一种基于心电信号的身份认证方法及系统技术方案

本发明专利技术公开了一种基于心电信号的身份认证方法，包括注册环节和认证环节，注册环节包括：预存负样本，将作为负样本的心电信号进行预处理，采集用户模板心电信号，检测R波位置，截取QT波，将截取的QT波采用用于稀疏表示的区分字典学习算法生成稀疏特征模板，之后评估出最优稀疏特征模板，再搜索出最佳阈值；认证环节包括：将经过预处理的心电信号生成稀疏特征，之后基于最佳阈值进行初步认证，再基于最高熵投票完成认证，若进行远程身份认证，还包括在初步认证之前对数据进行压缩处理并传输到远程认证单元。本发明专利技术尤其适用于远程动态医疗中的心电身份实时认证的应用，解决了高效实时的身份认证问题。

【技术实现步骤摘要】
一种基于心电信号的身份认证方法及系统
本专利技术涉及身份认证领域，特别是涉及一种基于心电信号的身份认证方法及系统。
技术介绍
随着远程移动医疗技术的不断发展，用户身份与诊断医生身份的实时唯一性认证越来越重要。生物特征识别是基于生物行为的习惯性或生物个体特征，对个体身份自动实现识别与认证。传统比较成熟的指纹、虹膜、声音、人脸等技术中具有较好生物特征的包括：指纹、掌纹、耳朵等。然而，数据量大、计算复杂，易于被获取仿制，对采集方式或采集环境要求较高等因素一定程度限制了传统生物特征的应用。心电信号是远程移动医疗技术中关键的生理参数，同时具有唯一标识个体身份的特性。与传统识别特征相比，心电信号具有实时、活体、数据量小等特性。目前基于心电信号的身份认证方法，一方面，过多借助于P,QRS,T等基准点的检测和数据测量，难以满足高效性要求；另一方面，需要实时完整心电数据，难以实现实时身份认证。
技术实现思路
本专利技术为了解决基于心电信号的身份认证方法难以满足高效性要求的技术问题，以及身份认证难以实现实时身份认证的技术问题，提出了一种基于心电信号的身份认证方法及系统。本专利技术的技术问题通过以下的技术方案予以解决：S1、使用认证心电信号采集模块采集心电信号的步骤；S2、在预处理与QT截取模块中将采集的心电信号进行预处理，检测R波位置，截取QT波的步骤；S3、将截取的QT波在多个心电特征提取与数据处理模块中采用用于稀疏表示的区分字典学习算法生成稀疏特征的步骤；S4、生成的稀疏特征基于最佳阈值在模板匹配模块中进行模糊匹配，完成初步认证，之后基于最高熵投票，完成认证的步骤。本专利技术与现有技术对比的有益效果包括：本专利技术提出一种基于心电信号的身份认证方法及系统。该方法将经过预处理的心电信号采用用于稀疏表示的区分字典学习算法生成稀疏特征，生成的稀疏特征基于最佳阈值进行模糊匹配，稀疏特征在判别式的基础上完成初步认证，之后再基于最高熵投票进行第二次判别即可完成认证，认证效果高效准确。同时，稀疏特征的数值只有0和1，相对于传统数据存储方式，被压缩后的数据数据量更小，能实现远程动态医疗应用中的实时心电身份认证。附图说明图1是本专利技术提供的基于心电信号的身份注册流程图。图2是本专利技术提供的基于心电信号的身份认证流程图。图3是本专利技术提供的基于心电信号的认证系统的结构框图。具体实施方式下面对照附图并结合优选的实施方式对本专利技术作进一步说明。需要说明的是，本专利技术具体实施方式的算法主要采用用于稀疏表示的区分字典学习算法、在线学习算法、数据压缩算法、最高熵投票算法。本专利技术提供了一种基于心电信号的身份注册方法，如图1所示，包括以下步骤：步骤201，预存负样本。需要说明的是，负样本prodata，由h个用户的QT波形组成，每个用户包含n个QT波形；主要用于预训练字典D和最佳阈值搜索，h取值范围理论值大于等于1，取值越大，预训练字典D性能越好和最佳阈值的搜索越准确，优选地，h取100。针对每个用户，截取的n个QT波越多，训练性能越好，不过所消耗的时间也相应提升，优选地，所述QT波的个数n取16。预训练字典D训练完成后生成预存负样本的稀疏特征protrdata。