[發明專利]一種基于光電容積脈搏波的身份識別方法

在審

• 申請號: 202010194774.8
• 申請日: 2020-03-19
• 公開（公告）號: CN111222498A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 陳真誠;程鵬;梁永波;朱健銘;李文湛
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 楊雪梅

本發明公開了一種基于光電容積脈搏波的身份識別方法，包括如下步驟1）獲取訓練組數據和測試組數據；2）將訓練組數據和測試組數據中所有的光電容積脈搏波信號數據分割成若干包含多個光電容積脈搏波的片段；3）利用連續小波變換將分割后的所有片段轉化成時頻特征能量圖形式；4）搭建CNN與LSTM相結合的神經網絡模型；5）將訓練組圖片數據送入CNN與LSTM相結合的神經網絡模型中進行訓練；6）利用訓練好的模型對測試組圖片數據進行分類，分類結果即為身份識別結果，最后對訓練好的CNN與LSTM相結合的神經網絡模型進行評估。這種方法在應用中安全系數高，無需人工提取特征，識別效果精度高且穩定，可用于政府機構、金融機構等領域的個人身份識別。

技術領域

本發明涉及信息處理與計算機學科交叉領域，具體是一種基于光電容積脈搏波的身份識別方法，可作為政府機構、金融機構等領域中維護個人信息安全的一種手段。

背景技術

隨著當今社會的發展，安全問題變得尤為突出，人們通過記憶復雜的密碼或者攜帶電子密碼器的傳統身份識別方法失去了其可靠性和實用性，這一現狀使得人們對生物識別技術的需求越來越大。比如公司的機密系統、金融交易、計算機網絡和對安全領域的訪問系統仍是通過身份證或者口令進行識別授權。因為身份證或口令信息很容易被盜取或遺忘，所以這種系統不是足夠安全。生物識別系統能夠根據個人生理信號和行為特征進行身份識別，人體生理信號和行為特征是個人獨有，因此生物識別系統能夠進行身份識別，并提供更多的隱秘性和安全性。例如通過指紋、人臉、聲音、腦電圖和心電圖等人體生理信號和行為特征被用來進行身份識別的方法，變得越來越流行。但是，指紋可以用粉末法、磁粉法等多種手段進行復制，人臉識別可以用偽造的動態圖片進行欺騙，聲音可以被模擬，基于腦電波或者心電信號的方法需要專業的采集機器因而無法廣泛使用。

通過光電容積描記法（Photoplethysmograph，簡稱PPG）能夠從指尖、手腕或耳垂測量得到光電容積脈搏波。PPG是一種非入侵式的光電方法，通過靠近皮膚測試身體某一部分從而獲取關于血管中血液流動體積變化的信息。光電容積脈搏波信號是人體固有的一種生理信號，難以被復制和模擬，具有很高的安全性且采集簡單方便。目前基于光電容積脈搏波的身份識別方法大部分需要人工提取特征，過程較為繁瑣，且會因為不同人體造成特征有很大的差異，泛化能力低。

時頻分析技術能夠讓我們同時觀察一個信號的時域和頻域的能量密度和強度，將時間和頻率結合一起，有助于信號的充分處理。連續小波變換（Continuous WaveletTransform,簡稱CWT）是時頻分析技術的一種，適合處理光電容積脈搏波這種以低頻成分為主的非平穩微弱生理信號，利用其所得到的時頻特征能量圖更加能夠保留原始信號中的信息。另外，二維圖片與一維信號相比，能夠利用模型中的卷積層和池化層自動忽略圖片中的小噪聲數據，從而避免了一維信號中的噪聲對模型識別準確率和靈敏度的影響。

卷積神經網絡（Convolutional Neural Networks，簡稱CNN）是一種善于處理大量圖片信息的算法，主要由輸入層、卷積層、池化層、全連接層和Softmax層五部分組成，CNN可以保留空間信息，并通過卷積層和池化層形成卷積結構，有效緩解數學模型過擬合的問題。長短期記憶網絡（Long Short-Term Memory，簡稱LSTM）是一種循環神經網絡（RecurrentNeural Network，簡稱RNN）中的特殊類型，其中每個單元的狀態都與其他單元交互，并且通過內部反饋狀態顯示數據中的時間動態，可以學習長期依賴信息，CNN和LSTM相結合能夠大大提高分類效果。現有的基于光電容積脈搏波的身份識別方法大部分都是基于人工提取的特征，這會造成由于不同人類個體之間光電容積脈搏波信號差異上的問題，導致模型的識別準確率和泛化能力降低。CNN與LSTM相結合的神經網絡模型不用人工提取特征，并且在基于大量數據不斷擬合、不斷優化模型參數的過程中，會學習到光電容積脈搏波信號中深層隱含且無法模擬的特征，從而使得到的模型在實際應用中會具有很高的安全系數和泛化能力。

發明內容