CN106485213B - 一种利用心电信号进行自动身份识别的特征提取方法 - Google Patents

一种利用心电信号进行自动身份识别的特征提取方法 Download PDF

Info

Publication number
CN106485213B
CN106485213B CN201610857058.7A CN201610857058A CN106485213B CN 106485213 B CN106485213 B CN 106485213B CN 201610857058 A CN201610857058 A CN 201610857058A CN 106485213 B CN106485213 B CN 106485213B
Authority
CN
China
Prior art keywords
signal
identified
electrocardiosignal
heart
training set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610857058.7A
Other languages
English (en)
Other versions
CN106485213A (zh
Inventor
刘通
邹海林
臧睦君
柳婵娟
周树森
张振兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fengxiang (Shandong) Medical Technology Co.,Ltd.
Original Assignee
Ludong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ludong University filed Critical Ludong University
Priority to CN201610857058.7A priority Critical patent/CN106485213B/zh
Publication of CN106485213A publication Critical patent/CN106485213A/zh
Application granted granted Critical
Publication of CN106485213B publication Critical patent/CN106485213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Abstract

本发明公开了一种利用心电信号进行自动身份识别的特征提取方法，(1)将训练集心电信号转化为训练集伪心拍信号：由系统外部输入训练集心电信号，除去训练集心电信号的噪声，搜索训练集心电信号的二阶差分零点，检测训练集心电信号的R波，分割为训练集伪心拍信号矩阵；(2)利用训练集伪心拍信号矩阵提取训练集心电信号的特征：计算训练集伪心拍信号矩阵的功率谱密度矩阵，自相关矩阵，将训练集变换域特征和训练集时域特征进行融合；(3)将待识别心电信号转化为待识别伪心拍信号；(4)利用待识别伪心拍信号提取待识别心电信号的特征。本发明有效减小了身份识别需要的信号采集时间，提高识别准确率，降低计算成本。

