[发明专利]一种基于可穿戴设备的心电图身份认证方法

说明书

本发明公开了一种基于可穿戴设备的心电图身份认证方法，该方法对用户输入的心电图进行预处理，特征点检测与特征提取，被提取的心电图特征与用户数据库中的特征模板相匹配比较。针对可穿戴设备上的心电图降噪问题，本发明设计了混合三层降噪可以有效去除噪声信号，混合三层降噪结合了形态学滤波和频域滤波的优势，其实现方法简便，滤波后获得心电图的信号质量能得到显著保证。本发明构造的用户特征模板保留了心电图的基准特征与非基准特征各自的硬指标与软指标特性，保证了系统的认证准确率。

技术领域

本发明属于生物认证领域，尤其涉及一种基于可穿戴设备的心电图身份认证方法。

背景技术

近年来，可穿戴设备(比如智能手表)广泛应用在移动支付，移动通信，健康信息监测，智能家居交互等领域中。目前已存在具有心电图测量功能的智能手表，比如AppleWatch和华米科技的健康手表。

以往，心电图研究中的研究数据均由抗干扰性高，精度高的心电图机所采集，这类心电图数据信噪比高，没有高能量的低频噪声与高频噪声。因此，之前的心电图识别与认证研究仅用一次带通滤波即可去除心电图中的噪声。然而，这种频域滤波法不适于去除由可穿戴设备所采集的心电图中的噪声。可穿戴设备所采集的心电图信噪比较低，高能量的噪声频段覆盖了心电图关键的低频区域，频域滤波无法有效地从信号与噪声混叠的频段内提取出代表心电图信号的频段。另一方面，在构造用户特征模板时，以往研究中常忽略心电图特征的特性而直接构造特征模板的做法，很少有研究将这两类特征区分处理，更没有调整两者在用户特征模板中的比重，这样构造的特征模板不能充分代表用户心电图信息。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于可穿戴设备的心电图身份认证方法。

本发明的目的是通过以下技术方案来实现的：一种基于可穿戴设备的心电图身份认证方法，包括以下步骤：

步骤一：具有心电图测量功能的可穿戴设备采集用户的心电图；

步骤二：应用混合三层降噪对步骤一采集的心电图进行预处理；

步骤三：对步骤三预处理后的心电图信号进行特征点检测，定位特征点位置；

步骤四：基于步骤三定位的特征点，提取心电图中的基准特征与非基准特征，结合基准特征与非基准特征构造特征模板，形成用户数据库；

步骤五：基于步骤四得到的用户数据库构建一类支持向量机；

步骤六：根据步骤一至四得到待身份认证用户的心电图特征模板，输入步骤五构建的一类支持向量机，进行身份认证。

进一步地，所述步骤一中，可穿戴设备包括智能手环、智能手表和健康腕带。

进一步地，所述步骤二中，混合三层降噪依次为第一次非局部均值降噪、频域滤波法、第二次非局部均值降噪。

进一步地，第一次非局部均值降噪中，目标点与领域点的区域长度L_Δ设置为QRS复合波区域的大小，搜索区域大小N(p)不小于心电图信号长度的一半，平滑参数λ不超过信号噪声标准差的一半；第二次非局部均值降噪中，L_Δ为QRS复合波区域的大小，搜索区域大小N(p)不小于心电图信号长度的一半，平滑参数λ为信号噪声标准差的30％-50％。

进一步地，所述频域滤波法包括小波去噪法和椭圆滤波器。

进一步地，所述步骤三具体为：首先采用Pan-Tompkins算法通过带通滤波器、导数滤波器、平方和积分器来检测心电图信号中QRS复合波的位置，粗略定位QRS复合波的位置，然后通过局部自适应阈值法精确定位特征点P，Q、R、S和T点的位置。

进一步地，所述步骤四包括以下子步骤：

(4.1)计算心电图特征点P，Q、R、S和T点之间的时间间隔和幅度差作为基准特征；