CN106951753A - 一种心电信号的认证方法和认证装置 - Google Patents

Abstract

本申请公开了一种心电信号的认证方法和认证装置。方法包括：获取待认证的心电信号；基于深度模型提取所述心电信号的语义特征，并基于提取的语义特征对所述心电信号执行认证。

Description

一种心电信号的认证方法和认证装置

技术领域

本发明涉及信号处理技术领域，更具体的说，涉及一种心电(ElectroCardiogram，ECG)信号的认证方法和认证装置。

背景技术

生物特征认证是利用每个人与生俱来独有的生理特征或行为特征如虹膜、指纹、人脸、语音和步态来确认个体的身份。相比于传统的认证方法有着较大的优势但同时也面临巨大的挑战，如出现的假手指、假人脸，语音可以被录音等等。心电信号认证是利用心电信号对操作者的身份进行确认的过程。由于其难以被仿造假冒、低成本获取途径和高度的判别性，作为一种新的生物特征，在安全领域中逐渐被广泛关注。

通常的心电信号认证涉及到以下步骤：

1.滤波：对采集到的心电信号进行数字滤波处理，以去除由仪器或者人体带来的信号噪声影响，从而供后续的认证或者识别。

2.QRS波群检测：心电信号记录心脏的周期性电活动，典型的心电波形包括P波、QRS波和T波。

3.分割:将一段经过滤波处理和QRS波群检测的心电信号分割成单独的心跳(heartbeat)或者信号分割段(segment)，其中一个信号分割段可以包含一个或者多个心跳。

4.特征提取：对心跳或者信号分割段提取手工特征(hand-craft features)，通常包括时域特征(time domain features)、频域特征(frequency domainfeatures)和统计特征(statistical features)中的一种或者多种。

5.特征降维：由于提取的特征通常维度较高，为了节约计算时间和提高计算精度，通常用主成分分析(principle component analysis,PCA)或线性判别分析(linear discriminant analysis,LDA)对特征进行降维。

6.认证算法：主要包括基于相似度方法(similarity-based，如模板匹配)、基于概率方法(probabilistic-based，如贝叶斯决策)和基于分类方法(classification-based，如支持向量机、神经网络和决策树)等。

7.决策策略：两个测试信号经过上述处理之后，计算测试信号的信号分割段的特征均值，送入认证算法中得到的分类器或者模板。

ECG认证多用于安全领域，对精度要求很高。然而，在现有技术中，采用原始的手工特征执行ECG认证，认证准确度不高。

发明内容

本申请提出一种心电信号的认证方法和认证装置。本申请的技术方案如下：一种心电信号的认证方法，包括：

获取待认证的心电信号；

基于深度模型提取所述心电信号的语义特征，并基于提取的语义特征对所述心电信号执行认证。

一种心电信号的认证装置，包括：

心电信号获取模块，用于获取待认证的心电信号；

认证模块，用于基于深度模型提取所述心电信号的语义特征，并基于提取的语义特征对所述心电信号执行认证。

由此可见，本发明采用语义特征代替现有技术所采用的手工特征对心电信号执行认证，由于语义特征相比手工特征具有更强的判别力，因此本发明具有更高的认证准确性。

附图说明

图1为本发明的心电信号认证方法的流程图；

图2为本发明的相同心跳经过不同频率滤波器的效果示意图；

图3为本发明的关键点检测示意图；

图4为本发明的数据段截取示意图；

图5为本发明的数据扰动示意图；

图6A为本发明的深度模型的第一示范性实现方式示意图；

图6B为本发明的深度模型的第二示范性实现方式示意图；

图7为本发明基于“前向贪婪+后向贪婪”的语义特征选择示意图；

图8为本发明的心电信号的训练过程和认证过程的示范性整体示意图；

图9为本发明的心电信号认证装置的结构图。

具体实施方式

为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。

现有的心电信号认证技术使用的特征主要为手工特征，如时域特征、频域特征和统计特征。由于手工特征的判别力不高，因此现有技术的心电信号认证具有准确性不高的缺点。

在本发明实施方式中，提出一种基于语义特征的心电信号认证技术方案。

图1为本发明的心电信号认证方法的流程图。

如图1所示，该方法包括：

步骤101：获取待认证的心电信号。

步骤102：基于深度模型提取该待认证的心电信号的语义特征，并基于提取的语义特征对待认证的心电信号执行认证。

可见，本发明基于深度模型从待认证的心电信号中提取出语义特征，再基于语义特征对心电信号执行认证。语义特征相比手工特征具有更强的判别力，因此本发明可以提高认证准确度。

在一个实施方式中，深度模型是通过深度学习方式，从心电信号训练数据中学习到的。

基于通过深度学习方式从心电信号训练数据中学习到的深度模型，从待认证的心电信号中提取语义特征，可以充分利用样本的类别信息，从而提取出鲁棒性更强、更具有判别力的语义特征，因此本发明还可以进一步提高识别准确度，并提高识别的鲁棒性。

在一个实施方式中，深度学习方式具体包括：将分类信号和/或认证信号，设置为监督信号；利用监督信号训练出深度模型。其中，分类信号的作用是识别出心电信号所属的个体；认证信号的作用是识别至少两个心电信号是否属于同一个体。使用分类信号和/或认证信号作为监督信号训练出的深度模型，能够使不同个体的心电信号的特征在特征空间中的差异更大，相似度变低，使同一个体的心电信号的特征在特征空间中更相似，相似度更高。因此，本发明实施方式还可以进一步提高使用深度模型提取出的语义特征的判别力，提高识别的鲁棒性。

在一个实施方式中，深度学习方式包括：获取多个候选深度模型，并从获取到的多个候选深度模型中确定至少一个深度模型。

深度学习方式中获取多个候选深度模型的具体方式可以包括：

方式(1)、用多种不同频率的滤波器对心电信号训练数据进行滤波。

在现有的心电信号认证技术的预处理去噪阶段中，一般采用一种固定频率的滤波器进行滤波，滤波器的频率设定通常依照经验而定。

申请人发现：单一的频率并不能准确地将噪声和有用信息隔离。因此，在本发明实施方式中，可以采取多种频率的滤波器对心电信号训练数据进行滤波，以保证滤波后的心电信号训练数据中尽可能地包含有用信息并去除噪声信息。

应用方式(1)后，可以提供更多的有用信息以生成更多的候选深度模型，并提升候选深度模型的精度。

方式(2)、检测使用滤波器滤波后的心电信号训练数据的关键点，其中该关键点包括R点以及下述关键点中的至少一个：Q点、S点。

现有技术一般仅检测R点，将心电信号训练数据分割成心跳作为基本单位，因此现有技术中与关键点有关的有用信息较少。

申请人发现：R点左右两侧的Q点和S点，即使检测不十分准确，也能提供重要的有用信息。针对使用滤波器滤波后的心电信号训练数据，本发明实施方式可以检测R点、Q点和S点；或，检测R点和Q点；或，检测R点和S点。

其中，在方式(2)中，滤波器滤波后的心电信号训练数据可以为使用现有技术的滤波方式(采用一种固定频率的滤波器进行滤波的方式)滤波后的心电信号训练数据，此外，也可以为使用方式(1)中的滤波方式(用多种不同频率的滤波器进行滤波的方式)滤波后的心电信号训练数据。

应用方式(2)后，可以提供更多的与关键点有关的有用信息以生成更多的候选深度模型，并提升候选深度模型的精度。

方式(3)、以关键点为基准点，从滤波后的心电信号训练数据中截取多个不同长度的数据段。

在现有技术中，以关键点为基准点，从滤波后的心电信号训练数据中截取单一长度的数据段。

申请人发现：相比于截取单一长度的数据段，截取多个不同长度的数据段可以提取更多的有用信息。

其中，在方式(3)中，滤波器滤波后的心电信号训练数据可以为使用现有技术的滤波方式(采用一种固定频率的滤波器进行滤波的方式)滤波后的心电信号训练数据，此外，也可以为使用方式(1)中的滤波方式(用多种不同频率的滤波器进行滤波的方式)滤波后的心电信号训练数据。

关键点可以为通过现有技术的方式检测出的R点，也可以为通过方式(2)检测出的(R点、Q点和S点)、或(R点和Q点)、或(R点和S点)。

应用方式(3)后，可以提供更多的有用信息以生成更多的候选深度模型，并提升候选深度模型的精度。

方式(1)、方式(2)和方式(3)都属于对心电信号训练数据执行数据增强(Data augmentation)处理的具体实例。数据增强是指：对输入原始的候选深度模型的心电信号训练数据作增强处理，从而训练出更好的候选深度模型。

数据增强的优点主要包括：

(1)、神经网络一般训练参数巨大，训练数据的数目不足以充分学习它们。为了避免过拟合，需要人工手段增加训练数据。

(2)、由于数据采集的条件和设备不同，数据的有用信息和噪声分别位于哪个频率段并不确定。

(3)、通常一个心电信号训练数据包含P，Q，R，S，T等关键点。其中，QRS关键点检测是处理心电信号训练数据的基础，无论最后实现什么样的功能，QRS关键点的检测都是前提。准确地检测Q、R和S点是特征提取的前提。现有技术中只检测R点，而忽略了Q和S点的局部区域也包含个体的重要身份信息。

(4)、在不同时期采集的同一个个体的心电信号训练数据信号，会有心率变化。

本发明实施方式中，可以单独执行上述方式(1)、方式(2)和方式(3)中的任一个，也可以两两结合执行方式(1)、方式(2)和方式(3)，或者全部执行上述方式(1)、方式(2)和方式(3)。

在一个实施方式中，在针对心电信号训练数据执行完数据增强之后，该方法还包括：对心电信号训练数据进行扰动增强处理。

优选地，扰动增强处理具体包括：针对每个数据段，分别选择基准点；对每个基准点的前后两侧分别作偏移，得到每个数据段的偏移后数据段；将每个数据段的偏移后数据段以基准点为标准做归一化处理。通过对心电信号训练数据进行扰动增强，不但增加了心电信号训练数据的数目，还可以缓解过拟合问题，从而降低或克服心率变化。

执行完数据增强处理和扰动增强处理之后，即可以形成“滤波器频率数*关键点数*不同长度个数”种的输入源数据。可以针对每种输入源数据训练出一个候选深度模型，即可以获取_“滤波器频率数*关键点数*不同长度个数”个的候选深度模型。每个候选深度模型分别对应于各自的滤波器频率、各自的关键点和各自的数据段长度。

当获取到多个候选深度模型后，从候选深度模型中确定出至少一个深度模型。在一个实施方式中，从获取到的多个候选深度模型中确定至少一个深度模型，具体包括：

从获取到的多个候选深度模型中分别提取候选语义特征；应用贪婪算法，从得到的多个候选语义特征中选择至少一个语义特征，将选择的语义特征对应的候选深度模型确认为深度模型。

优选地，本发明实施方式具体可以采用“前向贪婪+后向贪婪”的贪婪算法，从得到的多个候选语义特征中选择至少一个语义特征。

下面对“前向贪婪+后向贪婪”的贪婪算法进行具体说明。

“前向贪婪+后向贪婪”的贪婪算法，具体包括：

首先，用前向贪婪方式从候选语义特征中选择，包括：计算每个候选语义特征的准确度，选择准确度最高的一个候选语义特征；从剩下的候选语义特征里选出一个与之前选出的候选语义特征联结后准确度提高最大的候选语义特征；重复直到选出第一预定数目的候选语义特征或者准确度不再提高。

然后，用后向贪婪方式从利用前向贪婪方式已经选中的候选语义特征里删除候选语义特征，包括：从利用前向贪婪方式已经选中的候选语义特征里，删去一个使得剩下的候选语义特征联结起来准确度提升最大的候选语义特征；重复直到剩下的候选语义特征的数目为第二预定数目或者准确度不再提高，其中第二预定数目小于或等于第一预定数目。

