双域多尺度融合深度神经网络的PPG生物特征识别研究

最新推荐文章于 2024-02-29 19:47:32 发布

Dream_Bri

最新推荐文章于 2024-02-29 19:47:32 发布

阅读量1k

点赞数 2

文章标签： dnn 深度学习人工智能

本文链接：https://blog.csdn.net/ximu__l/article/details/129502414

版权

前言

本文是根据一篇论文总结写的。

论文英文名为：Dual-domain and Multiscale Fusion Deep Neural Network for PPG Biometric Recognition。

中文名为：双域多尺度融合深度神经网络的PPG生物特征识别。大家感兴趣的可以查看原文。

DOI: 10.1007/s11633-022-1366-8

概述

光容量描记(PPG)生物识别技术已受到广泛关注。尽管深度学习在PPG生物识别方面取得了良好的性能，但仍存在几个挑战:

1)如何有效地从时间和频率PPG信号中提取特征融合表示。

2)如何有效捕捉一系列PPG信号的跃迁信息。

3)如何从一维时频序列数据中提取时变信息。

为了解决这些挑战，我们提出了一种双域和多尺度融合深度神经网络(DMFDNN)用于PPG生物特征识别。DMFDNN主要由一个用于PPG生物识别的双分支深度学习框架组成，它可以从时域和频域学习时变和多尺度的判别特征。同时，我们设计了一个多尺度转换信息提取模块，该模块由多个接收域不同的卷积层组成，用于获取多尺度转换信息。

此外，提出了双域注意力模块，以加强PPG生物识别中时域和频域数据贡献更大的域。在四个数据集上的实验表明，DMFDNN优于最先进的PPG生物识别方法。

研究背景

在过去的十年中，利用一些生理信号的生物识别技术，如心电图(ECG)、光电容积描记术(PPG)和肌电图(EMG)，逐渐引起了广泛的关注。

与广泛应用的人脸、指纹等生物特征相比，PPG信号作为生物特征具有以下优势：

1)PPG信号是通过将传感器附着在活人身上获得的，可以提供活体检测的证据。

2)难以伪造或复制，PPG信号作为生物特征具有较高的安全性。

PPG信号不仅包含个人身份验证信息，还包含心脏健康和心理状态信息。
PPG信号是一维数据，体积小。

PPG生物识别技术以其独特的优势越来越受到研究者的关注。

PPG存在的问题

PPG生物识别技术是一项新技术，目前已有许多方法被提出。深度学习(Deep learning, DL)在PPG生物识别中取得了良好的性能，许多相关方法已经被报道。

然而，现有的PPG生物识别深度学习方法使用**小尺度卷积滤波器来提取振幅特征，而忽略了显式捕获PPG波的一系列过渡信息。**例如，收缩波和舒张波的转换信息以及二向切波对识别PPG信号至关重要。

1、小尺度卷积滤波器可以提取局部振幅信息，大尺度卷积滤波器可以提供不同形态特征的过渡信息。所有这些信息对PPG生物特征识别至关重要。

因此，如何设计一个模型从PPG信号中提取不同尺度的转换信息是将深度学习应用于PPG生物识别的一个具有挑战性的问题。

2、现有的PPG生物识别深度学习方法大多是从原始PPG信号中提取特征。

原始PPG信号容易受到采集设备、身体位置以及各种生理和心理因素的影响，且随时间变化不稳定。

PPG信号包含时频域特征，一些方法将原始PPG信号转换为频域特征作为深度学习模型的输入，用于PPG生物特征识别。然而，现有的PPG生物特征识别深度学习方法只考虑利用单域特征，没有同时使用时域和频域融合输入神经网络模型中。

因此，如何将时间信息和频率信息融合为深度学习模型的输入是一个具有挑战性的问题。

3、现有的PPG生物识别工作大多没有利用一维时频数据的序列关系。

现有的用于PPG生物特征识别的深度学习方法大多仅使用卷积神经网络(CNN)来提取深度PPG特征。在不考虑一维序列数据的情况下，CNN在高维图像数据上取得了更好的结果。一些深度学习方法仅使用长短期记忆(LSTM)网络从原始PPG信号中提取时变信息。因此，PPG生物识别的一个具有挑战性的问题是设计一个健壮的深度模型，从一维时频序列数据中提取时变信息。