CN110008674A - 一种高泛化性的心电信号身份认证方法 - Google Patents
一种高泛化性的心电信号身份认证方法 Download PDFInfo
- Publication number
- CN110008674A CN110008674A CN201910226702.4A CN201910226702A CN110008674A CN 110008674 A CN110008674 A CN 110008674A CN 201910226702 A CN201910226702 A CN 201910226702A CN 110008674 A CN110008674 A CN 110008674A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- objective function
- user
- sample
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Veterinary Medicine (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种高泛化性的心电信号身份认证方法,涉及生物信号身份认证领域。解决现有方法泛化性较差,且对于新用户,需进行重新训练的问题。方法采用了并行多尺度一维残差网络架构,使用了三种尺寸不同的卷积核进行并行特征提取,能够对不同长度的心电信号分别提取特征,有效地保留了心电信号中包含的时序性,提高了整体身份识别的效果和准确性。采用了中心目标函数与边界目标函数对深度神经网络进行训练,保证了所提取特征的类间离散性和类内聚合性,从而使得同类特征聚集得更加紧密,异类特征分散得更加开阔,在匹配时能够提高匹配得准确性,同时使得训练得到得模型对训练数据的依赖程度降低,大大提高了模型的泛化性和鲁棒性。
Description
技术领域
本发明涉及模式识别、信号处理和身份认证领域,特别是涉及一种高泛化性的心电信号身份认证方法。
背景技术
随着信息技术的高速发展,信息化与数字化在给人类带来了巨大的便利的同时,也放大了个人或组织数据安全受到危险的可能性,许多身份认证方法正是因此应运而生。近年来,随着各项技术和采集设备的成熟,许多身份认证方法,开始从传统的指纹、人脸等生物识别,转向更加新兴、可靠、安全的生物信号特征识别。心电信号具有唯一性、活体性、独特性、隐私性,同时又兼具了一定的稳定性与可采集性,是一种良好的生物信号身份识别特征。
目前的基于心电信号的身份识别方法,通常需要对心电信号的多个特征点进行检索,并根据特征点的位置进行特征提取与组合。由于不少基准点的定位较为模糊,定位较为困难,并且不同设备采集的心电信号中通常基准点的位置会有较大的变化,因此这些方法往往具有较差的泛化性,在不同的数据集上表现差异较大,身份识别的准确性也会受到非常大的影响。此外,对于未注册的用户,这些方法通常需要对模型重新进行训练,无法满足身份认证的实时性要求。
综上可知,若要将基于心电信号的身份认证方法广泛应用到生活中,必须满足以下条件:(1)对不同设备采集的心电信号,需要有较高的泛化能力,保证识别准确度处在较为稳定的范围内;(2)对于新用户,身份认证模型无需进行重新训练。
因此,本发明提出了一种高泛化性的、基于并行多尺度一维残差网络的心电信号身份认证方法,并且可以投入日常生活的实际应用。
发明内容
本发明的目的在于克服现有技术的不足,提出一种可以适用于不同设备采集的心电信号,并且具有高精度与高泛化性的身份识别方法。
为了实现上述目的,本发明采用了以下技术方案:
一种高泛化性的心电信号身份认证方法包括以下步骤:
1)获取用户心电信号;
2)对用户心电信号进行预处理,提取固定长度心拍;
3)通过经由中心目标函数与边界目标函数训练的并行多尺度一维残差网络架构深度神经网络模型,从预处理后的固定长度心拍中提取心电信号特征向量;
4)将生成的用户心电信号特征向量与用户预先注册的心电信号特征模板进行匹配,根据二者的相似度确定匹配结果,完成认证。
优选的,所述步骤2)中的预处理步骤具体为:
1)对所述短时间心电信号进行重采样至500Hz,并对重采样后的信号进行滤波,去除噪声;
2)对预处理后的心电信号进行QRS检测,获取R波峰值点位置,取R波峰值点前99个采样点和R波峰值点后200个采样点,与R波峰值点一起组成固定长度为300个采样点的心拍。
优选的,所述步骤3)中的深度神经网络模型具体为:
1)所述的神经网络模型采用并行多尺度一维残差网络架构,其中每一个尺度中残差块采用的卷积核的尺寸分别为1×3,1×5和1×7;
2)所述的神经网络采用softmax目标函数,中心目标函数与边界目标函数的加权之和作为总的目标函数进行训练,目标函数形式如下:
其中,为总的目标函数,和分别表示softmax目标函数、中心目标函数和边界目标函数;m和n分别表示训练样本个数和训练样本类别数;xi和yi分别表示第i个训练样本与第i个训练样本对应的类别;f(xi)为第i个训练样本的心电信号特征向量;为所有类别为yi的样本的平均值;K为近邻搜索个数;和分别表示与样本xi类别相同的距离最远的第a个样本,和与样本xi类别不同的距离最近的第b个样本;α为距离常数;表示softmax全连接层的权值矩阵的第yi个列向量的转置,表示softmax全连接层的偏置向量的第yi个值,表示softmax全连接层的权值矩阵的第j个列向量的转置,bj表示softmax全连接层的偏置向量的第j个值;λC和λM分别表示中心目标函数和边界目标函数的权重;