在一个实施方式中，步骤102中基于深度模型，提取待认证的心电信号的语义特征之前，还包括下述至少一个步骤：

(1)、基于深度模型对应的频率的滤波器，对待认证的心电信号进行滤波处理；

(2)、基于深度模型对应的关键点，检测使用滤波器滤波后的待认证的心电信号的关键点，其中关键点包括R点以及下述关键点中的至少一个：Q点、S点；

(3)、以关键点为基准点，基于深度模型对应的数据段长度，从滤波后的待认证的心电信号中截取数据段。

本发明实施方式中，可以单独执行上述(1)、(2)和(3)中的任一个，也可以两两结合执行(1)、(2)和(3)，或者全部执行上述(1)、(2)和(3)。

在一个实施方式中，步骤102中基于提取的语义特征对待认证的心电信号执行认证，具体包括：利用提取的语义特征，计算待认证的心电信号和测试样本的余弦距离；当余弦距离高于预先设定的阈值时，判定认证通过，否则判定认证失败。

以上以计算余弦距离为例描述了基于语义特征的心电信号认证方法，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于对基于语义特征的心电信号认证方法进行限定。

在本发明实施方式中，将基于心电信号训练数据学习深度模型的过程称为训练阶段；将基于深度模型对心电信号执行认证的过程称为测试阶段。

下面对本发明的包含训练阶段和测试阶段的一个实施方式进行说明。

优选地，本发明的训练阶段可以包括以下步骤：

步骤(1)、对心电信号训练数据执行数据增强处理。

数据增强处理具体包括：

(A)、多种频率滤波：

对采集到的心电信号训练数据，分别进行不同频率的密集滤波，以滤除噪音并且尽可能保证包含有用信息。

表1为密集滤波的示范性频率表。

1-10hz	1-15hz	1-20hz	1-30hz	1-40hz
					1-50hz	3-15hz	3-20hz	3-30hz	3-40hz
3-50hz	5-15hz	5-20hz	5-30hz	5-40hz
					5-50hz	10-20hz	10-30hz	10-40hz	10-50hz
15-25hz	15-35hz	15-45hz	20-30hz	20-40hz
					20-50hz	25-35hz	25-45hz	35-45hz

表1

由表1可以看到，起始频率的范围从1hz到20hz，截止频率的范围从10hz到50hz，表1基本能够涵盖所有可能最大化包含有用信息同时最小化包含噪声信息的频率段。

图2为本发明相同心跳经过不同频率滤波器的效果示意图。由图2可以看出，每种频率滤波后的效果都不一样。频带越宽(如1hz-50hz)，滤波后的信号包含很多噪声。从1hz-40hz到1hz-30hz到3hz-30hz到3hz-15hz，噪声逐渐减少，信号变得平滑，但是同时也滤掉了很多关键信息。因此，本发明采用多种频率滤波方式，比起单一的滤波方式来说，可以不漏掉关键信息。

(B)、R，Q，S检测：

首先检测R点，R点是每个周期性波形的峰值，相对来说较易检测。根据观察可以认为R点两侧的局部极小值点能够提供重要的局部信息。取每个R点左右最近的极小值点，近似作为Q点和S点。图3为本发明的关键点检测示意图。值得注意的是，本发明可以不非常准确地执行Q和S检测。

(C)、数据段截取：

数据段截取过程包括：(C1)对于整个心跳而言，以R点为关键点，截取不同长度的数据段，比如160点、190个点和220个点，这些点反映了心跳的整体信息；(C2)对于心跳的局部而言，分别以Q和S点为关键点，截取稍短长度的数据段，比如分别为30和50个点，这种截取方式反映了心跳的局部信息。

比如：一个有160个点的心跳的基本组成为：R点前的点(63)+R点(1)+R点后的点(96)＝160个点。图4为本发明的数据段截取示意图。具体截取的参数见表2所示，参数的选择可以依据经验而定。

表2

步骤(2)：对心电信号训练数据执行扰动增强处理。

具体地，扰动增强处理包括：对于每个“频率+关键点+不同长度”的数据段，保持基准(baseline)不动，在其前后两侧分别作偏移，然后归一化到统一长度。

比如，以R-160为例，基准是R点前取63个点，R点后取96个点，总数为160个点。然后分别按照扰动1，扰动2，扰动3来取点(如表3所示)。

	R前	R后	总长度
				基准	63	96	160
扰动1	61	93	155
				扰动2	65	99	165
扰动3	67	102	170

表3

图5为本发明的数据扰动示意图。将这三组数据以R点为基准，R点前的点数归一化成63点(即61点，65点，67点都缩放到63个点)，R点后的点数归一化成96点(即93点，99点，102点都缩放到96点，最后的总长度仍然保持160个点。对其他长度数据段以此类推。

