基于人体PPG信号分段的身份识别方法技术

本发明专利技术公开了一种基于人体PPG信号分段的身份识别方法，主要解决现有基于PPG信号身份识别率较低的问题。实现步骤：1)获取训练数据库和测试数据；2)对训练数据预处理，建立单周期波形库；3)对单周期波形分段，获取各子波形集及权重因子；4)利用DNMF方法对各子波形集分解，获取基空间和训练子特征集；5)利用权重因子对训练子特征融合，获取训练模板库；6)对测试数据预处理并分段，获取子波形集及权重因子；7)将测试数据子波形在基空间上投影，获取测试子特征集；8)对测试子特征加权融合，获取测试特征集，利用SVM分类器完成身份识别。本发明专利技术识别率在99.62％以上，可应用于金融、政府机构等领域的个人身份识别。

Identification method based on segmentation of human PPG signal

The invention discloses an identity identification method based on the segmentation of human PPG signals, mainly solving the problem that the identification rate of the existing PPG signals is low. Steps: 1) to obtain the training database and test data; 2) of the training data preprocessing, a single cycle waveform library; 3) segment of single cycle waveform acquisition sub waveform set and weight factor; 4) decomposition of each sub waveform set using the DNMF method, get the training space and sub feature set 5); integration of training features with weight factor, obtaining training template library; 6) to test the data preprocessing and segmentation, obtain sub waveform set and weight factor; 7) the test data will be projected on the sub waveform space based on obtaining the test sub feature set; 8) fusion of test sub feature weighting, acquisition the test feature set, SVM classifier is used to complete the identification. The recognition rate of the invention is more than 99.62%, and can be applied to personal identification in the fields of finance, government agencies, etc..

