Abstract
现有一次性身份认证技术无法持续保证整个人-机交互会话过程中的用户身份合法性，且往往需要用户主动配合而严重限制可用性。本研究首次提出一种基于超宽谱（UWB）生物雷达检测心脏微动的非接触身份识别新技术，通过生物雷达连续检测心脏体表区域距离维多点微动回波，在心拍分割的基础上利用二维主成分分析（2D-PCA）压缩提取心拍周期内距离通道-采样点二维图像的矩阵特征用于身份识别。实测实验中，以多距离单元& 2D-PCA特征方案为基础结合两种常规的参考特征方案，选取三种典型分类器为代表在正常呼吸和屏息两种状态下进行心拍身份识别。结果表明，本文所提多距离单元& 2D-PCA特征方案表现出最优的识别效果（识别率最高可达90%以上），相对最佳距离单元&整条心拍特征方案识别准确率总体平均提高6.16%（正常呼吸6.84%、屏息5.48%），相对多距离单元&整条心拍特征方案总体平均提高27.42%（正常呼吸28.63%、屏息26.21%）。本研究有望为未来社会用户信息安全防护提供一种无扰式、全天候、非接触、连续性身份识别新方法。
Keywords: 微波心纹, 生物雷达, 心脏微动, 非接触, 身份识别
Abstract
The existing one-time identity authentication technology cannot continuously guarantee the legitimacy of user identity during the whole human-computer interaction session, and often requires active cooperation of users, which seriously limits the availability. This study proposes a new non-contact identity recognition technology based on cardiac micro-motion detection using ultra wideband (UWB) bio-radar. After the multi-point micro-motion echoes in the range dimension of the human heart surface area were continuously detected by ultra wideband bio-radar, the two-dimensional principal component analysis (2D-PCA) was exploited to extract the compressed features of the two-dimensional image matrix, namely the distance channel-heart beat sampling point (DC-HBP) matrix, in each accurate segmented heart beat cycle for identity recognition. In the practical measurement experiment, based on the proposed multi-range-bin & 2D-PCA feature scheme along with two conventional reference feature schemes, three typical classifiers were selected as representatives to conduct the heart beat identification under two states of normal breathing and breath holding. The results showed that the multi-range-bin & 2D-PCA feature scheme proposed in this paper showed the best recognition effect. Compared with the optimal range-bin & overall heart beat feature scheme, our proposed scheme held an overall average recognition accuracy of 6.16% higher (normal respiration: 6.84%; breath holding: 5.48%). Compared with the multi-distance unit & whole heart beat feature scheme, the overall average accuracy increase was 27.42% (normal respiration: 28.63%; breath holding: 26.21%) for our proposed scheme. This study is expected to provide a new method of undisturbed, all-weather, non-contact and continuous identification for authentication.