扰动增强方法不但增加训练数据的数目，缓解过拟合问题，还能在一定程度上克服心率变化。

心电信号训练数据经过数据增强和扰动增强后，形成“滤波器频率数*关键点数*不同长度个数”种的输入源数据。

步骤(3)、针对每种输入源数据训练出一个候选深度模型，其中每个候选深度模型的训练过程中都以分类信号和认证信号同时作为监督信号，利用误差反向传播方法进行参数学习。

承接上例，经过了上述数据增强和扰动增强阶段，共有29(频率数)*3(关键点数)*3(数据段长度数)＝261种组合的数据段。因此，一共需要训练出261个候选深度模型。实际上，除了输入的训练数据不同外，各个候选深度模型的学习方法是一样的。

下面以单个的候选深度模型为例，说明候选深度模型的训练过程。

传统的深度模型往往在顶层添加与类别数一致的节点作为监督信号，并且通过一系列的层级的非线性映射为分类任务学习出有效的特征，这在很多其他领域已经得到验证，如语音识别，图像识别等。对于心电信号认证任务而言，仅用分类信号做监督可能是不够的，优选联合两种监督信号即分类信号和认证信号作为监督。分类信号的作用是识别出ECG信号所属的个体；认证信号的作用是识别两个ECG信号是否属于同一个体。

分类任务通过提取来自不同个体的特征，来增加类别之间的变化。实现方式包括：

在倒数第二层全连层(fully connection layer)后面跟多个节点的soft-max层(节点的数目等于个体的数目)。训练过程通过最小化交叉熵来实现，公式是：

其中，f是最后一个全连层的输出，代表特征，t是真实类的索引，θ_id是最后一个soft-max层的参数。p_i是样本真实的概率分布，除了当i＝t时，p_i＝1，其余时候p_i＝0。是估计的概率分布。公式(1)的意义是，期望在真实类别t的预测概率越大越好，即公式(1)中的损失函数越小越好。

认证任务的出发点是：对于属于同一个个体的心跳，希望它们的特征表示在特征空间中尽可能的相近，由此计算出来的余弦距离就会越大，相似度越高。对于属于不同个体的心跳，则希望它们的特征在特征空间中尽可能的远离。这种关系可以通过最小化以下公式来实现：

x_i和x_j代表了经过预处理的ECG信号的输入，f_i和f_j是他们相应的特征表示，y_ij＝1代表了x_i和x_j属于同一个个体，否则y_ij＝0。当y_ij＝1时，通过最小化它们特征表示之间的欧式距离，来实现期望特征相近的意图。当y_ij＝0的时候，最小化公式则意味着要求它们之间的距离要大于m。m是一个预先设定的常数，使它们在特征空间中尽可能远离。

定义了上面的公式(1)和(2)，就可以充分的利用样本的类别信息，在这样的监督信号指导下学出的特征，自身带有很强的判别力。比起现有技术的手工特征而言，优势明显。

对于训练数据而言，采用枚举的方式生成所有的正样本对和负样本对(即属于同个个体的样本对和不属于同个个体的样本对)，不仅会产生巨大的难以计算的数目，负样本对数目远远多于正样本对数目，而且对于大多数样本对而言，上述条件是很容易满足的，因此对最终的效果不会有贡献并且会减慢算法的优化速度。本发明因此提出使用一个在线选择的方法来生成样本对。在每一轮迭代中，数据都被随机分成若干的小组(mini-batch)，在每个mini-batch里面找出所有的正样本对，由于负样本对数目远多于正样本对数目，为了保持训练集均衡，随机地抽取若干负样本对。所以，对每一个mini-batch，目标函数就是：

此处，N是一个mini-batch中样本的总数，L＝D–Y，F＝[f₁，f₂，...，f_N]，λ是两项之间的权重，Tr(.)代表了迹运算。在总损失函数Loss中，与第i个样本相关的部分是：

由上式(4)可见，损失函数l_i对样本x_i的梯度很容易计算。计算出梯度后，就可以正式进入优化过程。本发明可以使用反向传播算法(Back propagation)来求得网络的各项参数。BP反传由信息的正向传播和误差反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，中间层可以设计为单个隐层和多个隐层；最后一个隐层传递到输出层各神经元的信息，经过进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层和输入层逐层反传。多次重复信息正向传播和误差反向传播过程，不断调整各层权值，从而完成训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。具体公式由于参考文献很多，在此不再赘述。

本发明对于两种信号监督学习的深度模型的架构，分别设计了两种实现方式。图6A为本发明的深度模型的第一示范性实现方式示意图；图6B为本发明的深度模型的第二示范性实现方式示意图。

在图6A中，底层是数据输入层，节点数等于数据的维数，中间是若干个隐含层，节点数根据经验自设。最上面一层是输出层，输出层用分类信号作为监督，节点数等于训练的类别数。最后一个隐含层的输出作为要学到的特征。一对特征对应着一个认证标签+1或者-1。

在图6B中，一对样本分别输入进两个网络，两个网络的对应层之间共享权重，仍然是倒数第二层的输出作为特征。

虽然训练出多个候选深度模型，但是实质上大部分候选深度模型属于“备用网络”。这是因为：首先，不是所有的特征都具有强判别力，而且，联结所有候选深度模型输出的特征将形成巨长的特征向量，不但耗费内存，还极大拖慢运算速度。因此，优选进一步选出最有判别力的语义特征所对应的候选深度模型。

步骤(4)：对于学习出来的多个候选深度模型，采用前向贪婪+后向贪婪算法选择语义特征，并将选择的语义特征对应的候选深度模型确认为选中的深度模型。

首先，用前向贪婪方式从候选语义特征中选择语义特征，包括：计算每个候选语义特征的准确度，选择准确度最高的一个候选语义特征；从剩下的候选语义特征里选出一个与之前选出的候选语义特征联结后准确度提高最大的候选语义特征；重复直到选出第一预定数目的候选语义特征或者准确度不再提高；

然后，用后向贪婪方式从利用前向贪婪方式已经选中的候选语义特征里删除候选语义特征，包括：从利用前向贪婪方式已经选中的候选语义特征里，删去一个使得剩下的候选语义特征联结起来准确度提升最大的候选语义特征；重复直到剩下的候选语义特征的数目为第二预定数目或者准确度不再提高，其中第二预定数目小于或等于第一预定数目。

图7为本发明基于“前向贪婪+后向贪婪”的特征选择示意图。

前向贪婪是指：首先评估所有的单个特征模型的效果，选出效果最好的一个。例如图7中，第一轮选出的是模型1，这里指标越小效果越好；然后在剩下的特征模型中(模型2～模型N)，依次选取一个，使之与之前的那个特征模型结合(模型1+模型2，…，模型1+模型N)，选取效果最好的那个(模型2)；重复上面的步骤，直到选出预定数目的特征模型或者效果不再提高为止。前向贪婪算法存在一个问题：即无法更正早期步骤的错误。例如：模型1单用效果最好，用前向贪婪算法模型1会被首先选出，然后是模型2和模型4。实际上，模型2+模型4可能取得更好的效果，但是无法将模型3移除，因为它在第一轮就被选中。为了弥补这个缺陷，可以继续使用后向贪婪算法。后向贪婪是指：对于已经选出的M个模型，每次删除一个，让剩下的模型进行结合，评估效果。哪个模型被删掉后，效果提升最大，就最终删除那个模型。重复上面的步骤，直到剩下的特征到达一定的数目或者效果不再提高为止。

执行完训练阶段，即可以确定出用于在后续测试阶段中具体执行心电信号认证的深度模型。接着，可以执行测试阶段。

优选地，本发明的测试阶段可以包括：

步骤(1)、基于训练阶段所确定的深度模型对应的频率，对待认证的心电信号进行滤波处理；基于深度模型对应的关键点，检测使用滤波器滤波后的待认证的心电信号的关键点；以关键点为基准点，基于深度模型对应的数据段长度，从滤波后的待认证的心电信号中截取数据段。

步骤(2)，基于深度模型提取待认证的心电信号的语义特征，计算待认证的心电信号和测试样本的余弦距离，当余弦距离高于预先设定的阈值时，判定认证通过，否则判定认证失败。

比如，假设在训练阶段选出的5个深度模型为：5-40_R_160，1-40_R_50，1-40_Q_50，5-50_R_30，25-45_Q_30，5-40代表频率段，第一个下划线后的R代表是以哪个关键点为基准点截取的数据段，第二个下划线后的160代表数据段的长度。

那么，对于作为测试数据的待认证心电信号，只需要进行5-40hz，1-40hz，5-50hz，25-45hz的滤波就可以，并且相应的截取R-160，R-50，Q-50，R-30，Q-30的数据段，分别送进相应深度模型提取特征，将同一个心跳的5种特征进行联结作为这个心跳的最终特征表示。最后，计算注册样本和测试样本之间的余弦距离，就可以进行认证。如果距离大于预先设定的阈值，则接受认证，反之则相反。

图8为本发明的心电信号的训练过程和认证过程的示范性整体示意图。

由图8可见，本发明包括训练过程和测试过程。

在训练过程中，首先对心电信号训练数据进行包括数据增强和扰动增强处理的预处理操作。数据增强包括：用多种频率带通滤波；检测关键点Q、R和S点；对用不同频率滤波后的信号，用每个关键点作为基准，截取不同长度的数据段；扰动增强包括：对每个“频率+关键点+不同长度”的数据段，加入“偏移+缩放”的数据扰动，从而形成“频率数*关键点数*不同长度个数”种的输入源数据。对每种源数据，进行一个候选深度模型的训练，其中每个候选深度模型以分类信号和认证信号同时作为监督信号，利用误差反向传播方法进行参数学习。对于学习出来的多个候选深度模型，进行“前向贪婪+后向贪婪”的特征选择。

在测试过程中：利用训练过程中最终选出的深度模型进行语义特征提取，计算认证结果。

可见，本发明采用深度学习的语义特征代替现有技术的手工特征，因为语义特征具有更强的判别力，本发明具有高准确性和高鲁棒性。另外，相比现有技术中单一频率和单一长度的分割方法，本发明能够提取更多的有用信息，从而提升深度模型的精度。而且，由于语义特征计算简单，与现有技术的手工特征相比，本发明显著提升了特征提取速度。

基于上述分析，本发明还提出一种心电信号认证装置。

图9为本发明的心电信号的认证装置的结构图。

如图9所示，该装置900包括：

心电信号获取模块901，用于获取待认证的心电信号；

认证模块902，用于基于深度模型提取所述心电信号的语义特征，并基于提取的语义特征对所述心电信号执行认证。

综上所述，本发明实施方式提出的基于深度学习的心电信号认证方法，其训练阶段包括步骤：对训练数据进行数据增强，包括用多种频率带通滤波，检测关键点Q、R和S点；对用不同频率滤波后的信号，用每个关键点作为基准，截取不同长度的信号段；对每个“频率+关键点+不同长度”的信号段，加入“偏移+缩放”的数据扰动，形成“频率数*关键点数*不同长度个数”种的输入源数据，对每种源数据进行一个候选深度模型的训练。每个候选深度模型的训练过程中，分别以分类信号和认证信号同时作为监督信号，利用随机梯度下降方法进行参数学习。对于学习出来的多个候选深度模型，进行“前向贪婪+后向贪婪”的特征选择。其测试阶段包括以下步骤：对待认证的信号进行数据增强，然后利用最终选出的深度模型进行特征提取，计算认证结果。

可以遵循一定规范的应用程序接口，将本发明实施方式所提出的心电信号认证方法编写为安装到个人电脑、移动终端等中的插件程序，也可以将其封装为应用程序以供用户自行下载使用。可以通过指令或指令集存储的储存方式将本发明实施方式所提出的心电信号认证方法存储在各种存储介质上。这些存储介质包括但是不局限于：软盘、光盘、DVD、硬盘、闪存等。另外，还可以将本发明实施方式所提出的心电信号认证方法应用到基于闪存(Nand flash)的存储介质中，比如U盘、CF卡、SD卡、SDHC卡、MMC卡、SM卡、记忆棒、xD卡等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (11)