Description

一种利用心电信号进行自动身份识别的特征提取方法
技术领域
本发明涉及身份识别技术领域，具体是一种利用心电信号进行自动身份识别的特征提取方法。
背景技术
心电图对于个人具有唯一性，可以作为人类身份识别的重要依据。基于心电信号的身份识别装置是指外部输入心电信号即可以自动判别信号所属人身份的装置。
利用心电信号进行身份识别的定义为：给定一条心电信号，判定该信号所属人的身份。利用心电信号进行自动身份识别的系统或装置通常基于心电信号的模式识别技术进行实现，需要实现心电信号的特征提取和识别两个必要环节。其中，特征提取环节的特征设置是影响识别性能的关键技术，现有的系统和方法主要提取心电图上特定波形的采样、形态学标准参数、变换域采样点等特征。
在已公开的利用心电信号进行身份识别的装置和方法的发明中，特征往往通过一段较长时间的心电信号提取，存在两方面问题，一方面用户需要较长时间的等待进行心电信号采集，另一方面较大的数据量需要耗费更多的计算成本。
发明内容
本发明的目的在于提供一种显著提高自动身份识别装置的识别准确率、降低计算成本的利用心电信号进行自动身份识别的特征提取方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种利用心电信号进行自动身份识别的特征提取方法，包括以下步骤：
(1)将训练集心电信号转化为训练集伪心拍信号
a.由系统外部输入训练集心电信号；
b.除去训练集心电信号的噪声；
c.搜索训练集心电信号的二阶差分零点；
d.检测训练集心电信号的R波；
e.将训练集心电信号分割为训练集伪心拍信号矩阵；
(2)利用训练集伪心拍信号矩阵提取训练集心电信号的特征
a.计算训练集伪心拍信号矩阵的功率谱密度矩阵；
b.计算训练集伪心拍信号矩阵的自相关矩阵；
c.将训练集变换域特征和训练集时域特征进行融合；
(3)将待识别心电信号转化为待识别伪心拍信号
a.由系统外部输入待识别心电信号；
b.除去待识别心电信号的噪声；
c.搜索待识别心电信号的二阶差分零点；
d.检测待识别心电信号的R波；
e.将待识别心电信号分割为待识别伪心拍信号；
(4)利用待识别伪心拍信号提取待识别心电信号的特征
a.提取待识别变换域特征；
b.提取待识别时域特征；
c.将待识别变换域特征和待识别时域特征进行融合。
作为本发明进一步的方案：步骤(1)中，由系统外部输入训练集心电信号是指由系统外部输入包含心电信号的训练集，所述的训练集心电信号满足YY 0885-2013医用电气设备第2部分：动态心电图系统安全和基本性能专用要求，且还要求训练集心电信号采样频率大于300Hz，且训练集心电信号总时长大于10分钟，使用db4小波对训练集心电信号进行8层提升，并将第8层细节系数置零后执行小波重构算法进行信号的重构，重构得到的信号命名为待识别纯净信号，待识别纯净信号按照与心电信号相同的格式进行存储，将待识别纯净信号进行二阶差分，取所有二阶差分信号的取值为零的时间，定义为过零时间，将所有的过零时间进行存储，前1秒待识别纯净信号在所有过零时间的取值绝对值最大的一个点为R波顶点，然后重复执行如下步骤直至执行到待识别纯净信号末尾：按照时间先后顺序依次取待识别纯净信号在过零时间上取值的绝对值，若该绝对值是前一个R波顶点后1.2秒内待识别纯净信号在过零时间上取值的绝对值的最大值，则该过零时间对应一个R波顶点，以心电信号所有检测到的R波顶点的时间为中心，前后取0.5秒数据组成伪心拍信号，所有伪心拍信号按列排列成一个伪心拍信号矩阵进行存储，其中每一行存储一个伪心拍信号。
作为本发明进一步的方案：步骤(2)中，读取训练集心电信号转化为训练集伪心拍信号步骤所存储的伪心拍信号矩阵，将存储的每一条伪心拍信号分别进行离散傅里叶变换，求取变换结果每个点实部和虚部绝对值的平方，记为该伪心拍信号的功率谱密度，所有伪心拍信号的功率谱密度存储为训练集伪心拍信号功率谱密度矩阵，矩阵中每一行存储一个伪心拍信号的功率谱密度，将伪心拍信号矩阵存储的每一条伪心拍信号分别计算取延迟为从1到20的自相关函数响应向量，记为该伪心拍信号的自相关函数响应向量，所有伪心拍信号的自相关函数响应向量存储为训练集自相关响应矩阵，矩阵中每一行存储一个伪心拍信号的自相关函数响应向量，将伪心拍信号矩阵、功率谱密度矩阵、自相关响应矩阵拼接为训练集特征矩阵，拼接规则为列数不变，按行首尾相接，将训练集特征矩阵输出。
