep features from grayscale and binary images | |
Nguyen et al. | Automatic identification fingerprint based on machine learning method | |
Shaheed et al. | A hybrid proposed image quality assessment and enhancement framework for finger vein recognition | |
Xu et al. | A novel method for iris feature extraction based on intersecting cortical model network | |
Lv et al. | An algorithm of Iris feature-extracting based on 2D Log-Gabor | |
Saxena et al. | Multi-resolution texture analysis for fingerprint based age-group estimation | |
Singh et al. | Fingerprint identification using modified capsule network | |
CN114840834A (zh) | 一种基于步态特征的隐式身份认证方法 | |
Panischev et al. | Adaptive neural network system to build environmental prediction and control by their typing biometrics | |
Ali et al. | Efficient thermal face recognition method using optimized curvelet features for biometric authentication | |
Pandey | An amalgamated strategy for iris recognition employing neural network and hamming distance |
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 |