1.一种心电信号的认证方法，其特征在于，包括：

获取待认证的心电信号；

基于深度模型提取所述心电信号的语义特征，并基于提取的语义特征对所述心电信号执行认证。

2.根据权利要求1所述的方法，其特征在于，所述深度模型是通过深度学习方式，从心电信号训练数据中学习到的。

3.根据权利要求2所述的方法，其特征在于，所述深度学习方式包括：

将分类信号和/或认证信号，设置为监督信号；

利用所述监督信号训练出所述深度模型。

4.根据权利要求2或3所述的方法，其特征在于，所述深度学习方式包括：

通过下述至少一种方式获取多个候选深度模型，从获取到的多个候选深度模型中确定至少一个所述深度模型：

用多种不同频率的滤波器对所述心电信号训练数据进行滤波；

检测使用滤波器滤波后的心电信号训练数据的关键点，所述关键点包括R点以及下述关键点中的至少一个：Q点、S点；

以关键点为基准点，从滤波后的心电信号训练数据中截取多个不同长度的数据段。

5.根据权利要求4所述的方法，其特征在于，从获取到的多个候选深度模型中确定至少一个所述深度模型，具体包括：

从获取到的多个候选深度模型中分别提取候选语义特征；

应用贪婪算法，从提取到的多个候选语义特征中选择至少一个语义特征，将选择的语义特征对应的候选深度模型确认为所述深度模型。

6.根据权利要求5所述的方法，其特征在于，从提取到的多个候选语义特征中选择至少一个语义特征，具体包括：

用前向贪婪方式从所述候选语义特征中选择，包括：计算每个候选语义特征的准确度，选择准确度最高的一个候选语义特征；从剩下的候选语义特征里选出一个与之前选出的候选语义特征联结后准确度提高最大的候选语义特征；重复直到选出第一预定数目的候选语义特征或者准确度不再提高；

用后向贪婪方式从利用前向贪婪方式已经选中的候选语义特征里删除候选语义特征，包括：从利用前向贪婪方式已经选中的候选语义特征里，删去一个使得剩下的候选语义特征联结起来准确度提升最大的候选语义特征；重复直到剩下的候选语义特征的数目为第二预定数目或者准确度不再提高，其中第二预定数目小于或等于第一预定数目。

7.根据权利要求2至6中至少一项所述的方法，其特征在于，在学习深度模型之前，该方法还包括：

对所述心电信号训练数据进行扰动增强处理。

8.根据权利要求7所述的方法，其特征在于，所述扰动增强处理包括：

针对每个数据段，分别选择基准点；

对每个基准点的前后两侧分别作偏移，得到每个数据段的偏移后数据段；

将每个数据段的偏移后数据段以所述基准点为标准做归一化处理。

9.根据权利要求1至6任一项所述的方法，其特征在于，基于深度模型提取所述心电信号的语义特征之前，还包括下述至少一个步骤：

基于深度模型对应的频率的滤波器，对所述心电信号进行滤波处理；

基于深度模型对应的关键点，检测使用滤波器滤波后的所述心电信号的关键点，所述关键点包括R点以及下述关键点中的至少一个：Q点、S点；

以关键点为基准点，基于深度模型对应的数据段长度，从滤波后的心电信号中截取数据段。

10.根据权利要求1至9任一项所述的方法，其特征在于，基于提取的语义特征对所述心电信号执行认证，具体包括：

利用提取的语义特征，计算所述待认证的心电信号和测试样本的余弦距离；

当所述余弦距离高于预先设定的阈值时，判定认证通过，否则判定认证失败。

11.一种心电信号的认证装置，其特征在于，包括：

心电信号获取模块，用于获取待认证的心电信号；

认证模块，用于基于深度模型提取所述心电信号的语义特征，并基于提取的语义特征对所述心电信号执行认证。