基于奇异值分解的PPG信号身份识别方法及系统

基于奇异值分解的ppg信号身份识别方法及系统
技术领域
1.本发明属于ppg信号生物识别技术领域，尤其涉及一种基于奇异值分解的ppg信号身份识别方法及系统。


背景技术：

2.近年来，人脸、声音、虹膜、脑电图(electroencephalogram，eeg)、心电图(electrocardiogram，ecg)、唇印、步态运动、光容积描记术(photoplethysmography，ppg)、指纹、手掌静脉和手指静脉等生物特征受到越来越多学者的青睐，并取得了良好的效果。然而，人脸识别可以通过人工伪装来伪装，语音很容易被模仿，指纹可以用乳胶进行修改，并且基于eeg和ecg的方法获取生物信号非常复杂。而ppg是一种非侵入性的光电信号，可以从指尖、手腕或耳垂等处以低成本获取。作为一种新的生物特征识别技术，ppg的普遍性、唯一性、鲁棒性和适应性已经得到了研究的验证，并且ppg信号已被证明具有区分个体的能力。因此，ppg生物特征提取与识别越来越受到人们的重视。
3.发明人发现，人们对ppg生物特征识别的特征提取方法进行了广泛的研究，并取得了一些有希望的结果。然而，在用于ppg生物特征提取的方法中，有的对ppg信号的局部特征分析不够深入，有的时间开销大，有的需要太多复杂调整的超参数，不利于小尺度数据的训练；而且目前现有ppg信号身份识别方法考虑信号内部的结构特性比较单一，没有很好的利用不同ppg信号之间的关联信息，由于ppg信号存在个体内变化问题，导致现有ppg信号身份识别方法的准确率相对较低。


技术实现要素：

4.本发明为了解决上述问题，提出了一种基于奇异值分解的ppg信号身份识别方法及系统，属于一种基于奇异值分解和多特征判别分析的ppg信号身份识别方法，利用奇异值分解方法减低了信号噪声，利用构建的多特征及其分组获取ppg信号中判别性强的特征，且充分利用不同ppg信号之间的关联信息，进一步增强ppg信号身份识别方法能力，以此来提高ppg信号身份识别系统的鲁棒性和性能。
5.为了实现上述目的，本发明是通过如下的技术方案来实现：
6.第一方面，本发明提供了一种基于奇异值分解的ppg信号身份识别方法，包括：
7.获取ppg信号；
8.利用投影矩阵，得到ppg信号相应的特征向量；
9.计算特征向量与预设的用户ppg向量模板库中每一个模板之间的欧式距离，把距离值最小且达到一定阈值的模板作为要识别的用户；
10.其中，用户ppg向量模板库的构建包括：利用奇异值分解方法对训练集中ppg信号进行预处理；把预处理后的训练集中ppg信号进行单周期分段；依据单周期分段结果，构建训练集中ppg信号的多特征并进行分组，得到多特征组；对多特征组进行判别分析，计算出所有训练样本的投影矩阵，利用投影矩阵构造训练集的多特征模块库作为用户ppg向量模
板库。
11.进一步的，对ppg信号进行预处理包括：
12.获取ppg信号；
13.依据获取的ppg信号中的样本个数，构建汉克尔矩阵；
14.对构建的汉克尔矩阵进行奇异值分解，得到奇异值集合；
15.对奇异值集合进行处理，计算奇异值的均值，将奇异值中大于等于均值的奇异值保留，其余奇异值置零，得到；
16.依据处理后的奇异值集合，做奇异值分解逆运算，得到新的汉克尔矩阵；
17.对新的汉克尔矩阵反对角线元素求均值，得到预处理后的ppg信号。
18.进一步的，确定预处理后的ppg信号中的峰值点作为基准点；
19.确定基准点之前最近的谷值点以及基准点之后最近的谷值点；
20.以两个谷值点和基准点之间采样点的和再和加上1作为每个单周期波形的长度；
21.对所有的单周期波形进行归一化处理。
22.进一步的，多特征包括ppg信号的时域特征、三层稀疏表示特征和局部均值特征。
23.进一步的，对获取单周期ppg信号的时域特征、三层稀疏表示特征和局部均值特征进行串联融合，并使用平均值法计算融合后多特征所有个体的模板；
24.使用欧式距离计算多特征与模板的差异值，并按照差异值的大小对相应的ppg信号进行排序；
25.把排序后的ppg信号按顺序分成若干组。
26.进一步的，利用投影矩阵，将各个组的测试样本进行投影，并将得到的每个样本的多组特征再进行联合，获得测试集投影矩阵。
27.进一步的，每个个体的训练样本和测试样本都通过投影矩阵得到相应的特征子矩阵，通过欧式距离计算特征子矩阵中每个特征向量与其它特征向量之间的距离，得到同源相似度矩阵；计算ppg信号的测试样本的特征向量与用户ppg向量模板库中每一个模板之间的欧式距离，把距离值最小且达到阈值的模板作为要识别的用户。
28.第二方面，本发明还提供了一种基于奇异值分解的ppg信号身份识别系统，包括：
