TWI802346B - 認證系統及認證方法 - Google Patents

認證系統及認證方法 Download PDF

Info

Publication number
TWI802346B
TWI802346B TW111111787A TW111111787A TWI802346B TW I802346 B TWI802346 B TW I802346B TW 111111787 A TW111111787 A TW 111111787A TW 111111787 A TW111111787 A TW 111111787A TW I802346 B TWI802346 B TW I802346B
Authority
TW
Taiwan
Prior art keywords
signal
sensed
photoplethysmography
photoplethysmography signal
authentication
Prior art date
Application number
TW111111787A
Other languages
English (en)
Other versions
TW202334844A (zh
Inventor
邱鴻志
任恩
Original Assignee
聯發科技股份有限公司
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
Priority claimed from US17/675,266 external-priority patent/US12124548B2/en
Application filed by 聯發科技股份有限公司 filed Critical 聯發科技股份有限公司
Application granted granted Critical
Publication of TWI802346B publication Critical patent/TWI802346B/zh
Publication of TW202334844A publication Critical patent/TW202334844A/zh

Links

Images

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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本發明提供一種用於認證主體身份的認證系統和認證方法。認證系統包括光電容積脈搏波(PPG)傳感器，被配置為感測對象的血管脈衝以產生對象的感測的PPG信號；存儲認證模型的存儲設備，以及處理器，用於從存儲設備中加載認證模型，並將感測的PPG信號和參考PPG信號輸入認證模型，生成結果值，結果值表示主體的身份是否通過了認證測試。本發明的認證系統及方法可以準確識別主體身份。

