申请/专利权人：安徽建筑大学

申请日：2020-07-10

公开（公告）日：2024-04-23

公开（公告）号：CN111783715B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/2415;G06F18/10;G06F18/15;G06F18/214

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2020.11.03#实质审查的生效;2020.10.16#公开

摘要：本发明公开了基于脉搏信号特征提取的身份识别方法。该方法首先对原始脉搏波形进行FIR带通滤波，使用平均幅度差函数算法对滤波后的脉搏波形进行变换，通过变换波形的相邻极小值的时间差和采样率获得瞬时脉搏周期，根据瞬时脉搏周期进行每一帧脉搏波形的周期分割；对预处理后的脉搏波形进行特征提取，包括脉率特征、极值特征、曲率特征、能量特征以及子带谱特征；以每6周波作为一个样本，对所有训练样本的上述5种特征分别进行高斯统计建模；最后基于最大似然度进行身份ID识别，即对测试样本的5种特征分别按照每个目标人对应的5个高斯概率密度模型进行适配，计算5种特征的高斯概率密度乘积，将乘积最大值对应的身份ID作为识别结果。

主权项：1.基于脉搏信号特征提取的身份识别方法，包括以下步骤：1对总计s位目标人中每个目标人的脉搏信号原始波形进行FIR带通滤波和分帧，对每一帧使用平均幅度差函数算法对滤波后的脉搏波形进行变换，由通过变换波形得到的相邻极小值的时间差和采样率获得瞬时脉搏周期，根据瞬时脉搏周期进行每一帧脉搏波形的周期分割；2步骤1得到的总计s位目标人中每个目标人的脉搏波形按如下步骤进行包含脉率特征、极值特征、曲率特征、能量特征和子带谱特征的5种特征的提取：对每一周脉搏波形进行脉率特征、极值特征、曲率特征、能量特征的提取，对每6周脉搏波形进行子带谱特征的提取；所述脉率特征为单维特征，所述极值特征、曲率特征、能量特征和子带谱特征为多维特征；3以每6周波作为一个样本，将每个目标人的所有样本划分为训练样本和测试样本；对目标人所有训练样本所提取的5种特征分别进行高斯统计建模，首先计算所有训练样本中单周波的脉率特征的均值与方差，得到脉率特征对应的单维高斯概率密度统计模型；分别计算所有训练样本中单周波的极值特征、曲率特征和能量特征的均值与协方差，得到极值特征、曲率特征和能量特征对应的多维高斯概率密度统计模型；再计算所有训练样本的子带谱特征的均值与协方差，得到子带谱特征对应的多维高斯概率密度统计模型；每个目标人得到一组特征高斯概率密度模型，且一组特征高斯概率密度模型包含与5种特征分别对应的5个高斯概率密度统计模型；总计s位目标人共得到s组特征高斯概率密度模型；4以每个测试样本所提取的5种特征分别按照s位目标人对应的s组特征高斯概率密度模型进行适配：分别将每个测试样本中每周波的脉率特征、极值特征、曲率特征和能量特征代入一组特征高斯概率密度模型中的脉率特征、极值特征、曲率特征和能量特征所对应的高斯概率密度统计模型，依次获得与脉率特征、极值特征、曲率特征和能量特征一一对应的每一周波概率密度；将每个测试样本的子带谱特征代入同一组特征高斯概率密度模型中的子带谱特征对应的高斯概率密度统计模型，获得子带谱特征的高斯概率密度；将每个测试样本的5种特征遍历代入s组特征高斯概率密度模型，至此，每个测试样本得到了s组高斯概率密度数据，且每组高斯概率密度数据包含与脉率特征、极值特征、曲率特征和能量特征一一对应的每一周波概率密度，以及子带谱特征的高斯概率密度；5根据步骤4获得的每个测试样本的s组高斯概率密度数据分别代入下式，计算5种特征的高斯概率密度乘积，再对此求对数，将最终结果的最大值对应的身份ID作为该测试样本的识别结果； 其中，上式中，id∈[1,s]，psubi为一个测试样本的脉率特征、极值特征、曲率特征和能量特征的高斯概率密度的乘积，即特征种类序号i为1～4分别代表脉率特征、极值特征、曲率特征、能量特征，pij为第i号特征第j周波的概率密度，psub5为一个测试样本的子带谱特征的高斯概率密度。

全文数据：

权利要求：

百度查询： 安徽建筑大学 基于脉搏信号特征提取的身份识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD