基于生物电信号融合的身份识别方法

1.本发明属于机器学习，身份识别技术领域，尤其涉及一种基于生物电信号融合的身份识别方法。


背景技术：

2.随着信息时代的发展，账号的信息安全受到全社会的关注，很多领域都需要严格的身份识别系统，如安全支付、查阅资料的权限，甚至是动用军事武器的许可。
3.生物特征识别是基于个人的生理特征或行为特征作为判断依据的身份识别技术，但目前的生物特征识别模板仍存在不足之处，如指纹、人脸、dna等生理特征容易被复制并仿造，声音、步态等行为特征也会被模仿且存在着不稳定性。表面肌电信号和心电信号等生物电信号，是与每个人的生理条件直接相关且不容易暴露的，将其作为生物识别模板具有唯一性、隐私性、活体性及普遍性等优势。


技术实现要素：

4.本发明方案中，将生物电信号与手势密码结合，使得生物特征识别技术具备了可更改性。用户在创建账户时在系统的手势池中挑选手势并排序，设定属于本账户的手势密码，一旦账户的识别模板暴露，可以重新设定一套手势密码，使得生物特征方便更改的同时提高系统的安全性。
5.此外，考虑生物电信号存在的日间差异性，会大大降低身份识别的准确度。为了改善这个问题，本发明在模型训练的过程中加入在线学习模块，以及时更新用户数据，迭代网络模型。通过对生物电信号异常变化的检测也可以对用户是否存在于危险状态进行判断。
6.为解决现有技术存在的缺陷和不足的问题，本发明提出一种基于生物电信号融合的身份识别方法，通过分析高密度表面肌电信号的能量，根据设定的能量阈值对手势信号段进行分割，通过卷积-长短期记忆(cnn-lstm)神经网络中的卷积(cnn)模块识别手势动作是否正确。当判别为设定的正确手势密码时，将输入的肌电信号与心电信号等特征融合，将本次输入的生物融合特征与通过长短期记忆(lstm)模块预测的特征进行比对，确认用户身份。当身份确认后，通过在线学习模块，对数据更新迭代，再次训练网络以减小日间差异导致的误判率；若为其他用户的恶意攻击，则采取警告或报警处理。
7.本发明解决其技术问题采用的技术方案是：
8.一种基于生物电信号融合的身份识别方法，其特征在于：通过对用户高密度表面肌电信号与心电信号进行预处理，提取特征后融合构成生物融合特征向量；将生物融合特征输入卷积-长短期记忆神经网络中，通过卷积模块识别手势密码是否正确：再通过长短期记忆模块确认用户身份是否正确。
9.进一步地，当身份确认后，启用在线学习模块，对该账户数据更新迭代，再次训练网络以减小日间差异导致的误判率；若为其他用户的恶意攻击，则采取警告或报警处理。
10.进一步地，所述对用户高密度表面肌电信号与心电信号进行预处理，特征融合构
成生物融合特征向量；具体为：对高密度表面肌电信号及心电信号等进行滤波、去噪的预处理，分析肌电信号能量并根据能量阈值截取肌电信号手势段，提取肌电信号特征，同时对心电信号进行截取并提取特征；当神经网络通过输入的肌电特征判定为正确手势密码后，将肌电信号与心电信号进行特征融合构成生物融合特征向量；
11.在识别前，需要在手势池中选择出多个手势并排序，将其设置为本账户的手势密码。
12.进一步地，所述将特征输入卷积-长短期记忆神经网络中，通过卷积模块识别手势密码是否正确；再通过长短期记忆模块确认用户身份；具体为：首先将肌电特征构造成肌电特征图像输入卷积模块识别是否为正确的手势密码；若手势密码正确，通过长短期记忆模块对该账户已有生物融合特征进行预测，对比预测特征与本次融合特征的契合度以验证该用户身份。
13.进一步地，对m
×
n个通道的高密度表面肌电信号进行滤波、去噪等预处理，计算肌电信号的能量值，根据设定的能量阈值截取k个手势的肌电信号段，选取特征，构造大小为m
×
n的肌电特征图像；将k个手势的肌电特征图像按顺序输入卷积-长短期记忆神经网络，通过卷积模块识别手势并判断手势顺序，确认是否为正确的手势密码：若判别为错误手势密码，则中断系统拒绝访问申请；若为正确手势，则进行下一步判别；
14.当手势密码输入正确后，将心电信号进行滤波、去噪、基准点分割的预处理，将对处理后的数据提取特征得到并与通过卷积模块提取的高密度表面肌电信号特征i＝1,...,k进行融合构成生物特征向量xs；将已有的h个生物融合特征j＝1,...,h输入长短期记忆模块，预测本次的生物特征xs'，将实际特征xs与预测特征xs'进行对比，判断是否为正确身份；
