一种基于改进残差收缩网络的身份识别方法技术

本发明专利技术公开一种基于改进残差收缩网络的身份识别方法。本发明专利技术采用改进残差收缩网络MRSN，包括依次串联的第一至六残差模块、卷积层、Dropout层、批量归一化层BN、Flatten层、第一全连接层、第二全连接层。第一至六残差模块架构相同，每个残差模块均包括主路、支路、第一融合层。所述主路包括第一卷积模块、第二卷积模块、基于注意力机制的软阈值化处理子模块、Scale层；所述基于注意力机制的软阈值化处理子模块包括最大池化层、第一全连接层、BN层、激活函数LeakyReLU、第二全连接层、激活函数Sigmoid、第二融合层。本发明专利技术模型较强的自适应性和较高的识别准确率。性和较高的识别准确率。性和较高的识别准确率。

【技术实现步骤摘要】
一种基于改进残差收缩网络的身份识别方法


[0001]本专利技术属于心电信号处理
，涉及一种基于改进残差收缩网络的身份识别方法。

技术介绍

[0002]随着信息化社会的高速发展，传统的一些身份识别方法如身份证，密码等已不适用于高安全级别的生活工作中。现如今无处不在的智能传感器设备和先进的信号处理、深度学习技术的发展与应用，使得基于生物特征识别的身份认证技术得到了爆炸式的发展，在诸多领域发挥着重要的作用。如智能手机和手表的指纹和面容开机解锁、防盗门的虹膜识别和声音认证等。但随着人工智能兴起所发展出的如AI换脸、指纹复现、语音合成等技术给这些身份认证方法带来了不确定性。所以探索一种能进一步发挥生物特征识别的高安全性、高隐私性优势的技术显得尤为重要。
[0003]心电信号作为一种生物活体特征，信号产生原理复杂，不易被剽窃或仿造，更不会遗忘或丢失。其具备的普遍性、唯一性、稳定性、可测量性完全满足身份特征识别的基本要求。随着国内外研究学者在生物特征识别
的不断挖掘和探索，一种基于心电信号的生物特征身份识别技术凭借其高防伪性、高安全性以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进残差收缩网络的身份识别方法，其特征在于包括以下步骤：步骤(1)：获取带标签的一维心电信号，所述标签为是或否，作为数据集；将数据集按照一定的比例拆分为训练集和测试集；步骤(2)：构建改进残差网络MRSN，其输入为一维心电信号，输出为身份识别结果；并对其进行训练和测试；所述改进残差收缩网络包括依次串联的第一至六残差模块、卷积层、Dropout层、批量归一化层BN、Flatten层、第一全连接层、第二全连接层；第一至六残差模块架构相同，每个残差模块均包括主路、支路、第一融合层，所述主路包括第一卷积模块、第二卷积模块、基于注意力机制的软阈值化处理子模块、Scale层；所述第一卷积模块接收到的一维心电信号经激活函数ReLU和BN进行预激活，然后再经过卷积提取特征，然后将特征输出至所述第二卷积模块和所述支路；所述第二卷积模块接收所述第一卷积模块卷积处理后的特征，再经激活函数ReLU和BN进行预激活，然后再经过卷积提取特征，最后将特征输出至所述基于注意力机制的软阈值化处理子模块和所述Scale层；所述基于注意力机制的软阈值化处理子模块包括最大池化层、第一全连接层、BN层、激活函数Leaky ReLU、第二全连接层、激活函数Sigmoid、第二融合层；具体是：所述最大池化层将所述第二卷积模块卷积处理后的特征采用最大池化函数提取能够突出心电信号特征的采样点特征；所述第一全连接层将所述最大池化层提取的采样点特征进行FC处理，再经BN、激活函数Leaky ReLU学习特征的软阈值；所述第二全连接层将所述学习特征的软阈值进行FC处理，再经激活函数Sigmoid生成系数α
c
；所述第二融合层将所述最大池化层提取的采样点特征和激活函数Sigmoid系数计算出的系数α
c
进行相乘，得到自适应阈值λ；所述Scale层通过阈值对第二卷积模块的输出进行去噪处理；所述支路包括依次串联的最大池化层、零填充操作层，对一维心电信号进行信号维度匹配；所述第一融合层将主路和支路的两路输出进行融合；步骤(3)：利用训练和测试好的改进残差网络MRSN对获取的原始一维心电信号进行身份识别。2.根据权利要求1所述方法，其特征在于步骤(1)所述一维心电信号包括质...

【专利技术属性】
技术研发人员：孙逸潇，赵治栋，张显飞，逯鑫淼，
申请(专利权)人：杭州电子科技大学平湖数字技术创新研究院有限公司，
类型：发明
国别省市：