一种基于虹膜特征和ECG特征的两级WBAN认证方法

一种基于虹膜特征和ecg特征的两级wban认证方法
技术领域
1.本发明属于信息安全领域，具体涉及一种基于虹膜特征和ecg特征的两级wban认证方法。


背景技术：

2.随着传感器和无线网络技术的发展，无线体域网(wireless body area network,wban)作为物联网的典型应用场景，越来越受到学术界和工业界的关注。移动医疗是一项新兴技术，也是无线体域网的重要应用领域之一，它允许患者通过穿戴或植入在身体上的各种医疗设备传感器来收集诸如心率、血压等生理信息。这些医疗设备往往具有无线通信功能，可以将采集到的用户信息远程发送给医务人员或者监测站点。如此一来，医生便可以在患者足不出户的情况下，通过分析受到的患者生理参数指标来研判患者的病情发展并及时提出治疗建议，这对于患者尤其是因为身体原因不方便出行的人来说是一项省时有效的策略，在疫情反复出现的大背景下，普通人尽可能的减少与他人接触也显得非常重要，该技术在实际场景中已经被广泛用于慢性病的监测。
3.由于无线体域网中存储着许多与患者隐私相关的生理信息，一旦被黑客获取并加以分析，会对患者的隐私安全和生命安全造成严重威胁。因此，这些隐私数据只有被授权的用户才能进行访问，如何保护这些数据的安全成为了业界讨论的重点。目前提出的ieee802.15.6标准描述了wban中的安全要求以及需要达到的安全级别，该标准还建议了几种安全方案用于保护wban，但这些方案在实际应用场景中已经被证明安全性存在不足。因此，迫切需要一种性能更强的安全方案以保护wban数据的采集和传输。授权公告号为cn205721741u的实用新型公开了一种适用于rfid阅读器真随机数产生装置，其核心思想是提高振荡器的周期抖动以增加随机性，适用于rfid阅读器。授权公告号为cn205620988u的实用新型公开了一种硬件随机数发生器，可产生一位随机数。申请公布号为cn103870757a的发明提供了一种基于直角坐标系的数字密码编制方法，这一方法能产生两位数密码。但这些方法的安全性能不足。
4.由于wban中的传感器用于收集患者的生理数据，因此基于生理特性的wban保护方案逐渐开始受到研究人员的欢迎。事实上，诸如指纹、ecg(心电信号)、ppg等生理特征信号由于其独特性，随机性的特点，已经被证明适合用于wban的隐私保护工作，相关的身份认证协议也已经被广泛研究。但大部分保护方案存在识别性能不强，认证时间过长的问题。


技术实现要素：

5.本发明的目的在于针对现有技术的不足，提供一种融合虹膜和ecg信号的二级认证机制用于保护wban的安全。
6.为实现上述目的，本发明采用的技术方案如下。
7.一种基于虹膜特征和ecg特征的两级wban认证方法，包括以下步骤：
8.步骤s1，通过虹膜采集仪采集虹膜图像，经过虹膜图像预处理、虹膜图像特征提取
和量化、虹膜模板制作和虹膜模板匹配四个阶段，对用户的身份进行第一级的识别和认证。
9.步骤s11，所述虹膜图像预处理的具体步骤为：
10.先采用道格曼提出的积分微分算子(intregro-differencial)对采集到的虹膜图像进行虹膜定位，该算子定义为：
[0011][0012]
式(1)中，(x,y)是指采集到的包含眼睛的图像的像素点坐标，g
σ
(r)为高斯平滑函数，*符号代表卷积操作，ds是指以r为半径、(x0,y0)为圆心的圆上的曲线积分。该算子表现为一个圆形检测器，随着半径的增大，使用偏导数的方式搜索区域内的局部最大值。
[0013]
然后，使用hough变换和canny边缘检测的方法，查找虹膜图像中的直线和曲线部分，canny边缘检测使用基于高斯导数的滤波器来计算梯度的强度，可降低图像中噪声的影响。而通过hough变换进行的边界检测是对图像的简单轮廓模型进行拟合的一种标准化的机器识别技术。
[0014]
步骤s12，所述虹膜图像特征提取和量化的具体步骤为：
[0015]
