CN108154085B - 基于心电数据进行身份识别的方法、装置及电子设备 - Google Patents

基于心电数据进行身份识别的方法、装置及电子设备 Download PDF

Info

Publication number
CN108154085B
CN108154085B CN201711274428.5A CN201711274428A CN108154085B CN 108154085 B CN108154085 B CN 108154085B CN 201711274428 A CN201711274428 A CN 201711274428A CN 108154085 B CN108154085 B CN 108154085B
Authority
CN
China
Prior art keywords
data
target
group
neural network
electrocardiogram
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
CN201711274428.5A
Other languages
English (en)
Other versions
CN108154085A (zh
Inventor
汪孔桥
朱国康
赵威
李宏扬
梁金升
李潇
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.)
Beijing Shunyuan Kaihua Technology Co Ltd
Original Assignee
Beijing Shunyuan Kaihua Technology Co Ltd
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 Beijing Shunyuan Kaihua Technology Co Ltd filed Critical Beijing Shunyuan Kaihua Technology Co Ltd
Priority to CN201711274428.5A priority Critical patent/CN108154085B/zh
Publication of CN108154085A publication Critical patent/CN108154085A/zh
Application granted granted Critical
Publication of CN108154085B publication Critical patent/CN108154085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请提供一种基于心电数据进行身份识别的方法、装置及电子设备。该方法包括：从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据；基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份。通过本方案，可以提高基于心电数据的身份识别的精确度。

Description

基于心电数据进行身份识别的方法、装置及电子设备
技术领域
本申请涉及生物识别技术领域，尤其涉及一种基于心电数据进行身份识别的方法、装置及电子设备。
背景技术
利用生物特征的唯一性实现身份识别已广泛应用在许多领域，如人脸识别、虹膜识别、指纹识别等等，由于人脸识别、虹膜识别等所要识别的模式几乎可以认定是刚性的，即，同一个人在不同时刻的生物特征不会随着时间的变化而变化。对于人体的心电图(electrocardiogram，简称为ecg)信号而言，与生物特征类似，其也具有个体唯一性，但由于同一个人在不同时刻的心拍可能会随着心率的变化而出现模式特征的变化，例如，ecg信号中的T波与R峰之间的相对距离会随着心率的变化而变化，因此基于心电图进行身份识别(ecg-BioID)带来较大的挑战。
发明内容
有鉴于此，本申请提供一种基于心电数据进行身份识别的方法、装置及电子设备，以提高基于心电数据的身份识别的精确度。
具体地，本申请是通过如下技术方案实现的：
第一方面，本申请提供了一种基于心电数据进行身份识别的方法，所述方法包括：
从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；
基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据；
基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份。
可选地，所述基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据的步骤，包括：
基于每一组目标心电数据的实际长度和采样率，确定每一组目标心电数据的实时心率；
基于预设对应关系和每一组目标心电数据的实时心率，确定每一组目标心电数据中T波的第二位置，其中，所述预设对应关系为T波位置与心率的对应关系；
基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整，其中，所述第一位置为参考T波在与参考心率对应的一组参考心电数据中的位置，所述参考T波为与参考心率对应的一组参考心电数据中的T波。
可选地，所述基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整的步骤，包括：
基于第一位置和每一组目标心电数据中T波的第二位置的差值，确定每一组目标心电数据中T波需要平移的第一位移量以及每一组目标心电数据中T波需要调整的第一方向；
基于所述第一位移量和所述第一方向，调整每一组目标心电数据中T波的位置；
基于所述第一位移量确定每一组目标心电数据中P波需要平移的第二位移量，以及基于所述第一方向确定每一组目标心电数据中P波需要调整的第二方向；
基于所述第二位移量和所述第二方向，调整每一组目标心电数据中P波的位置。
可选地，所述基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份的步骤，包括：
利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份；
其中，所述第一卷积神经网络的输出结果和所述第二卷积神经网络的输出结果具有相同维度，所述第一卷积神经网络的输入内容与调整后的至少一组目标心电数据相关，所述第二卷积神经网络的输入内容为所述目标身份的一组参考心电数据，所述第三卷积神经网络的输入内容为所述第一卷积神经网络和所述第二卷积神经网络的输出内容。
可选地，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份的步骤，包括：
对调整后的至少一组目标心电数据进行求平均，得到一组平均心电数据；
将所得到的一组平均心电数据输入到已训练的第一卷积神经网络中，得到调整后的至少一组目标心电数据所对应的第一组特征数据；
将预设的目标身份的一组参考心电数据输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第二组特征数据；
将所述第一组特征数据和所述第二组特征数据输入到已训练的第三卷积神经网络中，得到两个特征数据；
基于所述两个特征数据的大小关系，识别所述心电图信号的身份。
可选地，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份的步骤，包括：
将调整后的每一组目标心电数据顺次输入到已训练的第一卷积神经网络中，得到调整后的每一组目标心电数据所对应的第三组特征数据；
将预设的目标身份的一组参考心电数据中输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第四组特征数据；
针对调整后的每一组目标心电数据所对应的第三组特征数据，将调整后的该组目标心电数据所对应的第三组特征数据和所述第四组特征数据输入到已训练的第三卷积神经网络中，得到调整后的该组目标心电数据所对应的两个特征数据；
基于调整后的每一组目标心电数据所对应的两个特征数据的大小关系，识别所述心电图信号的身份。
可选地，当调整后的至少一组目标心电数据超过两组时，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份的步骤，包括：
将调整后的至少一组目标心电数据划分到目标数量的集合中，每一集合中包括至少一组目标心电数据，且所述目标数量小于调整后的至少一组目标心电数据的数量；
针对每一集合，对该集合中的目标心电数据进行求平均，得到该集合对应的一组平均心电数据；
将每一集合对应的一组平均心电数据顺次输入到已训练的第一卷积神经网络中，得到每一集合所对应的第五组特征数据；
将预设的目标身份的一组参考心电数据中输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第六组特征数据；
针对每一集合所对应的第五组特征数据，将该集合对应的第五组特征数据和所述第六组特征数据输入到已训练的第三卷积神经网络中，得到该集合对应的两个特征数据；
基于每一集合对应的两个特征数据的大小关系，识别所述心电图信号的身份。
第二方面，本申请提供了一种基于心电数据进行身份识别的装置，所述装置包括：
目标心电数据获得单元，用于从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；
目标心电数据调整单元，用于基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据；
身份识别单元，用于基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份。
可选地，所述目标心电数据调整单元包括：
实时心率确定子单元，用于基于每一组目标心电数据的实际长度和采样率，确定每一组目标心电数据的实时心率；
第二位置确定子单元，用于基于预设对应关系和每一组目标心电数据的实时心率，确定每一组目标心电数据中T波的第二位置，其中，所述预设对应关系为T波位置与心率的对应关系；
调整子单元，用于基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整，其中，所述第一位置为参考T波在与参考心率对应的一组参考心电数据中的位置，所述参考T波为与参考心率对应的一组参考心电数据中的T波。
可选地，所述身份识别单元包括：
身份识别子单元，用于利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份；
其中，所述第一卷积神经网络的输出结果和所述第二卷积神经网络的输出结果具有相同维度，所述第一卷积神经网络的输入内容与调整后的至少一组目标心电数据相关，所述第二卷积神经网络的输入内容为所述目标身份的一组参考心电数据，所述第三卷积神经网络的输入内容为所述第一卷积神经网络和所述第二卷积神经网络的输出内容。
第三方面，本申请提供了一种电子设备，所述电子设备包括：
处理器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器，用于执行本申请所提供的基于心电数据进行身份识别的方法。
第四方面，本申请提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本申请所提供的基于心电数据进行身份识别的方法。
本申请所提供方案中，用于身份识别的各组目标心电数据均为相邻两个R峰之间的数据，保证了各组目标心电数据不存在边界误差；并且，基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，进而根据调整后的至少一组目标心电数据和预设的目标身份的一组参考心电数据进行身份识别，减少了由于心率不同而带来的结构性特征波的位移偏差。因此，通过本方案，可以提高基于心电数据的身份识别的精确度。
附图说明
图1为本申请所提供的一种基于心电数据进行身份识别的方法的流程图；
图2(a)为现有技术中心拍的表示形式，图2(b)为本申请中用于身份识别的一组心电数据的表示形式；
图3为本申请中的一组目标心电数据的T波位置与心率的关系图；
图4为本申请所提供的一种基于心电数据进行身份识别的方法的另一流程图；
图5为本申请中的一组目标心电数据在调整之前和调整之后的波形图；
图6为本申请所提供的一种基于心电数据进行身份识别的方法的另一流程图；
图7(a)为多组目标心电数据的波形示意图，图7(b)为对多组目标心电数据执行lof去除极端值之后的波形示意图；
图8为第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的数据处理关系图；
图9为本申请所提供的一种基于心电数据进行身份识别的装置的结构示意图；
图10为本申请所提供的一种基于心电数据进行身份识别的装置中目标心电数据调整单元的结构示意图；
图11为本申请所提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请提供了一种基于心电数据进行身份识别的方法、装置及电子设备，以提高基于心电数据的身份识别的精确度。
下面首先对本申请所提供的一种基于心电数据进行身份识别的方法进行介绍。
需要说明的是，本申请所提供的一种基于心电数据进行身份识别的方法的执行主体可以为一种基于心电数据进行身份识别的装置。其中，该基于心电数据进行识别的装置可以为运行于电子设备中的功能软件或插件。
可以理解的是，在具体应用中，该电子设备可以为具有心电信号采集功能的设备，如：智能手环、智能手表或其他专门的心电信号采集设备；当然，该电子设备也可以为不具备心电信号采集功能的设备，例如：该电子设备为能够与具有心电信号采集功能的设备相通信的客户端设备或服务端设备，当然并不局限于此。
如图1所示，一种基于心电数据进行身份识别的方法，可以包括如下步骤：
S101，从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；
现有技术中，心电图信号的心拍指从P波到QRS波再到T波的这个时间段的数据，且采用该种表示形式描述心电信号的一个心拍，如图2(a)；但是，发明人发现，在实际信号处理过程中，基于该种形式提取心拍进行身份识别时很难确定心拍的边界数据点，或，边界数据点存在不可控的误差，而该误差直接影响到心拍的相似度计算。基于该种发现，为了提高身份识别的精确度，本申请中将相邻两个R峰之间的数据作为用于身份识别的一组心电数据，而由于R峰位置是较为准确的，因此，在提取多组心电数据时，各组心电数据存在边界误差的概率较低，如图2(b)所示。
具体的，在本申请所提供的方法中，可以从待识别人物对象的心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据。其中，该待识别人物对象的心电图信号可以为连续的心电图信号，例如：选取待识别人物对象的持续30s的心电图信号；当然，该待识别人物对象的心电图信号也可以为不连续的心电图信号，这都是合理的。
另外，由于心电图信号中通常会存在基线漂移等噪声干扰，因此，在从心电图信号中确定至少一组目标心电数据之前，可以首先对该待识别人物对象的心电图信号进行数据基线漂移计算并去除，即去除噪声，以进一步保证身份识别的精确性，其中，具体的计算方式及去除方式属于现有技术，本申请不做限定。当然，在某些场景下，可以不对该待识别人物对象的心电图信号进行数据基线漂移计算并去除，而是直接从心电图信号中确定至少一组目标心电数据，这也是合理的。
S102，基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据；
发明人发现，心拍易受心率的变化而发生结构性特征波移位，其中，结构性特征波为T波和P波。因此，为了准确地进行身份识别，在确定至少一组目标心电数据后，可以对至少一组目标心电数据进行波形调整，即对T波和P波的位置进行调整。并且，由于移位是受到了心率的影响，因此，可以基于与参考心率对应的一组参考心电数据来进行波形调整，以将至少一组目标心电数据中的T波和P波的位置调整为参考心率下的位置，进而后续与预设的目标身份的参考心电数据进行有效匹配。
为了保证识别的有效性，与参考心率对应的一组参考心电数据为相邻R峰之间的数据。并且，该参考心率可以为人类的正常心率范围[60,100]内的值，例如：该参考心率可以为85、80、75、70等等。
可以理解的是，为了保证调整有效性，可以预设一个归一化长度，如：归一化长度为196(采样点数量为196个)；进而在基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据之前，可以先对每一组目标心电数据进行归一化处理，以及将与参考心率对应的一组参考心电数据进行相同的归一化处理，以保证每一组目标心电数据所对应的归一化长度和与参考心率对应的一组参考心电数据对应的归一化长度均为该预设的归一化长度。其中，与参考心率对应的一组参考心电数据可以仅仅执行一次归一化处理，后续每次身份识别均直接利用与参考心率对应的一组参考心电数据对应的归一化处理的结果。
当然，如果从心电图信号中所确定出的每一组目标心电数据的实际长度为该预设的归一化长度，则无需对每一组目标心电数据进行归一化处理；类似的，与参考心率对应的一组参考心电数据的实际长度为该预设的归一化长度，则无需对与参考心率对应的一组参考心电数据进行归一化处理。
需要说明的是，对每一组目标心电数据进行归一化处理和与参考心率对应的一组参考心电数据进行归一化处理的具体实现方式可以采用现有技术中的任一种方式，本申请对此不做限定。
另外，为了方案及布局清晰，后续结合具体的实施例，对基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据的具体实现方式进行介绍。
S103，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份。
由于基于心电数据的身份识别的实质是心电数据间的匹配，因此，在得到调整后的至少一组目标心电数据后，可以基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份，即识别该心电图信号的身份是否为该预设的目标身份。
其中，预设的目标身份的一组参考心电数据的确定方式的可以有多种。在一种具体实现方式中，预设的目标身份的一组参考心电数据的确定方式可以为：从目标身份的连续的或不连续的心电图信号中提取至少一组心电数据，每一组心电数据均为相邻R峰之间的数据，并基于与参考心率对应的一组参考心电数据，调整该至少一组心电数据，进而将调整后的至少一组心电数据进行累加求平均，得到该目标身份对应的参考心电数据。可以理解的是，当该至少一组心电数据的实际长度不为预设的归一化长度时，在基于与参考心率对应的一组参考心电数据，调整该至少一组心电数据之前，可以先对该至少一组心电数据进行归一化处理，以使得该至少一组心电数据对应的归一化长度为该预设的归一化长度。另外，在得到调整后的至少一组心电数据后，也可以对该至少一组心电数据利用现有的lof(Local Outlier Factor，异常局部因子)算法以排除个别极端值Outlier，并将剩余的各组心电数据进行累加求平均，从得到该目标身份的参考心电数据。
而在另一种具体实现方式中，预设的目标身份的一组参考心电数据的确定方式可以为：从目标身份的连续的或不连续的心电图信号中提取一组心电数据，该组心电数据为相邻R峰之间的数据，并基于与参考心率对应的一组参考心电数据，调整该组心电数据，进而将调整后的该组心电数据确定为该目标身份对应的参考心电数据。可以理解的是，当该组心电数据的实际长度不为预设的归一化长度时，在基于与参考心率对应的一组参考心电数据，调整该组心电数据之前，可以先对该组心电数据进行归一化处理，以使得该组心电数据对应的归一化长度为该预设的归一化长度。
可以理解的是，在进行身份识别时，可以将调整后的至少一组目标心电数据分别与多个不同的预设的目标身份的一组参考心电数据进行匹配，以分别识别该心电图信号是否为相应的目标身份，其中，针对每一个预设的目标身份的识别方式相同。
需要说明的是，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份的方式存在多种，如：利用调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据的相应采样点的幅度偏差来识别；或者，利用调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据中具有等同幅度的采集点的数量来识别；当然，也可以利用卷积神经网络对调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据的特征数据进行匹配，等等，这都是合理的。
为了方案请求及布局清晰，后续结合具体实施例，对基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份的具体实现方式进行介绍。
本申请所提供方案中，用于身份识别的各组目标心电数据均为相邻两个R峰之间的数据，保证了各组目标心电数据不存在边界误差；并且，基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，进而根据调整后的至少一组目标心电数据和预设的目标身份的一组参考心电数据进行身份识别，减少了由于心率不同而带来的结构性特征波的位移偏差。因此，通过本方案，可以提高基于心电数据的身份识别的精确度。
下面结合具体实施例，对本申请所提供的一种基于心电数据进行身份识别的方法进行介绍。
其中，本申请所提供的一种基于心电数据进行身份识别的方法的执行主体为一种基于心电数据进行身份识别的装置。关于基于心电数据进行身份识别的装置所运行于的电子设备的相关介绍内容参见上述实施例，在此不做赘述。
需要说明的是，发明人利用大量的长度归一化的心拍，对T波位置与心率之间的关系进行分析，分析发现T波位置与心率存在着某种确定的线型关系，即心率越大，T波离所在心拍的最左端越远，反之越近，如图3所示。基于该发现，可以拟合得到在某一归一化长度上的直线方程，即预设对应关系，该预设对应关系为关于T波位置和心率的关系。例如：长度归一化到196上时的直线方程(即预设对应关系)为：
T_location＝HR×0.267+39.3，其中HR为心率，HR＝60×采样率/心拍的实际长度(即采样点的数量)，T_location为心拍的实际长度归一化到196后，T波与所在心拍的最左端的距离。
需要强调的是，对于不同的归一化长度而言，可以拟合得到不同的直线方程，也就是，不同的归一化长度所对应的预设对应关系不同。
如图4所示，一种基于心电数据进行身份识别的方法，可以包括如下步骤：
S201，从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；
本实施例中，S201与上述实施例的S101相同，在此不做赘述。
S202，基于每一组目标心电数据的实际长度和采样率，确定每一组目标心电数据的实时心率；
其中，本实施例中的S202-S204为上述实施例中S102的一种具体实现方式。
为了将至少一组目标心电数据中的T波和P波的位置调整为参考心率下的位置，且由于T波位置与心率存在着某种确定的线型关系，因此，可以基于每一组目标心电数据的实际长度和采样率，确定每一组目标心电数据的实时心率，进而后续确定每一组目标心电数据中T波的第二位置。
其中，每一组目标心电数据的实际长度为采样点数量。
其中，实时心率的计算方式包括但不局限于：HR＝60*采样率/心拍的实际长度。其中，心拍的实际长度即为一组目标心电数据的实际长度。
S203，基于预设对应关系和每一组目标心电数据的实时心率，确定每一组目标心电数据中T波的第二位置；
其中，该预设对应关系为T波位置与心率的对应关系，且该预设对应关系与每一组目标心电数据所对应的归一化后长度相对应。
S204，基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整；其中，该第一位置为参考T波在与参考心率对应的一组参考心电数据中的位置，其中，该参考T波为与参考心率对应的一组参考心电数据中的T波；
需要说明的是，确定第一位置的方式可以为：基于预设对应关系，计算参考T波在与参考心率对应的一组参考心电数据中的位置，得到第一位置；或者，获得预先计算并存储的第一位置，其中，计算第一位置的方式为：基于预设对应关系，计算参考T波在与参考心率对应的一组参考心电数据中的位置，得到第一位置。
具体的，所述基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整的步骤，可以包括：
步骤a1，基于该第一位置和每一组目标心电数据中T波的第二位置的差值，确定每一组目标心电数据中T波需要平移的第一位移量以及每一组目标心电数据中T波需要调整的第一方向；
步骤a2，基于该第一位移量和该第一方向，调整每一组目标心电数据中T波的位置；
步骤a3，基于该第一位移量确定每一组目标心电数据中P波需要平移的第二位移量，以及基于该第一方向确定每一组目标心电数据中P波需要调整的第二方向；
步骤a4，基于该第二位移量和该第二方向，调整每一组目标心电数据中P波的位置。
针对每一组目标心电数据，在通过步骤a1-a4对该组目标心电数据中的T波和P波均调整后，得到调整后的该组目标心电数据。其中，图5示出了一组目标心电数据在调整之前和调整之后的波形图，其中，T波向右偏移4.27，而P波向左偏移2.13。
具体的，T_delta＝该第一位置-第二位置，当T_delta大于0时，则T波需要向右位移T_delta，即第一位移量为T_delta的绝对值，第一方向为向右；当T_delta不大于0时，则T波需要左位移T_delta的绝对值，即第一位移量为T_delta的绝对值，第一方向为向左。在确定出第一位移量和第一方向后，对任一组目标心电数据中T波的位置的具体调整方式为：将该组目标心电数据中的T波向第一方向位移第一位移量，且T波两边的数据向第一方向位移以线性衰减，到该组目标心电数据的最左端和最右端时位移为零。
而P波平移的方向和幅度是由T波的平移决定的，具体的，P波平移的方向总是和T波平移的方向相反，且移动的位移是T波的位移的一半，也就是，第二位移量＝第一位移量/2，第二方向为第一方向的反向。在确定出第二位移量和第二方向后，对任一组目标心电数据中P波的位置的具体调整方式为：将该组目标心电数据中的P波向第二方向位移第二位移量，且P波两边的数据向第二方向位移以线性衰减，到该组目标心电数据的最左端和最右端时位移为零。
为了更清楚的说明T波和P波平移的方式，给出以下较为形象的说明以便于理解：
T波向右平移时，把整个波形看作一条皮筋固定在左右两端，类似以T波中心点为拉扯点向右拉，T波中心点右边的波形被按比例变窄，T波中心点左边的波形被按比例变宽，T波向右平移后，P波中心点也会随着T波中心点向右平移(但平移很小)；类似的，T波向左平移时，把整个波形看作一条皮筋固定在左右两端，类似以T波中心点为拉扯点向左拉，T波中心点左边的波形被按比例变窄，T波中心点右边的波形被按比例变宽，T波向左平移后，P波中心点也会随着T波中心点向左平移(但平移很小)。
T波向右平移结束后再对P波向左平移，此时仍把整个波形看作一条皮筋固定在左右两端，类似以P波中心点为拉扯点向左拉，P波中心点右边的图形被按比例变宽，T波中心点左边的图形被按比例变窄，P波向左平移后，T波中心点也会随着P波中心点向左平移(但平移很小)；类似的，T波向左平移结束后再对P波向右平移，此时仍把整个波形看作一条皮筋固定在左右两端，类似以P波中心点为拉扯点向右拉，P波中心点左边的图形被按比例变宽，T波中心点右边的图形被按比例变窄，P波向右平移后，T波中心点也会随着P波中心点右左平移(但平移很小)。
以长度归一化到196上时的直线方程：T_location＝HR*0.267+39.3和参考心率为80为例，介绍下具体的调整方式：
计算参考T波在与参考心率对应的一组参考心电数据中的第一位置，即T_location(80)＝80×0.267+39.3＝60.33；
一组目标心电数据的实时心率为N，则T_location(N)＝N×0.267+39.3；
则该目标心电数据的T波需要平移T_delta＝T_location(80)-T_location(N)，如果T_delta>0则T波需要向右位移T_delta，T波两边的数据向右位移以线性衰减，到该组目标心电数据的最左、右端，位移为零；反之，向左平移，平移方式与右移类似；
