一種基于心電信號(hào)動(dòng)態(tài)自更新樣本的身份識(shí)別方法
【專利摘要】本發(fā)明涉及一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，用于通過采集個(gè)人的心電信號(hào)來識(shí)別及驗(yàn)證個(gè)人的身份信息。屬于生物特征身份識(shí)別【技術(shù)領(lǐng)域】。其特征在于：首先，利用個(gè)人心電信號(hào)的R波位置分割出心搏周期信號(hào)，其次，通過離散余弦變換提取特征向量，然后，使用一個(gè)兩層決策分類器進(jìn)行個(gè)人身份識(shí)別，最后，判斷輸入的個(gè)人心電信號(hào)的所屬身份，并根據(jù)成功識(shí)別的樣本進(jìn)行反饋，定期更新樣本庫，保證算法在長期時(shí)間能正常有效地運(yùn)作。算法包括了四個(gè)模塊：預(yù)處理及特征向量提取模塊、訓(xùn)練學(xué)習(xí)模塊、匹配識(shí)別模塊、樣本評(píng)估更新模塊。
【專利說明】-種基于心電信號(hào)動(dòng)態(tài)自更新樣本的身份識(shí)別方法

【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明涉及一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，屬于生物特征 身份識(shí)別【技術(shù)領(lǐng)域】，主要適用于通過采集個(gè)人心電信號(hào)來識(shí)別及驗(yàn)證個(gè)人的身份信息。

【背景技術(shù)】：
[0002] 心電信號(hào)（Electrocardiogram, ECG)有著以下的優(yōu)點(diǎn)：
[0003] 1.任何人都有心電，具有普遍性；
[0004] 2.心電是人的心臟跳動(dòng)產(chǎn)生的生物電勢，來自于人的心臟，不易被輕易仿制，與指 紋和人臉等相比，具備高安全性；
[0005] 3.心電信號(hào)因人而異，不同的心臟位置、大小、形狀、胸部構(gòu)造、年齡、性別、體重等 因素造成了心電信號(hào)的差異，心電信號(hào)具有唯一性的特點(diǎn)；
[0006] 4.心電信號(hào)可以通過體表電極方便的采集，具有可采集性；
[0007] 5.在較長時(shí)間內(nèi)，同一個(gè)人的心電信號(hào)往往十分相似，心電信號(hào)具有穩(wěn)定性。
[0008] 綜上所述，心電信號(hào)具有惟一的、顯著的生物特征，因此，心電信號(hào)可以作為一種 生物特征，用來識(shí)別人的身份。使用心電信號(hào)進(jìn)行身份識(shí)別，除上述特點(diǎn)之外還具有以下優(yōu) 點(diǎn)：心電信號(hào)是一維信號(hào)，處理簡單，數(shù)據(jù)量小，節(jié)省存儲(chǔ)空間；心電信號(hào)的異常診斷領(lǐng)域 研究多年，去噪、濾波、QRS波定位等均有成熟的算法。
[0009] 目前心電身份識(shí)別算法分為基于基點(diǎn)檢測的特征提取方法和非基點(diǎn)檢測的特征 提取方法。其中，較為常見的為基于多基點(diǎn)檢測的特征提取方法。基于多基點(diǎn)檢測的特征 提取方法是通過提取P、R、T波振幅和PR、QRS、QT、ST間期及P波間期等作為身份識(shí)別的樣 本數(shù)據(jù)，計(jì)算繁瑣復(fù)雜、不易操作。真實(shí)心電信號(hào)在基點(diǎn)處也可能存在著多個(gè)極點(diǎn)，特征提 取的精度也受傳感器噪聲的影響。因此，基點(diǎn)檢測困難，算法準(zhǔn)確度受到很大限制。