【技术实现步骤摘要】
基于人体PPG信号分段的身份识别方法
本专利技术属于信息处理
，具体涉及一种身份识别方法，可作为金融、政府机构等领域中维护个人信息安全的一种手段。
技术介绍
当今社会，安全问题越来越突出，人们不得不记忆复杂的密码或者携带额外的电子密码器，这使得传统的身份识别方法越来越失去它的实用性和可靠性，这一现状使人们对生物识别的需求越来越大。今天，大多数的系统比如金融交易、计算机网络和对安全领域的访问系统仍是通过身份证或口令进行识别授权的。这样的系统并不足够安全，因为身份证或口令信息很容易被窃取或者遗忘。生物识别系统可以提供更多的可靠性和隐秘性，因为它是根据个人的生理信号和行为特征进行身份认证的，这种生理信号或行为特征是个人独有的，并可以用来区分开不同个体。人体或行为属性独特的特性，如指纹、人脸、声音、脑电图和心电图等被用来进行身份识别。基于这些特征的应用提供了一种有发展前景和不可取代的识别方法。然而，指纹可以用乳胶提取特征，人脸识别可以用伪造的照片进行欺骗，声音可以被模仿，基于脑电信号或者心电信号的方法因需要各种各样的电极采集信号而不能广泛使用。光电容积脉搏波PPG信号是一种非入侵式的光电方法，通过靠近皮肤测试身体的某一部位，获取关于血管中血液流动体积变化的信息。PPG信号作为人体固有的一种生理特征，具有难以被复制和模仿的特点，具有较高的安全性，且采集简单。目前基于PPG信号的时域身份识别方法，识别率不足够高，难以满足实际应用需求。目前已提出的基于PPG信号的身份识别方法有：A.KemalPolatb等人2014年在“ComputersinBiology&medicine”期刊上发表的“AnovelfeaturerankingalgorithmforbiometricrecognitionwithPPGsignals”一文，提出了一种利用PPG信号波形特征点进行身份识别的方法，该方法首先从PPG信号单周期波形、一阶差分波形和二阶差分波形中提取了40维时域特征，然后根据这40维特征对正确识别率的贡献度，选取贡献度大的特征组成特征向量作为分类器的输入，并利用K最近邻分类器进行分类识别，正确识别率最大时为94.44％，不能满足识别率要求高的场合。NIMohammedNadzr，MSulaimi，LFUmadi，KASidek等人2016年在“IndianJournalofScienceandTechnology”期刊上发表的文章“PhotoplethysmogramBasedBiometricRecognitionforTwins”中，研究了一种利用PPG信号对双胞胎的身份进行识别的方法，该方法首先利用低通滤波器对原始PPG信号进行去噪，然后对PPG信号波形进行分割，提取单周期波形，再利用径向基函数网络和朴素贝叶斯分类器分别对单周期波形进行识别分类，最终身份正确识别率达到97％以上，该方法验证了PPG信号的单周期波形特征对个体身份识别的有效性，但身份识别率仍有待进一步提升。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于人体PPG信号分段的身份识别方法，以提高身份识别的正确率。本专利技术的技术方案是通过对人体PPG信号单周期波形进行分段处理，再利用鉴别式非负矩阵分解DNMF方法获取各子波段的特征向量，最后将各子波段的特征向量加权融合，生成融合的特征向量，进行身份识别，其实现步骤如下：(1)获取训练数据库和测试数据。采集M个人在规定时间段内的光电容积脉搏波PPG信号，组成训练数据库S；再采集其中一人在另一时间段内的PPG信号，作为被鉴定者的测试数据xG；(2)对训练数据库S依次进行去噪，归一化处理，波峰检测，波形分割，插值，去除差异性大的波形和进行波形平均，得到单周期平均波形数据库W；(3)将单周期平均波形数据库W中每一个单周期波形进行分段处理，得到训练数据的上子波形集V1、中子波形集V2和下子波形集V3，并计算各子波形集中同一个人两两子波形之间的相似度，得到训练数据上子波形集的权重因子d1、中子波形集的权重因子d2和下子波形集的权重因子d3；(4)利用鉴别式非负矩阵分解DNMF方法分别对训练数据的上子波形集V1、中子波形集V2和下子波形集V3进行分解，得到训练数据上子波形集的基空间Z1、中子波形集的基空间Z2、下子波形集的基空间Z3、训练数据上子波形特征集H1、中子波形特征集H2和下子波形特征集H3；(5)利用训练数据上子波形集的权重因子d1，中子波形集的权重因子d2和下子波形集的权重因子d3分别对训练数据上子波形特征集H1，中子波形特征集H2下子波形特征集H3中相应的子特征进行加权融合，得到训练模板库H；(6)对被xG鉴定者的测试数据依次进行步骤(2)-(3)操作，得到测试数据xG的上子波形集Α1，中子波形集Α2，下子波形集Α3和测试数据上子波形集的权重因子a1，测试数据中子波形集的权重因子a2和测试数据下子波形集的权重因子a3；(7)将测试数据xG的上子波形集Α1，中子波形集Α2，下子波形集Α3分别在训练数据上子波形集的基空间Z1，中子波形集的基空间Z2，下子波形集的基空间Z3上进行投影，获得测试数据上子波形特征集F1，中子波形特征集F2和下子波形特征集F3；(8)利用测试数据xG的各子波形集的权重因子a1，a2和a3，将测试数据xG的上子波形特征集F1，中子波形特征集F2和下子波形特征集F3进行加权融合，得到测试特征集F；(9)利用训练模板库H和被鉴定者的测试特征集F，对被鉴定者的身份进行识别。本专利技术与现有技术相比具有以下优点：第一，本专利技术充分挖掘并利用PPG信号单周期波形的特征，通过将被鉴定者PPG信号的单周期波形进行分段处理，利用余弦相似公式计算各段子波形的权重因子，并利用权重因子对各段子波形进行加权融合，利用获得的融合特征向量进行身份识别，提高了被鉴定者身份正确识别率。第二，本专利技术利用鉴别式非负矩阵分解方法提取PPG信号单周期波形的主要特征，使得相同个体的单周期波形特征之间的差异性变小，不同个体单周期波形特征之间的差异性增大，从而提高了被鉴定者身份的正确识别率。附图说明图1为本专利技术的实现总流程图；图2为MIMIC数据库的身份识别率结果图；图3为MIMIC2数据库的身份识别率结果图；图4为CapnoBase数据库的身份识别率结果图。具体实施方式下面结合附图对本专利技术的实施及效果作进一步详细描述。参照图1，本专利技术的实现如下：步骤1.采集PPG信号，得到训练数据库和测试数据。采集M个人在规定时间段内的PPG信号，设采集的每个人的PPG信号采样点数为N，将采集的每个人的PPG信号作为一个行向量，构造一个M×N大小的矩阵，作为训练数据库S；再采集其中一人在另一时间段内的PPG信号，作为被鉴定者的测试数据，用符号xG表示，则测试数据xG是一个包含多个采样点的向量。本专利技术以MIMIC数据库中的PPG信号作为实验数据，模拟从人体采集到的PPG信号，从MIMIC数据库中随机选取其中50个个体的PPG数据文件，读取每个人的PPG数据文件的前200秒的PPG信号，组成训练数据库S；再从该50个个体中随机读取其中一个人的PPG数据文件后200秒的PPG信号，作为被鉴定者的测试数据xG；MIMIC本文档来自技高网...

