一种基于功率谱分析的脉搏波身份识别装置及方法

摘要

一种基于功率谱分析的脉搏波身份识别装置及方法，涉及生物特征识别技术领域，该装置包括指尖脉搏波检测装置、信号处理装置、蓝牙发送模块、蓝牙接收模块和上位机；指尖脉搏波检测装置包括用于采集指尖脉搏波的脉搏波传感器和前置放大器；脉搏波传感器的输出端连接前置放大器的输入端；信号处理装置的输入端连接前置放大器的输出端，信号处理装置通过蓝牙发送模块和蓝牙接收模块与上位机建立无线通信。本发明以脉搏波为特征提取分类对象，基于对脉搏信号的处理进而实现不同对象身份辨识，采用最大熵功率谱估计方法区分不同特征人的身份信息，可以将脉搏波身份识别装置与指纹采集系统相结合，开发综合身份识别系统。

说明书

技术领域

本发明涉及生物特征识别技术领域，特别是涉及一种基于功率谱分析的脉搏波身份识别 装置及方法。

背景技术

随着信息化时代的到来，人们生活空间范围迅速扩张，人们对各种信息安全的要求也越 来越高，这种需求刺激近代生物特征识别不断发展进步。

对基于生物特征识别技术的身份识别方法应用研究之前主要以指纹、人脸等外部特征为 主，但近年来出现的假冒指纹等技术使得人们的信息安全受到很大影响。

脉搏波作为一种常见的人体生理信号，它含有心脏各个部分如心房、心室、大血管、心 血管及各个瓣膜功能状态的大量生理信息，具备普遍性、独特性和可采集性的生物特征，同 时又是来自于人体内部的信号，不容易被模仿和复制。

发明内容

针对现有技术存在的问题，本发明提供一种基于功率谱分析的脉搏波身份识别装置及方 法。

本发明的技术方案是：

一种基于功率谱分析的脉搏波身份识别装置，包括指尖脉搏波检测装置、信号处理装置、 蓝牙发送模块、蓝牙接收模块和上位机；

所述指尖脉搏波检测装置包括用于采集指尖脉搏波的脉搏波传感器和前置放大器；脉搏 波传感器的输出端连接前置放大器的输入端；

所述信号处理装置，用于对前置放大器输出的脉搏波信号进行低通滤波和AD转换，信 号处理装置的输入端连接前置放大器的输出端，信号处理装置的输出端连接蓝牙发送模块， 上位机连接有蓝牙接收模块，信号处理装置通过蓝牙发送模块和蓝牙接收模块与上位机建立 无线通信。

采用所述的基于功率谱分析的脉搏波身份识别装置进行脉搏波身份识别的方法，包括以 下步骤：

步骤1：建立脉搏波身份识别数据库；

步骤1.1：利用脉搏波传感器采集各个受试者的指尖脉搏波，并进行信号放大处理；

步骤1.2：将放大处理后的指尖脉搏波信号传输至信号处理装置进行低通滤波和AD转换；

步骤1.3：低通滤波和AD转换后的指尖脉搏波信号通过蓝牙发送模块发送至上位机；

步骤1.4：上位机对指尖脉搏波信号进行预处理包括小波去噪、去除基线漂移和分帧处理；

步骤1.5：对经预处理后的指尖脉搏波信号，采用最大熵功率谱估计方法绘制指尖脉搏波信号 的功率谱，进行特征提取，得到最大熵频谱特征参数；

步骤1.6：各个受试者的指尖脉搏波特征提取后得到的最大熵频谱特征参数，形成脉搏波身份 识别数据库；

步骤2：采集当前待识别的受试者的指尖脉搏波信号并进行信号放大处理；

步骤3：对放大处理后的指尖脉搏波信号执行步骤1.2～步骤1.5，得到当前受试者的指尖脉搏 波特征提取信息，即最大熵频谱特征参数；

步骤4：对当前受试者的指尖脉搏波特征提取后得到的最大熵频谱特征参数，进行基于脉搏 波身份识别数据库的身份特征匹配，得到当前受试者身份特征匹配结果；

步骤4.1：以周期为T的时间序列f₁(t)表示当前受试者的指尖脉搏波得到最大熵频谱特征参数， 以周期为T的时间序列f₂(t)表示脉搏波身份识别数据库中的某一最大熵频谱特征参数；

步骤4.2：计算时间序列f₁(t)的自相关函数值，并分别计算时间序列f₁(t)与脉搏波身份识别数 据库中的各最大熵频谱特征参数的时间序列f₂(t)互相关函数值；

步骤4.3：计算出的各互相关函数值中的最大值与当前自相关函数值之差不超过设定阈值，则 身份特征匹配，即当前受试者与该最大值对应的受试者身份匹配，否则，身份特征不匹配。