[0010] 此外，雖然心電信號(hào)在較長時(shí)間內(nèi)具有穩(wěn)定性，但當(dāng)時(shí)間跨度較大時(shí)，同一個(gè)人的 心電信號(hào)模式并非一成不變的：由于體質(zhì)變化、健康狀況或年齡變化等因素，心電信號(hào)可能 會(huì)發(fā)生一定的微小變化。隨著時(shí)間跨度的不斷增加，微小變化得到累積，原有的樣本庫中的 樣本不能很好地代表用戶的心電模式。為了保證心電信號(hào)身份識(shí)別系統(tǒng)能夠長期正常運(yùn) 作，當(dāng)個(gè)體心電信號(hào)模式在長時(shí)間內(nèi)逐漸變化時(shí)，有必要對(duì)系統(tǒng)的樣本庫和決策模型進(jìn)行 更新。而目前的心電身份識(shí)別算法中，均需要人為的重新采樣及重新訓(xùn)練決策模型，操作繁 瑣。


【發(fā)明內(nèi)容】
：
[0011] 本發(fā)明的目的在于提供一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，可 以通過采集用戶的心電數(shù)據(jù)進(jìn)行身份識(shí)別及驗(yàn)證，同樣也適用于其他生理信號(hào)身份識(shí)別的 類似應(yīng)用中。
[0012] 本發(fā)明使用的相關(guān)理論包括：心電數(shù)據(jù)前期處理、離散余弦變換、隨機(jī)森林的應(yīng) 用。
[0013] 本發(fā)明提出的基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法主要包括四個(gè)模 塊：預(yù)處理及特征向量提取模塊、訓(xùn)練學(xué)習(xí)模塊、匹配識(shí)別模塊、樣本評(píng)估更新模塊。其中， 訓(xùn)練學(xué)習(xí)階段包括心電信號(hào)預(yù)處理及特征向量提取模塊和訓(xùn)練學(xué)習(xí)模塊，該階段將所有用 戶個(gè)人的心電數(shù)據(jù)進(jìn)行處理，提取出心電信號(hào)特征向量存入樣本庫，并生成隨機(jī)森林模型； 匹配識(shí)別階段包括心電信號(hào)預(yù)處理及特征向量提取模塊和匹配識(shí)別模塊，在該階段中輸入 待識(shí)別用戶個(gè)人的心電數(shù)據(jù)，將提取的心電信號(hào)特征向量通過兩層決策分類器，得到識(shí)別 結(jié)果；樣本評(píng)估更新階段包括樣本評(píng)估更新模塊，該階段將成功識(shí)別的樣本暫存于另一樣 本庫，并定期進(jìn)行樣本的評(píng)估，以更有效地代表用戶的樣本替換失效的舊樣本，更新樣本 庫，并重新訓(xùn)練隨機(jī)森林模型，以保證身份識(shí)別算法在長期能正常有效地運(yùn)作。
[0014] 本發(fā)明提出的基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法在應(yīng)用上分為三 個(gè)階段：
[0015] 1訓(xùn)練學(xué)習(xí)階段：
[0016] 1. 1心電數(shù)據(jù)采集。對(duì)每個(gè)用戶個(gè)人在不同時(shí)間采集多段具有一定時(shí)長的心電數(shù) 據(jù)，并記錄樣本的采集時(shí)間。
[0017] 1. 2心電信號(hào)預(yù)處理及特征向量提取。對(duì)所有輸入的個(gè)人心電數(shù)據(jù)進(jìn)行預(yù)處理及 周期分割。對(duì)處理后的數(shù)據(jù)進(jìn)行離散余弦變換（DCT變換），提取特征向量。
[0018] 1.3心電信號(hào)樣本庫的建立。將變換后的特征向量與用戶個(gè)人一一對(duì)應(yīng)，存入數(shù)據(jù) 庫。
[0019] 1. 4使用兩層決策分類器（隨機(jī)森林-最近鄰分類器）對(duì)數(shù)據(jù)進(jìn)行第一層隨機(jī)森 林決策層的訓(xùn)練學(xué)習(xí)。
[0020] 2匹配識(shí)別階段：
[0021] 2.1心電數(shù)據(jù)采集。對(duì)待識(shí)別用戶個(gè)人采集心電數(shù)據(jù)。
