CN111062021B - 一种基于可穿戴设备进行身份认证的方法及装置 - Google Patents
一种基于可穿戴设备进行身份认证的方法及装置 Download PDFInfo
- Publication number
- CN111062021B CN111062021B CN201911319567.4A CN201911319567A CN111062021B CN 111062021 B CN111062021 B CN 111062021B CN 201911319567 A CN201911319567 A CN 201911319567A CN 111062021 B CN111062021 B CN 111062021B
- Authority
- CN
- China
- Prior art keywords
- ppg
- identity authentication
- user
- data
- snn
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开一种基于可穿戴设备进行身份认证的方法及装置。所述方法包括通过用户佩戴的可穿戴设备中的信号采集装置采集PPG信号;对采集到的PPG信号进行预处理,得到待认证PPG波形数据;将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,根据SNN身份认证模型输出的相似度判定待认证PPG波形数据是否与预存目标用户模板匹配。通过可穿戴设备采集用户PPG信号以实现身份认证,能够减少用户操作,有效地应用在更广泛的生活场景中,而且使用SNN身份识别模型能够显著提高识别的准确率和精确度,同时显著降低识别误识率和误拒率。
Description
技术领域
本申请涉及计算机信息技术领域,尤其涉及一种基于可穿戴设备进行身份认证的方法及装置。
背景技术
信息的安全性往往是个人或者公司所重点考虑的因素。如何安全的获取正确的信息也是当今社会主要问题之一。身份识别有着对用户的正确识别以达到保护信息的功能,它在近些年来逐渐进入人们的视野。进行身份识别认证一般需要使用具有较强特异性的信号,如指纹、面部、虹膜等生理特征,所有的这些生理特征都需要用户特意将手指放在特定的位置,或将摄像头对准面部。
目前常用的身份识别认证,如指纹、面部等特征,都需要用户特意进行操作,如将手指放在指纹识别区域,才能够获取识别所需要的信号。例如通过指夹进行采集,指夹一侧LED光源发出光,透过手指后由另一侧的接收端进行接收,由于人体血管的容积随心脏搏动会产生周期性变化,因此透过手指的光强也会随着心脏的搏动而出现周期性变化,通过接收到的光强的变化实现对血管容积的测量。这种方式尽管可以采集到准确可靠的PPG信号,但是指夹无法日常佩戴,且指夹需要配合电脑进行使用,因此通过指夹采集PPG信号的方式不适用于生活场景。
发明内容
本申请提供了一种基于可穿戴设备进行身份认证的方法,包括:
通过用户佩戴的可穿戴设备中的信号采集装置采集PPG信号;
对采集到的PPG信号进行预处理,得到待认证PPG波形数据;
将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,根据SNN身份认证模型输出的相似度判定待认证PPG波形数据是否与预存目标用户模板匹配。
如上所述的基于可穿戴设备进行身份认证的方法,其中预先训练SNN身份认证模型,具体包括如下子步骤:
通过用户佩戴的可穿戴设备中的信号采集装置采集用户各个阶段大量的PPG信号,然后对PPG信号进行预处理,得到大量PPG有效数据;
按照PPG信号周期将采集到的PPG有效数据切割为单次心跳下的波形;
对每名用户每个采样时间的所有波形求箱型图,计算单个波形的离群点个数,删除离群点不满足要求的波形;
将每名用户的波形信号分组,分为训练集和测试集;
将训练集数据两两配对后输入SNN进行训练,然后使用测试集和训练出的SNN身份认证模型进行测试,得到最终训练好的SNN身份认证模型。
如上所述的基于可穿戴设备进行身份认证的方法,其中将每名用户的波形信号进行分组还包括验证集,使用验证集对训练的SNN身份认证模型进行调整。
如上所述的基于可穿戴设备进行身份认证的方法,其中将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,输出待识别PPG数据与目标用户模板的相似度,如果输出的相似度为1,则说明待识别PPG数据与目标用户模板是来自相同类的数据,即采集到PPG信号对应的用户为合法用户;如果输出的相似度为0,则说明待识别PPG数据与目标用户模板是来自不同类的数据,即采集到PPG信号对应的用户为不合法用户。
如上所述的基于可穿戴设备进行身份认证的方法,其中对采集到的PPG信号进行预处理,具体包括对采集到的PPG信号进行平滑处理后,再使用滤波器进行滤波处理,得到PPG有效数据。
本申请还提供一种基于可穿戴设备进行身份认证的装置,包括:
PPG信号采集模块,用于通过用户佩戴的可穿戴设备中的信号采集装置采集PPG信号;
PPG信号预处理模块,用于对采集到的PPG信号进行预处理,得到待认证PPG波形数据;
身份认证识别模块,用于将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,根据SNN身份认证模型输出的相似度判定待认证PPG波形数据是否与预存目标用户模板匹配。
如上所述的基于可穿戴设备进行身份认证的装置,其中所述装置还包括SNN身份认证模型训练模块;
所述PPG信号采集模块,具体用于通过用户佩戴的可穿戴设备中的信号采集装置采集用户各个阶段大量的PPG信号;
所述PPG信号预处理模块,具体用于对PPG信号进行预处理,得到大量PPG有效数据;
所述SNN身份认证模型训练模块,具体用于按照PPG信号周期将采集到的PPG有效数据切割为单次心跳下的波形;对每名用户每个采样时间的所有波形求箱型图,计算单个波形的离群点个数,删除离群点不满足要求的波形;将每名用户的波形信号分组,分为训练集和测试集;将训练集数据两两配对后输入SNN进行训练,然后使用测试集和训练出的SNN身份认证模型进行测试,得到最终训练好的SNN身份认证模型。
如上所述的基于可穿戴设备进行身份认证的装置,其中所述SNN身份认证模型训练模块还用于将每名用户的波形信号进行分组还包括验证集,使用验证集对训练的SNN身份认证模型进行调整。
如上所述的基于可穿戴设备进行身份认证的装置,其中所述身份认证识别模块,具体用于将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,输出待识别PPG数据与目标用户模板的相似度,如果输出的相似度为1,则说明待识别PPG数据与目标用户模板是来自相同类的数据,即采集到PPG信号对应的用户为合法用户;如果输出的相似度为0,则说明待识别PPG数据与目标用户模板是来自不同类的数据,即采集到PPG信号对应的用户为不合法用户。
如上所述的基于可穿戴设备进行身份认证的装置,其中所述装置为可穿戴设备或与可穿戴设备匹配的移动终端。
本申请实现的有益效果如下:
(1)通过可穿戴设备采集用户PPG信号已实现身份认证,能够减少用户操作,有效地应用在更广泛的生活场景中;
(2)使用深度学习神经网络进行分类,输入待识别数据和模板数据,输出是两者的相似度,能够显著提高识别的准确率和精确度,同时显著降低识别误识率和误拒率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于可穿戴设备进行身份认证的方法流程图;
图2是本申请实施例一提供的训练SNN身份认证模型的具体方法流程图;
图3是基于实施例一的身份认证方法所达到的识别准确率示意图;
图4是基于实施例一的身份认证方法所达到的识别精确率示意图;
图5是基于实施例一的身份认证方法所达到的识别召回率示意图;
图6是基于实施例一的身份认证方法所达到的识别误识率示意图;
图7是基于实施例一的身份认证方法所达到的识别误拒率示意图;
图8是本申请实施例二提供的一种基于可穿戴设备进行身份认证的装置示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本申请实施例一提供一种基于可穿戴设备进行身份认证的方法,如图1所示,包括如下步骤:
步骤110、通过用户佩戴的可穿戴设备中的信号采集装置采集PPG信号;
本申请实施例中,采用可穿戴设备作为PPG波形信息的采集装置,方便将信号采集应用在生活环境中,通过也可以在不干扰用户的情况下不需要用户的操作即可实现身份认证。
步骤120、对采集到的PPG信号进行预处理,得到待认证PPG波形数据;
其中,对PPG信号进行预处理具体包括对采集到的PPG信号进行平滑处理后,再使用滤波器进行滤波处理,得到PPG有效数据;可选地,使用FIR带通滤波器进行滤波处理,保留0.5~5HZ的有效数据。
步骤130、将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,根据SNN身份认证模型输出的相似度判定待认证PPG波形数据是否与预存目标用户模板匹配。
如图2所示,预先训练SNN身份认证模型,具体包括如下子步骤:
步骤210、通过用户佩戴的可穿戴设备采集用户各个阶段大量的PPG信号,然后对PPG信号进行平滑、滤波等预处理,得到大量PPG有效数据;
步骤220、按照PPG信号周期将采集到的PPG有效数据切割为单次心跳下的波形;
步骤230、对每名用户每个采样时间的所有波形求箱型图,计算单个波形的离群点个数,删除离群点不满足要求的波形;
箱形图是一种用作显示一组数据分散情况资料的统计图,主要用于反映原始数据分布的特征,根据箱形图能够确定每个波形的离群点个数,删除离群点不满足要求的波形;例如,将离群点较大的波形认为是受外界影响较大的波形,为减少识别的偏差,将离群点大于5的波形作为不满足要求的波形。
步骤240、将每名用户的波形信号分组,分为训练集、验证集和测试集;
由于将全部样本数据用作训练模型会出现过度拟合而导致模型评估结果不合适的问题,为了防止过度拟合,将每名用户的波形信号分组训练,例如,按照6:2:2的比例将每名用户的波形信号分为训练集、验证集和测试集;
其中,训练集为学习样本数据集,用于训练SNN(Siamese Neural Network,孪生神经网络)身份认证模型;验证集为确定网络结构或者控制模型复杂度的参数,用于调整学习出的SNN身份认证模型的分类器参数;测试集用于校验最终选择最优的模型的性能,测量训练好的SNN身份认证模型的识别率;
可选地,在实际应用中,可以只将波形信号分为训练集和测试集。
步骤250、将训练集数据两两配对后输入SNN进行训练,并使用验证集对训练的SNN身份认证模型进行调整,然后使用测试集和训练出的SNN身份认证模型进行测试,得到最终训练好的SNN身份认证模型;
可选地,本申请采用孪生神经网络架构训练模型(SNN模型)训练身份认证模型,SNN模型不同于传统的深度学习模型,由于传统的深度学习模型每一类都需要收集大量的数据,在训练时通过一个神经网络最后输出一个softmax层进而得到每一类的概率分布,但是如果类数增加或删除时,均需要重新采集数据重新训练模型,以此本申请采用SNN模型架构训练,将数据集进行配对后输入神经网络,不需要再最后输出每一类的概率分布,而是通过比较输入的数据对中的数据的相似度进行分类判别,输入相同类的数据标签为1,不同类的数据标签为0;
SNN模型架构训练包括两个输入(训练集两两分组,其中一个输入数据作为待训练数据,另一个输入数据作为PPG模板数据),来自相同类的数据标签为1,来自不同类的数据标签为0,该SNN模型向缩小神经网络学习到的向量之间的距离的方向优化;SNN模型包括一个输出(即两个数据的相似度),该输出为当前输入数据的相似度。
本申请采用的SNN模型训练适用于输入的两种数据比较类似且每个类别的数据量较少的情况,数据配对后输入神经网络,计算两输入的相似度,从而实现分类。模型向缩小神经网络学习到的向量之间的距离的方向优化,其输出为输入的数据对的相似度。利用神经网络进行分类,能使分类的准确性和精确度更高,而且误拒率和误识率更低,达到更好的识别效果。
在实际应用中,当通过用户佩戴的可穿戴设备采集到用户的PPG信号,并对PPG信号进行预处理之后,将预处理后的待识别PPG数据以及目标用户模板输入预先训练好的SNN身份认证模型中,输出待识别PPG数据与目标用户模板的相似度,如果输出的相似度为1,则说明待识别PPG数据与目标用户模板是来自相同类的数据,即采集到PPG信号对应的用户为合法用户;如果输出的相似度为0,则说明待识别PPG数据与目标用户模板是来自不同类的数据,即采集到PPG信号对应的用户为不合法用户。
通过以下试验结果来判定本申请方案的识别率。例如,本申请使用可穿戴设备采集十个实验者的PPG信号,每个实验者采集40分钟,取采集到的数据的60%的数据用作训练集,20%数据作为验证集,20%数据作为测试集,使用SNN进行训练模型后验证。其中,平均识别准确率为92.21%(如图3所示),平均精确度为92.14%(如图4所示),平均识别召回率为90.90%(如图5所示),平均识别误识率为6.96%(如图6所示),平均识别误拒率为8.07%(如图7所示)。
需要说明的是,本申请实施例一的基于可穿戴设备进行身份认证的方法既可以作为一种身份认证方法应用在可穿戴设备上也可以应用在与可穿戴设备匹配的移动终端上;
作为一个可选实施例,当移动终端需要进行解锁、支付、鉴权等安全认证时,与移动终端匹配的可穿戴设备执行PPG信号采集、信号预处理、识别的操作,然后将识别结果通过近场通信模块发送至移动终端上,实现用户的身份认证;
作为另一可选实施例,当移动终端需要进行解锁、支付、鉴权等安全认证时,与移动终端匹配的可穿戴设备先通过信号采集装置采集PPG信号,然后将PPG信号发送至移动终端,由移动终端执行信号预处理和识别的操作,实现用户的身份认证;
另外除PPG信号采集是在可穿戴设备上执行之外,信号预处理和识别的操作均可以在可穿戴设备上执行也可以在移动终端中执行,可以根据可穿戴设备和移动终端的执行水平或应用需要等条件进行设定,在此不作限定。
实施例二
本申请实施例二提供一种基于可穿戴设备进行身份认证的装置,如图8所示,包括:
PPG信号采集模块810,用于通过用户佩戴的可穿戴设备中的信号采集装置采集PPG信号;
PPG信号预处理模块820,用于对采集到的PPG信号进行预处理,得到待认证PPG波形数据;
身份认证识别模块830,用于将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,根据SNN身份认证模型输出的相似度判定待认证PPG波形数据是否与预存目标用户模板匹配。
进一步地,所述装置还包括SNN身份认证模型训练模块840;
对应地,所述PPG信号采集模块810,具体用于通过用户佩戴的可穿戴设备中的信号采集装置采集用户各个阶段大量的PPG信号;所述PPG信号预处理模块820,具体用于对PPG信号进行预处理,得到大量PPG有效数据;
