基于PPG信号和呼吸信号特征融合的身份识别方法

摘要

本发明公开了一种基于PPG信号和呼吸信号特征融合的身份识别方法，主要解决现有方法识别率较低的问题。其实现步骤：1)对训练PPG信号和呼吸信号预处理；2)对处理后的信号分别进行波峰检测，获取两信号的波形样本；3)利用指数稀疏约束的平滑非负矩阵分解方法分别对两信号样本提取特征，获取特征矩阵；4)对两信号的特征矩阵融合，获取训练模板库；5)分别对测试PPG样本和呼吸样本进行投影，获取测试特征；6)进行特征融合，获取融合测试样本；7)对测试样本类别预测，得到识别结果。本发明能够生成稳定有效的融合特征样本。仿真结果表明，其识别率达到100％，可应用于医疗、安全防务等对身份识别准确率要求较高的应用领域。

说明书

技术领域

本发明属于信息处理技术领域，具体涉及一种基于特征融合的身份识别方法，可用于医疗、安全防务等应用领域。

背景技术

随着无线网络的发展，远程医疗、电子商务等无线网络应用，在人们的生活中发挥着越来越重要的作用。由于这些应用涉及到人身、财产等重要信息，安全问题尤为重要。而传统的身份认证通过身份证或口令进行识别授权，这样的安全防护并不足够安全。身份证或口令信息易被窃取或遗忘，而生物识别系统具备唯一性、可靠性和隐秘性等，得到了较为广泛的应用。而一些生物特征识别方法仍然存在一定的安全隐患，如指纹可以用乳胶提取，人脸识别可以用伪造的照片进行欺骗，声音也可以被模仿，且脑电信号或心电信号方法因需要多种电极采集，无法广泛使用。

光电容积脉搏波PPG信号通过一种非侵入式手段获取，采集方便简单，反映了人体丰富的微循环生理信息，是一种人体独特的生理特性，难以被复制和模仿，具有高的安全性。另外，呼吸信号包含了人体内脏运动等多种信息，与PPG信号蕴含的人体信息相互补充。目前基于PPG信号的身份识别技术识别率较低，难以满足准确度要求很高的应用场合。

已提出的基于PPG信号的身份识别方法有：

N.S.Girish Rao Salanke,N.Maheswari and Andrews Samraj等人在2012年“theFourth International Conference on Signal and Image Processing”会议上发表的“An Enhanced Intrinsic Biometric in Identifying People byPhotopleythsmography Signal”一文中提出了一种利用核主成分分析KPCA方法提取PPG信号特征进行身份识别的方法，该方法首先将PPG信号分割成多个单周期，然后对多个单周期进行去噪、归一化等处理，再利用核主成分分析的方法对单周期波形进行特征提取，最后利用马氏距离进行身份识别。该文章分析了紧张状态下和放松状态下PPG信号的识别性能，但没有具体给出个体的身份识别率，且实验对象个数较少，不能充分展示该方法的识别。

NI Mohammed Nadzr，M Sulaimi，LF Umadi，KA Sidek等人2016年在“IndianJournal of Science and Technology”期刊上发表的文章“Photoplethysmogram BasedBiometric Recognition for Twins”中提出的方法，利用PPG信号单周期波形进行身份识别。该方法首先利用低通滤波器对原始PPG信号进行去噪，然后对PPG信号波形进行分割，提取单周期波形，再利用径向基函数网络和朴素贝叶斯分类器分别对单周期波形进行识别分类，最终身份正确识别率达到97％以上。该方法验证了PPG信号的单周期波形特征对个体身份识别的有效性，但没有充分挖掘并利用PPG信号单周期波形的特征，身份识别率仍有上升空间。

发明内容

本发明针对上述已有技术的不足，提出一种基于PPG信号和呼吸信号特征融合的身份识别方法，以提高身份的正确识别率。

实现本发明目的的技术方案是，通过分别提取呼吸信号和PPG信号的稳定特征进行融合，使呼吸信号与PPG信号的有效信息相互补充，生成蕴含个体充分且稳定的身份信息融合特征，然后进行身份识别，其实现步骤如下：

(1)分别对PPG训练数据集合X＝{X₁,X₂,…,X_n}和呼吸训练数据集合Y＝{Y₁,Y₂,…,Y_n}进行去噪和归一化预处理，得到归一化后PPG信号集合Z＝{Z₁,Z₂,…,Z_n}和归一化后呼吸信号集合R＝{R₁,R₂,…,R_n}，其中，n表示总人数；