[0022] 2. 2心電信號(hào)預(yù)處理及特征向量提取。對(duì)輸入的個(gè)人心電數(shù)據(jù)進(jìn)行預(yù)處理及周期 分割。對(duì)處理后的信號(hào)進(jìn)行離散余弦變換（DCT變換），提取特征向量。
[0023] 2. 3心電信號(hào)匹配識(shí)別。將提取后的特征向量使用兩層決策分類器（隨機(jī)森林-最 近鄰分類器），得到?jīng)Q策結(jié)果。
[0024] 3樣本評(píng)估更新階段：
[0025] 3. 1成功識(shí)別的樣本的保存。對(duì)成功識(shí)別的樣本，將其保存在近期識(shí)別成功樣本庫 中。
[0026] 3. 2定期的樣本評(píng)估更新。檢查原心電信號(hào)樣本庫及近期識(shí)別成功樣本庫，評(píng)估原 心電信號(hào)樣本庫的樣本是否仍能有效地代表用戶的心電信號(hào)模式。若存在偏離度較高的樣 本，則在近期識(shí)別成功樣本庫中尋找最優(yōu)樣本進(jìn)行替換。完成心電信號(hào)樣本庫的更新，并 重新訓(xùn)練隨機(jī)森林模型。
[0027] 本發(fā)明中涉及的基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法與上述技術(shù)的 不同之處，在于只需檢測R波位置，無需進(jìn)行其他復(fù)雜的基點(diǎn)檢測；利用R波位置分割出心 搏周期信號(hào)，通過離散余弦變換（DCT)提取特征向量，通過一個(gè)兩層決策分類器（隨機(jī)森 林-最近鄰分類器）進(jìn)行身份識(shí)別，判斷輸入信號(hào)的所屬身份；增加了樣本評(píng)估更新模塊， 根據(jù)成功識(shí)別的樣本進(jìn)行評(píng)估，并進(jìn)行反饋，更新樣本庫，保證身份識(shí)別算法在長期時(shí)間內(nèi) 能正常有效地運(yùn)作。本發(fā)明的算法結(jié)構(gòu)示意圖如圖1所示。
[0028] 本發(fā)明的優(yōu)點(diǎn)在于：
[0029] 1)只需檢測R波位置，無需進(jìn)行其他復(fù)雜的基點(diǎn)檢測，而R波為正常人心電波形中 幅值最大的波段，檢測簡單，定位準(zhǔn)確。有效地避免了因其他復(fù)雜基點(diǎn)定位不準(zhǔn)而導(dǎo)致算法 準(zhǔn)確率下降的情況。
[0030] 2)特征提取采用了離散余弦變換進(jìn)行，離散余弦變換具有快速算法，可以加快運(yùn) 算速度。使得該算法在單片機(jī)、智能手機(jī)等嵌入式平臺(tái)上也能正常運(yùn)作。
[0031] 3)識(shí)別決策時(shí)采用隨機(jī)森林-最近鄰分類器進(jìn)行。對(duì)于大的樣本庫，第一層的隨 機(jī)森林決策層將預(yù)選范圍大大減小，在保證準(zhǔn)確度的同時(shí)很好的保證了匹配的速度，第二 層的最近鄰決策層進(jìn)一步提高了準(zhǔn)確度，并在很大程度上減少第一層中隨機(jī)森林所需的決 策樹數(shù)目，提高了訓(xùn)練效率。
[0032] 4)以國際權(quán)威心電數(shù)據(jù)庫MIT-BIH Normal Sinus Rhythm Database作為測試，對(duì) 數(shù)據(jù)庫里每個(gè)個(gè)體ECG記錄截取不同時(shí)間點(diǎn)共100次心搏周期的心電信號(hào)進(jìn)行交叉驗(yàn)證。 實(shí)驗(yàn)結(jié)果表明，平均準(zhǔn)確率達(dá)99%以上，誤拒率為2. 5%以下，符合身份識(shí)別的要求。
[0033] 5)樣本評(píng)估更新模塊的增設(shè)，使得當(dāng)用戶心電模式發(fā)生微小變化時(shí)，樣本庫中的 樣本能夠自動(dòng)更新，決策模型自動(dòng)調(diào)整?？朔似渌惴ㄖ性陂L時(shí)間后識(shí)別率下降的問題， 保證身份識(shí)別算法在長期時(shí)間內(nèi)能正常有效地運(yùn)作，也省去了人工重新采樣的步驟。

