本发明属于生理信号处理技术领域，具体的说是一种基于ppg信号的相空间重构身份识别方法。
背景技术：
随着大数据与人工智能技术高速发展，人们对信息安全的要求越来越高。作为信息安全领域中鉴定用户身份识别的一种技术手段，人体生物特征识别技术已经成为学术界的重要研究课题。传统的鉴别方法如身份证、钥匙、数字组合密码等已不能满足人们的需求，这些方法存在易丢失、被盗取或忘记等缺点。相比于前面所述的传统方法，基于人脸、指纹、虹膜、和静脉等的生物识别方法具有不易丢失、独一无二等优点；也被广泛的应用于金融交易、计算机网路等领域。但是，这些方法如智能手机不能识别出长相相仿的双胞胎、伪造指纹膜等的问题而存在极大的安全隐患。为提高身份识别的可靠性和准确率，基于人体生理信号的生物识别技术被提出。
当前应用较多的生理信号包括心电信号(ecg)和光电容积脉搏波信号(ppg)，本发明主要利用光电容积脉搏波信号实现身份识别。ppg信号是人体一种固有的生理特征信号，个体之间存在明显的差异且难以复制，信号易于采集和获取，将其应用于身份识别技术能够满足身份识别要求的安全性和准确性。
技术实现要素：
本发明的目的是提供一种基于ppg信号的相空间重构身份识别方法，解决现有身份识别安全性和准确率较差的问题，提高身份识别的正确率和安全性。
本发明的目的是这样实现的：一种基于ppg信号的相空间重构身份识别方法，包括以下步骤：
步骤1)使用红外光作为入射光源，利用反射式检测方法获取脉搏波信号；
步骤2)对步骤1)采集到的信号进行预处理，采用带通滤波和形态学滤波相结合的方法去除常见噪声；
步骤3)对预处理后的信号进行检测特征点、并提取优质信号，以ppg信号相邻两个波谷间的距离为步长，连续2个波谷长为窗长，提取一个窗体的波形；然后进行判断，提取单个周期的优质信号，波形序列为x(1),x(2),...,x(n)，n为信号长度；
步骤4)对步骤3)中的优质信号相空间重构，采用互信息法求最佳延迟时间；
步骤5)使用cao法求最小嵌入维数：在cao氏图中，e(1)和e(2)都在1附近稳定时，即得到了最小嵌入维数d，至此实现对ppg信号的相空间重构；
步骤6)对步骤4)和步骤5)中重构的高维相空间中寻找混沌吸引子；
步骤7)对步骤6)中找到的混沌吸引子提取特征点：根据重构出的混沌吸引子的形状，再利用已知样本分类信息，能够找到不同样本的混沌吸引子形状上的差异，从而提取出能够反映不同样本信息的特征，如果提取出的特征不明显，则返回步骤4)，直至找到能够明显反应样本特征的混沌吸引子；
步骤8)对步骤7)中提取的特征点采用集成学习算法对样本集和测试集进行学习训练，实现最终分类的目标。
与现有技术相比，本发明的有益效果在于：本发明通过实时采集光电容积脉搏波信号，快速提取优质波形；利用混沌系统理论，计算ppg信号的最佳延迟和嵌入维数，实现信号的相空间重构，在高维空间中寻找混沌吸引子，可以表征混沌系统的特有属性，提高识别的正确率；然后利用集合学习算法进行训练分类，集成学习思想是利用一定的优化策略将多个基学习器模型集成为强学习器，减小错误率，提高识别的性能和准确率。
作为本发明的进一步限定，步骤4)中最佳延迟时间具体为：交互信息曲线第一次下降到极小值所对应的延迟时间τ即为最佳延迟时间。此时产生的冗余最小，并且具有最大的独立性。
作为本发明的进一步限定，步骤5)具体为：当嵌入维数为d时，步骤3)所述的优质波形序列的第i个重构向量为：
yi(d)＝(x(i),...,x(i (d-1)τ)),i＝1,2,...,n-(d-1)τ
其中，d为嵌入维数；τ为延迟时间。高维相空间中并不相邻的两个点投影到一维空间上有时会成为相邻的两点，即虚假临近点，随着嵌入维数的增大，混沌运动的轨道会被打开，虚假临近点会逐渐被剔除，从而整个混沌运动的轨迹得以恢复。
作为本发明的进一步限定，步骤6所述寻找吸引子时需要对相空间参数进行调整，直至寻找能正确反应系统特征的吸引子。相空间重构的参数对混沌吸引子的获取十分重要。当嵌入维数d取值不合理时，会导致相空间中投影图扭曲变形，不能真实体现混沌吸引子特征。
