[发明专利]一种基于时域短时及长时特征融合的脉纹识别方法

权利要求书

1.一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述脉纹识别方法包括以下步骤：

S1、自建脉搏波数据库，通过小波去噪、平滑滤波以及数据归一化对脉搏波数据库中存储的脉搏波信号进行预处理，接着通过多维脉纹信息提取策略获得短时特征、长时特征和起点规整后的单周期脉搏波信号，其中短时特征包括主波包络、次波包络、主次波包络，长时特征是呼吸周期对应的多周期长时特征；

所述步骤S1中短时特征和长时特征的特征提取过程如下：

连接所有脉搏波信号的主波峰值，并使用三次样条内插的方式进行数据增强，得到主波包络；

连接所有脉搏波信号的次波峰值，并使用三次样条内插的方式进行数据增强，得到次波包络；

连接所有脉搏波信号的每一组的主-次波峰值，并使用三次样条内插的方式进行数据增强，得到主次波包络；

将脉搏波信号周期内点数增加时段的信号为吸气时的信号，将周期内点数降低时段的信号为呼气时的信号，将脉搏波信号每一次连续周期内点数先增后减的序列作为多周期长时特征；

通过求极大值，获得主波的序列，接着将每两个主波之间的时段视为一个周期，使用线性内插方法进行数据增强，内插后每个周期具有相同的起点以及相同的点数的信号即为起点规整后的单周期脉搏波信号；

S2、构建双路分支神经网络，其中，双路分支神经网络包括短时信号处理分支和长时信号处理分支，构建卷积层加非线性激活函数的短时信号处理分支，将短时特征输入短时信号处理分支；构建卷积-循环结构的长时信号处理分支，将长时特征以及起点规整后的单周期脉搏波信号输入长时信号处理分支；所述短时信号处理分支的网络结构为依次顺序连接的输入层、一维卷积神经网络层、非线性层；其中，所述非线性层使用ReLu函数；所述长时信号处理分支采用卷积-循环神经网络，所述长时信号处理分支的网络结构为依次顺序连接的输入层，二维卷积神经网络层、循环神经网络层、非线性层，其中，所述非线性层使用ReLu函数；

S3、将步骤S2中双路分支神经网络输出结果进行特征融合，得到脉纹识别结果，其中，特征融合的过程如下：

将双路分支神经网络中短时信号处理分支和长时信号处理分支的输出进行串接，送入全连接神经网络中，所述全连接神经网络的网络结构为依次顺序连接的输入层、全连接层、非线性层1、全连接层、非线性层2、全连接层、非线性层3；其中，所述非线性层1和非线性层2使用ReLu函数，非线性层3使用Sigmoid函数；将全连接神经网络最后一层的输出作为得到样本i的预测值p_i，当p_i大于等于0.5时，认为样本i的两个脉纹信息属于同一人，当p_i小于0.5时，认为样本i的两个脉纹信息不属于同一人。

2.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述脉搏波数据库的建立过程如下：

通过脉搏血氧仪，在实验室条件下，在不同用户的手腕和手指处进行数据的采集，从而获得不同用户的脉搏波信号。

3.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述步骤S1中脉搏波信号进行预处理的过程如下：

通过小波去噪和平滑滤波来滤除脉搏波信号中的高频噪声，保留低频部分；之后去除基线漂移，以及进行数据归一化，得到处理后的脉搏波信号。

4.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述双路分支神经网络利用交叉熵损失函数L进行训练，具体如下：

其中y_i表示第i个样本的真实值，p_i表示第i个样本的预测值，N为样本数量。

5.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述短时信号处理分支中一维卷积神经网络层的实现如下：

其中，表示第k个短时特征经过卷积后第n个通道的输出，S_C_in表示短时特征的输入维度，表示输出的第n个通道中第k个短时特征对应的参数，S_in_k表示第k个短时特征的输入。

6.根据权利要求1所述的一种基于时域短时及长时特征融合的脉纹识别方法，其特征在于，所述长时信号处理分支中二维卷积神经网络层的实现如下：

其中，表示第k个长时特征经过卷积后第n个通道的输出，表示第k个长时特征的输入维度，表示输出的第n个通道中第k个长时特征对应的参数，L_in_k表示第k个长时特征的输入；

所述长时信号处理分支中循环神经网络层的实现如下：

i^t＝σ(Wⁱx^t+Uⁱh^t-1) (4)

f^t＝σ(W^fx^t+U^fh^t-1) (5)

o^t＝σ(W^ox^t+U^oh^t-1) (6)

其中函数表示i^t、f^t、o^t分别为第t个时刻的输入门、遗忘门以及输出门，x^t表示第t个时刻的输入，h^t-1表示第t-1个时刻的隐藏门输出，表示第t个时刻的候选记忆单元，c^t表示第t个时刻的记忆单元，表示点乘，其中W和U是可训练的矩阵，Wⁱ、W^f、W^o、W^c分别表示在输入门、遗忘门、输出门以及记忆单元中，输入x^t所对应的参数矩阵，Uⁱ、U^f、U^o、U^c分别表示在输入门、遗忘门、输出门以及记忆单元中，隐藏门输出h^t-1所对应的参数矩阵。