CN106650685B - 一种基于心电图信号的身份识别方法及装置 - Google Patents
一种基于心电图信号的身份识别方法及装置 Download PDFInfo
- Publication number
- CN106650685B CN106650685B CN201611251214.1A CN201611251214A CN106650685B CN 106650685 B CN106650685 B CN 106650685B CN 201611251214 A CN201611251214 A CN 201611251214A CN 106650685 B CN106650685 B CN 106650685B
- Authority
- CN
- China
- Prior art keywords
- power spectrum
- electrocardio
- scale
- sample
- period
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 242
- 230000000737 periodic effect Effects 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012935 Averaging Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 55
- XYDVHKCVOMGRSY-UHFFFAOYSA-N 4-(4-benzylphenyl)-1,3-thiazol-2-amine Chemical compound S1C(N)=NC(C=2C=CC(CC=3C=CC=CC=3)=CC=2)=C1 XYDVHKCVOMGRSY-UHFFFAOYSA-N 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000000747 cardiac effect Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 101001050286 Homo sapiens Jupiter microtubule associated homolog 1 Proteins 0.000 description 2
- 101000928034 Homo sapiens Proteasomal ubiquitin receptor ADRM1 Proteins 0.000 description 2
- 102100023133 Jupiter microtubule associated homolog 1 Human genes 0.000 description 2
- 102100036915 Proteasomal ubiquitin receptor ADRM1 Human genes 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100163433 Drosophila melanogaster armi gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于心电图信号的身份识别方法及装置,方法包括:对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;取N个连续心电周期作为心电周期集;利用AR模型对心电周期集中的每个心电周期在进行功率谱估计,确定功率谱特征;对功率谱特征求平均确定心电周期集对应的待识别的心电图信号的身份特征;根据身份特征与预建立的注册模板库中样本的功率谱特征的距离生成身份识别结果。还设计使用了并列组合分类器方法实现身份申请的拒绝与接受,本发明面对高噪声ECG信号提取鲁棒性的有较强判别力的身份特征,由多个独立分类器组成的并列组合分类器,解决由于注册身份更新造成对系统整体进行训练的问题,提高系统正确接受率与拒绝率。
Description
技术领域
本发明信息安全技术领域,特别是关于身份识别技术,具体的讲是一种基于心电图信号的身份识别方法及装置。
背景技术
当今,身份识别已是一项必不可少的应用,在很多领域都有着十分重要的作用,例如门禁系统、信用卡消费以及当今流行的互联网支付等。伴随着当前社会对安全性需求的日益严格,传统的身份识别方式已经越来越不能满足人们日常生活的需求,例如证件、钥匙容易伪造和遗失,密码和个人识别码容易遗忘和盗用。在这种背景下,指纹识别、虹膜识别、人脸识别、语音识别以及步态识别等传统生物特征识别技术取得了巨大的进展,特别是虹膜、人脸和指纹获得极高的识别准确度,已在许多领域得到广泛应用。但这些传统的生物特征都具有一个共同的局限性:可欺骗性。例如,人脸可以通过化妆或者模具伪装,指纹可以乳胶再造,虹膜图像也可以复制拷贝,步态声音都可以进行模仿等。这很容易使得非法者进入到身份识别系统,盗用或破坏信息系统。这一局限性直接影响到了信息安全的保障水平,因此开发新的防伪性好并且具有较高识别精度的生物特征十分必要。
基于上述现实问题,一种新型生物特征识别技术被提出——心电信号(ECG,Electrocardiogram Identification)身份识别技术。心电信号最大的特点与优势在于它无法伪造,具有极高的防欺骗能力,它必须通过活体验证,这极大的克服了现有身份识别系统的缺陷,同时ECG身份识别技术也可以是对当前生物特征识别技术的补充。此外,通过ECG身份识别与指纹等其它身份识别技术的组合多模态身份识别技术也是今后重要的发展方向。
Biel等在2001年提出了基于ECG信号的身份识别后,中外学者纷纷对ECG身份识别进行了系统与更加深入的研究,提出了许多技术方法与改进策略。Shen等提出通过模板匹配与决策类神经网络相结合的方法进行身份识别,识别率达到95%;Arteaga-Falconi等提出了基于关键点的时间间隔特征,实现了1.41%的错误接受率和81.82%的正确接受率;Adrian D.C.Chan等人以平均心动周期的波形与小波分解系数作为特征,然后计算波形特征间的相关系数和对应小波系数的欧式距离进行身份识别,在公开数据库中60个健康样本上测试,达到100%的准确率;Zokaee等人提出了一个基于ECG和掌纹的多模态身份识别系统,该研究使用梅尔倒谱系数提取ECG特征和用PCA方法提取掌纹特征,最后实现94.7%的准确率;Chen等选择李雅普诺夫指数和关联维作为识别特征,对19个实验室采集的样本进行测试,识别率超过90%。
