基于脉搏信号的身份识别系统

张文涛，丑永新*，李 鑫，丁 凯，杨 苗,2

(1.常熟理工学院 电气与自动化工程学院， 江苏 苏州 215500；2.兰州理工大学 电气工程与信息工程学院，甘肃 兰州 730050)

0 引言

身份识别作为一种信息安全技术，已经广泛地应用到安防、支付、社交等多个领域。依据密码、证件、钥匙等传统身份识别技术存在易被复制、窃取或者遗忘等缺陷，已不能满足信息安全的应用需求。人体生物特征具有唯一性，指纹[1-3]、人脸[4-6]、虹膜等生物特征已广泛用于身份识别。然而，人体指纹可以被复制，人脸随着年龄增长会不断变化，虹膜需要近距离采集，这些问题在身份识别应用中日益凸显，识别精度有待提高。

心脏收缩与舒展的驱动下，血液在心血管系统中往复循环，在人体皮肤的浅表脉管处(如指端、耳垂、桡动脉等处)获取的脉搏信号，可以间接反映心血管系统的运行规律。人体心血管系统结构具有唯一性，其运行规律具有很强的稳定性，因此，脉搏信号可用于身份识别。

到目前为止，已有学者尝试研究基于脉搏信号的身份识别方法。有学者从脉搏信号时域波形中提取主波间期、波谷、重搏波和波峰等特征进行身份识别[7]；有学者从脉搏主波间期的一阶和二阶导数中提取特征点，基于KNN等方法进行身份识别[8]；也有学者直接对分割后的脉搏波通过径向基函数网络、贝叶斯分类器、卷积神经网络等机器学习算法分类，实现身份识别[9-11],这些研究成果表明脉搏信号可用于身份识别。然而，从脉搏信号时域波形和主波间期中提取的特征主观性较强，泛化性能差，直接基于脉搏波进行智能识别的算法运算量大，且准确性有待提高。近年来，有学者提出脉搏信号解析建模技术，对人体脉搏信号变化进行量化分析，已广泛用于性别[12]、年龄[13]和心血管疾病[14]识别等领域。成硕等人提出一种基于脉搏信号解析建模的身份识别技术[15]，为本研究工作的开展奠定了理论基础和科学依据。

因此，本研究提出一种基于脉搏信号的身份识别系统设计方法。系统由上位机和下位机组成，下位机进行脉搏信号的采集和无线发送；上位机实现脉搏信号的处理和分析，并得出识别结果。同时，为了验证系统的可靠性，设计试验对所研制系统的准确性进行评估。

1 系统方案设计及硬件实现

1.1 身份识别系统总体设计

所研制系统的总体设计如图1所示。系统由上位机和下位机组成，上下位机之间通过WiFi连接，进行数据通信和无线传输。下位机以STM32单片机为核心，实现脉搏信号的采集、打包和无线远传；在PC端基于LabVIEW软件开发人机交互界面，对接收的脉搏信号进行接收、滤波、分割、解析建模和身份智能识别，并给出识别结果。

图1 系统总体设计Fig.1 Scheme of system

1.2 下位机系统设计与实现

下位机由脉搏传感器、信号采集模块、无线通信模块和电源模块组成。其中，脉搏传感器获取模拟脉搏信号，信号采集模块实现模拟脉搏信号的AD转换和数据打包，由无线通信模块将打包后的数据发送至上位机。

1.2.1 脉搏传感器

采用医用透射式光电容积脉搏传感器HKG-07B拾取指尖处脉搏信号。该传感器由光源和光电变换器组成，光源发射的光线会透过指尖，由于脉搏的搏动，使得光的透光率发生变化，光电变换器将这一变化转换为电压的变化并将其放大后输出，传感器实物图及接口说明如图2所示。

图2 HKG-07B及接口说明Fig.2 HKG-07B ang its interface

1.2.2 信号采集模块

以STM32单片机为核心搭建信号采集模块，如图3所示，为其最小系统电路图。STM32单片机内部集成了3个μs级的A/D转换器(16通道)和2通道12位的D/A转换器，将脉搏传感器的输出端与单片机的ADC_IN9(19脚)相连。在单片机中，采用定时中断的方式对模拟脉搏信号进行采样，采样频率为500 Hz，得到数字脉搏信号。

图3 STM32单片机最小系统电路图Fig.3 Minimum system of STM32

在得到数字脉搏信号后，在单片机中对其进行打包，送往无线通信模块，无线传输模块将数据无线传输至上位机。为了保证上位机接收到的脉搏数据正确性，下位机在发送数据时以帧头、脉搏数据、帧尾的固定格式发送，上位机接收到数据后，需要对数据进行解析，通过这种方式可以有效提高数据传输的稳定性，数据帧格式如表1所示。