(2)对所述PPG信号集合Z进行波峰检测，得到所有人的PPG信号波峰位置集合Loc＝{Loc₁,Loc₂,…,Loc_n}；对所述呼吸信号集合R进行波峰检测，得到所有人的呼吸信号波峰位置集合L＝{L₁,L₂,…,L_n}；

(3)以PPG信号波峰位置集合Loc中的所有元素为基准点，提取PPG信号的波形样本；以呼吸信号波峰位置集合L中的所有元素为基准点，提取呼吸信号的波形样本；

(4)去除所有人PPG波形样本中差异性大的样本，获取PPG训练集合M_p；去除所有人呼吸信号波形样本中差异性大的样本，获取呼吸训练集合M_R；

(5)利用指数稀疏约束的平滑非负矩阵分解方法分别对PPG训练集合M_p和呼吸训练集合M_R进行特征提取，获取PPG特征矩阵C_P、PPG的投影矩阵W_P、呼吸特征矩阵C_R和呼吸投影矩阵W_R；

(6)将PPG特征矩阵C_P中的每一列与呼吸特征矩阵C_R的相应列进行串联，生成融合训练模板，由所有的融合训练模板组成训练模板库F；

(7)利用PPG投影矩阵W_P和呼吸投影矩阵W_R，获取PPG测试特征矩阵T_P和呼吸特征测试矩阵T_R；

(8)将PPG测试特征矩阵T_P每一列与呼吸测试特征矩阵T_R相应列进行串联，得到融合特征列，将融合特征列作为一个融合测试样本，由所有融合测试样本组成测试样本库Lb；

(9)对样本库Lb中的所有融合测试样本进行类别预测，得到被鉴定者的身份识别结果。

本发明与现有技术相比具有以下优点：

第一，本发明利用指数稀疏约束的平滑非负矩阵分解方法对PPG信号波形样本和呼吸信号波形样本进行特征提取，充分获取了PPG信号的有效信息和呼吸信号的有效信息，从而提高了身份识别的正确率。

第二，本发明通过提取个体的PPG信号和呼吸信号波形样本的主要特征，并将PPG信号特征与呼吸信号特征进行融合，使PPG信号的有效信息和呼吸信号的有效信息相互补充，获取融合特征，利用融合特征进行身份识别，提高了身份识别的正确率。

附图说明

图1为本发明的实现流程图；

图2为MIMIC数据库的身份识别率结果图；

图3为MIMIC2数据库的身份识别率结果图。

具体实施方式

下面结合附图对本发明的实施及效果作进一步详细描述。

参照图1，本发明的实现步骤如下：

步骤1.对训练数据进行预处理。

常用公开的PPG信号数据库有MIMIC数据库、MIMIC2数据库等，本实例选取MIMIC库中50个人的PPG信号和呼吸信号数据，其中，每人400秒长度的PPG信号和400秒长度的呼吸信号作为训练数据，PPG信号和呼吸信号的采样频率f为125Hz，则每人的PPG信号数据长度为400*125＝50000，呼吸信号数据长度为400*125＝50000，由50个人的PPG信号组成PPG训练数据集合X＝{X₁,X₂,…,X_i,…,X_n}，由50人的呼吸信号组成呼吸训练数据集合Y＝{Y₁,Y₂,…,Y_i,…,Y_n}，其中，X_i表示第i个人的PPG信号数据，Y_i表示第i个人的呼吸信号数据，i＝1,2,…,n，n表示总人数，对PPG训练数据集合X和呼吸训练数据集合Y进行预处理：

分别对PPG训练数据集合X和呼吸训练集合Y依次进行去噪和归一化处理，使得归一化后的所有采样点取值在区间[0,1]之内，得到归一化后的PPG信号集合Z＝{Z₁,Z₂,…,Z_n}和归一化呼吸信号集合R＝{R₁,R₂,…,R_n}；

常用的PPG信号和呼吸信号去噪方法有低通滤波、小波变换去噪和自适应的形态学滤波等，本实例采用但不限于低通滤波的方法。

步骤2.对第i人的归一化PPG信号Z_i进行波峰检测，得到第i人的PPG信号波峰位置序列Loc_i，进而得到由所有人PPG信号的波峰位置序列组成的PPG信号波峰位置集合Loc＝{Loc₁,Loc₂,…,Loc_i,…,Loc_n}；对第i人归一化后的呼吸信号R_i进行波峰检测，得到第i人的呼吸信号波峰位置序列L_i，进而得到由所有人呼吸信号波峰位置序列组成的呼吸信号波峰位置集合L＝{L₁,L₂,…,L_i,…,L_n}。

