CN116028914B - 一种智能戒指身份认证方法及系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，提出了一种智能戒指身份认证方法及系统，包括：采集指纹信息并进行匹配；获取当前心电数据及若干检测心电数据；根据当前心电数据的周期变化获取若干分区段及当前代表数据，获取每个检测心电数据的检测代表数据；获取每个代表数据的波动程度，得到当前心电数据的若干参考心电数据；根据当前心电数据中数据点幅值的分布，获取当前心电数据中每个数据点的特征信息程度，获取参考心电数据中每个数据点的特征信息程度；根据特征信息程度对当前心电数据与参考心电数据进行加权匹配，结合指纹信息匹配结果，完成综合身份认证。本发明旨在通过心电数据与指纹信息的双重认证来提高智能戒指身份认证的准确性。

Description

一种智能戒指身份认证方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种智能戒指身份认证方法及系统。

背景技术

随着信息化技术的发展，科技产品给人们的日常生活带来了极大的方便，然而也随之带来了诸多信息安全隐患的问题，而有关身份认证技术是解决这一问题的主要方法。智能戒指是一种集成多种功能的可穿戴设备，它相较于智能手表、智能手环等其他智能设备，限制性更少同时轻便而不笨重；智能戒指通过安装在设备中的各种生物传感器，对用户生物特征数据进行采集，并通过其中的指纹信息与已经录入的指纹信息进行匹配，实现佩戴者的身份认证。

在智能戒指身份认证过程中，根据用户的指纹信息进行身份认证，然而用户的指纹信息很容易受到其他因素的干扰，例如若用户指纹上沾有油渍、汗水，或者随着季节的更替用户的手指会出现蜕皮，这都会导致指纹传感器出现识别误差；同时采集过程中按压力度过大导致指纹不清晰，同样会引起指纹传感器出现识别误差；因此仅依据指纹信息进行认证会产生身份认证结果的误差，由于智能戒指在采集生物特征数据时同样采集了心电数据，而心电数据同样可以反映生物特征信息，因此可以在指纹信息认证的基础上，引入心电数据并与智能设备采集的历史心电数据进行匹配来进行身份认证；通过与历史心电数据进行匹配来避免心电传感器带来的数据误差，提高身份认证的准确性，结合指纹认证的结果，综合进行身份认证。

发明内容

本发明提供一种智能戒指身份认证方法及系统，以解决现有的指纹信息由于外界因素干扰而导致的智能戒指身份认证不准确的问题，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种智能戒指身份认证方法，该方法包括以下步骤：

采集指纹信息并进行匹配，获取指纹信息的初始认证结果；

获取当前心电数据及历史中若干检测时段的检测心电数据，根据当前心电数据的周期变化获取若干分区段，将当前心电数据的幅值划分为若干幅值区间，统计每个幅值区间在不同分区段的相同位序的出现频率，将每个位序中出现频率最大的幅值区间作为每个位序的代表幅值区间，根据代表幅值区间获取每个位序的当前代表幅值，所有位序的当前代表幅值组成当前代表数据，获取每个检测心电数据的检测代表数据；

根据代表数据的幅值变化，获取当前代表数据及每个检测代表数据的波动程度，根据代表数据的波动程度及对应的分区段包含的数据量进行聚类，获取当前心电数据的若干参考心电数据；

根据每个当前分段数据中每个数据点及邻域内数据点的幅值变化，以及不同分区段内相同位序数据点的幅值差异，获取当前心电数据中每个数据点的特征信息程度，获取参考心电数据中每个数据点的特征信息程度；

获取当前心电数据与每个参考心电数据的若干匹配点对，根据特征信息程度获取每个匹配点对的匹配特征率，根据匹配特征率对当前心电数据与每个参考心电数据进行加权匹配，结合初始认证结果，完成综合身份认证。

可选的，所述采集指纹信息并进行匹配，获取指纹匹配结果，包括的具体方法为：

对智能戒指录入的指纹信息进行特征细节点的提取，对当前采集的指纹信息进行特征细节点提取，将录入的指纹信息的特征细节点与当前指纹信息的特征细节点进行特征细节点对齐，并进行最邻近算法匹配，得到匹配的重叠点；

将重叠点的数量与录入的指纹信息的特征细节点总数的比值，作为当前指纹信息的指纹匹配得分，指纹匹配得分大于指纹匹配阈值，智能戒指佩戴者指纹信息的初始认证成功；指纹匹配得分小于等于指纹匹配阈值，初始认证失败。

可选的，所述根据当前心电数据的周期变化获取若干分区段，包括的具体方法为：

获取当前心电数据的周期项，设置滑动窗口大小为初始步长，以当前心电周期项中第一个数据点为起始点，滑动窗口大小为初始步长，将周期项数据划分为多个窗口；

计算任意两个窗口内周期项数据之间的余弦相似度，将所有余弦相似度的均值作为滑动窗口大小为初始步长下的周期长度选择程度；将滑动窗口大小以预设步长进行逐次迭代增加，获取每个滑动窗口大小的周期长度选择程度；