【專利附圖】

【附圖說明】：
[0034] 圖1是本發(fā)明提出的算法結(jié)構(gòu)示意圖；
[0035] 圖2是預(yù)處理及特征向量提取模塊的流程圖；
[0036] 圖3是訓(xùn)練學(xué)習(xí)模塊的流程圖；
[0037] 圖4是匹配識(shí)別模塊的流程圖；
[0038] 圖5是樣本評(píng)估更新模塊的流程圖。 具體實(shí)施方案：
[0039] 為進(jìn)一步詳細(xì)表述本發(fā)明的實(shí)施步驟，下面將結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作進(jìn) 一步的說明。
[0040] 本發(fā)明提出了一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，可以分為四 個(gè)模塊，如圖1所示，該方法包括：
[0041] 101 :預(yù)處理及特征向量提取模塊；
[0042] 102 :訓(xùn)練學(xué)習(xí)模塊；
[0043] 103:匹配識(shí)別模塊；
[0044] 104 :樣本更新評(píng)估模塊。
[0045] 預(yù)處理及特征向量提取模塊：
[0046] 201 :對(duì)心電數(shù)據(jù)進(jìn)行濾波。對(duì)采集的心電波形進(jìn)行濾波，以消除工頻干擾、肌電干 擾、基線漂移等不利影響。使用截止頻率30Hz，帶寬3dB的巴特沃茲低通濾波器消除工頻干 擾及高頻干擾，然后使用截止頻率為1Hz的巴特沃茲低通濾波器檢測基線信號(hào)，并用信號(hào) 減去基線信號(hào)以消除基線漂移。
[0047] 202 :檢測R波位置，以相鄰的R波位置進(jìn)行分割，提取得到多個(gè)完整的周期信號(hào)。 R波檢測的方法為對(duì)信號(hào)作一階差分，利用R波幅度大且斜率高的特點(diǎn)，尋找局部極大值， 并根據(jù)閾值排除干擾。
[0048] 203 :波形的規(guī)范化。由于心電采集設(shè)備的采集頻率、采集人的身體狀態(tài)等因素的 影響，心電波形存在一定的不同。為了消除這些不同，要對(duì)分割后的心搏周期信號(hào)進(jìn)行波形 的規(guī)范化。波形的規(guī)范化分為時(shí)軸上的規(guī)范化和電壓軸上的規(guī)范化。
[0049] a)時(shí)間軸上的規(guī)范化：將心率規(guī)范為60次/min，即心搏周期時(shí)間規(guī)范為ls，也即 將每個(gè)周期信號(hào)采樣點(diǎn)規(guī)范為sfreq個(gè)（其中，sfreq為心電采集設(shè)備的采樣頻率）。這樣 可以減小不同心跳速率對(duì)識(shí)別的不利影響。
[0050] 記提取的心搏周期信號(hào)序列{a[n]}長度為1，心電采集設(shè)備采樣頻率為sfreq，經(jīng) 時(shí)間軸上的規(guī)范化后輸出lb [η]}:

【權(quán)利要求】
1. 一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，其特征在于：利用個(gè)人心電 信號(hào)的R波位置分割出心搏周期信號(hào)，通過離散余弦變換提取心電特征向量，使用一個(gè)兩 層決策分類器進(jìn)行個(gè)人身份識(shí)別，判斷輸入的個(gè)人心電信號(hào)的所屬個(gè)人身份，并根據(jù)成功 識(shí)別的樣本進(jìn)行反饋，定期更新樣本庫，保證算法在長期時(shí)間能正常有效地運(yùn)作。算法包括 了四個(gè)模塊：預(yù)處理及特征向量提取模塊、訓(xùn)練學(xué)習(xí)模塊、匹配識(shí)別模塊、樣本評(píng)估更新模 塊。
