CN104887263A - 一种基于心音多维特征提取的身份识别算法及其系统 - Google Patents

Abstract

本发明公开了一种基于心音多维特征提取的身份识别算法及其系统，其方法包括：利用传感器采集心音信号，将采集到的心音信号通过先通过滤波器处理，再通过离散小波变换处理，得到较为纯净的信号；通过计算机提取心音信号的梅尔频率倒谱系数和希尔伯特边际谱；提取并组成模版特征；将模版特征归一化并使用PCA算法进行特征选择，构造更完善维度低的模版特征空间；使用KNN算法对训练特征训练；使用构造好的分类器测试待测试的测试特征。本发明将模式识别引入身份匹配算法当中，利用计算机自身学习能力和快速的运算能力，采用大量数据进行训练匹配，进一步提高了识别速度和精确度。

Description

一种基于心音多维特征提取的身份识别算法及其系统

技术领域

本发明涉及属于身份识别领域，特别涉及一种基于心跳声音进行身份识别的算法及其系统。

背景技术

近年来，人们越来越强调个人信息安全的重要性，但是黑客攻击和系统漏洞使传统的身份认证系统(如静态密码，手机口令等)面临着巨大的挑战。现有的生物认证技术(如：指纹认证，语音认证)因为其易窃取，易复制的特性，无法满足人们对信息安全的需求。心脏是人体内部中独一无二的器官，其窃取和复制的难度高。而心脏所产生的信号与每个人的心脏生理结构有密切的关系，不同的人拥有不同的心音，这为心音认证提供了可能。

心音除了与每个人生理结构有关，还与运动、疾病有着很大的关系。因而选取有效的特征，剥离开与个人生理结构无关的信息，是心音认证的关键所在。因此，需要开发一种快速，有效的特征提取和识别方案，可以精确的区分不同人的心音。这一需求推动了心音的生理特征和分类识别方法的研究。

国内外研究学者主要通过数字信号处理技术提取与心脏的生理结构有关的特征参数,利用模式识别方法训练分类器,以实现自动识别不同心音的目的。例如，2007年Beritelli等人，使用了stft作为特征，并使用欧式距离作为模式识别方法。2010年，Jasper使用能量峰值，同样也使用了欧式距离作为识别方法。2001年科罗拉多大学健康科学中心儿童医院的CG.DeGroff等首先在69例有心脏杂音的儿童中验证了人工神经网络在生理性和病理性杂音分类识别中的有效性。这些研究成果开阔了心音认证的研究思路,但是这些方法都使用了单一的特征作为识别特征，不利于认证识别率的提高。而某些特征的维度还很高，不利于计算机的快速计算。

发明内容

为了克服现有技术中存在的使用单一的特征作为识别特征，不利于认证识别率的提高，而某些特征的维度还很高，不利于计算机的快速计算的问题，本发明提供一种多特征综合、分类识别效率更高、运算速度更快的基于心音多维特征提取的身份识别算法。

为实现上述目的，本发明采用的技术方案为：

一种基于心音多维特征提取的身份识别算法，包括以下步骤：

(1)利用传感器采集心音信号，将采集到的心音信号通过先通过滤波器处理，再通过离散小波变换处理，得到较为纯净的信号；

采集到的心音通常含有背景噪声，而心音信号频率较低，主要集中在50-100HZ，因而使用一个低通滤波器可以滤除一部分高频噪声。步骤(1)中选择截止频率为150HZ的FIR滤波器初步过滤噪声；滤波后的心音仍然还有一些噪声，步骤(1)中采用离散小波变换处理。

离散小波变换对小波变换中的尺度参数按幂级数进行离散化处理，对时间进行均匀离散取值(采样频率满足奈奎斯特采样定理)，将信号变换为在频域上不同能量大小的组合，其中变换系数决定了信号在该频率上的大小。通过离散小波变换，可以将信号和噪声在频率上区分开；通过设置能量门限，将噪声的变换系数减少，消除噪声分量。然后通过离散小波变换逆变换(IDWT)重构信号，从而达到去噪的目的。通过经验选取多贝西小波作为母波函数，其阶数为5，将信号分解为6阶。