作为本发明进一步的方案：步骤(3)中，由系统外部输入需要识别身份的心电信号，称为待识别心电信号，待识别心电信号的格式和采样参数应和将训练集心电信号转化为训练集伪心拍信号步骤中训练集心电信号完全一致，此外，待识别心电信号还要求信号长度大于3秒或者输入信号涵盖任意一个R波顶点的前后0.5秒范围，使用db4小波将待识别心电信号进行8层提升，并将第8层细节系数置零后执行小波重构算法进行信号的重构，重构得到的信号命名为待识别纯净信号，待识别纯净信号按照与训练集心电信号相同的格式进行存储，将待识别纯净信号进行二阶差分，取所有二阶差分信号的取值为零的时间，定义为待识别心电信号的过零时间，将所有的待识别心电信号的过零时间进行存储，依次取每一个过零时间计算待识别纯净信号在过零时间上取值的绝对值，取其中绝对值取值最大的过零时间为R波顶点的时间，以R波顶点的时间为中心，前后取0.5秒数据组成待识别伪心拍信号并存储。
作为本发明进一步的方案：步骤(4)中，读取将待识别心电信号转化为待识别伪心拍信号步骤存储的待识别伪心拍信号，将待识别伪心拍信号进行离散傅里叶变换，求取变换结果每个点实部和虚部绝对值的平方，记为待识别伪心拍信号的功率谱密度，计算待识别伪心拍信号取延迟为从1到20的自相关函数响应向量，命名为待识别伪心拍信号的自相关函数响应向量，将待识别伪心拍信号、待识别伪心拍信号功率谱密度、待识别伪心拍信号的自相关函数响应向量首尾相接拼接成一条向量并命名为待识别心电信号的特征向量，将待识别心电信号的特征向量输出。
与现有技术相比，本发明的有益效果是：
本发明截取R波顶点前后0.5秒信号为伪心拍信号，在伪心拍信号上提取时域和频域非标参特征并进行融合，有效减小了身份识别需要的信号采集时间，也节约了计算成本。本发明特征提取对象为一段1秒钟的信号，且提取训练集心电信号非标参特征和提取待处理信号非标参特征步骤设置1秒长度的伪心拍信号为特征提取对象，并提取伪心拍信号的多种特征向量进行融合作为识别的依据，显著提高自动身份识别装置的识别准确率，降低计算成本。
附图说明
图1是一种心电图特征提取方法的流程框图；
图2是检测训练集心电信号的R波的流程图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明中，一种利用心电信号进行实时身份识别的特征提取方法，其步骤为：
1.参阅图2，将训练集心电信号转化为训练集伪心拍信号：
a.由系统外部输入训练集心电信号
选定包含若干待识别目标的心电信号集合，定义为训练集。
所选定的心电信号的存储格式和导联方式应满足YY 0885-2013标准，任意符合医学标准的心电图导联方式均能够用于实施本发明，其中MLii或V5导联的实施效果更佳，因此建议使用MLii或V5导联心电信号，心电信号的采样频率大于300Hz即可实施本发明，采样频率的最佳值为500Hz，训练集心电信号总时长大于10分钟，最佳值为每一例待识别目标的心电信号大于1分钟；
b.除去训练集心电信号的噪声
使用db4小波提升算法对训练集心电信号进行8层提升，并将第8层细节系数置零后执行小波重构算法进行信号的重构，重构得到的信号命名为待识别纯净信号，待识别纯净信号按照与心电信号相同的格式进行存储；
c.搜索训练集心电信号的二阶差分零点
将待识别纯净信号进行二阶差分，取所有二阶差分信号的取值为零的时间，定义为过零时间，将所有的过零时间进行存储；
d.检测训练集心电信号的R波
参阅图2，前1秒待识别纯净信号在所有过零时间的取值绝对值最大的一个点为R波顶点，然后重复执行如下步骤直至执行到信号末尾：按照时间先后顺序依次取待识别纯净信号在过零时间上取值的绝对值，若该绝对值是前一个R波顶点后1.2秒内待识别纯净信号在过零时间上取值的绝对值的最大值，则该过零时间对应一个R波顶点；
e.将训练集心电信号分割为训练集伪心拍信号矩阵
以心电信号所有检测到的R波顶点为中心，前后取0.5秒数据组成伪心拍信号，所有伪心拍信号按列排列成一个伪心拍信号矩阵进行存储，其中每一行存储一个伪心拍信号；
2.利用训练集伪心拍信号矩阵提取训练集心电信号的特征：
a.计算训练集伪心拍信号矩阵的功率谱密度矩阵
读取训练集心电信号转化为训练集伪心拍信号步骤所存储的伪心拍信号矩阵，将存储的每一条伪心拍信号分别进行离散傅里叶变换，求取变换结果每个点实部和虚部绝对值的平方，记为该信号的功率谱密度，所有信号的功率谱密度存储为训练集伪心拍信号功率谱密度矩阵，矩阵中每一行存储一个伪心拍信号的功率谱密度；
具体实施中，还可以采取与本发明等价的其它计算方式生成功率谱密度矩阵，等价计算方式为：
读取训练集心电信号转化为训练集伪心拍信号步骤所存储的伪心拍信号矩阵，将存储的每一条伪心拍信号分别进行离散傅里叶变换，存储离散傅里叶变换结果为训练集离散傅里叶变换矩阵，计算矩阵的绝对值命名为训练集伪心拍信号功率谱密度矩阵；
