CN117874600A - 一种基于心电特征对齐的脉搏波身份识别方法和装置 - Google Patents
一种基于心电特征对齐的脉搏波身份识别方法和装置 Download PDFInfo
- Publication number
- CN117874600A CN117874600A CN202311751190.6A CN202311751190A CN117874600A CN 117874600 A CN117874600 A CN 117874600A CN 202311751190 A CN202311751190 A CN 202311751190A CN 117874600 A CN117874600 A CN 117874600A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- feature
- signals
- user
- identity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 239000012634 fragment Substances 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013186 photoplethysmography Methods 0.000 description 47
- 238000000605 extraction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于心电特征对齐的脉搏波身份识别方法和装置,包括:同步采集用户的脉搏波信号和心电信号作为原始数据集,对原始数据集预处理得到时间对齐的脉搏波信号片段和心电信号片段组成一个对齐样本,结合对齐样本对应的用户身份标签构建训练数据集;利用训练数据集对特征提取器进行训练,在训练过程中使脉搏波特征与心电特征在区分不同人身份的同时进行特征分布对齐;计算每个用户对应所有脉搏波特征的均值作为特征模版来构建特征模版库;利用训练好的特征提取器提取待识别用户脉搏波信号的脉搏波特征,并通过比较脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份。该方法和装置进一步提升了脉搏波身份识别的准确率。
Description
技术领域
本发明属于身份识别技术领域,具体涉及一种基于心电特征对齐的脉搏波身份识别方法和装置。
背景技术
身份认证技术作为保证信息安全的重要手段,在个人和社会的众多领域中保护着数据的访问合法性、完整性、隐私性。传统的密码、身份卡等认证方式由于使用不便和容易遗忘,已经逐渐无法满足人们的需要。而基于静态生物特征的身份认证技术,例如人脸识别、指纹识别、虹膜识别等,这类生物特征容易被窃取而使认证系统受到重放攻击和展示攻击的威胁,在安全性上有所欠缺。因此,基于心脏生理信号的身份认证技术应运而生。
心脏生理信号具有个体差异大、持续生成的特点。在安全性方面,心脏生理信号相比于其他传统生物特征具有肉眼不可见、内在活性的优点,因此在身份认证领域具有巨大的应用潜力。心脏生理信号有两种典型表现形式:心电图(Electrocardiogram,ECG)、光电容积脉搏波(Photoplethysmography,PPG)。由于心脏信号和人的生理结构、状态息息相关,因此每个人都具有独特的ECG和PPG波形。
ECG一般通过将电极贴在人体心脏附近,来直接采集和心脏活动紧密相关的电信号。ECG信号具有良好的信噪比,不同人的信号波形区分度高,但是ECG信号的电极采集方式对用户不够友好,因而在实际应用中受到较大的限制。
PPG通过将一束光射入人体皮肤,并采集反射或透射回来的光强,对心脏活动进行间接的测量。由于人体组织中血液容量会随着心脏的搏动产生周期性的波动,因此导致血液对光的吸收量的周期性波动,这一波动被光电传感器所接收即为PPG信号。相比之下,PPG信号非常容易采集,PPG传感器是体积很小的光学传感器,可以方便地集成在可穿戴设备和其他设备中,且PPG信号能在人体大多数地方进行采集,因而更有利于实现连续、无感的身份认证,具有更广阔的应用前景。
在利用PPG信号进行身份认证的过程中,特征提取是其中重要的一环。传统的特征提取方法依据生理学的先验知识和经验,手工提取PPG信号的波形特征、时域特征和频域特征,这类特征复杂度高、稳定性差,且提取的特征有限;目前,基于深度学习的特征提取方法得到了广泛关注,例如利用卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM),在降低特征计算复杂度的同时,具备更好的身份识别准确率和对抗干扰的鲁棒性。