Keywords: Microwave heartprint, Bio-radar, Heart micro-motion, Non-contact, Human identification
0. 引言
随着智慧互联时代的发展，用户身份识别技术[1-2]已成为数据安全、信息隐私防护等信息安全防护需要的关键防线。然而，传统的“一次认证”静态验证方式（如人脸识别[3]、指纹识别[4]、虹膜扫描[5]等）仅在用户初次登录时核验用户身份，无法保证整个会话期间用户的持续合法性，且易受复制攻击，极大地限制了其身份防护性能。为此，研究者提出持续性身份认证技术，即在整个登录周期内不断验证系统是否由初始登录时的同一用户操作，现有典型方案包括间歇性硬性验证（间歇密码验证[6]、指纹/虹膜间歇扫描[7]）以及基于用户生物学行为特征的连续认证机制（按键动力学[8]、凝视模式[9]等），在一定程度上实现了连续认证，但仍存在诸多局限性：① 要求用户主动配合而有扰：间歇性重复验证要求用户间歇性有意识、主动与登录系统进行交互操作，干扰用户而降低可用性；② 接触式：认证过程要求用户与系统进行直接或近距离接触，限制用户自由；③ 易受环境影响：光学方案易受弱光黑夜、衣物遮挡影响，指纹易受手指汗渍及异物扰乱。因此，如何实现非接触、无扰、主动式的连续性身份认证是面向未来信息社会用户信息安全防护的重要需求和难题。
心脏生理学研究发现，每个人的心脏物理属性（解剖学结构、部件大小等）、生理运动属性（心动模式、血液循环模式等）具有特异性和唯一性，使得人体心脏结构性运动引起的体表微动时序变化也具有个体唯一性[10]且难以复制。另一方面，以本课题组为代表的生物雷达人体生理微动检测相关研究证明，生物雷达根据多普勒原理，通过发射电磁微波可以非接触穿透非金属障碍物，检测并放大这类呼吸心跳生理运动引起的胸部体表微动[11-14]，并且最近研究表明雷达回波中蕴含相应个体唯一性的心脏运动相关特征，有望作为用户身份验证的可靠生物特征[15-16]。在此方面，目前相关研究极少且处于探索阶段，仅有文献[17-18]等基于点频连续波（continuous wave，CW）雷达，直接基于雷达回波心拍数据或提取信号形态学特征初步实现了少量个体样本的身份识别。然而上述研究存在以下问题：① 将心脏运动引起的微动胸壁看成单一点目标，因而仅能获得信息粗略的一维回波信号；② 来自同一三维心脏活动的振动源信号，在胸壁表面不同距离向上会形成差异性的多距离点元微动，而CW雷达无距离分辨率，无法分辨并获取胸壁区域多点微动回波。上述两个关键原因将导致生物雷达所获信息单一，严重影响目标身份识别的准确率和稳定性。
为此，本研究创新性地提出利用超宽谱（ultra wideband，UWB）生物雷达探测心脏胸壁曲面的多距离点元回波，依靠UWB雷达的高距离分辨率优势[14]，可在距离维断层式探测胸壁曲面上不同距离层的微动情况，获取更加丰富的反映心脏径向运动特点的时间-距离二维雷达回波，结合二维主成分分析（two-dimensional principal component analysis，2D-PCA）心拍特征提取和机器学习识别方法，进一步提升身份识别效果，力图实现非接触、无扰无感、全天候、自然连续的身份认证。
1. 材料和方法
1.1. 基于UWB生物雷达的心脏体表微动回波模型
脉冲UWB生物雷达传感器测量心脏跳动这一机械运动，主要原理是利用反射脉冲到接受天线的时间和幅度变化进行心脏体表微动生理参数测量。UWB雷达系统工作原理如图1a所示。
图 1.
UWB bio-radar human signal acquisition system
UWB生物雷达人体信号采集系统
a. UWB雷达系统工作原理；b. UWB生物雷达探测人体心脏体表微动示意图
a. the working principle of UWB radar system; b. the diagram of human heart micro-motion detection based on bio-radar
UWB雷达探测心脏体表微动过程如图1b所示，当雷达发射天线发射脉冲后，雷达接收天线会接收到从人体心脏体表曲面沿距离向的不同距离区间反射回波 
：
 |
1 |
其中 
是天线与胸壁曲面第i个距离区间的固定距离，
是此距离区间上呼吸引起的位移幅度，
为心跳引起的位移幅度，
代表呼吸频率，
代表心跳频率。归一化的发射脉冲用 
表示，则总脉冲响应为：
 |
2 |
其中 
为观测时间，
为传播时间。
表示第i个距离区间对应的传播时间 
和振幅为 
胸壁微动的响应。
表示各静态目标响应，传播时间为 
，振幅为 
。
为收-发脉冲时间间隔，由 
决定，其值为固有传播时间 
加上与呼吸和心跳位移相关的两个正弦延迟的总和：
 |
3 |
其中 
是光速，
，
，
。
对于在慢时间 
离散时刻所得N条时间序列存于回波矩阵R（如图2所示）中：
图 2.
Time-range two-dimensional UWB radar echo
UWB雷达时间-距离二维回波
 |
4 |
其中m和n分别代表快时间和慢时间的采样数。
是慢时间的脉冲持续时间，
是快时间的采样间隔。
回波矩阵R可以理解为在有效距离范围内的心脏体表微动信号区域，行向量记录心脏体表曲面任一距离区间微动随时间变化的雷达检测回波，而列向量记录任一时刻不同距离区间的微动变化。
1.2. 方法
对于心脏体表微动UWB雷达时间-距离二维回波信号，本文提出了一个基于UWB雷达感知心脏体表微动实现人体身份识别的信号处理框架，具体流程如图3所示，主要包括预处理、心拍特征提取、心拍身份识别3个关键模块。
图 3.