作为本发明的进一步限定，步骤7所述提取特征点指：根据混沌吸引子的形状特征，提取特征点有最大lyapunov指数和kolmogorov熵和关联维数。这些特征能够描述不同样本个体的特征信息，形成特征向量，用于后续的分类识别。
作为本发明的进一步限定，步骤8所述完成身份识别指：根据特征向量形成样本集和测试集，采用集成学习算法对样本集和测试集进行学习训练，将若干个弱学习器通过集合策略进行整合得到最终的强学习器，最后输出分类识别结果和识别率，实现最终分类的目的。
附图说明
图1为本发明中的总体流程图。
图2为本发明中在预处理前后ppg信号波形对比图。
图3为本发明中单个周期的优质波提取。
图4为本发明中采用cao氏法求最小嵌入维数。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，本发明设计了一种基于ppg信号的相空间重构身份识别方法，其步骤包括：
步骤1：采集ppg信号；
本实施例的实验数据来自本实验室自行研发设计的装置，使用红外光作为入射光源，利用反射式检测方法获取脉搏波信号，采样频率为300hz，共有4个实验个体，每个个体包含100个样本数据，共计400条样本数据。
步骤2：对步骤1获取的信号进行预处理；
通过步骤1采集到的ppg信号，常常伴有基线漂移、工频干扰、运动干扰等；这些都会对相空间参数的确定和特征提取造成影响，从而使得分类识别的效率降低；为了解决这些问题，需要对采集到的ppg信号进行预处理，包括对ppg信号采用带通滤波和形态学滤波相结合的方法去除噪声；首先，ppg信号中脉动成分的频率为0.4-7hz，运动伪差频率为0.1hz及以上，所以首先将信号经过通带为0.4-7hz的带通滤波器，保留脉动成分的主要部分；然后采用形态学滤波方法在完整保存信号形态的基础上，去除基线漂移干扰；信号预处理前后的对比图如图2所示。
步骤3：提取步骤2信号的优质波形；
首先进行最优波的粗判，包括采用滑窗法对ppg信号的主波波峰的检测；以ppg信号相邻两个波谷间的距离为步长，连续2个波谷长为窗长，实现单个优质波形的粗略判断；然后通过峰度和偏度对ppg信号的每个波形进行统计量检测，实现波形形态的精确判断，即完成单周期最优波的提取，波形序列为x(1),x(2),...x(n)，在本实施例中波形序列长度为n＝256，提取到的单个周期最优波如图3所示。
步骤4：采用互信息法求最佳延迟时间；
根据上述步骤提取到优质波形，则在i和i τ时刻观测量之间的互信息函数为：
其中，p[x(i)]为点x(i)的概率密度；p[x(i),x(i τ)]为点x(i)和x(i τ)的联合概率，i＝1,2,...,256；一般选取i(τ)求取到第一个局部最小的τ为延迟时间，在本发明中，在0.5-4之间，互信息函数呈递减，在4-7之间，互信息函数呈递增，局部最小值为4，所以最佳延迟时间τ＝4。
步骤5：采用cao方法求最小嵌入维数实现信号的相空间重构；
当嵌入维数为d时的第i个重构向量为：
yi(d)＝(x(i),...,x(i (d-1)τ)),i＝1,2,...,n-(d-1)τ
其中，d为嵌入维数；τ为延迟时间；n为信号长度；高维相空间并不相邻的两个点投影到一维空间上有时会成为相邻的两点，即虚假临近点，随着嵌入维数的增大，混沌运动的轨道会被打开，虚假临近点会逐渐被剔除，从而整个混沌运动的轨迹得以恢复；通常通过判断a(i,d)确定是否为虚假临近点，其中
其中，||·||∞是最大模范数，yi(d 1)是嵌入维数为d 1时的第i个重构向量，由i和d决定；可以通过e(d)计算嵌入维数，其只与延迟时间τ和嵌入维数d有关；其中
当e1(d)和e2(d)都在1附近稳定时，即得到了最小嵌入维数，根据图4的cao氏图曲线变化情况，本发明中的最小嵌入维数d＝11。
步骤6：在相空间中寻找混沌吸引子；
当嵌入维数增加到一定程度，吸引子的几何结构被完全打开；当嵌入维数m取值不合理时，会导致相空间中投影图扭曲变形，不能真实体现混沌吸引子特征。因此需要对相空间参数进行调整，直至寻找能正确反应系统特征的吸引子。
步骤7：根据吸引子形态特征提取特征点；