2. 根據(jù)權(quán)利要求1所述的一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，其特 征在于：算法主要包括以下三個(gè)階段： 2.1訓(xùn)練學(xué)習(xí)階段： 2. 1. 1對(duì)每個(gè)用戶個(gè)人在不同時(shí)間采集多段具有一定時(shí)長的心電數(shù)據(jù)。 2. 1. 2對(duì)所有輸入的個(gè)人心電數(shù)據(jù)進(jìn)行預(yù)處理及周期分割。對(duì)處理后的數(shù)據(jù)進(jìn)行離散 余弦變換（DCT變換），提取特征向量。 2. 1. 3將變換后的特征向量與用戶個(gè)人一一對(duì)應(yīng)，存入數(shù)據(jù)庫。 2. 1. 4使用兩層決策分類器（隨機(jī)森林-最近鄰分類器）對(duì)數(shù)據(jù)進(jìn)行第一層隨機(jī)森林 決策層的訓(xùn)練學(xué)習(xí)。 2. 2匹配識(shí)別階段： 2. 2. 1對(duì)待識(shí)別用戶個(gè)人采集心電數(shù)據(jù)。 2. 2. 2對(duì)輸入的個(gè)人心電數(shù)據(jù)進(jìn)行預(yù)處理及周期分割。對(duì)處理后的信號(hào)進(jìn)行離散余弦 變換（DCT變換），提取特征向量。 2. 2. 3將提取后的特征向量使用兩層決策分類器（隨機(jī)森林-最近鄰分類器），得到?jīng)Q 策結(jié)果。 2. 3樣本評(píng)估更新階段： 2. 3. 1對(duì)成功識(shí)別的樣本，將其保存在近期識(shí)別成功樣本庫中。 2. 3. 2評(píng)估原心電信號(hào)樣本庫的樣本是否仍能有效地代表用戶的心電信號(hào)模式。若存 在偏離度較高的樣本，則在近期識(shí)別成功樣本庫中尋找最優(yōu)樣本進(jìn)行替換。完成心電信號(hào) 樣本庫的更新，并重新訓(xùn)練隨機(jī)森林模型。
3. 根據(jù)權(quán)利要求1、2所述的一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，其 特征在于：所述的預(yù)處理及特征向量提取模塊包括以下步驟： 3.1對(duì)心電數(shù)據(jù)進(jìn)行濾波。 3. 2定位R波位置，以相鄰的R波位置進(jìn)行分割，提取得到多個(gè)完整的周期信號(hào)。 3. 3對(duì)分割后的心搏周期信號(hào)進(jìn)行時(shí)間軸上的規(guī)范化和電壓軸上的規(guī)范化。 3. 3. 1時(shí)間軸上的規(guī)范化：將心搏周期時(shí)間規(guī)范為固定時(shí)間，即將每個(gè)周期信號(hào)采樣 點(diǎn)規(guī)范為相同個(gè)數(shù)； 3. 3. 2電壓軸上的規(guī)范化：首先提取信號(hào)幅值的中位數(shù)，將信號(hào)的每個(gè)采樣值均減去 中位數(shù)，以對(duì)齊零電平。 3. 4特征向量提取。 3. 4. 1對(duì)預(yù)處理后的心電信號(hào)序列進(jìn)行DCT變換； 3. 4. 2保留前K個(gè)DCT變換參數(shù)組成特征向量并輸出。
4. 根據(jù)權(quán)利要求1、2所述的一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，其 特征在于：所述的兩層決策分類器結(jié)構(gòu)及作用為：第一層決策層將預(yù)選范圍大大減小，保 證匹配的速度，同時(shí)保證一定的準(zhǔn)確度；第二層決策層根據(jù)第一層決策層的決策結(jié)果進(jìn)行 分情況討論，輸出最后識(shí)別身份，進(jìn)一步提高準(zhǔn)確度。