进而，基于所确定出的T波的位移和方向，确定P波的位移和方向，并按照所确定出的P波的位移和方向，对该组目标心电数据中的P波进行调整，调整方式参见关于T的调整方式。
S205，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份。
其中，在生成预设的目标身份的一组参考心电数据时，可以参照上述的S202-S204的相关内容进行波形调整。
其中，本实施例中，S205与上述实施例的S103相同，在此不做赘述。
本申请所提供方案中，用于身份识别的各组目标心电数据均为相邻两个R峰之间的数据，保证了各组目标心电数据不存在边界误差；并且，基于预设对应关系和每一组目标心电数据的实时心率，确定每一组目标心电数据中T波的第二位置，基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整，进而根据调整后的至少一组目标心电数据和预设的目标身份对应的一组参考心电数据进行身份识别，减少了由于心率不同而带来的结构性特征波的位移偏差。因此，通过本方案，可以提高基于心电数据的身份识别的精确度。
下面结合具体实施例，对本申请所提供的一种基于心电数据进行身份识别的方法进行介绍。
其中，本申请所提供的一种基于心电数据进行身份识别的方法的执行主体为一种基于心电数据进行身份识别的装置。关于基于心电数据进行身份识别的装置所运行于的电子设备的相关介绍内容参见上述实施例，在此不做赘述。
如图6所示，一种基于心电数据进行身份识别的方法，可以包括如下步骤：
S301，从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；
本具体实施例中，S301与上述实施例的S101相同，在此不做赘述。
S302，基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据；
发明人发现，心拍易受心率的变化而发生结构性特征波移位，其中，结构性特征波为T波和P波。因此，为了准确地进行身份识别，在确定至少一组目标心电数据后，可以对至少一组目标心电数据进行波形调整，即对T波和P波的位置进行调整。并且，由于移位是受到了心率的影响，因此，可以基于与参考心率对应的一组参考心电数据来进行波形调整，以将至少一组目标心电数据中的T波和P波的位置调整为参考心率下的位置，进而后续与预设的目标身份的参考心电数据进行有效匹配。
为了保证识别的有效性，与参考心率对应的一组参考心电数据为相邻R峰之间的数据。并且，该参考心率可以为人类的正常心率范围[60,100]内的值，例如：该参考心率可以为85、80、75、70等等。
可以理解的是，为了保证调整有效性，可以预设一个归一化长度，如：归一化长度为196(采样点数量为196个)；进而在基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据之前，可以先对每一组目标心电数据进行归一化处理，以及将与参考心率对应的一组参考心电数据进行相同的归一化处理，以保证每一组目标心电数据所对应的归一化长度和与参考心率对应的一组参考心电数据对应的归一化长度均为该预设的归一化长度。其中，与参考心率对应的一组参考心电数据可以仅仅执行一次归一化处理，后续每次身份识别均直接利用与参考心率对应的一组参考心电数据对应的归一化处理的结果。
当然，如果从心电图信号中所确定出的每一组目标心电数据的实际长度为该预设的归一化长度，则无需对每一组目标心电数据进行归一化处理；类似的，与参考心率对应的一组参考心电数据的实际长度为该预设的归一化长度，则无需对与参考心率对应的一组参考心电数据进行归一化处理。
需要说明的是，对每一组目标心电数据进行归一化处理和与参考心率对应的一组参考心电数据进行归一化处理的具体实现方式可以采用现有技术中的任一种方式，本申请对此不做限定。
其中，基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据的具体实现方式可以包括上述实施例中S202-S204，当然，并不局限于此。
S303，利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份。
其中，关于预设的目标身份的一组参考心电数据的确定方式、预设的目标身份的数量可以参见上述实施例中S103的相关描述内容，在此不做赘述。
可以理解的是，通过基于卷积神经网络的深度学习可以自动生成所需的特征，从不同角度描述原有数据，特征数据不仅多，而且能够自动学习到良好的特征。而考虑到基于卷积神经网络的深度学习的上述优势，本实施例中，采用卷积神经网络来识别该心电图信号的身份。
其中，该第一卷积神经网络的输出结果和该第二卷积神经网络的输出结果具有相同维度，该第一卷积神经网络的输入内容与调整后的至少一组目标心电数据相关，该第二卷积神经网络的输入内容为该目标身份的一组参考心电数据，该第三卷积神经网络的输入内容为该第一卷积神经网络和该第二卷积神经网络的输出内容，关于三个卷积神经网络的数据处理关系图可以参见图8。举例而言，本申请提出的每个卷积神经网络可以共包含6层，第5层和第6层为全连接层(fc:full connecting)，其它层为正常卷积层，其中，对于其他层而言，有的层可以后挂ReLU激活和/或Pooling池化。
需要说明的是，在基于心电数据进行身份识别时，预先训练第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，其中，第一卷积神经网络和第二卷积神经网络的网络结构相同，且训练完成的第一卷积神经网络数据和第二卷积神经网络的输出内容具有相同维度的特征数据，如：调整后的目标心电数据的长度为196时，则维度为196。而第三卷积神经网络的输出为二维数据data[0]data[1]，在比对成功的情况下，data[0]>0且data[1]<0，反之，data[0]<0且data[1]>0，因此，可以直接计算两者的差result＝data[0]-data[1]来判断比对是否成功，即result>0为比对成功，否则比对失败。另外，可以理解的是，该第一卷积神经网络和第二卷积神经网络可以合并一个卷积神经网络，该合并后的卷积神经网络的输入数据的维度则为第一卷积神经网络和第二卷积神经网络对应的输入内容的维度之和，并且，该合并后的卷积神经网络中关于预设的目标身份对应的参考心电数据的处理通道和关于各组目标心电数据的处理通道可以为相互独立的通道，进而得到两个输出内容，该两个输出内容可以作为第三卷积神经网络的输入内容。
需要说明的是，利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份的具体实现方式存在多种，下面举例介绍三种：
可选地，在一种具体实现方式中，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份的步骤，可以包括：
步骤b1，对调整后的至少一组目标心电数据进行求平均，得到一组平均心电数据；
步骤b2，将所得到的一组平均心电数据输入到已训练的第一卷积神经网络中，得到调整后的至少一组目标心电数据所对应的第一组特征数据；
