CN107766781A - 一种快速心电身份识别的方法及其系统 - Google Patents

Abstract

本发明公开了一种快速心电身份识别的方法及其系统，其中所述方法主要包括模型训练阶段和实时测试阶段，本发明通过采集个人的心电信号来识别及验证个人的身份信息，属于生物特征身份识别技术领域，首先，任意起始点位置、任意大于一个心拍长度的窗口，截取心电窗口，每个心电窗口任意划分为定长片段，利用全自动特征提取层进行特征提取；其次，通过非线性分类器进行初步分类；然后，通过最高熵投票产生识别结果；最后，通过特征提取和非线性分类器的并行处理实现快速心电身份识别，本发明无需特征点的检测和特征融合，识别的速度快，可实时进行心电信号身份识别，验证人群广。

Description

一种快速心电身份识别的方法及其系统

技术领域

本发明涉及生物特征身份识别技术领域，特别是涉及一种快速心电身份识别的方法及其系统。

背景技术

生物特征识别主要利用人体的生理或行为特征，自动实现对个人身份的识别和认证。传统的生物特征识别方法主要有指纹、掌纹、人脸、虹膜等，尤其指纹识别和人脸识别已经非常成熟。在实际应用中，指纹识别存在易于被伪造、接触式采集的缺点；掌纹识别的复杂性、多样性和可变性一定程度限制了其应用；人脸识别受到采集环境光线的影响较大；虹膜虽然精确度高，但采集困难。同时，传统生物识别往往依赖于图像或高维数据处理，计算复杂，对硬件存储与计算要求较高。

与传统识别方法相比，ECG信号具有活体实时持续生物特征，难以伪造；同时它是一维信号，在计算速度和存储等方面更具有实际应用价值。基于ECG信号的身份识别技术主要包括基于基准点特征、基于特征变化和基于特征组合进行心电身份识别。然而目前的心电身份识别方法大多数都需要进行特征点检测(如心电信号的特定波段，P波、QRS波、T波)，或者进行繁琐的特征组合。心电信号特征点检测本身具有误差，识别的准确性依赖于特征点检测的准确性，系统鲁棒性差。同时，现有方法验证人群数较少，对大规模人群缺乏验证。再者，现有的基于特征点检测对于身份识别的速度较慢，难以实时快速实现对人群的验证。

同时，目前训练的过程中，获取深度融合特征需要结合频域和时域信号进行获取，即从时域和频域上将采集到的心电信号进行转换处理，获得的时域信号通过卷积层进行训练，获得的频域信号通过频域特征提取层进行提取，结合频域特征提取层和卷积层以获得训练后的深度融合特征，这种获得深度融合特征的方法需要结合频域信号才能获得，因为获得频域心电信号需要将时域转换得到频域，而从时域转换至频域的变换方式和种类有很多种，但是并不是每一种变换都能达到对不同心电信号进行深度融合特征的提取都具有相同的效果，由于不同人的心电信号的差别，导致采用频域信号进行深度融合特征的验证人群的范围更小，所以需要根据不同人选择最优的转换方式才能做到该人群具有良好的验证效果，具有较大的局限性。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明目的在于提出一种快速心电身份识别的方法及其系统，以解决上述现有技术存在的验证人群少、不能实时验证和由于需要运用特征点检测存在的误差、速度慢的技术问题。

为此，本发明提出一种快速心电身份识别的方法，包括模型训练阶段和实时测试阶段，所述模型训练阶段包括以下步骤：

A1、预处理和片段提取：将用于训练和待识别的心电信号进行任意位置的采集，并对采集的心电信号预处理，对预处理后的心电信号进行片段提取得到多个特征片段；

A2、全自动特征提取层训练：根据卷积神经网络对获得的多个所述特征片段通过全自动提取训练模块的全自动特征提取层和全连接层进行训练，抽取训练后的全自动特征提取层作为特征提取器；

所述实时测试阶段包括以下步骤：

B1、预处理和片段提取：将用于待识别的心电信号进行任意位置的采集，并对采集的心电信号预处理，对预处理后的心电信号进行片段提取得到多个特征片段；

B2、特征识别：根据模型训练阶段训练好的多个特征提取器对待识别的心电信号进行并行特征提取，对提取到的特征进行并行分类，输出身份识别结果。

优选地，本发明的方法还可以具有如下技术特征：

所述预处理和片段处理包括以下步骤：C1：对心电信号进行滤波处理；C2：确定截取心电信号上至少包括一个心电信息的窗口长度；C3：根据确定好的窗口长度，滑动窗口，从心电信号的任意位置截取对应长度的心电窗口；C4：将所述心电窗口划分为多个的定长片段，得到多个所述特征片段。

所述特征片段的片段长度小于或等于所述心电窗口的长度。

所述步骤A2中，所述全自动特征提取层包括多个卷积层和最大池层，包括以下步骤：A21：通过多个所述卷积层对所述特征片段进行并行卷积，得到多个向量值；A22：多个所述向量值通过所述最大池层生成深度融合特征；A23：所述深度融合特征通过所述全连接层进行训练分类，输出分类判断结果，根据分类判断结果抽取所述全自动特征提取层作为所述特征提取器。

采用典型损失函数进行训练分类，所述步骤A23中：当训练识别率大于阈值时，则停止训练，提取深度融合特征，抽取以该深度融合特征组成的全自动特征提取层作为特征提取器，否则继续训练。

所述步骤A2中，根据步骤A1中所述心电信号的采集情况，若能继续采集心电信号，则进一步训练全自动特征提取层，当达到更大阈值时，将原有特征提取器替换。

在步骤B2中，包括以下步骤：B21、特征提取，根据多个所述特征提取器对待识别心电信号进行并行特征提取，得到该待识别心电信号的所述深度融合特征；B22、特征分类，对该待识别心电信号的所述深度融合特征，根据待识别心电信号的类别号通过多个分类器并行分类，完成身份识别。

所述模型训练阶段中，所述分类器为非线性分类器，还包括对所述非线性分类器的训练，包括：通过步骤B21中提取到的所述深度融合特征上的类别号利用非线性分类器训练模块对预定的非线性分类器进行训练。

所述步骤B2中，通过多个非线性分类器进行身份识别为初步身份识别，还包括通过特征投票进行最终身份识别过程的步骤：采用最高熵进行投票，统计初步身份识别中各类别熵值，根据统计出的熵值，以最大熵值对应的类别号作为最终识别结果。

此外，本发明还提出了一种心电身份识别的系统，用于执行上述任一项所述的快速心电身份识别的方法，包括预处理和片段提取层，训练模块，特征提取器，分类器以及最高熵投票模块；所述训练模块包括全自动提取训练模块和分类器训练模块，所述全自动提取模块包括全自动特征提取层和全连接层，所述全自动特征提取层包括多个卷积层和最大池层，所述特征提取器为经所述全自动提取模块训练后的全自动特征提取层。

本发明与现有技术对比的有益效果包括：本发明的心电识别过程主要包括两个阶段，一个是模型训练阶段和实时测试阶段，模型训练阶段完成用于实时身份识别的全自动特征提取层的训练，提供特征提取器，实时测试阶段通过特征提取器对待识别心电信号的快速提取、分类，完成身份识别，通过全自动特征提取层，可以实现对特征片段中具备心电识别信号特征的特征片段的全自动快速提取，不需要任何基准点检测，可以对心电信号上任意位置进行采集然后进行预处理，同时通过全自动特征提取网络训练后的全自动特征提取层无需进行繁琐的特征组合以识别身份，无需特征融合等人为参与的过程，有效避免了因复杂基准点检测或特征人为融合带来的误差；与现有的卷积神经网络处理的二维数据不同，本发明的全自动特征提取网络处理一维数据，其卷积核为一维卷积核，所以能对心电信号进行全自动提取，由于本发明运用全自动特征提取网络对全自动特征提取层进行训练，并通过多个训练后的全自动特征提取层来对待识别的心电信号采用并行处理的方式，大大提高了处理的速度，可实时进行快速的身份识别，提高了识别速度，可提高人群的验证度。

优选方案中，由于采用全自动特征提取层进行提取特征，心电信号截取窗口长度可选范围广，只要大于一个心拍长度，至少包括至少一个心电信息就可以；由于不再对心电信号的特征信号进行特征点识别，窗口截取心电信号位置任意，针对实时采集的心电信号，任意位置开始，一旦达到窗口长度即可进行识别。