将其中周期长度选择程度最大的滑动窗口大小作为当前心电周期项的分段长度，通过分段长度对当前心电数据的检测时段进行划分，得到若干分区段。

可选的，所述根据代表幅值区间获取每个位序的当前代表幅值，包括的具体方法为：

获取任意一个位序作为目标位序，目标位序的代表幅值区间记为目标幅值区间，获取目标幅值区间内每个幅值在目标位序的出现次数，将所有出现次数进行归一化，得到的结果记为每个幅值在目标位序的出现权重，对每个幅值根据出现权重进行加权求和，得到的结果记为目标位序的当前代表幅值。

可选的，所述获取当前代表数据及每个检测代表数据的波动程度，包括的具体方法为：

将当前代表数据以时间为横坐标，当前代表幅值为纵坐标，获取当前代表数据中的峰值点，将峰值点相连形成上包络线；上包络线、上包络线的两个端点与时间轴的垂线、以及时间轴上两个端点之间的时间轴线，形成当前代表数据的包络形状；

将包络形状最小外接矩形的面积作为当前代表数据的波动程度；获取每个检测代表数据的波动程度。

可选的，所述获取当前心电数据的若干参考心电数据，包括的具体方法为：

构建二维坐标系，横坐标为每个代表数据的数据量，纵坐标为波动程度；将当前代表数据及每个检测代表数据置于二维坐标系中，得到若干坐标点，对所有坐标点进行聚类；

将当前代表数据对应坐标点所属的聚簇中，其他坐标点对应的检测代表数据对应的检测心电数据，作为当前心电数据的若干参考心电数据。

可选的，所述获取当前心电数据中每个数据点的特征信息程度，包括的具体方法为：

其中，γ_u，w表示当前心电数据中第u个分区段中第w个数据点的特征信息程度，ρ_u，w表示第u个分区段中第w个数据点邻域内的幅值变化程度，Q表示邻域内数据点的数量，V_u，w，q表示第u个分区段中第w个数据点邻域内第q个数据点的斜率值，V_u，max表示第u个分区段中最大的斜率值；f_u，w表示第u个分区段中第w个数据点的幅值，

表示不同分区段中第w个数据点的幅值均值，d_u，w表示第u个分区段中第w个数据点及邻域数据点形成的曲线，与邻域数据点形成的曲线之间的DTW距离，exp()表示以自然常数为底的指数函数；

所述斜率值的获取方法为：将每个数据点与后一个数据点之间幅值的差值绝对值与时间间隔的比值，作为每个数据点的斜率值。

可选的，所述根据特征信息程度获取每个匹配点对的匹配特征率，包括的具体方法为：

获取任意一个参考心电数据作为目标心电数据，对所有当前心电数据中数据点的特征信息程度进行归一化，得到的结果记为当前特征率，对所有目标心电数据中数据点的特征信息程度进行归一化，得到的结果记为参考特征率；获取每个匹配点对对应两个数据点的当前特征率与参考特征率之和，记为每个匹配点对的匹配特征程度，对所有匹配特征程度进行归一化，得到的结果记为每个匹配点对的匹配特征率。

第二方面，本发明另一个实施例提供了一种智能戒指身份认证系统，该系统包括：

指纹信息初始认证模块，采集指纹信息并进行匹配，获取指纹信息的初始认证结果；

心电数据采集处理模块：获取当前心电数据及历史中若干检测时段的检测心电数据，根据当前心电数据的周期变化获取若干分区段，将当前心电数据的幅值划分为若干幅值区间，统计每个幅值区间在不同分区段的相同位序的出现频率，将每个位序中出现频率最大的幅值区间作为每个位序的代表幅值区间，根据代表幅值区间获取每个位序的当前代表幅值，所有位序的当前代表幅值组成当前代表数据，获取每个检测心电数据的检测代表数据；

根据代表数据的幅值变化，获取当前代表数据及每个检测代表数据的波动程度，根据代表数据的波动程度及对应的分区段包含的数据量进行聚类，获取当前心电数据的若干参考心电数据；

根据每个当前分段数据中每个数据点及邻域内数据点的幅值变化，以及不同分区段内相同位序数据点的幅值差异，获取当前心电数据中每个数据点的特征信息程度，获取参考心电数据中每个数据点的特征信息程度；

信息综合身份认证模块，获取当前心电数据与每个参考心电数据的若干匹配点对，根据特征信息程度获取每个匹配点对的匹配特征率，根据匹配特征率对当前心电数据与每个参考心电数据进行加权匹配，结合初始认证结果，完成综合身份认证。

本发明的有益效果是：本发明通过智能戒指中安装的多种生物传感器实时采集生物特征数据，通过指纹传感器对智能戒指佩戴者进行身份初始认证，结合实时采集的心电数据并与智能戒指历史采集的心电数据进行匹配认证，实现对智能戒指佩戴者身份的双重认证，避免指纹信息由于外在因素干扰而导致匹配结果出现误差，进而导致身份认证结果错误的问题。