现有技术中,三星公司提供了一种基于心电图信号的用户认证方法和设备,所述用户认证设备包括:心电图(ECG)波形获取器,被配置为获取用户的认证ECG波形以对用户进行认证;滤波器,被配置为通过将从参考ECG波形提取的参考模型参数应用于卡尔曼滤波器,使用所述卡尔曼滤波器对认证ECG波形进行滤波;认证器,被配置为将滤波后的ECG波形与参考ECG波形进行比较,并基于比较的结果确定滤波后的认证ECG波形与参考ECG波形是否对应。
同时,现有技术的清华大学深圳研究生院提出了一种心电异常状态下基于ECG多模板匹配的身份识别方法,该方法的关键技术包括:心电信号预处理,用于消除噪声干扰;心电信号分解,分离出每个周期的心电波形;标准化处理,分别在时间和幅值尺度上标准化;特征提取,利用小波变换提取特征,ISODATA算法进行聚类分析,进而构建ECG模板库;相关性分析,计算ECG测试数据与各模板的相关性,选择最佳匹。
另外,现有技术的中国航天员科研训练中心提出了一种身份识别方法及应用该方法的身份识别系统,该方法利用心电(ECG)信号进行身份识别,包括如下步骤:(a)ECG信号采集;(b)ECG信号预处理,其中对采集的ECG信号进行滤波;(c)特征提取,其中提取ECG信号的特征,以此构建身份识别特征向量,所构建的身份识别特征向量包括解析特征、表象特征、变换域特征和融合特征;(d)识别步骤,其中将待识别者的身份识别特征向量与预先存储在ECG特征模板库中的身份识别特征向量进行比对;(e)结果输出。
上述这些现有技术首先都通过对ECG信号的预处理消除噪声干扰,然后通过波形特征、变换域特征或几种方法的融合特征等作为匹配特征,最后通过模板匹配的方法找到相似度最高的模板或者相似度高于特定阈值的模板作为识别结果。这些技术存在几个共同的缺陷:(1)模板相似度匹配时,最优阈值的确定十分困难;(2)无法克服心率变化造成的误识别;(3)对于低质量的单导联ECG信号,识别性能会出现急剧恶化。
发明内容
为提供有较强判别力的身份识别特征,提高系统的识别率,本发明实施例提供了一种基于心电图信号的身份识别方法,包括:
步骤1,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
步骤2,取N个连续的心电周期作为心电周期集;
步骤3,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
步骤4,对心电周期集中包含的心电周期的功率谱特征求平均确定心电周期集对应的待识别的心电图信号对应的身份特征;
步骤5,根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果。
本发明实施例中,所述的利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征包括:
对每个心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征。
本发明实施例中,L的值为3,所述的对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号包括:
将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
本发明实施例中,所述的根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征包括:
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度下对应的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的三个尺度对应的功率谱向量。
本发明实施例中,所述的根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果包括:
将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算;
将与身份特征距离最小的注册样本作为身份识别结果。
本发明实施例中,所述的将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算包括:
利用欧式距离算法、余弦距离算法、皮尔逊相关系数算法或城市街区距离算法对身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算。
本发明实施例中,所述的方法包括:
采集各注册样本的心电信号;
利用步骤1-步骤4确定各注册样本的功率谱特征,将各注册样本的功率谱特征作为所述的预先建立的注册模板库。
同时,本发明还提供一种基于心电图信号的身份识别方法,包括:
步骤1,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
步骤2,取N个连续的心电周期作为心电周期集;
步骤3,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
步骤4,根据待识别心电图信号的功率谱特征和预先建立的注册样本的分类器模型进行身份识别,生成身份识别结果。
本发明实施例中,所述的利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征包括:
对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征。
本发明实施例中,L的数值为3,对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号包括:
将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
本发明实施例中,所述的根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征包括:
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的三个尺度对应的功率谱向量。
本发明实施例中,所述的方法包括:
步骤a,采集各注册样本的心电信号;
步骤b,利用上述的步骤1-步骤3确定采集的各注册样本中各心电周期的功率谱特征;
步骤c,选择一注册样本去除异常周期后的的功率谱特征作为当前注册样本的正样本集,选择一其它注册样本的功率谱特征作为当前注册样本对的负样本集;
步骤d,根据所述正样本集和负样本集构造当前注册样本训练集;
步骤e,利用所述当前注册样本训练集训练当前样本的独立分类器模型;
步骤f,对采集的各注册样本遍历上述步骤c-步骤e,确定各注册样本的独立分类器模型;
步骤g,将所述的各注册样本的独立分类器模型组成并列分类器组模型,将所述并列分类器组模型作为所述的预先建立的各注册样本的分类器模型。
本发明实施例中,所述的根据待识别的心电图信号的功率谱特征和预先建立的各注册样本的分类器模型进行身份识别,生成身份识别结果包括:
从心电周期集中选择连续的M个心电周期的功率谱特征作为待识别信号;
将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果。
本发明实施例中,所述的将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果包括:
所述的M个待识别信号中有至少有两个均被识别为注册样本中的一样本时,将当前样本作为身份识别结果输出。
本发明实施例中,M的值为5。
另外,本发明还提供一种基于心电图信号的身份识别装置,包括:
R波检测模块,用于对待识别的心电图信号进行R波检测,将RR间期作为一个心电周期;
提取模块,取N个连续的心电周期作为心电周期集;
功率谱特征确定模块,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
身份特征确定模块,对心电周期集中包含的心电周期的功率谱特征求平均确定心电周期集对应的身份特征;
识别模块,根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果。
本发明实施例中,所述的功率谱特征确定模块包括:
分解单元,用于对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
功率谱估计单元,用于利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
功率谱特征确定单元,用于根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征。
本发明实施例中,L的值为3,所述的分解单元对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号包括:
将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
本发明实施例中,所述的功率谱特征确定单元根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征包括:
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度下对应的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的三个尺度对应的功率谱向量。
本发明实施例中,所述的识别模块包括:
距离计算单元,用于将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算;
结果生成单元,将与身份特征距离最小的注册样本作为身份识别结果。
本发明实施例中,所述的距离计算单元将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算包括:
利用欧式距离算法、余弦距离算法、皮尔逊相关系数算法或城市街区距离算法对身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算。
本发明实施例中,所述的装置还包括:
信号采集模块,用于采集各注册样本的心电信号,利用所述R波检测模块、提取模块、功率谱特征确定模块以及身份特征确定模块确定各注册样本的功率谱特征;
模板库建立模块,将所述各注册样本的功率谱特征作为所述的预先建立的注册模板库。
进一步,本发明还提供一种基于心电图信号的身份识别装置,包括:
R波检测模块,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
提取模块,取N个连续的心电周期作为心电周期集;
功率谱特征确定模块,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
分类器模块,根据待识别心电图信号的功率谱特征和预先建立的注册样本的分类器模型进行身份识别,生成身份识别结果。
本发明实施例中,所述的功率谱特征确定模块包括:
分解单元,用于对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
功率谱估计单元,用于利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
功率谱特征确定单元,用于根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征。
本发明实施例中,L的值为3,所述的分解单元对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号包括:
将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
本发明实施例中,所述的功率谱特征确定单元根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征包括:
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度下对应的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的三个尺度对应的功率谱向量。
本发明实施例中,所述的装置还包括:
信号采集模块,采集注册样本的心电信号,利用R波检测模块、提取模块以及功率谱特征确定模块确定采集的注册样本中各心电周期的功率谱特征;
分类器模型生成模块,用于根据采集的各注册样本中各心电周期的功率谱特征生成预先建立的注册样本的分类器模型,步骤包括:
步骤c,选择一注册样本去除异常周期后的的功率谱特征作为当前注册样本的正样本集,选择一其它注册样本的功率谱特征作为当前注册样本对的负样本集;
步骤d,根据所述正样本集和负样本集构造当前注册样本训练集;
步骤e,利用所述当前注册样本训练集训练当前样本的独立分类器模型;
步骤f,对采集的各注册样本遍历上述步骤c-步骤e,确定各注册样本的独立分类器模型;
步骤g,将所述的各注册样本的独立分类器模型组成并列分类器组模型,将所述并列分类器组模型作为所述的预先建立的各注册样本的分类器模型。
本发明实施例中,所述的分类器模块包括:
选择单元,用于从心电周期集中选择连续的M个心电周期的功率谱特征作为待识别信号;
识别单元,将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果。
本发明实施例中,所述的识别单元将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果包括:
所述的M个待识别信号中有至少有两个均被识别为注册样本中的一样本时,将当前样本作为身份识别结果输出。
本发明实施例中,M的值为5。
本发明面对高噪声ECG信号的提取鲁棒性有较强判别力的身份识别特征,设计由多个独立分类器组成的并列组合分类器,旨在解决由于注册身份更新而造成必须对系统整体进行训练的问题,以及提高了系统的正确接受率与正确拒绝率。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于心电图信号的身份识别方法的流程图;
图2为本发明提供的一种基于心电图信号的身份识别方法的流程图;
图3为本发明实施例进行ECG身份认证与识别流程示意图;
图4为本发明实施例中三个不同尺度的单周期ECG信号;
图5为本发明实施例中各注册用户独立的子分类器模型构造的组合分类器系统;
图6为本发明实施例中对采集的ECG信号进行滤波处理的结果。
具体实施方式
下面将结合本发明实施例中的附图,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。
相关术语解释:
ECG身份识别(Electrocardiogram Identification),是指通过获取身份人的心电(ECG)信号而对其身份进行识别的技术。
自回归模型(Auto Regressive model,AR模型),是用自身做回归变量的过程,即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型,在工程上有多种用途,如频谱估计。
多尺度自回归模型(Multi-scale Auto Regressive Model,MSARM),是指利用自回归模型对多尺度信号进行线性预测或频谱估计的方法。
模板匹配(Template Matching)是指通过向量距离(如欧式距离等)计算待测样本向量与模板向量的相似度,通过设置门限阈值或相似度最近为识别准则,是一种最简洁快速的模式识别算法。
联合分类器(Combination Classifiers)是指同过N个独立的分类器组成并列的组合分类器。在这里每个独立的分类器对应一个注册身份。
如图1所示为本发明提供的一种基于心电图信号的身份识别方法的流程图,该方法包括:
步骤S101,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
步骤S102,取N个连续的心电周期作为心电周期集;
步骤S103,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
步骤S104,对心电周期集中包含的心电周期的功率谱特征求平均确定心电周期集对应的待识别的心电图信号对应的身份特征;
步骤S105,根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果。
本方案中,对待识别特征的提取和身份的识别均采用模板匹配的方式。
本发明实施例中,所述的利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征包括:
对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征。
本发明实施例中,L的值为3,即对心电周期进行三个尺度的分解,生成三个尺度的心电周期信号包括:
将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
本发明实施例中,所述的根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征包括:
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度下对应的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的三个尺度对应的功率谱向量。
本发明实施例中,所述的根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果包括:
将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算;
将与身份特征距离最小的注册样本作为身份识别结果。
本发明实施例中,所述的将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算包括:
利用欧式距离算法、余弦距离算法、皮尔逊相关系数算法或city block(城市街区距离)距离算法对身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算。
本发明实施例中,所述的方法包括:
采集各注册样本的心电信号;
利用步骤1-步骤4确定各注册样本的功率谱特征,将各注册样本的功率谱特征作为所述的预先建立的注册模板库。
同时,本发明还提供一种基于心电图信号的身份识别方法,另外还设计使用了并列组合分类器方法实现身份申请的拒绝与接受,利用分类器模型对待识别心电图信号进行身份识别,并利用注册样本的功率谱特征作为分类器模型的训练集,生成各样本的独立分类器模型,将各样本的独立分类器模型组成并列分类器组对待识别信号进行分类识别,如图2所示,该方法具体包括:
步骤S201,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
步骤S202,取N个连续的心电周期作为心电周期集;
步骤S203,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
步骤S204,根据待识别心电图信号的功率谱特征和预先建立的注册样本的分类器模型进行身份识别,生成身份识别结果。即设计使用了并列组合分类器方法实现身份申请的拒绝与接受。
本发明实施例中,注册样本的分类器模型的建立步骤包括:
步骤a,采集各注册样本的心电信号;
步骤b,利用上述的步骤S201-步骤S203确定采集的各注册样本中各心电周期的功率谱特征;
步骤c,选择一注册样本的所有周期的功率谱特征组成当前注册样本对应的分类器训练的正样本集,选择其余注册样本的功率谱特征组成当前注册样本对应的分类器的负样本集;本发明实施例中,对于其余样本,每个样本随机选择m个周期的功率谱特征作为负样本特征,m不宜过大以免造成正负样本不平衡。
步骤d,根据所述正样本集和负样本集构造当前注册样本训练集;
步骤e,利用所述当前注册样本训练集训练当前样本的独立分类器模型;
步骤f,对采集的各注册样本遍历上述步骤c-步骤e,确定各注册样本的独立分类器模型;
步骤g,将所述的各注册样本的独立分类器模型组成并列分类器组模型,将所述并列分类器组模型作为所述的预先建立的各注册样本的分类器模型。
本发明实施例中,所述的根据待识别的心电图信号的功率谱特征和预先建立的各注册样本的分类器模型进行身份识别,生成身份识别结果包括:
从心电周期集中选择连续的M个心电周期的功率谱特征作为待识别信号;
将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果。
本发明实施例中,所述的将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果包括:
所述的M个待识别信号中有至少有两个均被识别为注册样本中的一样本时,将当前样本作为身份识别结果输出。本发明实施例中,M的值为5。
下面结合具体的实施例对本发明的技术方案做进一步详细说明,如图3所示,为本发明实施例进行ECG身份认证与识别流程示意图,本发明的具体实施例中,数据处理方法主要包括如下技术步骤:
1、注册样本的提取:
1)从注册人体获取ECG信号,获取方法为通过位于手臂、腕部或手指的电极采集体表心电信号,在这里由于不同位置采集的心电信号具有差异性,因此这要求信号采集位置需要相对固定;
2)对采集的原始信号进行预处理,包括去基线漂移,工频干扰及其它噪声。首先通过小波技术去除基线漂移,然后通过小波与巴特沃兹滤波器联合去噪方法去除ECG噪声。
3)对去噪后的ECG信号进行R波检测,然后根据R波的位置提取RR间期作为一个心电周期(主要是由于R波是心电信号中最明显的波,易于检测,因此使用两个相邻R波之间的时间RR间期作为心电周期的分割点)。
4)选择连续40个心电周期作为一个注册样本的候选单周期心电波形集(本发明实施例不限定选择40个心电周期),对40个心电周期波形求平均得出平均心电波形,然后以平均心电波形为参考中心对40个心电周期进行距离由小到大排列,本发明实施例中将距离较远的心电波形视为异常波形,从候选心电集中剔除距离较远的8个心电波形(本发明实施例示例选择8个心电波形,但其个数并不限定为8个),获得最终的候选单周期心电波形集。
2、测试样本特征提取,采用上述注册样本特征提取同样的步骤,但本发明实施例中需要采用尽可能少心电周期(尽可能缩短识别时间)。
3、特征提取,在本发明中使用自回归模型(AR模型)对单周期ECG信号进行功率谱估计,并将功率谱作为表征该心电周期的特征,AR模型对信号进行功率谱估计对于本领域普通技术人员来说是公知的,因此在这里不再进行详细描述。
本发明实施例中首先对单周期ECG信号进行3个尺度分解:
尺度1为原始单周期ECG信号;
尺度2为对尺度1的1/2降采样;
尺度3是对尺度2的1/2将采样。如图4所示为三个不同尺度的单周期ECG信号。
然后分别对三个尺度的信号使用AR模型进行功率谱估计分别记为ARM1、ARM2、ARM3,本发明实施例中将3个尺度的功率谱组合成总的功率谱,记为ARM,其通过公式可表达为:
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3
其中ω1,ω2和ω3为权重,且ω1+ω2+ω3=1。不同尺度的贡献通过计算每个尺度上的识别率rtj,其中,识别率rtj为当以j尺度的功率谱向量单独作为身份识别特征时,建立分类器获得的样本识别率。然后计算出权重
6)身份认证识别模型设计,本发明实施例中对身份的识别分为模板匹配与组合分类器两种方法:
A)采用模板匹配进行身份识别:
首先获取注册模板,方法是通过对候选单周期心电波形集中分别估计出的功率谱求平均,得出代表功率谱作为注册模板。
通过同样的方法得出测试样本的功率谱作为认证特征。然后通过距离判断方法找出注册模板库中最相似的注册模板作为识别结果。在这里求认证特征与注册模板特征间的距离方法包括欧式距离、余弦距离、皮尔逊相关系数以及city block距离等,其中相似度随着距离的减小而增大,随着相关系数的增加而增大。
B)利用组合分类器进行身份识别:
首先获取注册样本训练集中某个注册用户ID1的所有候选单周期心电波形集的功率谱特征,对每个周期的功率谱特征赋予正标签(+1);然后分别对训练集中其它注册样本用户的其中1个或m个(m不易过大,以免造成正负样本不平衡)候选单周期心电波形的功率谱特征标为负样本(-1)(例如训练集共有N个用户,则负样本的个数为(N-1)*m);最后用构建好的正负样本集训练注册用户ID1的子分类器模型。同理用该方法训练其它注册用户的分类器模型。最后将训练好的各注册用户独立的子分类器模型构造成如图5所示的组合分类器系统。
具体实施方法包括以下步骤:
1.采集数据:通过可穿戴设备或便携式心电采集设备获取ECG数据。假设获得一个100个样本的身份集[ID1,ID2,...D100],对应的数据集为[ECG1,ECG2,...,ECG100],每个样本的长度为60秒。
2.预处理:
1)去噪:通过小波与巴特沃兹滤波器联合去噪方法去除ECG的基线漂移和其它噪声,获得[ECG1_,ECG2_,...,ECG100_],如图6所示,为本发明实施例中对采集的ECG信号进行滤波处理的结果;
2)对ECG进行R波检测,取RR间期作为一个心动周期;
3.特征提取:
A.模板匹配:
(1)对前40个周期提取作为训练集候选周期[C1,C2,...,C40],通过聚类方法去除距聚类中心最远的8个周期,得到最终的训练心电周期集C;
(2)通过AR模型对每个心电周期在三个尺度上进行功率谱估计,分别得到功率谱向量ARM1,ARM2,ARM3,根据公式(1)获取代表该心电周期的变换特征ARM;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3
(3)对该IDi下训练周期集C所有心电周期Cj对应的ARM求平均获得最终该IDi对应的模板特征Fi。
(4)同理可获取对应的测试特征。
4.身份识别:
A.模板匹配:
(1)将模板特征Fi构造成注册模板库T。
(2)将测试样本特征tFj与模板库中的样本一一进行距离计算,以距离最小的样本IDi作为身份的输出。
本发明另一实施例中,采用分类器进行特征提取和身份识别,具体如下:
1.采集数据:通过可穿戴设备或便携式心电采集设备获取ECG数据。假设获得一个100个样本的身份集[ID1,ID2,...,ID100],对应的数据集为[ECG1,ECG2,...,ECG100],每个样本的长度为60秒。
2.预处理:
1)去噪:通过小波与巴特沃兹滤波器联合去噪方法去除ECG的基线漂移和其它噪声,获得[ECG1_,ECG2_,...,ECG100_];
2)对ECG进行R波检测,取RR间期作为一个心动周期;
3.特征提取:
B.组合分类器
(1)如同A中(1)~(3)步,分别获取心电周期集C中40-8个周期对应的特征向量ARMj。
(2)获取IDi对应的训练集的正样本集矩阵PS;
(3)获取IDk(k≠i)的心电周期集C中任一周期的特征ARM,所有IDk对应的ARMk,组成负样本集NS.