等价的计算方式还有：
读取训练集心电信号转化为训练集伪心拍信号步骤所存储的伪心拍信号矩阵，将存储的每一条伪心拍信号分别进行离散傅里叶变换，存储离散傅里叶变换结果为训练集离散傅里叶变换矩阵，计算训练集离散傅里叶变换矩阵的共轭矩阵命名为训练集离散傅里叶变换共轭矩阵，将训练集离散傅里叶变换矩阵的每个元素与训练集离散傅里叶变换共轭矩阵对应位置的元素相乘，所得到的新矩阵命名为训练集伪心拍信号功率谱密度矩阵；
上述三种实施方式是采用相同精神的技术手段获得相同结果的步骤，技术人员可自由选择其中一种进行实施；
b.计算训练集伪心拍信号矩阵的自相关矩阵
将伪心拍信号矩阵存储的每一条伪心拍信号分别计算取延迟为从1到20的自相关函数响应向量，记为该信号的自相关函数响应向量，所有信号的自相关函数响应向量存储为训练集自相关响应矩阵，矩阵中每一行存储一个伪心拍信号的自相关函数响应向量；
c.将训练集变换域特征和训练集时域特征进行融合
将伪心拍信号矩阵、功率谱密度矩阵、自相关响应矩阵拼接为训练集特征矩阵，拼接规则为列数不变，按行首尾相接，将训练集特征矩阵输出；
3.将待识别心电信号转化为待识别伪心拍信号
a.由系统外部输入待识别心电信号
由系统外部输入需要识别身份的心电信号，称为待识别心电信号，待识别心电信号的格式和采样参数应和将训练集心电信号转化为训练集伪心拍信号步骤中训练集心电信号完全一致，此外，需要识别身份的心电信号还要求信号长度大于3秒或者输入信号涵盖任意一个R波顶点的前后0.5秒范围；
b.除去待识别心电信号的噪声
使用db4小波将待识别心电信号进行8层提升，并将第8层细节系数置零后执行小波重构算法进行信号的重构，重构得到的信号命名为待识别纯净信号，待识别纯净信号按照与心电信号相同的格式进行存储；
c.搜索待识别心电信号的二阶差分零点
将待识别纯净信号进行二阶差分，取所有二阶差分信号的取值为零的时间，定义为待识别心电信号的过零时间，将所有的待识别心电信号的过零时间进行存储；
d.检测待识别心电信号的R波
依次取每一个过零时间计算待识别纯净信号在过零时间上取值的绝对值，取其中绝对值取值最大的过零时间为R波顶点的时间；
e.将待识别心电信号分割为待识别伪心拍信号
以R波顶点的时间为中心，前后取0.5秒数据组成待识别伪心拍信号并存储；
4.利用待识别伪心拍信号提取待识别心电信号的特征
a.提取待识别变换域特征
读取将待识别心电信号转化为待识别伪心拍信号步骤存储的待识别伪心拍信号，将待识别伪心拍信号进行离散傅里叶变换，求取变换结果每个点实部和虚部绝对值的平方，记为待识别伪心拍信号的功率谱密度；
b.提取待识别时域特征
计算待识别伪心拍信号取延迟为从1到20的自相关函数响应向量，命名为待识别伪心拍信号的自相关函数响应向量；
c.将待识别变换域特征和待识别时域特征进行融合
将待识别伪心拍信号、待识别伪心拍信号功率谱密度、待识别伪心拍信号的自相关函数响应向量首尾相接拼接成一条向量并命名为待识别心电信号的特征向量，将待识别心电信号的特征向量输出。
本发明的作用是处理心电信号，生成面向身份识别的心电信号特征向量。本发明的核心技术为截取伪心拍信号并在伪心拍信号上提取特征向量。特征向量表征了心电信号的自然规律，用途是输入分类器算法，自动判别出心电信号所属人的身份，从而可以用于汽车无钥匙进入，银行身份判别等场景。使本发明有利的技术原理是：本方法按照心电信号的自然规律，选取信息量最充足的R波顶点前后0.5秒部分作为伪心拍信号，在伪心拍信号上提取分类有利信息，从而缩短了采集心电信号的时间，并节约了计算成本。
实施例1
本发明实施例中，国际通行的ECGID数据库，该数据库的数据及使用说明公开于行业内周知的physionet.org网站。数据库中心电信号采样频率为500赫兹，每一例信号20秒。在实施例中，本发明通过工作在计算机上的软件系统和行业内所周知的Matlab仿真环境进行实现。
本实施例的详细步骤如下：
1.将训练集心电信号转化为训练集伪心拍信号：
a.由系统外部输入训练集心电信号
针对ECGID数据库中，每人随机选取所属的任一时间段的一例心电信号，组成训练集。将选定的训练集读入计算机内存，完成信号的外部输入。
b.除去训练集心电信号的噪声
