一种基于光电容积脉搏波的身份识别方法技术

本发明专利技术公开了一种基于光电容积脉搏波的身份识别方法，包括如下步骤1）获取训练组数据和测试组数据；2）将训练组数据和测试组数据中所有的光电容积脉搏波信号数据分割成若干包含多个光电容积脉搏波的片段；3）利用连续小波变换将分割后的所有片段转化成时频特征能量图形式；4）搭建CNN与LSTM相结合的神经网络模型；5）将训练组图片数据送入CNN与LSTM相结合的神经网络模型中进行训练；6）利用训练好的模型对测试组图片数据进行分类，分类结果即为身份识别结果，最后对训练好的CNN与LSTM相结合的神经网络模型进行评估。这种方法在应用中安全系数高，无需人工提取特征，识别效果精度高且稳定，可用于政府机构、金融机构等领域的个人身份识别。

An identification method based on the pulse wave of optical capacitance product

【技术实现步骤摘要】
一种基于光电容积脉搏波的身份识别方法
本专利技术涉及信息处理与计算机学科交叉领域，具体是一种基于光电容积脉搏波的身份识别方法，可作为政府机构、金融机构等领域中维护个人信息安全的一种手段。
技术介绍
随着当今社会的发展，安全问题变得尤为突出，人们通过记忆复杂的密码或者携带电子密码器的传统身份识别方法失去了其可靠性和实用性，这一现状使得人们对生物识别技术的需求越来越大。比如公司的机密系统、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者口令进行识别授权。因为身份证或口令信息很容易被盗取或遗忘，所以这种系统不是足够安全。生物识别系统能够根据个人生理信号和行为特征进行身份识别，人体生理信号和行为特征是个人独有，因此生物识别系统能够进行身份识别，并提供更多的隐秘性和安全性。例如通过指纹、人脸、声音、脑电图和心电图等人体生理信号和行为特征被用来进行身份识别的方法，变得越来越流行。但是，指纹可以用粉末法、磁粉法等多种手段进行复制，人脸识别可以用伪造的动态图片进行欺骗，声音可以被模拟，基于脑电波或者心电信号的方法需要专业的采集机器因而无法广泛使用。通过光电容积描记法（Photoplethysmograph，简称PPG）能够从指尖、手腕或耳垂测量得到光电容积脉搏波。PPG是一种非入侵式的光电方法，通过靠近皮肤测试身体某一部分从而获取关于血管中血液流动体积变化的信息。光电容积脉搏波信号是人体固有的一种生理信号，难以被复制和模拟，具有很高的安全性且采集简单方便。目前基于光电容积脉搏波的身份识别方法大部分需要人工提取特征，过程较为繁琐，且会因为不同人体造成特征有很大的差异，泛化能力低。时频分析技术能够让我们同时观察一个信号的时域和频域的能量密度和强度，将时间和频率结合一起，有助于信号的充分处理。连续小波变换（ContinuousWaveletTransform,简称CWT）是时频分析技术的一种，适合处理光电容积脉搏波这种以低频成分为主的非平稳微弱生理信号，利用其所得到的时频特征能量图更加能够保留原始信号中的信息。另外，二维图片与一维信号相比，能够利用模型中的卷积层和池化层自动忽略图片中的小噪声数据，从而避免了一维信号中的噪声对模型识别准确率和灵敏度的影响。卷积神经网络（ConvolutionalNeuralNetworks，简称CNN）是一种善于处理大量图片信息的算法，主要由输入层、卷积层、池化层、全连接层和Softmax层五部分组成，CNN可以保留空间信息，并通过卷积层和池化层形成卷积结构，有效缓解数学模型过拟合的问题。长短期记忆网络（LongShort-TermMemory，简称LSTM）是一种循环神经网络（RecurrentNeuralNetwork，简称RNN）中的特殊类型，其中每个单元的状态都与其他单元交互，并且通过内部反馈状态显示数据中的时间动态，可以学习长期依赖信息，CNN和LSTM相结合能够大大提高分类效果。现有的基于光电容积脉搏波的身份识别方法大部分都是基于人工提取的特征，这会造成由于不同人类个体之间光电容积脉搏波信号差异上的问题，导致模型的识别准确率和泛化能力降低。CNN与LSTM相结合的神经网络模型不用人工提取特征，并且在基于大量数据不断拟合、不断优化模型参数的过程中，会学习到光电容积脉搏波信号中深层隐含且无法模拟的特征，从而使得到的模型在实际应用中会具有很高的安全系数和泛化能力。
技术实现思路
本专利技术的目的是针对现有技术中存在的不足，提出了一种基于光电容积脉搏波的身份识别方法。这种方法无需人工提取特征，大大简化模型拟合的过程，泛化能力强，安全系数高，识别效果精度高且稳定。实现本专利技术目的的技术方案是：一种基于光电容积脉搏波的身份识别方法，包括如下步骤：1）获取训练组数据和测试组数据：采集n个人在规定时间段内的光电容积脉搏波信号，组成训练组；再随机采集这n个人中的约3/10的人在另一时间段内的光电容积脉搏波信号，组成测试组，训练组和测试组中的光电容积脉搏波信号数据即为每个人的身份，对数据分类即为身份识别；2）将训练组数据和测试组数据中所有的光电容积脉搏波信号数据分割成若干包含多个光电容积脉搏波的片段；3）利用连续小波变换将分割后的所有片段转化成时频特征能量图形式；4）搭建CNN与LSTM相结合的神经网络模型；5）将步骤3）的训练组图片数据送入CNN与LSTM相结合的神经网络模型中进行训练；6）利用步骤5）中训练好的CNN与LSTM相结合的神经网络模型对步骤3）的测试组图片数据进行分类，分类结果即为身份识别结果，最后对训练好的CNN与LSTM相结合的神经网络模型进行评估。步骤1）中测试组人数可占总参与人数的2/10到4/10，且需要尽可能多的采集每个人的光电容积脉搏波数据。步骤2）中所述的光电容积脉搏波的片段长度范围在5s到20s之间，其中光电容积脉搏波的片段中采样点个数等于采样频率与分割的光电容积脉搏波片段长度的乘积，采样点时间间隔为1除以采样频率。步骤3）中所述的连续小波变换的母小波函数选择‘cgau8’、‘haar’、‘dB2’、‘bior’和‘mor1’中的任意一种，转换后的图片像素大小为1054x148，同时图片为RGB彩色图像，通道为3。步骤4）中所述的搭建CNN与LSTM相结合的神经网络模型的过程为：4.1将统一格式的时频特征能量图作为输入层数据；4.2搭建卷积层和池化层，具体参数为：第一层：卷积层，filters个数为30，kernel_size大小为3x3，strides大小为1x1；第二层：最大池化层，pool_size大小为2x2，strides大小为2x2；第三层：卷积层，filters个数为60，kernel_size大小为3x3，strides大小为1x1；第四层：最大池化层，pool_size大小为2x2，strides大小为2x2；第五层：卷积层，filters个数为90，kernel_size大小为3x3，strides大小为1x1；第六层：最大池化层，pool_size大小为2x2，strides大小为2x2；第七层：卷积层，filters个数为120，kernel_size大小为3x3，strides大小为1x1；第八层：最大池化层，pool_size大小为2x2，strides大小为2x2；第九层：卷积层，filters个数为150，kernel_size大小为3x3，strides大小为1x1；第十层：最大池化层，pool_size大小为2x2，strides大小为2x2；其中每个卷积层中的激活函数均为ReLU激活函数；4.3搭建全连接层和LSTM层，具体参数为：第十一和十二层为全连接层，神经元个数分别为500和100，激活函数均为ReLU激活函数；第十三层为LSTM层，其中output_dim大小为50；第十四层为全连接层，神经元个数为n，n为训练组的人数本文档来自技高网...