步骤b3，将预设的目标身份的一组参考心电数据输入到已训练的第二卷积神经网络中，得到该目标身份的一组参考心电数据所对应的第二组特征数据；
步骤b4，将该第一组特征数据和该第二组特征数据输入到已训练的第三卷积神经网络中，得到两个特征数据；
基于该两个特征数据的大小关系，识别该心电图信号的身份。
可以理解的是，在求平均时，可以直接对调整后的至少一组目标心电数据进行求平均；或者，也可以用lof(Local Outlier Factor，异常局部因子)算法排除个别极端值Outlier，对剩余的目标心电数据求平均，如图7所示，其中，图7(a)为lof算法去除个别极端值之前的波形图，图7(b)为利用lof算法去除个别极端值之后的波形图。
基于该两个特征数据的大小关系，识别该心电图信号的身份具体指：当判断出data[0]>0且data[1]<0，则识别到该心电图信号的身份为该目标身份；而当判断出data[0]<0且data[1]>0，表明识别到该心电图信号的身份不为该目标身份；或者，直接计算两者的差result＝data[0]-data[1]来判断比对是否成功，即result>0为该心电图信号的身份为该目标身份，否则，该心电图信号的身份不为该目标身份。
可选地，在另一种具体实现方式中，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份的步骤，可以包括：
步骤c1，将调整后的每一组目标心电数据顺次输入到已训练的第一卷积神经网络中，得到调整后的每一组目标心电数据所对应的第三组特征数据；
步骤c2，将预设的目标身份的一组参考心电数据中输入到已训练的第二卷积神经网络中，得到该目标身份的一组参考心电数据所对应的第四组特征数据；
步骤c3，针对调整后的每一组目标心电数据所对应的第三组特征数据，将调整后的该组目标心电数据所对应的第三组特征数据和该第四组特征数据输入到已训练的第三卷积神经网络中，得到调整后的该组目标心电数据所对应的两个特征数据；
步骤c4，基于调整后的每一组目标心电数据所对应的两个特征数据的大小关系，识别该心电图信号的身份。
在该种具体实现方式中，data[0]data[1]的数量为至少一组目标心电数据的数量，基于调整后的每一组目标心电数据所对应的两个特征数据的大小关系，识别该心电图信号的身份，具体指：将调整后的每一组目标心电数据所对应的两个特征数据作差，得到至少一个结果数据r1,r2…rN，将至少一个结果数据进行累加，得到r＝r＝r1+r2+......+rN，如果r>0，则该心电图信号的身份为该目标身份，反之r<0，则该心电图信号的身份不为该目标身份。
可选地，在另一种具体实现方式中，当调整后的至少一组目标心电数据超过两组时，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份的步骤，可以包括：
步骤d1，将调整后的至少一组目标心电数据划分到目标数量的集合中，每一集合中包括至少一组目标心电数据，且该目标数量小于调整后的至少一组目标心电数据的数量；
步骤d2，针对每一集合，对该集合中的目标心电数据进行求平均，得到该集合对应的一组平均心电数据；
步骤d3，将每一集合对应的一组平均心电数据顺次输入到已训练的第一卷积神经网络中，得到每一集合所对应的第五组特征数据；
步骤d4，将预设的目标身份的一组参考心电数据中输入到已训练的第二卷积神经网络中，得到该目标身份的一组参考心电数据所对应的第六组特征数据；
步骤d5，针对每一集合所对应的第五组特征数据，将该集合对应的第五组特征数据和该第六组特征数据输入到已训练的第三卷积神经网络中，得到该集合对应的两个特征数据；
步骤d6，基于每一集合对应的两个特征数据的大小关系，识别该心电图信号的身份。
其中，将调整后的至少一组目标心电数据划分到目标数量的集合中的具体的划分方式，本申请并不做限定。并且，针对每一集合，对该集合中的目标心电数据进行求平均，可以直接对该集合中的各个目标心电数据求平均，也可以用lof(Local Outlier Factor，异常局部因子)算法排除个别极端值，对剩余的目标心电数据求平均，这都是合理的。
需要强调的是，上述的利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别该心电图信号的身份的步骤的具体实现方式，仅仅作为本申请实施例的示例性说明，并不应该构成对本申请实施例的限定。并且，第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的训练可以通过现有技术实现，在此不做限定。
本实施例中，用于身份识别的各组目标心电数据均为相邻两个R峰之间的数据，保证了各组目标心电数据不存在边界误差；并且，基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，减少了由于心率不同而带来的结构性特征波的位移偏差；并且，利用卷积神经网络进行匹配识别，自动提取优良的特征，进一步提高了识别精准度。因此，通过本方案，可以提高基于心电数据的身份识别的精确度。
下面通过实验数据来证明本申请所提供的一种基于心电数据进行身份识别的方法的精准度。
为了验证本申请所提供方法的性能，在验证实验中获取得到7000多人的ecg数据，每人3-5条30秒数据，采样率为250HZ，数据采集设备是华米公司的米动手环。
将上述的7000人中的6000人的数据用于训练，剩余1000多人的数据用于测试。分2个Batch批分别进行测试，测试信息如表1所示：
测试人 测试条 剔除条 实际测试条
Batch1 539 2118 147 1971
Batch2 529 2045 151 1894
表1
其中，剔除的数据是因为含噪声太严重而被剔除的，是由噪声检测算法自动判决的。
根据惯例，统计每个人的TPR(true positive rate，识别率)和FPR(falsepositive rate，认假率)后再对所有人的TPR和FPR进行平均得到总体的TPR和FPR。
Figure BDA0001496229280000221
Figure BDA0001496229280000231
在测量时，对于每个人，总体正样例比对次数与总体负样例比对次数相等。例如某人有3条数据，两两比对共有6次比对，则总体正样例比对次数为6，因每条正样例有两次与另外正样例比对的机会，我们从所有负样例中任意选取两条负样例分别与该正样例比对，所以总体负样例比对次数也为6。
Batch1/Batch2数据的测试结果如下表2：
Batch1 Batch2
#person 539 529
#cases 11128 10388
TPR 0.901361 0.916572
FPR 0.04867 0.054285
表2
通过上述实验数据可知，本申请所提供的一种基于心电数据进行身份识别的方法具有较高的精准度。
相应于上述方法实施例，本申请还提供了一种基于心电数据进行身份识别的装置。如图9所示，该基于心电数据进行身份识别的装置，可以包括：
目标心电数据获得单元910，用于从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；