在根据心电数据进行匹配认证时，通过计算佩戴者的心电数据与历史心电数据之间的特征分布，得到心电数据的周期变化并获取若干分区段，根据分区段内的波动特征获取历史心电数据中的参考心电数据；通过当前心电数据中每个数据点邻域内的幅值变化，以及不同分区段相同数据点的幅值差异，获取每个数据点的特征信息程度来表征数据点包含的特征信息以及进行特征匹配的可信度；同时获取参考心电数据中每个数据点的特征信息程度，进而通过特征信息程度加权获取当前心电数据与参考心电数据的心电匹配距离，并完成心电数据匹配认证；避免心电数据随机波动以及传感器误差带来的数据偏差，对匹配结果造成影响，使得匹配结果更加准确，提高身份认证的准确性。

附图说明

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，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。

图1为本发明一个实施例所提供的一种智能戒指身份认证方法流程示意图；

图2为本发明另一个实施例所提供的一种智能戒指身份认证系统结构框图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，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。

请参阅图1，其示出了本发明一个实施例提供的一种智能戒指身份认证方法流程图，该方法包括以下步骤：

步骤S001、采集指纹信息并进行匹配，获取当前心电数据及历史心电数据。

本实施例的目的是对智能戒指的佩戴者进行身份认证，因此首先需要通过生物传感器采集佩戴者的相关生物特征数据，本实施例通过指纹传感器采集佩戴者的指纹信息，通过心电传感器采集佩戴者当前一定时段的心电数据；生物传感器的具体型号本实施例不作限定，实施者可根据具体实施情况进行选定。

进一步的，本实施例首先通过对当前采集的指纹信息与智能戒指录入的指纹信息进行匹配，实现佩戴者的初始认证，具体的过程为：首先对智能戒指录入的指纹信息进行特征细节点的提取，其中特征提取为提取细节点，采用MCC算法获取多个细节点，该算法为公知技术，本实施例不再赘述；采用同样的特征提取算法提取当前采集的指纹信息的特征细节点，将录入的指纹信息的特征细节点与当前指纹信息的特征细节点进行特征细节点对齐，并进行最邻近算法匹配，得到匹配的重叠点，将重叠点的数量与录入的指纹信息的特征细节点总数的比值，作为当前指纹信息的指纹匹配得分；给出指纹匹配阈值用于指纹初始认证，其中通过指纹匹配得分仅为对用户身份的初始认证，因此本实施例指纹匹配阈值采用0.45进行计算，若指纹匹配得分大于指纹匹配阈值，则智能戒指佩戴者的初始认证成功；需要说明的是，由于采集指纹的过程中会存在外界因素的干扰，进而导致指纹传感器出现误差，因此设置的指纹匹配阈值可以较小，实施者可根据具体实施情况进行设定。

进一步需要说明的是，由于采集指纹的过程中会存在外界因素的干扰，进而导致指纹传感器出现误差，因此若仅通过指纹信息匹配会造成身份认证结果的不准确；而智能戒指在工作过程会采集佩戴者的心电数据，不同人的心电数据存在差异性，因此通过当前心电数据与智能戒指采集到的历史心电数据，对佩戴者身份进行进一步认证，通过双重认证来提高身份认证结果的准确性。

具体的，对于指纹初始认证成功的佩戴者，由于心电传感器为定期工作并采集一定时段的心电数据；因此将佩戴者最近一次采集的心电数据记为当前心电数据，同时智能戒指在使用过程中采集了若干次心电数据，将这些心电数据作为历史心电数据。

至此，完成了对于智能戒指佩戴者的初始认证，并获取了初始认证成功的佩戴者的当前心电数据，以及智能戒指的历史心电数据，用于后续根据当前心电数据及历史心电数据对初始认证成功的佩戴者进行心电数据的认证。

步骤S002、获取历史心电数据中每个检测时段的检测心电数据，根据当前心电数据的周期变化获取若干分区段，根据每个分区段的当前分段数据获取当前代表数据，获取每个检测心电数据的检测代表数据。

需要说明的是，由于心电传感器为定期工作并采集一定时段的心电数据，因此历史心电数据中包含若干个一定时段的心电数据，分别提取出这些心电数据并记为检测心电数据；同时佩戴者在不同的状况下，例如不同的心情状态下，如平静和激动，或者不同的运动状态下，如正常行走和跑步等，对应佩戴者的心电数据的波动幅度存在较大差异，但心电数据对应心跳的电信号，则存在一定的周期性，而不同状况下的周期分布也具有相似性特征；因此通过周期性分析获取当前心电数据及检测心电数据的若干分区段，每个分区段表示一个周期，并通过分区段对心电数据进行划分，进而得到心电数据的代表数据，用较小的数据量来表征一定时段的心电数据的特征，同时避免一些异常数据对后续获取参考心电数据的影响。