【技术保护点】
1.一种基于光电容积脉搏波的身份识别方法，其特征在于，包括如下步骤：/n1）获取训练组数据和测试组数据：采集n个人在规定时间段内的光电容积脉搏波信号，组成训练组；再随机采集这n个人中的约3/10的人在另一时间段内的光电容积脉搏波信号，组成测试组，训练组和测试组的光电容积脉搏波信号数据即为每个人的身份；/n2）将训练组数据和测试组数据中所有的光电容积脉搏波信号数据分割成若干包含多个光电容积脉搏波的片段；/n3）利用连续小波变换将分割后的所有片段转化成时频特征能量图形式；/n4）搭建CNN与LSTM相结合的神经网络模型；/n5）将步骤3）的训练组图片数据送入CNN与LSTM相结合的神经网络模型中进行训练；/n6）利用步骤5）中训练好的CNN与LSTM相结合的神经网络模型对步骤3）的测试组图片数据进行分类，分类结果即为身份识别结果，最后对训练好的CNN与LSTM相结合的神经网络模型进行评估。/n

【技术特征摘要】
1.一种基于光电容积脉搏波的身份识别方法，其特征在于，包括如下步骤：
1）获取训练组数据和测试组数据：采集n个人在规定时间段内的光电容积脉搏波信号，组成训练组；再随机采集这n个人中的约3/10的人在另一时间段内的光电容积脉搏波信号，组成测试组，训练组和测试组的光电容积脉搏波信号数据即为每个人的身份；
2）将训练组数据和测试组数据中所有的光电容积脉搏波信号数据分割成若干包含多个光电容积脉搏波的片段；
3）利用连续小波变换将分割后的所有片段转化成时频特征能量图形式；
4）搭建CNN与LSTM相结合的神经网络模型；
5）将步骤3）的训练组图片数据送入CNN与LSTM相结合的神经网络模型中进行训练；
6）利用步骤5）中训练好的CNN与LSTM相结合的神经网络模型对步骤3）的测试组图片数据进行分类，分类结果即为身份识别结果，最后对训练好的CNN与LSTM相结合的神经网络模型进行评估。


2.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于，步骤1）中测试组人数可占总参与人数的2/10到4/10。


3.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于，步骤2）中所述的光电容积脉搏波的片段长度范围在5s到20s之间，其中光电容积脉搏波的片段中采样点个数等于采样频率与分割的光电容积脉搏波片段长度的乘积，采样点时间间隔为1除以采样频率。


4.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于，步骤3）中所述的连续小波变换的母小波函数选择‘cgau8’、‘haar’、‘dB2’、‘bior’和‘mor1’中的任意一种，转换后的图片像素大小为1054x148，同时图片为RGB彩色图像，通道为3。


5.根据权利要...

【专利技术属性】
技术研发人员：陈真诚，程鹏，梁永波，朱健铭，李文湛，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45