Signal processing framework of human identification based on heart micro-motion sensing using UWB bio-radar
基于UWB雷达感知心脏体表微动实现人体身份识别信号处理框架
1.2.1. 预处理
对于UWB雷达探测胸壁表面微动的时间-距离二维回波，预处理主要包括3步：① 去噪。通过背景减平均去除静态杂波，然后进行直流滤波去除基线漂移，最后构造31阶Hamming窗、截止频率为5 Hz的理想低通滤波器，用于去除原始信号中的高频分量。② 有效距离范围信号选择。对于去噪后的时间-距离二维矩阵，沿距离向求取每个距离通道信号 
的能量值，并以能量作为特征定位最佳距离通道 
以及包含心脏微动信息的有效距离范围，即 
个距离通道信号。特别地，在本研究中选取 
作为有效距离范围多通道信号，即 
。③ 心跳信号提取。对于有效距离范围内任一距离通道信号，采用理想带通滤波器（截止频率为1～5 Hz）提取出心跳信号。
以一例静态人体UWB雷达探测回波为例（见图4a），原始回波整个距离空间混杂着强烈的静态杂波和噪声，生理微动淹没其中。经过去噪后（见图4b），目标所在距离范围内可观察到明显的微动响应回波。图4c为基于能量选择的4个距离单元心跳呼吸混合信号。再经过呼吸心跳处理后，所得信号（见图4d）可观察到显著的心跳节律，并且幅值也远小于混合信号，这是因为幅度更大的呼吸分量已经被有效滤除。
图 4.
Echo signal preprocessing
回波信号预处理
a. 原始信号；b. 去噪后信号；c. 有效距离范围多通道信号；d. 心跳信号提取
a. original radar echo; b. denoised signal; c. multiple range-bin signal in effective range scope; d. heartbeat signal extraction
1.2.2. 心拍特征提取
对于预处理后的任一有效距离通道信号，需经过心拍划分、有效心拍筛选和特征提取，才能为后续识别提供特征基础。
（1）基于双小波联合定位的心拍划分：借鉴ECG心拍划分经典方法，本研究采用基于基准点的心拍划分方式，即准确定位波峰-波谷基准点后，进行心拍划分。本研究充分利用mexh和db1两种母小波分别在周期性和细节敏感方面的综合优势，提出基于双小波联合定位的心拍划分方法。在准确定位心脏回波波峰波谷的基础上，考虑到心率的影响，并结合实际，一次心跳的持续时间一般不超过1.5倍平均水平，因此定义符合条件的波谷-波谷为一个可信心拍，相应条件为：波谷-波谷间仅有一个波峰点且长度≤1.5倍平均心拍长度。
（2）重采样及有效心拍筛选：为了消除心率变化及定位校正移动而导致的单次心拍长度不一的问题，经过统计分析，对每个可信心拍以波峰为基准点，按照统一长度（
个采样点）进行标准重采样。此外，由于是非接触采集人体胸壁微动，不可避免在某些时段因本能体动或其他因素导致信号严重变异。因此，本研究中首先求取所有心拍均值得到该目标心拍模板，然后对于任意可信心拍依次求取其与模板心拍的欧氏距离和皮尔逊相关系数，在前期试验发现选择欧氏距离的阈值为1.2、皮尔逊相关系数的阈值为0.6足以在尽量保证数据量的前提下剔除变异性心拍。
（3）基于2D-PCA的多通道心拍矩阵特征提取：对于有效距离范围多通道信号 
，经过心拍划分和筛选后，每个心拍矩阵可表示为 
；其中 
，为4个有效距离通道；
为有效心拍序列索引；
，为心拍采样点。对于每个心拍矩阵（大小为 
），可以看做是在当前心拍时刻三维心脏运动在距离方向的投影，多通道之间互有关联，隐含着一定的心脏结构关联特点。为此，本研究采用2D-PCA，在有效保留心脏运动数据结构信息的同时提取每个心拍矩阵的内在特征，还可以起到降维效果。
1.2.3. 基于心拍特征的身份识别
基于2D-PCA的多距离通道联合编码进行身份识别。对于多距离通道心拍矩阵，采用2D-PCA提取特征，进一步构建个体特征数据库，可结合机器学习分类器进行模型训练和身份识别。同时，以传统的基于单一整条心拍数据为特征进行身份识别的方法作为参考方法。
2. 实验及结果
2.1. UWB雷达系统及数据采集
生物雷达传感器采用Novelda公司研制的7.9 GHz超宽谱雷达传感器X4M200（如图5a所示），其关键参数如表1所示。考虑实际的应用场景后，数据采集时将人体与雷达距离定为0.55 m。
图 5.
Experimental system and scenario
实验系统及场景
a. 生物雷达传感器；b. 数据采集实验场景
a. structure of bio-radar sensor; b. data acquisition experimental scene
表 1. The key parameters of the UWB bio-radar.
UWB生物雷达系统参数
| 系统参数 | 符号 | 取值 |
| 探测距离 | R | 0.4～5.0 m |
| 频带 | △B | 7.25～10.20 GHz |
| 基带采样率 | f B | 2.916 GHz |
| 采样频率 | f s | 17 Hz |
| 平均输出功率 | P | ≤44 dBm/MHz |
本研究为探索性研究，故数据采集时更多考虑较为理想姿态下雷达探测心脏微动。随机招募18例志愿者（年龄19～30岁，男性和女性各9名），实验时志愿者平躺于地面且正对雷达，利用激光定位，保持雷达在心脏正上方，调节雷达与体表距离约为55 cm（如图5b所示），每位志愿者按照统一指示进行数据采集。此外，为了对比呼吸行为对识别效果的影响，每位志愿者分别在正常呼吸和屏息两种基本状态下进行数据采集。实验时，每位志愿者采集12组数据，正常呼吸状态每组数据采集时长25 s，屏息状态每组数据采集时长20 s。每组数据采集前后志愿者充分休息，恢复平静。
2.2. 心拍检测实验
基于双小波联合定位的心拍分割实验。为验证本文提出的双小波联合定位方法的有效性，以一段典型信号（如图6a所示）为例，分别采用mexh小波变换和db1小波变换对信号进行波峰及波谷定位，结果如图6b～c所示。
图 6.
Heartbeat localization experiment
心拍定位实验
a. 预处理信号；b. mexh小波变换定位结果；c. db1小波变换定位效果；d. 双小波联合定位效果
a. preprocessed signal; b. peak positioning based on mexh wavelet transform; c. peak positioning based on db1 wavelet transform; d. peak positioning based on dual wavelet joint positioning
可以发现，由于mexh小波更注重周期而对细节不敏感，当信号扰动时易发生漏检（见图6b）。另一方面，db1与雷达心脏信号在形态学上更为相似，对细节更加敏感，因而基于db1小波变换方法检测时会出现严重多检现象（见图6c）。本文所采用双小波联合定位方法检测结果如图6d所示，可见能够准确地定位出绝大部分波峰-波谷。
对于个体的每条心脏微动雷达回波，在进行波峰-波谷检测及心拍分割后，即可得到个体心拍集合。图7a～b所示为随机选取两位志愿者固定时段内的原始心拍集合。同时，在同一个体心拍集合中，可能由于某些时刻随机环境干扰和身体微动影响，使得心拍信号发生变异而偏离个体本身稳定心拍特性，这将对心拍身份识别效果产生严重影响。
图 7.