(2)通过计算机提取心音信号的梅尔频率倒谱系数(MFCC)和希尔伯特边际谱(HHT)；

Mel频率倒谱系数是语音信号处理中常用的特征量。它是将声音信号的频谱通过一个中心频率基于人类感知尺度的带通滤波器，然后从这些通过滤波的信号中提取谱特征。Mel频率与实际频率的对应关系如下：

$\mathrm{Mel}\left(f\right)=2595\lg (1+\frac{f}{100})$

希尔伯特黄边际谱是本发明提取的另一个谱特征。它主要由两个步骤组成：首先，对原始数据进行经验模态分解，把数据分解成满足Hilbert变换要求的n阶本征模态函数(IMF)和残余函数之和。之后，对每一阶IMF进行Hilbert变换，得到瞬时频率，求得时频图。

IMF分量的获得过程如下：通过对极大值和极小值的三次样条函数得到上包络和下包络。上包络和下包络两条曲线的算术平均值曲线为m₁，从原信号里减去m₁得到h₁：

h₁＝x(t)-m₁

需要重复上述步骤以得到准确的本征模态函数。当h_1k不满足本征模态函数的条件时，重复上述步骤以得到包络均值m₁₁，接着h₁₁＝h₁-m₁₁用以确定本征模态函数条件是否满足。此过程可以重复最多k次以得到本征模态函数h_1k。令c₁＝h_1k，c₁为原始信号的第1个本征模态函数。

从原始信号里减去c₁，差值为r₁：

r₁＝x(t)-c₁

将r₁作为新的原始信号，接着计算出第2个本征模态函数c₂.重复上述步骤直到得到n个本征模态函数：

$\left\{\begin{array}{c}{r}_1-c_2=r_2\\ r_2-c_3=r_3\\ .\\ .\\ .\\ r_{n+1}-c_n=r_n\end{array}\right.$

当c_n或者r_n低于预设门限或r_n为单调函数，以至于不能推导出新的本征模态函数时，停止重复。最终，原始信号可以被表示为一系列本征模态函数的和，并且余量为：

$X\left(t\right)={\mathrm{\Σ}}_{i=1}^n{c}_i+r_n$

其中c₁c₂......c_n代表信号在不同时间量度下的特征。

将原始信号分解为一系列本征模态函数之后，就可以对其每一个本征模态函数分量进行希尔伯特变换了，其公式如下：

$y\left(t\right)=H\left[x\left(t\right)\right]=\frac{1}{\mathrm{\π}}{\∫}_{-\∞}^{\∞}\frac{x\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}\mathrm{d\τ}$

边际谱H(ω)定义如下：

$H\left(\mathrm{\ω}\right)={\∫}_0^{T}H(\mathrm{\ω},t)\mathrm{dt}.$

(3)利用步骤(1)和(2)，提取并组成模版特征；

在模式识别中，模板特征有着标准化的定义；特征向量集的每一列代表一个特征，每一行代表一个人，一个人至少有两行。

(4)将模版特征归一化并使用PCA算法进行特征选择，构造更完善维度低的模版特征空间；

由于提取到的特征之间的单位量纲不同，因而需要对其进行归一化处理。常用的特征归一化方法如下式：

$x=\frac{x-\mathrm{\μ}}{\mathrm{\σ}}$

其中μ是均值，σ是标准差。

PCA算法是一种经典的特征降维方法，其基本思想是寻找一个投影方向将高维数据投影到低维空间中，而且尽可能地保持原始数据中的信息。假设有N个d维样本x₁....x_N,且其协方差矩阵为