29.数据采集模块，被配置为：获取ppg信号；
30.特征向量构建模块，被配置为：利用投影矩阵，得到ppg信号相应的特征向量；
31.身份识别模块，被配置为：计算特征向量与预设的用户ppg向量模板库中每一个模板之间的欧式距离，把距离值最小且达到一定阈值的模板作为要识别的用户；
32.其中，用户ppg向量模板库的构建包括：利用奇异值分解方法对训练集中ppg信号进行预处理；把预处理后的训练集中ppg信号进行单周期分段；依据单周期分段结果，构建训练集中ppg信号的多特征并进行分组，得到多特征组；对多特征组进行判别分析，计算出所有训练样本的投影矩阵，利用投影矩阵构造训练集的多特征模块库作为用户ppg向量模板库。
33.第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于奇异值分解的ppg信号身份识别方法的步骤。
34.第四方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上
并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于奇异值分解的ppg信号身份识别方法的步骤。
35.与现有技术相比，本发明的有益效果为：
36.1、本发明利用奇异值分解方法得到获取ppg信号相应的特征向量，减低了信号噪声，利用构建的多特征及其分组获取ppg信号中判别性强的特征，且充分利用不同ppg信号之间的关联信息，进一步增强ppg信号身份识别方法能力，以此来提高ppg信号身份识别系统的鲁棒性和性能；通过计算特征向量与预设的用户ppg向量模板库中每一个模板之间的欧式距离，把距离值最小且达到一定阈值的模板作为要识别的用户，实现了ppg信号身份识别的目的；
37.2、本发明利用个体间散度矩阵和个体内散度矩阵得到多特征组共享空间下的线性判别分析模型，通过求解最优投影向量将多个具有差异的ppg信号多特征组数据统一投影至一个公共判别子空间，使得同个个体ppg信号样本在投影后相互聚集，不同个体样本在投影后相互分散，这样最后求解出的投影向量更具有可区分性和判别性，这也有利于提取ppg信号的主要特征，从而提高对ppg信号的识别率。
附图说明
38.构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
39.图1为本发明实施例1的身份识别过程框图；
40.图2为本发明实施例1的典型的两个周期ppg信号波形图。
具体实施方式：
41.下面结合附图与实施例对本发明作进一步说明。
42.应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
43.实施例1：
44.本实施例提供了一种，基于奇异值分解的ppg信号身份识别方法包括：
45.获取ppg信号；本实施例中，可以理解的，此时获取的ppg信号为待识别信号或本实施例中的测试集中的ppg信号；
46.利用投影矩阵，得到ppg信号相应的特征向量；
47.计算特征向量与预设的用户ppg向量模板库中每一个模板之间的欧式距离，把距离值最小且达到一定阈值的模板作为要识别的用户；
48.其中，用户ppg向量模板库的构建包括：利用奇异值分解方法对训练集中ppg信号进行预处理；把预处理后的训练集中ppg信号进行单周期分段；依据单周期分段结果，构建训练集中ppg信号的多特征并进行分组，得到多特征组；对多特征组进行判别分析，计算出所有训练样本的投影矩阵，利用投影矩阵构造训练集的多特征模块库作为用户ppg向量模板库。如图1所示，本实施例中的基于奇异值分解的ppg信号身份识别方法具体包括：
49.s1、利用奇异值分解方法为ppg信号进行预处理；
50.s2、把预处理后的ppg信号进行单周期分段；
51.s3、依据单周期分段结果，构建ppg信号的多特征并进行分组，得到多特征组；
52.s4、对ppg信号的多特征组进行判别分析，计算出所有训练样本的投影矩阵，并构造出训练集的多特征模块库；
53.s5、利用投影矩阵，将测试样本进行相应的投影处理，并构造出测试集的多特征；
54.s6、根据欧式距离进行分类，并用等错率(eer)来对该方法的识别效果进行度量。
55.原始ppg信号中存在噪声干扰，主要的噪声有运动伪影、肌电干扰、高频干扰和基线漂移等；由于这些噪声的存在势必影响到身份识别的正确率，因此实施例步骤s1中，利用如下技术方案对ppg信号进行预处理：
56.s1.1、获取ppg信号，如表示第n类个体的第k样本，n是样本点的个数；
57.s1.2、构建如下hankel矩阵hm×n：汉克尔矩阵(hankel matrix)是指每一条副对角线上的元素都相等的矩阵；
