本發(fā)明屬于身份識別技術(shù)領(lǐng)域，具體涉及一種身份識別方法，可用于電子商務(wù)、遠(yuǎn)程醫(yī)療身份認(rèn)證等領(lǐng)域。

背景技術(shù)：

隨著計(jì)算機(jī)技術(shù)及無線網(wǎng)絡(luò)的發(fā)展與應(yīng)用，基于互聯(lián)網(wǎng)的電子商務(wù)、遠(yuǎn)程醫(yī)療等應(yīng)用發(fā)展迅速，已經(jīng)成為了現(xiàn)代人們生活中不可或缺的重要組成部分。因?yàn)檫@些應(yīng)用涉及到個(gè)人財(cái)產(chǎn)賬戶，個(gè)體生理信息等重要隱私信息，保證這些應(yīng)用的安全使用顯得尤為重要。較單模態(tài)的生物識別系統(tǒng)，多模態(tài)生物識別系統(tǒng)安全性依賴于多種生物特征，而多種生物特征難以同時(shí)被竊取或復(fù)制，因此具有更高的安全性和可靠性，而用于兩種特征融合的典型相關(guān)分析算法也得到了眾多學(xué)者的廣泛研究與關(guān)注。

2008年，彭巖，張道強(qiáng)等人在“計(jì)算機(jī)工程與應(yīng)用”期刊上發(fā)表了一篇“局部判別型典型相關(guān)分析算法”的文章。該文章采用局部化思想，將樣本的類別信息引入到典型相關(guān)分析中，提出了一種局部判別型典型相關(guān)分析方法。為驗(yàn)證該方法的有效性，文中分別在多個(gè)數(shù)據(jù)庫上進(jìn)行了實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果證明了方法的有效性。但該方法不能消除數(shù)據(jù)中的噪聲干擾，在特征提取融合過程中存在過擬合或數(shù)據(jù)冗余問題，會降低身份識別效果。

2012年，劉云東，崔琳，郝汝崗等人在“計(jì)算機(jī)工程”期刊上發(fā)表了“一種廣義局部判別型典型相關(guān)分析算法”一文。該文中，作者在局部判別型典型相關(guān)分析的基礎(chǔ)上，通過添加類內(nèi)散度矩陣和類間散度矩陣，進(jìn)一步將樣本的類別信息整合到典型相關(guān)分析中。最后通過在多個(gè)數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)仿真，驗(yàn)證了方法的有效性，但該方法由于沒有考慮到噪聲對信號特征提取的影響，因而不能充分獲取有效特征信息，其身份識別率有進(jìn)一步提升的空間。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于改進(jìn)典型相關(guān)分析的生理信號融合身份識別方法，以對樣本局部類內(nèi)、類間鄰域的選取方式進(jìn)行改進(jìn)，同時(shí)在典型相關(guān)分析的目標(biāo)函數(shù)中，添加正則化參數(shù)，來消除信號中噪聲對特征提取的影響，提高身份識別率。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是，首先根據(jù)光電容積脈搏波信號和呼吸信號的原始樣本和一階差分樣本確定類內(nèi)鄰域與類間鄰域，然后在典型相關(guān)分析目標(biāo)函數(shù)中引入正則化參數(shù)，計(jì)算基于正則化典型相關(guān)分析算法的脈搏波轉(zhuǎn)換矩陣和呼吸轉(zhuǎn)換矩陣，并利用該兩個(gè)矩陣對脈搏波信號和呼吸信號進(jìn)行特征提取和融合，生成融合特征向量，最后進(jìn)行身份識別，其實(shí)現(xiàn)步驟如下：

(1)獲取c個(gè)人的光電容積脈搏波信號和呼吸信號，并對這兩種信號進(jìn)行去噪和歸一化預(yù)處理，c≥2；

(2)采用脈搏波窗口對光電容積脈搏波信號進(jìn)行波形截取，得到脈搏波訓(xùn)練樣本集合x＝{x1,x2,…,xi,…,xn}，采用呼吸窗口對呼吸信號進(jìn)行波形截取，得到呼吸訓(xùn)練樣本集合y＝{y1,y2,…,yi,…,yn}；其中，xi和yi分別表示集合x的第i個(gè)樣本和集合y的第i個(gè)樣本，i＝1,2，…,n，n表示總的訓(xùn)練樣本個(gè)數(shù)；