利用log gabor滤波器对虹膜图像进行提取和量化，log gabor滤波器的频率响应公式如下：
[0016][0017]
式(2)中，f0代表滤波器的中心频率，σ代表滤波器的带宽。
[0018]
提取和量化的具体过程是：把步骤s11中标准化之后的虹膜图像的每一行都视为一维向量，并分别与log gabor滤波器进行卷积操作，卷积结果存在实部和虚部，我们记录实部和虚部的正负情况，并分别用1表示正数，0表示负数，这样虹膜图像的每个像素点会被量化成2bit。最后把计算结果按行串联，便可以把虹膜图像量化为长度为x bit的二进制虹膜编码。
[0019]
步骤s13，所述虹膜模板制作的具体步骤为：
[0020]
首先，通过肉眼选择一张最清晰的虹膜图像，把其对应的二进制虹膜编码称为参考编码d1，然后，依次记录参考编码d1与同一只眼睛的其他虹膜图像的二进制虹膜编码数值相同的索引，最后取这些索引的交集，称为预模板df。预模板df的定义如下：
[0021]df
＝d
12
∩d
13
∩
…
∩d
1k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0022]
式(3)中，d
ij
指的是di和dj拥有相同位的索引序列。
[0023]
其次，对于不同的眼睛，所得到的预模板长度是不一致的，因此需要对df进行区间映射；为了充分利用df的全部信息，我们把每个眼睛所得到的df序列映射在[0,n)区间中，并选择最接近整数(0，1，2，
…
，n-1)的n个索引作为新的预模板d
fnew
；即将不同长度的df转换成相同长度的d
fnew
了。
[0024]
然后，对d
fnew
进行进一步的简化。具体过程为，将d
fnew
的二进制序列分为每段长度为b的比特块(b为奇数)，然后将每个比特块的中间元素与同一块中的其他所有元素依次进行异或操作，当异或操作结束后，会得到一个新的、更短的比特块，最后将所有比特块串联，得到新的二进制序列，即得到新的索引序列d
irisindex
，并在参考编码d1中按d
irisindex
中的值为索引提取对应的二进制数，得到最终的虹膜编码模板d
iris
。
[0025]
步骤s14，所述虹膜模板匹配的具体步骤为：
[0026]
在虹膜模板匹配阶段，引入汉明距离来判断待测样本与虹膜模板的相似程度。汉明距离可简单描述为两个等长序列在相同位置上不同字符的数目。汉明距离越小，则表示两个序列越相似。我们取虹膜阈值th
iris
，当待测样本的汉明距离小于阈值th
iris
时，用户通过第一级虹膜认证，反之，则认证失败。
[0027]
步骤s2，在通过第一级虹膜认证后，再使用传感器采集用户的心电信号，经过ecg信号预处理、ecg特征提取、ecg特征量化和基于模糊承诺的密钥协商机制四个阶段，对用户的身份进行第二级认证。只有通过这两级认证的用户，才算通过了认证。
[0028]
步骤s21，所述ecg信号预处理是采用小波变换方法对获得的ecg信号进行预处理，以去除基线漂移、工频干扰、肌电干扰等噪声；具体步骤为：
[0029]
首先，以l2(r)表示能量有限的信号全体，当满足f(t)∈l2(r)时，可以定义信号f(t)的连续小波变换公式为：
[0030][0031]
式(4)中，a是尺度因子，b是平移因子，表示的复共轭。但连续小波变换具有计算量大，计算时间长等缺点，在实际应用中特别是在计算机实现上，往往需要把连续小波变换进行二进制的离散化。将连续小波变换的尺度因子a和平移因子b离散化即可获得离散小波序列，常用的离散化为a＝2j,b＝2jk(j,k∈z)，其中j代表分解尺度，z代表所有整数集合。可得离散小波变换可表示为：
[0032]
其次，选择sym4小波作为基函数；小波阀值函数是修正小波系数的规则，不同的小波阈值函数体现了不同的处理小波系数的策略，这里我们选取软硬折中的阈值函数，对含有噪声系数的小波系数进行过滤，去除高斯噪声系数，小波阈值函数的表达式为：
[0033][0034]
式(5)中，ω