15.计算绝对百分比误差r(％)对输入特征进行：
[0016][0017]
设定阈值a，当r(％)≤a，为正确身份，将本次数据保存至在线学习模块；当r(％)》a，为错误身份，则拒绝访问申请进行警告或报警处理。
[0018]
进一步地，所述在线学习模块的具体工作方式为：当卷积-长短期记忆神经网络确认为正确身份后，启动在线学习模块，进行网络模型的实时训练；保存本次的生物融合特征，删除掉时间线较久远的特征，采用更新好的数据集重新训练卷积-长短期记忆神经网络，准备进行下一次的身份识别。
[0019]
与现有技术相比，本发明及其优选方案能够在用户做出本人设定的手势密码时，将其前臂的高密度表面肌电信号与用户的心电信号进行融合，构成生物融合特征，输入到cnn-lstm神经网络，进行用户身份识别。该网络结合了生物电信号时间与空间上的特点，能有效地解决了身份识别所存在的相似问题和日间差异问题。在判别输入信号非该用户的生物特征时，进行警告或报警处理。同时增加在线学习模块，更新用户本人的数据并实时训练网络模型，使得生物电信号日间差异大的问题可以得到很好的解决。
[0020]
其将高密度表面肌电信号与心电信号融合构成生物特征向量，提出了cnn-lstm神
经网络进行用户的手势及身份识别，增加在线学习模块，在识别为非该用户信号时，进行警告或报警处理。保证了用户账号的安全及隐私，同时提高了该神经网络的准确性。
附图说明
[0021]
下面结合附图和具体实施方式对本发明进一步详细的说明：
[0022]
图1是本发明实施例基于生物电信号融合的身份识别流程图。
[0023]
图2是本发明实施例基于cnn-lstm神经网络的身份识别流程图。
[0024]
图3是本发明实施例cnn-lstm神经网络结构图。
[0025]
图4是本发明实施例在线学习模块流程图。
具体实施方式
[0026]
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
[0027]
应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本说明书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。
[0028]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0029]
本发明公开一种基于生物电信号融合的身份识别方法。通过对高密度表面肌电信号于心电信号进行预处理，提取特征后融合构成生物融合特征向量；将生物融合特征输入卷积-长短期记忆(cnn-lstm)神经网络中，通过卷积(cnn)模块识别手势密码是否正确。再通过长短期记忆(lstm)模块确认用户身份是否正确。当身份确认后，启用在线学习模块，对该账户数据更新迭代，再次训练网络以减小日间差异导致的误判率；若为其他用户的恶意攻击，则采取警告或报警处理。
[0030]
本发明对高密度表面肌电信号及心电信号等进行滤波、去噪等预处理，计算高密度表面肌电信号能量，并根据能量阈值对肌电信号进行分割，截取肌电信号和心电信号有效信号段，提取特征并融合构成生物特征向量，输入cnn-lstm神经网络。首先将肌电特征构造为肌电特征图像输入cnn模块识别是否为正确的手势密码。若手势密码正确，通过lstm模块对该账户已有生物融合特征进行预测，对比预测特征与本次融合特征的契合度以验证该用户身份。
[0031]
本发明通过在模型训练过程中加入在线学习模块，消除生物电信号的日间差异。当身份确认无误后，将本次的输入数据保存至该账户，删除本账户时间线最远的数据，更新数据后重新训练网络模型。
[0032]
以下结合附图作进一步的详细阐述：
[0033]
(1)基于生物电信号融合的身份识别
[0034]
本发明的生物电信号识别方法主要包括五个部分：数据处理、特征提取融合、手势密码识别、身份判别以及在线学习模块。
[0035]
此前需要在系统的手势池中选择出几个手势并排序，将其设置为本账户的手势密