(3)確定局部類內(nèi)鄰域和局部類間鄰域；

(3a)計(jì)算脈搏波訓(xùn)練樣本集合x中脈搏波樣本xi的差分樣本，計(jì)算呼吸訓(xùn)練樣本集合y中呼吸樣本yi的差分樣本；

(3b)分別求取脈搏波樣本xi的類內(nèi)鄰域n(xi)、類間鄰域n^e(xi)和呼吸樣本yi的類內(nèi)鄰域n(yi)、類間鄰域n^e(yi)；

(4)根據(jù)(3b)的結(jié)果計(jì)算脈搏波訓(xùn)練樣本集合x和呼吸訓(xùn)練樣本集合y的局部類內(nèi)相關(guān)矩陣sw和局部類間相關(guān)矩陣sb；

(5)利用局部類內(nèi)相關(guān)矩陣sw和局部類間相關(guān)矩陣sb，構(gòu)造正則化典型相關(guān)分析目標(biāo)函數(shù)dz：

其約束條件為：

其中，wx和wy分別表示脈搏波轉(zhuǎn)換矩陣和呼吸轉(zhuǎn)換矩陣，η為比例參數(shù)，sxx表示x的內(nèi)協(xié)方差矩陣，sxx＝xx^t，syy表示y的內(nèi)協(xié)方差矩陣，syy＝y(tǒng)y^t，τx和τy分別表示兩個(gè)正則化參數(shù)，ix和iy分別為p×p維的單位矩陣和q×q維的單位矩陣，(·)^t表示向量或矩陣的轉(zhuǎn)置；

(6)求取正則化典型相關(guān)分析目標(biāo)函數(shù)dz中的脈搏波轉(zhuǎn)換矩陣wx和呼吸轉(zhuǎn)換矩陣wy；

(7)利用脈搏波轉(zhuǎn)換矩陣wx和呼吸轉(zhuǎn)換矩陣wy，對脈搏波訓(xùn)練樣本集合x和呼吸訓(xùn)練樣本集合y進(jìn)行特征提取和串聯(lián)融合，得到訓(xùn)練融合向量集合f：

其中，f∈r^2r×n，2r表示一個(gè)融合向量的維數(shù)；

(8)獲取d個(gè)人的光電容積脈搏波信號和呼吸信號，并進(jìn)行上述(1)-(7)步驟操作，得到測試融合向量集合l，d≥2；

(9)利用分類器和訓(xùn)練融合向量集合f對測試融合向量集合l中每個(gè)人的測試融合向量進(jìn)行類別判別，得出d個(gè)人的身份識別結(jié)果。

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)明利用正則化的典型相關(guān)分析對信號進(jìn)行特征提取，充分考慮了噪聲對信號的干擾，得到無冗余、精準(zhǔn)的生理特征向量，有利于身份識別率的提高。

第二，本發(fā)明將脈搏波信號和呼吸信號進(jìn)行特征融合，使得到的融合特征向量包含更豐富的反映個(gè)體特性的生理信息，從而大大提高了身份識別的正確率。

附圖說明

圖1為本發(fā)明的實(shí)現(xiàn)流程圖；

圖2為用本發(fā)明對mimic數(shù)據(jù)庫的個(gè)體身份識別率結(jié)果圖；

圖3為用本發(fā)明對mimic2數(shù)據(jù)庫的個(gè)體身份識別率結(jié)果圖。

具體實(shí)施方式

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

參照圖1，本發(fā)明的實(shí)現(xiàn)步驟如下：

步驟1.獲取光電容脈搏波信號數(shù)據(jù)和呼吸信號數(shù)據(jù)。

本實(shí)例使用生理信號公開數(shù)據(jù)庫mimic庫中的生理信號，從mimic庫中隨機(jī)選取c個(gè)人的光電容脈搏波信號數(shù)據(jù)文件和呼吸信號數(shù)據(jù)文件；從每個(gè)光電容脈搏波信號數(shù)據(jù)文件和呼吸信號數(shù)據(jù)文件中各讀取600秒時(shí)間長度的脈搏波信號和呼吸信號，并將前300秒時(shí)間長度的脈搏波信號和呼吸信號作為訓(xùn)練數(shù)據(jù)，將后300秒時(shí)間長度的脈搏波信號和呼吸信號作為測試數(shù)據(jù)；再分別對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)依次進(jìn)行去噪和歸一化預(yù)處理，得到預(yù)處理后的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

步驟2.獲取脈搏波訓(xùn)練樣本集合x和呼吸訓(xùn)練樣本集合y。

(2a)對訓(xùn)練數(shù)據(jù)的所有脈搏波信號和呼吸信號進(jìn)行波峰檢測，獲取每個(gè)人脈搏波信號的所有波峰和呼吸信號的所有波峰；

(2b)設(shè)寬度為t1秒的窗口為脈搏波窗口，將(2a)得到的每個(gè)人的所有脈搏波波峰置于窗口的中心位置，用脈搏波窗口對每個(gè)人的脈搏波信號進(jìn)行波形截取，由每個(gè)窗口截取的波形得到一個(gè)脈搏波信號樣本，獲取所有脈搏波樣本；

(2c)設(shè)寬度為t2秒的窗口為呼吸信號窗口，將(2a)得到的每個(gè)人的所有呼吸波峰置于呼吸窗口的中心位置，用呼吸信號窗口對每個(gè)人的呼吸信號進(jìn)行波形截取，獲取所有呼吸樣本；

(2d)對(2b)得到的所有人的脈搏波樣本進(jìn)行去均值化，得到脈搏波訓(xùn)練樣本集合x＝{x1,x2,…,xi,…,xn}，對(2c)得到的所有人的呼吸樣本進(jìn)行去均值化，得到呼吸訓(xùn)練樣本集合y＝{y1,y2,…,yi,…,yn}，其中，xi，yi分別表示脈搏波訓(xùn)練樣本集合x的第i個(gè)脈搏波樣本和呼吸訓(xùn)練樣本集合y的第i個(gè)呼吸樣本，i＝1,2,3,…,n，n表示總的訓(xùn)練樣本個(gè)數(shù)，xi∈r^p，yi∈r^q，r^p和r^q分別表示實(shí)p維向量空間和實(shí)q維向量空間。

步驟3.確定信號類內(nèi)鄰域和類間鄰域。

(3a)計(jì)算脈搏波訓(xùn)練集合x中每個(gè)脈搏波樣本的差分樣本，計(jì)算呼吸訓(xùn)練集合y中每個(gè)呼吸樣本的差分樣本，差分樣本的計(jì)算公式如下：

sd＝s(1:end-1)-s(2:end)，

其中，sd表示脈搏波差分樣本或呼吸差分樣本，s(1:end-1)表示一個(gè)脈搏波樣本或一個(gè)呼吸樣本從1到倒數(shù)第2個(gè)采樣點(diǎn)，s(2:end)表示一個(gè)脈搏波樣本或一個(gè)呼吸樣本的從2到最后一個(gè)采樣點(diǎn)；

(3b)計(jì)算脈搏波訓(xùn)練集合x的脈搏波樣本xi與其他所有脈搏波樣本的歐式距離，選取歐式距離最小的k個(gè)同類樣本作為脈搏波樣本xi的類內(nèi)鄰域1，選取歐式距離最小的k個(gè)其他類的樣本組成脈搏波樣本xi的類間鄰域1，其中，k≥1；

(3c)計(jì)算脈搏波樣本xi的差分樣本與其他所有脈搏波樣本的差分樣本之間的歐式距離，選取歐式距離最小的k個(gè)同類樣本組成脈搏波樣本xi的類內(nèi)鄰域2，選取歐式距離最小的k個(gè)其他類的脈搏波樣本組成脈搏波樣本xi的類間鄰域2；

(3d)將脈搏波樣本xi的類內(nèi)鄰域1與類內(nèi)鄰域2的交集作為脈搏波樣本xi的類內(nèi)鄰域n(xi)，將類間鄰域1與類間鄰域2的交集作為脈搏波樣本xi的類間鄰域n^e(xi)，按照上述步驟獲取脈搏波訓(xùn)練集合x的所有樣本的類內(nèi)鄰域和類間鄰域；

(3e)按照步驟(3a)-(3d)的方法，求取呼吸訓(xùn)練集合y中呼吸樣本yi的類內(nèi)鄰域n(yi)和類間鄰域n^e(yi)。

步驟4.構(gòu)造正則化典型相關(guān)分析目標(biāo)函數(shù)。

(4a)利用脈搏波訓(xùn)練集合x中的每個(gè)脈搏波樣本的類內(nèi)鄰域和呼吸訓(xùn)練集合y中的每個(gè)呼吸樣本的類內(nèi)鄰域，計(jì)算x和y的局部類內(nèi)相關(guān)矩陣sw：

其中，(·)^t表示向量或矩陣的轉(zhuǎn)置；

(4b)根據(jù)脈搏波訓(xùn)練集合x中的每個(gè)脈搏波樣本的類間鄰域和呼吸訓(xùn)練集合y中的每個(gè)呼吸樣本的類間鄰域，計(jì)算x和y的局部類間相關(guān)矩陣sb：

(4c)利用類內(nèi)相關(guān)矩陣sw、類間相關(guān)矩陣sb，設(shè)定約束條件，構(gòu)造正則化典型相關(guān)分析目標(biāo)函數(shù)dz：

其約束條件為：

其中，wx和wy分別表示脈搏波信號轉(zhuǎn)換矩陣和呼吸信號轉(zhuǎn)換矩陣，wx∈r^p×r，wy∈r^q×r，r^p×r和r^q×r分別表示實(shí)p×r維和實(shí)q×r維矩陣空間，η為比例參數(shù)，sxx＝xx^t∈r^p×p，syy＝y(tǒng)y^t∈r^q×q，sxx和syy分別表示集合x的內(nèi)協(xié)方差矩陣和集合y的內(nèi)協(xié)方差矩陣，τx和τy分別表示兩個(gè)正則化參數(shù)，ix和iy分別為p×p維的單位矩陣和q×q維的單位矩陣。

步驟5.求解脈搏波信號轉(zhuǎn)換矩陣wx和呼吸信號轉(zhuǎn)換矩陣wy。

(5a)利用拉格朗日函數(shù)和約束條件，對正則化典型相關(guān)分析目標(biāo)函數(shù)dz進(jìn)行優(yōu)化求解，得到脈搏波信號中間矩陣h1和呼吸信號中間矩陣h2：

h1＝[sxx+τxix]^-1(sw-ηsb)[syy+τyiy]^-1(sw-ηsb)^t，

h2＝[syy+τyiy]^-1(sw-ηsb)^t[sxx+τxix]^-1(sw-ηsb)，

其中，[·]^-1表示矩陣的逆；

(5b)求取脈搏波信號中間矩陣h1前r個(gè)最大特征值對應(yīng)的特征向量，然后將它們進(jìn)行施密特正交化，作為列向量組成脈搏波轉(zhuǎn)換矩陣wx，r≥1；

(5c)求取呼吸信號中間矩陣h2前r個(gè)最大特征值對應(yīng)的特征向量，然后將它們進(jìn)行施密特正交化，作為列向量組成呼吸轉(zhuǎn)換矩陣wy。

步驟6.利用脈搏波轉(zhuǎn)換矩陣wx和呼吸轉(zhuǎn)換矩陣wy對脈搏波訓(xùn)練集合x和呼吸訓(xùn)練集合y進(jìn)行特征提取和串聯(lián)融合，得到訓(xùn)練融合向量集合f：

其中，f∈r^2r×n，2r表示一個(gè)融合向量的維數(shù)。

步驟7.對步驟1中的測試數(shù)據(jù)，進(jìn)行步驟2-步驟6操作，得到測試融合向量集合l。

步驟8.利用k近鄰分類器和訓(xùn)練融合向量集合f，對測試融合向量集合l中每個(gè)人的所有測試融合向量進(jìn)行類別判別，并按照下列公式，計(jì)算每個(gè)個(gè)體的身份識別率。

身份識別率＝被正確預(yù)測的測試融合向量個(gè)數(shù)/個(gè)體參與類別判別的測試融合向量總數(shù)。

本步驟中使用的分類器不限于k近鄰分類器，也可采用svm分類器或樸素貝葉斯分類器。

為驗(yàn)證本發(fā)明的識別效果，分別利用兩個(gè)公開數(shù)據(jù)庫mimic和mimic2中各50個(gè)人的脈搏波信號和呼吸信號進(jìn)行實(shí)驗(yàn)仿真，求得每個(gè)庫中50個(gè)人的身份識別率，取平均身份識別率作為每個(gè)庫的總體身份識別率，如圖2和圖3所示。

從圖2和圖3中可以看出，mimic庫和mimic2庫的總體身份識別率均在99.2％以上，充分說明本發(fā)明的有效性和高的正確識別率。

以上描述僅是本發(fā)明的一個(gè)具體實(shí)例，不構(gòu)成對本發(fā)明的任何限制，顯然對于本領(lǐng)域的專業(yè)人員來說，在了解本發(fā)明內(nèi)容和原理后，都可能在不背離本發(fā)明原理、結(jié)構(gòu)的情況下，進(jìn)行形式和細(xì)節(jié)上的各種修正和改變，但這些基于本發(fā)明思想的修正和改變?nèi)栽诒景l(fā)明的權(quán)利要求保護(hù)范圍之內(nèi)。