但是,基于CNN和LSTM的特征提取器还存在一些问题。首先,仍然需要较为复杂的信号预处理过程,如波峰检测、心跳周期提取等;并且利用循环神经网络提取特征会更为缓慢,所需时间取决于信号的长度。这些因素都将导致认证时的响应时间大大增加。此外,由于PPG信号本身信噪比较低,收到各种环境、用户状态等干扰因素的影响,因此即使采用了深度学习方法,基于PPG的身份识别准确率相较于ECG仍然具有较大的差距。总之,如何降低特征提取时的计算复杂度和响应时间、进一步提升身份识别的准确率,是当前基于深度学习的PPG身份认证技术亟需解决的问题。
公开号为CN114239649A的专利文献公开了一种面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法。包括:对脉搏波信号进行信号预处理(滤波去噪、正则化归一化处理、波峰检测、心跳周期提取和插值)并作为训练集;通过一维CNN和LSTM神经网络构成的特征提取器提取时间稳定的可辨识特征;利用特征提取器得到的特征构建模板数据库;基于特征提取器和模板数据库对待识别用户的PPG信号进行身份识别。尽管该发明相比于传统手工特征提取的方法降低了计算复杂度、提高了识别准确率,但是较为繁琐的信号预处理和LSTM的应用使得该方案的仍然存在一定的计算复杂度和较高的响应时间,且没有解决PPG信号本身区分能力不足的问题。
发明内容
鉴于上述,本发明的目的是提供一种基于心电特征对齐的脉搏波身份识别方法和装置,提升脉搏波身份识别的准确性。
为实现上述发明目的,本发明提供了一种基于心电特征对齐的脉搏波身份识别方法,包括以下步骤:
同步采集用户的脉搏波信号和心电信号作为原始数据集,对原始数据集预处理得到时间对齐的脉搏波信号片段和心电信号片段组成一个对齐样本,结合对齐样本对应的用户身份标签构建训练数据集;
利用训练数据集对特征提取器进行训练,在训练过程中使脉搏波特征与心电特征在区分不同人身份的同时进行特征分布对齐;
利用训练好的特征提取器计算每个注册用户对应所有脉搏波特征的均值作为特征模版来构建特征模版库,通过比较待认证用户的脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份。
优选地,同步采集用户的脉搏波信号和心电信号作为原始数据集,包括:对脉搏波信号和心电信号分别进行重采样和对齐处理,具体通过插值法将两种信号调整为相同的采样率,并保证两种信号在时间上的对齐,即样本点数量相同,得到原始数据集;
对原始数据集预处理,包括:对对齐处理后的脉搏波信号和心电信号分别进行滤波去噪、信号分段、正则化处理,具体对脉搏波信号和心电信号分别应用截止频率为0.5-10Hz、0.5-40Hz的带通滤波器去除噪声,对滤波后的信号进行分段处理,信号片段的时长固定,包含至少一个心跳周期,且脉搏波信号和心电信号的切分点一致,脉搏波信号片段和心电信号片段一一对应,构成一个对齐样本,对分段后的脉搏波信号和心电信号分别进行正则化处理,使每个片段的样本点具有零均值和单位方差。
优选地,所述特征提取器为一维卷积神经网络,用于从变长的时序信号中提取具有区分度的身份特征,该身份特征包括脉搏波特征和/或心电特征。
优选地,所述一维卷积神经网络首先通过若干卷积模块来将一维时序信号输入转变为高维特征序列,随后经过一个统计池化层来计算高维特征序列的统计特征,最后通过全连接层保留最具区分度的是深度特征,其中,时序信号包括脉搏波信号和心电信号,深度特征包括脉搏信号对应的脉搏波特征,心电信号对应的心电特征,统计池化层计算每类信号对应高维特征序列的均值和方差,并将均值和方差拼接成一个特征向量后输入至全连接层。
优选地,每个卷积模块包括一维卷积层、一个非线性激活函数层、一个正则化层。
优选地,在对特征提取器的训练过程中,采用特征分布对齐损失实现两类特征分布对齐,具体特征分布对齐损失表示为:
其中,i为样本索引,N为样本数,φ(·)为一个将深度特征z映射到希尔伯特空间的映射函数,/>和/>分别为第i个样本对应的脉搏波信号和心电信号所提取的深度特征,即脉搏波特征和心电特征。
优选地,在对特征提取器的训练过程中,还采用分类损失分类损失采用交叉熵损失,表示为:
其中,M为识别身份的类别标签数,yi,c为二进制指示符,如果类别标签c是样本i正确的分类则为1,否则为0,pi,c为样本i属于类别c的预测概率,i为样本索引,N为样本数,