j,k
表示分解后的小波系数，表示阈值函数处理后的小波系数，λ表示阈值，t的取值在(0,1)区间内。
[0035]
其中，阈值λ的选取也是小波去噪的关键步骤，为了保持ecg信号的特性，本发明采取改进的固定阈值选取方法：
[0036][0037]
式(6)中，σn代表方差，n代表信号长度，j代表分解尺度。随着分解尺度j的增大，改进阈值λ逐渐减小，并且与小波变换在不同尺度下噪声的传播特性相一致，从而保证去噪的有效性。
[0038]
步骤s22，对步骤s21中处理后的ecg信号进行特征提取，ipi由于其特有的随机性，被广泛用于保护无线体域网设备。ipi的定义如下：
[0039]
ipii＝r
i-r
i-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0040]
式(7)中，ri指第i个心跳周期的r峰。在本方法中，ipi被视作ecg信号的特征，因此，我们只对r峰感兴趣。我们利用biopeaks峰值检测法查找预处理后的ecg信号的r峰，并计算r峰对应的ipi序列，记为{ipii}。
[0041]
步骤s23，ecg特征量化，获取到{ipii}后，采用融合的方法将其量化，生成二进制序列。本发明将该融合的方法称为ipi fusion coding，简称ipifsc，量化的具体过程如下：
[0042]
首先，输入采集到的ipi序列{ipii}，在{ipii}内选择n个连续的ipi，称为{ipi
in
}；
[0043]
其次，计算{ipi
in
}的平均值ipi
mean
；再计算{ipi
in
}内每个ipi与ipi
mean
的差，把各个差值结果存入{array}中，计算{array}的数学期望μ和方差σ2，根据表1计算16个域，把{ipi
in
}里落入相应域中的元素转换成对应格雷码；此时生成二进制序列bs1；
[0044]
比较{ipi
in
}的ipi变化趋势；若前一个ipi的值小于后一个ipi(ipii《ipi
i+1
)，则将第i个元素量化为1，反之则补0；对于{ipi
in
}中的最后一个元素，在其末尾补随机的0或1；此时生成二进制序列bs2；
[0045]
将{ipi
in
}内每个元素量化成8位二进制后，只使用其中的2-4位，此时生成二进制序列bs3；
[0046]
最后，将bs1、bs2、bs3以相同索引的方式级联，得到最终的二进制序列bs。
[0047]
表1 正态分布16个相等的部分及对应的格雷码
[0048][0049]
步骤s24，通过模糊承诺的密钥协商机制分发密钥，由于设备的测量误差等原因，即使是同一个人，在不同部位同时检测ecg信号所计算出来的bs也是有轻微不同的。模糊承诺机制引入了纠错码，可以用来纠正这种差异。本方法在模糊承诺框架内，利用ipi生成的bs来保护密钥分发。具体步骤如下：
[0050]
发送方和接受方同时检测受试者的ecg信号，并分别生成二进制序列bs1和bs2。对于发送方，需要对密钥key做纠错码编码处理，生成与bs1等长的序列bs
key
，随后创建承诺：
[0051][0052]
式(8)中，hash(key)指对key进行单向哈希运算，符号代表按位异或运算。
[0053]
该承诺将会被发送到接受端，接受端首先进行操作生成bs
key
′
，
然后对bs
key
′
进行纠错码解码操作生成key
′
，若hash(key)＝hash(key
′
)，则认证成功，用户通过第二级认证；否则认证失败，采集ecg信号的两个传感器设备(发送端和接受端)将重新检测受试者的ecg信号。
[0054]
本发明的有益效果是：
[0055]
本发明的两级wban认证方法可用于无线体域网环境下用户的身份认证，可用于医疗信息或运动健康领域。本发明采用的融合的方法可以在不损失二进制序列随机性的前提下，缩短量化所需时间；起到节省wban资源空间、缩短编码时间等作用。本发明采取了两级身份认证，提升了身份识别的准确性，有利于保护wban的安全，保护用户隐私。
