心电信号身份识别方法及装置
技术领域
本发明实施例属于心电信号识别领域,尤其涉及一种心电信号身份识别方法及装置。
背景技术
如今,人们越来越注重个人信息的保密。随着社会的发展,个人信息的保密逐渐从传统的生物特征识别转向新兴的生物特征识别,如逐渐从指纹、人脸等传统的生物特征识别转向心电信号等生物特征识别。
现有的心电信号身份识别方法中,通常由用户从检查的心电信号中选择该心电信号的特征点,再将选择的特征点与用户身份的心电信号的特征点比较,以判断检查的心电信号属于哪一个用户的心电信号。但由于现有方法中,特征点的选取受人的主观因素影响,并且特征点的识别准确率依赖于心电信号的波形,因此,如果心电信号波形异常,将会出现特征点提取不准,甚至是错误的情况。在这种情况下,由多特征点产生的特征值的准确性也将受到极大影响,从而会大大降低身份识别的准确性。
发明内容
本发明实施例提供了一种心电信号身份识别方法及装置,旨在解决现有方法通过心电信号识别身份的准确率过低的问题。
本发明实施例是这样实现的,一种心电信号身份识别方法,所述方法包括:
接收用户的心电信号;
根据所述心电信号生成一个心动周期;
将生成的心动周期与预先生成的心动周期类模板比较,以确定相似度最大的心动周期类模板;
通过深度学习网络模型选取所述心电信号中的心电信号特征向量,所述深度学习网络模型基于稀疏自编码的前馈反向神经网络建立匹配模型;
将选取的心电信号特征向量与相似度最大的心动周期类模板所在类中对应的身份ID进行匹配,以确定对应的识别概率向量;
根据所述识别概率向量确定所述心电信号的身份ID。
本发明实施例的另一目的在于提供一种心电信号身份识别装置,所述装置包括:
心电信号接收单元,用于接收用户的心电信号;
心动周期生成单元,用于根据所述心电信号生成一个心动周期;
心动周期比较单元,用于将生成的心动周期与预先生成的心动周期类模板比较,以确定相似度最大的心动周期类模板;
心电信号特征向量选取单元,用于通过深度学习网络模型选取所述心电信号中的心电信号特征向量,所述深度学习网络模型基于稀疏自编码的前馈反向神经网络建立匹配模型;
识别概率向量确定单元,用于将选取的心电信号特征向量与相似度最大的心动周期类模板所在类中对应的身份ID进行匹配,以确定对应的识别概率向量;
身份识别单元,用于根据所述识别概率向量确定所述心电信号的身份ID。
在本发明实施例中,由于通过深度学习网络模型自动选取心电信号特征向量,减少人为主观因素的影响,且该深度学习网络模型基于稀疏自编码的前馈反向神经网络建立匹配模型,因此,使得选取的心电信号特征向量更准确,从而提高身份ID的识别准确度。
附图说明
图1是本发明第一实施例提供的一种心电信号身份识别方法的流程图;
图2是本发明第二实施例提供的一种心电信号身份识别装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例中,根据接收的心电信号生成一个心动周期,将生成的心动周期与预先生成的心动周期类模板比较,以确定相似度最大的心动周期类模板,通过深度学习网络模型选取所述心电信号中的心电信号特征向量,将选取的心电信号特征向量与相似度最大的心动周期类模板所在类中对应的身份ID进行匹配,以确定对应的识别概率向量,根据所述识别概率向量确定所述心电信号的身份ID。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明第一实施例提供的一种心电信号身份识别方法的流程图,详述如下:
步骤S11,接收用户的心电信号。
该步骤中,用户的心电信号为稳定的心电信号,比如,将采集时长大于5秒或20秒的心电信号判定为稳定的心电信号。需要指出的是,为了正确识别接收的心电信号的身份,待识别的心电信号的心博类型应与对应心电模板的心博类型相同。其中,心博类型的种类如:窦性心搏、室性心搏、房性心搏等。
步骤S12,根据所述心电信号生成一个心动周期。
