背景技术
当今使用的大多数生物识别技术都依赖于个体特征，包括语音识别、指纹、视网膜和面部识别，并且基于可识别的可见或可听特征，因此这些特征易于被伪造，因为已经广泛使用且可购买的技术允许对这些特征进行准确复制和修改，即CCD相机、3D打印机和数字记录。然而，用于复制或修改修改后的电信号的仪器并不广泛。生成心电图仪(或ECG)需要在识别位置存在活的且生物上存在的个体，这使得难以伪造。另外，ECG信号具有安全的生物特征的所有属性：通用性、可测量性、唯一性和永久性。
可以使用通常安装在受试者胸部上的常规表面电极来传输ECG信号以进行记录。ECG信号由代表每个心跳期间不同功能阶段的若干部分组成，并根据生成组织的电取向进行投射。由于个体之间心脏组织结构和取向的变化，因此在心电信号中存在特定于受试者的多种细节。
已经将ECG作为潜在的生物特征进行了广泛的研究，但是所需要的12导联检测不方便且可靠性不足，从而阻碍了ECG的广泛应用。尽管可以使用较少的导联并查找ECG信号或衍生的ECG信号的唯一部分，但是很难使用ECG信号查找可靠的标识物，因为受试者的脉搏率会发生变化(这种变化以连续基础进行)。
该电信号包括一系列PQRST复合物，并且大多数PQRST序列都是不一致的。两个连续的R信号峰值之间的时间间隔、被称为R-R间隔对应于心脏脉冲，该心脏脉冲的速率通常在每分钟60次至90次心跳(bpm)的范围内。P信号对应于心房去极化(右侧、先去极化、然后是左侧)。较大的QRS复合波对应于心室的去极化和心房的去极化。T信号对应于心室的复极化。有时会出现较弱的U信号。
“波”包括将至少一个完整部分(P、Q、R、S和/或T)覆盖的曲线。在一时间增量内在两个连续信号之间延伸的直线幅度、例如从S波的结束到紧随其后的T波的开始的直线幅度被称为“段”。在至少部分弯曲的曲线图中，包括至少一个波的时间增量、例如从Q波的开始到S波的结束被称为“间隔”。
QRS时间间隔——通常为50毫秒至100毫秒(msec)的时间长度——代表从心室去极化开始直到心室去极化结束的传导时间，并且包括电脉冲通过心室肌肉的传播。P波信号通常会逐渐变圆，并具有约等于50msec至110msec的时间长度。大于约120msec的QRS间隔通常表示室性心律不齐或束中的一个束被阻塞。
在ECG首次开发用于临床时，便采用了低通滤波器来消除信号中的高频“噪声”，从而更易于评估各种波的形状以及所显示输出中的间隔的长度。输出。ECG信号中的QRS复合波(HF-QRS)的高频成分——是ECG信号的一个独特部分并且与ECG信号本身不同——在很大程度上被遗忘了，直到NASA的研究人员证明该高频成分可以被用于更精确地确定心脏组织的健康状况，尤其是与电传导系统有关的健康状况，因为该高频信号更精确地代表每个体心脏的独特电传导系统。参见申请号为8,924,736、7,539,535的美国专利，上述两个专利均通过参引并入。HF-QRS信号中存在的数据量显著超过了当今使用的标准低频ECG中存在的数据量，并且NASA在数据中识别出的若干模式被示出每个月都是相对稳定的(T.T.Schlegel等人于2004年3月在Mayo Clin Proc的第79卷、pp.339-50的“Real-time12-lead high-frequency QRS electrocardiography for enhanced detection ofmyocardial ischemia and coronary artery disease”)。
相比于当前监控的其他生物识别方法，例如相比于指纹、面部、常规ECG读数或视网膜血管图案，HF-QRS信号中的特征数量以及可以从该HF-QRS信号中提取的数据量要大得多。因此，将HF-QRS信号用作生物特征可以允许使识别更加可靠。
发明内容
信号采集的进步允许从一个或更多个传感器、优选的是电极(美国专利No.9,833,158通过参引并入)生成标准ECG信号，包括将传感器嵌入智能手机或其他设备(美国公开No.2018/0116538、美国专利No.8,615,290两者均通过参引并入)。一个或更多个传感器可以在智能电话或设备的表面上，以仅使用与用户的最小接触来建立连接，例如通过指尖接触用户的电极，而不是通过胶粘剂连接的电极或需要穿透皮肤的电极。传感器也可以是远程的，并且不与用户接触——前提是传感器可以与受试者电连接。信号也可以通过诸如起搏器、房颤监测器或除纤颤器之类的与心脏相关的可植入设备来进行收集和存储；或从诸如手表、智能手机或眼镜之类的任何便携式或可穿戴设备获取。参见美国专利No.8,019,321(通过参引并入)。传感器也可以嵌入起搏器、房颤监护仪或除颤器中。
新增的可选安全措施包括验证来自个体的实时HF-QRS信号(或衍生数据)与个体存储的生物测定签名是否不相同，因为同一性或紧密同源性将表明存在对现有数据的复制、以及网络渗透或其他欺诈。还可以包括其他欺诈性检测，例如，测量生物阻抗体积描记法和/或体热以验证人类受试者正在提供样本。
可以通过以下公知的方法来衍生HF-QRS信号，包括对ECG信号进行带通滤波，优选在大约80Hz至300Hz的范围内、更优选在大约150Hz至250Hz的范围内、或者甚至在更宽的范围内允许对HF-QRS的测量。可以进一步对该滤波后的信号进行放大和滤波，以优化信噪比，并可以使用独特的数字信号处理算法(如下所述)对该信号进行数字化和/或分析，以检索识别存疑个体的身份所必需的信息。可以通过函数进一步限定并限制极其密集的HF-QRS信号，这些函数包括确定指定周期内的均方根(RMS)电压，或者衍生的其他函数，包括HFQE(在下文中进一步描述)以量化HF-QRS变化；或HFAV(下文将进一步描述)以降低对信号电压微小变化的敏感度。
在本发明中，对来自多个受试者的HF-QRS信号(在一些实施方式中，还对衍生以上值中的一个值，例如RMS电压、HFQE或HFAV)进行多次采样，以衍生下述特征或值：(i)该特征或值对同一受试者而言的所有样本中都足够相似，但是(ii)该特征或值在不同受试者之间具有足够的差异，以允许对上述特征或值进行识别。这些特征或值的集合是使用例如深度学习卷积神经网络以及HF-QRS信号或从HF-QRS信号功能衍生的值。合适的特征可以存在于特定的HF-QRS信号或其区域中，或者特别是从HF-QRS信号得出的值。在一种情况下，符合条件(i)的特征或值也满足上述条件(ii)；在其他情况下，满足条件(i)和(ii)的特征和值是不同的。
可以通过使用一组受试者的特征或值首先建立该类特征或值的训练集来执行对这种特征或值的搜索，并对该组中每个受试者的HF-QRS表示进行多次采样。然后可以将训练集与验证集进行比较(和/或交叉验证)，以识别过度拟合并对适当特征或值进行附加验证。然后，人们查找这样的特征或值，并且假设查找特征或值是适当衍生的，因此足以满足标准(i)，但又足以满足标准(ii)，则这样的特征或值为个体建立了签名。
每个体的生物测定签名都存储在数据库中，以用于以后的识别。为了进行识别，将存储的生物测定签名与从个体获取的实时现场HF-QRS信号的特征或值进行比较，以识别个体或确定与数据库中的任何人都不匹配，并且可选地，在“匹配”和“不匹配”(或同时存在)的情况下向其他人发出警报。实时信号也可以被临时或暂时存储以备之后使用。
随着信号处理、大数据分析和机器学习技术的最新发展，可以对来自多个个体的HF-QRS信号进行分析以查找满足标准(i)和(ii)的特征，并使用该特征来生成独特的生物测定签名。优选的方法是将两个或更多个信号或信号衍生物进行融合，例如将频谱图与原始信号融合。各种信号衍生物函数也可以用于确定个体之间具有足够差异的值以进行签名。
在查找满足条件(i)和(ii)的特征并使用这些结果以生成生物测定签名后，另一个步骤是验证签名随时间的稳定性。这可以通过一组测试受试者来完成，随时间推移对这些测试受试者的潜在特征(如上选择)进行监控。对于这种标识符的任何变化(不稳定性)，人们将量化随时间的变化，然后确定理论受试者的偏差阈值，其中，对于个体而言在偏差阈值内标识符被接收；偏差阈值之外的标识符被拒绝。最终，还应当对标识符在数据库中的所有个体进行定期监测，并且如果存在显著变化(个体的签名置于偏离阈值之外)，则应当对存储的标识符进行更新。
每次确定并发送个体的HF-QRS进行确认时，结果数据中可能存在变化。优选地，在个体的生物测定签名时生成可变性校正数据，并且在验证期间使用该可变性校正数据。该可变性校正数据可以包括用于降低从个体获得的值或特征的敏感性的模糊度解决数据和/或由错误检测和校正算法用于校正特征或值中的误差的误差校正数据(还参见美国专利No.7,882,363，该专利通过参引并入到本文中)。
生物识别技术已经广泛应用于各个行业，包括医疗保健、安全、取证、金融和消费产品。数字钥匙(使用如本文中所描述的HF-QRS)可以用于任何与互联网相关的安全应用程序或任何其他类型的安全特权或访问权。
本发明包括确定HF-QRS信号的特征或值或它们的HF-QRS函数或信号衍生物的特征或值，这些特征或值分别地或累加地具有如下特征：(i)在对于同一受试者而言的所有样本中是足够相似的，但是(ii)对于不同的受试者而言有足够差异以允许进行识别；以及(iii)随时间推移是足够稳定的。本发明还包括将个体的HF-QRS信号或他/她的HF-QRS函数或衍生的值与从个体单独采样的信号、函数或衍生值进行比较；以及识别个体或确定与数据库中的任何人都不匹配，并且可选地，向他人发信号或将匹配和不匹配情况中的一者或两者都存储在数据库中。
附图说明
图1是流程图，该图示出了如何使用HF-QRS信号或衍生的特征或值、通过机器学习来查找个体的生物测定签名。
图2A是将HF-QRS信号或衍生的特征或值的生物测定签名用于与安全相关的应用的流程图的第一部分，诸如为个体提供访问权或特权。
图2B是图2A的流程图的第二部分。
图3A以流程图概述了测试阶段，该图示出了如何查找并验证根据图1所选择的生物测定签名随着时间的稳定性；以及建立用于签名的偏差阈值。
图3B以流程图概述了在识别受试者时使用所选择的标识符；以及继续监测受试者的签名。
图4描绘了如何可以从HF-QRS信号中提取一个特定的独特特征来用作生物测定签名的步骤。
具体实施方式
图1是流程图，该图示出了如何使用神经网络在HF-QRS信号或从HF-QRS信号衍生的特征或值中查找生物测定签名。该神经网络允许人们能够查找下述信号、特征或值：(i)该信号、特征或值对于同一个体而言在不同时间处采集的样本足够相似；以及(ii)不管何时采样，该信号、特征或值在所有个体之间是有足够差异的，从而用作生物测定签名。查找具有这种相似性和差异性的数据集的方法是已知的，并且可以使用能够执行深度学习的各种神经网络中的任何一种神经网络来完成。类似地，建立分类器并使用正则化来减少过度拟合是已知的。分类器可以是单类SVM分类器，或者可以是朴素贝叶斯、逻辑回归、支撑向量机、贝叶斯网络、多层感知器、深层神经网络、随机森林或Adaboost中的任意者。
图2A和图2B是以下步骤的流程图：得到HF-QRS信号以及从该HF-QRS信号衍生、以及存储个体的生物测定签名、然后将该生物测定签名与实时信号进行比较以进行识别、以及允许通过正确识别的个体进行某些动作或者如果存在视图违反安全性则向监测器(服务器或个体)发出警报。第一步骤是使用待识别的个体的HF-QRS信号或衍生的特征或值来建立代表个体生物测定签名的数据集。可以对信号或者可以衍生的特征或值进行滤波、融合(如下所述)。在进行同一性验证时，将个体的实时信号、特征或值与所存储的生物测定签名进行比较，并且如果该个体的实时信号、特征或值通过相似性阈值，则个体将被识别并允许被识别的个体获得访问权或特权。相反，如果不存在匹配，则可以向监测器(服务器或个体)发出警报。
图3A示出了第一步骤、即测试阶段，在该第一步骤中选择随时间推移保持稳定的签名。在第一步骤中还确定了偏差阈值。偏差阈值接受在该偏差阈值范围内变化的签名，并拒绝变化超出该偏差阈值范围的签名；因此可以设想签名随着时间的推移发生某种程度的变化。
图3B示出了第二步骤，在该第二步骤中使用所选择的被确定为随着时间的推移保持稳定的签名。如果在偏离阈值之内，则该受试者的签名被接受，并授予该受试者访问权或特权。
在申请号为7,729,545的美国专利(通过参引并入)中描述了对相似图像特征进行确定的方法，并且这些方法可以应用于信号或融合信号，或者可以将其他常规的相似性测量应用于衍生的函数或值。
作为可选步骤，可以使用测量组织中电阻抗的生物阻抗体积描记法(参见美国专利No.5,732,710，该专利通过参引并入)或者热传感器将所发送的信号、特征或值确认为人类来源。可以通过以下方式来测量生物阻抗：使受试者用不同的手指(或身体的其他部位)来接触电极，然后从一个电极发送微弱的电信号并测量另一个电极的阻抗，然后确定该阻抗是否与人体特征阻抗相对应。热传感器可以附加地或替代地对具有人类体温特征的受试者进行验证。电极或传感器可以位于固定的位置、例如门入口面板，也可以被包含在个体的个人设备中、包括在手机中。
作为另一个可选步骤，存储的特征或值与实时特征或值之间的同源程度可以指示匹配、不匹配或试图欺诈。可以设想被存储为生物测定签名的HF-QRS信号与在另一次采样中获得的HF-QRS信号不相同。
同一性(identity)将指示复制现有信号、功能或值集以及欺诈行为。可以建立同源性阈值来对匹配、不匹配和同一性(欺诈)进行区分。
另一种选择是对ECG、例如HF-QRS的数据丰富的P-R和S-T段的高频部分进行检查，因此，总是可以设想在不同的采样上有变化。还可以建立这些段的同源性阈值，以对匹配、不匹配和同一性(欺诈)进行区分。
验证数据可以存储在用户设备中、局域网中或互联网上。经过验证的用户数据可以作用为提供访问权、特权或其他与安全性相关的操作的数字钥匙，然而，同一性可以提示监控器欺诈或试图入侵。可以在用户的设备上提供数字钥匙，以使得经过验证的个体可以使用数字加密的设备来提供对许多条目中任何意项的访问权或特权。
衍生特征和值
图4描绘了示出如何从HF-QRS信号中提取一个特定的这种独特特征以用作生物测定签名的步骤。在图4的步骤(a)中，首先确定平均或未平均的ECG信号。ECG信号被确定在2mV范围内。从该信号中，使用带通滤波(最优选地，在约150Hz至250Hz的范围内)来分离HF-QRS信号，在这种情况下，该信号在90毫秒的时间内处于10μV范围内。从衍生的HF-QRS信号中，可以将原始HF-QRS信号的轮廓用作个体的生物测定签名；或者，可以将信号内的振幅减小区域(请参见美国专利No.7,539,535、美国公开No.2018/0116538，这两个文件均通过参引并入，这两个文件描述了监测HF-QRS信号并查找振幅减小区域)分离。在个体之间可以对原始HF-QRS信号的轮廓和信号振幅降低部分充分进行区分，但是对于同一个体而言在多次采样中该原始HF-QRS信号的轮廓和信号振幅降低部分却是相似的，从而允许从原始HF-QRS信号提取签名；如本文中所述。
在查找独特的特征时，通过更改比例或更改特定波的衰减或增益来增强HF-QRS信号可以是有用的。这在如上所指出的对ECG的P-R和S-T段进行了监测以提高安全性的情况下也可以应用于ECG的P-R和S-T段。
可以从HF-QRS信号衍生并用于生物测定签名的另一个值是RMS电压值。RMS电压值是通过以下步骤从滤波后的HF-QRS信号中衍生的(请参见Xue等人、第240页、第2栏)：使用三个导联(lead)的空间速度来确定平均未滤波波形(uqon、uqoff)的QRS起始和偏移(基准点)，以及测量未滤波QRS持续时间(UQRSD＝uqoff-uqon)。优选地，使用光谱滤波器对每个导联的数据进行滤波(150Hz至250Hz)。以VM＝(fX
Xue等人还确定了新的值HFQE，以对HF-QRS的变化进行量化。首先使用未滤波的QRS基准点和未滤波的QRS持续时间(uqon、uqoff和UQRSD)来计算RMSV，而不是如等式1中那样计算经滤波的基准点和经滤波的QRS持续时间。根据经滤波的信号使用未滤波的QRS加上对应于uqon之前10ms和uqoff之后10ms的附加持续时间的样本填充(padding)来计算HFQE基准点：
Xue等人还使用以下函数确定了第三值、HFAV，以降低对信号电压微小变化的敏感度：
Xue等人还指出，对于他们测试的所有组，未滤波的QRS持续时间比经滤波的QRS持续时间更稳定。
RMSV、HFQE和HFAV中的任何一者或其他合适的衍生特征或值都可以用于本文中所述的生物测定签名。
Aversano等人描述了数据处理步骤，其中可选地，可以通过以下方式进一步对非常密集的HF-QRS信号的RMS电压进行限定及限制：(i)对数据进行傅立叶(Fourier)变换并衰减低频谐波，然后进行傅立叶反变换以获得滤波后的信号，由此确定QRS的开始和偏移，然后确定整个QRS复合波的均方根电压；(ii)作为进一步的可选步骤，确定滤波波形的局部峰和谷，并通过描绘峰与谷的连结来查找高频ECG的包络(envelope)；(iii)还可选地的是，确定一组受试者的变动系数和平均标准偏差，以便确定HF-QRS均方根(RMS)电压的可变性的适当高的置信度限度(例如95％)，因此可以不重视或忽略置信限度之外的RMS电压结果。这样的RMS电压可以用于本文中所述的生物测定签名。
用于衍生RMS电压值的初始信号可以是HF-QRS的任何表示形式，包括可以通过衍生HF-QRS信号的频谱图来优先确定的独特特征(I.Odinaka等人、2010年12月12日至15日、WIFS’2010的“ECG Biometrics：a robust short-time frequency analysis，”；J.daSilva Luz等人、IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY的“Learning Deep Off-the-Person Heart Biometrics Representations”、VOL.13、pp.1258-70(2018))。频谱图是信号能量被表示为频率与时间的函数的直观表示。如果不希望衍生RMS电压值和相关函数，而是使用频谱图本身，则优选地在一个示例中将频谱图与低频原始信号融合(请参见J.da Silva Luz等人，同上)，以使得用两个单独的视图来表示单个心跳，从而减少了系统错误。另一个选择是手动从时间序列或频谱图或两者中衍生出RMS电压和相关值(HFQE和HFAV)或其他值或特征，或者为时间序列、频谱图或两者提供无监督衍生(在某种意义上为“自动”)。此外，甚至可以对频谱图本身或原始信号本身进一步进行分析，以提取独特的特征，而不是从融合结果中提取特征。
衍生及使用特征或值