根据重构出的混沌吸引子的形状，提取ppg信号的非线性属性特征，主要包括：最大lyapunov指数和kolmogorov熵和关联维数；如果提取出的特征不明显，则返回步骤(4)，直至找到能够明显反应样本特征的混沌吸引子。
步骤8：利用集成学习算法进行分类识别；
对上述提取到的特征点进行标注，每个个体有100组样本数据，将80组的特征段及标签作为训练样本集btrain，将剩余20组特征及其标签作为测试样本集btest；然后构建包括k个相互独立的支持向量机的集成学习算法bagging分类模型c，c＝{m1,m2,…,mk,…,mk}，mk表示第k个支持向量机，一般k≥20，本发明中将k设定为20个；将btrain作为集成学习算法bagging分类模型c的输入进行迭代训练，得到训练好的模型为c'＝{m1',m2',…,mk',…,mk'}，将btest作为c'的输入对特征段的所属个体进行预测，得到所属个体预测结果y，y＝{y1,y2,…,yk,…,yk}，其中yk表示第k个预测结果，
识别准确率＝匹配成功的测试向量数目/参与匹配的测试向量总数
本发明最终的测试结果显示本发明的正确识别率在97％以上。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
1.一种基于ppg信号的相空间重构身份识别方法，其特征在于，包括以下步骤：
步骤1)使用红外光作为入射光源，利用反射式检测方法获取脉搏波信号；
步骤2)对步骤1)采集到的信号进行预处理，采用带通滤波和形态学滤波相结合的方法去除常见噪声；
步骤3)对预处理后的信号进行检测特征点、并提取优质信号，以ppg信号相邻两个波谷间的距离为步长，连续2个波谷长为窗长，提取一个窗体的波形；然后进行判断，提取单个周期的优质信号，波形序列为x(1),x(2),...,x(n)；
步骤4)对步骤3)中的优质信号相空间重构，采用互信息法求最佳延迟时间；
步骤5)使用cao法求最小嵌入维数：在cao氏图中，e(1)和e(2)都在1附近稳定时，即得到了最小嵌入维数d，至此实现对ppg信号的相空间重构；
步骤6)对步骤4)和步骤5)中重构的高维相空间中寻找混沌吸引子；
步骤7)对步骤6)中找到的混沌吸引子提取特征点：根据重构出的混沌吸引子的形状，再利用已知样本分类信息，能够找到不同样本的混沌吸引子形状上的差异，从而提取出能够反映不同样本信息的特征，如果提取出的特征不明显，则返回步骤4)，直至找到能够明显反应样本特征的混沌吸引子；
步骤8)对步骤7)中提取的特征点采用集成学习算法对样本集和测试集进行学习训练，实现最终分类的目标。
2.根据权利要求1所述的一种基于ppg信号的相空间重构身份识别方法，其特征在于，步骤4)中最佳延迟时间具体为：交互信息曲线第一次下降到极小值所对应的延迟时间τ即为最佳延迟时间。
3.根据权利要求1所述的一种基于ppg信号的相空间重构身份识别方法，其特征在于，步骤5)具体为：当嵌入维数为d时，步骤3)所述的优质波形序列的第i个重构向量为：
yi(d)＝(x(i),...,x(i (d-1)τ)),i＝1,2,...,n-(d-1)τ
其中，d为嵌入维数；τ为延迟时间。
4.根据权利要求1所述的一种基于ppg信号的相空间重构身份识别方法，其特征在于，步骤6所述寻找吸引子时需要对相空间参数进行调整，直至寻找能正确反应系统特征的吸引子。
5.根据权利要求1所述的一种基于ppg信号的相空间重构身份识别方法，其特征在于，步骤7所述提取特征点指：根据混沌吸引子的形状特征，提取出能够反应不同样本个体的特征信息，形成特征向量，特征点包括：最大lyapunov指数和kolmogorov熵和关联维数。
6.根据权利要求1所述的一种基于ppg信号的相空间重构身份识别方法，其特征在于，步骤8所述采用集成学习算法对样本集和测试集进行学习训练，先赋予每个训练样本相同的初始化权重，在此训练样本分布下训练出一个弱分类器；然后更新权重再训练出一个新的弱分类器，重复t次，得到t个弱分类器；最终将这t个弱学习器通过集合策略进行整合，得到最终的强学习器。
技术总结