联合分类损失和特征分布对齐损失/>形成总损失/> 对特征提取器进行训练,其中,λ为调节参数。
优选地,所述计算每个注册用户对应所有脉搏波特征的均值作为特征模版,包括:
采集待注册用户的脉搏波信号,经信号预处理后获得脉搏波信号片段,并利用训练好的特征提取器提取脉搏波特征,基于提取的脉搏波特征计算注册用户的特征模板并构建模板数据库,其中特征模板cenroll通过均值计算得到:
其中,其中K为每个注册用户脉搏波信号片段总数,j为脉搏波信号片段索引,为第j个脉搏波信号片段对应的脉搏波特征。
优选地,所述通过比较待认证用户的脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份,包括:
计算待认证用户的脉搏波特征与特征模版库中每个特征模版的相似度来表示距离,并将最小距离和预设阈值进行比较,当最小距离小于预设阈值时,身份认证通过,否则,认为待认证用户的脉搏波特征和注册用户的脉搏波特征相似度低,身份认证不通过。
可选地,可以采用余弦相似度作为距离的度量,即:
其中,ztest为待验证用户的脉搏波特征,cenroll为模板数据库中的深度特征,cos<·,·>为余弦相似度,‖·‖为二范数。
为实现上述发明目,本发明还提供了一种基于心电特征对齐的脉搏波身份识别装置,包括数据采集及预处理模块、模型训练模块、认证模块;
所述数据采集及预处理模块用于同步采集用户的脉搏波信号和心电信号作为原始数据集,对原始数据集预处理得到时间对齐的脉搏波信号片段和心电信号片段组成一个对齐样本,结合对齐样本对应的用户身份标签构建训练数据集;
所述模型训练模块用于利用训练数据集对特征提取器进行训练,在训练过程中使脉搏波特征与心电特征在区分不同人身份的同时进行特征分布对齐;
所述认证模块用于利用训练好的特征提取器计算每个注册用户对应所有脉搏波特征的均值作为特征模版来构建特征模版库,通过比较待认证用户的脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份。
本发明提出的基于心电特征对齐的脉搏波身份识别方法,有效减少了信号预处理步骤的计算复杂度,同时通过仅使用卷积神经网络作为特征提取器,极大地提升了特征计算的速度。此外,利用信号质量更好的ECG特征分布作为参考,进一步提升了PPG身份识别的准确率,使得基于PPG信号的身份识别在日常生活中具有更高的实用价值。
本发明具有的具体有益效果至少包括:
(1)简化的PPG信号预处理:仅通过简单的滤波去噪和正则化处理,而不需要波峰检测、心跳周期提取等步骤,因此降低了PPG信号预处理的计算复杂度,提升了信号预处理阶段的处理速度。
(2)并行高效的特征提取器设计:利用纯卷积神经网络提取PPG信号的深度特征,可以并行地计算出任意时长PPG信号的波形特征,通过堆叠的一维卷积模块和统计池化层,从而高效地提取时间稳定的、具有身份区分度的特征。
(3)优化的身份识别准确率:在训练阶段同时提取PPG信号和ECG信号的深度特征,并使得PPG上提取的特征分布与ECG上提取的特征分布对齐,从而隐式地将ECG信号中包含的知识迁移到PPG特征的学习中,ECG信号中包含了更丰富的信息来区分不同人的身份,因此这种特征对齐的方式能够进一步提升PPG身份识别的准确率。
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做简单地介绍,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前提下,还可以根据这些附图获得其他附图。
图1是实施例提供的基于心电特征对齐的脉搏波身份识别方法的整体流程图;
图2是实施例提供的基于脉搏波信号和深度特征提取器的身份识别流程图;
图3是实施例提供的基于心电特征对齐的脉搏波特征提取器训练示意图;
图4是实施例提供的基于心电特征对齐的脉搏波身份识别装置的结构示意图。
具体实施方式
为使本发明的目的、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的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
本发明的技术构思为:针对现有PPG认证技术存在的信号预处理复杂度高、识别准确率不足的问题,提供了一种基于心电信号特征分布对齐的身份识别方法,有效减少了信号预处理所需步骤,提高了特征提取的并行度,并进一步提升了识别准确率。