目标心电数据调整单元920，用于基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据；
身份识别单元930，用于基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份。
本申请所提供方案中，用于身份识别的各组目标心电数据均为相邻两个R峰之间的数据，保证了各组目标心电数据不存在边界误差；并且，基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，进而根据调整后的至少一组目标心电数据和预设的目标身份的一组参考心电数据进行身份识别，减少了由于心率不同而带来的结构性特征波的位移偏差。因此，通过本方案，可以提高基于心电数据的身份识别的精确度。
可选地，如图10所示，所述目标心电数据调整单元920可以包括：
实时心率确定子单元921，用于基于每一组目标心电数据的实际长度和采样率，确定每一组目标心电数据的实时心率；
第二位置确定子单元922，用于基于预设对应关系和每一组目标心电数据的实时心率，确定每一组目标心电数据中T波的第二位置，其中，所述预设对应关系为T波位置与心率的对应关系；
调整子单元923，用于基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整，其中，所述第一位置为参考T波在与参考心率对应的一组参考心电数据中的位置，所述参考T波为与参考心率对应的一组参考心电数据中的T波。
可选地，所述调整子单元可以包括：
第一确定模块，用于基于第一位置和每一组目标心电数据中T波的第二位置的差值，确定每一组目标心电数据中T波需要平移的第一位移量以及每一组目标心电数据中T波需要调整的第一方向；
T波调整模块，用于基于所述第一位移量和所述第一方向，调整每一组目标心电数据中T波的位置；
第二确定模块，用于基于所述第一位移量确定每一组目标心电数据中P波需要平移的第二位移量，以及基于所述第一方向确定每一组目标心电数据中P波需要调整的第二方向；
P波调整模块，用于基于所述第二位移量和所述第二方向，调整每一组目标心电数据中P波的位置。
可选地，所述身份识别单元930可以包括：
身份识别子单元，用于利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份；
其中，所述第一卷积神经网络的输出结果和所述第二卷积神经网络的输出结果具有相同维度，所述第一卷积神经网络的输入内容与调整后的至少一组目标心电数据相关，所述第二卷积神经网络的输入内容为所述目标身份的一组参考心电数据，所述第三卷积神经网络的输入内容为所述第一卷积神经网络和所述第二卷积神经网络的输出内容。
可选地，在一种具体实现方式中，所述身份识别子单元可以包括：
平均心电数据获得模块，用于对调整后的至少一组目标心电数据进行求平均，得到一组平均心电数据；
第一组特征数据获得模块，用于将所得到的一组平均心电数据输入到已训练的第一卷积神经网络中，得到调整后的至少一组目标心电数据所对应的第一组特征数据；
第二组特征数据获得模块，用于将预设的目标身份的一组参考心电数据输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第二组特征数据；
融合数据获得模块，用于将所述第一组特征数据和所述第二组特征数据输入到已训练的第三卷积神经网络中，得到两个特征数据；
身份识别模块，用于基于所述两个特征数据的大小关系，识别所述心电图信号的身份。
可选地，在一种具体实现方式中，所述身份识别子单元可以包括：
第三组特征数据获得模块，用于将调整后的每一组目标心电数据顺次输入到已训练的第一卷积神经网络中，得到调整后的每一组目标心电数据所对应的第三组特征数据；
第四组特征数据获得模块，用于将预设的目标身份的一组参考心电数据中输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第四组特征数据；
融合数据获得模块，用于针对调整后的每一组目标心电数据所对应的第三组特征数据，将调整后的该组目标心电数据所对应的第三组特征数据和所述第四组特征数据输入到已训练的第三卷积神经网络中，得到调整后的该组目标心电数据所对应的两个特征数据；
身份识别模块，用于基于调整后的每一组目标心电数据所对应的两个特征数据的大小关系，识别所述心电图信号的身份。
可选地，在一种具体实现方式中，所述身份识别子单元可以包括：
集合划分模块，用于当调整后的至少一组目标心电数据超过两组时，将调整后的至少一组目标心电数据划分到目标数量的集合中，每一集合中包括至少一组目标心电数据，且所述目标数量小于调整后的至少一组目标心电数据的数量；
平均心电数据获得模块，用于针对每一集合，对该集合中的目标心电数据进行求平均，得到该集合对应的一组平均心电数据；
第五组特征数据获得模块，用于将每一集合对应的一组平均心电数据顺次输入到已训练的第一卷积神经网络中，得到每一集合所对应的第五组特征数据；
第六组特征数据获得模块，用于将预设的目标身份的一组参考心电数据中输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第六组特征数据；
融合数据获得模块，用于针对每一集合所对应的第五组特征数据，将该集合对应的第五组特征数据和所述第六组特征数据输入到已训练的第三卷积神经网络中，得到该集合对应的两个特征数据；
身份识别模块，用于基于每一集合对应的两个特征数据的大小关系，识别所述心电图信号的身份。
本申请基于心电数据进行身份识别的装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图11所示，为本申请基于心电数据进行身份识别的装置所在电子设备的一种硬件结构图，除了图11所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。
另外，相应于上述方法实施例，本申请还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本申请上述的基于心电数据进行身份识别的方法。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种基于心电数据进行身份识别的方法，其特征在于，所述方法包括：
从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；
基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据；
利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份；其中，所述第一卷积神经网络的输出结果和所述第二卷积神经网络的输出结果具有相同维度，所述第一卷积神经网络的输入内容与调整后的至少一组目标心电数据相关，所述第二卷积神经网络的输入内容为所述目标身份的一组参考心电数据，所述第三卷积神经网络的输入内容为所述第一卷积神经网络和所述第二卷积神经网络的输出内容。
2.根据权利要求1所述的方法，其特征在于，所述基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据的步骤，包括：