可以使用无监督的深度学习算法或通过手动识别特征来提取允许区分个体的特征或值。可以利用深度学习算法使用频谱图、低频原始信号或融合结果(带有低频原始信号的频谱图)或RMS电压及相关值(HFQE和HFAV)或其他值或特征通过拟合成训练集来查找一个或更多个分类器。参见V.Jindal等人、“An Adaptive Deep Learning Approach forPPG-Based Identification”、IEEE pp.6401-04(2016)。或者，可以手动识别和提取这种共有特征。优选的深度学习算法是卷积神经网络(CNN)，该卷积神经网络(CNN)在给定大量数据的情况下可以学习深度(数层)并对直接来自数据本身的表示形式和分类器进行区分。其他合适的深度学习算法包括深度神经网络(“DNN”)、长短期记忆递归神经网络(“LSTM-RNN”)或卷积长短期记忆深度神经网络(“CL-DNN”)。
在不同时间或不同受试者采集的或者在不同的时间且不同的受试者中采集的训练集中的相同特征或值被用作验证集或测试集，即以下各者中的一者：融合结果(带有低频原始信号的频谱图)或RMS电压及相关值(HFQE和HFAV)或其他特征或值。验证集用于调整分类器的超参数，并避免过度拟合，例如，通过使用验证集进行正则化。在一个简单的示例中，正则化是通过在验证数据集上的错误增加时提早停止训练，因为这是对训练数据集过度拟合的标志。还可以通过使用脱落(dropout)来减少过度拟合，脱落通过在训练期间将神经网络中一定比例的节点随机设置为零(忽略它们)来规范目标函数。
其他用于增强结果的修改包括数据增强，以强制网络识别心跳，即使在某些部分受到损害(受检者的脉搏或生理变化)的情况下也是如此。该修改包括在其他版本的心跳中复制训练数据集的心跳，其中通过更改比例或将特定波的衰减或增益改变指定的百分比来生成新版本。J.da Silva Luz等人，同上。
然后，如Choi等人的“Biometric Authentication Using NoisyElectrocardiograms Acquired by Mobile Sensors”、IEEE pp.1266-73(2016)，通过适当的单类分类器对信号特征或值进行分类，其中，单类支撑向量机(SVM)分类器是优选的，但是单类分类器还可以包括：朴素贝叶斯、逻辑回归、支撑向量机、贝叶斯网络、多层感知器、深度神经网络、RBF网络、引导聚集算法(Bagging)、随机森林和Adaboost。Choi等人设计了一种用于消除噪声的级联带通滤波器，并提出了八种基准特性。对于基于分类的身份认证，他们使用了基于径向基功能、基于核的支撑向量机，该支撑向量机通过实验比较示出了九个分类器中的最佳性能。分类后，所选的单类机器学习算法将确定输入函数或值是否与数据库中的输入函数或值匹配。可以对那些不匹配的输入函数或值再次进行测量。
已经讨论的实施方式、部分、步骤、特征、目的、益处和优点仅仅是示例性的，而不是限制性的。本公开中已引用的所有文章、专利、专利申请和其他出版物均通过参引并入本文中。诸如“第一”和“第二”之类的关系术语可以仅用于将一个实体或动作与另一个实体或动作区分开，而不必要求或暗示一个实体或动作和另一个实体或动作之间的任何实际关系或顺序。术语“包括”、“包括有”、“包含”及其任何其他变型旨在与说明书或权利要求书中的元件列表结合使用时用于指示该列表不是排他的，并且可以包括其他元件。类似地，在没有进一步限制的情况下，以“一”或“一种”开头的元件不排除存在相同类型的其他元件。本发明仅在所附权利要求书中被限定，并且包括权利要求书中的元件的所有等同物。
机译： 生物识别识别中的高频QRS
机译： 生物识别识别中的高频QRS
机译： 高频QRS在生物识别中的应用
