本發(fā)明屬于信息處理技術(shù)領(lǐng)域，具體涉及一種身份識(shí)別方法，可作為金融、政府機(jī)構(gòu)等領(lǐng)域中維護(hù)個(gè)人信息安全的一種手段。

背景技術(shù)：

當(dāng)今社會(huì)，安全問題越來越突出，人們不得不記憶復(fù)雜的密碼或者攜帶額外的電子密碼器，這使得傳統(tǒng)的身份識(shí)別方法越來越失去它的實(shí)用性和可靠性，這一現(xiàn)狀使人們對(duì)生物識(shí)別的需求越來越大。今天，大多數(shù)的系統(tǒng)比如金融交易、計(jì)算機(jī)網(wǎng)絡(luò)和對(duì)安全領(lǐng)域的訪問系統(tǒng)仍是通過身份證或口令進(jìn)行識(shí)別授權(quán)的。這樣的系統(tǒng)并不足夠安全，因?yàn)樯矸葑C或口令信息很容易被竊取或者遺忘。生物識(shí)別系統(tǒng)可以提供更多的可靠性和隱秘性，因?yàn)樗歉鶕?jù)個(gè)人的生理信號(hào)和行為特征進(jìn)行身份認(rèn)證的，這種生理信號(hào)或行為特征是個(gè)人獨(dú)有的，并可以用來區(qū)分開不同個(gè)體。人體或行為屬性獨(dú)特的特性，如指紋、人臉、聲音、腦電圖和心電圖等被用來進(jìn)行身份識(shí)別?；谶@些特征的應(yīng)用提供了一種有發(fā)展前景和不可取代的識(shí)別方法。然而，指紋可以用乳膠提取特征，人臉識(shí)別可以用偽造的照片進(jìn)行欺騙，聲音可以被模仿，基于腦電信號(hào)或者心電信號(hào)的方法因需要各種各樣的電極采集信號(hào)而不能廣泛使用。

光電容積脈搏波ppg信號(hào)是一種非入侵式的光電方法，通過靠近皮膚測試身體的某一部位，獲取關(guān)于血管中血液流動(dòng)體積變化的信息。ppg信號(hào)作為人體固有的一種生理特征，具有難以被復(fù)制和模仿的特點(diǎn)，具有較高的安全性，且采集簡單。目前基于ppg信號(hào)的時(shí)域身份識(shí)別方法，識(shí)別率不足夠高，難以滿足實(shí)際應(yīng)用需求。

目前已提出的基于ppg信號(hào)的身份識(shí)別方法有：

a.kemalpolatb等人2014年在“computersinbiology&medicine”期刊上發(fā)表的“anovelfeaturerankingalgorithmforbiometricrecognitionwithppgsignals”一文，提出了一種利用ppg信號(hào)波形特征點(diǎn)進(jìn)行身份識(shí)別的方法，該方法首先從ppg信號(hào)單周期波形、一階差分波形和二階差分波形中提取了40維時(shí)域特征，然后根據(jù)這40維特征對(duì)正確識(shí)別率的貢獻(xiàn)度，選取貢獻(xiàn)度大的特征組成特征向量作為分類器的輸入，并利用k最近鄰分類器進(jìn)行分類識(shí)別，正確識(shí)別率最大時(shí)為94.44％，不能滿足識(shí)別率要求高的場合。

nimohammednadzr，msulaimi，lfumadi，kasidek等人2016年在“indianjournalofscienceandtechnology”期刊上發(fā)表的文章“photoplethysmogrambasedbiometricrecognitionfortwins”中，研究了一種利用ppg信號(hào)對(duì)雙胞胎的身份進(jìn)行識(shí)別的方法，該方法首先利用低通濾波器對(duì)原始ppg信號(hào)進(jìn)行去噪，然后對(duì)ppg信號(hào)波形進(jìn)行分割，提取單周期波形，再利用徑向基函數(shù)網(wǎng)絡(luò)和樸素貝葉斯分類器分別對(duì)單周期波形進(jìn)行識(shí)別分類，最終身份正確識(shí)別率達(dá)到97％以上，該方法驗(yàn)證了ppg信號(hào)的單周期波形特征對(duì)個(gè)體身份識(shí)別的有效性，但身份識(shí)別率仍有待進(jìn)一步提升。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于人體ppg信號(hào)分段的身份識(shí)別方法，以提高身份識(shí)別的正確率。