附图说明
[0056]
图1为本发明的两级wban认证方法的流程图。
[0057]
图2为基于模糊承诺的ecg密钥分发过程图。
[0058]
图3为不同受试者生成的虹膜编码模板编码的汉明距离分布图一。
[0059]
图4为不同受试者生成的虹膜编码模板编码的汉明距离分布图二。
[0060]
图5为相同受试者生成的虹膜编码模板编码的汉明距离分布图一。
[0061]
图6为相同受试者生成的虹膜编码模板编码的汉明距离分布图二。
[0062]
图7为本发明的认证方法中单独的ecg特征识别性能测试结果图。
[0063]
图8为把虹膜与ecg特征结合在一起后，本发明的两级认证方法的识别性能测试结果图。
具体实施方式
[0064]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例的限制。
[0065]
如图1～2所示的一种基于虹膜特征和ecg特征的两级wban认证方法，包括以下步骤：
[0066]
步骤s1，通过虹膜采集仪采集虹膜图像，经过虹膜图像预处理、虹膜图像特征提取和量化、虹膜模板制作和虹膜模板匹配四个阶段，对用户的身份进行第一级的识别和认证。
[0067]
步骤s11，所述虹膜图像预处理的具体步骤为：
[0068]
先采用道格曼提出的积分微分算子(intregro-differencial)对采集到的虹膜图像进行虹膜定位，该算子定义为：
[0069][0070]
式(1)中，(x,y)是采集到的包含眼睛的虹膜图像，g
σ
(r)为高斯平滑函数，*符号代表卷积操作，ds是指以r为半径、(x0,y0)为圆心的圆上的曲线积分。该算子表现为一个圆形检测器，随着半径的增大，使用偏导数的方式搜索区域内的局部最大值。
[0071]
然后，使用hough变换和canny边缘检测的方法，查找虹膜图像中的直线和曲线部分，从而对虹膜区域进行规范化(normalization)以去除相同虹膜的缩放失真等误差，获得标准化的虹膜图像。其中，canny边缘检测使用基于高斯导数的滤波器来计算梯度的强度，
可降低图像中噪声的影响。而通过hough变换进行的边界检测是对图像的简单轮廓模型进行拟合的一种标准化的机器识别技术。
[0072]
步骤s12，所述虹膜图像特征提取和量化的具体步骤为：
[0073]
利用log gabor滤波器对虹膜图像进行提取和量化，提取虹膜的隐窝、斑点、细丝等纹理信息。log gabor滤波器继承了gabor滤波器的优点，具有良好的局部分析能力；此外，它不会产生dc直流分量。log gabor滤波器的频率响应公式如下：
[0074][0075]
式(2)中，f0代表滤波器的中心频率，σ代表滤波器的带宽。
[0076]
虹膜图像特征提取和量化的具体过程是：把步骤s11中标准化之后的虹膜图像的每一行都视为一维向量，并分别与log gabor滤波器进行卷积操作，卷积结果存在实部和虚部，我们记录实部和虚部的正负情况，并分别用1表示正数，0表示负数，这样每个像素点会被量化成2bit。最后把计算结果按行串联，便可以把虹膜图片量化为长度为x bit的二进制虹膜编码。
[0077]
步骤s13，所述虹膜模板制作的具体步骤为：
[0078]
对于casia1数据库，每张虹膜图片最终可量化为9600bit。对于资源十分有限的无线体域网传感器来说，需要精简量化长度。首先，通过肉眼人工选择一张最清晰的虹膜图像，把其对应的二进制虹膜编码称为参考编码d1，然后，依次记录参考编码d1与同一只眼睛的其他虹膜编码数值相同的索引，最后取这些索引的交集，称为预模板df。预模板df的定义如下：
[0079]df
＝d
12
∩d
13
∩
…
∩d
1k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0080]
式(3)中，d
ij
指的是di和dj拥有相同位的索引序列，即d
12
指的是d1和d2拥有相同位的索引序列，d
1k