(4)IDi对应的分类器模型CFi的训练集为[PS;NS]。
(5)本实施例中测试特征(即待识别的身份特征)的获取同上,即获取待识别心电周期集的心电周期对应的功率谱特征向量ARM。
4.分类器进行身份识别:
B.组合分类器
(1)利用IDi对应的训练集[PS;NS]去训练独立分类模型CFi;
(2)将CFi组成并列分类器组CF;
(3)在测试中对IDj的连续5(个数并不限定为5,是可调的)个周期作为识别周期。当5个周期中有2个或以上的周期识别为某一IDi时,认为该IDj与IDi为同一身份(在现实应用中,可设置为当测试周期已识别出两个周期为注册IDi时,可以自动停止搜索识别后面周期)。
同时,本发明还提供一种基于心电图信号的身份识别装置,包括:
R波检测模块,用于对待识别的心电图信号进行R波检测,将RR间期作为一个心电周期;
提取模块,取N个连续的心电周期作为心电周期集;
功率谱特征确定模块,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
身份特征确定模块,对心电周期集中包含的心电周期的功率谱特征求平均确定心电周期集对应的身份特征;
识别模块,根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果。
另外,本发明还提供一种基于心电图信号的身份识别装置,包括:
R波检测模块,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
提取模块,取N个连续的心电周期作为心电周期集;
功率谱特征确定模块,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
分类器模块,根据待识别心电图信号的功率谱特征和预先建立的注册样本的分类器模型进行身份识别,生成身份识别结果。
本发明公开的装置解决问题的原理与前述方法的实现相似,在此不再赘述。
本发明采用AR模型对单周期心电信号进行功率谱估计,将功率谱特征用于心电信号的识别特征。采用AR模型对多个尺度的单周期心电信号进行功率谱估计ARMi同尺度分配相应的权重ω,然后融合成新的组合特征ARM。
这种融合后的多尺度特征具有更好的抗干扰能力以及降低了心电信号的时间变异性对身份识别精度的影响。
训练集特征获取前,首先通过聚类的方法踢去聚类中心较远的心电周期,用于去除异常心电周期。
采用N个并列的独立分类器CFi的组合分类器组CF对身份输入做出识别,每个独立分类器与相应的身份相对应。
每个独立分类器CFi由注册身份IDi的候选周期集C提取的正样本特征集和另外所有身份IDk(k≠i)的心电周期集组成的负样本特征集训练而成,其中负样本集中每个样本与IDk中的身份为一一对应关系。
本发明实施例设计由N(注册身份个数)个独立分类器组成的并列组合分类器,有效的解决了由于注册身份更新而造成必须对系统整体进行训练的问题,以及提高了系统的正确接受率与正确拒绝率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (22)
1.一种基于心电图信号的身份识别方法,其特征在于,所述的方法包括:
步骤1,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
步骤2,取N个连续的心电周期作为心电周期集;
步骤3,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
步骤4,对心电周期集中包含的心电周期的功率谱特征求平均确定心电周期集对应的待识别的心电图信号对应的身份特征;
步骤5,根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果;其中,
所述的利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征包括:
对每个心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征;
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度下对应的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为当L取值为3时三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的当L取值为3时三个尺度对应的功率谱向量。
2.如权利要求1所述的基于心电图信号的身份识别方法,其特征在于,所述的对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号包括:
当L取值为3时,将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
3.如权利要求1所述的基于心电图信号的身份识别方法,其特征在于,所述的根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果包括:
将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算;
将与身份特征距离最小的注册样本作为身份识别结果。
4.如权利要求3所述的基于心电图信号的身份识别方法,其特征在于,所述的将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算包括:
利用欧式距离算法、余弦距离算法、皮尔逊相关系数算法或城市街区距离算法对身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算。
5.如权利要求4所述的基于心电图信号的身份识别方法,其特征在于,所述的方法包括:
采集各注册样本的心电信号;
利用步骤1-步骤4确定各注册样本的功率谱特征,将各注册样本的功率谱特征作为所述的预先建立的注册模板库。
6.一种基于心电图信号的身份识别方法,其特征在于,所述的方法包括:
步骤1,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
步骤2,取N个连续的心电周期作为心电周期集;
步骤3,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
步骤4,根据待识别心电图信号的功率谱特征和预先建立的注册样本的分类器模型进行身份识别,生成身份识别结果;其中,
所述的利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征包括:
对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征;
所述的根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征包括:
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度下对应的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为当L取值为3时三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的当L取值为3时三个尺度对应的功率谱向量。
7.如权利要求 6所述的基于心电图信号的身份识别方法,其特征在于,所述的对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号包括:
当L取值为3时,将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
8.如权利要求6所述的基于心电图信号的身份识别方法,其特征在于,所述的方法包括:
步骤a,采集各注册样本的心电信号;
步骤b,利用步骤1-步骤3确定采集的各注册样本中各心电周期的功率谱特征;
步骤c,选择一注册样本去除异常周期后的所有周期的功率谱特征组成当前注册样本对应分类器训练的正样本集,选择其余注册样本的功率谱特征组成当前注册样本对应分类器训练的负样本集;
步骤d,根据所述正样本集和负样本集构造当前注册样本训练集;
步骤e,利用所述当前注册样本训练集训练当前样本的独立分类器模型;