Description

認證系統及認證方法
本發明涉及一種認證系統，更具體地，涉及一種使用神經網路架構（neural network architecture）的基於光電容積脈搏波(photoplethysmogram，簡寫為PPG)信號的認證系統。
近年來，生物特徵認證已在計算機科學中作為一種識別和訪問控制的形式使用。 通常，生物特徵認證是通過識別生理特徵來實現的，例如指紋、面部、掌紋、手的幾何形狀、虹膜、視網膜等。 然而，一些生理特徵很容易偽造。 在生理特徵的測量或檢測過程中，環境障礙可能會影響識別的準確性。
以下概述僅是說明性的，並不旨在以任何方式進行限制。 也就是說，提供以下概述以介紹本文描述的新穎和進步的技術的概念、要點、益處和優點。 下面在詳細描述中進一步描述選擇實現。 因此，以下發明內容並非旨在標識所要求保護的主題的必要特徵，也不旨在用於確定所要求保護的主題的範圍。
依據本發明的示範性實施例，提出以下方法及相應裝置以解决上述問題。
本發明提供一種用於認證主體身份的認證系統，包括：光電容積脈搏波(PPG)傳感器，被配置為感測該對象的血管脈衝以產生該對象的感測的PPG信號；存儲認證模型的存儲設備，以及處理器，用於從該存儲設備中加載該認證模型，並將該感測的PPG信號和參考PPG信號輸入該認證模型，生成結果值，該結果值表示該主體的身份是否通過了認證測試。
本發明還提供一種用於認證主體身份的認證方法，包括：感測該主體血管的脈搏以產生該主體的感測的PPG信號；利用認證模型產生結果值，確定該感測的PPG信號與參考PPG信號是否屬於同一類別；以及根據該結果值確定該主體的身份是否通過該認證測試。
根據一個實施例，認證模型由神經網路架構實現。
根據一個實施例，神經網路架構是包括兩個子網路的雙卷積神經網路(CNN)，這兩個子網路分別接收感測的PPG信號和參考PPG信號並且共享權重。
以下實施例將結合附圖進行詳細說明。
以下描述是實施本發明的最佳預期模式。該描述是為了說明本發明的一般原理而作出的，不應理解為限制性的。本發明的範圍最好通過參考所附申請專利範圍來確定。
將針對特定實施例並參考某些附圖來描述本發明，但本發明不限於此並且僅由申請專利範圍書限制。將進一步理解，術語“包括”、“包含”和/或“涵蓋”，當在本文中使用時，指定所述特徵、整數、步驟、操作、元件和/或組件的存在，但不排除存在或添加一個或多個其他特徵、整數、步驟、操作、元素、組件和/或它們的組合。
在申請專利範圍中使用諸如“第一”、“第二”、“第三”等順序術語來修改申請專利範圍要素本身並不意味著一個申請專利範圍要素相對於另一個申請專利範圍要素的任何優先權、優先權或順序或執行方法的動作的時間順序，但僅用作標籤，以區分具有特定名稱的一個申請專利範圍元素與另一個具有相同名稱的元素（但使用序數術語）以區分申請專利範圍元素。
第1圖示出了用於認證對象（subject，後文中亦稱為受檢者或主體）身份的認證系統的示例性實施例。如第1圖所示，認證系統1包括光電容積脈搏波(PPG)傳感器10、運動探測器11、預處理器12、處理器13和存儲設備14。
PPG傳感器10包括至少一個光源。當PPG傳感器10被激活時，PPG傳感器10通過從光源發射的光束照亮對象的皮膚。從光源發出的光束穿過皮膚下的組織和血液，然後被PPG傳感器10接收並收集在PPG傳感器10中。PPG傳感器10根據收集到的光束檢測皮膚下血液的光吸收變化，從而感應受檢者的血管脈搏。 PPG傳感器10根據接收到的光束量在時域中產生感測的PPG信號S10。在一個實施例中，PPG傳感器10通過有線或無線方式與預處理器12通信，以將感測的PPG信號S10傳輸到預處理器12。
運動探測器11操作以檢測對象的運動並根據檢測結果產生運動信號S11。在一個實施例中，運動傳感器11由加速度計實現，運動信號S11包含至少兩個方向分量。例如，移動信號S11包含X軸分量、Y軸分量和Z軸分量。在一個實施例中，運動探測器11通過有線或無線方式與預處理器12通信，以將運動信號S11傳輸到預處理器12。
在一個實施例中，預處理器12可以由至少一個積體電路組成，例如微控制器、微處理器、數位信號處理器(DSP)和現場可程式化門陣列(FPGA)、專用積體電路 (ASIC) 或要實現的邏輯電路。預處理器12處理感測的PPG信號S10以獲得沒有噪聲和環境干擾的版本的感測的PPG信號S10，並且進一步將感測的PPG信號S10按窗口大小（window size）分割成資料段。例如，參考第1圖，預處理器12包括濾波器120、偽影去除器121和片段提取器（section extractor）122。
在一個實施例中，濾波器120接收感測的PPG信號S10並通過執行濾波操作來處理感測的PPG信號S10，以從感測的PPG信號S10中濾除噪聲和特定頻率範圍內的分量。已由濾波器120處理的感測的PPG信號S10被提供給偽影去除器121。
偽影去除器121接收來自運動探測器11的運動信號S11和來自濾波器120的感測的PPG信號S10。偽影去除器121根據運動信號S11檢測對象的運動偽影。響應於檢測，偽影去除器121通過對感測的PPG信號S10執行運動偽影去除操作來處理感測的PPG信號S10。例如，當運動傳感器11根據運動信號S11感測到對象劇烈運動時，偽影去除器121從感測的PPG信號S10中去除與對象的運動偽影對應的至少一個信號片段。
已由濾波器120和偽影去除器121處理的感測的PPG信號S10被提供給片段提取器122。片段提取器122將感測的PPG信號S10按窗口大小分割成資料片段。在一個實施例中，窗口大小是可調整的。參照第3圖，感測的PPG信號S10以若干時間間隔T1～Tn被分割成資料段DS10。時間間隔T1~Tn具有相同的時間長度。因此，每個時間間隔T1~Tn作為一個窗口，時間間隔T1~Tn的長度作為窗口的大小，稱為“窗口大小”。在一個實施例中，窗口大小最初被設置為五秒。