采用matlab内建程序liftwave生成小波提升方案，参数均设置为db4小波(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help lifewave”即可获得说明书)，以生成的小波提升方案和训练集心电信号为输入，执行lwt程序实现8层小波提升(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help lwt”即可获得说明书)，并将第8层细节系数置零后，执行ilwt程序实现小波重构算法(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help ilwt”即可获得说明书)，重构得到的信号命名为待识别纯净信号，待识别纯净信号按照与心电信号相同的格式进行存储；
c.搜索训练集心电信号的二阶差分零点
采用matlab内建程序diff对除去训练集心电信号的噪声步骤所存储的待识别纯净信号进行二阶差分处理，程序的调用参数差分阶数设置为2(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help diff”即可获得说明书)，采用matlab内建程序find搜索二阶差分信号取值为零的点，并将对应的时间坐标进行存储，定义为过零时间；
d.检测训练集心电信号的R波
参阅图1，前1秒待识别纯净信号在所有过零时间的取值绝对值最大的一个点为R波顶点，然后重复执行如下步骤直至执行到信号末尾：按照时间先后顺序依次取待识别纯净信号在过零时间上取值的绝对值，若该绝对值是前一个R波顶点后1.2秒内待识别纯净信号在过零时间上取值的绝对值的最大值，则该过零时间对应一个R波顶点；
e.将训练集心电信号分割为训练集伪心拍信号矩阵
以心电信号所有检测到的R波顶点为中心，前后取0.5秒数据组成伪心拍信号，所有伪心拍信号按列排列成一个伪心拍信号矩阵进行存储，其中每一行存储一个伪心拍信号；
3.利用训练集伪心拍信号矩阵提取训练集心电信号的特征：
a.计算训练集伪心拍信号矩阵的功率谱密度矩阵
读取训练集心电信号转化为训练集伪心拍信号步骤所存储的伪心拍信号矩阵，利用matlab内建程序dft对存储的每一条伪心拍信号分别进行离散傅里叶变换(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help dft”即可获得说明书)，变换结果按信号变换前在伪心拍信号矩阵的行数排列为一个新矩阵，命名为训练集离散傅里叶变换矩阵，利用matlab内建函数abs求解训练集离散傅里叶变换矩阵的绝对值(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help abs”即可获得说明书)，求解结果命名为训练集伪心拍信号功率谱密度矩阵并存储。
b.计算训练集伪心拍信号矩阵的自相关矩阵
利用matlab内建程序autocorr将伪心拍信号矩阵存储的每一条伪心拍信号的自相关函数响应向量(所述程序详细的调用格式和使用方式已公开，在命令行中输入“helpautocorr”即可获得说明书)，程序的输入参数除延迟为20外其它取默认值，计算结果记为信号的自相关函数响应向量，所有信号的自相关函数响应向量存储为训练集自相关响应矩阵，矩阵中每一行存储一个伪心拍信号的自相关函数响应向量；
c.将训练集变换域特征和训练集时域特征进行融合
将伪心拍信号矩阵、功率谱密度矩阵、自相关响应矩阵拼接为训练集特征矩阵，拼接规则为列数不变，按行首尾相接，将训练集特征矩阵输出；
3.将待识别心电信号转化为待识别伪心拍信号
a.由系统外部输入待识别心电信号
针对ECGID数据库的所有心电信号，剔除归属于训练集的所有信号，随机截取500组大于3秒的心拍信号用于做识别测试。
b.除去待识别心电信号的噪声
采用matlab内建程序liftwave生成小波提升方案，参数均设置为db4小波(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help lifewave”即可获得说明书)，以生成的小波提升方案和待识别心电信号为输入，执行lwt程序实现8层小波提升(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help lwt”即可获得说明书)，并将第8层细节系数置零后，执行ilwt程序实现小波重构算法(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help ilwt”即可获得说明书)，重构得到的信号命名为待识别纯净信号，待识别纯净信号按照与心电信号相同的格式进行存储；
c.搜索待识别心电信号的二阶差分零点