这里的PPG信号和呼吸信号波峰检测采用的是动态差分阈值波峰检测方法，引用了张爱华、王平和丑永新2014年在吉林大学学报工学版上发表的“基于动态差分阈值的脉搏信号峰值检测算法”一文。

步骤3.获取PPG信号波形样本和呼吸信号波形样本。

(3a)以第i个人的PPG信号波峰位置序列Loc_i中的每个元素为基准点，在第i人的PPG信号Z_i中提取每个基准点前a₁个采样点和后a₂个采样点以及基准点，由(a₁+a₂+1)个采样点组成一个PPG信号波形样本，获取与序列Loc_i中元素数相同的PPG信号波形样本，进而获取所有人的PPG信号波形样本，其中，a₁，a₂为两个正整数；

(3b)以第i个人的呼吸信号位置序列L_i中的每个元素为基准点，在第i人的呼吸信号R_i中提取每个基准点前b₁个采样点和后b₂个采样点以及基准点，由(b₁+b₂+1)个采样点组成一个呼吸信号波形样本，获取与序列L_i中元素数相同的呼吸信号波形样本，进而获取所有人的呼吸信号波形样本，其中，b₁，b₂为两个正整数。

步骤4.去除差异性大的波形样本，获取训练集合。

(4a)对第i个人的所有PPG信号波形样本进行波形平均得到一个平均波形样本，计算第i个人的每个波形样本与平均波形样本的欧氏距离，将所有欧式距离从小到大排列，选取前m_i个欧式距离所对应的波形样本，将选取的波形样本作为列向量，由选取的所有人PPG信号波形样本组成PPG训练集合M_p＝{SP₁,SP₂,…,SP_gn}，其中，m_i为正整数，表示(a₁+a₂+1)维的实数向量空间，gn表示PPG训练集合M_p中样本个数；

(4b)对第i个人的所有呼吸信号波形样本进行波形平均得到一个平均波形样本，计算第i个人的每个波形样本与平均波形样本的欧氏距离，将所有欧式距离从小到大排列，选取前m_i个欧式距离所对应的波形样本，将选取的波形样本作为列向量，由选取的所有人的呼吸信号波形样本组成呼吸训练集合M_R＝{SR₁,SR₂,…,SR_gn}，其中，表示(b₁+b₂+1)维的实数向量空间。

步骤5.分别对PPG训练集合M_p和呼吸训练集合MR进行特征提取，获取PPG特征矩阵C_P、PPG投影矩阵W_P、呼吸特征矩阵C_R和呼吸投影矩阵W_R。

(5a)为了有效提高非平滑非负矩阵分解方法分解结果的稀疏性和局部特征的可解释性，同时降低分解误差，在非平滑非负矩阵分解方法的目标函数中添加指数稀疏约束，获得指数稀疏约束的平滑非负矩阵分解方法目标函数：

需要满足约束条件：

W^TW＝I,S^TS＝I，

其中，V表示待分解的数据矩阵，W表示基矩阵，S表示平滑矩阵，H表示系数矩阵，V_qs表示待分解矩阵V的第q行第s列的元素，W·_κ表示矩阵W的第κ列，S·_v表示矩阵S的第v列，||·||₂表示向量的L2范数，β，λ分别表示两个约束参数，(·)^T表示矩阵的转置，I表示单位矩阵；

(5b)利用指数稀疏约束的平滑非负矩阵分解方法对PPG训练集合M_p进行分解，获取PPG特征矩阵C_P和PPG投影矩阵W_P，具体操作步骤如下：

(5b1)随机初始化基矩阵W⁽⁰⁾、平滑矩阵S⁽⁰⁾和系数矩阵H⁽⁰⁾，使所有元素在区间(0,1)内，其中，和分别表示(a₁+a₂+1)×r₁维、r₁×r₁维和r₁×gn维的实数矩阵空间，r₁表示PPG信号的分解维数；

(5b2)按照如下迭代公式，对基矩阵W^(t)的元素进行更新：

首先，按照如下公式更新，得到中间变量值

然后，对中间变量值进行列归一化处理，得到

其中，表示迭代t次后的基矩阵W^(t)的第行第θ列元素，t表示迭代次数，t∈[1,iter]，iter为预先定义的最大迭代次数，θ＝1,2,…,r₁，表示迭代t-1次后的基矩阵W^(t-1)的第行第θ列元素，S^(t-1)表示迭代t-1次后的平滑矩阵，H^(t-1)表示迭代t-1次后的系数矩阵，e表示自然常数；