步骤f,对采集的各注册样本遍历上述步骤c-步骤e,确定各注册样本的独立分类器模型;
步骤g,将所述的各注册样本的独立分类器模型组成并列分类器组模型,将所述并列分类器组模型作为所述的预先建立的各注册样本的分类器模型。
9.如权利要求8所述的基于心电图信号的身份识别方法,其特征在于,所述的根据待识别的心电图信号的功率谱特征和预先建立的各注册样本的分类器模型进行身份识别,生成身份识别结果包括:
从心电周期集中选择连续的M个心电周期的功率谱特征作为待识别信号;
将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果。
10.如权利要求9所述的基于心电图信号的身份识别方法,其特征在于,所述的将所述M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果包括:
所述的M个待识别信号中有至少有两个均被识别为注册样本中的一样本时,将当前样本作为身份识别结果输出。
11.如权利要求10所述的基于心电图信号的身份识别方法,其特征在于,M的值为5。
12.一种基于心电图信号的身份识别装置,其特征在于,所述的装置包括:
R波检测模块,用于对待识别的心电图信号进行R波检测,将RR间期作为一个心电周期;
提取模块,取N个连续的心电周期作为心电周期集;
功率谱特征确定模块,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
身份特征确定模块,对心电周期集中包含的心电周期的功率谱特征求平均确定心电周期集对应的身份特征;
识别模块,根据所述的身份特征与预先建立的注册模板库中样本的功率谱特征的距离生成身份识别结果;其中,
所述的功率谱特征确定模块包括:
分解单元,用于对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
功率谱估计单元,用于利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
功率谱特征确定单元,用于根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征;
所述的功率谱特征确定单元根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征包括:
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度下对应的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为当L取值为3时三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的当L取值为3时三个尺度对应的功率谱向量。
13.如权利要求12所述的基于心电图信号的身份识别装置,其特征在于,所述的分解单元对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号包括:
当L取值为3时,将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
14.如权利要求12所述的基于心电图信号的身份识别装置,其特征在于,所述的识别模块包括:
距离计算单元,用于将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算;
结果生成单元,将与身份特征距离最小的注册样本作为身份识别结果。
15.如权利要求14所述的基于心电图信号的身份识别装置,其特征在于,所述的距离计算单元将身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算包括:
利用欧式距离算法、余弦距离算法、皮尔逊相关系数算法或城市街区距离算法对身份特征与预先建立的注册模板库中样本的功率谱特征进行距离计算。
16.如权利要求15所述的基于心电图信号的身份识别装置,其特征在于,所述的装置还包括:
信号采集模块,用于采集各注册样本的心电信号,利用所述R波检测模块、提取模块、功率谱特征确定模块以及身份特征确定模块确定各注册样本的功率谱特征;
模板库建立模块,将所述各注册样本的功率谱特征作为所述的预先建立的注册模板库。
17.一种基于心电图信号的身份识别装置,其特征在于,所述的装置包括:
R波检测模块,对待识别的心电图信号进行R波检测,提取RR间期作为一个心电周期;
提取模块,取N个连续的心电周期作为心电周期集;
功率谱特征确定模块,利用AR模型对所述心电周期集中的每个心电周期在进行功率谱估计,确定每个心电周期的功率谱特征;
分类器模块,根据待识别心电图信号的功率谱特征和预先建立的注册样本的分类器模型进行身份识别,生成身份识别结果;
所述的功率谱特征确定模块包括:
分解单元,用于对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号;
功率谱估计单元,用于利用AR模型对所述L个尺度的心电周期信号进行功率谱估计,确定各尺度对应的功率谱向量;
功率谱特征确定单元,用于根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征;
所述的功率谱特征确定单元根据确定的各尺度对应的功率谱向量确定每个心电周期的功率谱特征包括:
根据各尺度的识别率和式(1)确定各尺度对应的权重值;
ωj为各尺度的权重值,rtj为第j尺度下对应的识别率;
根据各尺度对应的权重值、各尺度对应的功率谱向量及式(2)确定每个心电周期的功率谱特征;
ARM=ω1*ARM1+ω2*ARM2+ω3*ARM3 (2)
其中,ω1,ω2和ω3为当L取值为3时三个尺度的权重值,且ω1+ω2+ω3=1;
ARM为每个心电周期的功率谱特征;
ARM1,ARM2,ARM3为利用AR模型确定的当L取值为3时三个尺度对应的功率谱向量。
18.如权利要求 17所述的基于心电图信号的身份识别装置,其特征在于,所述的分解单元对心电周期进行L个尺度的分解,生成L个尺度的心电周期信号包括:
当L取值为3时,将原始的心电周期信号作为尺度1的心电周期信号;
对尺度1的心电周期信号进行二分之一降采样,作为尺度2的心电周期信号;
对尺度2的心电周期信号进行二分之一降采样,作为尺度3的心电周期信号。
19.如权利要求17所述的基于心电图信号的身份识别装置,其特征在于,所述的装置还包括:
信号采集模块,采集注册样本的心电信号,利用R波检测模块、提取模块以及功率谱特征确定模块确定采集的注册样本中各心电周期的功率谱特征;
分类器模型生成模块,用于根据采集的各注册样本中各心电周期的功率谱特征生成预先建立的注册样本的分类器模型,步骤包括:
步骤c,选择一注册样本去除异常周期后的所有周期的功率谱特征组成当前注册样本对应分类器训练的正样本集,选择一其它注册样本的功率谱特征作为当前注册样本对应分类器训练的负样本集;
步骤d,根据所述正样本集和负样本集构造当前注册样本训练集;
步骤e,利用所述当前注册样本训练集训练当前样本的独立分类器模型;
步骤f,对采集的各注册样本遍历上述步骤c-步骤e,确定各注册样本的独立分类器模型;
步骤g,将所述的各注册样本的独立分类器模型组成并列分类器组模型,将所述并列分类器组模型作为所述的预先建立的各注册样本的分类器模型。
20.如权利要求19所述的基于心电图信号的身份识别装置,其特征在于,所述的分类器模块包括:
选择单元,用于从心电周期集中选择连续的M个心电周期的功率谱特征作为待识别信号;
识别单元,将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果。
21.如权利要求20所述的基于心电图信号的身份识别装置,其特征在于,所述的识别单元将所述的M个待识别信号输入到所述的并列分类器组模型,生成身份识别结果包括:
所述的M个待识别信号中有至少有两个均被识别为注册样本中的一样本时,将当前样本作为身份识别结果输出。