本發(fā)明的技術(shù)方案是通過對(duì)人體ppg信號(hào)單周期波形進(jìn)行分段處理，再利用鑒別式非負(fù)矩陣分解dnmf方法獲取各子波段的特征向量，最后將各子波段的特征向量加權(quán)融合，生成融合的特征向量，進(jìn)行身份識(shí)別，其實(shí)現(xiàn)步驟如下：

(1)獲取訓(xùn)練數(shù)據(jù)庫和測試數(shù)據(jù)。采集m個(gè)人在規(guī)定時(shí)間段內(nèi)的光電容積脈搏波ppg信號(hào)，組成訓(xùn)練數(shù)據(jù)庫s；再采集其中一人在另一時(shí)間段內(nèi)的ppg信號(hào)，作為被鑒定者的測試數(shù)據(jù)xg；

(2)對(duì)訓(xùn)練數(shù)據(jù)庫s依次進(jìn)行去噪，歸一化處理，波峰檢測，波形分割，插值，去除差異性大的波形和進(jìn)行波形平均，得到單周期平均波形數(shù)據(jù)庫w；

(3)將單周期平均波形數(shù)據(jù)庫w中每一個(gè)單周期波形進(jìn)行分段處理，得到訓(xùn)練數(shù)據(jù)的上子波形集v1、中子波形集v2和下子波形集v3，并計(jì)算各子波形集中同一個(gè)人兩兩子波形之間的相似度，得到訓(xùn)練數(shù)據(jù)上子波形集的權(quán)重因子d1、中子波形集的權(quán)重因子d2和下子波形集的權(quán)重因子d3；

(4)利用鑒別式非負(fù)矩陣分解dnmf方法分別對(duì)訓(xùn)練數(shù)據(jù)的上子波形集v1、中子波形集v2和下子波形集v3進(jìn)行分解，得到訓(xùn)練數(shù)據(jù)上子波形集的基空間z1、中子波形集的基空間z2、下子波形集的基空間z3、訓(xùn)練數(shù)據(jù)上子波形特征集h1、中子波形特征集h2和下子波形特征集h3；

(5)利用訓(xùn)練數(shù)據(jù)上子波形集的權(quán)重因子d1，中子波形集的權(quán)重因子d2和下子波形集的權(quán)重因子d3分別對(duì)訓(xùn)練數(shù)據(jù)上子波形特征集h1，中子波形特征集h2下子波形特征集h3中相應(yīng)的子特征進(jìn)行加權(quán)融合，得到訓(xùn)練模板庫h；

(6)對(duì)被xg鑒定者的測試數(shù)據(jù)依次進(jìn)行步驟(2)-(3)操作，得到測試數(shù)據(jù)xg的上子波形集α1，中子波形集α2，下子波形集α3和測試數(shù)據(jù)上子波形集的權(quán)重因子a1，測試數(shù)據(jù)中子波形集的權(quán)重因子a2和測試數(shù)據(jù)下子波形集的權(quán)重因子a3；

(7)將測試數(shù)據(jù)xg的上子波形集α1，中子波形集α2，下子波形集α3分別在訓(xùn)練數(shù)據(jù)上子波形集的基空間z1，中子波形集的基空間z2，下子波形集的基空間z3上進(jìn)行投影，獲得測試數(shù)據(jù)上子波形特征集f1，中子波形特征集f2和下子波形特征集f3；

(8)利用測試數(shù)據(jù)xg的各子波形集的權(quán)重因子a1，a2和a3，將測試數(shù)據(jù)xg的上子波形特征集f1，中子波形特征集f2和下子波形特征集f3進(jìn)行加權(quán)融合，得到測試特征集f；

(9)利用訓(xùn)練模板庫h和被鑒定者的測試特征集f，對(duì)被鑒定者的身份進(jìn)行識(shí)別。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

第一，本發(fā)明充分挖掘并利用ppg信號(hào)單周期波形的特征，通過將被鑒定者ppg信號(hào)的單周期波形進(jìn)行分段處理，利用余弦相似公式計(jì)算各段子波形的權(quán)重因子，并利用權(quán)重因子對(duì)各段子波形進(jìn)行加權(quán)融合，利用獲得的融合特征向量進(jìn)行身份識(shí)別，提高了被鑒定者身份正確識(shí)別率。

第二，本發(fā)明利用鑒別式非負(fù)矩陣分解方法提取ppg信號(hào)單周期波形的主要特征，使得相同個(gè)體的單周期波形特征之間的差異性變小，不同個(gè)體單周期波形特征之間的差異性增大，從而提高了被鑒定者身份的正確識(shí)別率。

附圖說明

圖1為本發(fā)明的實(shí)現(xiàn)總流程圖；

圖2為mimic數(shù)據(jù)庫的身份識(shí)別率結(jié)果圖；

圖3為mimic2數(shù)據(jù)庫的身份識(shí)別率結(jié)果圖；

圖4為capnobase數(shù)據(jù)庫的身份識(shí)別率結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施及效果作進(jìn)一步詳細(xì)描述。

參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)如下：

步驟1.采集ppg信號(hào)，得到訓(xùn)練數(shù)據(jù)庫和測試數(shù)據(jù)。

采集m個(gè)人在規(guī)定時(shí)間段內(nèi)的ppg信號(hào)，設(shè)采集的每個(gè)人的ppg信號(hào)采樣點(diǎn)數(shù)為n，將采集的每個(gè)人的ppg信號(hào)作為一個(gè)行向量，構(gòu)造一個(gè)m×n大小的矩陣，作為訓(xùn)練數(shù)據(jù)庫s；再采集其中一人在另一時(shí)間段內(nèi)的ppg信號(hào)，作為被鑒定者的測試數(shù)據(jù)，用符號(hào)xg表示，則測試數(shù)據(jù)xg是一個(gè)包含多個(gè)采樣點(diǎn)的向量。

本發(fā)明以mimic數(shù)據(jù)庫中的ppg信號(hào)作為實(shí)驗(yàn)數(shù)據(jù)，模擬從人體采集到的ppg信號(hào)，從mimic數(shù)據(jù)庫中隨機(jī)選取其中50個(gè)個(gè)體的ppg數(shù)據(jù)文件，讀取每個(gè)人的ppg數(shù)據(jù)文件的前200秒的ppg信號(hào)，組成訓(xùn)練數(shù)據(jù)庫s；再從該50個(gè)個(gè)體中隨機(jī)讀取其中一個(gè)人的ppg數(shù)據(jù)文件后200秒的ppg信號(hào)，作為被鑒定者的測試數(shù)據(jù)xg；mimic數(shù)據(jù)庫中的ppg信號(hào)的采樣頻率f為125hz，所以訓(xùn)練數(shù)據(jù)庫s是一個(gè)50×25000大小的矩陣，測試數(shù)據(jù)xg是一個(gè)1×25000維的向量。

步驟2.對(duì)訓(xùn)練數(shù)據(jù)庫s進(jìn)行預(yù)處理，獲取單周期波形數(shù)據(jù)庫。

(2a)對(duì)訓(xùn)練數(shù)據(jù)庫s每行ppg信號(hào)進(jìn)行去噪處理，由去噪后的所有行ppg信號(hào)組成去噪后的訓(xùn)練數(shù)據(jù)庫s1，其中，訓(xùn)練數(shù)據(jù)庫s1中每行的ppg信號(hào)s1i由n個(gè)采樣點(diǎn)組成，表示為：s1i＝{s1(i,j)|j∈[1,n]}，i∈[1,m]，s1(i,j)表示去噪后的訓(xùn)練數(shù)據(jù)庫s1第i行第j列的采樣點(diǎn)，n表示每人ppg信號(hào)的采樣點(diǎn)數(shù)；

常用的去噪方法有低通濾波器、小波去噪、傅里葉分析等，本實(shí)例采用2014年胡廣書編著的清華大學(xué)出版社出版的“現(xiàn)代信號(hào)處理教程第2版”的第12.4節(jié)“小波去噪”；

(2b)對(duì)去噪后訓(xùn)練數(shù)據(jù)庫s1的每行ppg信號(hào)的每個(gè)采樣點(diǎn)進(jìn)行歸一化處理，使歸一化后的所有采樣點(diǎn)的取值都在區(qū)間[0,1]之內(nèi)，得到歸一化后的訓(xùn)練數(shù)據(jù)庫s2，其中，歸一化后的訓(xùn)練數(shù)據(jù)庫s2中第i行第j列的采樣點(diǎn)s2(i,j)計(jì)算公式為：

(2c)對(duì)歸一化后的訓(xùn)練數(shù)據(jù)庫s2的每行ppg信號(hào)進(jìn)行收縮期波峰檢測，獲取所有收縮期波峰的位置，去除第一個(gè)位置和最后一個(gè)位置，由剩余的所有位置組成每行ppg信號(hào)收縮期波峰位置的集合其中，loci表示第i行ppg信號(hào)的所有收縮峰位置集合，表示位置集合loci的第nl個(gè)元素，表示第i行ppg信號(hào)所有收縮峰的位置集合loci的元素個(gè)數(shù)；

ppg信號(hào)是周期性信號(hào)，ppg信號(hào)的一個(gè)周期包括兩個(gè)波峰，即收縮期波峰和舒張期波峰，收縮期波峰的幅度值高于舒張期波峰的幅度值。常用的波峰檢測方法有極大值檢測法、差分閾值法、自適應(yīng)閾值法等，本實(shí)例使用王黎，韓清鵬編著的2011年科學(xué)出版社出版的“人體生理信號(hào)的非線性分析方法”一書的第4.4.1節(jié)“p波波峰點(diǎn)的提取方法”；

(2d)波形分割，獲取單周期波形；

以第i行ppg信號(hào)的位置集合loci中的所有元素為分割點(diǎn)，將相鄰兩個(gè)分割點(diǎn)之間的波形作為一個(gè)單周期波形，對(duì)歸一化后的訓(xùn)練數(shù)據(jù)庫s2的第i行ppg信號(hào)s2i進(jìn)行波形分割，使ppg信號(hào)s2i分割后變成個(gè)單周期波形，組成第i類單周期集合：其中，表示第i類單周期集合的第nw個(gè)單周期，表示第i類單周期集合中的波形個(gè)數(shù)；

(2e)對(duì)所有類單周期集合中每一個(gè)單周期波形進(jìn)行插值，使插值后的每個(gè)單周期波形的采樣點(diǎn)數(shù)均為n，得到插值后的單周期波形為由第i類所有插值后的單周期波形組成插值后的第i類單周期波形集合其中，n為正整數(shù)，表示第i類的第nw個(gè)插值后的單周期波形；常見的插值方法主要有拉格朗日插值、分段線性插值和三次樣條插值等，本實(shí)例采用但不限于三次樣條插值方法；

(2f)去除差異性較大的單周期波形；

計(jì)算第i類所有插值后的單周期波形的平均周期波形，作為參考波形；將每個(gè)單周期波形作為//隨機(jī)變量，計(jì)算第i類的每個(gè)單周期波形與參考波形的皮氏積矩相關(guān)系數(shù)；然后將相關(guān)系數(shù)與設(shè)定的閾值th進(jìn)行比較，若相關(guān)系數(shù)小于設(shè)定的閾值th，則刪除相應(yīng)的單周期波形，否則保留相應(yīng)的單周期波形；由保留下來的所有單周期組合成第i類去除雜波的單周期波形集合其中，th為一正實(shí)數(shù)，表示第i類去除雜波的單周期波形集合中的第nc個(gè)單周期波形，表示第i類去除雜波的單周期波形集合中的單周期波形個(gè)數(shù)；

(2g)對(duì)第i類去除雜波的單周期波形集合中的所有單周期波形進(jìn)行分組，每連續(xù)m個(gè)單周期波形劃分為一組，剔除剩余的未能湊成組的波形，然后對(duì)每組中的所有單周期波形進(jìn)行平均，得到平均周期波形；將每一個(gè)平均周期波形作為一個(gè)列向量，由所有類的所有平均周期波形組合成單周期平均波形數(shù)據(jù)庫單周期平均波形數(shù)據(jù)庫w是一個(gè)n×k大小的矩陣，其中，表示單周期平均波形數(shù)據(jù)庫w中第nm個(gè)單周期波形，k表示單周期平均波形數(shù)據(jù)庫w的所有單周期波形個(gè)數(shù)，ki表示第i類單周期平均波形的個(gè)數(shù)，m為大于零的整數(shù)，表示向下取整操作。

步驟3.對(duì)單周期平均波形數(shù)據(jù)庫w的單周期波形進(jìn)行分段處理。取單周期波形數(shù)據(jù)庫w的第1行到第行的所有數(shù)據(jù)組成訓(xùn)練數(shù)據(jù)的上子波形集v1，取數(shù)據(jù)庫w的第行到第行的所有數(shù)據(jù)組成訓(xùn)練數(shù)據(jù)的中子波形集v2，取數(shù)據(jù)庫w的第行到第行的所有數(shù)據(jù)組成訓(xùn)練數(shù)據(jù)的下子波形集v3，其中，表示實(shí)u×k矩陣空間r^u×^k中全體非負(fù)矩陣構(gòu)成的子集合，u表示單個(gè)子波形的采樣點(diǎn)數(shù)。這里的分段處理也可以采用其他不均衡的分段方式。

步驟4.計(jì)算訓(xùn)練數(shù)據(jù)的上子波形集v1、中子波形集v2和下子波形集v3各自的相似因子，并根據(jù)相似因子，得到各子波形集的權(quán)重因子。

(4a)將兩個(gè)向量夾角的余弦值作為兩個(gè)子波形之間的相似度，設(shè)vi,θ和vi,χ分別為上子波形集v1的第i類的第θ個(gè)子波形和第χ個(gè)子波形，則上子波形集v1的第i類所有子波形之間的相似度simi計(jì)算公式如下：

其中，θ,χ∈[1,ki]，(·)^t表示向量或矩陣的轉(zhuǎn)置，||·||l2表示向量的l2范數(shù)；

(4b)按照步驟(4a)的計(jì)算公式，計(jì)算訓(xùn)練數(shù)據(jù)的上子波形集v1的每一類子波形的相似度，再利用下列公式，得到上子波形集v1的相似因子s1：

(4c)按照步驟(4a)-(4b)，求出訓(xùn)練數(shù)據(jù)的中子波形集v2的相似因子s2和下子波形集v3的相似因子s3；

(4d)利用訓(xùn)練數(shù)據(jù)的上子波形集的相似因子s1，中子波形集的相似因子s2和下子波形集的相似因子s3，按照下列公式，求得各子波形集的權(quán)重因子d1，d2和d3：

其中，d1，d2和d3分別為訓(xùn)練數(shù)據(jù)的上子波形集的權(quán)重因子，中子波形集權(quán)重因子和下子波形集權(quán)重因子，d1，d2和d3都是0到1之間的實(shí)數(shù)。

步驟5.獲取基空間和訓(xùn)練模板庫。

利用鑒別式非負(fù)矩陣分解dnmf方法分別對(duì)訓(xùn)練數(shù)據(jù)的上子波形集v1，中子波形集v2和下子波形集v3進(jìn)行分解，得到上子波形集的基空間z1，中子波形集的基空間z2，下子波形集的基空間z3和各子波形的子特征集h1，h2，h3；并對(duì)各子波形的子特征集h1，h2，h3進(jìn)行融合，得到訓(xùn)練模板庫h。

此處的鑒別式非負(fù)矩陣分解方法是采用的2006年stefanoszafeiriou,anastasiostefas等人在“ieeetransactionsonneuralnetworks”期刊發(fā)表的“exploitingdiscriminantinformationinnonnegativematrixfactorizationwithapplicationtofrontalfaceverification”一文中描述的鑒別式非負(fù)矩陣分解方法dnmf。

(5a)利用鑒別式非負(fù)矩陣分解方法對(duì)訓(xùn)練數(shù)據(jù)的上子波形集v1進(jìn)行分解：

(5a1)隨機(jī)初始化基矩陣z(0)和系數(shù)矩陣h(0)，使基矩陣z(0)中的任意元素滿足ρ∈[1,u]，φ∈[1,r]，系數(shù)矩陣h(0)的任意元素滿足τ∈[1,k]，其中，是基矩陣z(0)中的第ρ行第φ列元素，r表示分解維數(shù)，表示系數(shù)矩陣h(0)中的第φ行第τ列元素；

(5a2)根據(jù)如下公式，對(duì)基矩陣z(t)中的元素進(jìn)行更新：

首先，按照如下公式更新，得到中間變量值

然后，對(duì)中間變量值歸一化處理得到

將作為本次對(duì)基矩陣z(t)中元素的迭代更新結(jié)果，其中，為迭代t-1次的基矩陣z(t-1)的第ρ行第φ列元素，t∈[1,iter]，iter為預(yù)先定義的最大迭代次數(shù)，為迭代t-1次的系數(shù)矩陣h(t-1)的第φ行第τ列元素，v1(ρ,τ)表示訓(xùn)練數(shù)據(jù)的上子波形集v1的第ρ行第τ列元素；

(5a3)根據(jù)步驟(5a2)得到的迭代t次后的基矩陣z(t)，按如下迭代規(guī)則更新系數(shù)矩陣h(t)中的元素

其中，γ，δ分別為類內(nèi)散度約束項(xiàng)和類間散度約束項(xiàng)的約束因子，μφ表示系數(shù)矩陣h(t-1)中所有列向量的均值向量μ中的第φ個(gè)元素；

(5a4)采用預(yù)定義的最大迭代次數(shù)iter作為停止迭代條件，當(dāng)?shù)螖?shù)t達(dá)到iter次后，停止迭代，輸出基矩陣z(iter)和系數(shù)矩陣h(iter)；否則，返回步驟(5a2)；

(5b)將基矩陣z(iter)作為上子波形集v1的基空間z1，將系數(shù)矩陣h(iter)的每列作為一個(gè)子特征向量，組成上子波形的子特征集其中，表示實(shí)u×r矩陣空間r^u×r中全體非負(fù)矩陣構(gòu)成的子集合，表示上子波形的子特征集h1中第fe個(gè)子特征向量，fe＝1,2,…,k，表示實(shí)r維向量空間r^r中全體非負(fù)向量構(gòu)成的子集合；

(5c)按照步驟(5a)，分別對(duì)訓(xùn)練數(shù)據(jù)的中子波形集v2和下子波形集v3進(jìn)行分解，得到中子波形集的基空間z2和子特征集下子波形集的基空間z3和子特征集其中，表示中子波形的子特征集h2中第fe個(gè)子特征向量；表示下子波形的子特征集h3中第fe個(gè)子特征向量；

(5d)利用訓(xùn)練數(shù)據(jù)的上子波形集的權(quán)重因子d1，中子波形集的權(quán)重因子d2和下子波形集的權(quán)重因子d3對(duì)上子波形的子特征集h1中的子特征向量中子波形的子特征集h2中的子特征向量和下子波形的子特征集h3中的子特征向量進(jìn)行加權(quán)串聯(lián)，得到融合特征模板然后由所有的融合特征模板組成訓(xùn)練模板庫h＝{h¹,h²,…,h^fe,…,h^k}，其中，h^fe表示訓(xùn)練模板庫h中的第fe個(gè)融合特征模板，表示實(shí)3r維向量空間r^3r中全體非負(fù)向量構(gòu)成的子集合。

步驟6.對(duì)被鑒定者的測試數(shù)據(jù)xg進(jìn)行處理，得到測試數(shù)據(jù)xg的各子波形集及各子波形集的權(quán)重因子。

(6a)對(duì)測試數(shù)據(jù)xg進(jìn)行步驟2-3操作，得到測試數(shù)據(jù)xg的上子波形集α1，中子波形集α2和下子波形集a3；其中，表示實(shí)u×g矩陣空間r^u×g中全體非負(fù)矩陣構(gòu)成的子集合，g表示測試數(shù)據(jù)子波形集的子波形個(gè)數(shù)；

(6b)對(duì)測試數(shù)據(jù)xg的上子波形集α1，中子波形集α2和下子波形集a3進(jìn)行步驟4操作，得到測試數(shù)據(jù)上子波形集的權(quán)重因子a1，中子波形集的權(quán)重因子a2，下子波形集的權(quán)重因子a3，其中，a1,a2,a3∈(0,1)。

步驟7.按照下式，將測試數(shù)據(jù)xg的上子波形集α1，中子波形集α2和下子波形集a3分別在訓(xùn)練數(shù)據(jù)的上子波形集基空間z1，中子波形集基空間z2和下子波形集基空間z3上進(jìn)行投影，獲得測試數(shù)據(jù)上子波形的子特征集f1，中子波形的子特征集f2和下子波形的子特征集f3：

f1＝inv((z1)^t×z1)×(z1)^t×a1，

f2＝inv((z2)^t×z2)×(z2)^t×a2，

f3＝inv((z3)^t×z3)×(z3)^t×a3，

其中，表示實(shí)r×g矩陣空間r^r×g中全體非負(fù)矩陣構(gòu)成的子集合，inv(·)表示矩陣求逆運(yùn)算。

步驟8.獲取測試特征集。按照步驟(5d)，利用權(quán)重因子a1，a2和a3，對(duì)f1，f2和f3的對(duì)應(yīng)列加權(quán)融合，得到測試特征集f＝{ξ1,ξ2,…,ξg,…,ξg}，其中，ξg表示測試特征集f的第g個(gè)測試特征向量，g＝1,2,…,g。

步驟9.利用支持向量機(jī)svm對(duì)被鑒定者的身份進(jìn)行識(shí)別。

(9a)將訓(xùn)練模板庫h中所有模板輸入到支持向量機(jī)中進(jìn)行訓(xùn)練，得出支持向量機(jī)模型；

(9b)將被鑒定者的測試特征集f中的所有測試特征向量依次輸入到訓(xùn)練好的支持向量機(jī)模型中進(jìn)行類別預(yù)測，得到預(yù)測類別信息；

(9c)根據(jù)所有測試特征向量的預(yù)測類別信息，分別統(tǒng)計(jì)各類中測試特征向量的個(gè)數(shù)，將測試特征向量個(gè)數(shù)最多的類預(yù)測為被鑒定者的身份。

本發(fā)明的效果可通過以下仿真做進(jìn)一步說明。

1.仿真條件

本發(fā)明的仿真實(shí)驗(yàn)使用三個(gè)公開的ppg信號(hào)數(shù)據(jù)庫mimic，mimic2和capnobase數(shù)據(jù)庫，模擬從人體采集到的ppg信號(hào)，仿真實(shí)驗(yàn)在intelpentiume58003.2ghzcpu、內(nèi)存2gb的計(jì)算機(jī)上進(jìn)行。

2.仿真內(nèi)容

首先，分別從mimic數(shù)據(jù)庫，mimic2數(shù)據(jù)庫和capnobase數(shù)據(jù)庫中隨機(jī)選取50個(gè)人，50個(gè)人和42個(gè)人的ppg信號(hào)，使用本發(fā)明分別對(duì)數(shù)據(jù)庫中的每個(gè)人進(jìn)行身份預(yù)測，計(jì)算每個(gè)人的識(shí)別率：

身份識(shí)別率＝類別預(yù)測正確的測試特征數(shù)目/被鑒定者的測試特征總數(shù)；

然后，取數(shù)據(jù)庫中所有人身份識(shí)別率的平均值作為數(shù)據(jù)庫的身份識(shí)別率，得到每個(gè)庫身份識(shí)別率的結(jié)果圖，如圖2、圖3和圖4。

從圖2、圖3和圖4可以看出，每個(gè)庫的正確身份識(shí)別率均達(dá)到99.62％以上，充分說明了本發(fā)明的有效性和高識(shí)別率。