所述SNN身份认证模型训练模块840,具体用于按照PPG信号周期将采集到的PPG有效数据切割为单次心跳下的波形;对每名用户每个采样时间的所有波形求箱型图,计算单个波形的离群点个数,删除离群点不满足要求的波形;将每名用户的波形信号分组,分为训练集和测试集;将训练集数据两两配对后输入SNN进行训练,然后使用测试集和训练出的SNN身份认证模型进行测试,得到最终训练好的SNN身份认证模型。
更进一步地,所述SNN身份认证模型训练模块840还用于将每名用户的波形信号进行分组还包括验证集,使用验证集对训练的SNN身份认证模型进行调整。
本申请实施例中,所述SNN身份认证识别模块830,具体用于将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,输出待识别PPG数据与目标用户模板的相似度,如果输出的相似度为1,则说明待识别PPG数据与目标用户模板是来自相同类的数据,即采集到PPG信号对应的用户为合法用户;如果输出的相似度为0,则说明待识别PPG数据与目标用户模板是来自不同类的数据,即采集到PPG信号对应的用户为不合法用户。
需要说明的是,本申请实施例二提供的基于可穿戴设备进行身份认证的装置可以为可穿戴设备或与可穿戴设备匹配的移动终端。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (5)
1.一种基于可穿戴设备进行身份认证的方法,其特征在于,所述方法既可以作为一种身份认证方法应用在可穿戴设备上也可以应用在与可穿戴设备匹配的移动终端上;当移动终端需要进行解锁、支付、鉴权的安全认证时,与移动终端匹配的可穿戴设备执行PPG信号采集、信号预处理、识别的操作,然后将识别结果通过近场通信模块发送至移动终端上,实现用户的身份认证;或者当移动终端需要进行解锁、支付、鉴权的安全认证时,与移动终端匹配的可穿戴设备先通过信号采集装置采集PPG信号,然后将PPG信号发送至移动终端,由移动终端执行信号预处理和识别的操作,实现用户的身份认证;
所述方法具体包括:
通过用户佩戴的可穿戴设备中的信号采集装置采集PPG信号;
对采集到的PPG信号进行预处理,得到待认证PPG波形数据;
将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,根据SNN身份认证模型输出的相似度判定待认证PPG波形数据是否与预存目标用户模板匹配;
预先训练SNN身份认证模型,具体包括如下子步骤:
通过用户佩戴的可穿戴设备中的信号采集装置采集用户各个阶段大量的PPG信号,然后对PPG信号进行预处理,得到大量PPG有效数据;
按照PPG信号周期将采集到的PPG有效数据切割为单次心跳下的波形;
对每名用户每个采样时间的所有波形求箱型图,计算单个波形的离群点个数,删除离群点不满足要求的波形;
将每名用户的波形信号分组,分为训练集和测试集;
将训练集数据两两配对后输入SNN进行训练,然后使用测试集和训练出的SNN身份认证模型进行测试,得到最终训练好的SNN身份认证模型;
将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,输出待识别PPG数据与目标用户模板的相似度,如果输出的相似度为1,则说明待识别PPG数据与目标用户模板是来自相同类的数据,即采集到PPG信号对应的用户为合法用户;如果输出的相似度为0,则说明待识别PPG数据与目标用户模板是来自不同类的数据,即采集到PPG信号对应的用户为不合法用户。
2.如权利要求1所述的基于可穿戴设备进行身份认证的方法,其特征在于,将每名用户的波形信号进行分组还包括验证集,使用验证集对训练的SNN身份认证模型进行调整。
3.如权利要求1-2任意一项所述的基于可穿戴设备进行身份认证的方法,其特征在于,对采集到的PPG信号进行预处理,具体包括对采集到的PPG信号进行平滑处理后,再使用滤波器进行滤波处理,得到PPG有效数据。
4.一种基于可穿戴设备进行身份认证的装置,其特征在于,所述装置为可穿戴设备或与可穿戴设备匹配的移动终端;当移动终端需要进行解锁、支付、鉴权的安全认证时,与移动终端匹配的可穿戴设备执行PPG信号采集、信号预处理、识别的操作,然后将识别结果通过近场通信模块发送至移动终端上,实现用户的身份认证;或者当移动终端需要进行解锁、支付、鉴权的安全认证时,与移动终端匹配的可穿戴设备先通过信号采集装置采集PPG信号,然后将PPG信号发送至移动终端,由移动终端执行信号预处理和识别的操作,实现用户的身份认证;
所述装置具体包括:
PPG信号采集模块,用于通过用户佩戴的可穿戴设备中的信号采集装置采集PPG信号;
PPG信号预处理模块,用于对采集到的PPG信号进行预处理,得到待认证PPG波形数据;
身份认证识别模块,用于将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,根据SNN身份认证模型输出的相似度判定待认证PPG波形数据是否与预存目标用户模板匹配;
所述装置还包括SNN身份认证模型训练模块;
所述PPG信号采集模块,具体用于通过用户佩戴的可穿戴设备中的信号采集装置采集用户各个阶段大量的PPG信号;
