[发明专利]一种基于光电容积脉搏波的身份识别方法

权利要求书

1.一种基于光电容积脉搏波的身份识别方法，其特征在于，包括如下步骤：

1）获取训练组数据和测试组数据：采集n个人在规定时间段内的光电容积脉搏波信号，组成训练组；再随机采集这n个人中的约3/10的人在另一时间段内的光电容积脉搏波信号，组成测试组，训练组和测试组的光电容积脉搏波信号数据即为每个人的身份；

2）将训练组数据和测试组数据中所有的光电容积脉搏波信号数据分割成若干包含多个光电容积脉搏波的片段；

3）利用连续小波变换将分割后的所有片段转化成时频特征能量图形式；

4）搭建CNN与LSTM相结合的神经网络模型；

5）将步骤3）的训练组图片数据送入CNN与LSTM相结合的神经网络模型中进行训练；

6）利用步骤5）中训练好的CNN与LSTM相结合的神经网络模型对步骤3）的测试组图片数据进行分类，分类结果即为身份识别结果，最后对训练好的CNN与LSTM相结合的神经网络模型进行评估。

2.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于，步骤1）中测试组人数可占总参与人数的2/10到4/10。

3.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于，步骤2）中所述的光电容积脉搏波的片段长度范围在5s到20s之间，其中光电容积脉搏波的片段中采样点个数等于采样频率与分割的光电容积脉搏波片段长度的乘积，采样点时间间隔为1除以采样频率。

4.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于，步骤3）中所述的连续小波变换的母小波函数选择‘cgau8’、‘haar’、‘dB2’、‘bior’和‘mor1’中的任意一种，转换后的图片像素大小为1054x148，同时图片为RGB彩色图像，通道为3。

5.根据权利要求1所述的基于光电容积脉搏波的身份识别方法，其特征在于，步骤4）中所述的搭建CNN与LSTM相结合的神经网络模型的过程为：

4.1将统一格式的时频特征能量图作为输入层数据；

4.2搭建卷积层和池化层，具体参数为：

第一层：卷积层，filters个数为30， kernel_size大小为3x3，strides大小为1x1；

第二层：最大池化层，pool_size大小为2x2，strides大小为2x2；

第三层：卷积层，filters个数为60，kernel_size大小为3x3，strides大小为1x1；

第四层：最大池化层，pool_size大小为2x2，strides大小为2x2；

第五层：卷积层，filters个数为90，kernel_size大小为3x3，strides大小为1x1；

第六层：最大池化层，pool_size大小为2x2，strides大小为2x2；

第七层：卷积层，filters个数为120，kernel_size大小为3x3，strides大小为1x1；

第八层：最大池化层，pool_size大小为2x2，strides大小为2x2；

第九层：卷积层，filters个数为150，kernel_size大小为3x3，strides大小为1x1；

第十层：最大池化层，pool_size大小为2x2，strides大小为2x2；

其中每个卷积层中的激活函数均为ReLU激活函数；

4.3搭建全连接层和LSTM层，具体参数为：第十一和十二层为全连接层，神经元个数分别为500和100，激活函数均为ReLU激活函数；第十三层为LSTM层，其中output_dim大小为50；第十四层为全连接层，神经元个数为n，n为训练组的人数，激活函数为Softmax激活函数。