表1 数据帧格式Tab.1 Data format for frames

1.2.3 无线通信模块

为了提高系统的便携性，采用无线的方式实现上下位机的通信，选择ESP8266 WiFi模块实现无线通信。该模块与单片机的连接如图4所示，将该模块的TX和RX引脚与STM32单片机的21和22脚相连，单片机可通过对ESP8266串口发送AT指令来配置WiFi、连接服务器和数据发送。

图4 ESP8266模块电路图Fig.4 Circuit of ESP8266 module

首先，配置ESP8266的WiFi模式为STA模式并连接路由器；然后，配置为单路连接模式并开启WiFi透传，连接TCP服务器并进入透传模式；最后，STM32单片机将打包的数据通过DMA发送到串口，由ESP8266 WiFi模块发送至上位机。

1.2.4 电源模块

电源模块采用5 V、1 A可充电锂电池。由于STM32单片机和HKG-07B传感器需要3.3 V电压供电，所以添加了稳压电路的设计，稳压电路采用SPX3819稳压芯片，将锂电池输入的5 V电压转为3.3 V的稳定电压。为了消除在电流传递途中因布线等问题造成的电磁干扰，对稳压后的电路另外添加去耦电容电路，可有效消除在电流传递过程中产生的高频电磁干扰，同时还能起到蓄能的作用，削弱因电流变化导致的对采集电路的干扰。

稳压电路如图5所示。电流从5V处输入，经过C1和C2两个电容对输入的电流进行滤波，使输入更加平滑，经过SPX3819稳压芯片后，芯片输出端为3.3 V的稳定电压，同时在输出端并联C3和C4两个电容以确保器件的稳定。

图5 稳压电路图Fig.5 Circuit of Voltage Regulator

去耦电容电路如图6所示。C8、C9、C10和C11并联后接在稳压芯片输出端3.3 V和GND两端，可有效消除在电流传递过程中产生的高频电磁干扰。

图6 去耦电容电路图Fig.6 Circuit of decoupling capacitor

1.2.5 下位机实物

下位机实物如图7所示，由可充电锂电池、HKG-07B脉搏传感器、ESP8266 WiFi模块和STM32电路板构成。预留出锂电池DC插头、传感器接口、WiFi模块接口和程序下载接口。锂电池可通过插入DC插头给下位机系统供电，HKG-07B脉搏传感器通过3.5 mm的耳机座从单片机中获取电能，同时输出采集到的脉搏信号，使用J-Link实现程序的下载与调试。

(a) 下位机PCB电路

(b) 下位机整体实物图

2 上位机软件设计与实现

2.1 基于LabVIEW的上位机人机交互界面

在PC端基于LabVIEW软件开发了人机交互界面，如图8所示。该界面主要包括：信息提示区、系统控制区、数据处理结果显示区、身份识别结果显示区。

图8 上位机人机交互界面Fig.8 Human-computer interface in master module

信息提示区位于界面中间区域，用黄色标识。显示系统当前所处的状态，包括“TCP连接成功”“数据采集”“脉搏波分割”“解析建模”“识别成功/失败”5种状态。

系统控制区包含“开始采集”“存储数据”“识别纠正”“退出系统”4个按键。其中，在系统学习阶段，系统的识别率较低，设置了“识别纠正”功能。当识别错误后，弹出图9所示的信息输入界面，重新输入采集对象信息，系统会根据采集对象信息整合数据，重新识别。

图9 信息输入界面Fig.9 Information input interface

数据处理结果显示区主要显示系统运行中数据的处理过程，让数据可视化。该区域主要包括4个数据显示图：原始的脉搏信号、滤波后的脉搏信号、信号分割的数据和解析建模的脉搏波。

身份识别结果显示区主要显示身份识别的结果，包含识别者信息、标签和识别率三部分，识别率在70%以上为识别成功。

2.2 上位机身份识别算法设计与实现

上位机实现基于脉搏信号的身份识别，主要流程如图10所示。首先，对WiFi模块发送的数据进行接收和解析。然后，对脉搏信号进行滤波、脉搏波分割、模型求解和智能识别，并给出识别结果。

图10 身份识别主流程图Fig.10 Main flow chart of identityauthentication

2.2.1 脉搏信号滤波

接收到的脉搏信号中，含有基线漂移、工频干扰和肌电干扰。设计低通滤波器滤除肌电干扰，设计陷波器滤除基线漂移和工频干扰。低通滤波器的传递函数为：

(1)

式中，M=fs/f0，n为滤波器的阶数，f0为低通滤波器的截止频率。本系统的采样频率为500 Hz，经过试验，n=1，f0=60 Hz，即M=500/60≈8时，滤波效果最佳。

陷波滤波器的传递函数为：

(2)

式中，Q表示滤波器的增益记，R为滤波器传递函数的分子阶数，P为滤波器传递函数的分母阶数，n为滤波器的阶数。M=fs/f0，Q=R/P，f0表示带阻滤波器的第一个截止频率。由于采样频率为500 Hz，经过试验测得到当f0=50，P=10，Q=32，R=320，n=2时，系统的滤波效果最佳。