有益效果：

本发明以脉搏波为特征提取分类对象，基于对脉搏信号的处理进而实现不同对象身份辨 识，由于脉搏信号是每个人特有信号并且很难被复制和模仿，故其较传统方法具有更高的安 全性。本方法采用最大熵功率谱估计方法区分不同特征人的身份信息，可以将脉搏波身份识 别装置与指纹采集系统相结合，开发出一套综合身份识别系统，从而提升识别的安全性、准 确性，为人们生活提供更加安全的技术保障。在识别身份的同在，能够间接长期监测受试者 的心脏及心血管状态，功能丰富。

附图说明

图1为本发明具体实施方式的基于功率谱分析的脉搏波身份识别装置结构框图；

图2为本发明具体实施方式的前置放大器电路原理图；

图3为本发明具体实施方式的单片机最小系统电路图；

图4为本发明具体实施方式的蓝牙发送模块/蓝牙接收模块电路原理图；

图5为本发明具体实施方式建立脉搏波身份识别数据库的流程图；

图6为本发明具体实施方式的基于功率谱分析的脉搏波身份识别方法流程图；

图7为典型指尖脉搏波信号波形图；

图8为本发明具体实施方式的采集的指尖脉搏波信号波形图；

图9为本发明具体实施方式的预处理前后的脉搏波波形效果图，其中，(a)为预处理前 的脉搏波波形效果图，(b)为预处理后的脉搏波波形效果图；

图10(a)～(f)分别为本发明具体实施方式的6个不同受试者的特征提取后的效果图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

如图1所示，本具体实施方式的基于功率谱分析的脉搏波身份识别装置，包括指尖脉搏 波检测装置、信号处理装置、蓝牙发送模块、蓝牙接收模块和上位机；

指尖脉搏波检测装置包括用于采集指尖脉搏波的脉搏波传感器和前置放大器；脉搏波传 感器的输出端连接前置放大器的输入端；脉搏波传感器采用FP-100型脉搏波传感器，采集指 尖脉搏模拟信号，前置放大器的型号为AD620。

信号处理装置采用型号为C8051F410的单片机，蓝牙发送模块和蓝牙接收模块均采用基 于蓝牙2.0标准协议的型号为HC-06无线蓝牙模块，如图4所示，HC-06的1号引脚为发送 端，2号引脚为接收端。

信号处理装置的输入端连接前置放大器的输出端，信号处理装置的输出端连接蓝牙发送 模块，上位机连接有蓝牙接收模块，信号处理装置通过蓝牙发送模块和蓝牙接收模块与上位 机建立无线通信。

如图2所示，脉搏波传感器的输出端分别连接AD620前置放大器芯片的2号引脚和3号 引脚，其中，电阻R1控制前置放大倍数为4.3倍，通过电位计R11提供给脉搏波传感器和前 置放大器一个适当的正电压作为参考电压，使系统得到的脉搏波信号始终处于正电压方位内， 因此，可以直接将AD620芯片6号引脚输出的脉搏波信号连接到单片机模拟输入端。

如图3所示，将单片机C8051F410连接为最小系统作为信号处理装置，该最小系统的引 脚P1.5通过数字交叉开关配置为A/D转换的模拟输入端，引脚P0.4、P0.5配置为与蓝牙无线 模块通信的串口输出与输入端，将滤波并转换后的数据送入蓝牙发送模块，通过蓝牙发送模 块发送至上位机的蓝牙接收模块中。

采用所述的基于功率谱分析的脉搏波身份识别装置进行脉搏波身份识别的方法，如图6 所示，包括以下步骤：

步骤1：建立脉搏波身份识别数据库，具体步骤如图5所示；

步骤1.1：利用脉搏波传感器采集各个受试者的指尖脉搏波，并进行信号放大处理；

典型的脉搏波波形如图7所示，本实施方式采集的指尖脉搏波信号波形如图8所示；

步骤1.2：将放大处理后的指尖脉搏波信号传输至信号处理装置进行低通滤波和AD转换；

步骤1.3：低通滤波和AD转换后的指尖脉搏波信号通过蓝牙发送模块发送至上位机；

步骤1.4：上位机对指尖脉搏波信号进行预处理，包括小波去噪、去除基线漂移和分帧处理；

本实施方式中，预处理前后的脉搏波波形如图9所示；

步骤1.5：对经预处理后的指尖脉搏波信号，采用最大熵功率谱估计方法绘制指尖脉搏波信号 的功率谱，进行特征提取，得到最大熵频谱特征参数，特征提取后的效果如图10(a)～(f) 所示；