可选地,所述根据所述心电信号生成一个心动周期具体包括:
A1、对所述心电信号进行QRS检测。该步骤中,在对心电信号进行QRS检测之前,可先对所述心电信号进行滤波预处理,比如,利用带宽为0.5Hz~40Hz的线性带通滤波器实现对心电信号对应的心电波形的滤波去噪预处理。
A2、将连续两个R波峰点的中点作为分割点,生成一个心动周期。具体地,利用检测到的R波峰点将心电信号分割为一个个心动周期,并将连续两个R波峰点的中点作为分割点,生成一个心动周期。
步骤S13,将生成的心动周期与预先生成的心动周期类模板比较,以确定相似度最大的心动周期类模板。
可选地,所述将生成的心动周期与预先生成的心动周期类模板比较,以确定相似度最大的心动周期类模板具体包括:
B1、根据市街区cityblock距离算法,计算生成的心动周期与预先生成的心动周期类模板之间的距离和。
B2、将与生成的心动周期的最小距离和对应的预先生成的心动周期类模板确定为相似度最大的心动周期类模板。
上述B1和B2中,根据cityblock距离算法,计算心动周期与预先生成的各个心动周期类模板之间的距离和,确定计算的距离和中的最小距离和,并将最小距离和对应的预先生成的心动周期类模板确定为与生成的心动周期的相似度最大的心动周期类模板。
可选地,本发明实施例预先生成的心动周期类模板通过以下步骤生成:
C1、对采集的心电信号进行滤波预处理。该步骤中,进行滤波预处理的心电信号中的平稳心电信号对应的时长大于20秒。具体地,利用带宽为0.5Hz~40Hz的线性带通滤波器实现对心电信号对应的心电波形的滤波去噪预处理。
C2、将经过滤波预处理的心电信号进行QRS检测。
C3、利用检测到的R波峰点,将心电信号分割为一个个心动周期,生成心动周期波群。具体地,为保证心动周期QRS波的完整性,可将连续两个R之间的中点作为一个分割点,两个分割点之间的心电波形为一个心电周期,多个心电周期形成心电周期波群。
C4、选取同一用户的心动周期波群的相似波形,并根据选取的相似波形的中值生成所述同一用户的一个心动周期模板。具体地,对同一用户的每个心动周期时间轴归一化至同一尺度(如采样率对应的点数),再根据city block距离算法计算归一化后的所有心动周期与样本的相似性,最后依据最小方差原则进行聚类分析,将所有心动周期分为两类:(1)取与中心距离较短(小于预设的距离阈值)的一类为有效类别;(2)非有效类别的为无效类别。对有效类别中的心动周期波群向量取中值并存储在心动周期模板中。
C5、对不同用户的心动周期模板进行聚类分析,再确定每类心动周期模板的均值,并将确定的每类心动周期模板的均值作为该类的心动周期类模板。对所有用户的心电信号重复C4,完成用户的心动周期模板存储,对于得到的用户的心动周期模板进行聚类分析,根据用户身份信息的多少确定出n(n>=1,若数据库中的用户身份信息较少,则n=1)个心动周期模板类,再确定每类心动周期的均值,使得每类仅存有一个心动周期类模板。
步骤S14,通过深度学习网络模型选取所述心电信号中的心电信号特征向量,所述深度学习网络模型基于稀疏自编码的前馈反向神经网络建立匹配模型。
可选地,本发明实施例的深度学习网络模型的训练过程如下:
D1、确定深度学习网络模型的输入,所述深度学习网络模型的输入包括经过滤波处理后的心电信号、身份ID以及与所述身份ID对应的心动周期类模板。这里的身份ID是指唯一标识用户的标识,如身份证号等。
D2、所述深度学习网络模型的深度学习网络根据所述深度学习网络模型的输入,输出心电信号特征向量,确定输出与输入的误差,再采用误差反向传播来训练所述深度学习网络模型,直至所述深度学习网络模型收敛。该步骤中,在确定输出的心电信号特征向量与输入的心电信号的误差时,需要解码输出的心电信号特征向量,再将解码后的心电信号特征向量与输入的心电信号比较确定误差,再采用误差反向传播来训练所述深度学习网络模型,这里的误差反向传播为:输出误差->隐层(逐层)->输入层,其主要目的是通过将输出误差反传,将误差分摊给各层所欲单元,从而获得各层单元的误差信号,进而修正各单元的权值。其中,深度学习网络包括1个输入层、2个隐含层(第一个隐含层有50个节点,第二个隐含层有20个节点)、1个输出层。通过设置隐含层,以及不同隐含层对应的节点有助于提高输出的心电信号特征向量的准确率。