【技术保护点】
基于人体PPG信号分段的身份识别方法，包括如下步骤：(1)获取训练数据库和测试数据。采集M个人在规定时间段内的光电容积脉搏波PPG信号，组成训练数据库S；再采集其中一人在另一时间段内的PPG信号，作为被鉴定者的测试数据xG；(2)对训练数据库S依次进行去噪，归一化处理，波峰检测，波形分割，插值，去除差异性大的波形和进行波形平均，得到单周期平均波形数据库W；(3)将单周期平均波形数据库W中每一个单周期波形进行分段处理，得到训练数据的上子波形集V1、中子波形集V2和下子波形集V3，并计算各子波形集中同一个人两两子波形之间的相似度，得到训练数据上子波形集的权重因子d1、中子波形集的权重因子d2和下子波形集的权重因子d3；(4)利用鉴别式非负矩阵分解DNMF方法分别对训练数据的上子波形集V1、中子波形集V2和下子波形集V3进行分解，得到训练数据上子波形集的基空间Z1、中子波形集的基空间Z2、下子波形集的基空间Z3、训练数据上子波形特征集H1、中子波形特征集H2和下子波形特征集H3；(5)利用训练数据上子波形集的权重因子d1，中子波形集的权重因子d2和下子波形集的权重因子d3分别对训练数据上子波形特征集H1，中子波形特征集H2下子波形特征集H3中相应的子特征进行加权融合，得到训练模板库H；(6)对被鉴定者的测试数据xG依次进行步骤(2)‑(3)操作，得到测试数据xG的上子波形集Α1，中子波形集Α2，下子波形集Α3和测试数据上子波形集的权重因子a1，测试数据中子波形集的权重因子a2和测试数据下子波形集的权重因子a3；(7)将测试数据xG的上子波形集Α1，中子波形集Α2，下子波形集Α3分别在训练数据上子波形集的基空间Z1，中子波形集的基空间Z2，下子波形集的基空间Z3上进行投影，获得测试数据上子波形特征集F1，中子波形特征集F2和下子波形特征集F3；(8)利用测试数据xG的各子波形集的权重因子a1，a2和a3，将测试数据xG的上子波形特征集F1，中子波形特征集F2和下子波形特征集F3进行加权融合，得到测试特征集F；(9)利用训练模板库H和被鉴定者的测试特征集F，对被鉴定者的身份进行识别。...