5.根據(jù)權(quán)利要求1、2、4所述的一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法， 其特征在于：所述的兩層決策分類器在進(jìn)行匹配識(shí)別的步驟為： 5. 1隨機(jī)森林決策層決策。將待識(shí)別特征向量經(jīng)已訓(xùn)練好的隨機(jī)森林模型進(jìn)行決策，得 到第一層決策層的決策置信度Confidence數(shù)組。 5. 2最近鄰決策層決策。根據(jù)第一層的決策結(jié)果置信度Confidence數(shù)組內(nèi)的分布，選擇 具有較大置信度的類別，根據(jù)其置信度的大小進(jìn)行討論，決定是否需進(jìn)一步使用最近鄰決 策。并輸出最終身份識(shí)別決策結(jié)果。
6. 根據(jù)權(quán)利要求1所述的一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，其特 征在于：根據(jù)成功識(shí)別的樣本進(jìn)行反饋，定期更新樣本庫，保證算法在長期時(shí)間能正常有效 地運(yùn)作。其中，樣本為心電數(shù)據(jù)特征向量，特征向量的提取方法包括但不限于離散余弦變 換，決策分類器包括但不限于隨機(jī)森林分類器、近鄰分類器及由兩者組合的多層次分類器。 樣本評(píng)估更新的步驟為： 6. 1將識(shí)別成功的特征向量與識(shí)別用戶類別對(duì)應(yīng)，存入近期成功識(shí)別樣本庫，并記錄采 集時(shí)間t。 6. 2綜合原心電信號(hào)樣本庫與近期成功識(shí)別樣本庫，計(jì)算用戶的平均心電樣本 {Sa[η]}。對(duì)某一特定用戶，記原心電信號(hào)樣本庫的樣本數(shù)目為&，近期成功識(shí)別樣本庫樣 本數(shù)目為隊(duì)，樣本為{S(i) [n]}，i = 1，2,3, . . .，&+隊(duì)，則
6. 3計(jì)算每個(gè)樣本與平均心電樣本的偏離度。 6. 4根據(jù)閾值判斷原心電信號(hào)樣本庫中的樣本是否偏離度過高。如果是，則從近期成功 識(shí)別樣本庫中選取偏離度最小的樣本進(jìn)行替換。
7. 根據(jù)權(quán)利要求1、6所述的一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法，其 特征在于：對(duì)某一特定用戶，其所有樣本與平均心電樣本的偏離度計(jì)算方法為：首先計(jì)算 每個(gè)樣本{S(i)[n]}與平均心電樣本{S a[n]}的距離d(i)。并根據(jù)樣本采集時(shí)間t(i)，對(duì) 距離d(i)進(jìn)行修正，得到修正距離d' (i)。
(Γ (i) = [1+P(t(i))] · d(i) 其中，i = 1，2,3, . . .，K+N2。P(t)為基于采樣時(shí)間的懲罰因子函數(shù)，輸出值域?yàn)閇0， 1]:樣本采集時(shí)間距今越久，懲罰因子越大，越接近于1 ;樣本采集時(shí)間越接近當(dāng)前時(shí)間，懲 罰因子越小，越接近于0。一種可行的P(t)表示式為：
其中，tnOT-t表示樣本采集時(shí)間距當(dāng)前時(shí)間的天數(shù)。
8.根據(jù)權(quán)利要求1、6、7所述的一種基于心電信號(hào)的動(dòng)態(tài)自更新樣本的身份識(shí)別方法， 其特征在于：根據(jù)閾值判斷原心電信號(hào)樣本庫中的樣本是否偏離度過高的方法是：首先計(jì) 算平均修正距離d' m:
以平均修正距離(Γ m的λ (λ > 1)倍為閾值，若原心電信號(hào)樣本庫中的樣本，其修正 距離d' (i)大于λ · d' m時(shí)，則認(rèn)為該樣本相較于其他樣本，已經(jīng)不能很好的代表用戶 此時(shí)的心電信號(hào)模式，則用近期成功識(shí)別樣本庫中修正距離d' (i)最小的樣本進(jìn)行替換， 完成樣本庫的更新。
【文檔編號(hào)】G06F21/32GK104063645SQ201410313478
【公開日】2014年9月24日 申請日期:2014年7月1日 優(yōu)先權(quán)日:2014年7月1日
【發(fā)明者】張躍, 施友群 申請人:清華大學(xué)深圳研究生院