所述PPG信号预处理模块,具体用于对PPG信号进行预处理,得到大量PPG有效数据;
所述SNN身份认证模型训练模块,具体用于按照PPG信号周期将采集到的PPG有效数据切割为单次心跳下的波形;对每名用户每个采样时间的所有波形求箱型图,计算单个波形的离群点个数,删除离群点不满足要求的波形;将每名用户的波形信号分组,分为训练集和测试集;将训练集数据两两配对后输入SNN进行训练,然后使用测试集和训练出的SNN身份认证模型进行测试,得到最终训练好的SNN身份认证模型;
所述身份认证识别模块,具体用于将待认证PPG波形数据与预存的目标用户模板输入预先训练好的SNN身份认证模型中,输出待识别PPG数据与目标用户模板的相似度,如果输出的相似度为1,则说明待识别PPG数据与目标用户模板是来自相同类的数据,即采集到PPG信号对应的用户为合法用户;如果输出的相似度为0,则说明待识别PPG数据与目标用户模板是来自不同类的数据,即采集到PPG信号对应的用户为不合法用户。
5.如权利要求4所述的基于可穿戴设备进行身份认证的装置,其特征在于,所述SNN身份认证模型训练模块还用于将每名用户的波形信号进行分组还包括验证集,使用验证集对训练的SNN身份认证模型进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319567.4A CN111062021B (zh) | 2019-12-19 | 2019-12-19 | 一种基于可穿戴设备进行身份认证的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319567.4A CN111062021B (zh) | 2019-12-19 | 2019-12-19 | 一种基于可穿戴设备进行身份认证的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062021A CN111062021A (zh) | 2020-04-24 |
CN111062021B true CN111062021B (zh) | 2022-03-11 |
Family
ID=70302460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319567.4A Active CN111062021B (zh) | 2019-12-19 | 2019-12-19 | 一种基于可穿戴设备进行身份认证的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062021B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111685731B (zh) * | 2020-05-19 | 2022-04-15 | 珠海格力电器股份有限公司 | 睡眠数据处理方法、装置、设备及存储介质 |
CN111859352A (zh) * | 2020-07-23 | 2020-10-30 | 歌尔科技有限公司 | 一种身份认证方法、装置、智能穿戴设备及可读存储介质 |
CN115204238B (zh) * | 2022-07-29 | 2023-05-23 | 山东光辉人力资源科技有限公司 | 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 |
CN117257270A (zh) * | 2023-10-26 | 2023-12-22 | 北京津发科技股份有限公司 | 一种生理信号采集方法、***及可穿戴设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108323201A (zh) * | 2016-11-16 | 2018-07-24 | 华为技术有限公司 | 一种身份认证的方法及装置 |
CN109902757A (zh) * | 2019-03-08 | 2019-06-18 | 山东领能电子科技有限公司 | 一种基于Center Loss改进的人脸模型训练方法 |
CN110197172A (zh) * | 2019-06-10 | 2019-09-03 | 清华大学 | 一种基于光电血管容积信息进行身份认证的方法及装置 |
CN110292388A (zh) * | 2019-06-04 | 2019-10-01 | 清华大学 | 一种认知负荷与心理压力的测量方法及终端 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9974468B2 (en) * | 2013-03-15 | 2018-05-22 | Covidien Lp | Systems and methods for identifying a medically monitored patient |