本系统使用MathScript节点与自带的IIR滤波器实现脉搏信号的低通滤波器和陷波器，如图11所示。

图11 滤波器的编程实现Fig.11 Filter programmingin Lab VIEW

2.2.2 脉搏波分割

心脏收缩导致的波称为脉搏信号的主波，而心脏舒张产生脉搏信号的降支，直至达到最低点，称为波谷，该点也被定义为脉搏波的起点。主波为脉搏波中最突出的波，容易检测，因此，寻找到两个主波的位置，然后求出两波峰的最小值点便是波谷点。脉搏波分割流程如图12所示。首先，将存储的脉搏数据读取出来，求取该数据的最大值和平均值，将最大值与平均值之和的0.3倍作为最终的阈值。然后，将数据中大于阈值的点置1，将小于阈值的点置0，得到一个新的数组X，再用读取的原数据与X点乘就得到了大于阈值的曲线。对数组X进行差分，值为-1的点便是大于阈值曲线的起点和终点，求出两点间的最大值点就是P波的峰值点。

图12 脉搏波分割流程Fig.12 Pulse wave segmentation process

2.2.3 脉搏信号建模与特征提取

脉搏信号建模与特征提取的流程如图13所示。首先，根据分割得到的波谷计算出脉搏主波间期PPI，PPI(i)表示第i个脉搏波的宽度，BG则是读取的波谷点位置。计算公式为：

图13 脉搏信号建模与特征提取流程图Fig.13 Pulse signal modeling and feature extraction flowchart

PPI(i)=BG(i+1)-BG(i)。

(3)

然后，对脉搏波进行归一化，降低幅值差异的影响。采样了Min-Max归一化方法，将数据统一缩放到区间[0，1]上。Min-Max归一化公式如下：

(4)

在此基础上，使用“spline”三次样条插值归一化的方法，将所有的脉搏波通过插值的方式将每个脉搏波的长度固定为1 000个点，来消除脉搏宽度的影响。

在对脉搏波进行解析建模之前，计算脉搏波基线的公式为：

(5)

式中，yi(1)表示第i个脉搏波的起点，ki表示第1个脉搏波基线斜率，bi为第i个脉搏波的纵截波，yi(PPI(i))表示第i个脉搏波的终点，PPI(i)表示第i个脉搏波的宽度，xit表示第i个时间点。

从脉搏波中减去基线，并采用非线性最小二乘法求解三高斯模型的参数[13]，将得到9个特征值，加上前面求解的PPI和脉搏基线函数，一共获得12个特征值，特征点集如下：

(6)

P=[PPI,K,B,A1,B1,C1,A2,B2,C2,A3,B3,C3]。

(7)

2.2.4 基于脉搏信号的身份识别

对于建模得到的特征向量集，采用随机森林法以采集对象为单位进行身份智能识别。随机森林采用随机的方式来创建，其包含多个决策树的集成分类器。随机森林的核心思想可以看做是两个关键词，一个是“随机”，一个是“森林”。本采用Matlab自带的 ‘randomforest-matlab’工具箱设计分类器，其中用于构建随机森林分类器训练的函数为：model_RF = classRF_train(P_train,T_train,ntree);函数中参数P_train表示训练集的输入样本矩阵，T_train表示为训练集的输出样本向量，ntree为随机森林决策树的个数。

对训练好分类器进行测试的函数为：Results=classRF_predict(P_test,model_RF);函数的参数中P_test表示待预测样本的输入矩阵，model_RF为创建好的随机森林分类器。在LabVIEW软件，采用Matlab Script节点内嵌Matlab程序实现身份识别。

3 系统准确性测试

为了评估系统身份识别的准确性，在实验室招募20名采集对象进行系统测试。每名同学采集90 s的脉搏数据，并对其进行标签分配，第一名对象标签是1，最后一个的标签则是20，以此类推，标签与提取的特征建立对应关系。每个采集对象的识别概率如表2所示，可以看出，最高的是10号，概率为95.89%；最低的是13号，概率为32.74%(识别失败)。大多数的测试者都能成功识别身份，以70%作为判别识别结果成功与否的阈值，则只有一名采集对象没有识别，身份识别的准确率为19/20=95%。

表2 试验结果Tab.2 Experimental Results

4 结论

脉搏信号含有人体心血管系统丰富的生理和病理信息，不同个体心血管系统的特异性使得脉搏信号可用于身份识别。本文设计了一种基于脉搏信号的身份识别系统，该系统可采集脉搏信号，并对脉搏信号采用解析建模的方法进行量化分析，最后通过随机森林的方法实现身份智能识别。实验结果取得了较高的准确率，但是多数对象的识别概率较低，这是由于采集对象较少和脉搏信号采样长度过短导致的。未来，将招募更多实验对象，建立数据库，对所提出的系统进行训练，提高准确率。