3)所述的神经网络模型在训练时采用数据量大,覆盖面广,并且与测试数据集完全不同的数据集作为训练样本数据集。
优选的,所述步骤4)中的匹配过程具体为:
1)指定的用户在认证前,已经预先注册过一段短时间心电信号并进行相同的预处理,采用训练完的深度神经网络模型,从这段心电信号中提取出心电信号特征向量,将其作为指定用户的已注册特征模板向量;
2)计算获得的指定用户心电信号特征向量与已注册特征模板向量之间的欧式距离,将欧式距离作为二者的匹配相似度;
3)将匹配相似度与预算设定的阈值进行对比,若相似度大于设定的阈值,则认为二者互相匹配,通过认证;反之拒绝通过认证;
4)若从获取的用户一段短时间的心电信号中能够提取多个心电信号特征向量,则采用投票机制进行决定,若能够通过匹配的特征向量个数大于特征向量总数的50%,则认为通过认证;反之拒绝通过认证。
本发明的高泛化性的心电信号身份认证方法的优点是:
1.该方法对心电信号中的基准点依赖少,只需要检测R波峰值点的位置,无需确定其他较难检测的基准点的位置。
2.该方法采用了深度神经网络模型进行特征提取,与传统方法相比,深度神经网络能够提取更加高层次的抽象特征,从而有效地提高特征的准确性。
3.该方法采用了并行多尺度一维残差网络架构,使用了三种尺寸不同的卷积核进行并行特征提取,能够对不同长度的心电信号分别提取特征,有效地保留了心电信号中包含的时序性,从而使得所提取的特征中包含了更为完整的心电信号信息,提高了整体身份识别的效果和准确性。
4.该方法采用了中心目标函数与边界目标函数对深度神经网络进行训练,这两个目标函数保证了所提取特征的类间离散性和类内聚合性,从而使得同类特征聚集得更加紧密,异类特征分散得更加开阔,在匹配时能够提高匹配得准确性,同时使得训练得到得模型对训练数据的依赖程度降低,大大提高了模型的泛化性和鲁棒性。
5.该方法在进行模型训练时,选择了多种不同的大规模公开心电信号数据集作为训练样本,覆盖了多种采样频率,多种采集环境,多种健康状况下的心电信号,能够更好地发挥所述深度神经网络模型架构的性能,增大所述目标函数的训练效果,从而大大提高了该方法对不同设备采集的数据的泛化性和鲁棒性。
附图说明
图1是本发明提供的基于心电信号的身份认证流程图;
图2是本发明提供的深度神经网络模型的结构图;
具体实施方式
下面结合技术方案和附图对本发明进行进一步的说明。
如图1所示,本发明的一种高泛化性的心电信号身份认证方法包括以下步骤:
1)获取用户的设定时间心电信号;
2)对用户心电信号进行预处理,提取固定长度心拍;
3)通过经由中心目标函数与边界目标函数训练的并行多尺度一维残差网络架构深度神经网络模型,从预处理后的固定长度心拍中提取心电信号特征向量;
4)将生成的用户心电信号特征向量与用户预先注册的心电信号特征模板进行匹配,根据二者的相似度确定匹配结果,完成认证。
在本实施例中,所述的步骤2)中预处理步骤具体为:
1)对所述短时间心电信号进行重采样至500Hz,并对重采样后的信号进行滤波,去除噪声;
2)对预处理后的心电信号进行QRS检测,获取R波峰值点位置,取R波峰值点前99个采样点和R波峰值点后200个采样点,与R波峰值点一起组成固定长度为300个采样点的心拍。
在本实施例中,所述的步骤3)中深度神经网络模型结构如图2所示,具体内容如下:
1)所述的神经网络模型采用并行多尺度一维残差网络架构,其中每一个尺度中残差块采用的卷积核的尺寸分别为1×3,1×5和1×7;
2)所述的神经网络采用softmax目标函数,中心目标函数与边界目标函数的加权之和作为总的目标函数进行训练,目标函数形式如下:
其中,为总的目标函数,和分别表示softmax目标函数、中心目标函数和边界目标函数;m和n分别表示训练样本个数和训练样本类别数;xi和yi分别表示第i个训练样本与第i个训练样本对应的类别;f(xi)为第i个训练样本的心电信号特征向量;为所有类别为yi的样本的平均值;K为近邻搜索个数;和分别表示与样本xi类别相同的距离最远的第a个样本,和与样本xi类别不同的距离最近的第b个样本;α为距离常数;表示softmax全连接层的权值矩阵的第yi个列向量的转置,表示softmax全连接层的偏置向量的第yi个值,表示softmax全连接层的权值矩阵的第j个列向量的转置,bj表示softmax全连接层的偏置向量的第j个值;λC和λM分别表示中心目标函数和边界目标函数的权重;
3)所述的神经网络模型在训练时采用数据量大,覆盖面广,并且与测试数据集完全不同的数据集作为训练样本数据集。
在本发明的一个优选实例中,所述的步骤4)中的匹配过程具体包括:
1)指定的用户在认证前,已经预先注册过一段短时间心电信号并进行相同的预处理,采用训练完的深度神经网络模型,从这段心电信号中提取出心电信号特征向量,将其作为指定用户的已注册特征模板向量;
2)计算获得的指定用户心电信号特征向量与已注册特征模板向量之间的欧式距离,将欧式距离作为二者的匹配相似度;
3)将匹配相似度与预算设定的阈值进行对比,若相似度大于设定的阈值,则认为二者互相匹配,通过认证;反之拒绝通过认证;
4)若从获取的用户一段短时间的心电信号中能够提取多个心电信号特征向量,则采用投票机制进行决定,若能够通过匹配的特征向量个数大于特征向量总数的50%,则认为通过认证;反之则拒绝通过认证。