指的是d1和dk拥有相同位的索引序列。
[0081]
但是，对于不同的眼睛，所得到的预模板长度是不一致的，因此需要对df进行区间映射；为了充分利用df的全部信息，我们把每个眼睛所得到的df序列映射在[0,n)区间中，并选择最接近整数(0，1，2，
…
，n-1)的n个索引作为新的预模板d
fnew
；即将不同长度的df转换成相同长度的d
fnew
了。
[0082]
然后，对d
fnew
进行进一步的简化。具体过程为，将d
fnew
的二进制序列分为每段长度为b的比特块(b为奇数)，然后将每个比特块的中间元素与同一块中的其他所有元素依次进行异或操作，当异或操作结束后，会得到一个新的、更短的比特块，最后将所有比特块串联，得到新的二进制序列，即得到新的索引序列d
irisindex
，并在参考编码d1中按d
irisindex
中的值为索引提取对应的二进制数，得到最终的虹膜编码模板d
iris
。
[0083]
在本发明的认证系统中，d
irisindex
与d
iris
被称为一组虹膜模板，需要预先存储在传感器内部。
[0084]
步骤s14，所述虹膜模板匹配的具体步骤为：
[0085]
在虹膜模板匹配阶段，引入汉明距离来判断待测样本与虹膜模板的相似程度。汉明距离可简单描述为两个等长序列在相同位置上不同字符的数目。汉明距离越小，则表示两个序列越相似。我们取虹膜阈值th
iris
，当待测样本的汉明距离小于阈值th
iris
时，用户通过第一级虹膜认证，反之，则认证失败。
and breathing biosignals.the journal of open source software,5(54),2621.”里的查找方法“lastly,the ecg r-peak detector is a custom algorithm”)查找ecg信号的r峰，并计算r峰对应的ipi序列，记为{ipii}。
[0100]
步骤s23，ecg特征量化，获取到{ipii}后，采用融合的方法将其量化，生成二进制序列。本发明将融合的方法称为ipi fusion coding，简称ipifsc，量化的具体过程如下：
[0101]
首先，输入采集到的ipi序列{ipii}，在{ipii}内选择n个连续的ipi，称为{ipi
in
}；
[0102]
其次，计算{ipi
in
}的平均值ipi
mean
；再计算{ipi
in
}内每个ipi与ipi
mean
的差，把各个差值存入{array}中，计算{array}的数学期望μ和方差σ2，根据表1计算16个域，把{ipi
in
}里落入相应域中的元素转换成对应格雷码；此时生成二进制序列bs1。
[0103]
比较{ipi
in
}的ipi变化趋势；若前一个ipi的值小于后一个ipi(ipii《ipi
i+1
)，则将第i个元素量化为1，反之则补0；对于{ipi
in
}中的最后一个元素，在其末尾补随机的0或1；此时生成二进制序列bs2。
[0104]
将{ipi
in
}内每个元素量化成8位二进制后，只使用其中的2-4位，此时生成二进制序列bs3。
[0105]
最后，将bs1、bs2、bs3以相同索引的方式级联，得到最终的二进制序列bs。
[0106]
表1 正态分布16个相等的部分及对应的格雷码
[0107][0108]
步骤s24，通过模糊承诺的密钥协商机制分发密钥：
[0109]
由于设备的测量误差等原因，即使是同一个人，在不同部位同时检测ecg信号所计算出来的bs也是有轻微不同的。模糊承诺机制引入了纠错码，可以用来纠正这种差异。本方法中在模糊承诺框架内，利用ipi生成的bs来保护密钥分发。
[0110]
发送方和接受方同时检测受试者的ecg信号，并分别生成二进制序列bs1和bs2。对于发送方，需要对密钥key做纠错码编码处理，生成与bs1等长的序列bs
key
，随后创建承诺：
[0111]
[0112]
式(8)中，hash(key)指对key进行单向哈希运算，符号代表按位异或运算。