$C=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i{x}_i^T.$

求解其特征值，选出前m个特征值所对应的特征向量ω₁…ω_m，这m个正交的特征向量就构成了本发明所需要的投影方向。

(5)使用KNN算法对训练特征训练；

KNN算法属于有监督学习，其基本思想是：在训练样本中寻找K个与测试样本最相近的邻居，在特征空间中的相似度度量可以通过欧式距离或者马氏距离来计算。

(6)使用构造好的分类器测试待测试的测试特征。

本发明的另一个目的是利用上述算法，提供一种基于心音的身份认证系统，采用以下技术方案：

一种基于心音的身份认证系统，包括心音信号预处理模块、心音特征提取模块以及匹配认证模块，心音特征提取模块连接心音数据库，心音特征提取模块和心音数据库均连接匹配认证模块。

所述心音信号预处理模块通过一些数字信号处理的方法对原始心音信号进行预处理，达到降噪以及为特征处理做铺垫的目的；分为两个阶段：第一阶段主要是降噪和预加重处理，第二阶段主要是帧化加窗处理。

所述匹配认证模块包括心音信号特征的匹配正确率计算模块和用户身份综合认证模块；其中，心音信号特征的匹配正确率计算模块通过模式识别计算各特征的正确匹配率。

将训练好的分类器传入系统，当有一个人出入了他的心音信号，系统自动构建测试特征，并用分类器去测试该特征集，计算出错误率。系统通过错误率的大小自动判断是接受还是拒绝。

经过实验证明，梅尔频率倒谱系数(MFCC)和希尔伯特边际谱(HHT)均是很好的代表心音的特征，具有很高的同类间相似性和不同类的区别性。通过PCA算法降维处理能加快计算机的处理速度，提高系统识别率。

本发明的有益效果是：

本发明利用传感器采集心音信号，再对其进行预处理，以便获得较好的特征值，最后利用分类器获得匹配结果，该算法所构成匹配率高；利用小波变换对其进行预处理，滤掉高频分量，重构成为具有心音特征的信号；提取适合心音认证系统的两个特征值梅尔频率倒谱系数(MFCC)，希尔伯特边际谱(HHT)，相较于其他特征，它们适合心音，成功提高匹配率；使用PCA降维技术，降低计算机运算量，提升分类器的识别准确率。

本发明提出利用心音信号作为身份认证的依据，由于该生物特征是人的内在属性，具有极高的稳定性和个体差异性，因此在安全领域开辟了新的思路；

本发明采用心音信号的多种特征值相综合，排除了单个特征的敏感性低识别性差以及个体差异导致的影响，提高了身份认证的准确率；

将模式识别引入身份匹配算法当中，利用计算机自身学习能力和快速的运算能力，采用大量数据进行训练匹配，进一步提高了识别速度和精确度；

附图说明

图1是本发明的算法的结构框图；

图2是本发明预处理部分的框图；

图3是本发明梅尔频率倒谱系数(MFCC)特征提取的原理框图；

图4是本发明希尔伯特边际谱(HHT)特征提取的原理图；

图5是本发明模式识别部分框图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种基于心音的身份认证系统，包括心音信号预处理模块102、心音特征提取模块103以及匹配认证模块105，心音特征提取模块103连接心音数据库104，心音特征提取模块103和心音数据库104均连接匹配认证模块105。

首先通过心音特征提取模块103提取出该用户心音信号的特征，然后利用提取的特征与连接心音数据库104中的每段心音特征进行匹配认证，进而判断该用户的身份。

下面分心音信号预处理模块102和心音特征提取模块103以及匹配认证模块105三部分来详细介绍具体实施方法。

如图2所示，心音信号与处理模块102主要通过一些数字信号处理的方法对原始心音信号进行预处理，达到降噪以及为特征处理做铺垫的目的。主要分为两个阶段：第一阶段主要是降噪和预加重处理，第二阶段主要是帧化加窗处理。

第一阶段：

降噪：心音是一种极其微弱的声信号，其主要频率为几十至几百赫兹，在采集的过程中容易受到外界声信号及电气噪声的干扰，因此必须经过滤波处理，由于心跳信号为非平稳信号，使用DWT小波变换可以很好的滤除噪声。具体实施步骤：

