[发明专利]基于可穿戴设备的心电信号用户认证方法

说明书

一种基于可穿戴设备的心电信号用户认证方法，在离线阶段将采集到的原始单导联心电信号数据经预处理后，训练卷积自编码器以进行特征提取，以提取到的特征向量，即特征点的间期宽度和高度和用户标签作为样本训练全连接神经网络；在在线阶段采用训练后的卷积自编码器和全连接神经网络进行实时用户认证。本发明基于可穿戴设备采集单导联的心电信号，使用卷积自编码器提取心电信号特征，结合心电信号的时域特征，使用全连接神经网络对用户进行认证。

技术领域

本发明涉及的是一种身份认证领域的技术，具体是一种基于可穿戴设备的心电信号用户认证方法。

背景技术

近些年，市面上的智能可穿戴设备集成多种传感器，收集加速度，方向，GPS等等数据。这些传感器可以收集数据进行生物特征识别，利用指纹，声纹，虹膜，步态，甚至呼吸这些人体固有的生理特性和行为特征来进行个人身份的鉴定。在现有的技术中，声纹识别容易被环境噪声所影响，虹膜识别技术需要充足的光线来对眼部进行拍摄，像指纹识别这种已经被广泛使用的技术，在安全性上也时常被质疑指纹容易被仿造。

发明内容

本发明针对现有技术在处理可穿戴设备上采集到的高噪声信号方面存在的不足，提出一种基于可穿戴设备的心电信号用户认证方法，基于可穿戴设备采集单导联的心电信号，使用卷积自编码器提取心电信号特征，结合心电信号的时域特征，使用全连接神经网络对用户进行认证。

本发明是通过以下技术方案实现的：

本发明涉及一种基于可穿戴设备的心电信号用户认证方法，在离线阶段将采集到的原始单导联心电信号数据经预处理后，训练卷积自编码器以进行特征提取，以提取到的特征向量，即特征点的间期宽度和高度和用户标签作为样本训练全连接神经网络；在在线阶段采用训练后的卷积自编码器和全连接神经网络进行实时用户认证。

所述方法具体包括：

第一步，对可穿戴设备电极上获得的原始单导联信号进行滤波降噪，以及使用最小二乘法拟合心电信号，得到趋势项，使用原始信号减去趋势项来消除基线漂移。

第二步，检测并识别心电图的特征点，截取每一个P波的起始位置与下一个P波的起始位置，作为一个完整的心跳周期，对每一个心跳周期进行数据预处理。

第三步，使用第二步生成的若干尺寸统一的心电信号训练卷积自编码器，用于提取中间层的隐变量以便从心电信号中提取出特征向量；

第四步，将卷积自编码器提取到的特征向量以及心电图间期宽度和高度特征作为输入，将目标输出设定为用户的身份标签，对全连接神经网络进行训练；

第五步，在在线阶段，将实际测得的一个心跳周期内卷积自编码器提取到的特征向量以及心电图间期特征输入全连接神经网络，得到用户的身份标签，最后比对通过神经网络生成的标签与预设的标签，得出对应用户的身份。

本发明涉及一种实现上述方法的系统，包括：心电信号采集及预处理单元、波形检测及特征点定位单元、时域特征提取单元、卷积自编码特征提取单元、用户标签生成单元和用户认证单元，其中：波形检测及特征点定位单元根据可穿戴设备采集的原始单导联心电信号数据，进行降噪、心电信号划分、特征点位定位，得到降噪后信号以及信号特征点位；时域特征提取单元根据信号特征点位，计算特征点位之间的关系，得到时域上的特征；卷积自编码特征提取单元根据划分好的单次跳动的心电信号，使用一维卷积自编码器对信号进行压缩，得到心电信号的频域特征；用户标签生成单元使用具有医学意义的时域特征和自编码器提取的频域特征，训练出用户的标签数据；用户认证单元对比用户的标签数据，计算相似度与阈值相比较，得到用户认证结果。

技术效果

本发明通过对心电信号进行多模态分析，提取心电信号的特征点位，计算直观医学特征，结合卷积自编码器提取的频域特征，生成用户标签并进行认证，提取到的特征更为直观，具有可解释性，对于可穿戴设备采集的高噪声信号具有更好的鲁棒性。

附图说明