[0058][0059]
s1.3、根据奇异值分解定理，对hm×n进行奇异值分解可以表示为u∑v
t
，σ对角线上的元素λi(i＝1，2，3，...，k)即为hm×n的奇异值，可以记为λ＝{λi|i＝1，2，3，...，k}；u和v是正交矩阵，uu
t
＝u
t
u＝im，vv
t
＝v
t
v＝in；
[0060]
s1.4、利用如下公式(2)计算奇异值的均值ω，把ω作为λi保留还是丢弃的阈值；
[0061][0062]
即将λ中大于等于ω的奇异值保留，其余奇异值置零，这时∑可代替，
[0063]
s1.5、根据如下公式(3)使用与u和v做奇异值分解逆运算得到
[0064][0065]
s1.6、对反对角线元素求均值得到被预处理后的信号，记为：
[0066][0067]
预处理后的ppg信号分段：典型的ppg信号波形如图2所示；步骤s2中，本实施例中，首先确定ppg信号分段的基准点p；然后以p点为中心分割出所有的单周期ppg信号波形；最后对所有的单周期ppg信号波形进行归一化处理，并计算单周期ppg信号波形模板。ppg信号分段的具体步骤如下：
[0068]
s2.1、确定ppg信号中的峰值p点作为基准点；可利用pan_tompkin算法确定基准点p；
[0069]
s2.2、分割成单周期ppg信号波形，确定p点之前最近的谷值v点以及p点之后最近v点；假设p点之前最近的v点与p点之间共m个采样点，假设p点之后最近v点与p点之间共共n个采样点，则每个单周期波形段长度为m+n+1；
[0070]
s2.3、对所有的单周期ppg信号波形进行归一化处理。
[0071]
多特征的构建和分组：ppg信号的时域特征、三层稀疏表示特征和局部均值特征等都有比较好的ppg生物识别性能，而这些单种特征往往是偏面的，在生物识别方面不能全面反映ppg信号本质特性，因此本实施例构建了包时域特征、三层稀疏表示特征和局部均值特征在内的多特征，以取得更好的识别效果。
[0072]
s3.1、提取时域特征，本实施例提取包括ppg信号的最大值、最小值、峰值、峰峰值、均值、平方根振幅、方差、标准差、偏度和裕度在内的10个时域特征，计算公式分别如下：
[0073][0074][0075][0076][0077][0078][0079][0080][0081][0082][0083]
s3.2、提取三层稀疏表示特征，稀疏表示对输入数据的微小改变表现出较强的鲁棒性等，因此提取稀疏表示特征被广泛应用；本实施例提取三层稀疏表示特征向量的过程如下：
[0084]
s3.2.1、获取稀疏表示向量，可通过如下公式(14)获取：
[0085][0086]
其中，y是测试样本，xk是第k类个体的样本集，wk是第k类个体相关系数。为了描述方便，可以把上式(14)简记为：
[0087]
sv＝ssv
x
(y，w，k)
ꢀꢀ
(15)
[0088]
s3.2.2、提取三层稀疏表示特征：
[0089]
第一层稀疏表示特征向量：
[0090]
第二层稀疏表示特征向量，先把y分成等长的四块，记为y1，y2，y3，y4，相应的把样本集x也分成四块，记为x1，x2，x3，x4，于是就可得到第二层稀疏表示特征向量：
[0091]
第三层稀疏表示特征向量是把少和x分成8块，
[0092]
s3.2.3、提取的三层稀疏表示特征向量为：
[0093]
s3.3、提取局部均值特征，局部均值特征旨在获取ppg信号中能够反映个体本质特征的局部信息，以弥补时域特征和三层稀疏表示特征的不足；首先使用局部均值方法获取ppg信号的pf(product function)分量，可以把第n类个体的第k个样本pf分量记为然后通过如下方法提取能量比均方根峰度波形指数和样本熵
[0094][0095][0096][0097][0098]
先从矩阵中连续取第i行中m维数据组成向量和第j行中m维数据组成向量注意i≠j；统计注意i≠j；统计(r为一个阈值)的个数，并记为aim(r)；同样可以统计出所有满足条件的两个m+1维向量个数，并记为最后使用如下公式(20)计算出样本熵：
[0099][0100]
最后，提取的局部均值特征表示为
[0101]
s3.4、构建多特征和分组：
[0102]
s3.4.1、对获取单周期ppg信号的时域特征、三层稀疏表示特征和局部均值特征进行串联融合，并使用平均值法计算其所有个体的模板；
[0103]
s3.4.2、使用欧式距离计算已构建的多特征与模板的差异值，并按照差异值的大小对相应的ppg信号进行排序；
[0104]
s3.4.3、根据实际需要把排序后的ppg信号按顺序分成若干组，如g个组。
[0105]