本发明首先采用1×3,1×5和1×7的卷积核来构建并行多尺度一维残差网络架构的深度神经网络模型,进而使用公开的心电信号数据集:ECG-ID,PTB和PhysioNet/Cinc数据集作为训练集。对训练集中的每条心电信号,本发明检测心电信号中的全部R波峰值点,并取每个R波峰值点之前的99个采样点和之后的200个采样点,提取一个长度300个采样点的心拍。将所有心电信号中提出的心拍作为神经网络的训练样本,采用softmax目标函数、中心目标函数和边界目标函数对所构建的深度神经网络模型进行训练,获得一个完整的可用模型。
在获得了已训练的深度神经网络模型后,本发明对与训练数据集的采样设备、采样环境均不同的MIT-BIHArrhythmia数据集上进行测试,首先对MIT-BIHArrhythmia数据集中的每一个用户进行注册,采用相同的预处理方法获得心拍,并通过已训练的深度神经网络模型获取相应的特征向量,将每一个用户50%的特征向量的平均值作为该用户的注册模板向量。最后将每个用户剩下50%的特征向量作为测试特征向量,计算每个测试特征向量与该用户注册模板向量之间的相似度并与阈值进行对比,采用投票机制对每个对比结果进行决策,确定二者是否互相匹配。本发明在所述MIT-BIHArrhythmia数据集中获得了95.99%的识别准确率,较论文[1]中的91.1%的识别准确率提高了4.89%,具有更加优越的泛化性和准确性。[1]Zhao Z,Zhang Y,Deng Y,et al.ECG authentication systemdesign incorporating a convolutional neural network and generalized S-Transformation[J].Computers in biology and medicine,2018,102:168-179。
Claims (4)
1.一种高泛化性的心电信号身份认证方法,其特征在于,所述方法包括以下几个步骤:
1)获取用户的心电信号;
2)对用户心电信号进行预处理,提取固定长度心拍;
3)通过经由中心目标函数与边界目标函数训练的并行多尺度一维残差网络架构深度神经网络模型,从预处理后的固定长度心拍中提取心电信号特征向量;
4)将生成的用户心电信号特征向量与用户预先注册的心电信号特征模板进行匹配,根据二者的相似度确定匹配结果,完成认证。
2.如权利要求1所述的高泛化性的心电信号身份认证方法,其特征在于,所述步骤2)中,对用户心电信号进行预处理步骤具体包括:
1)对所述短时间心电信号进行重采样至500Hz,并对重采样后的信号进行滤波,去除噪声;
2)对预处理后的心电信号进行QRS检测,获取R波峰值点位置,取R波峰值点前99个采样点和R波峰值点后200个采样点,与R波峰值点一起组成固定长度为300个采样点的心拍。
3.如权利要求1所述的高泛化性的心电信号身份认证方法,其特征在于,所述步骤3)中的深度神经网络模型具体包括:
1)所述的神经网络模型采用并行多尺度一维残差网络架构,其中每一个尺度中残差块采用的卷积核的尺寸分别为1×3,1×5和1×7;
2)所述的神经网络采用softmax目标函数,中心目标函数与边界目标函数的加权之和作为总的目标函数进行训练,目标函数形式如下:
其中,为总的目标函数,和分别表示softmax目标函数、中心目标函数和边界目标函数;m和n分别表示训练样本个数和训练样本类别数;xi和yi分别表示第i个训练样本与第i个训练样本对应的类别;f(xi)为第i个训练样本的心电信号特征向量;为所有类别为yi的样本的平均值;K为近邻搜索个数;和分别表示与样本xi类别相同的距离最远的第a个样本,和与样本xi类别不同的距离最近的第b个样本;α为距离常数;表示softmax全连接层的权值矩阵的第yi个列向量的转置,表示softmax全连接层的偏置向量的第yi个值,表示softmax全连接层的权值矩阵的第j个列向量的转置,bj表示softmax全连接层的偏置向量的第j个值;λc和λM分别表示中心目标函数和边界目标函数的权重。
4.如权利要求1所述的高泛化性的心电信号身份认证方法,其特征在于,所述步骤4)中的匹配过程具体包括:
1)指定的用户在认证前,已经预先注册过一段短时间心电信号并进行相同的预处理,采用训练完的深度神经网络模型,从这段心电信号中提取出心电信号特征向量,将其作为指定用户的已注册特征模板向量;
2)计算获得的指定用户心电信号特征向量与已注册特征模板向量之间的欧式距离,将欧式距离作为二者的匹配相似度;
3)将匹配相似度与预算设定的阈值进行对比,若相似度大于设定的阈值,则认为二者互相匹配,通过认证;反之拒绝通过认证;
4)若从获取的用户一段短时间的心电信号中能够提取多个心电信号特征向量,则采用投票机制进行决定,若能够通过匹配的特征向量个数大于特征向量总数的50%,则认为通过认证;反之拒绝通过认证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910226702.4A CN110008674B (zh) | 2019-03-25 | 2019-03-25 | 一种高泛化性的心电信号身份认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910226702.4A CN110008674B (zh) | 2019-03-25 | 2019-03-25 | 一种高泛化性的心电信号身份认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008674A true CN110008674A (zh) | 2019-07-12 |