步骤1.6：各个受试者的指尖脉搏波特征提取后得到的最大熵频谱特征参数，形成脉搏波身份 识别数据库；

步骤2：采集当前待识别的受试者的指尖脉搏波信号并进行信号放大处理；

步骤3：对放大处理后的指尖脉搏波信号执行步骤1.2～步骤1.5，得到当前受试者的指尖脉搏 波特征提取信息，即最大熵频谱特征参数；

步骤4：对当前受试者的指尖脉搏波特征提取后得到的最大熵频谱特征参数，进行基于脉搏 波身份识别数据库的身份特征匹配，得到当前受试者身份特征匹配结果；

步骤4.1：以周期为T的时间序列f₁(t)表示当前受试者的指尖脉搏波得到最大熵频谱特征参数， 以周期为T的时间序列f₂(t)表示脉搏波身份识别数据库中的某一最大熵频谱特征参数；

步骤4.2：计算时计序列f₁(t)的自相关函数值，并分别计算时间序列f₁(t)与脉搏波身份识别数 据库中的各最大熵频谱特征参数的时间序列f₂(t)的互相关函数值；

时间序列f(t)的自相关函数R(τ)的公式如下：

$R\left(\tau \right)=\underset{T\to \infty }{\lim }\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}f\left(t\right)f(t+\tau )\mathrm{dt}$

互相关函数R₁₂(τ)的公式如下：

$R_{12}\left(\tau \right)=\underset{T\to \infty }{\lim }\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}{f}_1\left(t\right)f_2(t+\tau )\mathrm{dt}$

其中，τ为延时参数，t为时间；

步骤4.3：计算出的各互相关函数值中的最大值与当前自相关函数值之差不超过设定阈值，则 身份特征匹配，即当前受试者与该最大值对应的受试者身份匹配，否则，身份特征不匹配。

采用本实施方式的基于功率谱分析的脉搏波身份识别装置及方法，对20名受试者做实 验。

采集20名受试者的指尖脉搏波信号，每名受试者取两组指尖脉搏波信号，其中一组作为 脉搏波身份识别数据库Base1，另外一组作为测试数据库Base2。

从每一组脉搏信号中分别截取5个连续脉搏信号周期；对Base1中的数据逐个进行预处 理包括小波去噪、去除基线漂移和分帧处理，其中，小波去噪采用db3小波基进行4层分解， 在MATLAB软件中，采用wavedec()函数来实现；分帧处理是计算每个采样点处的一阶导数， 从而准确检测到信号中的每一个极值点，再对这些极值点进而二阶求导，从而对其进行分类， 符合脉搏波规律的，即划分为一个周期，即一帧，分别从每一组脉搏信号中截取5个连续脉 搏信号周期，得到的20×5=100个周期的脉搏波身份识别数据库Base1。

采用最大熵功率谱估计方法进行功率谱分析，绘制每名受试者的5个连续周期的最大熵 功率谱，在MATLAB软件中，采用pmem()函数来实现；由于脉搏波的常规频率范围在0-10HZ， 本实施方式在这个范围内平均选取10个区域，对每个周期的最大熵功率谱，分别计算[0,1]、 [1,2]、[2,3]、……[9,10]Hz范围内的平均值，得到一个十维的向量，即可作为该信号的特征 参数，例如，某一受试者的某一周期的特征参数为 [25.3,18.5,9.9,-2.5,-15.2,-20.0,-21.1,-21.5,-21.9,-22.3]。

根据脉搏波身份识别数据库Base1和测试数据库Base2，进行基于脉搏波身份识别数据库 的身份特征匹配：首先对测试数据库Base2中每名受试者的指尖脉搏波信号，进行预处理和 特征提取得到Base2中的某一受试者的最大熵频谱特征参数，并计算其自相关函数值R₀， 对当前受试者的最大熵频谱特征参数与Base1中的每一受试 者的最大熵频谱特征参数，分别计算互相关函数值[R₁,R₂,…,R₂₀]，时间序列f₁(t)与f₂(t)，互相 关函数i＝1，2，3……，20；将R₀与R₁～R₂₀逐一进行比较，计 算出的最大的互相关函数值为身份特征匹配数据，即当前受试者身份特征匹配结果。最接近 者即判定为匹配数据，例如：R₀计算后为1.21，而R₁、R₂、R₃、R₄……分别为1.28、1.21、 0.89、1.12…….，则判定该测试数据库Base2中的受试者与脉搏波身份识别数据库Base1中的 R₂相匹配。对测试数据库Base2中的每名受试者进行测试，并统计身份特征匹配结果，从而 统计出识别正确率。

经多次反复测试，本方法的识别正确率可达90%以上，由此可见本方法的可行性。