1)选用5阶多贝西小波作为母波函数，将心音信号分解为6阶WT系数。

2)基于能量门限阈值保留3、4、5、6阶WT系数，其他系数设为0。

3)反DWT变换重构信号。

预加重处理：预加重处理的目的是为了补偿心音信号受到发音系统所压抑的高频部分。使心音信号的频谱变得平坦，保持低频到高频的整个频带中，能用同样的信躁比求频谱，以便进行频谱分析和声道参数分析。

第二阶段：

帧化加窗：心音信号是短时平稳信号，只有在短时段上才可认为是一个平稳过程，因此将语音信号划分为一个一个的短时段，每一个短时段称为一帧。每一帧中包含多个采样点，通常取256或512。本发明采用交叠分段的方法，从而使帧与帧之间平滑过渡，保持其连续性。前一帧与后一帧的交叠部分称为帧移，帧长与帧移之比一般取0～1/2。因为心音信号稳定时间120ms-150ms，采样频率为44100hz，因此本发明采用帧长为5000点，帧移为1/4帧长的分帧参数。分帧是用可移动的有限长度窗口进行加权的方法来实现的，这就是用一定的窗函数来乘心音信号，从而形成加窗心音信号。在声音信号数字处理中通常选用矩形窗、汉明窗。由于汉明窗不会损失高频部分，本发明选用汉明窗对本发明采集信号进行帧化。

心音信号特征指的是每个人心音信号所特有的部分，因此心音信号的特征的选取要满足两个条件：一、不同的人的特征不同，根据该特征可以确定地区分不同的人；二、该人的特征不随外界环境变化以及个人体征变化而剧烈变化。只有满足以上两个条件的特征才能作为本发明身份认证的标准。经过大量的实践，本发明选取梅尔频率倒谱系数(MFCC)和希尔伯特边际谱(HHT)作为本发明心音信号认证的特征。

如图3所示，MFCC的提取主要有以下步骤：

(1)快速傅利叶转换：由于讯号在时域上的变化通常很难看出讯号的特性，所以通常将它转换成频域上的能量分布来观察，不同的能量分布，就能代表不同心音的特性。

(2)三角带通滤波器：将能量频谱能量乘以一组20个三角带通滤波器，求得每一个滤波器输出的对数能量，共20个。三角带通滤波器有两个主要目的：对频谱进行平滑化，并消除谐波的作用，突显原先语音的共振峰。因此一段心音的音调或音高，是不会呈现在MFCC参数内，换句话说，以MFCC为特征的心音辨识系统，并不会受到输入心音的音调不同而有所影响。

(3)离散余弦转换：将上述的20个对数能量Ek带入离散余弦转换，求出L阶的Mel-scale Cepstrum参数，这里L通常取12。

(4)差量倒频谱参数：本发明再加上差量倒频谱参数，以显示倒频谱参数对时间的变化。它的意义为倒频谱参数相对于时间的斜率，也就是代表倒频谱参数在时间上的动态变化。

如图4所示，希尔伯特边际谱(HHT)的提取主要有以下步骤：

本发明选用HHT作为特征向量，具体实施方法如下：

(1)对每一帧信号进行EEMD分解，得到IMF分量。

(2)对每一帧的IMF使用Hilbert变换得到希尔伯特频谱。

(3)对每一帧信号的希尔伯特频谱对时间积分得到边际谱。

(4)对边际谱进行离散余弦变换(DCT),压缩信号的维数并且做幅度归一化。

如图5所示，匹配认证模块105主要包括心音信号特征的匹配正确率计算模块和用户身份综合认证模块。其中，心音信号特征的匹配正确率计算模块通过模式识别计算各特征的正确匹配率。具体的操作可以分为以下几个步骤：：

(1)构建训练特征集和测试特征集

(2)对特征集归一化处理并使用PCA算法进行降维处理

(3)使用KNN分类器对训练特征集训练

(4)生成分类器边界

(5)用测试特征集去测试分类器边界，并计算出错误率。

对于用户身份综合认证模块，本发明结合匹配正确率计算模块计算出的每个特征的正确匹配率，采用多特征对用户身份进行综合判定。本发明以每个特征的正确匹配率作为各自的权重，分别计算出该用户距数据库内所有用户的欧氏距离，然后采用线性加权的方法计算出综合欧氏距离。按照降序排列，即可确认该用户的身份。为了避免数据库中没有该用户资料的情况，本发明设定一个阈值，当该用户距数据库内所有用户的欧氏距离均大于该阈值，及判断该用户不在数据库内，需要录入数据库。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于心音多维特征提取的身份识别算法，其特征在于：包括以下步骤：

(1)利用传感器采集心音信号，将采集到的心音信号通过先通过滤波器处理，再通过离散小波变换处理，得到较为纯净的信号；

(2)通过计算机提取心音信号的梅尔频率倒谱系数和希尔伯特边际谱；

(3)利用步骤(1)和(2)，提取并组成模版特征；

(4)将模版特征归一化并使用PCA算法进行特征选择，构造更完善维度低的模版特征空间；

(5)使用KNN算法对训练特征训练；

(6)使用构造好的分类器测试待测试的测试特征。

2.如权利要求1所述的基于心音多维特征提取的身份识别算法，其特征在于：步骤(1)中，所述滤波器为截止频率为150HZ的FIR滤波器。

3.如权利要求1所述的基于心音多维特征提取的身份识别算法，其特征在于：步骤(1)中，离散小波变换处理对小波变换中的尺度参数按幂级数进行离散化处理，对时间进行均匀离散取值，将信号变换为在频域上不同能量大小的组合，其中变换系数决定了信号在该频率上的大小；通过离散小波变换，可以将信号和噪声在频率上区分开；通过设置能量门限，将噪声的变换系数减少，消除噪声分量；然后通过离散小波变换逆变换重构信号，从而达到去噪的目的。

4.如权利要求1所述的基于心音多维特征提取的身份识别算法，其特征在于：步骤(2)中，提取梅尔频率倒谱系数时，梅尔频率倒谱系数与实际频率的对应关系如下：

$\mathrm{Mel}\left(f\right)=2595\lg (1+\frac{f}{700}).$

5.如权利要求1所述的基于心音多维特征提取的身份识别算法，其特征在于：步骤(2)中，提取希尔伯特黄边际谱系数时，首先，对原始数据进行经验模态分解，把数据分解成满足Hilbert变换要求的n阶本征模态函数和残余函数之和；之后，对每一阶IMF进行Hilbert变换，得到瞬时频率，求得时频图。

6.如权利要求1所述的基于心音多维特征提取的身份识别算法，其特征在于：步骤(3)中，在模式识别中，模板特征有着标准化的定义，特征向量集的每一列代表一个特征，每一行代表一个人，一个人至少有两行。

7.一种基于心音的身份认证系统，其特征在于：包括心音信号预处理模块(102)、心音特征提取模块(103)以及匹配认证模块(105)，心音特征提取模块(103)连接心音数据库(104)，心音特征提取模块(103)和心音数据库(104)均连接匹配认证模块(105)。

8.如权利要求7所述的基于心音的身份认证系统，其特征在于：所述心音信号预处理模块(102)通过一些数字信号处理的方法对原始心音信号进行预处理，达到降噪以及为特征处理做铺垫的目的；分为两个阶段：第一阶段主要是降噪和预加重处理，第二阶段主要是帧化加窗处理。

9.如权利要求7所述的基于心音的身份认证系统，其特征在于：所述匹配认证模块(105)包括心音信号特征的匹配正确率计算模块和用户身份综合认证模块；其中，心音信号特征的匹配正确率计算模块通过模式识别计算各特征的正确匹配率。