在一個實施例中，存儲設備14可以由只讀記憶體、閃存、軟碟、硬碟、光碟、閃存驅動器、磁帶、網路可訪問資料庫、或者所屬領域具有通常知識者了解的具有相同功能的存儲介質。存儲裝置14用於存儲認證模型140，並進一步存儲對象的參考PPG信號S141的資料段。在一個實施例中，認證模型140可以由軟體實現，該軟體可以由處理器13執行。
在一個實施例中，對象的參考PPG信號S141的資料段預先存儲在存儲設備14中。在獲得感測的PPG信號S10之前，PPG傳感器10感測到參考PPG信號S141。參考PPG信號S141也被預處理器12的濾波器120和偽影去除器121處理，然後被片段提取器122分割成相同窗口大小的資料片段。參考PPG信號S141的資料段被提供給存儲裝置14進行存儲。
在一個實施例中，處理器13可以由至少一個積體電路組成，例如微控制器、微處理器、數位信號處理器(DSP)和現場可程式化門陣列(FPGA)、專用積體電路（ASIC）或邏輯電路來實現。處理器13從存儲裝置14加載認證模型140並訪問存儲在存儲裝置14中的參考PPG信號S141的至少一個資料段。處理器13講感測的PPG信號S10的至少一個資料段以及參考PPG信號S141的至少一個資料段輸入認證模型140以產生結果值，該結果值指示對象的身份是否通過認證測試。
在該實施例中，認證模型140由神經網路架構實現，其具有用於感測的PPG信號S10和參考PPG信號S141的兩個輸入。例如，神經網路架構由包含兩個子網路的雙卷積神經網路（convolutional neural network，簡寫為CNN）實現，兩個子網路共享權重。
在一實施例中，認證系統1可實施於手機、平板電腦、智能手錶、服務器、筆記本電腦或其他電子設備上。認證系統1中的認證模型140可以對應於應用程序中的功能。例如，認證系統1由移動電話實現。該手機裡有一個應用程序。當此應用程序被觸發時，通過PPG傳感器10感測手機用戶（對象）的血管脈搏。在獲得感測的PPG信號S10後，認證模塊140對感測的PPG信號S10進行受檢者身份識別的認證測試。
根據本申請的實施例，認證系統1通過神經網路架構直接使用對象的原始PPG信號對對象的身份進行認證，而無需對PPG信號上檢測到的特徵進行特徵檢測和統計分析。此外，由於認證模型140是通過神經網路架構實現的，因此不需要人類PPG信號特徵的領域知識，並且可以通過神經網路架構的自監督學習來提高認證測試的準確性。
第2圖示出了用於認證對象身份的認證方法的示例性實施例。下面將參照第1圖和第2圖說明認證方法。
在步驟S20中，PPG傳感器10感測受檢者的血管脈搏，並根據感測結果產生感測的PPG信號S10。
在步驟S21中，運動探測器11檢測對象的運動並根據檢測產生運動信號S11。
在實施例中，在感測對象的血管脈搏的同時檢測對象的運動。換言之，步驟S20和步驟21同時進行，從而可以探測到在檢測到被檢者的血管脈搏時發生的被檢者的運動。
在步驟S22中，濾波器120執行濾波操作以從感測的PPG信號S10中濾除噪聲和特定頻率範圍內的分量。
在步驟S23中，偽影去除器121根據運動信號S11檢測對象的運動偽影，並對感測的PPG信號S10執行運動偽影去除操作，以去除至少一個信號片段，其對應於從感測到的 PPG 信號 S10 中發現對象的運動偽影。
在第2圖的實施例中，執行步驟22，其中通過濾波操作處理感測的PPG信號S10，然後執行步驟23，通過運動偽影去除操作處理感測的PPG信號S10。然而，對感測的PPG信號S10執行步驟22和步驟23的順序不限於上述實施例。例如，在另一實施例中，在步驟22對感測的PPG信號S10進行濾波處理之前，先執行步驟23對感測的PPG信號S10進行運動偽影去除操作，即步驟23之後是步驟S22。
在步驟S24中，片段提取器122將已通過濾波操作和運動偽影去除操作處理的感測的PPG信號S10按窗口大小分割成多個資料片段，如第3圖所示。
在步驟S25中，處理器13通過使用認證模型140根據感測的PPG信號S10的至少一個資料段和參考PPG信号S141的至少一個資料段來確定感測PPG信號和參考PPG信號S141是否屬於同一類別，來產生一結果值。在一實施例中，處理器13從儲存裝置14載入認證模型140，並存取先前儲存在儲存裝置14中的參考PPG信號S141的至少一個資料段。處理器13將感測的PPG信號S10的至少一資料段和參考信號PPG S141的至少一資料段輸入認證模型140以產生結果值。
在該實施例中，認證模型140由神經網路架構實現，其具有用於感測的PPG信號S10和參考PPG信號的兩個輸入。第4圖是顯示認證模型140的神經網路架構的示意圖。
參照第4圖，用於實現認證模型140的神經網路架構4包括兩個子網路40A和40B以及全連接層網路41。子網路40A的架構與子網路40B的架構相似或相同，並且兩個子網路40A和40B共享權重。參考PPG信號S141的一個資料段DS141被輸入子網路40A，而感測的PPG信號S10的一個資料段(當前資料段)DS10被輸入子網路40B。子網路40A和40B每一者包括多個卷積級。在本實施例中，以具有相同架構的子網路40A和40B為例來說明神經網路架構4。
