【技术实现步骤摘要】
基于心电信号的身份认证/识别方法及设备
本专利技术涉及身份认证/识别领域,特别是涉及一种基于心电信号的身份认证/识别方法及设备。
技术介绍
本项研究工作得到了中国国家自然科学基金资助(项目批准号:61571268)。当今社会对于生物特征识别与认证的需求日益增长,各种使用生物特征进行身份识别/认证的方法层出不穷。最常的身份识别/认证有以下几种方式:1.指纹、掌纹指纹和掌纹识别源远流长。指纹由于其具有终身不变性、唯一性和方便性,在相当长一段时间值几乎成为生物特征认证/识别的代名词。指纹是指人的手指末端正面皮肤上凸凹不平产生的纹线。纹线有规律的排列形成不同的纹型。纹线的起点、终点、结合点和分叉点,称为指纹的细节特征点(minutiae)。2.虹膜眼睛的结构由巩膜、虹膜、瞳孔晶状体、视网膜等部分组成。虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分,其包含有很多相互交错的斑点、细丝、冠状、条纹、隐窝等的细节特征。而且虹膜在胎儿发育阶段形成后,在整个生命历程中将是保持不变的。这些特征决定了虹膜特征的唯一性,同时也决定了身份认证/识别的唯一性。因此,可以将眼睛的虹膜特征作为每个人的身份认证/识别对象。3.人脸人脸认证/识别,特指利用分析比较的计算机技术。人脸认证/识别是一项热门的计算机技术研究领域,人脸追踪侦测,自动调整影像放大,夜间红外侦测,自动调整曝光强度;它属于生物特征识别,是对生物体(一般特指人)本身的生物特征来区分生物体个体。除了以上识别/认证方式,还有声纹、步态、笔迹等方式。现有的识别/认证方式大多存在不足,除了虹膜以外,其他都不是活体采集,都可以用一定的方式 ...
【技术保护点】
1.一种基于心电信号的身份认证方法,其特征在于,包括心电注册和心电认证,所述心电注册包括如下步骤:S11.心电信号采集模块采集用户的心电信号;S12.预处理模块对采集的心电信号进行预处理;S13.心电质量评估模块评估预处理后的信号是否满足基于心电信号的身份认证算法,满足则进入下一步骤,不满足则重新采集心电信号;S14.特征提取模块对预处理后的心电信号进行特征提取,生成特征模板;S15.最优特征模板评估模块从生成的特征模板中选择和评估出心电最优特征模板;S16.认证阈值训练模块从心电最优特征模板中获取最佳阈值,完成用户的心电注册;若注册失败则返回步骤S11进行重新注册;所述心电认证包括如下步骤:S21.心电信号采集模块采集用户的心电信号;S22.预处理模块对采集的心电信号进行预处理;S23.心电质量评估模块评估预处理后的信号是否满足基于心电信号的身份认证算法,满足则进入下一步骤,不满足则重新采集心电信号;S24.特征提取模块对预处理后的心电信号进行特征提取,生成特征模板;S25.心电身份认证模块将生成的特征模板与所述步骤S15中的心电最优特征模板进行特征比对,并根据所述步骤S16中的最佳 ...
【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,包括心电注册和心电认证,所述心电注册包括如下步骤:S11.心电信号采集模块采集用户的心电信号;S12.预处理模块对采集的心电信号进行预处理;S13.心电质量评估模块评估预处理后的信号是否满足基于心电信号的身份认证算法,满足则进入下一步骤,不满足则重新采集心电信号;S14.特征提取模块对预处理后的心电信号进行特征提取,生成特征模板;S15.最优特征模板评估模块从生成的特征模板中选择和评估出心电最优特征模板;S16.认证阈值训练模块从心电最优特征模板中获取最佳阈值,完成用户的心电注册;若注册失败则返回步骤S11进行重新注册;所述心电认证包括如下步骤:S21.心电信号采集模块采集用户的心电信号;S22.预处理模块对采集的心电信号进行预处理;S23.心电质量评估模块评估预处理后的信号是否满足基于心电信号的身份认证算法,满足则进入下一步骤,不满足则重新采集心电信号;S24.特征提取模块对预处理后的心电信号进行特征提取,生成特征模板;S25.心电身份认证模块将生成的特征模板与所述步骤S15中的心电最优特征模板进行特征比对,并根据所述步骤S16中的最佳阈值完成认证。2.如权利要求1所述的身份认证方法,其特征在于,所述步骤S14和S24中的特征提取包括:在心电信号中检测R波位置,截取QT波,采用自相关变换算法获取心电自相关序列,然后将获取的心电自相关序列通过正交多项式拟合回归进行降维,生成特征模板;或在心电信号中检测R波位置,截取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,形成特征模板;或检测心电信号中的各个基准点以提取出准周期性的心搏信号作为原始心电特征,对心搏进行分段波形矫正后,再特征提取和特征重组作为最终心电特征,生成特征模板;或对心电信号进行片段提取得到多个特征片段,再根据全自动特征提取网络对获得的多个特征片段通过全自动提取训练模块的全自动特征提取层和全连接层进行训练,抽取训练后的全自动特征提取层作为特征提取器;根据所述多个特征提取器对心电信号进行特征提取,得到深度融合特征,形成特征模板。3.如权利要求2所述的身份认证方法,其特征在于,所述自相关变换算法的公式为:其中,x[i]表示心电序列,N表示心电序列的长度,x[i+m]表示对心电序列平移m个序列后的心电序列,m=0,1,2,...,M-1,M<<N,Rxx[m]表示心电信号自相关序列,Rxx[0]表示心电序列的能量;所述通过正交多项式拟合回归进行降维生成特征模板是通过用多项式近似表示心电自相关序列,得出用特征模板表示的所述心电自相关序列;所述多项式为:a0+a1f1(xi)+a2f2(xi)+...+akfk(xi)=ATFi≈Rxx[i],其中A表示特征模板,所述多项式中A=(a0,a1,a2,...,ak)T,Fi=(1,f1(xi),f2(xi),...,fk(xi))T,i=0,1,2,3,...,M-1;其中1,f1(xi),f2(xi),...,fk(xi)分别是x的0次,1次,2次,...,k次正交多项式,其中即f为心电信号的采样频率;特征模板的计算公式为:其中,λ,α∈(0,1),λ和α为正则化系数,p≠i=0,1,2,...,M-1,J(A,F)为求解后的向量A和F,F=(F1,F2,...,FM-1),得到的特征模板为A=(a0,a1,a2,...,ak)T,k<<M,采取n个模板生成n个特征模板A1,A2,...,An,10≤n≤20。4.如权利要求2所述的身份认证方法,其特征在于,所述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。5.如权利要求2所述的身份认证方法,其特征在于,所述各个基准点包括心搏的P波起点(Ps)、P波终点(Pe),R波峰(R),J波起点(J)、T波峰(Tp)和T波终点(Te),并通过以下方式进行基准点检测及波形分段:心电信号通过小波变换方式确定心搏的R波的位置,或以心电信号的二阶差分信号的极小值确定心搏...
【专利技术属性】
技术研发人员:张跃,雷夏飞,肖志博,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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。