CN107122788B - 一种基于心电信号的身份识别方法及装置 - Google Patents

Abstract

一种基于心电信号的身份识别方法，包括：获取包括了用户的多个周期的心拍数据的心电信号样本数据集，并将心电信号样本数据集分割为多个单周期心拍数据；利用白化技术去除心拍数据的相关性；在去除了相关性的心拍数据上利用PCA算法提取心拍数据主特征；根据主特征，采用基于RPROP算法建立并训练神经网络分类器；利用已训练的神经网络分类器对输入的心电信号数据进行识别。有益效果为：基于PCA白化算法的心电信号的特征提取简单，最大限度保全原有信号数据的有用信息。基于RPROP算法训练神经网络分类器的方法能快速得到满足实际应用要求的分类器。结合PCA白化特征和RPROP算法提高神经网络的分类效率，使得内存资源消耗降低，识别速度和准确率都能得到有效提升。

Description

一种基于心电信号的身份识别方法及装置

技术领域

本发明涉及生物信息技术领域，尤其涉及一种基于心电信号的身份识别方法及装置，适用于医疗管理、安全门禁和金融保密等多种应用情景。

背景技术

随着互联网热潮的冲击，信息技术的快速发展，人们对信息安全以及财产安全的重视不断提高，而身份识别又是信息安全最重要的环节。虽然与传统的识别方式相比，生物特征识别技术有着更好的安全便捷性；但是现有的生物识别技术如指纹识别，虹膜识别等也存在一些缺陷。因此，我们需要一种安全性增强，满足生物识别各类指标的识别技术。基于心电信号的身份识别技术符合这一特性。心电信号(electrocardiogram，ECG)是我们人体最常见的生理信号，是由人体心脏产生的微弱电压规律信号，反映了我们的心脏健康水平。心电信号是人体生来就携带的信号，伴随着人的一生，蕴含了很多有用的生物信息，不仅仅是临床诊断工具，且每个人的心脏构造不一样，所产生的信号具有差异，每个人的信号都是独一无二的。个体间心电信号存在的差异性为心电信号的特征提取和辨识提供了理论基础。除非心脏出现重大衰竭，一般情况下，一个人的心电信号的形态特性在标准化后变化不大。医院存在大量的心电采集仪器，应用市场上也有很多移动便捷式的智能采集设备，完全可以实现自主采集，因此心电信号信号符合身份识别的规定指标，而且它还有如下优势：无法窃取，不会丢失，计算量小，采集成本低。

心电信号身份识别的研究越来越受到国内外的重视。例如公布号为CN104545890A的发明专利公开了一种基于心电信号的身份识别方法。首先，该方法通过指定的心电信号特征向量生成方法获取注册心电信号的特征向量和待识别心电信号的特征向量。然后，该方法比对取注册心电信号的特征向量和待识别心电信号的特征向量的R点方式，进行身份识别。

上述技术方案采用最少特征点提取方式具有操作简单和运算量低，且有一定的准确性。但是该技术方案对特征点选取的依赖度较高，很难充分利用信号的个体差异，导致了许多有用的信息被抛弃。这将限制特征类型的选择，不利于分类。具体地，分类识别算法的准确率依赖于特征点，使其适应性及稳定性都比较差。对于分类模型，常用的有KNN，SVM，lib-liner，朴素贝叶斯等，都是经典的有监督学习模型。但相比神经网络，这些算法的适应性及稳定性都比较差。比如KNN对类别的评分不是规则化的，样本不平衡时容易发生类别偏移；SVM虽然性能良好，但对缺失数据敏感，对核函数的选择需要谨慎。

发明内容

本发明的目的是解决现有技术中存在分类器训练时间长和分类效果不稳定的不足，提供一种新的基于PCA-RPROP的特征提取分类算法的心电信号身份识别算法。在基于单独R点定位提取完整波形的基础上，先进行白化操作消除心电信号样本数据集之间的相关性，利用PCA提取心电信号样本数据集的主特征，从而将多维特征转化为低维特征。另外PCA白化之后的主特征相比于心电信号样本数据集，区分度较大，对身份识别有着更好的优势。采用神经网络代替传统的有监督分类器，并采用RPROP算法对神经网络的梯度进行底层优化，使其收敛性能提升。本方法特征提取简单，无需过多的依赖定位，且能最大化资源利用率；相比于传统BP网络、SVM和KNN等分类器，本方法的分类器优化结果显著，有效提高了身份识别的训练速度和精度。进一步地，结合PCA白化特征和RPROP算法提高神经网络的分类效率，使得内存资源消耗大大降低，识别速度和准确率都能得到有效提升。

为了实现上述目的，本发明提出一种基于心电信号的身份识别方法，包括步骤如下：

A、获取包括了用户的多个周期的心拍数据的心电信号样本数据集，并将该心电信号样本数据集分割为多个单周期心拍数据；

B、根据该多个单周期心拍数据，去除该单周期心拍数据的相关性；

C、根据该去除了相关性的单周期心拍数据，提取该去除了相关性的单周期心拍数据特征的主特征；

D、根据该主特征，采用基于RPROP算法建立并训练神经网络分类器；

F、利用已训练的该神经网络分类器对输入的心电信号数据进行识别，识别对应该输入的心电信号数据的用户身份。

进一步地，该步骤A还包括去除心电信号样本数据集的噪音干扰方法，其包括如下子步骤：

A101、使用中值滤波器过滤该心电信号样本数据集，得到该心电信号样本数据集的基线，并根据该基线获取去除基线漂移的该心电信号样本数据集；

A102、使用bior2.6小波将该去除基线漂移的心电信号样本数据集进行8层小波分解以得到分解的该心电信号样本数据集；

A103、将该分解的心电信号样本数据集的1和2层的细节系数置零，以去除高频干扰；

A104、将该分解的心电信号样本数据集的8层的细节系数置零，以去除低频干扰，从而获得去除干扰的该心电信号样本数据集；

A105、小波重构该去除干扰的心电信号样本数据集，从而获取该去噪的心电信号样本数据集。

进一步地，该步骤A的单周期心拍数据定位方法步骤如下：

A201、对该去噪的心电信号样本数据集进行R点定位，以获得该去噪的心电信号样本数据集的R点集；

A202、以该R点集为基准，采用向前和向后截取固定的点数组合成包含固定点数的单周期心拍的方式划分R点间期，将该去噪的心电信号样本数据集分割为多个该单周期心拍数据。

进一步地，该步骤A的单周期心拍数据定位方法步骤如下：

A201、对该去噪的心电信号样本数据集进行R点定位，以获得该去噪的心电信号样本数据集的R点集；

A202、利用重采样类型方法将该去噪的心电信号样本数据集分割为多个采样点数固定的单周期心拍数据。

进一步地，该步骤B采用白化方式去除多个单周期心拍数据的相关性，且包含如下子步骤：

B101、将该多个单周期心拍数据X∈R^m×n代入

计算得到协方差矩阵，其中m表示数据数量，n表示心拍维数；

B102、根据该协方差矩阵进行奇异值分解，得到[U,S,V]＝svd(∑)，其中U是特征向量矩阵，S是特征值矩阵，V＝U'；

B103、利用公式

计算得到该多个单周期心拍数据去除相关性后的单周期心拍数据。

进一步地，该步骤C采用PCA算法提取该多个单周期心拍数据主特征，且包含如下子步骤：

C101、将该多个单周期心拍数据

代入

计算得到标准化矩阵，其中m表示数据数量，n表示心拍维数，i＝1、2、...、n，j＝1、2、...、m，

表示均值，

表示标准差；

C102、将该标准化矩阵代入

计算得到相关系数矩阵及该相关系数矩阵的m个特征值λ_j，其中，j＝1、2、...、m；

C103、将该m个特征值按数值从大到小排列，并挑选出大于m个特征值总和90％的前k个特征值λ_j，并分别解方程组Rd＝λ_jd得到相应的单位特征向量

其中j＝1、2、...、k；

C104、将该单位特征向量

代入公式

以提取该多个单周期心拍数据的k个主特征Y_j，其中i＝1、2、...、k。

进一步地，该步骤D采用基于RPROP算法训练该神经网络分类器，且包含如下子步骤：

D101、设置该神经网络分类器的各层神经元数目，其中i，j，k分别表示输入层，隐藏层，输出层的神经元数目；

D102、初始化该神经网络分类器的权值更新项

变速因子υ以及上下阈值Δ_min，Δ_max；

D103、计算该神经网络分类器的实际输出与期望输出的误差E；

D104、判断该误差E与该神经网络分类器的权值W_ji的梯度符号

是否改变，若该梯度符号等于0，该权值更新项不变化；若该梯度符号大于0，按照公式

计算新的该权值更新项；若该梯度符号小于0，按照公式

计算新的该权值更新项；

D105、根据公式

计算该神经网络分类器的该权值；

D106、重复步骤D105以训练该神经网络分类器，并判断该误差E是否达到了设定的指标要求，如果该误差E未达到设定的指标要求，则转回步骤D103；如果该误差E达到设定的指标要求，则结束训练，保存训练模板，记录训练时间。

本发明还公开了一种基于心电信号的身份识别装置，其特征在于，该装置包括：

预处理模块，用于去除该心电信号样本数据集噪声干扰，以获得去噪的心电信号样本数据集；

分割模块，用于定位该去噪的心电信号样本数据集的单周期心拍数据，以将该去噪的心电信号样本数据集分割为多个单周期心拍数据；

特征处理模块，用于该去除了相关性的单周期心拍数据，提取该去除了相关性的心拍数据特征的主特征；

神经网络分类模块，根据该主特征，采用基于RPROP算法建立并训练神经网络分类器；

识别模块，基于该神经网络分类模块，对注册数据库和识别数据库进行一一比对，识别对应该输入的心电信号数据的用户身份。

本发明的有益效果为：基于PCA算法的心电信号的特征提取简单，且最大限度保全原有信号数据的有用信息，从而降低分类识别算法对特征提取的依赖性。另外，基于RPROP算法训练神经网络分类器的方法能快速得到满足实际应用精度要求和稳定性的分类器。

附图说明

图1所示为根据本发明实施例提供的一种基于心电信号的身份识别方法的流程示意图；

图2所示为根据本发明实施例提供的一种去除噪音干扰的方法的流程示意图；

图3所示为根据本发明实施例提供的一种定位心拍单周期的方法的流程示意图；

图4所示为根据本发明实施例提供的一种去除多个单周期心拍数据的相关性的流程示意图；

图5所示为根据本发明实施例提供的一种提取所述多个单周期心拍数据主特征的流程示意图；

图6所示为根据本发明实施例提供的一种基于RPROP算法训练所述神经网络分类器的流程示意图；

图7所示为根据本发明实施例提供的一种神经网络分类器结构图；

图8所示为根据本发明实施例提供的一种基于心电信号的身份识别装置的数据流向图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。

图1所示为根据本发明实施例提供的一种基于心电信号的身份识别方法的流程示意图。结合图1，所述实施例中基于心电信号的身份识别方法的步骤如下：

S100，获取包括了用户的多个周期的心拍数据的心电信号样本数据集，并将所述心电信号样本数据集分割为多个单周期心拍数据。具体地，该步骤中包含去除所述心电信号样本数据集噪声干扰、定位所述去噪的心电信号样本数据集的单周期心拍数据，将所述去噪的心电信号样本数据集分割为多个单周期心拍数据等预处理子步骤。

S200，根据所述多个单周期心拍数据，去除所述单周期心拍数据的相关性。

S300，根据所述去除了相关性的单周期心拍数据，提取所述去除了相关性的单周期心拍数据特征的主特征。

S400，根据所述主特征，采用基于RPROP算法建立并训练神经网络分类器。

S500，利用已训练的所述神经网络分类器对输入的心电信号数据进行识别，识别对应所述输入的心电信号数据的用户身份。

进一步地，图2所示为根据本发明实施例提供的一种去除噪音干扰的方法的流程示意图。本发明实施例针对图1中的步骤S100中所包含的去除所述心电信号样本数据集噪声干扰的子步骤进行详细说明。该方法包括如下子步骤：

S121，使用中值滤波器滤除所述心电信号样本数据集的基线漂移。具体地，中值滤波器得到所述心电信号样本数据集的基线。所述心电信号样本数据集根据所述基线以获取去除基线漂移的所述心电信号样本数据集。该步骤滤除由电极和人体接触缝隙以及人体环境的干扰产生的信号背景噪音。

S122，使用bior2.6小波将所述去除基线漂移的心电信号样本数据集进行8层小波分解，得到分解的所述心电信号样本数据集。

S123，将所述分解的心电信号样本数据集的1和2层的细节系数置零，以去除采集仪器的等电源频率产生的高频干扰噪音。

S124，将所述分解的心电信号样本数据集的8层的细节系数置零，以去除人体肌肉颤动所产生的低频干扰噪音。至此，原始的心电信号样本数据集噪音已经去除完毕。

S125，小波重构所述去除干扰的心电信号样本数据集，从而获取所述去噪的心电信号样本数据集。

进一步地，图3所示为根据本发明实施例提供的一种定位心拍单周期的方法的流程示意图。本发明实施例针对图1中的步骤S100中所包含的定位所述去噪的心电信号样本数据集的心拍单周期的子步骤进行详细说明。该方法包括如下子步骤：

S131，对所述去噪的心电信号样本数据集进行R点定位，以获得所述去噪的心电信号样本数据集的R点集。在一个优选的实施例中，R点通过下述子步骤定位：

(1)采用基于二进样条4层小波对所述心电信号样本数据集进行小波变换，并提取3层细节系数；

(2)所述3层细节系数中出现与所述变换前心电信号样本数据集对应位置出现漂移现象时，对相应位置点数补偿；

(3)根据所述3层细节系数，利用极大极小值方法定位R点；

(4)计算相邻R点的平均距离；

(5)当相邻R点的距离小于所述平均距离的一半时，去除值小的R点；

(6)当相邻R点的距离大于所述平均距离的1.5倍时，将两个相邻R点之间的最大极值点定位为R点。

S132，以所述R点集为基准，将所述去噪的心电信号样本数据集分割为多个所述单周期心拍数据。

在一个优选的实施例中，S132采用向前和向后截取固定的点数，以组合成包含固定点数的单周期心拍数据的方式划分R点间期。具体地，R点前后各截取相同的点数，然后拼接相邻两波形来获得一个完整的心跳波形，标准化其采样。

在另一个优选的实施例中，S132基于R点的分割方式是利用重采样类型方法，将所述去噪的心电信号样本数据集实分割为多个采样点数固定的所述单周期心拍数据。具体地，所述的重采样类型方法可以是用二元采样，二元插值，采用多相滤波器或chebyshevIIR型低通滤波器实施该重采样步骤；但是必须满足本步骤的参数限定条件：重采样的采样点数固定，重采样成功的标志为处理后的信号与原信号波形一致，且长度固定。

在一个优选的实施例中，步骤S100所生成的多个所述单周期心拍数据之间具有时序相关性。参考图4所示的去除多个单周期心拍数据的相关性的流程示意图，多个所述单周期心拍数据的去除相关性方法包含如下子步骤：

S201、将所述多个单周期心拍数据X∈R^m×n代入

计算得到协方差矩阵，其中m表示数据数量，n表示心拍维数；

S202、根据所述协方差矩阵进行奇异值分解，得到[U,S,V]＝svd(∑)，其中U是特征向量矩阵，S是特征值矩阵，V＝U'；

S203、利用公式

计算所述多个单周期心拍数去除相关性后的单周期心拍数据。

进一步地，由于所述特征值矩阵内的特征值可能接近于零而产生刚性问题，使得计算过程中出现数据上溢或造成数值不稳定的情况。为此，所述特征值矩阵将加上一个很小的常数，防止对计算造成影响。

所述多个去除相关性的单周期心拍数据通过降维的方式提取心拍数据的最主要特征，作为所述单周期心拍数据的主特征，以减轻后续分类系统运算的工作量。参考图5所示的提取所述多个单周期心拍数据主特征的流程示意图，在一个优选的实施例中，所述多个去除相关性的单周期心拍数据通过PCA方法减少维数，使得在减少特征维数的同时，保持所述心电信号样本数据集中最重要的特征。具体地，PCA算法提取所述多个单周期心拍数据主特征包含如下子步骤：

S301、将所述多个单周期心拍数据

代入

计算得到标准化矩阵，其中m表示数据数量，n表示心拍维数，i＝1、2、...、n，j＝1、2、...、m，

表示均值，

表示标准差；

S302、将所述标准化矩阵代入

计算得到相关系数矩阵及所述相关系数矩阵的m个特征值λ_j，其中，j＝1、2、...、m；

S303、将所述m个特征值按数值从大到小排列，并挑选出大于m个特征值总和90％的前k个特征值λ_j，并分别解方程组Rd＝λ_jd得到相应的单位特征向量

其中i＝1、2、...、k；

S304、将该单位特征向量

代入公式

以提取该多个单周期心拍数据的k个主特征Y_j，其中i＝1、2、...、k。

在一个优选的实施例中，步骤S400建立并训练神经网络分类器时，采用PRPOP算法加速神经网络分类器的训练速度，以避免传统的依据梯度的大小改变神经网络权值的方法，如梯度下降法和LM(Levenberg-Marquardt)法带来的计算复杂度不稳定，收敛速度慢及陷入局部极小值等问题。参照图6所示的根据本发明实施例提供的一种基于RPROP算法训练所述神经网络分类器的流程示意图。具体地，基于PRPOP算法训练所述神经网络分类器的方法包含如下子步骤：

S401、设置所述神经网络分类器的各层神经元数目，其中i，j，k分别表示输入层，隐藏层，输出层的神经元数目；

S402、初始化所述神经网络分类器的权值更新项

变速因子υ以及上下阈值Δ_min，Δ_max；

S403、计算所述神经网络分类器的实际输出与期望输出的误差E；

S404、判断所述误差E与所述神经网络分类器的权值W_ji的梯度符号

是否改变，若所述梯度符号等于0，所述权值更新项不变化；若所述梯度符号大于0，按照公式

计算新的所述权值更新项；若所述梯度符号小于0，按照公式

计算新的所述权值更新项；

S405、根据公式

计算所述神经网络分类器的所述权值；

S406、重复步骤S405以训练所述神经网络分类器，并判断所述误差E是否达到了设定的指标要求，如果所述误差E未达到设定的指标要求，则转回步骤S403；如果所述误差E达到设定的指标要求，则结束训练，保存训练模板，记录训练时间。

已训练完毕的神经网络分类器接收输入的心拍数据，并对注册的心电信号数据一一进行比对后，识别对应该输入的心电信号数据的用户身份。

最后，训练所得的所述神经网络分类器结构如图7所示。

图8所示为根据本发明实施例提供的一种基于心电信号的身份识别装置的数据流向图。本发明所公开的一种基于心电信号的身份识别装置包括：

预处理模块，用于去除所述心电信号样本数据集噪声干扰，以获得去噪的心电信号样本数据集；

分割模块，用于定位所述去噪的心电信号样本数据集的单周期心拍数据，以将所述去噪的心电信号样本数据集分割为多个单周期心拍数据；

特征处理模块，用于所述去除了相关性的单周期心拍数据，提取所述去除了相关性的单周期心拍数据特征的主特征；

神经网络分类模块，根据所述主特征，采用基于RPROP算法建立并训练神经网络分类器；

识别模块，基于所述神经网络分类模块，对注册数据库和识别数据库进行一一比对，识别对应该输入的心电信号数据的用户身份。

在本实施例中，包括了用户的多个周期的心拍数据的心电信号样本数据集输入到预处理模块进行去除噪音的操作，去除所述心电信号样本数据集噪声干扰，以获得去噪的心电信号样本数据集，并将去除噪音后的心电信号样本数据集传给分割模块。分割模块接收到预处理模块传送的所述去噪的心电信号样本数据集后，通过提取所述去噪的心电信号样本数据集的R点集，定位所述去噪的心电信号样本数据集的单周期心拍数据，以将所述去噪的心电信号样本数据集分割为多个单周期心拍数据。分割后的所述多个单周期心拍数据被传送到特征处理模块。特征处理模块得到所述多个单周期心拍数据后，由于心拍间具有时序相关性，采用白化技术去除所述单周期心拍数据的关联度并采用PCA方法提取所述多个单周期心拍数据的主特征，在保留原始心电信号样本数据集的信息同时，去掉信息间的冗余，既减小了数据量，又突出了心电信号样本数据集的主要特征，这些主要特征成分往往能够保留住数据的最重要方面，大大减少后续模块的运算量。神经网络分类模块接收到所述多个单周期心拍数据的主特征后，利用RPROP算法训练神经网络分类模块的神经网络分类器。识别模块基于所述神经网络分类模块，对注册数据库和识别数据库进行一一比对，识别对应该输入的心电信号数据的用户身份。

尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (4)

1.一种基于心电信号的身份识别方法，其特征在于，所述方法步骤如下：

A、获取包括了用户的多个周期的心拍数据的心电信号样本数据集，并将所述心电信号样本数据集分割为多个单周期心拍数据；

B、根据所述多个单周期心拍数据，去除所述单周期心拍数据的相关性；

C、根据所述去除了相关性的单周期心拍数据，提取所述去除了相关性的单周期心拍数据特征的主特征；

D、根据所述主特征，采用基于RPROP算法建立并训练神经网络分类器；

F、利用已训练的所述神经网络分类器对输入的心电信号数据进行识别，识别对应所述输入的心电信号数据的用户身份；

其中，所述步骤A还包括去除所述心电信号样本数据集的噪音干扰方法，其包括如下子步骤：

A101、使用中值滤波器过滤所述心电信号样本数据集，得到所述心电信号样本数据集的基线，并根据所述基线获取去除基线漂移的所述心电信号样本数据集；

A102、使用bior2.6小波将所述去除基线漂移的心电信号样本数据集进行8层小波分解以得到分解的所述心电信号样本数据集；

A103、将所述分解的心电信号样本数据集的1和2层的细节系数置零，以去除高频干扰；

A104、将所述分解的心电信号样本数据集的8层的细节系数置零，以去除低频干扰，从而获得去除干扰的所述心电信号样本数据集；

A105、小波重构所述去除干扰的心电信号样本数据集，从而获取所述去噪的心电信号样本数据集；

所述步骤B采用白化方式去除多个单周期心拍数据的相关性，且包含如下子步骤：

B101、将所述多个单周期心拍数据X∈R^m×n代入

计算得到协方差矩阵，其中m表示数据数量，n表示心拍维数；

B102、根据所述协方差矩阵进行奇异值分解，得到[U,S,V]＝svd(Σ)，其中U是特征向量矩阵，S是特征值矩阵，V＝U'；

B103、利用公式

计算得到所述多个单周期心拍数据去除相关性后的单周期心拍数据；

所述步骤C采用PCA算法提取所述多个单周期心拍数据主特征，且包含如下子步骤：

C101、将所述多个单周期心拍数据

代入

计算得到标准化矩阵，其中m表示数据数量，n表示心拍维数，i＝1、2、...、n，j＝1、2、...、m，

表示均值，

表示标准差；

C102、将所述标准化矩阵代入

计算得到相关系数矩阵及所述相关系数矩阵的m个特征值λ_j，其中，j＝1、2、...、m；

C103、将所述m个特征值按数值从大到小排列，并挑选出大于m个特征值总和90％的前k个特征值λ_j，并分别解方程组Rd＝λ_jd得到相应的单位特征向量

其中j＝1、2、...、k；

C104、将所述单位特征向量

代入公式

以提取所述多个单周期心拍数据的k个主特征Y_j，其中i＝1、2、...、k。

2.根据权利要求1所述的一种基于心电信号的身份识别方法，其特征在于，所述步骤A的单周期心拍数据定位方法步骤如下：

A201、对所述去噪的心电信号样本数据集进行R点定位，以获得所述去噪的心电信号样本数据集的R点集；

A202、以所述R点集为基准，采用向前和向后截取固定的点数组合成包含固定点数的单周期心拍的方式划分R点间期，将所述去噪的心电信号样本数据集分割为多个所述单周期心拍数据。

3.根据权利要求1所述的一种基于心电信号的身份识别方法，其特征在于，所述步骤A的单周期心拍数据定位方法步骤如下：

A201、对所述去噪心电信号样本数据集进行R点定位，以获得所述去噪的心电信号样本数据集的R点集；

A202、利用重采样类型方法将所述去噪的心电信号样本数据集分割为多个采样点数固定的单周期心拍数据。

4.根据权利要求1所述的一种基于心电信号的身份识别方法，其特征在于，所述步骤D采用基于RPROP算法训练所述神经网络分类器，且包含如下子步骤：

D101、设置所述神经网络分类器的各层神经元数目，其中i，j，k分别表示输入层，隐藏层，输出层的神经元数目；

D102、初始化所述神经网络分类器的权值更新项

变速因子υ以及上下阈值Δ_min，Δ_max；

D103、计算所述神经网络分类器的实际输出与期望输出的误差E；

D104、判断所述误差E与所述神经网络分类器的权值W_ji的梯度符号

是否改变，若所述梯度符号等于0，所述权值更新项不变化；若所述梯度符号大于0，按照公式

计算新的所述权值更新项；若所述梯度符号小于0，按照公式

计算新的所述权值更新项；

D105、根据公式

计算所述神经网络分类器的所述权值；

D106、重复步骤D105以训练所述神经网络分类器，并判断所述误差E是否达到了设定的指标要求，如果所述误差E未达到设定的指标要求，则转回步骤D103；如果所述误差E达到设定的指标要求，则结束训练，保存训练模板，记录训练时间。

Images