第5圖是示出子網路40A和40B的架構的示意圖。參考第5圖，提供子網路5並將其配置為接收資料段DS50。子網路40A和40B中的每一個由子網路5的架構實現。在子網路5用作子網路40A的情況下，參考PPG信號S141的一個資料段DS141被輸入為資料段 DS50。在子網路5用作子網路40B的情況下，所感測的PPG信號S10的一個資料段DS10被輸入作為資料段DS50。如第5圖所示，在本實施例中，子網路5例如包括四個卷積級50～53。
如第5圖所示，每個卷積級50~53包括卷積層（convolutional layer）、批量歸一化層（batch normalization layer）、激活函數層（activation function layer）和池化層（pooling layer）。在卷積級50的捲積層L50A中，通過使用二十五(25)個1x5濾波器(內核)對資料段SD50應用卷積運算(conv)以生成二十五個特徵圖。在卷積操作之後，來自卷積層 L50A 的特徵圖（feature map）在批量歸一化層 L50B 中進行歸一化，通過激活函數層 L50C 中的激活函數進行傳輸，然後在池化層 L50D 中進行下採樣。在本實施例中，激活函數由LeakyReLU實現。此外，在本實施例中，下採樣是通過Max pooling實現的，下採樣率等於2。
卷積級50的池化層L50D生成的特徵圖被輸入到卷積級51。卷積級51通過卷積層L51A、批量歸一化層L51B、激活函數層L51C，以及池化層 L51D處理特徵圖。在卷積層 L51A 中，通過使用五十 (50) 個 1x5 濾波器將捲積操作 (conv) 應用於來自卷積級 50 的特徵圖，以生成五十個特徵圖。其他層L51B～L51D與上述層L50B～L50D類似，故不再贅述。
卷積級51的池化層L51D生成的特徵圖被輸入到卷積級52。卷積級52通過卷積層L52A、批量歸一化層L52B、激活函數層L52C，以及池化層 L52D處理特徵圖。在卷積層 L52A 中，通過使用一百 (100) 個 1x5 濾波器對來自卷積級 50 的特徵圖應用卷積操作 (conv)，以生成一百個特徵圖。其他層L52B～L52D與上述層L50B～L50D類似，故不再贅述。
卷積級52的池化層L52D生成的特徵圖被輸入到卷積級53。卷積級53通過卷積層L53A、批量歸一化層L53B、激活函數層L53C，以及池化層 L53D處理特徵圖。在卷積層 L53A 中，通過使用兩百 (200) 個 1x5 濾波器對來自卷積級 50 的特徵圖應用卷積操作 (conv)，以生成兩百個特徵圖。其他層L53B～L53D與上述層L50B～L50D類似，因此不再贅述。由卷積級 53 的池化層 L53D 生成的特徵圖 FM50 被輸入到全連接層網路（fully connected layer network）41。
如第4圖所示，基於子網路5的架構，子網路40A根據資料段DS141生成參考特徵圖FM40A，子網路40B根據資料段（當前資料段）DS10生成測試特徵圖FM40B。參考特徵圖 FM40A 和測試特徵圖 FB40B 被輸入到全連接層網路 41。
根據以上描述，由於子網路40A和40B具有相同的架構並且共享權重，因此子網路40A和40B對資料段DS141和資料段DS10執行相同的算法以生成參考特徵分別映射 FM40A 和測試特徵映射 FM40B。每個子網路40A和40B的算法由相應卷積級50~53的卷積層、批量歸一化層、激活函數層和池化層實現。
當參考特徵圖FM40A和測試特徵圖FM40B被輸入到全連接層410時，全連接層網路41對參考特徵圖FM40A的值和測試特徵圖FM40B的值執行另一算法生成結果值 V13。如第4圖所示，全連接層網路41包括全連接層410和傳輸單元411。全連接層網路41的算法由全連接層410和傳輸單元411實現。全連接層410通過激活函數傳輸參考特徵圖FM40A的值和測試特徵圖FM40B的值，以產生至少一個概率值。在一實施例中，全連接層410產生一個概率值V410，其指示感測的PPG信號S10的資料段DS10與參考PPG信號S141的資料段DS141之間的相似度。
在本實施例中，概率值V410是介於0和1之間的值。接近1的概率值V410表示資料段DS10和資料段DS 141之間的相似度高，而概率值V410接近0表示資料段DS10和資料段DS 141之間的相似度低。
概率值V410被輸入到傳遞單元（transfer unit）411。傳遞單元411對概率值V410執行傳遞函數以生成“1”或“0”的結果值V13。基於傳遞函數，設置閾值。當概率值V410大於閾值時，產生“1”的結果值V13，這表明感測的PPG信號S10和參考PPG信號S141由於資料DS10和資料段DS 141之間的高度相似性而屬於同一類別段。當概率值V410小於閾值時，產生“0”的結果值V13，表示感測的PPG信號S10和參考PPG信號S141由於資料段 DS10 和資料段 DS 141 之間的低相似度不在同一類別。
在一個實施例中，傳輸單元411可以由在全連接層410之後的另一個全連接層來實現。
請參照第2圖，在步驟S25中，當資料段DS10與資料段DS 141的低相似度（low degree of similarity）為高時，處理器13根據V13 為“1”的結果值(S25-是)確定感測的PPG信號與參考PPG信號S141屬於同一類別；當資料段DS10與資料段DS 141的低相似度為低時，處理器13根據結果值V13為“0”（S25-否）確定感測的PPG信號與參考PPG信號S141不在同一類別中。
在步驟S27A中，響應於感測的PPG信號和參考PPG信號S141屬於同一類別，處理器13確定對象的識別通過了認證測試。