US10531820B2 (en) * | 2014-11-24 | 2020-01-14 | Koninklijke Philips N.V. | Device, system and method for determining the concentration of a substance in the blood of a subject |
US10349212B2 (en) * | 2015-09-18 | 2019-07-09 | Qualcomm Incorporated | Using intrabody signal propagation to infer wearable device location on the body for sensor optimization and configuration |
CN107589782B (zh) * | 2016-07-06 | 2024-05-14 | 可穿戴设备有限公司 | 用于可穿戴设备的姿势控制接口的方法和装置 |
-
2019
- 2019-12-19 CN CN201911319567.4A patent/CN111062021B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108323201A (zh) * | 2016-11-16 | 2018-07-24 | 华为技术有限公司 | 一种身份认证的方法及装置 |
CN109902757A (zh) * | 2019-03-08 | 2019-06-18 | 山东领能电子科技有限公司 | 一种基于Center Loss改进的人脸模型训练方法 |
CN110292388A (zh) * | 2019-06-04 | 2019-10-01 | 清华大学 | 一种认知负荷与心理压力的测量方法及终端 |
CN110197172A (zh) * | 2019-06-10 | 2019-09-03 | 清华大学 | 一种基于光电血管容积信息进行身份认证的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111062021A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062021B (zh) | 一种基于可穿戴设备进行身份认证的方法及装置 | |
CN108776788B (zh) | 一种基于脑电波的识别方法 | |
US7362884B2 (en) | Multimodal biometric analysis | |
Sun et al. | Improving iris recognition accuracy via cascaded classifiers | |
CN107294730A (zh) | 一种多模态生物特征身份认证方法、装置及*** | |
CN101661557B (zh) | 一种基于智能卡的人脸识别***及其方法 | |
CN101499134B (zh) | 基于现场可编程门阵列的虹膜识别方法及*** | |
KR100750662B1 (ko) | 심전도를 이용한 생체인식 시스템 및 방법 | |
CN106372611A (zh) | 基于手掌静脉特征的身份识别方法、***及图像采集装置 | |
CN108460318A (zh) | 基于心电信号的身份认证/识别方法及设备 | |
KR20120131043A (ko) | 심전도 신호 및 지문인식을 이용한 생체인식 시스템 | |
CN110287918A (zh) | 活体识别方法及相关产品 | |
CN109840451A (zh) | 一种基于心电身份识别的智能支付可穿戴环及其支付方法 | |
CN109858366A (zh) | 身份认证方法及装置 | |
CN110069965A (zh) | 一种机器人身份识别方法 | |
JP5812505B2 (ja) | マルチモーダル情報に基づく人口学的分析方法及びシステム | |
CN111723595A (zh) | 人员身份识别方法和*** | |
CN109558827A (zh) | 一种基于个性化卷积神经网络的手指静脉识别方法及*** | |
CN110555929B (zh) | 一种实验室门禁验证***与验证方法 | |
CN110197172B (zh) | 一种基于光电血管容积信息进行身份认证的方法及装置 | |
CN109919050B (zh) | 身份识别方法和装置 | |
CN110443217A (zh) | 一种基于多光谱的指纹防伪方法及*** | |
Weda et al. | Automatic children detection in digital images | |
CN113723247B (zh) | 一种脑电身份识别方法及*** | |
CN110069963A (zh) | 一种基于机器人的用户身份验证方法 |
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 |