The experiment on obtaining and processing heart beats of two random volunteers A and B
随机2位志愿者A和B的心拍获取与处理实验
a-b. 个体心拍集合；c-d. 有效心拍筛选后的有效心拍集合；e-f. 异常心拍筛选前后各心拍与心拍模板的偏离情况（箱图）
a-b. the individual heart beat set; c-d. screened effective heart beats; e-f. the deviation of each heart beat from corresponding heart beat template before and after abnormal heart beats screening (box diagram)
针对上述异常心拍问题，本研究提出构建心拍模板并结合欧氏距离和皮尔逊相关系数双参数进行异常心拍剔除。以志愿者A和B原始心拍集合为例，可以发现与个体心拍整体趋势偏离较大或变异严重的心拍经过筛选后被有效去除（图7a～b vs. 图7c～d）。为进一步量化评价心拍筛选的效果，本研究基于箱图统计方法，对异常剔除前/后心拍集合在各采样时刻上的数值与相应心拍模板的偏离情况进行统计分析（如图7e～f所示）。可以发现，无论是志愿者A还是B，经过异常剔除后的各心拍各时刻采样数值上-下限幅值差和上-下四分位数均明显小于剔除前，表明剔除后有效心拍在任意采样时刻上离散度更低、心拍信号更接近，这将有效改善后期基于连续心拍的身份识别效果。
2.3. 身份识别模型训练与测试实验
基于2.1节描述的UWB雷达系统及数据情况，本研究结合前述预处理及心拍检测流程，主要构建在正常呼吸和屏息两种状态下的三种雷达心脏微动回波特征方案，分别是：① 最佳距离单元&整条心拍特征（optimal range bins & heart beat，ORB-HB），即选取最佳距离单元信号进行心拍处理，且以整个有效心拍作为目标特征；② 多距离单元&整条心拍特征（multiple range bins & heart beat，MRB-HB），即选取有效距离范围内的多距离单元信号分别进行心拍处理，同样以整个有效心拍作为特征数据；③ 多距离单元& 2D-PCA特征（MRB & 2D-PCA），即选取有效距离范围内多个距离单元信号分别进行心拍处理，构成回波通道-心拍采样点2D矩阵，基于2D-PCA进行矩阵特征提取并作为特征数据。三种特征方案结合两种呼吸状态，共形成6种特征数据库（正常呼吸状态下ORB-HB、MRB-HB、MRB & 2D-PCA特征数据量分别为2 842组、10 641组、2 000组；屏息状态下分别为2 676组、8 958组和2 000组）。
身份识别实验中，将每个志愿者特征数据按照4∶1比例随机划分为训练集和测试集，采用5折交叉验证进行机器学习分类器训练和识别性能测试。需要说明的是，对于个别数据库存在略微欠对称的问题，本研究并未进行补齐操作，且认为不会造成实质影响。此外，为了稳定验证三种方案的身份识别效果，选取二次支持向量机（support vector machine，SVM）、三层神经网络和k近邻法（k-nearest neighbor，KNN）三种典型机器学习分类器进行身份识别实验，采用准确率（Accuracy）和F1分数（F1-score）作为分类性能及效果的评估指标。
表2所示为两种呼吸状态下基于三种心拍特征方案结合三种典型分类器的身份识别结果。以二次SVM为例，正常呼吸状态基于ORB-HB特征识别准确率为81.01%，MRB-HB特征识别准确率为56.81%，而本研究提出的MRB & 2D-PCA特征方案的身份识别准确率为89.21%，分别相对提高8.2%和32.4%；同时，在屏息状态下，本文MRB & 2D-PCA特征方案的身份识别准确率为90.25%，相对两种参考特征方案也分别提高5.95%和30.55%。基于三层神经网络和KNN分类器的识别结果基本与上述情况一致。总体来看，本文提出的MRB & 2D-PCA特征表现出最优的识别效果（基于二次SVM和三次神经网络分类器），相对ORB-HB特征方案识别准确率总体平均提高6.16%（正常呼吸6.84%、屏息5.48%），相对MRB-HB特征方案总体平均提高27.42%（正常呼吸28.63%、屏息26.21%）。结果证明了利用2D-PCA对距离通道-采样点二维矩阵进行特征提取，相应特征具有更高的个体特异性和稳定性。
表 2. Identity recognition results based on three kinds of heart beat feature schemes under two respiratory states.
