基于光电容积脉搏波最佳周期波形的身份识别方法与流程

本发明属于信息处理技术领域，具体涉及一种身份识别方法，可用于远程医疗中对病人身份确认识别率要求较高等场合。

背景技术：

传统的身份识别方法，如个人居民身份证、IC卡、账号密码、机动车驾驶证等，存在丢失、遗忘、窃取和易遭受攻击等缺陷，而基于人脸、指纹和声音特征等的生物识别方法，技术成熟，识别率高，但易被伪造。为了增强生物识别技术的可靠性与安全性，一方面通过多种生物特征来提高身份识别的安全等级；另一方面，利用多种生理特征进行身份识别。

光电容积脉搏波PPG借助光电手段在活体组织中检测血液容积变化而生成的一种生理信号，作为人体固有的一种生理特征，PPG信号采集简单，难以复制和模仿，具有较高的安全性。目前基于PPG信号的身份识别技术识别率较低，无法满足实际需求。

已提出的基于PPG信号的身份识别方法有：

Gu,Y.Y.,Zhang,Y.T.在2003年“IEEE EMBS Asian-Pacific Conference on Biomedical Engineering”会议上发表的文章“Photoplethysmographic authentication through fuzzy logic”中利用模糊决策的方法实现身份识别，相同实验环境中可达到94％的识别率，若人体所处环境不同，由于呼吸、运动伪影等影响仅达到82.3％的识别率，无法满足对身份识别要求较高的应用场合。

土耳其的A.Kemal Polatb等人2014年在“Computers in biology and medicine”期刊上发表的文章“A novel feature ranking algorithm for biometric recognition with PPG signals”，利用K最近邻分类器完成基于PPG信号的身份识别，最高仅达到94.44％的识别率，且输入分类器的特征维数较大，算法复杂度较高。

技术实现要素：

本发明针对上述已有技术的不足，提出了一种基于光电容积脉搏波最佳周期波形的身份识别方法，旨在通过降低PPG信号采集过程中人体呼吸、运动伪影等因素的影响，以获得较稳定的PPG信号，最终提高身份识别率。

本发明的技术方案是通过选取PPG信号的最佳周期波形，并利用该最佳周期波形的幅度谱特征进行身份识别，其实现步骤如下：

(1)读取被鉴定者在设定的时间段内的光电容积脉搏波PPG信号x；

(2)对PPG信号x进行小波去噪处理，得到去噪后的PPG信号y；

(3)对去噪后的PPG信号y进行归一化处理，得到归一化后的PPG信号z；

(4)对归一化后的PPG信号z进行收缩期波峰检测，并记录检测出的所有收缩期波峰的值及所有收缩期波峰在归一化后的PPG信号z中的索引；

(5)将步骤(4)中检测出的所有收缩期波峰作为分割点，对归一化后的PPG信号z进行波形分割，将每相邻两个分割点之间的波形作为一个周期波形，获取分割后的所有单周期波形；

(6)根据所有单周期波形峰值的大小，获取峰值索引集合L：

(6a)将所有单周期波形第一个采样点的值作为该单周期波形的峰值，统计步骤(5)中得到的所有单周期波形峰值的大小，得到所有峰值中的最小值A和最大值B，将区间[A,B]划分为N个等长度的峰值区间，N为大于零的整数；

(6b)根据单周期波形峰值的大小，统计所有单周期波形分布在各个峰值区间中的个数，根据各峰值区间中单周期波形的个数，选取单周期波形个数最多的峰值区间作为有效峰值区间；

(6c)统计有效峰值区间中所有单周期波形的第一个采样点在归一化后PPG信号z中的索引，并按照索引值的大小，从小到大顺序排列，得到峰值索引集合L；

(7)将单周期波形的总采样点数作为单周期波形的宽度，获取宽度索引集合I：

(7a)统计步骤(5)中得到的所有单周期波形宽度大小，得到单周期波形宽度的最小值C和最大值D，将区间[C,D]划分为N个等长度的宽度区间；

(7b)根据单周期波形的宽度，统计步骤(5)中得到的所有单周期波形分布在各个宽度区间中的个数，根据各宽度区间中单周期波形的个数，选取单周期波形个数最多的宽度区间作为有效宽度区间；

(7c)统计有效宽度区间中的所有单周期波形第一个采样点在归一化后的PPG信号z中的索引，并按照索引值大小，从小到大顺序排列，得到宽度索引集合I；

(8)将峰值索引集合L和宽度索引集合I进行取交集操作，得到两个索引集合中共有的索引元素，组成有效索引集合Ind；

(9)从归一化后的PPG信号z中，提取有效索引集合Ind中所有索引值对应的单周期波形，即为最佳的单周期波形；

(10)对从步骤(9)中获得的所有最佳单周期波形进行插值，使得所有最佳单周期波形的采样点数相同；

(11)去除步骤(10)插值后所有最佳单周期波形中的异形波，得到去除异形波后的最佳单周期波形；对所有的最佳单周期波形每M个进行一次波形平均，得到平均周期波形；对获得的所有平均周期波形进行傅里叶变换，获取被鉴定者的幅度谱样本，其中，M为大于零的整数；

(12)对被鉴定者的所有幅度谱样本，运用非负矩阵分解方法NMF降维处理，并把降维后的所有幅度谱样本作为被鉴定者的测试特征向量；

(13)将被鉴定者的测试特征向量与预先生成的训练特征向量库进行匹配，得出被鉴定者的身份识别率并输出。

本发明与现有技术相比具有以下优点：

第一，本发明通过分别统计被鉴定者PPG信号的单周期波形在各峰值区间和各宽度区间中的个数，选取同时分布在个数最多的峰值区间和宽度区间中的波形为最佳单周期波形，从而提取出被鉴定者稳定的PPG信号，降低了人体呼吸、运动伪影等因素对采集PPG信号的影响，为正确识别被鉴定者的身份提供了保障。

第二，本发明利用PPG信号单周期波形的幅度谱作为样本进行身份识别，将频域特征用于个体身份识别，并利用非负矩阵分解NMF方法对幅度谱进行数据降维，大大降低了幅度谱样本的维度，有效降低了运算过程中的存储空间和计算量，进一步降低了算法复杂度，最终提高了被鉴定者身份的正确识别率。

附图说明

图1为本发明的实现流程图；

图2为PPG信号的收缩期波峰检测示意图。

具体实施方式

下面结合附图对本发明的实施做进一步详细描述。

参照图1，本发明的实现如下：

步骤1.获取m个被鉴定者的PPG信号，建立训练数据库。

在不同时刻，采集m个被鉴定者在设定的时间段内的PPG信号两次，第一次采集的m个PPG信号组成训练数据库，第二次采集的m个PPG信号组成测试数据库。设某次采集的任意一个被鉴定者的PPG信号用x表示。

步骤2.利用小波变换对被鉴定者PPG信号x进行去噪处理，得去噪后的PPG信号y。

(2a)按照下式，对PPG信号x进行小波分解：

[c,l]＝W(x,le,Name)，

其中，c表示各层小波系数组成的向量，l表示各层小波系数的长度组成的向量，W(·)表示多尺度小波分解函数，le表示小波分解的层数，Name表示采用的小波基名称，本专利中采用的小波基为coif5，即Name＝coif5；

(2b)根据PPG信号x的采样频率f及小波分解层数le，计算各层小波系数的频率范围，见表1：

表1 各层小波系数的频率范围

(2c)将每层的频率范围与人体的PPG信号频率范围[0.5Hz，10Hz]进行比较：若该层的频率范围与区间[0.5Hz，10Hz]不相交，则将向量c中该层的小波系数置0；若该层的频率范围与区间[0.5Hz，10Hz]相交，且交集长度小于区间[0.5Hz，10Hz]长度的一半，则将向量c中该层的小波系数置0；若该层的频率范围与区间[0.5Hz，10Hz]相交，且交集长度大于等于区间[0.5Hz，10Hz]长度的一半，则保留向量c中该层的小波系数，此时各层小波系数组成的向量c变为处理后的各层小波系数向量c1。