【技术特征摘要】
1.基于人体PPG信号分段的身份识别方法，包括如下步骤：(1)获取训练数据库和测试数据。采集M个人在规定时间段内的光电容积脉搏波PPG信号，组成训练数据库S；再采集其中一人在另一时间段内的PPG信号，作为被鉴定者的测试数据xG；(2)对训练数据库S依次进行去噪，归一化处理，波峰检测，波形分割，插值，去除差异性大的波形和进行波形平均，得到单周期平均波形数据库W；(3)将单周期平均波形数据库W中每一个单周期波形进行分段处理，得到训练数据的上子波形集V1、中子波形集V2和下子波形集V3，并计算各子波形集中同一个人两两子波形之间的相似度，得到训练数据上子波形集的权重因子d1、中子波形集的权重因子d2和下子波形集的权重因子d3；(4)利用鉴别式非负矩阵分解DNMF方法分别对训练数据的上子波形集V1、中子波形集V2和下子波形集V3进行分解，得到训练数据上子波形集的基空间Z1、中子波形集的基空间Z2、下子波形集的基空间Z3、训练数据上子波形特征集H1、中子波形特征集H2和下子波形特征集H3；(5)利用训练数据上子波形集的权重因子d1，中子波形集的权重因子d2和下子波形集的权重因子d3分别对训练数据上子波形特征集H1，中子波形特征集H2下子波形特征集H3中相应的子特征进行加权融合，得到训练模板库H；(6)对被鉴定者的测试数据xG依次进行步骤(2)-(3)操作，得到测试数据xG的上子波形集Α1，中子波形集Α2，下子波形集Α3和测试数据上子波形集的权重因子a1，测试数据中子波形集的权重因子a2和测试数据下子波形集的权重因子a3；(7)将测试数据xG的上子波形集Α1，中子波形集Α2，下子波形集Α3分别在训练数据上子波形集的基空间Z1，中子波形集的基空间Z2，下子波形集的基空间Z3上进行投影，获得测试数据上子波形特征集F1，中子波形特征集F2和下子波形特征集F3；(8)利用测试数据xG的各子波形集的权重因子a1，a2和a3，将测试数据xG的上子波形特征集F1，中子波形特征集F2和下子波形特征集F3进行加权融合，得到测试特征集F；(9)利用训练模板库H和被鉴定者的测试特征集F，对被鉴定者的身份进行识别。2.根据权利要求1所述的方法，其中步骤(2)中的归一化处理，采用的计算公式为：其中S2(i,j)表示为归一化后的训练数据库S2中第i行第j列的采样点，i∈[1,M]，j∈[1,N]，N表示每人PPG信号的采样点数，S1(i,j)表示去噪后的训练数据库S1中第i行第j列的采样点，S1i表示去噪后的训练数据库S1中第i行所有采样点。3.根据权利要求1所述的方法，其中步骤(2)中的波形分割，是以第i行PPG信号的位置集合loci中的所有元素为分割点，将相邻两个分割点之间的波形作为一个单周期波形，对训练数据库S2的第i行PPG信号S2i进行波形分割，使PPG信号S2i分割后变成个单周期波形，组成第i类单周期集合：其中，表示第i类单周期集合的第nw个单周期，表示第i类单周期集合中的波形个数，i＝1,2,…,M。4.根据权利要求1所述的方法，其中步骤(3)中计算各子波形集中同一人两两子波形之间的相似度，是将子波形看作为一个向量，计算两个子波形向量夹角的余弦值作为两个子波形之间的相似度。5.根据权利要求1所述的方法，其中步骤(4)中利用鉴别式非负矩阵分解方法DNMF分别对训练数据的上子波形集V1，中子波形集V2和下子波形集V3进行分解，具体步骤如下：(4a)利用鉴别式非负矩阵分解方法对训练数据的上子波形集V1进行分解：(4a1)随机初始化基矩阵Z(0)和系数矩阵H(0)，使基矩阵Z(0)中的任意元素满足ρ∈[1,u]，φ∈[1,r]，系数矩阵H(0)的任意元素满足τ∈[1,K]，其中，是基矩阵Z(0)中的第ρ行第φ列元素，表示系数矩阵H(0)中的第φ行第τ列元素，u表示单个子波形的采样点数，r表示分解维数，K表示单周期平均波形数据库W中的波形总数；(4a2)根据如下公式，对基矩阵Z(t)中的元素进行更新：首先，按照如下公式更新，得到中间变量值

【专利技术属性】
技术研发人员：同鸣，杨晓玲，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61