码。将高密度表面肌电信号和心电信号等进行滤波、去噪等预处理，分析肌电信号能量并根据能量阈值截取肌电信号手势段，选取合适的特征并构成肌电特征图像；再对心电信号进行质量评估并分割基准点，将肌电、心电信号进行特征融合，送入cnn-lstm神经网络模型进行训练；首先根据肌电特征图像对手势密码识别，当手势密码正确后，再通过生物融合特征判别身份。确认为正确身份后，启动在线学习模块，进行数据的更新迭代并重新训练网络；若为错误身份，则进行警告或报警处理。
[0036]
基于生物电信号融合的身份识别方法流程图如图1所示。
[0037]
(2)基于cnn-lstm神经网络的身份识别
[0038]
基于cnn-lstm神经网络的身份识别流程图如图2所示。
[0039]
在本实施中，高密度表面肌电信号的阵列式电极提供了高分辨率的感知点，捕获了目标肌肉相对应的激活区域的图像。而cnn神经网络对于图像的处理有着很大的优势，结合高密度表面肌电信号提供的肌肉激活图像，可以达到更好的手势分类效果；lstm网络的记忆单元可以很好地对过去信息进行筛选并与当前时刻信息进行结合，对时域信息建模，提升了模型对时域信息的表达能力。两者结合后能够有效地收集空间与时间特征，提高身份识别的准确率。
[0040]
对m
×
n个通道的高密度表面肌电信号进行滤波、去噪等预处理，计算肌电信号的能量值，根据设定的能量阈值截取k个手势的肌电信号段，选取合适的特征，构造大小为m
×
n的肌电特征图像；将k个手势的肌电特征图像按顺序输入cnn-lstm神经网络，通过cnn模块识别手势及手势顺序判断是否为正确的手势密码。若判断为错误手势密码，则中断系统拒绝访问申请；若为正确手势，则进行下一步判别。
[0041]
当手势密码输入正确后，将心电信号进行滤波、去噪、基准点分割等预处理，将对处理后的数据提取特征得到并与通过cnn模块提取的高密度表面肌电信号特征(i＝1,...,k)进行融合构成生物特征向量xs。将已有的h个生物融合特征(j＝1,...,h)送入lstm模块，预测本次的生物特征xs'，将实际特征xs与预测特征xs'进行对比，判断是否为正确身份。
[0042]
计算绝对百分比误差r(％)对输入特征进行：
[0043][0044]
设定阈值a，当r(％)≥a，为正确身份，将本次数据保存至在线学习模块；当r(％)＜a，为错误身份，则拒绝访问申请进行警告或报警处理。
[0045]
本发明的cnn-lstm神经网络结构如图3所示。
[0046]
(3)在线学习模块
[0047]
本发明采用生物电信号融合技术，并增加了网络在线学习模块，通过数据迭代、网络更新来减小生物电信号的日间差异性，提高了该方法在身份识别方面的准确性。
[0048]
本实施例在线学习模块流程图如图4所示。
[0049]
当cnn-lstm神经网络确认为正确身份后，启动在线学习模块，进行网络模型的实时训练。保存本次的生物融合特征，删除掉时间线较久远的特征，采用更新好的数据集重新
训练cnn-lstm神经网络，准备进行下一次的身份识别。
[0050]
本发明采用在线学习模块，配合cnn-lstm中的lstm模块，通过对过去时刻信息进行筛选后，结合当前时刻的信息，可以有效地减小生物电信号的日间差异性，提高生物电信号融合的身份识别方法的准确性。
[0051]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0052]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0053]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0054]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0055]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
[0056]
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于生物电信号融合的身份识别方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。