采用matlab内建程序diff对除去待识别心电信号的噪声步骤所存储的待识别纯净信号进行二阶差分处理，程序的调用参数差分阶数设置为2(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help diff”即可获得说明书)，采用matlab内建程序find搜索二阶差分信号取值为零的点，并将对应的时间坐标进行存储，定义为过零时间；
d.检测待识别心电信号的R波
依次取每一个过零时间，利用matlab内建函数abs计算待识别纯净信号在过零时间上取值的绝对值(所述程序详细的调用格式和使用方式已公开，在命令行中输入“helpabs”即可获得说明书)，取其中绝对值取值最大的过零时间为R波顶点的时间；
e.将待识别心电信号分割为待识别伪心拍信号
以R波顶点的时间为中心，前后取0.5秒数据组成待识别伪心拍信号并存储；
4利用待识别伪心拍信号提取待识别心电信号的特征
a.提取待识别变换域特征
读取将待识别心电信号分割为待识别伪心拍信号步骤存储的待识别伪心拍信号，利用matlab内建程序dft将待识别伪心拍信号进行离散傅里叶变换(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help dft”即可获得说明书)，变换结果利用matlab内建函数abs求解绝对值(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help abs”即可获得说明书)，记为待识别伪心拍信号的功率谱密度。
b.提取待识别时域特征
利用matlab内建程序autocorr求待识别伪心拍信号的自相关函数响应向量(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help autocorr”即可获得说明书)，程序的输入参数除延迟为20外其它取默认值，计算结果命名为待识别伪心拍信号的自相关函数响应向量并存储。
c.将待识别变换域特征和待识别时域特征进行融合
将待识别伪心拍信号、待识别伪心拍信号功率谱密度、待识别伪心拍信号的自相关函数响应向量首尾相接拼接成一条向量并命名为待识别心电信号的特征向量，将待识别心电信号的特征向量输出。
为了检验本发明提出的一种利用心电信号进行实时身份识别的特征提取方法的性能，我们针对广泛使用的最近邻分类器(NN)、支持向量机分类器(SVM)、BP神经网络(BP)、SOM神经网络(SOM)四种分类器对本方法提取的特征向量进行分类性能测试。
仿真方法为：
NN:Matlab的knnclssify内建程序(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help knnclssify”即可获得说明书)，取参数k＝1；
SVM:Libsvm工具箱-2.89-3版本，参数使用工具箱自带的网格搜索算法生成(所述工具箱与说明书已公开，参见www.csie.ntu.edu.tw/～cjlin/libsvm/)。
BP神经网络：Matlab的内建BP工具箱(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help nprtool”即可获得说明书)，隐含层节点数为20，其它参数为默认值。
对实施例中500例待识别心电信号的识别结果进行准确率统计，NN分类器识别正确的心电信号占总信号数的80.5％，SVM分类器识别正确的心电信号占总信号数的81.2％，BP神经网络分类器识别正确的心电信号占总信号数的81.5％，能够证实本发明能够有效的完成利用心电信号进行实时身份识别的任务。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种利用心电信号进行自动身份识别的特征提取方法，其特征在于，包括以下步骤：
(1)将训练集心电信号转化为训练集伪心拍信号，伪心拍信号是指R波顶点的时间为中心前后取0.5秒数据：由系统外部输入包含心电信号的训练集，所述的训练集心电信号满足YY 0885-2013医用电气设备第2部分：动态心电图系统安全和基本性能专用要求，且还要求训练集心电信号采样频率大于300Hz，且训练集心电信号总时长大于10分钟，使用db4小波对训练集心电信号进行8层提升，并将第8层细节系数置后执行小波重构算法进行信号的重构，重构得到的信号命名为待识别纯净信号，待识别纯净信号按照与心电信号相同的格式进行存储，将待识别纯净信号进行二阶差分，取所有二阶差分信号的取值为零的时间，定义为过零时间，将所有的过零时间进行存储，前1秒待识别纯净信号在所有过零时间的取值绝对值最大的一个点为R波顶点，然后重复执行如下步骤直至执行到待识别纯净信号末尾：按照时间先后顺序依次取待识别纯净信号在过零时间上取值的绝对值，若该绝对值是前一个R波顶点后1.2秒内待识别纯净信号在过零时间上取值的绝对值的最大值，则该过零时间对应一个R波顶点，以心电信号所有检测到的R波顶点的时间为中心，前后取0.5秒数据组成伪心拍信号，所有伪心拍信号按列排列成一个伪心拍信号矩阵进行存储，其中每一行存储一个伪心拍信号