基于以上技术构思,实施例提供的一种基于心电信号特征分布对齐的身份识别方法,如图1所示,包括以下步骤:
步骤1,同步采集用户的脉搏波信号(简称PPG信号)和心电信号(简称ECG信号)作为原始数据集,对原始数据集预处理得到时间对齐的脉搏波信号片段和心电信号片段组成一个对齐样本,结合对齐样本对应的用户身份标签构建训练数据集。
实施例中,同步采集的PPG信号和ECG信号一般具有不同的采样率,因此需要进行重采样处理,采用线性插值法将采样率调整到相同数值(如128Hz,即每秒128个样本点)。此外,若两种信号在重采样后总样本点数量不一致,则需要截去多余的样本点,保持两者在时间上的对齐,作为原始数据集。
实施例中,采用的信号预处理包括滤波去噪、信号分段、正则化三个基本步骤。在滤波去噪过程中,分别采用截止频率为0.5-10Hz、0.5-40Hz的巴特沃斯带通滤波器(Butterworth Filter)去除PPG信号和ECG信号的噪声。在信号分段阶段,需要保证每一个片段至少包含一个心跳周期,同时需要考虑用户认证过程中的可用性和及时性,因此片段时间也不宜过长,故而截取3至5秒的片段作为样本,PPG信号和ECG信号的片段截取点保持一致,这样截取出来的PPG片段和ECG片段一一对应,可以构成一个对齐样本。在正则化阶段,对所有的对齐样本进行正则化处理,使每个片段的样本点具有零均值和单位方差,此步骤用于统一训练集中的样本幅度,便于后续神经网络的训练。
步骤2,利用训练数据集对特征提取器进行训练,在训练过程中使脉搏波特征与心电特征在区分不同人身份的同时进行特征分布对齐。
特征提取器采用卷积神经网络进行训练要考虑两点,一是要保证提取的特征具有充分的身份区分度,二是PPG信号和ECG信号两者的特征分布要相同或接近。因此,特征提取器采用一维卷积神经网络,具体地,如图3所示,采用5层一维卷积模块对原始信号进行波形特征的识别和提取。其中卷积模块层由一个普通的一维卷积层、一个修正线性单元(ReLU)激活函数、一个批正则化层构成。随着模块层数的深入,提取的特征所涵盖的信号范围也不断扩大,即卷积层中神经元所能感受到的信号范围逐渐增加,对应的特征也从局部的低层级特征往全局的高层级特征转变,即从(1,T)的一维信号变为(d,T)的高维特征序列,其中T为时间长度,即样本点数量,d为新的特征序列的特征维度。
之后,采用统计池化层来计算高维特征序列的均值μ和方差σ,并将均值μ和方差σ拼接成一个长度为2d的特征向量,最后经过一个全连接层来将统计特征映射为最具区分度的深度特征,所提取的深度特征可用于后续的识别用户身份的分类任务中,其中,深度特征包括PPG特征与ECG特征。
在训练阶段需要保证特征提取器提取的PPG特征与ECG特征在区分不同人身份的同时具有对齐的特征分布。因此,分别采用多分类交叉熵损失Lcls保证特征的身份区分度,并采用最大化均值差异损失Ldist使PPG特征分布和ECG特征分布接近训练过程中的损失为两者之和,并用参数λ来调节损失的权重比,即:
其中,N为样本数,M为识别身份的类别标签数,yi,c为二进制指示符(如果类别标签c是样本i正确的分类则为1,否则为0),pi,c为样本i属于类别c的预测概率,φ(·)为一个将特征z映射到希尔伯特空间的映射函数,和/>分别为第i个样本对应的PPG信号和ECG信号所提取的深度特征。
步骤3,利用训练好的特征提取器计算每个用户对应所有脉搏波特征的均值作为特征模版来构建特征模版库,通过比较待识别用户的脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份。
实施例中,考虑单一用户身份识别的情况,身份识别的流程如图2所示,可以分为注册和认证两个阶段。在注册阶段,待注册用户的PPG信号经过和训练阶段一样的预处理后(滤波去噪、信号分段、正则化),用训练好的特征提取器提取深度特征,由于注册阶段的PPG信号较长,可以获得多个PPG深度特征,因此采用均值法来计算注册特征模板:
其中,K为用户注册时的PPG信号片段总数。
之后,将得到的特征模板保存在本地或者云端用于后续认证阶段的模板匹配。在认证阶段,待认证用户的PPG信号经过相同的预处理和特征提取后,将提取的PPG特征和模板数据库中的每个特征模版比对,根据两者的余弦相似度计算两者的距离:
其中,ztest为待验证用户的深度特征,cemroll为模板数据库中的深度特征,cos<·,·>为余弦相似度,‖·‖为二范数。根据最小距离和预先设置的阈值τ相比较,若d(ztest,cenroll)大于等于τ,则认证不通过;若小于τ,则认证通过。
上述实施例提供的基于心电特征对齐的脉搏波身份识别方法,有效降低了信号预处理和特征提取时的计算复杂度,提高了认证系统的响应速度。此外,通过在训练时引入对齐的ECG信号样本并使PPG和ECG上提取的特征具有相同的分布,使得ECG中包含的知识能够隐性地被网络所学习,从而进一步提升PPG身份识别的准确率。
基于同样的技术构思,如图4所示,实施例还提供了一种基于心电特征对齐的脉搏波身份识别装置,包括数据采集及预处理模块、模型训练模块、认证模块,其中,数据采集及预处理模块用于同步采集用户的脉搏波信号和心电信号作为原始数据集,对原始数据集预处理得到时间对齐的脉搏波信号片段和心电信号片段组成一个对齐样本,结合对齐样本对应的用户身份标签构建训练数据集;模型训练模块用于利用训练数据集对特征提取器进行训练,在训练过程中使脉搏波特征与心电特征在区分不同人身份的同时进行特征分布对齐;认证模块用于利用训练好的特征提取器计算每个注册用户对应所有脉搏波特征的均值作为特征模版来构建特征模版库,通过比较待认证用户的脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份。
需要说明的是,上述实施例提供的基于心电特征对齐的脉搏波身份识别装置在进行脉搏波身份识别时,应以上述各功能模块的划分进行举例说明,可以根据需要将上述功能分配由不同的功能模块完成,即在终端或服务器的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于心电特征对齐的脉搏波身份识别装置与基于心电特征对齐的脉搏波身份识别方法实施例属于同一构思,其具体实现过程详见基于心电特征对齐的脉搏波身份识别方法实施例,这里不再赘述。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于心电特征对齐的脉搏波身份识别方法,其特征在于,包括以下步骤:
同步采集用户的脉搏波信号和心电信号作为原始数据集,对原始数据集预处理得到时间对齐的脉搏波信号片段和心电信号片段组成一个对齐样本,结合对齐样本对应的用户身份标签构建训练数据集;
利用训练数据集对特征提取器进行训练,在训练过程中使脉搏波特征与心电特征在区分不同人身份的同时进行特征分布对齐;
利用训练好的特征提取器计算每个注册用户对应所有脉搏波特征的均值作为特征模版来构建特征模版库,通过比较待认证用户的脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份。
2.根据权利要求1所述的基于心电特征对齐的脉搏波身份识别方法,其特征在于,同步采集用户的脉搏波信号和心电信号作为原始数据集,包括:对脉搏波信号和心电信号分别进行重采样和对齐处理,具体通过插值法将两种信号调整为相同的采样率,并保证两种信号在时间上的对齐,即样本点数量相同,得到原始数据集;
对原始数据集预处理,包括:对对齐处理后的脉搏波信号和心电信号分别进行滤波去噪、信号分段、正则化处理,具体对脉搏波信号和心电信号分别应用截止频率为0.5-10Hz、0.5-40Hz的带通滤波器去除噪声,对滤波后的信号进行分段处理,信号片段的时长固定,包含至少一个心跳周期,且脉搏波信号和心电信号的切分点一致,脉搏波信号片段和心电信号片段一一对应,构成一个对齐样本,对分段后的脉搏波信号和心电信号分别进行正则化处理,使每个片段的样本点具有零均值和单位方差。
3.根据权利要求1所述的基于心电特征对齐的脉搏波身份识别方法,其特征在于,所述特征提取器为一维卷积神经网络,用于从变长的时序信号中提取具有区分度的身份特征,该身份特征包括脉搏波特征和/或心电特征。
4.根据权利要求3所述的基于心电特征对齐的脉搏波身份识别方法,其特征在于,所述一维卷积神经网络首先通过若干卷积模块来将一维时序信号输入转变为高维特征序列,随后经过一个统计池化层来计算高维特征序列的统计特征,最后通过全连接层保留最具区分度的是深度特征,其中,时序信号包括脉搏波信号和心电信号,深度特征包括脉搏信号对应的脉搏波特征,心电信号对应的心电特征,统计池化层计算每类信号对应高维特征序列的均值和方差,并将均值和方差拼接成一个特征向量后输入至全连接层。
5.根据权利要求4所述的基于心电特征对齐的脉搏波身份识别方法,其特征在于,每个卷积模块包括一维卷积层、一个非线性激活函数层、一个正则化层。
6.根据权利要求1所述的基于心电特征对齐的脉搏波身份识别方法,其特征在于,在对特征提取器的训练过程中,采用特征分布对齐损失实现两类特征分布对齐,具体特征分布对齐损失表示为:
其中,i为样本索引,N为样本数,φ(·)为一个将深度特征z映射到希尔伯特空间的映射函数,/>和/>分别为第i个样本对应的脉搏波信号和心电信号所提取的深度特征,即脉搏波特征和心电特征。
7.根据权利要求6所述的基于心电特征对齐的脉搏波身份识别方法,其特征在于,在对特征提取器的训练过程中,还采用分类损失分类损失采用交叉熵损失,表示为:
其中,M为识别身份的类别标签数,yi,c为二进制指示符,如果类别标签c是样本i正确的分类则为1,否则为0,pi,c为样本i属于类别c的预测概率,i为样本索引,N为样本数,
联合分类损失和特征分布对齐损失/>形成总损失/> 对特征提取器进行训练,其中,λ为调节参数。
8.根据权利要求1所述的基于心电特征对齐的脉搏波身份识别方法,其特征在于,所述计算每个注册用户对应所有脉搏波特征的均值作为特征模版,包括:
采集待注册用户的脉搏波信号,经信号预处理后获得脉搏波信号片段,并利用训练好的特征提取器提取脉搏波特征,基于提取的脉搏波特征计算注册用户的特征模板并构建模板数据库,其中特征模板Cenroll通过均值计算得到:
其中,其中K为每个注册用户脉搏波信号片段总数,j为脉搏波信号片段索引,为第j个脉搏波信号片段对应的脉搏波特征。
9.根据权利要求1所述的基于心电特征对齐的脉搏波身份识别方法,其特征在于,所述通过比较待认证用户的脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份,包括:
计算待认证用户的脉搏波特征与特征模版库中每个特征模版的相似度来表示距离,并将最小距离和预设阈值进行比较,当最小距离小于预设阈值时,身份认证通过,否则,身份认证不通过。
10.一种基于心电特征对齐的脉搏波身份识别装置,其特征在于,包括数据采集及预处理模块、模型训练模块、认证模块;
所述数据采集及预处理模块用于同步采集用户的脉搏波信号和心电信号作为原始数据集,对原始数据集预处理得到时间对齐的脉搏波信号片段和心电信号片段组成一个对齐样本,结合对齐样本对应的用户身份标签构建训练数据集;
所述模型训练模块用于利用训练数据集对特征提取器进行训练,在训练过程中使脉搏波特征与心电特征在区分不同人身份的同时进行特征分布对齐;
所述认证模块用于利用训练好的特征提取器计算每个注册用户对应所有脉搏波特征的均值作为特征模版来构建特征模版库,通过比较待认证用户的脉搏波特征与特征模版库中特征模版的相似度来确定待识别用户的身份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311751190.6A CN117874600A (zh) | 2023-12-19 | 2023-12-19 | 一种基于心电特征对齐的脉搏波身份识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311751190.6A CN117874600A (zh) | 2023-12-19 | 2023-12-19 | 一种基于心电特征对齐的脉搏波身份识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117874600A true CN117874600A (zh) | 2024-04-12 |
Family
ID=90589261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311751190.6A Pending CN117874600A (zh) | 2023-12-19 | 2023-12-19 | 一种基于心电特征对齐的脉搏波身份识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874600A (zh) |
-
2023
- 2023-12-19 CN CN202311751190.6A patent/CN117874600A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776788B (zh) | 一种基于脑电波的识别方法 | |
Chu et al. | ECG authentication method based on parallel multi-scale one-dimensional residual network with center and margin loss | |