[0113]
该承诺将会被发送到接受端，接受端首先进行操作生成bs
key
′
，然后对bs
key
′
进行纠错码解码操作生成key
′
，若hash(key)＝hash(key
′
)，则认证成功，用户通过第二级认证；否则认证失败，采集ecg信号的两个传感器设备(发送端和接受端)将重新检测受试者的ecg信号。
[0114]
实验分析
[0115]
利用公共数据集：casia1虹膜数据集(108个受试者，每个人有7张虹膜图片)；mit-bih normal sinus rhythm database(18个受试者，每个人有2条同步的ecg信号)，下文简称nsrdb；mit-bih arrhythmia database(48个受试者，每个人有2条同步的ecg信号)，下文简称mitdb；mit-bih supraventricular arrhythmia database(78个受试者，每个人有2条同步的ecg信号)，下文简称svdb；对我们的系统进行仿真实验分析。
[0116]
需要说明的是，在心电信号数据库中，并不是所有样本的所有采样点都能够使用，例如nsrdb中19830号样本的大约前28秒的采样点是没有进入工作状态的，我们对类似的情况进行了筛选和删除。
[0117]
a.二进制序列的性能
[0118]
对于本系统产生的用于身份认证系统的二进制序列，除了上述提到的汉明距离，我们还引入了熵值分析和nist测试套件来验证其性能。
[0119]
熵值分析：通过计算特征序列的熵来判断随机性。对于一个随机变量x＝{0，1}n，可以通过下面的公式计算熵值：
[0120]
e(x)＝-pmf0log2pmf
0-pmf1log2pmf1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0121]
其中pmf0是0的概率质量函数，pmf1是1的概率质量函数，当数据服从均匀分布时，e(x)的最大值为1。
[0122]
nist测试套件：nist测试组件是著名的随机性测试工具，被研究人员普遍用于测试密码学中的随机数和伪随机数。nist组件有多项测试指标，每个指标都会输出一个p值，若p值小于阈值(0.01)，则可以假设该数据不是随机的。
[0123]
1)虹膜编码测试
[0124]
我们使用casia1虹膜数据集测试虹膜编码性能，在该数据库中，每个受试者有来自同一个眼睛的7张虹膜图片，我们选择4张虹膜图片提取一组虹膜模板d
iris
和d
irisindex
，剩下的3张图片作为测试集。
[0125]
假设对df序列进行区间映射时，参数n取900，对d
fnew
使用比特块方法时，参数b取3。经过虹膜编码后，每个受试者都会生成一组虹膜模板和3个测试编码。
[0126]
在得到了108位不同受试者生成的虹膜编码模板后，我们两两比较了编码的汉明距离，测试结果如图3～4所示；图3是使用比特块方法前(二进制序列长度为900bit)，108位不同受试者虹膜编码的汉明距离分布图，测试结果显示，平均汉明距离是0.491973；图4是使用比特块方法后(二进制序列长度为600bit)，108位不同受试者虹膜编码的汉明距离分布图，测试结果显示，平均汉明距离是0.470357。它们都符合正态分布，汉明距离接近0.5，这可以说明不同个体生成的虹膜模板编码也是不同的。
[0127]
对于同一个受试者的3个测试编码，我们也比较了它们与虹膜编码模板的汉明距离，测试结果如图5～6所示；图5是使用比特块方法前(二进制序列长度为900bit)相同个体
虹膜编码的汉明距离分布图，测试结果显示，平均汉明距离是0.274304；图6是使用比特块方法后(二进制序列长度为600bit)相同个体虹膜编码的汉明距离分布图，测试结果显示，平均汉明距离0.164763。
[0128]
可以看到，在使用了比特块方法后，虽然不同个体所生成的虹膜编码平均汉明距离只略有下降，但对于相同个体，平均汉明距离下降的更快，即每次采集虹膜图片所生成的虹膜编码更相似，这有利于身份的认证。从这个角度看，比特块方法可以提高虹膜编码的性能。