训练的过程中，采用多个独立的卷积层进行并行训练，全自动特征提取网络训练的停止条件是大于阈值，阈值理论范围在0至1之间，一般取0.5至0.9之间，阈值越大训练时间越长，提取的深度融合特征可分性越强，阈值根据应用需求设定，通常小于全自动特征提取网络用作识别时的阈值，能够进一步加快全自动特征提取网络的训练速度，进一步的，如果能够继续获得样本的心电信号，可进一步训练全自动特征提取层，达到更大阈值时直接替换并行特征提取模块的特征提取器，能够实现更好的识别结果，本发明通过卷积层结合最大池层的方式进行深度融合特征的提取，最大池层克服了现有采用频域信号进行提取的诸多缺点，通过最大卷积层可以仅仅采集时域上的心电信号进行训练，完成深度融合特征的提取，避免了频域信号的运用，通过最大池层，使得适用的人群范围更广，训练更加充分。

进一步的，本发明弱化了对分类器的依赖，扩展了分类器的可选择范围，可通过非线性分类器对提高身份识别的准确度，非线性分类器为训练后的，可加快身份识别的速度。

最高熵投票是对非线性分类器初步分类结果的强化，滑动窗口截取的心电信号片段相互独立，特征提取相互独立，非线性分类相互独立，通过最高熵投票累积误差的方式，强化基于心电信号身份识别的性能；

多个特征提取器相互独立，可以并行处理；非线性分类模块相互独立，也可以并行处理；能够满足实时身份识别高精度要求。

附图说明

图1是本发明具体实施方式一的运用心电识别的系统进行实时身份识别方法的总流程示意图；

图2是本发明具体实施方式一的预处理和片段提取的示意图；

图3是本发明具体实施方式一的全自动特征提取层训练的示意图；

图4是本发明具体实施方式一的非线性分类器训练的示意图；

图5是本发明具体实施方式一的并行特征提取的示意图；

图6是本发明具体实施方式一的并行非线性分类的示意图；

图7是本发明具体实施方式一的最高熵投票的示意图；

具体实施方式

下面结合具体实施方式并对照附图对本发明作进一步详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参照以下附图1-7，将描述非限制性和非排他性的实施例，其中相同的附图标记表示相同的部件，除非另外特别说明。

实施例一：

本实施例中，提供了一种心电身份识别的系统，包括预处理和片段提取层，训练模块，特征提取器，分类器以及最高熵投票模块；所述训练模块包括全自动提取训练模块和分类器训练模块，本实施例中，分类器优选为非线性分类器，当然，也可根据情况选择线性分类器，所述全自动提取模块包括全自动特征提取层和全连接层，所述全自动特征提取层包括多个卷积层和最大池层，所述特征提取器为经所述全自动提取模块训练后的全自动特征提取层。

本实施例中，提供一种基于心电信号的实时身份识别方法，根据实际需要全自动提取深度融合特征，深度融合特征通过非线性分类器和最高熵投票，如图1所示，本实施例提出的基于心电信号的实时身份识别方法主要分为模型训练阶段和实时测试阶段两个阶段，模型训练阶段包括预处理和片段提取、全自动特征提取层训练和并行分类中的非线性分类器训练，实时测试阶段包括预处理和片段提取、并行特征提取、并行分类中的非线性分类器并行分类和最高熵投票。

所述模型训练阶段包括以下步骤：

A1、预处理和片段提取：将用于训练和待识别的心电信号进行任意位置的采集，并对采集的心电信号预处理，对预处理后的心电信号进行片段提取得到多个特征片段；

A2、全自动特征提取层训练：根据全自动特征提取网络对获得的多个所述特征片段通过全自动提取训练模块的全自动特征提取层和全连接层进行训练，抽取训练后的全自动特征提取层作为特征提取器；

所述实时测试阶段包括以下步骤：

B1、预处理和片段提取：将用于待识别的心电信号进行任意位置的采集，并对采集的心电信号预处理，对预处理后的心电信号进行片段提取得到多个特征片段；

B2、特征识别：根据模型训练阶段训练好的多个特征提取器对待识别的心电信号进行并行特征提取，对提取到的特征进行并行分类，输出身份识别结果。

本实施例中具体主要包括：

101：预处理和片段提取；

102：全自动特征提取层训练；

103：并行特征提取；

104：并行分类；

105：最高熵投票。

如图2所示，其中步骤A1中包括以下步骤：

C1：201、对心电信号进行滤波处理，采集用户一定时长的心电信号，采用合适的滤波器滤出工频干扰、基线漂移及肌电干扰等噪声。对工频50Hz的频率点进行陷波，除去波形中50Hz工频干扰；使用截止频率40Hz的巴特沃斯低通滤波器滤除肌电干扰；使用大于1Hz的高通滤波器消除基线漂移。

C2：202、确定截取心电信号上至少包括一个心电信息的窗口长度，窗口长度大于一个心拍长度，确保每个窗口至少包含一个心拍的完整信息。正常人的心跳在60-100次/分钟，特殊人群一般也在40次/分钟以上，因此窗口长度选择1-2秒以上，即可确保窗口中至少包含一个心拍的完整信息，这里一个心拍的完整信息，不局限于同一个心拍，也包含两个心拍的不同部分能够组合成一个心拍的完整信息。窗口d固定之后，训练和测试时窗口长度不再变化。

C3：203、根据确定好的窗口长度，滑动窗口，从心电信号的任意位置截取对应长度的心电窗口，截取心电窗口过程中，对窗口的起始点位置没有任何限制，在实时测试阶段尤为重要。

C4：203、将所述心电窗口划分为多个的定长片段，得到多个所述特征片段，每个心电窗口划分为n个任意定长片段，其中n大于或等于1，假设由窗口d截取的心电窗口为x，任意定长划分为n个特征片段{x₁，x₂,...,x_n}，任意定长片段指片段长度小于心电窗口长度且固定。

本实施例中，如图3所示，步骤A2中，所述全自动特征提取层包括多个卷积层和最大池层，使用全自动特征提取网络进行全自动特征提取，需要明确卷积核为一维卷积核，降采样过程也是一维操作，最大池操作也是一维操作。

301：采用全自动特征提取网络训练，由系统组成可知，该全自动特征提取网络的全自动提取模块包括全自动特征提取层和全连接层，所述全自动特征提取层包括多个卷积层和最大池层，本实施例中所使用的全自动特征提取网络，包括基于识别目标对卷积层模型和全连接层模型做出的结构调整，这些结构调整包括：卷积层数的增减、全连接层数的增减、最大池层的层数与个数调整、卷积核一维尺寸变化、降采样一维尺寸变化、卷积层与其他特征融合输入全连接层的并行训练过程。

特征片段通过全自动特征提取层包括两个阶段：卷积层和最大池层；其中：包括以下步骤：

A21：通过多个所述卷积层对所述特征片段进行并行卷积，得到多个向量值，此处为多个1×m维向量值。其中卷积层个数为n，每个卷积层层数大于1，卷积核K为一维卷积核；n个特征片段{x₁，x₂,...,x_n}通过卷积层后生成n个向量{c₁，c₂,...,c_n}，其中：

其中i取值范围为[1,n]，l为卷积层数，b为偏置，初始值可置零。

n个向量{c₁，c₂,...,c_n}直接生成矩阵A＝[c₁，c₂,...,c_n]_m×n。

A22：多个所述向量值通过所述最大池层生成深度融合特征。最大池核尺寸为1×n，最大池核作用于矩阵A后生成深度融合特征DeepFusionFeature＝[f₁,f₂,...f_m]^T。最大池核作用于矩阵A：

f_i＝max(c_i1，c_i2,...,c_in)；

A23：所述深度融合特征通过所述全连接层进行训练分类，输出分类判断结果，根据分类判断结果抽取所述全自动特征提取层作为所述特征提取器。

采用典型损失函数进行训练分类，所述步骤A23中：当训练识别率大于阈值时，则停止训练，提取深度融合特征，抽取以该深度融合特征组成的全自动特征提取层作为特征提取器，否则继续训练。其中，典型损失函数为欧式距离：

其中，N为全自动特征提取层训练时，每次通过全自动特征提取层的样本个数。

训练的停止条件是训练识别率acc_tr大于阈值acc_pre，阈值acc_pre根据实际需求在0.5-1.0之间都可以，为第j个训练样本的预测类别号，为第j个训练样本的实际类别号。

302：当训练识别率acc_tr大于阈值acc_pre时，模型训练停止，抽取全自动特征提取层作为特征提取器，提取深度融合特征，所述步骤A2中，根据步骤A1中所述心电信号的采集情况，若能继续采集心电信号，则进一步训练全自动特征提取层，当达到更大阈值时，将原有特征提取器替换。

所述模型训练阶段中，还包括对所述非线性分类器的训练，包括：通过步骤B21中提取到的所述深度融合特征上的类别号利用非线性分类器训练模块对预定的非线性分类器的进行训练，如图4所示，具体为：

401：训练阶段，采集到的心电信号均有类别标号，这些心电信号的特征片段经过训练后的全自动特征提取层提取到深度融合特征。

402：选择常用的非线性分类器，如核支持向量机和神经网络等，利用具有类别标号的深度融合特征训练非线性分类器参数。

在步骤B2中，包括以下步骤：

B21、特征提取，根据多个所述特征提取器对待识别心电信号进行并行特征提取，得到该待识别心电信号的所述深度融合特征；

B22、特征分类，对该待识别心电信号的所述深度融合特征，根据待识别心电信号的类别号通过训练后的多个非线性分类器并行分类，完成身份识别。

实时测试阶段，预处理和片段提取中滤波处理实时进行，基于任意起始位置的窗口截取，因此当采集到的心电信号达到窗口d长度时，即可开始识别过程。

如图5所示，501：随着采集信号增加，不断有特征片段需要进行特征提取。特征提取器已经训练完毕，这里采用多个训练后的全自动特征提取层(特征提取器)并行对特征片段提取深度融合特征。训练后卷积层的并行个数根据实际需求和实验设备性能决定，并行个数越多特征提取速度越快。

502：特征片段通过训练后的全自动特征提取层(特征提取器)之后，提取到一维特性的深度融合特征。

采用非线性分类器进行并行分类，进而弥补特征提取器(全自动特征提取层)快速但不充分的训练过程。非线性分类器在训练阶段已经完成对非线性分类器参数的训练。

如图6所示，601：采用多个训练后的非线性分类器对深度融合特征进行并行分类，其中训练后的非线性分类器的个数与并行特征提取模块中训练后的卷积层个数相同。

602：每一个非线性分类器对输入的深度融合特征都会识别出一个预测类别，作为我们的初步分类类别。

本实施例，所述步骤B2中，通过多个非线性分类器进行身份识别为初步身份识别，还包括通过特征投票进行最终身份识别过程的步骤：采用最高熵进行投票，统计初步身份识别中各类别熵值，根据统计出的熵值，以最大熵值对应的类别号作为最终识别结果。

如图7所示，701：通过最高熵投票模块进行最高熵投票时，常采用的熵值如频率。统计初步分类中各个类别的出现的次数，计算出初步分类中各个类别的频率。

702：根据统计出的熵值，查找最大熵值，如最高频率。最大熵值对应的类别号即为系统的最终识别结果。

国际权威的心电数据库PTB Diagnostic ECG Database中任意选择100人进行测试，每个人选择200个窗口训练全自动特征提取层和非线性分类器模块，再从每个人剩余心电信号中截取100个窗口进行测试，准确率达到99.9％以上，测试数量和测试结果处于领先地位，均满足实际需求。

该方法为大规模人群应用提供可预见的效果。卷积神经网络在图像分类和特征提取方面已经取得很好的效果，一个重要的特点是具有扭曲不变性和位移不变性。改变网络结构，应用于一维心电信号。任意窗口对心电信号切割，虽然窗口起始位置不同，但是每个窗口至少保证一个心拍的完整信息，同时所有窗口尺寸相同，每个窗口片段被划分为任意定长片段，通过卷积神经网络的特性，借助最大池的特征选择特征，完全自动的提取心电信号的特征。全自动特征提取网络训练完成后，利用全自动特征提取层提取的深度融合特征，设计非线性分类器进一步分类并通过最高熵投票，能够兼顾训练速度、深度融合特征可分性、身份识别速度和性能，从而使本实施例的方法能够满足实际应用中基于心电信号实时身份识别。深度学习的优势也正是学习样本越多，网络性能越好，识别效果更佳。

本领域技术人员将认识到，对以上描述做出众多变通是可能的，所以实施例仅是用来描述一个或多个特定实施方式。

尽管已经描述和叙述了被看作本发明的示范实施例，本领域技术人员将会明白，可以对其作出各种改变和替换，而不会脱离本发明的精神。另外，可以做出许多修改以将特定情况适配到本发明的教义，而不会脱离在此描述的本发明中心概念。所以，本发明不受限于在此披露的特定实施例，但本发明可能还包括属于本发明范围的所有实施例及其等同物。

Claims (10)

1.一种快速心电身份识别的方法，其特征在于，包括模型训练阶段和实时测试阶段，所述模型训练阶段包括以下步骤：

A1、预处理和片段提取：将用于训练的心电信号进行任意位置的采集，并对采集的心电信号预处理，对预处理后的心电信号进行片段提取得到多个特征片段；

A2、全自动特征提取层训练：根据全自动提取特征网络对获得的多个所述特征片段通过全自动提取训练模块的全自动特征提取层和全连接层进行训练，抽取训练后的全自动特征提取层作为特征提取器；

所述实时测试阶段包括以下步骤：

B1、预处理和片段提取：将用于待识别的心电信号进行任意位置的采集，并对采集的心电信号预处理，对预处理后的心电信号进行片段提取得到多个特征片段；

B2、特征识别：根据模型训练阶段训练好的多个特征提取器对待识别的心电信号进行并行特征提取，对提取到的特征进行并行分类，输出身份识别结果。

2.如权利要求1所述的快速心电身份识别的方法，其特征在于：所述预处理和片段处理包括以下步骤：

C1：对心电信号进行滤波处理；

C2：确定截取心电信号上至少包括一个心电信息的窗口长度；

C3：根据确定好的窗口长度，滑动窗口，从心电信号的任意位置截取对应长度的心电窗口；

C4：将所述心电窗口划分为多个的定长片段，得到多个所述特征片段。

3.如权利要求2所述的快速心电身份识别的方法，其特征在于：所述特征片段的片段长度小于等于所述心电窗口的长度。

4.如权利要求1所述的快速心电身份识别的方法，其特征在于，所述步骤A2中，所述全自动特征提取层包括多个卷积层和最大池层，包括以下步骤：

A21：通过多个所述卷积层对所述特征片段进行并行卷积，得到多个向量值；

A22：多个所述向量值通过所述最大池层生成深度融合特征；

A23：所述深度融合特征通过所述全连接层进行训练分类，输出分类判断结果，根据分类判断结果抽取所述全自动特征提取层作为所述特征提取器。

5.如权利要求4所述的快速心电身份识别的方法，其特征在于，所述步骤A23中：当训练识别率大于阈值时，则停止训练，提取深度融合特征，抽取以该深度融合特征组成的全自动特征提取层作为特征提取器，否则继续训练。

6.如权利要求5所述的快速心电身份识别的方法，其特征在于，所述步骤A2中，根据步骤A1中所述心电信号的采集情况，若能继续采集心电信号，则进一步训练全自动特征提取层，当达到更大阈值时，将原有特征提取器替换。

7.如权利要求2所述的快速心电身份识别的方法，其特征在于，在步骤B2中，包括以下步骤：

B21、特征提取，根据多个所述特征提取器对待识别心电信号进行并行特征提取，得到该待识别心电信号的深度融合特征；

B22、特征分类，对该待识别心电信号的所述深度融合特征，根据待识别心电信号的类别号通过多个分类器并行分类，完成身份识别。

8.如权利要求7所述的快速心电身份识别的方法，其特征在于，所述模型训练阶段中，所述分类器为非线性分类器，还包括对所述非线性分类器的训练，包括：通过步骤B21中提取到的所述深度融合特征上的类别号利用非线性分类器训练模块对预定的非线性分类器进行训练。

9.如权利要求8所述的快速心电身份识别的方法，其特征在于，所述步骤B2中，通过多个非线性分类器进行身份识别为初步身份识别，还包括通过特征投票进行最终身份识别过程的步骤：采用最高熵进行投票，统计初步身份识别中各类别熵值，根据统计出的熵值，以最大熵值对应的类别号作为最终识别结果。

10.一种心电身份识别的系统，其特征在于，用于执行权利要求1-9任一项所述的快速心电身份识别的方法，包括预处理和片段提取层，训练模块，特征提取器，分类器以及最高熵投票模块；所述训练模块包括全自动提取训练模块和分类器训练模块，所述全自动提取模块包括全自动特征提取层和全连接层，所述全自动特征提取层包括多个卷积层和最大池层，所述特征提取器为经所述全自动提取模块训练后的全自动特征提取层。