(2d)按照下式进行小波重构，得到去噪后的PPG信号y：

y＝Dec(c1,l,Name)，

其中，Dec(·)表示多尺度小波重构函数。

步骤3.对去噪后的PPG信号y进行归一化处理。

(3a)设去噪后的PPG信号y是由n个采样点组成：

y＝[y₁,y₂,…,y_i,…,y_n]，

其中，y_i表示去噪后PPG信号的第i个采样点，i∈[1,n]；

(3b)对去噪后的PPG信号y中的每个采样点进行归一化处理，即：

其中，z_i表示去噪后PPG信号y的第i个采样点归一化后的值；

(3c)由步骤(3b)得到归一化后的PPG信号z为：

z＝[z₁,z₂,…,z_i,…,z_n]。

步骤4.对归一化后的PPG信号z进行收缩期波峰检测。如图2所示，PPG信号的一个单周期波形有两个波峰：收缩期波峰和舒张期波峰，对归一化后的PPG信号z进行收缩期波峰检测，并记录检测出的所有收缩期波峰的值及其在归一化的PPG信号z中的索引。

(4a)参数设定：

设置检测阈值为TH，用来判定某一采样点是否为收缩期波峰，避免误检舒张期波峰的情况。由于舒张期波峰到波谷的距离小于收缩期波峰到波谷的距离，所以，阈值TH的值为正数。

设置参数PA，用来检测PPG信号z中的收缩期波峰。设PA的初始值为0，并假设图2的采样点a为归一化后PPG信号z的第1个采样点，以下结合图2说明收缩期波峰的检测过程。

(4b)搜索收缩期波峰：

输入归一化后PPG信号z的n个采样点，将每一个采样点与参数PA进行比较，若当前采样点的值大于PA，则将PA的值替换成当前采样点的值；若当前采样点的值小于参数PA，则PA保持不变；

如图2，从采样点a开始遍历，在遍历上升段ab波段时，每一个采样点的值都大于PA的值的初始值0，因此，PA被不断替换，直到遍历到采样点b，PA被替换成采样点b的值；继续遍历波形bd段时，采样点的值都小于PA的值，则PA保持不变；在这期间，当遍历到f点时，PA的值与f点的差值大于阈值TH，则判定当前PA为一个收缩期波峰，即检测获得PPG信号的一个收缩期波峰，记录此时PA的值及索引；然后继续遍历下一个采样点并将PA的值重新初始化为0，重复以上波峰搜索过程，以便检测其他的收缩期波峰。

(4c)按照步骤(4b)，对归一化信号z的所有采样点进行波峰检测，检测出PPG信号z中的所有收缩期波峰，获取检测出的所有收缩期波峰的峰值及在归一化后PPG信号z中的索引。

(4d)当归一化后PPG信号z的第一个采样点接近收缩期波峰时，会被误检成一个收缩期波峰，因此，对步骤(4c)中检测出的归一化后PPG信号z的所有收缩期波峰，删除第一个收缩期波峰，将剩下的收缩期波峰作为从归一化后PPG信号z中检测出的所有收缩期波峰，获取它们的峰值及在归一化后PPG信号z中的索引。

步骤5.分割PPG信号波形，获取单周期波形。

以步骤(4d)中记录的所有收缩期波峰索引为分割点，前后相邻两个收缩期波峰之间的波形为PPG信号z的一个单周期波形，对归一化后的PPG信号z进行波形分割，获得归一化后的PPG信号z分割后的所有单周期波形。

步骤6.选取最佳的单周期波形。

(6a)将所有单周期波形的第一个采样点的值作为该单周期波形的峰值，统计步骤5中得到的所有单周期波形的峰值大小，得到所有峰值中的最小值A和最大值B，将区间[A,B]划分为N个等长度的峰值区间，N为大于零的整数；

(6b)根据单周期波形峰值大小，统计所有单周期波形分布在各个峰值区间中的个数，根据各峰值区间中单周期波形的个数，选取单周期波形个数最多的峰值区间作为有效的峰值区间；