CN110008674B CN110008674B (zh) | 2020-10-16 |
Family
ID=67167939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910226702.4A Expired - Fee Related CN110008674B (zh) | 2019-03-25 | 2019-03-25 | 一种高泛化性的心电信号身份认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008674B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110507318A (zh) * | 2019-08-16 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法及装置 |
CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
CN111460953A (zh) * | 2020-03-26 | 2020-07-28 | 山东省人工智能研究院 | 一种基于对抗域自适应学习的心电信号分类方法 |
CN111588349A (zh) * | 2020-05-28 | 2020-08-28 | 京东方科技集团股份有限公司 | 一种健康分析装置及电子设备 |
CN113197582A (zh) * | 2021-04-27 | 2021-08-03 | 浙江大学 | 一种高通用性的心电数据压缩感知***、终端和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4311489A1 (en) * | 2022-07-30 | 2024-01-31 | Cardioid a.s. | Method and device for using ecg signals for personal authentication |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007130997A3 (en) * | 2006-05-03 | 2008-06-19 | Physiostream Inc | Method and device for filtering, segmenting, compressing and classifying oscillatory signals |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
CN108306736A (zh) * | 2017-01-11 | 2018-07-20 | 北京三星通信技术研究有限公司 | 使用心电信号进行身份认证的方法及设备 |
CN108596073A (zh) * | 2018-04-19 | 2018-09-28 | 郑州大学 | 一种基于深度学习识别心电数据的轻量级算法 |
CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和*** |
-
2019
- 2019-03-25 CN CN201910226702.4A patent/CN110008674B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007130997A3 (en) * | 2006-05-03 | 2008-06-19 | Physiostream Inc | Method and device for filtering, segmenting, compressing and classifying oscillatory signals |
CN108306736A (zh) * | 2017-01-11 | 2018-07-20 | 北京三星通信技术研究有限公司 | 使用心电信号进行身份认证的方法及设备 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
CN108596073A (zh) * | 2018-04-19 | 2018-09-28 | 郑州大学 | 一种基于深度学习识别心电数据的轻量级算法 |
CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110507318A (zh) * | 2019-08-16 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法及装置 |
CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
CN111317468B (zh) * | 2020-02-27 | 2024-04-19 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
CN111460953A (zh) * | 2020-03-26 | 2020-07-28 | 山东省人工智能研究院 | 一种基于对抗域自适应学习的心电信号分类方法 |
CN111460953B (zh) * | 2020-03-26 | 2021-05-18 | 山东省人工智能研究院 | 一种基于对抗域自适应学习的心电信号分类方法 |