(2)利用训练集伪心拍信号矩阵提取训练集心电信号的特征
a.计算训练集伪心拍信号矩阵的功率谱密度矩阵；
b.计算训练集伪心拍信号矩阵的自相关矩阵；
c.将训练集变换域特征和训练集时域特征进行融合；
(3)将待识别心电信号转化为待识别伪心拍信号
a.由系统外部输入待识别心电信号；
b.除去待识别心电信号的噪声；
c.搜索待识别心电信号的二阶差分零点；
d.检测待识别心电信号的R波；
e.将待识别心电信号分割为待识别伪心拍信号；
(4)利用待识别伪心拍信号提取待识别心电信号的特征
a.提取待识别变换域特征；
b.提取待识别时域特征；
c.将待识别变换域特征和待识别时域特征进行融合。
2.根据权利要求1所述的利用心电信号进行自动身份识别的特征提取方法，其特征在于，步骤(2)中，读取训练集心电信号转化为训练集伪心拍信号步骤所存储的伪心拍信号矩阵，将存储的每一条伪心拍信号分别进行离散傅里叶变换，求取变换结果每个点实部和虚部绝对值的平方，记为该伪心拍信号的功率谱密度，所有伪心拍信号的功率谱密度存储为训练集伪心拍信号功率谱密度矩阵，矩阵中每一行存储一个伪心拍信号的功率谱密度，将伪心拍信号矩阵存储的每一条伪心拍信号分别计算取延迟为从1到20的自相关函数响应向量，记为该伪心拍信号的自相关函数响应向量，所有伪心拍信号的自相关函数响应向量存储为训练集自相关响应矩阵，矩阵中每一行存储一个伪心拍信号的自相关函数响应向量，将伪心拍信号矩阵、功率谱密度矩阵、自相关响应矩阵拼接为训练集特征矩阵，拼接规则为列数不变，按行首尾相接，将训练集特征矩阵输出。
3.根据权利要求1所述的利用心电信号进行自动身份识别的特征提取方法，其特征在于，步骤(3)中，由系统外部输入需要识别身份的心电信号，称为待识别心电信号，待识别心电信号的格式和采样参数应和将训练集心电信号转化为训练集伪心拍信号步骤中训练集心电信号完全一致，此外，待识别心电信号还要求信号长度大于3秒或者输入信号涵盖任意一个R波顶点的前后0.5秒范围，使用db4小波将待识别心电信号进行8层提升，并将第8层细节系数置零后执行小波重构算法进行信号的重构，重构得到的信号命名为待识别纯净信号，待识别纯净信号按照与训练集心电信号相同的格式进行存储，将待识别纯净信号进行二阶差分，取所有二阶差分信号的取值为零的时间，定义为待识别心电信号的过零时间，将所有的待识别心电信号的过零时间进行存储，依次取每一个过零时间计算待识别纯净信号在过零时间上取值的绝对值，取其中绝对值取值最大的过零时间为R波顶点的时间，以R波顶点的时间为中心，前后取0.5秒数据组成待识别伪心拍信号并存储。
4.根据权利要求1所述的利用心电信号进行自动身份识别的特征提取方法，其特征在于，步骤(4)中，读取将待识别心电信号转化为待识别伪心拍信号步骤存储的待识别伪心拍信号，将待识别伪心拍信号进行离散傅里叶变换，求取变换结果每个点实部和虚部绝对值的平方，记为待识别伪心拍信号的功率谱密度，计算待识别伪心拍信号取延迟为从1到20的自相关函数响应向量，命名为待识别伪心拍信号的自相关函数响应向量，将待识别伪心拍信号、待识别伪心拍信号功率谱密度、待识别伪心拍信号的自相关函数响应向量首尾相接拼接成一条向量并命名为待识别心电信号的特征向量，将待识别心电信号的特征向量输出。
CN201610857058.7A 2016-09-27 2016-09-27 一种利用心电信号进行自动身份识别的特征提取方法 Active CN106485213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610857058.7A CN106485213B (zh) 2016-09-27 2016-09-27 一种利用心电信号进行自动身份识别的特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610857058.7A CN106485213B (zh) 2016-09-27 2016-09-27 一种利用心电信号进行自动身份识别的特征提取方法