(5b3)按照如下迭代公式，对系数矩阵H^(t)的元素进行更新：

其中，表示迭代t次后系数矩阵H^(t)的第θ行第列元素，表示迭代t-1次后系数矩阵H^(t-1)的第θ行第列元素；

(5b4)按照如下公式，对平滑矩阵S^(t)的元素进行更新：

首先，按照如下公式更新，得到中间变量值

然后，对到中间变量值列归一化处理，得到

其中，表示迭代t次后平滑矩阵S^(t)的第u行第v列元素，u,v＝1,2,…,r₁，迭代t-1次后平滑矩阵S^(t-1)的第u行第v列元素；

(5b5)重复步骤(5b2)-(5b4)，当达到最大迭代次数iter时，停止迭代，输出基矩阵W^(iter)和系数矩阵H^(iter)；将基矩阵W^(iter)作为PPG投影矩阵W_P，将系数矩阵H^(iter)作为PPG特征矩阵C_P，其中，

(5b)按照步骤(5a)，对呼吸训练集合M_R进行分解，得到呼吸特征矩阵C_R和呼吸投影矩阵W_R，其中，和分别表示r₂×gn维和(b₁+b₂+1)×r₂维的实数矩阵空间，r₂表示呼吸信号分解维数。

步骤6.将PPG特征矩阵C_P的每一列与呼吸特征矩阵C_R中对应的列一对一进行串联，生成融合训练模板；由所有的融合训练模板组成训练模板库F；

步骤7.获取PPG测试矩阵T_P和呼吸测试矩阵T_R。

(7a)将被鉴定者的PPG信号测试数据和呼吸信号测试数据分别进行步骤1-4处理，得到PPG测试集合P和呼吸测试集合Q，其中，和分别表示(a₁+a₂+1)×G维和(b₁+b₂+1)×G维的实数矩阵空间，G表示PPG信号测试样本个数；

(7b)利用PPG投影矩阵W_P对PPG测试集合P进行特征提取，得到PPG测试特征矩阵T_P＝inv((W_P)^T×W_P)×(W_P)^T×P，其中，表示r₁×G维的实数矩阵空间，inv(·)表示矩阵求逆运算；

(7c)利用呼吸投影矩阵W_R对呼吸测试集合Q进行特征提取，得到呼吸测试特征矩阵T_R＝inv((W_R)^T×W_R)×(W_R)^T×Q，其中表示r₂×G维的实数矩阵空间。

步骤8.将PPG测试特征矩阵T_P的每一列与呼吸测试特征矩阵T_R对应列进行串联，得到融合特征列，将融合特征列作为一个融合测试样本，由所有融合测试样本组成测试样本库Lb。

步骤9.利用K近邻分类器进行身份识别。

(9a)计算测试样本库Lb中的每个融合测试样本与训练模板库中所有训练模板的欧式距离，将所有欧式距离从小到大排列，选取前K个欧式距离所对应的训练模板，然后统计该K个训练模板中每个类别出现的次数，选择出现频率最大的类别作为融合测试样本的预测类别，其中，K为正整数；

(9b)按照步骤(9a)，对测试样本库Lb中所有的融合测试样本进行类别预测，统计所有融合测试样本中每个预测类别出现的次数，将出现频率最大的类别作为被鉴定者的身份。

对融合测试样本进行类别预测的分类器不限于K近邻分类器，也可选用支持向量机SVM分类器，贝叶斯分类器等。

本发明的效果可通过以下仿真做进一步说明。

1.仿真条件

本发明仿真实验分别使用两个公开数据库MIMIC和MIMIC2中的PPG信号和呼吸信号作为实验数据，模拟从人体采集到的PPG信号和呼吸信号，仿真实验在Intel PentiumE5800 3.2GHz CPU、内存2GB的计算机上进行。

2.仿真内容

首先，分别从数据库MIMIC和MIMIC2中随机选取50个人的PPG信号和呼吸信号，使用本发明方法分别对两个数据库中每个人进行身份识别，计算每个人的身份识别率，得到每个库的身份识别率曲线图，如图2和图3，其中，每个人的身份识别率计算方法如下：

身份识别率＝类别预测正确的融合测试样本个数/被鉴定者的测试样本总数；

然后，取每个数据库中所有人身份识别率的平均值，作为该库的识别率。

由图2和图3可以看出，每个库的平均身份识别率均达到100％，充分说明本发明的有效性和高的正确识别率。

以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。