步骤S15,将选取的心电信号特征向量与相似度最大的心动周期类模板所在类中对应的身份ID进行匹配,以确定对应的识别概率向量。
需要指出的是,每个心动周期类模板对应身份ID至少有一个。
具体地,利用softmax分类器计算得到识别概率向量。例如,假设共有K个类别(即有K个身份ID),softmax回归中此时的系统方程为:
其中,输出结果为K维变量P,变量和为1,x为输入参数,即为每个待识别的心电信号经深度学习网络后选取的特征向量,1≤i≤K,y为待识别的心电信号的身份ID与第i类身份ID匹配的可能性。θ是一个矩阵,矩阵中的每一行可以看做是一个身份ID所对应的分类器的参数,总共有K行,该其中,T为转置符号。
步骤S16,根据所述识别概率向量确定所述心电信号的身份ID。
可选地,所述根据所述识别概率向量确定所述心电信号的身份ID具体包括:
E1、判断识别概率向量中的最大值是否大于或等于设定的阈值。由于识别概率向量中有多个值,因此,需确定该识别概率向量中的最大值。
E2、在识别概率向量中的最大值大于或等于设定的阈值时,将所述识别概率向量中的最大值对应的身份ID确定为所述心电信号的身份ID。这里的身份ID是指标识用户的身份ID。
E3、在识别概率向量中的最大值小于设定的阈值时,将选取的心电信号特征向量与相似度次大的心动周期类模板所在类中对应的身份ID进行匹配,以确定新的识别概率向量。
E4、选取所述识别概率向量中的最大值与所述新的识别概率向量中的最大值中的较大值对应的身份ID确定为所述心电信号的身份ID。将第一次确定的识别概率向量中的最大值与第二次确定的识别概率向量中的最大值比较,并将较大的值对应的身份ID确定为心电信号的身份ID。
本发明实施例中,根据接收的心电信号生成一个心动周期,将生成的心动周期与预先生成的心动周期类模板比较,以确定相似度最大的心动周期类模板,通过深度学习网络模型选取所述心电信号中的心电信号特征向量,将选取的心电信号特征向量与相似度最大的心动周期类模板所在类中对应的身份ID进行匹配,以确定对应的识别概率向量,根据所述识别概率向量确定所述心电信号的身份ID。由于通过深度学习网络模型自动选取心电信号特征向量,减少人为主观因素的影响,且该深度学习网络模型基于稀疏自编码的前馈反向神经网络建立匹配模型,因此,使得选取的心电信号特征向量更准确,从而提高身份ID的识别准确度。例如,对于PTB数据库中,52个健康人的样本数据,实现了98%的识别率;60个病人的样本数据中,实现了95%的识别率。
应理解,在本发明实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例二:
图2示出了本发明第二实施例提供的一种心电信号身份识别装置的结构图,该心电信号身份识别装置可应用于智能终端中,该智能终端可以包括经无线接入网RAN与一个或多个核心网进行通信的用户设备,该用户设备可以是移动电话(或称为“蜂窝”电话)、具有移动设备的计算机等,例如,用户设备还可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语音和/或数据。又例如,该移动设备可以包括智能手机、平板电脑、个人数字助理PDA、销售终端POS或车载电脑等。为了便于说明,仅示出了与本发明实施例相关的部分。
该心电信号身份识别装置包括:
心电信号接收单元21,用于接收用户的心电信号。