[0129]
2)ecg特征编码测试
[0130]
本发明利用ipifsc方法对ecg特征进行编码，为了不同编码方法的性能，我们利用nsrdb、mitdb、svdb，对流行的6种ipi编码方式与ipifsc方法进行了比较实验。我们进行了“汉明距离及熵实验”和“nist测试”两个实验。在“汉明距离及熵实验”中(表2)，“整个数据库平均汉明距离”是指对数据库内每个样本随机采样100次，产生共计3600个编码，比较各自的汉明距离；其中“相同样本平均汉明距离”指针对同一受试者，同时采样其两条不同的ecg信号形成编码的汉明距离；“平均熵值”指数据库随机采样5000次所产生编码的熵平均值。“nist测试”结果如表3所示，表中显示数字为p-value。
[0131]
表2 汉明距离及熵值测试
[0132][0133]
表3 nist套件随机性测试
[0134]
[0135][0136]
从上述实验结果可以看出，在汉明距离及熵值测试中，ipifsc方法性能并没有明显下降，而nist套件随机性测试中，ipidtc方法总体性能有少许提高。这说明ipifsc方法在采样更少r峰信息的情况下，生成的编码也不失随机性。
[0137]
b.二级认证系统性能
[0138]
误识率(far)和拒识率(frr)是评判认证系统性能的两个关键指标。我们从nsrdb、mitdb、svdb中随机抽取108个样本，与casia1中的108个样本一一对应，创建一个同时具有ecg信号和虹膜图像的虚拟数据库，这样每个受试者都会一个属于自己的认证系统。在我们的测试中，far表示受试者通过不属于自己的认证系统的概率；frr表示受试者不能通过自己的认证系统的概率。显而易见，当一个系统far和frr的数值越低时，证明该系统性能越好。为了证明二级认证系统的有效性，我们先分别对虹膜认证和ecg特征认证单独进行了实验，再把两者结合起来进行实验。
[0139]
与前述一样，我们选择casia1中每个样本的4张虹膜图片用于提取模板，剩下的3张图片用于测试。单独的虹膜识别性能测试结果如表4所示。
[0140]
表4 虹膜识别性能测试
[0141][0142]
从表4中可以看出，当虹膜识别的阈值th
iris
取0.43是适宜的。
[0143]
我们将从nsrdb、mitdb、svdb中随机抽取的108个样本共计316条ecg信号进行实验。单独的ecg特征识别性能测试结果如图7所示，此时bch的码字长度等于255bit；在图7的实验中，frr随着bch纠错能力的提高而降低，并在bch(255，9，63)参数下达到最小值0.032170；而far则随着纠错能力的提高而提高，在bch(255，9，63)参数下到达最大值0.020215。
[0144]
把虹膜与ecg特征结合在一起后，二级认证系统的识别性能如图8所示，在我们的虚拟数据库中，当虹膜识别的阈值th
iris
取0.43时，frr在bch(255，9，63)参数下达到最小值0.032287，且不论bch码的纠错能力如何变化，我们的二级认证系统far始终处于接近0的状态，这意味着系统只接受合法的访问者，这对于患者来说非常重要。
[0145]
本发明提供了一种结合虹膜信息和ecg信号的两级身份认证系统。每个患者的虹膜信息被编译成一定长度的二进制模板预先存储在传感器中，用户在通过第一级虹膜认证后，才能进入第二级ecg信号特征认证环节。wban设备的资源十分有限，为了避免将虹膜信息和ecg特征进行编码时消耗太多硬件资源，我们把比特块方法应用在了虹膜编码中，同时，我们比较了6中流行的ipi编码方法性能，并从中融合出一种新的编码方法ipifsc。经过公共数据库的仿真测试，证明这两种编码方式可以起到节省wban资源空间、缩短编码时间等作用。由于采取了两级身份认证，我们的系统实现了far几乎为0，这对于保护用户隐私来说十分重要。