具体的，将历史心电数据中每次采集的一定时段记为检测时段，则可以提取出每个检测时段的检测心电数据，则得到了若干检测心电数据；需要说明的是，当前心电数据及检测心电数据均为时序的数据序列；对当前心电数据进行STL时间序列分解，得到当前心电数据的周期项，记为当前心电周期项，当前心电周期项表征了佩戴者在最近一次检测时段内心电数据的变化周期分布特征。

进一步的，设置滑动窗口大小为初始步长，以当前心电周期项中第一个数据点为起始点，滑动窗口大小为初始步长，将周期项数据划分为多个窗口；需要说明的是，窗口不存在重合，若最后一个窗口不满足窗口大小数据量，则进行舍弃，即对最后一个窗口不进行后续分析；计算任意两个窗口内周期项数据之间的余弦相似度，将所有余弦相似度的均值作为滑动窗口大小为初始步长下的周期长度选择程度；其中滑动窗口大小以预设步长进行逐次迭代增加，本实施例初始步长设置为15，预设步长设置为3，最大的滑动窗口大小为当前心电周期项中数据点数量的一半；获取每个滑动窗口大小的周期长度选择程度，将其中周期长度选择程度最大的滑动窗口大小作为当前心电周期项的分段长度，通过分段长度对最近一次检测的一定时段进行划分，得到若干分区段，每个分区段即为当前心电数据的一个周期，每个分区段对应的一段当前心电数据记为每个分区段的当前分段数据。

进一步的，由于当前心电数据中不同分区段的心电数据的波动幅度存在差异，因此需要获取当前代表数据来进行后续分析，本实施例中心电数据的复制采用心电信号的电压进行分析，同时由于心电数据的特殊性，本实施例以幅值区间来量化波动幅度，从心电数据幅值的最小值到最大值之间进行预设区间数量的划分，其中预设区间数量本实施例采用20进行计算，即得到20个幅值区间；同时每个分区段的长度相同，即数据点的数量相同，则可以通过不同分区段相同位序的幅值来量化代表数据，其中位序表示每个分区段中的相同位置的数据点；以第i个幅值区间为例，该幅值区间在当前心电数据的不同分区段的第j个位序的出现频率P_i，j的计算方法为：

其中，n_i，j表示第i个幅值区间在当前心电数据的不同分区段的第j个位序的出现次数，NL表示当前心电数据的分区段的数量；按照上述方法获取每个幅值区间在每个位序的出现频率，将每个位序中出现频率最大的幅值区间作为每个位序的代表幅值区间。

进一步的，对于任意一个位序的代表幅值区间，获取该幅值区间内每个幅值在该位序的出现次数，将所有出现次数进行softmax归一化处理，得到的结果记为每个幅值在该位序的出现权重，对每个幅值结合出现权重进行加权求和，得到的结果记为该位序的当前代表幅值；按照上述方法获取当前心电数据中每个位序的当前代表幅值，所有位序的当前代表幅值按照时序关系排列记为当前代表数据；当前代表数据表征了当前心电数据对应的佩戴者当前的生理状况，可以更好地与历史心电数据进行匹配，并避免了异常数据对于匹配结果的影响。

进一步的，按照上述方法对每个检测心电数据进行分区段，并得到每个检测心电数据的检测代表数据；需要说明的是，每个检测心电数据的分段长度都需要重新计算，进而通过幅值区间的出现频率来获取每个检测心电数据的检测代表数据；检测代表数据同样表征了对应检测时段内佩戴者的生理状况，同时避免了检测心电数据中可能存在的异常数据对于参考心电数据获取的影响。

至此，获取到了当前代表数据及若干检测代表数据，用于后续获取当前心电数据的若干参考心电数据，进而完成心电数据的匹配认证。

步骤S003、根据代表数据获取当前代表数据及每个检测代表数据的波动程度，根据波动程度聚类获取当前心电数据的若干参考心电数据。

需要说明的是，获取到当前代表数据及若干检测代表数据后，需要根据代表数据之间波动程度的相似性，来对代表数据进行聚类，通过聚类结果获取当前心电数据的参考心电数据；由于代表数据反映的是对应检测时段的生理状况，则波动幅度相近且波动变化相近的代表数据，其对应检测时段的生理状况相近，可以互相参考；同时由于心电数据在每个周期内具有典型的波形特征，即心电数据分为P波、QRS波群、T波和U波等，心电信号不同，对应的上述波的幅值和持续时间也不同；因此通过代表数据的峰值点包络形状来表示每个代表数据的波动程度。

具体的，将当前代表数据内的当前代表幅值以位序为横坐标，对应的当前代表幅值为纵坐标，获取当前代表数据中的峰值点，峰值点即为波峰特征点；将峰值点相连形成上包络线，其与上包络线的两个端点与时间轴的垂线，以及时间轴上两个端点之间的时间轴线，形成当前代表数据的包络形状，将包络形状最小外接矩形的面积作为当前代表数据的波动程度；按照上述方法获取每个检测代表数据的波动程度。