CN104102915B (zh) | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 | |
Bonissi et al. | A preliminary study on continuous authentication methods for photoplethysmographic biometrics | |
US8232866B2 (en) | Systems and methods for remote long standoff biometric identification using microwave cardiac signals | |
CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
Wang et al. | Multi-scale differential feature for ECG biometrics with collective matrix factorization | |
Ibtehaz et al. | EDITH: ECG biometrics aided by deep learning for reliable individual authentication | |
Belgacem et al. | Person identification system based on electrocardiogram signal using LabVIEW | |
CN106874722A (zh) | 一种基于心电信号的身份识别方法及其装置 | |
Wu et al. | Robust ecg biometrics using two-stage model | |
CN114578963B (zh) | 一种基于特征可视化和多模态融合的脑电身份识别方法 | |
Bastos et al. | Double authentication model based on ppg and ecg signals | |
Kuila et al. | Feature extraction of electrocardiogram signal using machine learning classification | |
Canento et al. | Review and comparison of real time electrocardiogram segmentation algorithms for biometric applications | |
CN116861217B (zh) | 用于移动终端的身份识别方法及系统 | |
Sun et al. | A practical cross-domain ECG biometric identification method | |
Hejazi et al. | Feature level fusion for biometric verification with two-lead ECG signals | |
Huang et al. | Multi-view discriminant analysis with sample diversity for ECG biometric recognition | |
Li et al. | Feature extraction based on high order statistics measures and entropy for eeg biometrics | |
CN116305048A (zh) | 一种基于改进残差收缩网络的身份识别方法 | |
CN109919050A (zh) | 身份识别方法和装置 | |
CN117874600A (zh) | 一种基于心电特征对齐的脉搏波身份识别方法和装置 | |
CN107822627B (zh) | 一种基于脑电信号的眼动信号识别方法 | |
Gupta et al. | Person identification using electrocardiogram and deep long short term memory |
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 |