其中,用户的心电信号为稳定的心电信号,比如,将采集时长大于5秒或20秒的心电信号判定为稳定的心电信号。需要指出的是,为了正确识别接收的心电信号的身份,待识别的心电信号的心博类型应与对应心电模板的心博类型相同。其中,心博类型的种类如:窦性心搏、室性心搏、房性心搏等。
心动周期生成单元22,用于根据所述心电信号生成一个心动周期。
可选地,所述心动周期生成单元22包括:
心电信号检测模块,用于对所述心电信号进行QRS检测。在对心电信号进行QRS检测之前,可先对所述心电信号进行滤波预处理,比如,利用带宽为0.5Hz~40Hz的线性带通滤波器实现对心电信号对应的心电波形的滤波去噪预处理。
心动周期分割点确定模块,用于将连续两个R波峰点的中点作为分割点,生成一个心动周期。具体地,利用检测到的R波峰点将心电信号分割为一个个心动周期,并将连续两个R波峰点的中点作为分割点,生成一个心动周期。
心动周期比较单元23,用于将生成的心动周期与预先生成的心动周期类模板比较,以确定相似度最大的心动周期类模板。
可选地,所述心动周期比较单元23包括:
距离和计算模块,用于根据市街区cityblock距离算法,计算生成的心动周期与预先生成的心动周期类模板之间的距离和。
相似度最大的心动周期类模板确定模块,用于将与生成的心动周期的最小距离和对应的预先生成的心动周期类模板确定为相似度最大的心动周期类模板。
可选地,预先生成的心动周期类模板通过以下步骤生成:
对采集的心电信号进行滤波预处理;将经过滤波预处理的心电信号进行QRS检测;利用检测到的R波峰点,将心电信号分割为一个个心动周期,生成心动周期波群;选取同一用户的心动周期波群的相似波形,并根据选取的相似波形的中值生成所述同一用户的一个心动周期模板;对不同用户的心动周期模板进行聚类分析,再确定每类心动周期模板的均值,并将确定的每类心动周期模板的均值作为该类的心动周期类模板。
心电信号特征向量选取单元24,用于通过深度学习网络模型选取所述心电信号中的心电信号特征向量,所述深度学习网络模型基于稀疏自编码的前馈反向神经网络建立匹配模型。
可选地,深度学习网络模型的训练过程如下:
确定深度学习网络模型的输入,所述深度学习网络模型的输入包括经过滤波处理后的心电信号、身份ID以及与所述身份ID对应的心动周期类模板;所述深度学习网络模型的深度学习网络根据所述深度学习网络模型的输入,输出心电信号特征向量,确定输出与输入的误差,再采用误差反向传播来训练所述深度学习网络模型,直至所述深度学习网络模型收敛。
识别概率向量确定单元25,用于将选取的心电信号特征向量与相似度最大的心动周期类模板所在类中对应的身份ID进行匹配,以确定对应的识别概率向量。
身份识别单元26,用于根据所述识别概率向量确定所述心电信号的身份ID。
可选地,所述身份识别单元26包括:
识别概率向量中的最大值比较模块,用于判断识别概率向量中的最大值是否大于或等于设定的阈值。
第一身份识别模块,用于在识别概率向量中的最大值大于或等于设定的阈值时,将所述识别概率向量中的最大值对应的身份ID确定为所述心电信号的身份ID。
新的识别概率向量确定模块,用于在识别概率向量中的最大值小于设定的阈值时,将选取的心电信号特征向量与相似度次大的心动周期类模板所在类中对应的身份ID进行匹配,以确定新的识别概率向量。
第二身份识别模块,用于选取所述识别概率向量中的最大值与所述新的识别概率向量中的最大值中的较大值对应的身份ID确定为所述心电信号的身份ID。将第一次确定的识别概率向量中的最大值与第二次确定的识别概率向量中的最大值比较,并将较大的值对应的身份ID确定为心电信号的身份ID。
本发明第二实施例中,由于通过深度学习网络模型自动选取心电信号特征向量,减少人为主观因素的影响,且该深度学习网络模型基于稀疏自编码的前馈反向神经网络建立匹配模型,因此,使得选取的心电信号特征向量更准确,从而提高身份ID的识别准确度。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。