进一步的，构建二维坐标系，横坐标为周期长度，即每个代表数据的数据量，纵坐标为波动程度；将当前代表数据及每个检测代表数据置于二维坐标系中，得到若干坐标点，对所有坐标点进行DBSCAN聚类，其中聚类距离为坐标点之间的欧式距离，DBSCAN聚类的最大搜索半径为10，最小坐标点数量为5，得到聚类结果；将当前代表数据对应坐标点所属的聚簇中，其他坐标点对应的检测代表数据对应的检测心电数据，作为当前心电数据的若干参考心电数据。

至此，获取到了当前心电数据的若干参考心电数据，参考心电数据对应的生理状况与当前心电数据的生理状况相近，波动幅度及波动变化较为相近，可以作为当前心电数据的匹配对象来进行心电数据的匹配认证。

步骤S004、根据每个当前分段数据中每个数据点及邻域内数据点的幅值变化，以及不同分区段内相同位序数据点的幅值差异，获取当前心电数据中每个数据点的特征信息程度，获取参考心电数据中每个数据点的特征信息程度。

需要说明的是，由于心电数据在相似的生理状况下也存在部分的随机波动，即对应的可能每个分区段的波动幅度存在差异而呈现出数据偏差；但心电信号呈现周期性的分布，并且心电信号中不同种类波的变化在周期性的分布具有相似性，则对应的在同一检测时段的心电数据的不同分区段的特征信息点分布趋势存在相似性，而数据偏差会导致特征信息点的幅值出现较大变化，因此需要获取心电数据中每个数据点的特征信息程度，来表征其数据在表示特征信息时的可信度；通过数据点与邻域内数据点的幅值变化，以及不同分区段相同位序数据点的幅值差异，来量化数据点的特征信息程度，邻域内数据点的幅值变化越剧烈，该邻域内可能出现随机波动导致的数据偏差，可信度较差；幅值差异越大，该数据点不符合周期性变化，可信度较差。

具体的，获取当前心电数据中任意一个数据点作为目标数据点，设置预设窗口来构成目标数据点的邻域，本实施例预设窗口以9个数据点进行计算，即目标数据点作为中心数据点，左右各相邻的四个数据点作为邻域内数据点；需要说明的是，如果目标数据点在所属分区段内的数据点数量不足以构成邻域，则从其他分区段的数据点来构成邻域，即目标数据点的邻域是在当前心电数据中获取，不限于所属分区段中；同时如果目标数据点在当前心电数据的边界附近，即当前心电数据中的数据点也不足以构成邻域，则采用二次线性插值的方法补全构成邻域；以当前心电数据中第u个分区段中第w个数据点为目标数据点，该数据点的特征信息程度γ_u，w的具体计算方法为：

其中，ρ_u，w表示第u个分区段中第w个数据点邻域内的幅值变化程度，Q表示邻域内数据点的数量，由于本实施例中邻域由9个数据点构成，则本实施例中Q＝9；V_u，w，q表示第u个分区段中第w个数据点邻域内第q个数据点的斜率值，所述斜率值的获取方法为：将每个数据点与后一个数据点之间幅值的差值绝对值与时间间隔的比值，作为每个数据点的斜率值，邻域内最后一个数据点的斜率值通过在当前心电数据中与后一个数据点的幅值进行计算；V_u，max表示第u个分区段中最大的斜率值；f_u，w表示第u个分区段中第w个数据点的幅值，

表示不同分区段中第w个数据点的幅值均值；d_u，w表示第u个分区段中第w个数据点及邻域数据点形成的曲线，与邻域数据点形成的曲线之间的DTW距离；需要说明的是，所述邻域内数据点包括目标数据点，所述邻域数据点不包括目标数据点；exp()表示以自然常数为底的指数函数，本实施例通过exp(-)来呈现反比例关系及归一化处理，实施者可根据具体实施情况选择反比例函数及归一化函数。

此时，首先通过目标数据点邻域内数据点的幅值差异来表示目标数据点邻域内的幅值变化程度，幅值差异与时间间隔的比值构成斜率值，并通过分区段内最大斜率值实现归一化；幅度变化程度越大，目标数据点的邻域内波动越剧烈，通过引入目标数据点与其他分区段相同位序数据点的幅值差异，波动越剧烈，同时幅值差异越大，目标数据点可信度越低，通过幅值差异构成反比例的权重，降低幅值变化程度对于特征信息程度的影响；而幅值变化程度越小，可信度越高，则应该考虑目标数据点对于整体趋势变化的影响，去除目标数据点前后的DTW距离越大，去除前后的相似性越小，数据点包含的趋势信息越多，特征信息程度越大。

进一步的，按照上述方法获取当前心电数据中每个数据点的特征信息程度；按照上述方法获取每个参考心电数据中每个数据点的特征信息程度。

至此，获取到了当前心电数据及每个参考心电数据中每个数据点的特征信息程度，从而为后续匹配程度计算提供参考权重，避免随机波动或传感器误差导致的数据偏差对匹配程度计算的影响。