(6c)统计有效峰值区间中所有单周期波形的第一个采样点在归一化后PPG信号z中的索引，并按照索引值大小，从小到大顺序排列，得到峰值索引集合L；

(6d)统计步骤5中得到的所有单周期波形宽度的大小，得到单周期波形宽度的最小值C和最大值D，将区间[C,D]划分为N个等长度的宽度区间；

(6e)根据单周期波形的宽度，统计步骤5中得到的所有单周期波形分布在各个宽度区间中的个数，根据各宽度区间中单周期波形的个数，选取单周期波形个数最多的宽度区间作为有效宽度区间；

(6f)统计有效宽度区间中的所有单周期波形的第一个采样点在归一化后的PPG信号z中的索引，并按照索引值大小，从小到大顺序排列，得到宽度索引集合I；

(6g)将峰值索引集合L和宽度索引集合I进行取交集操作，得到两个索引集合中共有的索引元素，组成有效索引集合Ind；

(6h)从步骤(3c)得到的归一化后的PPG信号z中，提取出有效索引集合中所有索引值对应的单周期波形，即为最佳的单周期波形；

步骤7.对步骤(6h)中获得的所有最佳单周期波形进行插值，使得所有最佳的单周期波形采样点数相同。

常用的插值方法有多项式插值方法、分段插值方法和三次样条插值方法，本发明采用三次样条插值方法。

步骤8.去除异形波。

(8a)对插值后所有最佳单周期波形对应的采样点进行平均，得到一个平均波形；

(8b)将该平均波形作为参考波形，计算插值后的每个最佳单周期波形与参考波形所有相应采样点的差值之和，得到每一个最佳单周期波形与参考波形的差值之和；

(8c)计算所有最佳单周期波形差值之和的平均值p和标准差v，设置异形波阈值为T：

T＝p+R*v，

其中，R∈(0,1)；

(8d)将所有最佳单周期波形的差值之和与异形波阈值T进行比较，若差值之和大于等于阈值T，则判定该波形为异形波并去除；若差值之和小于阈值T，则该波形正常。

步骤9.对去除异形波后的所有最佳单周期波形进行单周期波形平均。

(9a)将删除异形波后的最佳单周期波形每连续M个单周期波形划分为一组，剔除剩余的未能凑成组的波形，其中，M为大于零的整数。

(9b)对每组中的所有单周期波形相应采样点进行平均，获得所有平均周期波形。

步骤10.进行快速傅里叶变换FFT，获取幅度谱样本。

对每个平均周期波形进行Num点的傅里叶变换，并提取前点的傅里叶变换值作为一个幅度谱样本，得到被鉴定者的所有幅度谱样本，其中，表示下取整操作。

步骤11.对幅度谱样本进行降维处理，建立训练特征向量库。

对训练数据库中所有被鉴定者的PPG信号进行步骤2-10相同的操作，得到所有被鉴定者的幅度谱样本，并对所有被鉴定者的幅度谱样本进行降维处理，将降维后的幅度谱样本作为特征向量，组成训练特征向量库；

常用的数据降维方法包括主成分分析方法、线性判别分析和非负矩阵分解方法，本发明中的降维方法采用Lee D D,Seung H S.1999年发表的“Learning the parts of objects by non-negative matrix factorization”一文中描述的非负矩阵分解方法NMF。

步骤12.获取被鉴定者的测试特征向量。

对步骤1测试数据库中被鉴定者的PPG信号进行步骤2-10的操作，得到被鉴定者的幅度谱样本，并对所有幅度谱样本进行降维处理，将降维后的幅度谱样本作为被鉴定者的测试特征向量。

这里的降维方法与步骤11中的降维方法相同。

步骤13.对被鉴定者进行身份识别。

利用支持向量机SVM，将被鉴定者的测试特征向量与训练特征向量库进行匹配，根据被鉴定者匹配成功的测试特征向量数目及参与匹配的测试特征向量总数，计算得到被鉴定者的身份识别率并输出。

身份识别率＝匹配成功的测试特征向量数目/参与匹配的测试特征向量总数。

本发明在MIMIC数据库、MIMIC2数据库和CapnoBase数据库上进行身份识别，其识别率均达到99.50％以上。