通过心电特征进行身份识别的方法及装置、可穿戴设备的制造方法
【技术领域】
[0001] 本申请涉及可穿戴设备技术领域，尤其涉及一种通过心电特征进行身份识别的方 法及装置、可穿戴设备。
【背景技术】
[0002] 随着社会的发展和生活水平的提高，以及移动互联网的快速发展，传统的身份识 别方式越来越不能满足人们对身份认证在安全方面的需求。生物特征识别技术为了解决了 上述问题，通过指纹、人脸、语音、虹膜等识别方法对用户身份进行认证，并且在智能设备和 移动领域得到了广泛的应用，然而，上述生物特征由于可以被复制和记录，因此容易易被伪 造。
【发明内容】
[0003] 有鉴于此，本申请提供一种新的技术方案，可以解决上述现有技术中存在的技术 问题。
[0004] 为实现上述目的，本申请提供技术方案如下：
[0005] 根据本申请的第一方面，提出了一种通过心电特征进行身份识别的方法，包括：
[0006] 通过心电传感器采集用户的原始心电信号；
[0007] 确定所述原始心电信号的特征向量，所述特征向量包括所述原始心电信号对应的 时域特征数据和所述原始心电信号的频域特征数据；
[0008] 通过所述特征向量与所述原始心电信号对应的已训练的大距离最近邻算法确定 所述原始心电信号对应的用户身份。
[0009] 根据本申请的第二方面，提出了一种通过心电特征进行身份识别的装置，包括：
[0010] 信号采集模块，用于通过心电传感器采集用户的原始心电信号；
[0011] 第一确定模块，用于确定所述信号采集模块采集的所述原始心电信号对应的特征 向量，所述特征向量包括所述原始心电信号的时域特征数据和所述原始心电信号的频域特 征数据；
[0012] 第二确定模块，用通过所述第一确定模块确定的所述特征向量与所述原始心电信 号对应的已训练的大距离最近邻算法确定所述原始心电信号对应的用户身份。
[0013] 根据本申请的第三方面，提出了一种可穿戴设备，所述可穿戴设备包括：
[0014] 处理器;用于存储所述处理器可执行指令的存储器；
[0015] 其中，所述处理器，用于通过心电传感器采集用户的原始心电信号；
[0016] 确定所述原始心电信号对应的特征向量，所述特征向量包括所述原始心电信号的 时域特征数据和所述原始心电信号的频域特征数据；
[0017] 通过所述特征向量与所述原始心电信号对应的已训练的大距离最近邻算法确定 所述原始心电信号对应的用户身份。
[0018] 由以上技术方案可见，本申请通过心电传感器采集用户的原始心电信号，确定原 始心电信号的特征向量，通过特征向量与原始心电信号对应的已训练的大距离最近邻算法 确定原始心电信号对应的用户身份，由于特征向量包括原始心电信号的时域特征数据和频 域特征数据，已训练的大距离最近邻算法中所使用的矩阵模型可以通过机器学习的方法得 到，机器学习的目标以通过大间隔最近距离所定义的分类算法的准确率尽量高为准，因此 通过ECG对用户进行身份认证，可以大大提高用户身份认证的准确度以及安全性。
【附图说明】
[0019] 图1A示出了根据本发明的一示例性实施例的通过心电特征进行身份识别的方法 的流程示意图；
[0020] 图1B示出了根据本发明的一示例性实施例的原始心电信号的示意图；
[0021] 图2A示出了根据本发明的一示例性实施例的确定原始心电信号的频谱特征数据 的流程示意图；
[0022]图2B示出了根据本发明的一示例性实施例的通过小波变换滤除噪声后的心电信 号的示意图；
[0023]图3A示出了根据本发明的一示例性实施例的确定原始心电信号的时域特征数据 的流程示意图；
[0024] 图313不出了心电彳目号的时序和幅值特征的不意图；
[0025] 图3C示出了图3A所采用的硬件电路检测R波的示意图；
[0026] 图3D示出了图3C中的用于检测动态阈值的电路图；
[0027]图4A示出了根据本发明的又一示例性实施例的通过心电特征进行身份识别的方 法的流程示意图；
[0028] 图4B示出了两个的参考特征向量对应的心电信号的示意图；
[0029] 图5示出了根据本发明的一示例性实施例的可穿戴设备的结构示意图；
[0030] 图6示出了根据本发明的一示例性实施例的通过心电特征进行身份识别的装置的 结构示意图；
[0031] 图7示出了根据本发明的又一示例性实施例的通过心电特征进行身份识别的装置 的结构示意图。
【具体实施方式】
[0032] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及 附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例 中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附 权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0033] 在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。 在本申请和所附权利要求书中所使用的单数形式的"一种"、"所述"和"该"也旨在包括多数 形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语"和/或"是指并包 含一个或多个相关联的列出项目的任何或所有可能组合。
[0034]应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这 些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离 本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第 一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在……时"或"当…… 时"或"响应于确定"。
[0035] 与现有技术中的生物特征相比，人体的心电信号(ECG)由每个个体的心脏结构决 定，其具有普适性、唯一性、易采集、永久性等特点，并且， ECG还具有只存在于活体，不易被 仿制，不易丢失等优势。因此，基于ECG的生物特征识别技术对于提高身份认证的安全性有 十分重要的作用。
[0036] 本申请通过心电传感器采集用户的原始心电信号，确定原始心电信号的特征向 量，通过特征向量与原始心电信号对应的已训练的大距离最近邻算法模型确定原始心电信 号对应的用户身份，由于特征向量包括原始心电信号的时域特征数据和频域特征数据，因 此通过ECG对用户进行身份认证，可以大大提高用户身份认证的准确度以及安全性。
[0037] 为对本申请进行进一步说明，提供下列实施例：
[0038] 图1A示出了根据本发明的一示例性实施例的通过心电特征进行身份识别的方法 的流程示意图，图1B示出了根据本发明的一示例性实施例的原始心电信号的示意图；本实 施例可以应用到可穿戴设备上，例如，智能手环等设备上，智能手环上可以设置有心电传感 器，如图1A所示，包括如下步骤：
[0039] 步骤101，通过心电传感器采集用户的原始心电信号。
[0040 ]步骤10 2，确定原始心电信号对应的特征向量，特征向量包括原始心电信号的时域 特征数据和原始心电信号的频域特征数据。
[0041]步骤103,通过特征向量与原始心电信号对应的已训练的大距离最近邻算法确定 原始心电信号对应的用户身份。
[0042]在步骤101中，如图1B所示，原始心电信号有较强的噪声，并且会随着时间的推移 而变化，但是同一个用户不同时刻采集的心电信号的QRS波群、P波、T波基本相同。
[0043]在步骤102中，在一实施例中，原始心电信号的频域特征数据可以包括原始心电信 号对应的小波变换系数、自相关和离散余弦变换系数、傅立叶变换系数、HHT(Hilbert-Hwang)变换系数等，本申请对具体的频域变换不做限制。
[0044]在步骤103中，在一实施例中，可以通过对已有用户的心电数据进行训练获得已训 练的大距离最近邻算法模型。在一实施例中，对大距离最近邻算法的训练可以线下完成，在 需要通过本申请实现身份认证时直接使用训练得到的模型参数即可。已训练的大距离最近 邻算法模型中所使用的矩阵模型可以通过机器学习的方法得到，机器学习的目标以通过