步骤202，判断注册用户是否为新用户，如果不是新用户，即在预存的负样本中已经包含该用户，此时不需要更新字典，最新字典D’＝D。如果是新用户，则需要通过在线学习算法更新字典D，进而获得最新字典D’。所述在线学习算法是借助Mairal等人在“Onlinelearningformatrixfactorizationandsparsecoding”提出的稀疏表示字典在线学习算法更新字典D，具体地，依据预训练字典D，求解对应的稀疏特征C，通过D与C计算重构误差ΔD＝2(Xnew-D*C)，快速更新最新字典D’＝D。其中，Xnew指新用户QT波形。步骤203，将经过预处理的心电信号采用用于稀疏表示的区分字典学习算法生成稀疏特征；其中，J(D,C)是求解后的字典D和稀疏特征C，Verif(Xi,Xj,D,Ci,Cj)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间。Xi与Xj分别表示第i个和第j个QT波，Ci和Cj分别表示与Xi和Xj相对应的稀疏特征。其中，i≠j。其中，dm是设定的不同类之间的最小距离，label(Xi)表示Xi的类别编号。s.t.||dj||＝1,1≤j≤l，其中，X＝(X1,X2,...,Xn)表示n个QT波；D＝(d1,d2,...,dl)表示字典的维数，l为大于1的任意数值；表示稀疏特征。步骤204，从生成的稀疏特征中评估出最优稀疏特征模板。具体地，采用留一法，逐个通过阈值判别，从而剔除异常值。其中，C1＝(C11,C12,...,C1n)；f(C1i,C1j)是特征C1i与特征C1j的间距计算；表示当特征C1i与特征C1j的间距小于预设阈值prothd时取1，否则取0。Prothd的取值常取n个稀疏特征的平均值mean(f(C1i,C1j))。i取值为1到n。j取值为1到n，且i≠j。当上式条件满足时，第i个样本被选为优质稀疏特征；不满足时，第i个样本即为异常值，被提出。最终选出最优稀疏特征模板F＝(F1,F2,...,Fnl)，其中nl≤n。步骤205，基于最优稀疏特征模板搜索出最佳阈值。在本具体实施方式中，步骤201所述的心电信号的采集时长为20-30s。在本具体实施方式中，步骤204中最佳阈值的搜索过程是采用欧式距离进行搜索，搜索过程包括：任意从最优特征模板F中抽取子集S，剩余特征模块为FcS；以S为训练集，FcS和protrdata为测试集搜索阈值thd1；以FcS为训练集，S和protrdata为测试集搜索阈值thd2；计算训练集中两两欧氏距离的最大最小值maxthd，minthd。设置搜索次数iternum，则遍历阈值此处i取值从1到iternum，从而获得FRR＝{frr1,frr2,...,frriternum}和FAR＝{far1,far2,...,fariternum}。由FRR和FAR可以得到|FAR-FRR|＝{|far1-frr1|，|far2-frr2|，...,|fariternum-frriternum|}，取frr与far差值绝对值最小所对应的第i个阈值为搜索到的最合适阈值，即thd1和thd2。基于thd1和thd2获取最佳阈值Best_thd：其中，Num(x)表示x的个数。本专利技术提供了一种基于心电信号的身份认证方法，如图2所示，包括以下步骤：步骤101，用处理装置对采集来的心电信号进行预处理，检测R波位置，截取m个QT波形，在本具体实施方式中，QT波的个数为16个。需要说明的是，在本具体实施方式中，QT波形的截取通过采样点数划分法。具体地，获取采样频率fHz，QT波长t取0.32-0.44秒；QRS波长为0.1秒。QT采样个数num＝[f*t]，其中[]为取整函数。QRS采样个数num_QRS＝[f*0.1]。以每个R波为中心点，向前取[(num_QRS-1)/2]个点，向后取(num-1-[(num_QRS-1)/2])个点，包括R波中心点构成QT波。采样频率f取决于所使用心电采集设备自身的频率，优选地，f＝125Hz，num本文档来自技高网...