22.如权利要求21所述的基于心电图信号的身份识别装置,其特征在于,M的值为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611251214.1A CN106650685B (zh) | 2016-12-29 | 2016-12-29 | 一种基于心电图信号的身份识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611251214.1A CN106650685B (zh) | 2016-12-29 | 2016-12-29 | 一种基于心电图信号的身份识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650685A CN106650685A (zh) | 2017-05-10 |
CN106650685B true CN106650685B (zh) | 2020-06-05 |
Family
ID=58836183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611251214.1A Active CN106650685B (zh) | 2016-12-29 | 2016-12-29 | 一种基于心电图信号的身份识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650685B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019041202A1 (en) * | 2017-08-30 | 2019-03-07 | Vita-Course Technologies Co., Ltd. | SYSTEM AND METHOD FOR USER IDENTIFICATION |
CN109330584B (zh) * | 2018-11-08 | 2020-09-18 | 山东大学 | 基于字典学习和稀疏表示的心电信号身份识别方法和系统 |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345600A (zh) * | 2013-06-24 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
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 |
-
2016
- 2016-12-29 CN CN201611251214.1A patent/CN106650685B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345600A (zh) * | 2013-06-24 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于心电信号的身份识别算法研究;杨雷;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20121015(第10期);第4章第25、30页和图4.6 * |
Also Published As
Publication number | Publication date |
---|---|
CN106650685A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776788B (zh) | 一种基于脑电波的识别方法 | |
Bailador et al. | Analysis of pattern recognition techniques for in-air signature biometrics | |
CN104573458B (zh) | 一种基于心电信号的身份识别方法、装置及系统 | |
Zhao et al. | Fingerprint image synthesis based on statistical feature models | |
Qin et al. | A fuzzy authentication system based on neural network learning and extreme value statistics | |
Ibtehaz et al. | EDITH: ECG biometrics aided by deep learning for reliable individual authentication | |
Li et al. | DeFFusion: CNN-based continuous authentication using deep feature fusion | |
Al-Naffakh et al. | Unobtrusive gait recognition using smartwatches | |
CN107088069B (zh) | 基于人体ppg信号分段的身份识别方法 | |
CN109497990A (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 | |
Nanni et al. | A hybrid wavelet-based fingerprint matcher | |
Pham et al. | EEG-based user authentication in multilevel security systems | |
CN106650685B (zh) | 一种基于心电图信号的身份识别方法及装置 | |
Garg et al. | Biometric authentication using finger nail surface | |
Noor et al. | Performances enhancement of fingerprint recognition system using classifiers | |
Abuqadumah et al. | Personal authentication application using deep learning neural network | |
Ghosh et al. | Symptoms-based biometric pattern detection and recognition | |
CN110298159B (zh) | 一种智能手机动态手势身份认证方法 | |
Wang et al. | Footstep-identification system based on walking interval | |
Chaitanya et al. | Verification of pattern unlock and gait behavioural authentication through a machine learning approach | |
Sumalatha et al. | A Comprehensive Review of Unimodal and Multimodal Fingerprint Biometric Authentication Systems: Fusion, Attacks, and Template Protection | |
Elmir et al. | Support vector machine based fingerprint identification | |
Haukipuro et al. | Mobile brainwaves: On the interchangeability of simple authentication tasks with low-cost, single-electrode EEG devices | |
Mukherjee et al. | Iris recognition using wavelet features and various distance based classification | |
Tan et al. | Towards real time implementation of sparse representation classifier (SRC) based heartbeat biometric system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |