基于混合高斯模型的脉搏波身份认证方法、装置和介质制造方法及图纸

本发明专利技术涉及非接触式生理信号检测领域，尤其涉及一种基于混合高斯模型的脉搏波身份认证方法、装置和介质，该方法首先利用血氧仪获取到的用户手指脉搏波信号，将脉搏波信号输入到手工特征提取模块中提取时域和频域特征并分别将其处理为动态特征，将得到的时域和频域的动态特征分别输入到特征提取网络中提取频域和时域的深层次特征；进一步的，将上一步得到的两种深层次特征通过概率线性判别分析算法进行特征筛选；最后，将筛选后的特征利用混合高斯模型算法进行身份识别。本方法能够有效应用于基于脉搏波的生物识别系统中。应用于基于脉搏波的生物识别系统中。应用于基于脉搏波的生物识别系统中。

【技术实现步骤摘要】
基于混合高斯模型的脉搏波身份认证方法、装置和介质


[0001]本专利技术涉及非接触式生理信号检测领域，尤其涉及一种基于混合高斯模型的脉搏波身份认证方法、装置和介质。

技术介绍

[0002]光电容积脉搏波信号是由于血液和其他组织成分对不同频段的光吸收程度不同，且血液本身在血管中的血液容积量会随着心脏的搏动而发生变化，因此在心脏收缩和舒张的过程中，血液对光的吸收量也会随心脏收缩呈现出周期性的脉搏波动，这种波动反应在视频传感器所接受到的信号变化即为PPG信号。
[0003]在理论上，不同人的PPG信号都不一样，每个人都有用自己独特的PPG信号特征，通过这些特征就可以对人的身份进行识别，可被应用于生物识别识别领域。在特征提取方面，可以通过提取信号的时域和频域特征来区分不同人的身份。
[0004]混合高斯模型（Gaussian Mixture Model, GMM）可以逼近任何一个连续的概率分布，可以看做一个连续型概率分布的万能逼近器。它的基本思想是利用已知的样本来反推最有可能导致该结果的参数值。GMM可以将PPG信号中的特征很好的进行归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合高斯模型的脉搏波身份认证方法，其特征在于，包括以下步骤：步骤一， 用血氧仪采集用户指尖的脉搏波信号PPG，进行分帧处理，得到M段信号片段，其中M为正整数，且M>1；步骤二，将M段信号片段按照时间顺序排列，提取频域和时域特征，并分别计算得到频域和时域的动态特征；步骤三，将频域和时域的动态特征输入训练好的特征提取网络，提取得到频域和时域的深层次特征并融合；步骤四，将融合后的深层次特征通过概率线性判别分析算法进行特征筛选；步骤五，将筛选后的特征利用混合高斯模型算法进行身份识别。2.如权利要求1所述的一种基于混合高斯模型的脉搏波身份认证方法，其特征在于，所述步骤一，具体为：首先，利用血氧仪采集用户指尖的脉搏波信号PPG，采样频率为N Hz，采集时长为T s；然后，对血氧仪采集到的脉搏波信号PPG进行分帧操作，对时长为T s的脉搏波信号利用滑动窗口的方式进行信号截取，其中滑动窗口的移动步长为固定的，滑动窗口的长度为随机的数值，提取出M段信号片段，M段信号片段对应的用户为同一用户。3.如权利要求1所述的一种基于混合高斯模型的脉搏波身份认证方法，其特征在于，所述步骤二，具体为：对信号片段按照时间顺序排列再提取频域和时域波形特征，其中信号的频域波形特征通过傅里叶变换后的频谱图来进行提取，提取多种频率对应的幅值与相位，一共提取W个频段，共计2W个特征；在时域波形特征的提取中，提取舒张期和收缩期时间以及对应的幅值和斜率，共计K个特征，一共提取了2W+K个手工特征，其中，W、K均为正整数；再分别计算频域和时域的动态特征，所述动态特征是通过计算不同帧的特征来得到，当帧数小于高斯模型的个数时，通过当前帧的前一帧和后一帧的差值来计算；如果当前帧大于特征数量减去高斯模型的个数时，通过当前帧与其前一帧的差值来计算；其他情况时，则通过当前帧的后k帧与前k帧差值的累计来计算。4.如权利要求1所述的一种基于混合高斯模型的脉搏波身份认证方法，其特征在于，所述特征提取网络，具体为：在时域特征提取中，采用以深度残差收缩网络为主干网络加TDNN网络的结构；在频域特征提取中，采用深度残差收缩网络和LSTM的网络...

【专利技术属性】
技术研发人员：魏日令，徐晓刚，王军，何鹏飞，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：