步骤S005、根据特征信息程度对当前心电数据与参考心电数据进行加权匹配，获取心电匹配距离，结合指纹信息匹配结果，完成综合身份认证。

需要说明的是，获取到当前心电数据及参考心电数据中每个数据点的特征信息程度之后，需要对当前心电数据及参考心电数据进行DTW点对匹配，同时对匹配成功的点对根据特征信息程度之和赋予权重值，进而加权得到最终的DTW距离来表征当前心电数据与参考心电数据的匹配程度；通过特征信息程度进行加权，避免传感器误差带来的数据偏差对匹配程度计算的影响，使心电匹配距离可以更加准确地反映当前心电数据与参考心电数据之间的匹配关系，提高身份认证结果的准确性。

具体的，首先对当前心电数据与任意一个参考心电数据进行DTW点对匹配，获取到若干匹配点对，每个匹配点对分别包含一个当前心电数据中的数据点以及参考心电数据中的数据点，对所有当前心电数据中数据点的特征信息程度进行线性归一化，得到的结果记为当前特征率，对所有参考心电数据中数据点的特征信息程度进行线性归一化，得到的结果记为参考特征率；获取每个匹配点对对应两个数据点的当前特征率与参考特征率之和，记为每个匹配点对的匹配特征程度，对所有匹配特征程度进行线性归一化，得到的结果记为每个匹配点对的匹配特征率；将匹配特征率作为每个匹配点对中两个数据点之间欧式距离的权重，对所有匹配点对的欧式距离进行加权求和，得到的结果记为当前心电数据与该参考心电数据的心电匹配距离；此时，通过特征信息程度对欧式距离赋予权重，出现数据偏差的数据点的特征信息程度较小，则存在数据偏差的匹配点对的欧式距离权重较小，对于存在数据偏差的匹配点对的参考权重越低，其对于心电匹配距离的计算影响越小。

进一步的，按照上述方法获取当前心电数据与每个参考心电数据的心电匹配距离，由于DTW距离越小，两组数据序列之间的相似度越大，因此给出心电匹配阈值，本实施例心电匹配阈值采用150进行计算，当所有心电匹配距离的均值小于心电匹配阈值时，当前智能戒指佩戴者身份认证成功；则对于智能戒指佩戴者身份认证成功的条件为，佩戴者的指纹信息与录入的指纹信息的指纹匹配得分需要大于指纹匹配阈值，同时当前心电数据与所有参考心电数据的心电匹配距离的均值需要小于心电匹配阈值，即视为身份认证成功。

至此，通过指纹信息以及心电数据的双重认证，完成了智能戒指的身份认证；避免了指纹传感器采集指纹时受到外界因素干扰带来误差的同时，通过当前心电数据与历史心电数据的处理及匹配，避免了传感器的数据偏差对于匹配结果的影响，提高心电数据匹配的准确性，通过双重认证提高了智能戒指身份认证结果的准确性。

请参阅图2，其示出了本发明另一个实施例提供的一种智能戒指身份认证系统结构框图，该系统包括：

指纹信息初始认证模块S101，采集指纹信息并进行匹配。

心电数据采集处理模块S102：

(1)获取当前心电数据及历史心电数据，获取历史心电数据中每个检测时段的检测心电数据；

(2)根据当前心电数据的周期变化获取若干分区段，根据每个分区段的当前分段数据获取当前代表数据，获取每个检测心电数据的检测代表数据；

(3)根据代表数据获取当前代表数据及每个检测代表数据的波动程度，根据波动程度聚类获取当前心电数据的若干参考心电数据；

(4)根据每个当前分段数据中每个数据点及邻域内数据点的幅值变化，以及不同分区段内相同位序数据点的幅值差异，获取当前心电数据中每个数据点的特征信息程度，获取参考心电数据中每个数据点的特征信息程度。

信息综合身份认证模块S103，根据特征信息程度对当前心电数据与参考心电数据进行加权匹配，获取心电匹配距离，结合指纹信息匹配结果，完成综合身份认证。

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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种智能戒指身份认证方法，其特征在于，该方法包括以下步骤：

采集指纹信息并进行匹配，获取指纹信息的初始认证结果；

获取当前心电数据及历史中若干检测时段的检测心电数据，根据当前心电数据的周期变化获取若干分区段，将当前心电数据的幅值划分为若干幅值区间，统计每个幅值区间在不同分区段的相同位序的出现频率，将每个位序中出现频率最大的幅值区间作为每个位序的代表幅值区间，根据代表幅值区间获取每个位序的当前代表幅值，所有位序的当前代表幅值组成当前代表数据，获取每个检测心电数据的检测代表数据；每个分区段的数据点数量相同，位序表示每个分区段中相同位置的数据点；

根据代表数据的幅值变化，获取当前代表数据及每个检测代表数据的波动程度，根据代表数据的波动程度及对应周期长度对所有心电数据的代表数据进行聚类，获取当前心电数据的若干参考心电数据；