两种呼吸状态下基于三种心拍特征方案的身份识别结果
| 呼吸状态 | 特征方案 | 二次SVM | 三层神经网络 | KNN | |||||
| 准确率（%） | F1分数（%） | 准确率（%） | F1分数（%） | 准确率（%） | F1分数（%） | ||||
| 正常呼吸 | ORB-HB | 81.01 | 80.62 | 78.73 | 78.79 | 72.76 | 72.00 | ||
| MRB-HB | 56.81 | 56.85 | 59.35 | 59.70 | 59.11 | 58.86 | |||
| MRB & 2D-PCA | 89.21 | 89.31 | 84.21 | 84.24 | 73.42 | 72.78 | |||
| 屏息 | ORB-HB | 84.30 | 84.37 | 80.74 | 80.63 | 78.50 | 78.04 | ||
| MRB-HB | 59.70 | 59.17 | 63.89 | 63.77 | 66.57 | 65.51 | |||
| MRB & 2D-PCA | 90.25 | 89.31 | 85.75 | 85.71 | 80.25 | 79.54 | |||
其次，尽管MRB-HB特征方案相较于ORB-HB特征方案在特征数据量上占有绝对优势，通过有效距离范围多通道扩充方式使得特征数量超出近4倍，但实际识别效果却急剧恶化（三种分类器平均识别准确率在正常呼吸和屏息状态分别下降19.08%和17.80%）。这可能是因为，在经过多通道数据扩充的同时，相邻多通道数据的差异性剧增，对身份识别带来的不利影响占据了主导，从而严重影响了分类器对个体特征的学习效果。
3. 讨论
实验结果表明，本研究根据UWB雷达获取的人体心脏体表区域的多点微动回波，基于MRB & 2D-PCA特征方案进行个体身份识别，有效提高了心纹身份识别准确率。与现有研究[17-18]将心脏体表微动看作单一点目标不同，本研究首次将心脏体表微动看成三维曲面微动，利用UWB高距离分辨率优势获取距离维多点信号，在每个心拍周期内构成通道-心拍采样点图像矩阵，该矩阵将蕴含心脏体表区域运动的结构性信息。此时，无论是取最优通道或将多通道信息孤立式对待，均无法提取完善且有效的特征信息用于身份识别。正如表2中结果所示，MRB-HB特征方案虽然通过数据扩充方式也利用了多通道数据，但识别效果却严重恶化，甚至远低于ORB-HB特征方案。而MRB & 2D-PCA特征方案从二维层面压缩提取图像矩阵的特征，一方面可有效保留心脏结构信息，另一方面可有效剔除图像中的无用信息，提取出主要能量集中的低频分量，降低数据维度，故其识别准确率也稳定高于前两种参考方法。
本研究所用三种分类器均为最常规分类器，并未进行任何改进和优化，主要目的是以之作为稳定基础，便于对三种特征方案在身份识别过程的效果进行对比测试。此外，三种分类器识别结果中SVM最优，神经网络次之，KNN最差。这可能是因为本研究中身份识别特征数据均为生理趋势相近的心拍数据，而KNN算法仅通过找到数据集中距离待测样本最近的K个值，再利用这K个值投票作为待测样本的预测结果来进行分类，并不会像SVM将样本映射到高维特征空间，使得样本在高维空间线性可分而实现分类，导致KNN分类准确率相对较低。
此外，本研究基于UWB生物雷达获取人体心脏体表区域多点微动特征进行身份分类识别的初步探索，所利用的回波数据特征仅局限于时域特征，而相关研究[19]表明心脏微动雷达回波在其他信号域中具有识别度更高的特征分布特点，因此后续研究可综合时域、频域、多普勒域等特征，进行多域特征融合识别。此外，本研究进行身份识别时仅以标准分类器为基础，后续研究可结合深度学习[20]来深度挖掘信号多域特征。
4. 结论
本研究基于UWB生物雷达系统非接触探测人体心脏运动引起的体表三维曲面微动，构建了基于UWB雷达心脏微动感知实现人体身份识别信号的处理框架，并对三种类型心拍特征方案的身份识别效果进行了分析对比。在改进心拍检测和有效心拍筛选的基础上，本研究首次提出基于MRB & 2D-PCA的心拍特征方案，即对于每个心拍周期内的通道-心拍采样数二维图像矩阵，利用2D-PCA从二维层面压缩提取特征。实测试验中，为了验证本研究所提特征方案的有效性，采用最佳距离单元&整个心拍特征方案和多距离单元&整条心拍特征方案作为参考，结合二次SVM、三层神经网络和KNN作为典型分类器进行身份识别，本文所提MRB & 2D-PCA特征方案表现出最优识别效果。本研究初步实现了基于UWB生物雷达心脏微动感知的身份识别，并首次从理论和实测两方面论证了MRB & 2D-PCA特征方案的合理性和有效性。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：黄玮、王可涵主要负责实验设计及数据采集，任伟、李钊负责部分算法设计，祁富贵负责研究方案制定和论文写作，王健琪、路国华负责研究整体指导。
伦理声明：本研究通过第四军医大学第一附属医院医学伦理委员会的审批。
Funding Statement
国家自然科学基金青年项目（62201578）；陕西省青年人才托举计划（20230144）
References
- 1.Jain A K, Ross A, Prabhakar S An introduction to biometric recognition. IEEE T Circ Syst Vid. 2004;14(1):4–20. [Google Scholar]
- 2.孙冬梅, 裘正定 生物特征识别技术综述. 电子学报. 2001;29(S1):1744. [Google Scholar]
- 3.Jonsson K, Kittler J, Li Y P Support vector machines for face authentication. Image Vision Comput. 2002;20(5/6):369–375. [Google Scholar]
- 4.Jin Z, Lim M, Teoh A B J, et al Generating fixed-length representation from minutiae using kernel methods for fingerprint authentication. IEEE T Syst Man Cy A. 2016;46(10):1415–1428. doi: 10.1109/TSMC.2015.2499725. [DOI] [Google Scholar]
- 5.Thomas T, George A, Devi K P I Effective iris recognition system. Pro Tech. 2016;25:464–472. doi: 10.1016/j.protcy.2016.08.133. [DOI] [Google Scholar]
- 6.Farke F M, Lassak L, Pinter J, et al. Exploring user authentication with windows hello in a small business environment// Eighteenth Symposium on Usable Privacy and Security (SOUPS 2022). Boston: USENIX Association, 2022: 523-540.