響應於感測PPG信號和參考PPG信號S141不在同一類別中，在步驟S26中，處理器13確定感測的PPG信號S10的當前資料段DS20是否是感測的PPG信號S10的最後一個資料段。當當前資料段不是感測的PPG信號S10的最後一個資料段時(步驟S26-否)，方法進行到步驟S25，處理器13輸入感測的PPG信號S10的另一個資料段和參考PPG信號S141的相同的資料段或另一資料段DS141進入認證模型140以產生結果值V13。上面已經描述了步驟S25的詳細操作，因此省略了相關描述。
當當前資料段是感測的PPG信號S10的最後一個資料段時(步驟S26-是)，該方法進行到步驟S27B，其中處理器13確定對象的識別沒有通過認證測試。如果當前資料段是感測的PPG信號S10的最後一個資料段，這表明步驟S25中感測的PPG信號S10的所有資料段已經被用於確定感測的PPG信號S10和參考PPG信號S141是否在相同類別。當處理器13仍然通過使用感測的PPG信號S10的最後一個資料段確定感測PPG信號和參考PPG信號S141不屬於同一類別時，處理器13確定對象的識別沒有通過認證測試。
根據本申請實施例，通過認證模型，確定主體身份通過認證測試的準確率約為94.3%，確定主體身份不通過認證測試的準確率約為97.8%。因此，本申請實施例提供的認證系統1和認證方法能夠準確地認證主體的身份。
第6A～6C圖是表示輸入子網路5的資料段SD50、第一個卷積級50的輸出和最後一個卷積級53的輸出的示意圖。卷積級50通過層L50A~L50D 處理資料段SD50生成對應的特徵圖。卷積級50的輸出60是通過用與降維相關的函數處理這些特徵圖的值而獲得的，並用二維來表示，如第6B圖所示。參考第6B圖所示，可根據輸出60觀察資料段SD50的波形的峰值P60，例如輸出60的峰值V60。
卷積級53對由卷積級52的池化層L52D生成的特徵圖進行處理，以生成對應的特徵圖，即特徵圖FM40A/FM40B。卷積級53的輸出61是通過與降維相關的函數對這些特徵圖FM40A/FM40B的值進行處理而獲得的，並以二維方式示出，如圖6C所示。 參考圖6C所示，可根據輸出61觀察資料段SD50的波形曲線拐點P60～P62，例如輸出60A的峰值V61～V63。如圖6C所示，曲線拐點P61～P63包括波形的波峰P60、波谷P61和緩和點P62，分別對應峰值V61、峰值V62和峰值V63。因此，根據輸出60A的峰值V61～V63，可以觀察或準確了解與曲線拐點P60～P62有關的特徵。在一個實施例中，特徵包括曲線拐點P61～P63在波形上的位置、每個曲線拐點P61～P63的波形幅度、每個曲線拐點P61 ~P63的波形極性，和/或曲線拐點P61~P63的頻率。
在生理信號檢測領域，每個人的PPG信號的曲線拐點都是唯一的。因此，這些曲線拐點P60~P62對於識別被測者的獨一無二的PPG信號是有意義的。如圖6C所示，對於每個子網路40A和40B，通過特徵圖FM40A/FM40B的值（通過降維獲取峰值V61~V63）。因此，子網路40A和40B用作特徵精確器（feature exactor）42，如第4圖所示，特徵圖FM40A/FM40B的值作為特徵值。
如上所述，全連接層網路41用於根據子網路40A和40B生成的特徵值來確定感測PPG信號和參考PPG信號S141是否屬於同一類別。因此，全連接層網路41用作分類器43，如第4圖所示。
第7圖是表示神經網路架構4在測試過程和訓練過程中在不同PPG週期（cycle）數下的準確度示意圖。如第7圖所示，曲線70表示神經網路架構4在測試過程中對於不同PPG週期數的準確度，曲線71表示神經網路架構4在訓練過程中對於不同PPG週期數的準確度。對於曲線70和71中的每一個，當PPG週期數為4時，準確度在80%以上； PPG循環次數為5個時，準確率達到90%以上。一般而言，對於受試者的正常生理狀態，PPG信號在五秒內至少出現四個週期。因此，在本實施例中，將區間提取器122的分割操作的窗口大小設置為5秒就足以實現良好的精度。
在一個實施例中，神經網路架構4可以包括損失層（loss layer）（未示出）。損失層指定訓練過程，如何懲罰全連接層410輸出的概率值V410與預定真實資料標籤之間的偏差（在訓練過程中）。處理器13可以根據損失層的輸出來修改子網路40A和40B的權重。此外，處理器13還可以根據損失層的輸出來調整片段提取器122使用的窗口大小。
在一個實施例中，子網路5的每個卷積級50〜53還可以包括dropout層。 dropout 層在訓練過程中被激活。對於每個卷積級 50~53，當相應的 dropout 層被激活時，卷積階段使用的一些權重沒有更新。例如，在一個 dropout 層的參數設置為 0.55 的情況下，55% 的相應權重不會更新。在一個實施例中，卷積級50～53的dropout層的參數是相同的。
雖然已經通過示例和根據優選實施例描述了本發明，但是應當理解本發明不限於所公開的實施例。相反，它旨在涵蓋各種修改和類似的佈置（這對於所屬領域具有通常知識者來說是顯而易見的）。因此，所附申請專利範圍的範圍應給予最廣泛的解釋，以涵蓋所有此類修改和類似佈置。
儘管已經通過示例的方式並且根據優選實施例描述了本申請，但是應當理解，本申請不限於此。在不脫離本申請的範圍和精神的情况下，所屬領域具有通常知識者仍然可以做出各種改變和修改。因此，本申請的範圍應由所附申請專利範圍及其等同物限定和保護。
可以在由一個或多個計算機或其他設備執行的計算機可執行指令（例如程式模塊）的一般上下文中描述一些實施例。通常，程式模塊包括執行特定任務或實現特定抽像資料類型的例程、程式、對象、組件、資料結構等。通常，在各種實施例中，程式模塊的功能可以根據需要進行組合或分布。
文中描述的主題有時示出了包含在其它不同部件內的或與其它不同部件連接的不同部件。應當理解：這樣描繪的架構僅僅是示例性的，並且，實際上可以實施實現相同功能的許多其它架構。在概念意義上，實現相同功能的部件的任何布置是有效地“相關聯的”，以使得實現期望的功能。因此，文中被組合以獲得特定功能的任意兩個部件可以被視爲彼此“相關聯的”，以實現期望的功能，而不管架構或中間部件如何。類似地，這樣相關聯的任意兩個部件還可以被視爲彼此“可操作地連接的”或“可操作地耦接的”，以實現期望的功能，並且，能够這樣相關聯的任意兩個部件還可以被視爲彼此“操作上可耦接的”，以實現期望的功能。“操作上可耦接的”的具體示例包含但不限於：實體地可聯結和/或實體地相互、作用的部件、和/或無綫地可相互作用和/或無綫地相互作用的部件、和/或邏輯地相互作用的和/或邏輯地可相互作用的部件。
此外，關於文中基本上任何複數和/或單數術語的使用，只要對於上下文和/或應用是合適的，所屬領域具有通常知識者可以將複數變換成單數，和/或將單數變換成複數。
所屬領域具有通常知識者將會理解，通常，文中所使用的術語，特別是在所附申請專利範圍(例如，所附申請專利範圍中的主體）中所使用的術語通常意在作爲“開放性”術語(例如，術語“包含”應當被解釋爲“包含但不限幹”，術語“具有”應當被解釋爲“至少具有”，術語“包含”應當被解釋爲“包含但不限幹”等)。所屬領域具有通常知識者還將理解，如果意在所介紹的申請專利範圍陳述對象的具體數目，則這樣的意圖將會明確地陳述在申請專利範圍書中，在缺乏這樣的陳述的情况下，不存在這樣的意圖。例如，爲了幫助理解，所附申請專利範圍可以包含使用介紹性短語“至少一個”和“一個或更多個”來介紹申請專利範圍陳述對象。然而，這樣的短語的使用不應當被解釋爲：用不定冠詞“一個（a或an)”的申請專利範圍陳述對象的介紹將包含這樣介紹的申請專利範圍陳述對象的任何申請專利範圍限制爲只包含一個這樣的陳述對象的發明，即使在同一申請專利範圍包含介紹性短語“一個或更多個”或“至少一個”以及諸如“一個（a)”或“一個(an)”之類的不定冠詞的情况下(例如，“一個（a)”和/或“一個（an)”應當通常被解釋爲意味著“至少一個”或“一個或更多個”）也如此；上述對以定冠詞來介紹申請專利範圍陳述對象的情况同樣適用。另外，即使明確地陳述了介紹的申請專利範圍陳述對象的具體數目，但所屬領域具有通常知識者也會認識到：這樣的陳述通常應當被解釋爲意味著至少所陳述的數目（例如，僅有“兩個陳述對象”而沒有其他修飾語的陳述通常意味著至少兩個陳述對象，或兩個或更多個陳述對象)。此外，在使用類似於“A、B和C中的至少一個等”的慣用語的情况下，通常這樣的結構意在所屬領域具有通常知識者所理解的該慣用語的含義(例如，“具有A、B和C中的至少一個的系統”將包含但不限於具有單獨的A、單獨的B、單獨的C、A和B —起、A和C 一起、B和C 一起和/或A、B和C 一起的系統等)。在使用類似於“A、B或C中的至少一個等”的慣用語的情况下，通常這樣的結構意在所屬領域具有通常知識者所理解的該慣用語的含義(例如，“具有A、B或C中的至少一個的系統”將包含但不限於具有單獨的A、單獨的B、單獨的C、A和B —起、A和C 一起、B和C 一起和/或A、B和C 一起的系統等)。所屬領域具有通常知識者將進一歩理解，不管在說明書、申請專利範圍書中還是在附圖中，表示兩個或更多個可替換的術語的幾乎任意析取詞和/或短語應當理解成考慮包含術語中的一個、術語中的任一個或所有兩個術語的可能性。例如，短語“A或B”應當被理解成包含“A”、“B”、或“A和B”的可能性。
儘管已經在文中使用不同的方法、裝置以及系統來描述和示出了一些示例性的技術，但是所屬領域具有通常知識者應當理解的是：可以在不脫離所要求保護的主題的情况下進行各種其它修改以及進行等同物替換。此外，在不脫離文中描述的中心構思的情况下，可以進行許多修改以使特定的情况適應於所要求保護的主題的教導。因此，意在所要求保護的主題不限制於所公開的特定示例，而且這樣的要求保護的主題還可以包含落在所附申請專利範圍的範圍內的所有實施及它們的等同物。
10:PPG傳感器 11:運動探測器 12:預處理器 13:處理器 14:存儲裝置 120:濾波器 121:偽影去除器 122:片段提取器 140:認證模型 S141:參考PPG信號 S10:PPG信號 S11:移動信號 S20~S27B:步驟 41:全連接層網路 410:全連接層 411:傳輸單元 40A、40B、5:子網路 43:分類器 FM50:特徵圖 FM40A:參考特徵圖 FB40B:測試特徵圖 V13:結果值 V410:概率值 50~53:卷積級 L50A~L50D、L51A~L51D、L52A~L52D、L53A~L53D:層 S141:參考PPG信號 70、71:曲線 60、61:輸出 SD50、DS10、DS141:資料段 P60、V60~V63:峰值 P61～P63:曲線拐點
包括附圖以提供對本公開的進一步理解，並且附圖被並入並構成本公開的一部分。 附圖示出了本公開的實施方式，並且與說明書一起用於解釋本公開的原理。 可以理解的是，附圖不一定按比例繪製，因爲爲了清楚地說明本公開的概念，一些部件可能被示出爲與實際實施中的尺寸不成比例。 第1圖示出了用於認證對象身份的認證系統的示例性實施例。 第2圖示出了用於認證對象身份的認證方法的示例性實施例。 第3圖是分割資料段的示意圖。 第4圖是顯示認證模型的神經網路架構的示意圖。 第5圖是示出子網路和的架構的示意圖。 第6A～6C圖是表示輸入子網路的資料段、第一個卷積級的輸出和最後一個卷積級的輸出的示意圖。 第7圖是表示神經網路架構在測試過程和訓練過程中在不同PPG週期（cycle）數下的準確度示意圖。
S20~S27B:步驟

Claims (21)

  1. 一種認證系統，用於認證主體身份，包括： 光電容積脈搏波光電容積脈搏波傳感器，被配置為感測該對象的血管脈衝以產生該對象的感測的光電容積脈搏波信號； 存儲認證模型的存儲設備，以及 處理器，用於從該存儲設備中加載該認證模型，並將該感測的光電容積脈搏波信號和參考光電容積脈搏波信號輸入該認證模型，生成結果值，該結果值表示該主體的身份是否通過了認證測試。
  2. 如請求項1所述之認證系統，其中，該認證模型由神經網路架構實現，該神經網路架構包括兩個子網路，分別接收該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號。
  3. 如請求項2所述之認證系統，其中，該神經網路架構包括： 第一子網路，接收該感測的光電容積脈搏波信號並對該感測的光電容積脈搏波信號執行第一算法以產生多個第一特徵圖； 第二子網路，接收該參考光電容積脈搏波信號並對該參考光電容積脈搏波信號執行第一算法以生成多個第二特徵圖；以及 全連接層網路，接收該多個第一特徵圖和該多個第二特徵圖，其中該全連接層網路對該多個第一特徵圖和該多個第二特徵圖執行第二算法以生成結果值。
  4. 如請求項3所述之認證系統，其中，該第一子網路和該第二子網路分別包括多個卷積級。
  5. 如請求項4所述之認證系統，其中對於該第一子網路和該第二子網路中的每一個，每個卷積級包括卷積層、批量歸一化層、激活函數層和池化層。
  6. 如請求項2所述之認證系統，其中，該神經網路架構包括： 特徵提取器，耦合以接收該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號，提取該感測的光電容積脈搏波信號的多個特定特徵以產生多個第一特徵值，並提取該參考光電容積脈搏波信號的多個特定特徵以產生多個第二特徵值；以及 分類器，用於接收該多個第一特徵值和該多個第二特徵值，並根據該多個第一特徵值和該多個第二特徵值確定該感知的光電容積脈搏波信號的該多個特定特徵與該參考PGG信號的該多個特定特徵之間的相似度。
  7. 如請求項6所述之認證系統，其中： 響應於該分類器確定該感測的光電容積脈搏波信號的該多個特定特徵與該參考PGG信號的該多個特定特徵之間的相似度高，該分類器確定該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號是在同一類別中生成該結果值，該處理器根據該結果值確定該主體的身份通過該認證測試；以及 響應於該分類器確定該感測的光電容積脈搏波信號的該多個特定特徵與該參考PGG信號的該多個特定特徵之間的相似度低，該分類器確定該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號是在不同的類別中以生成該結果值，該處理器根據該結果值確定該主體的身份沒有通過該認證測試。
  8. 如請求項6所述之認證系統，其中： 該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號中的每一個都具有波形， 對於該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號中的每一個，該多個特定特徵與該波形的曲線拐點有關。
  9. 如請求項8所述之認證系統，其中，對於該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號之每一者，該多個特定特徵包括該曲線拐點在該波形上的位置、每個曲線拐點處的波形幅度、每個曲線拐點處波形的極性、和/或曲線拐點的頻率。
  10. 如請求項1所述之認證系統，還包括： 預處理器，用於接收該感測的光電容積脈搏波信號，並通過從該感測的光電容積脈搏波信號中濾除噪聲和特定頻率範圍內的分量以及進一步從該感測的光電容積脈搏波信號中去除至少一個信號部分來處理該感測的光電容積脈搏波信號，該至少一個信號部分對應於該主體的運動偽影， 其中，該預處理器將已處理的該感測的光電容積脈搏波信號輸出給該處理器。
  11. 如請求項10所述之認證系統，還包括： 運動探測器，耦合到該預處理器，被配置為檢測該對象的運動， 其中，當該運動傳感器感應到該對象劇烈運動時，該預處理器從該感測的光電容積脈搏波信號中去除對應於該對象劇烈運動的至少一個信號片段。
  12. 如請求項1所述之認證系統，還包括： 預處理器，被配置為接收該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號，並且將該感測的光電容積脈搏波信號按照窗口大小分割成多個第一部分， 其中該處理器接收該參考光電容積脈搏波信號的多個第二部分之一，以及 其中，該預處理器還用於提供該多個第一部分中的一個，並且該處理器將該一個第一部分和該一個第二部分輸入到該認證模型中以生成該結果值。
  13. 如請求項12所述之認證系統，其中，該參考信號的多個第二部分存儲在該存儲設備中。
  14. 一種認證方法，用於認證主體身份，包括： 感測該主體血管的脈搏以產生該主體的感測的光電容積脈搏波信號； 利用認證模型產生結果值，確定該感測的光電容積脈搏波信號與參考光電容積脈搏波信號是否屬於同一類別；以及 根據該結果值確定該主體的身份是否通過該認證測試。
  15. 如請求項14所述之認證方法，其中，確定該感測的光電容積脈搏波信號與該參考光電容積脈搏波信號是否屬於同一類別包括： 提取該感測的光電容積脈搏波信號的多個特定特徵以產生多個第一特徵值； 提取該參考信號的多個特定特徵以產生多個第二特徵值； 根據該多個第一特徵值與該多個第二特徵值，確定該感測的光電容積脈搏波信號的該多個特定特徵與該參考PGG信號的該多個特定特徵的相似度； 確定該感測的光電容積脈搏波信號與該參考光電容積脈搏波信號是否屬於同一類別，根據確定出的相似度產生該結果值。
  16. 如請求項15所述之認證方法，其中，確定該感測的光電容積脈搏波信號與該參考光電容積脈搏波信號是否屬於同一類別還包括： 響應於該相似度高，確定該感測的光電容積脈搏波信號與該參考光電容積脈搏波信號屬於同一類別，並產生第一值作為該結果值；以及 響應於該相似度低，確定該感測的光電容積脈搏波信號與該參考光電容積脈搏波信號不屬於同一類別，並產生第二值作為該結果值。
  17. 如請求項16所述之認證方法，其中，根據該述結果值確定該主體的身份是否通過給認證測試包括： 響應於確定該感測的光電容積脈搏波信號與該參考光電容積脈搏波信號屬於同一類別，根據該第一值確定該主體的身份通過該認證測試；以及 響應於確定該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號不屬於同一類別，根據該第二值確定該主體的身份不通過該認證測試。
  18. 如請求項15所述之認證方法，其中： 該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號中的每一個都具有波形， 對於該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號中之每一者，多個特定特徵與該波形的曲線拐點有關。
  19. 如請求項18所述之認證方法，其中，對於該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號之每一者，該多個特定特徵包括該曲線拐點在該波形上的位置、每個曲線拐點處的波形幅度、每個曲線拐點處波形的極性、和/或曲線拐點的頻率。
  20. 如請求項18所述之認證方法，還包括： 通過對該感測的光電容積脈搏波信號執行濾波操作和運動偽影去除操作來處理該感測的光電容積脈搏波信號； 其中，確定已處理的該感測的光電容積脈搏波信號是否與該參考光電容積脈搏波信號屬於同一類別。
  21. 如請求項14所述之認證方法，其中，該認證模型由神經網路架構實現，該神經網路架構包括兩個子網路，分別接收該感測的光電容積脈搏波信號和該參考光電容積脈搏波信號。
TW111111787A 2022-02-18 2022-03-29 認證系統及認證方法 TWI802346B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/675,266 2022-02-18
US17/675,266 US12124548B2 (en) 2022-02-18 Authentication system using neural network architecture

Publications (2)

Publication Number Publication Date
TWI802346B true TWI802346B (zh) 2023-05-11
TW202334844A TW202334844A (zh) 2023-09-01

Family

ID=87424442

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111111787A TWI802346B (zh) 2022-02-18 2022-03-29 認證系統及認證方法

Country Status (1)

Country Link
TW (1) TWI802346B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458197A (zh) * 2019-07-11 2019-11-15 启东市知微电子科技有限公司 基于光电容积脉搏波的身份识别方法及其系统
TW202026945A (zh) * 2019-01-07 2020-07-16 國立交通大學 身分辨識系統及身分辨識方法
CN111831989A (zh) * 2020-07-16 2020-10-27 清华大学 一种基于多模态ppg信号的身份认证方法及装置
US20200349247A1 (en) * 2019-05-02 2020-11-05 Arizona Board Of Regents On Behalf Of Arizona State University Smart hardware security engine using biometric features and hardware-specific features

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202026945A (zh) * 2019-01-07 2020-07-16 國立交通大學 身分辨識系統及身分辨識方法
US20200349247A1 (en) * 2019-05-02 2020-11-05 Arizona Board Of Regents On Behalf Of Arizona State University Smart hardware security engine using biometric features and hardware-specific features
CN110458197A (zh) * 2019-07-11 2019-11-15 启东市知微电子科技有限公司 基于光电容积脉搏波的身份识别方法及其系统
CN111831989A (zh) * 2020-07-16 2020-10-27 清华大学 一种基于多模态ppg信号的身份认证方法及装置

Also Published As

Publication number Publication date
US20230267186A1 (en) 2023-08-24
TW202334844A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
EP3608918B1 (en) Parallel implementation of deep neural networks for classifying heart sound signals
Potes et al. Ensemble of feature-based and deep learning-based classifiers for detection of abnormal heart sounds
Kiranyaz et al. Convolutional neural networks for patient-specific ECG classification
Karimian et al. Non-fiducial ppg-based authentication for healthcare application
Kao et al. Automatic phonocardiograph signal analysis for detecting heart valve disorders
CN110123367B (zh) 计算机设备、心音识别装置、方法、模型训练装置及存储介质
EP3427669A1 (en) Method and system for classifying phonocardiogram signal quality
Huerta et al. Quality assessment of very long-term ECG recordings using a convolutional neural network
WO2017084546A1 (zh) 基于可穿戴设备的用户关注信息确定方法、装置和可穿戴设备
JP2001167275A (ja) 個体識別装置
Jaafar et al. Acceleration plethysmogram based biometric identification
CN111387936A (zh) 一种睡眠阶段识别方法、装置及设备
Roy et al. Classification of PCG signals: a survey
KR102593035B1 (ko) 딥러닝 기반 뇌전증 발작 진단 방법 및 장치
TWI802346B (zh) 認證系統及認證方法
EP0203004A2 (en) Blood pressure measurement apparatus
KR102076759B1 (ko) 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치
Patidar et al. Classification of heart disorders based on tunable-Q wavelet transform of cardiac sound signals
Siviero et al. Motor-imagery EEG signal decoding using multichannel-empirical wavelet transform for brain computer interfaces
US12124548B2 (en) Authentication system using neural network architecture
WO2021058007A1 (zh) 时序数据的处理方法、装置和计算机可读存储介质
US20200129080A1 (en) Systems and methods for performing biometric authentication
Jaafar et al. Intelligent person recognition system based on ecg signal
CN115868940B (zh) 一种基于iabp的生理信号质量评估方法及装置
CN113712525A (zh) 一种生理参数处理方法、装置及医疗设备