CN111588349A (zh) * | 2020-05-28 | 2020-08-28 | 京东方科技集团股份有限公司 | 一种健康分析装置及电子设备 |
CN111588349B (zh) * | 2020-05-28 | 2023-12-01 | 京东方科技集团股份有限公司 | 一种健康分析装置及电子设备 |
CN113197582A (zh) * | 2021-04-27 | 2021-08-03 | 浙江大学 | 一种高通用性的心电数据压缩感知***、终端和存储介质 |
CN113197582B (zh) * | 2021-04-27 | 2022-03-25 | 浙江大学 | 一种高通用性的心电数据压缩感知***、终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110008674B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008674A (zh) | 一种高泛化性的心电信号身份认证方法 | |
Zhang et al. | Multi-phase offline signature verification system using deep convolutional generative adversarial networks | |
Huang et al. | DeepVein: Novel finger vein verification methods based on deep convolutional neural networks | |
Gu et al. | Fingerprint recognition by combining global structure and local cues | |
CN107392082B (zh) | 一种基于深度学习的小面积指纹比对方法 | |
CN102073843B (zh) | 非接触式快速人手多模态信息融合识别方法 | |
Hu et al. | FV-Net: learning a finger-vein feature representation based on a CNN | |
WO2022088626A1 (zh) | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 | |
CN105117708A (zh) | 人脸表情识别的方法和装置 | |
CN104504361B (zh) | 基于方向特征的手掌静脉主方向特征提取方法 | |
Chen et al. | Query2set: Single-to-multiple partial fingerprint recognition based on attention mechanism | |
CN114384999A (zh) | 基于自适应学习的用户无关肌电手势识别*** | |
Yuan et al. | A real time fingerprint recognition system based on novel fingerprint matching strategy | |
CN110502883A (zh) | 一种基于pca的击键行为异常检测方法 | |
Radhika et al. | Pattern recognition techniques in on-line hand written signature verification-A survey | |
Liu et al. | A novel high-resolution fingerprint representation method | |
CN102368291A (zh) | 基于指纹图像隐形意识的个人身份验证*** | |
CN113673343B (zh) | 一种基于加权元度量学习的开放集掌纹识别***及方法 | |
CN113705443A (zh) | 综合利用知识图谱和深度残差网络的掌纹图像识别方法 | |
Zhang et al. | An efficient joint bayesian model with soft biometric traits for finger vein recognition | |
CN110457975B (zh) | 一种基于宏信息知识迁移的微表情识别方法 | |
Sheena et al. | Fingerprint Classification with reduced penetration rate: Using Convolutional Neural Network and DeepLearning | |
Maltoni et al. | Latent fingerprint recognition | |
Zhu et al. | Identification Method of Inner Knuckle Print Based on Geometric Features | |
Song et al. | Learning discriminative and invariant representation for fingerprint retrieval |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201016 |