根据每个当前分段数据中每个数据点及邻域内数据点的幅值变化，以及不同分区段内相同位序数据点的幅值差异，获取当前心电数据中每个数据点的特征信息程度，获取参考心电数据中每个数据点的特征信息程度；

获取当前心电数据与每个参考心电数据的若干匹配点对，根据特征信息程度获取每个匹配点对的匹配特征率，根据匹配特征率对当前心电数据与每个参考心电数据进行加权匹配，结合初始认证结果，完成综合身份认证；

所述根据代表幅值区间获取每个位序的当前代表幅值，包括的具体方法为：

获取任意一个位序作为目标位序，目标位序的代表幅值区间记为目标幅值区间，获取目标幅值区间内每个幅值在目标位序的出现次数，将所有出现次数进行归一化，得到的结果记为每个幅值在目标位序的出现权重，对每个幅值根据出现权重进行加权求和，得到的结果记为目标位序的当前代表幅值；

所述获取当前代表数据及每个检测代表数据的波动程度，包括的具体方法为：

将当前代表数据内的当前代表幅值的位序为横坐标，当前代表幅值为纵坐标，获取当前代表数据中的峰值点，将峰值点相连形成上包络线；上包络线、上包络线的两个端点与时间轴的垂线、以及时间轴上两个端点之间的时间轴线，形成当前代表数据的包络形状；

将包络形状最小外接矩形的面积作为当前代表数据的波动程度；获取每个检测代表数据的波动程度；

所述获取当前心电数据中每个数据点的特征信息程度，包括的具体方法为：

其中，γ_u,w表示当前心电数据中第u个分区段中第w个数据点的特征信息程度，ρ_u,w表示第u个分区段中第w个数据点邻域内的幅值变化程度，Q表示邻域内数据点的数量，V_u,w,q表示第u个分区段中第w个数据点邻域内第q个数据点的斜率值，V_u,max表示第u个分区段中最大的斜率值；f_u,w表示第u个分区段中第w个数据点的幅值，

表示不同分区段中第w个数据点的幅值均值，d_u,w表示第u个分区段中第w个数据点及邻域数据点形成的曲线，与邻域数据点形成的曲线之间的DTW距离，exp()表示以自然常数为底的指数函数；

所述斜率值的获取方法为：将每个数据点与后一个数据点之间幅值的差值绝对值与时间间隔的比值，作为每个数据点的斜率值；

所述根据特征信息程度获取每个匹配点对的匹配特征率，包括的具体方法为：

获取任意一个参考心电数据作为目标心电数据，对所有当前心电数据中数据点的特征信息程度进行归一化，得到的结果记为当前特征率，对所有目标心电数据中数据点的特征信息程度进行归一化，得到的结果记为参考特征率；获取每个匹配点对对应两个数据点的当前特征率与参考特征率之和，记为每个匹配点对的匹配特征程度，对所有匹配特征程度进行归一化，得到的结果记为每个匹配点对的匹配特征率；

所述匹配点对的获取方法包括：对当前心电数据与任意一个参考心电数据进行DTW点对匹配，获取到若干匹配点对，每个匹配点对分别包含一个当前心电数据中的数据点以及参考心电数据中的数据点；

所述根据匹配特征率对当前心电数据与每个参考心电数据进行加权匹配的方法包括：将匹配特征率作为每个匹配点对中两个数据点之间欧式距离的权重，对所有匹配点对的欧式距离进行加权求和，获得匹配结果。

2.根据权利要求1所述的一种智能戒指身份认证方法，其特征在于，采集指纹信息并进行匹配，获取指纹匹配结果，包括的具体方法为：

对智能戒指录入的指纹信息进行特征细节点的提取，对当前采集的指纹信息进行特征细节点提取，将录入的指纹信息的特征细节点与当前指纹信息的特征细节点进行特征细节点对齐，并进行最邻近算法匹配，得到匹配的重叠点；

将重叠点的数量与录入的指纹信息的特征细节点总数的比值，作为当前指纹信息的指纹匹配得分，指纹匹配得分大于指纹匹配阈值，智能戒指佩戴者指纹信息的初始认证成功；指纹匹配得分小于等于指纹匹配阈值，初始认证失败。

3.根据权利要求1所述的一种智能戒指身份认证方法，其特征在于，所述根据当前心电数据的周期变化获取若干分区段，包括的具体方法为：

获取当前心电数据的周期项，设置滑动窗口大小为初始步长，以当前心电周期项中第一个数据点为起始点，滑动窗口大小为初始步长，将周期项数据划分为多个窗口；

计算任意两个窗口内周期项数据之间的余弦相似度，将所有余弦相似度的均值作为滑动窗口大小为初始步长下的周期长度选择程度；将滑动窗口大小以预设步长进行逐次迭代增加，获取每个滑动窗口大小的周期长度选择程度；