【技术保护点】
一种基于心电信号的身份认证方法，其特征在于，包括以下步骤：S1、使用认证心电信号采集模块采集心电信号的步骤；S2、在预处理与截取QT波模块中将采集的心电信号进行预处理，检测R波位置，截取QT波的步骤；S3、将截取的QT波在多个心电特征提取与数据处理模块中采用用于稀疏表示的区分字典学习算法生成稀疏特征的步骤；S4、生成的稀疏特征基于最佳阈值在模板匹配模块中进行模糊匹配，完成初步认证，之后基于最高熵投票，完成认证的步骤。

【技术特征摘要】
1.一种基于心电信号的身份认证方法，其特征在于，包括以下步骤：S1、使用认证心电信号采集模块采集心电信号的步骤；S2、在预处理与截取QT波模块中将采集的心电信号进行预处理，检测R波位置，截取QT波的步骤；S3、将截取的QT波在多个心电特征提取与数据处理模块中采用用于稀疏表示的区分字典学习算法生成稀疏特征的步骤；S4、生成的稀疏特征基于最佳阈值在模板匹配模块中进行模糊匹配，完成初步认证，之后基于最高熵投票，完成认证的步骤。2.如权利要求1所述的方法，其特征在于，在步骤S4中的所述的初步认证之前对步骤S3中所述的稀疏特征在所述多个心电特征提取与数据处理模块中进行压缩处理并传输到第三方认证设备，再解压为步骤S3中所述的稀疏特征。3.如权利要求1所述的方法，其特征在于，在步骤S3中所述的用于稀疏表示的区分字典学习算法包括：其中，J(D,C)是求解后的字典D和稀疏特征C，Verif(Xi,Xj,D,Ci,Cj)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间；Xi与Xj分别表示第i个和第j个QT波，Ci和Cj分别表示与Xi和Xj相对应的稀疏特征。其中，i≠j；其中，dm是设定的不同类之间的最小距离，label(Xi)表示Xi的类别编号；s.t.||dj||＝1,1≤j≤l其中，X＝(X1,X2,...,Xn)表示n个QT波；D＝(d1,d2,...,dl)表示字典的维数，l为大于1的任意数值；表示稀疏特征；T表示矩阵的转置。4.如权利要求1所述的方法，其特征在于，在步骤S4中所述的最佳阈值的搜索过程是采用欧式距离进行搜索，所述的最高熵投票是以频率作为判断基础。5.一种基于心电信号的身份注册方法，其特征在于，包括以下步骤：a、预存负样本于负样本预收集与预处理模块的步骤；b、在预处理与截取QT波模块中将采集的作为负样本的心电信号进行预处理，检测R波位置，截取QT波的步骤；c、将截取的QT波在初步心电特征模板提取模块中采用用于稀疏表示的区分字典学习算法生成稀疏特征模板的步骤；d、基于稀疏特征模板在最佳心电特征评估模块中评估出最优稀疏特征模板的步骤；e、基于最优稀疏特征模板在最佳阈值搜索模块中搜索出最佳阈值的步骤。6.如权利要求5所述的方法，其特征在于，在步骤b中所述的心电信号进行预处理之前更新字典，在步骤e中所述的最佳阈值的搜索过程是采用欧式距离进行搜索。7.如权利要求5所述的方法，其特征在于，在步骤c中所述的采用用于稀疏表示的区分字典学习算法包括：

【专利技术属性】
技术研发人员：张跃，雷夏飞，张拓，
申请(专利权)人：清华大学深圳研究生院，深圳市岩尚科技有限公司，
类型：发明
国别省市：广东,44