Publications (2)

Publication Number Publication Date
CN106485213A CN106485213A (zh) 2017-03-08
CN106485213B true CN106485213B (zh) 2019-04-12

Family

ID=58268062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610857058.7A Active CN106485213B (zh) 2016-09-27 2016-09-27 一种利用心电信号进行自动身份识别的特征提取方法

Country Status (1)

Country Link
CN (1) CN106485213B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239684A (zh) * 2017-05-22 2017-10-10 吉林大学 一种用于ecg身份识别的特征学习方法和系统
CN107798351B (zh) * 2017-11-09 2020-03-31 大国创新智能科技(东莞)有限公司 一种基于深度学习神经网络的身份识别方法和系统
CN108875575B (zh) * 2018-05-12 2021-05-11 鲁东大学 基于多通道信号融合深度神经网络自动心律失常分析方法
CN110025308B (zh) * 2019-04-09 2021-09-10 澳门大学 一种心电特征提取方法、心拍识别方法及装置
CN111297351A (zh) * 2020-02-13 2020-06-19 苏州百慧华业精密仪器有限公司 一种动态心电图中的运动伪差识别方法及装置
CN112686094B (zh) * 2020-12-03 2021-08-10 华中师范大学 一种基于毫米波雷达的非接触式身份识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101766484A (zh) * 2010-01-18 2010-07-07 董军 用于心电图识别与分类的方法和设备
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
CN103136465A (zh) * 2013-03-06 2013-06-05 天津理工大学 心电信号用于身份识别的方法
CN103714281A (zh) * 2013-12-12 2014-04-09 深圳先进技术研究院 一种基于心电信号的身份识别方法
CN103815897A (zh) * 2014-02-28 2014-05-28 吉林大学 一种心电图特征提取方法
CN104055522A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种心律失常情况下心电信号身份识别方法
CN104573458A (zh) * 2014-12-30 2015-04-29 深圳先进技术研究院 一种基于心电信号的身份识别方法、装置及系统
CN105468951A (zh) * 2015-11-17 2016-04-06 安徽华米信息科技有限公司 通过心电特征进行身份识别的方法及装置、可穿戴设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
CN101766484A (zh) * 2010-01-18 2010-07-07 董军 用于心电图识别与分类的方法和设备
CN103136465A (zh) * 2013-03-06 2013-06-05 天津理工大学 心电信号用于身份识别的方法
CN103714281A (zh) * 2013-12-12 2014-04-09 深圳先进技术研究院 一种基于心电信号的身份识别方法
CN103815897A (zh) * 2014-02-28 2014-05-28 吉林大学 一种心电图特征提取方法
CN104055522A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种心律失常情况下心电信号身份识别方法
CN104573458A (zh) * 2014-12-30 2015-04-29 深圳先进技术研究院 一种基于心电信号的身份识别方法、装置及系统
CN105468951A (zh) * 2015-11-17 2016-04-06 安徽华米信息科技有限公司 通过心电特征进行身份识别的方法及装置、可穿戴设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Identification of ECG beats from cross-spectrum information aided learning vector quantization;Dutta S 等;《Measurement》;20111231;第44卷(第10期);第2020-2027页
基于主成分分析进行特征融合的心拍分类;王迪 等;《光学精密工程》;20151031;第23卷(第10期);第453-458页

Also Published As

Publication number Publication date
CN106485213A (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
CN106485213B (zh) 一种利用心电信号进行自动身份识别的特征提取方法
Gupta et al. Feature extraction using MFCC
CN105468951B (zh) 通过心电特征进行身份识别的方法及装置、可穿戴设备
CN109497990B (zh) 一种基于典型相关分析的心电信号身份识别方法及系统
CN112401902B (zh) 基于神经网络时频分析相结合的心电身份识别方法及系统
CN105726018A (zh) 一种与rr间期无关的房颤自动检测方法
CN103531206B (zh) 一种结合局部与全局信息的语音情感特征提取方法
WO2018152711A1 (zh) 一种基于心电认证的门禁系统及其认证方法
CN110059564B (zh) 基于功率谱密度和互相关熵谱密度融合的特征提取方法
CN108968941A (zh) 一种心律失常检测方法、装置及终端
CN107766781B (zh) 一种快速心电身份识别的方法及其系统
CN109316747A (zh) 游戏辅助信息提示方法、装置及电子设备
US20170242974A1 (en) Determining User-Interested Information Based on Wearable Device
CN110287918A (zh) 活体识别方法及相关产品
CN109077714A (zh) 信号识别方法、装置、设备和存储介质
CN110119746A (zh) 一种特征识别方法及装置、计算机可读存储介质
CN113116361A (zh) 一种基于单导脑电的睡眠分期方法
CN109077721A (zh) 房颤检测装置及存储介质
CN114492501A (zh) 基于改进smote算法的脑电信号样本扩充方法、介质及系统
CN107292620A (zh) 身份识别方法及装置、计算机可读存储介质、终端
CN111582138A (zh) 基于频域倒谱系数特征的心电身份识别方法及系统
CN110192864A (zh) 一种跨域心电图生物特征身份识别方法
CN107526952A (zh) 基于多通道表面肌电信号的身份识别方法
CN108563939A (zh) 基于步态轨迹曲线特征的人体身份识别
CN104545890B (zh) 一种基于心电信号的身份识别方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A feature extraction method for automatic identification using ECG signal

Effective date of registration: 20211216

Granted publication date: 20190412

Pledgee: Yantai financing guarantee Group Co.,Ltd.

Pledgor: LUDONG University

Registration number: Y2021980015152

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20220317

Granted publication date: 20190412

Pledgee: Yantai financing guarantee Group Co.,Ltd.

Pledgor: LUDONG University

Registration number: Y2021980015152

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221206

Address after: 264006 No.1, No. 10, Hengshan Road, Yantai District, China (Shandong) Pilot Free Trade Zone, Yantai City, Shandong Province

Patentee after: Fengxiang (Shandong) Medical Technology Co.,Ltd.

Address before: 264000 No. 186 Hongqi Middle Road, Zhifu District, Shandong, Yantai

Patentee before: LUDONG University