[发明专利]面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法

说明书

本发明公开了一种面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法。本发明将经过预处理后的部分脉搏波信号作为训练集，通过深度神经网络训练具有提取时间稳定的可辨识性特征；基于聚类方法找到各类别的中心点，并根据中心点进行特征转换，得出各类别下类别特征向量，构建模板数据库；在测试集中，通过同样的信号处理方法和特征转换得到特征向量，计算其与模板数据库中各类别的特征向量的调整余弦相似度，判断其是否超过设定的阈值从而判断其是否属于模板数据库中的老用户或是一个新用户。本发明实施便捷、实用性高、识别精度高，不仅能够识别模板数据库中已存在的老用户，同时能够有效地发现和识别未在数据库中的新用户。

技术领域

本发明涉及生物医学信号处理领域，尤其涉及一种面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法。

背景技术

与指纹、虹膜和面部等生物特征身份识别技术相比，面向可穿戴设备光电容积脉搏波信号(Photoplethysmography，PPG)的信号的生物特征身份识别技术因其高安全性成为当前研究的热点。PPG可以从人体多个位置的可穿戴设备手指，手腕等，这使得它比其他生物医学信号，如心电图(Electrocardiogram,ECG)和脑电图(Electroencephalogram,EEG)信号。此外，PPG传感器体积小，开发成本低，为人们提供了更有效的身份识别手段。

通常，基于PPG信号的生物特征身份识别技术有两种应用：验证应用(一对一匹配)通过获取的特征与其数据库中的已存储的模板是否匹配来证明某人的身份，而识别应用(一对多匹配)通过将待识别用户的特征与所有存储的模板进行比较来识别用户。

对于验证应用而言，最早使用传统手工分析方法进行身份的验证，如使用傅里叶变换、模糊逻辑分析和线性判别分析处理和分析PPG信号进行用户认证，可以达到超过90％的准确率。但是以这种传统信号处理方法并手工提取特征的方法十分复杂和繁琐，使得将该技术应用于实际生活不具备可行性。为了降低传统方法的复杂性，有学者提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)结合长短期记忆(Long Short-Term Memory，LSTM)神经网络的方法用来摆脱提取手工特征的复杂性和不稳定性。以此网络为基础的研究，能够很好的利用一维周期信号的时序性，无需对原始信号进行大量数学上的复杂计算和特征提取，仅花费训练分类器网络的时间代价就能达到可以超过传统手工特征提取方法的准确性。

而对于识别应用，有学者提出使用离散小波变换和支持向量机分类器对用户进行分类，同时有研究从PPG原始信号、它的一阶导数信号及二阶导数信号上提取手工特征进行用户识别，取得了不错的效果。另有研究提出了一种乌鸦搜索算法(Crow SearchAlgorithm,CSA)来优化支持向量机分类模型。但是，同验证应用一样，现有的方法和研究仅仅是在已知的老用户(已知用户)上进行手工特征特取，过程十分复杂和繁琐。尽管使用深度神经网络可以很好地降低复杂度，但目前未有在识别应用下使用深度神经网络进行多分类的实际研究。一方面是由于直接使用深度神经网络进行多分类难度大且分类效果不理想；另一方面是在实践中，存在随时可能加入的新用户，由深度网络直接进行分类无法很好地发现和识别这些新用户，反而更倾向于将他们分类为某一类老用户而导致识别错误。因此，将具有实际应用价值的深度神经网络使用在身份识别场景，探寻利用其发现和识别新用户的方法存在很大的挑战。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供了一种面向可穿戴设备光电容积脉搏波信号的，使用深度神经网络、聚类算法和距离相似度相结合的发现和识别新用户的身份识别方法。

本发明采用的技术方案为：

面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法，包括下列步骤：

步骤S1：以用户的面向可穿戴设备光电容积脉搏波信号(PPG信号)设置训练集S；