将其中周期长度选择程度最大的滑动窗口大小作为当前心电周期项的分段长度，通过分段长度对当前心电数据的检测时段进行划分，得到若干分区段。

4.根据权利要求1所述的一种智能戒指身份认证方法，其特征在于，所述获取当前心电数据的若干参考心电数据，包括的具体方法为：

构建二维坐标系，横坐标为每个代表数据的数据量，纵坐标为波动程度；将当前代表数据及每个检测代表数据置于二维坐标系中，得到若干坐标点，对所有坐标点进行聚类；

将当前代表数据对应坐标点所属的聚簇中，其他坐标点对应的检测代表数据对应的检测心电数据，作为当前心电数据的若干参考心电数据。

5.一种智能戒指身份认证系统，其特征在于，该系统包括：

指纹信息初始认证模块，采集指纹信息并进行匹配，获取指纹信息的初始认证结果；

心电数据采集处理模块：获取当前心电数据及历史中若干检测时段的检测心电数据，根据当前心电数据的周期变化获取若干分区段，将当前心电数据的幅值划分为若干幅值区间，统计每个幅值区间在不同分区段的相同位序的出现频率，将每个位序中出现频率最大的幅值区间作为每个位序的代表幅值区间，根据代表幅值区间获取每个位序的当前代表幅值，所有位序的当前代表幅值组成当前代表数据，获取每个检测心电数据的检测代表数据；每个分区段的数据点数量相同，位序表示每个分区段中相同位置的数据点；

根据代表数据的幅值变化，获取当前代表数据及每个检测代表数据的波动程度，根据代表数据的波动程度及对应的周期长度对所有心电数据的代表数据进行聚类，获取当前心电数据的若干参考心电数据；

根据每个当前分段数据中每个数据点及邻域内数据点的幅值变化，以及不同分区段内相同位序数据点的幅值差异，获取当前心电数据中每个数据点的特征信息程度，获取参考心电数据中每个数据点的特征信息程度；

信息综合身份认证模块，获取当前心电数据与每个参考心电数据的若干匹配点对，根据特征信息程度获取每个匹配点对的匹配特征率，根据匹配特征率对当前心电数据与每个参考心电数据进行加权匹配，结合初始认证结果，完成综合身份认证；

所述根据代表幅值区间获取每个位序的当前代表幅值，包括的具体方法为：

获取任意一个位序作为目标位序，目标位序的代表幅值区间记为目标幅值区间，获取目标幅值区间内每个幅值在目标位序的出现次数，将所有出现次数进行归一化，得到的结果记为每个幅值在目标位序的出现权重，对每个幅值根据出现权重进行加权求和，得到的结果记为目标位序的当前代表幅值；

所述获取当前代表数据及每个检测代表数据的波动程度，包括的具体方法为：

将当前代表数据内的当前代表幅值的位序为横坐标，当前代表幅值为纵坐标，获取当前代表数据中的峰值点，将峰值点相连形成上包络线；上包络线、上包络线的两个端点与时间轴的垂线、以及时间轴上两个端点之间的时间轴线，形成当前代表数据的包络形状；

将包络形状最小外接矩形的面积作为当前代表数据的波动程度；获取每个检测代表数据的波动程度；

所述获取当前心电数据中每个数据点的特征信息程度，包括的具体方法为：

其中，γ_u,w表示当前心电数据中第u个分区段中第w个数据点的特征信息程度，ρ_u,w表示第u个分区段中第w个数据点邻域内的幅值变化程度，Q表示邻域内数据点的数量，V_u,w,q表示第u个分区段中第w个数据点邻域内第q个数据点的斜率值，V_u,max表示第u个分区段中最大的斜率值；f_u,w表示第u个分区段中第w个数据点的幅值，

表示不同分区段中第w个数据点的幅值均值，d_u,w表示第u个分区段中第w个数据点及邻域数据点形成的曲线，与邻域数据点形成的曲线之间的DTW距离，exp()表示以自然常数为底的指数函数；

所述斜率值的获取方法为：将每个数据点与后一个数据点之间幅值的差值绝对值与时间间隔的比值，作为每个数据点的斜率值；

所述根据特征信息程度获取每个匹配点对的匹配特征率，包括的具体方法为：

获取任意一个参考心电数据作为目标心电数据，对所有当前心电数据中数据点的特征信息程度进行归一化，得到的结果记为当前特征率，对所有目标心电数据中数据点的特征信息程度进行归一化，得到的结果记为参考特征率；获取每个匹配点对对应两个数据点的当前特征率与参考特征率之和，记为每个匹配点对的匹配特征程度，对所有匹配特征程度进行归一化，得到的结果记为每个匹配点对的匹配特征率；

所述匹配点对的获取方法包括：对当前心电数据与任意一个参考心电数据进行DTW点对匹配，获取到若干匹配点对，每个匹配点对分别包含一个当前心电数据中的数据点以及参考心电数据中的数据点；

所述根据匹配特征率对当前心电数据与每个参考心电数据进行加权匹配的方法包括：将匹配特征率作为每个匹配点对中两个数据点之间欧式距离的权重，对所有匹配点对的欧式距离进行加权求和，获得匹配结果。

Images