多特征判别分析：步骤s4中，多特征判别分析是在构建的多特征组的基础上进行的，可以通过线性变换把g组数据投影到判别分析的公共子空间中，使得该空间中的投影样
本具有个体内变化最小和个体间变化最大的性质。多特征判别分析的投影变换和构造的目标函数如下：
[0106][0107][0108][0109][0110][0111]
其中，代表第i组中个体为k的第j个训练样本，mk代表所有组中第k个个体的样本数量，m代表所有组中所有样本的数量，k代表个体的总数量，m
kj
代表第j组中第k类个体的样本数量，代表个体内散度矩阵，代表个体间散度矩阵，代表第k个样本在所有组中的均值，wi代表第i个分组的投影矩阵，
[0112]
基于多特征判别分析过程如下：
[0113]
s4.1、获取训练多特征
[0114][0115]
其中k代表类别数目；
[0116]
s4.2、根据公式(21)获取个体内散布矩阵根据公式(23)获取个体间散度矩阵
[0117]
s4.3、根据公式(25)获得投影矩阵其中g代表分组数量；
[0118]
s4.4、获取第i类个体的单周期ppg信号模板
[0119]
s4.5、获取测试个体的样本
[0120]
s4.6、利用投影矩阵，将各个组的测试样本进行相应的投影，并将得到的每个样本的多组特征再进行联合；获得测试集投影矩阵
[0121]
识别分类：通过多特征判别分析，每个个体的训练样本和测试样本都能通过投影矩阵得到相应的特征子矩阵，通过欧式距离来计算特征子矩阵中每个特征向量与其它特征向量之间的距离可得到同源相似度矩阵。本实施例中，通过计算某ppg信号的测试样本的特征向量与用户ppg向量模板库中每一个模板之间的欧式距离，把距离值最小且达到某个阈值的模板作为要识别的用户，此处的阈值可以理解为常数。如某测试样本特征向量(sf∈r1×m)与模板库矩阵(tf∈rm×n)的某个个体的欧式距离计算公式如下(26)所示：
[0122][0123]
然后根据公式(26)可以计算该测试样本与模板库中所有个体的欧式距离。
[0124]
最后计算假接受率(far)、假拒绝率(frr)和等错率(eer)来衡量基于多特征判别分析的ppg信号身份识别方法的效果。具体公式如下：
[0125][0126][0127][0128]
其中，nfa是错误接受的次数，nira是个体间测试的总次数；nfr是错误拒绝的次数，ngra是个体内测试的总次数。
[0129]
本实施例通过对ppg信号的奇异值分解降噪处理和分段，构建出ppg信号的多特征和分组，并对其进行判别分析，计算出所有训练样本的多特征组的投影矩阵，再利用投影矩阵将测试样本的各个多特征组进行相应的投影，最后将得到的每个样本的多特征进行融合；该方法利用个体间散度矩阵和个体内散度矩阵得到多特征组共享空间下的线性判别分析模型，通过求解最优投影向量将多个具有差异的ppg信号多特征组数据统一投影至一个公共判别子空间，使得同个个体ppg信号样本在投影后相互聚集，不同个体样本在投影后相互分散，这样最后求解出的投影向量更具有可区分性和判别性，这也有利于提取ppg信号的主要特征，从而提高对ppg信号的识别率。
[0130]
实施例2：
[0131]
本实施例提供了一种基于奇异值分解的ppg信号身份识别系统，包括：
[0132]
数据采集模块，被配置为：获取ppg信号；
[0133]
特征向量构建模块，被配置为：利用投影矩阵，得到ppg信号相应的特征向量；
[0134]
身份识别模块，被配置为：计算特征向量与预设的用户ppg向量模板库中每一个模
板之间的欧式距离，把距离值最小且达到一定阈值的模板作为要识别的用户；
[0135]
其中，用户ppg向量模板库的构建包括：利用奇异值分解方法对训练集中ppg信号进行预处理；把预处理后的训练集中ppg信号进行单周期分段；依据单周期分段结果，构建训练集中ppg信号的多特征并进行分组，得到多特征组；对多特征组进行判别分析，计算出所有训练样本的投影矩阵，利用投影矩阵构造训练集的多特征模块库作为用户ppg向量模板库。
[0136]
所述系统的工作方法与实施例1的基于奇异值分解的ppg信号身份识别方法相同，这里不再赘述。
[0137]
实施例3：
[0138]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的基于奇异值分解的ppg信号身份识别方法的步骤。
[0139]
实施例4：
[0140]
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的基于奇异值分解的ppg信号身份识别方法的步骤。
[0141]
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。