- 7.Mock K, Hoanca B, Weaver J, et al. Real-time continuous iris recognition for authentication using an eye tracker// Proceedings of the 2012 ACM conference on Computer and communications security. Raleigh North Carolina: Association for Computing Machinery, 2012: 1007-1009.
- 8.Pinto P, Patrão B, Santos H Free typed text using keystroke dynamics for continuous authentication// De Decker B, Zúquete A. Communications and Multimedia Security. CMS 2014. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer. 2014;8735:33–45. [Google Scholar]
- 9.Cantoni V, Galdi C, Nappi M, et al GANT: Gaze analysis technique for human identification. Pattern Recog. 2015;48(4):1027–1038. doi: 10.1016/j.patcog.2014.02.017. [DOI] [Google Scholar]
- 10.Zhang Z, Wang H, Vasilakos A V, et al ECG-cryptography and authentication in body area networks. IEEE T Inf Technol B. 2012;16(6):1070–1078. doi: 10.1109/TITB.2012.2206115. [DOI] [PubMed] [Google Scholar]
- 11.Qi F, Lv H, Wang J, et al Quantitative evaluation of channel micro-doppler capacity for MIMO UWB radar human activity signals based on time-frequency signatures. IEEE T Geosci Remote. 2020;58(9):6138–6151. doi: 10.1109/TGRS.2020.2974749. [DOI] [Google Scholar]
- 12.Ren W, Qi F, Foroughian F, et al Vital sign detection in any orientation using a distributed radar network via modified independent component analysis. IEEE T Microw Theory. 2021;69(11):4774–4790. doi: 10.1109/TMTT.2021.3101655. [DOI] [Google Scholar]
- 13.Hui X, Kan E C Monitoring vital signs over multiplexed radio by near-field coherent sensing. Nat Electron. 2018;1(1):74–78. [Google Scholar]
- 14.Qiao J, Qi F, Liang F, et al Contactless multiscale measurement of cardiac motion using biomedical radar sensor. Front Cardiovasc Med. 2022;9:1057195. doi: 10.3389/fcvm.2022.1057195. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 15.Rissacher D, Galy D. Cardiac radar for biometric identification using nearest neighbour of continuous wavelet transform peaks// IEEE International Conference on Identity, Security and Behavior Analysis (ISBA 2015). Hong Kong: IEEE, 2015: 1-6.
- 16.Zhuang Y, Song C, Lin F, et al. On the feasibility of non-contact cardiac motion sensing for emerging heart-based biometrics// 2016 IEEE Radio and Wireless Symposium (RWS). Austin: IEEE, 2016: 204-206.
- 17.Shi K, Will C, Weigel R, et al. Contactless person identification using cardiac radar signals// 2018 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). Houston: IEEE, 2018: 1-6.
- 18.Lin F, Song C, Zhuang Y, et al. Cardiac scan: A non-contact and continuous heart-based user authentication system// Proceedings of the 23rd Annual International Conference on Mobile Computing and Networking. New York: Association for Computing Machinery, 2017: 315-328.
- 19.蹇强. 遮蔽场景穿墙雷达人体行为识别方法研究. 成都: 电子科技大学, 2022.
- 20.Cao P, Xia W, Li Y Heart ID: Human identification based on radar micro-doppler signatures of the heart using deep learning. Remote Sens. 2019;11(10):1220. doi: 10.3390/rs11101220. [DOI] [Google Scholar]