基于每一组目标心电数据的实际长度和采样率，确定每一组目标心电数据的实时心率；
基于预设对应关系和每一组目标心电数据的实时心率，确定每一组目标心电数据中T波的第二位置，其中，所述预设对应关系为T波位置与心率的对应关系；
基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整，其中，所述第一位置为参考T波在与参考心率对应的一组参考心电数据中的位置，所述参考T波为与参考心率对应的一组参考心电数据中的T波。
3.根据权利要求2所述的方法，其特征在于，所述基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整的步骤，包括：
基于第一位置和每一组目标心电数据中T波的第二位置的差值，确定每一组目标心电数据中T波需要平移的第一位移量以及每一组目标心电数据中T波需要调整的第一方向；
基于所述第一位移量和所述第一方向，调整每一组目标心电数据中T波的位置；
基于所述第一位移量确定每一组目标心电数据中P波需要平移的第二位移量，以及基于所述第一方向确定每一组目标心电数据中P波需要调整的第二方向；
基于所述第二位移量和所述第二方向，调整每一组目标心电数据中P波的位置。
4.根据权利要求1所述的方法，其特征在于，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份的步骤，包括：
对调整后的至少一组目标心电数据进行求平均，得到一组平均心电数据；
将所得到的一组平均心电数据输入到已训练的第一卷积神经网络中，得到调整后的至少一组目标心电数据所对应的第一组特征数据；
将预设的目标身份的一组参考心电数据输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第二组特征数据；
将所述第一组特征数据和所述第二组特征数据输入到已训练的第三卷积神经网络中，得到两个特征数据；
基于所述两个特征数据的大小关系，识别所述心电图信号的身份。
5.根据权利要求1所述的方法，其特征在于，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份的步骤，包括：
将调整后的每一组目标心电数据顺次输入到已训练的第一卷积神经网络中，得到调整后的每一组目标心电数据所对应的第三组特征数据；
将预设的目标身份的一组参考心电数据中输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第四组特征数据；
针对调整后的每一组目标心电数据所对应的第三组特征数据，将调整后的该组目标心电数据所对应的第三组特征数据和所述第四组特征数据输入到已训练的第三卷积神经网络中，得到调整后的该组目标心电数据所对应的两个特征数据；
基于调整后的每一组目标心电数据所对应的两个特征数据的大小关系，识别所述心电图信号的身份。
6.根据权利要求1所述的方法，其特征在于，当调整后的至少一组目标心电数据超过两组时，所述利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份的步骤，包括：
将调整后的至少一组目标心电数据划分到目标数量的集合中，每一集合中包括至少一组目标心电数据，且所述目标数量小于调整后的至少一组目标心电数据的数量；
针对每一集合，对该集合中的目标心电数据进行求平均，得到该集合对应的一组平均心电数据；
将每一集合对应的一组平均心电数据顺次输入到已训练的第一卷积神经网络中，得到每一集合所对应的第五组特征数据；
将预设的目标身份的一组参考心电数据中输入到已训练的第二卷积神经网络中，得到所述目标身份的一组参考心电数据所对应的第六组特征数据；
针对每一集合所对应的第五组特征数据，将该集合对应的第五组特征数据和所述第六组特征数据输入到已训练的第三卷积神经网络中，得到该集合对应的两个特征数据；
基于每一集合对应的两个特征数据的大小关系，识别所述心电图信号的身份。
7.一种基于心电数据进行身份识别的装置，其特征在于，所述装置包括：
目标心电数据获得单元，用于从心电图信号中确定至少一组目标心电数据，其中，每一组目标心电数据均为相邻两个R峰之间的数据；
目标心电数据调整单元，用于基于与参考心率对应的一组参考心电数据，调整每一组目标心电数据，得到调整后的至少一组目标心电数据；
身份识别单元，用于利用已训练的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，基于调整后的至少一组目标心电数据与预设的目标身份的一组参考心电数据，识别所述心电图信号的身份；其中，所述第一卷积神经网络的输出结果和所述第二卷积神经网络的输出结果具有相同维度，所述第一卷积神经网络的输入内容与调整后的至少一组目标心电数据相关，所述第二卷积神经网络的输入内容为所述目标身份的一组参考心电数据，所述第三卷积神经网络的输入内容为所述第一卷积神经网络和所述第二卷积神经网络的输出内容。
8.根据权利要求7所述的装置，其特征在于，所述目标心电数据调整单元包括：
实时心率确定子单元，用于基于每一组目标心电数据的实际长度和采样率，确定每一组目标心电数据的实时心率；
第二位置确定子单元，用于基于预设对应关系和每一组目标心电数据的实时心率，确定每一组目标心电数据中T波的第二位置，其中，所述预设对应关系为T波位置与心率的对应关系；
调整子单元，用于基于第一位置和每一组目标心电数据中T波的第二位置，对每一组目标心电数据进行调整，其中，所述第一位置为参考T波在与参考心率对应的一组参考心电数据中的位置，所述参考T波为与参考心率对应的一组参考心电数据中的T波。
9.一种电子设备，其特征在于，包括：
处理器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器，用于执行上述权利要求1-6任一项所述的基于心电数据进行身份识别的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6任一项所述的基于心电数据进行身份识别的方法。
CN201711274428.5A 2017-12-06 2017-12-06 基于心电数据进行身份识别的方法、装置及电子设备 Active CN108154085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711274428.5A CN108154085B (zh) 2017-12-06 2017-12-06 基于心电数据进行身份识别的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711274428.5A CN108154085B (zh) 2017-12-06 2017-12-06 基于心电数据进行身份识别的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN108154085A CN108154085A (zh) 2018-06-12
CN108154085B true CN108154085B (zh) 2022-02-18

Family

ID=62466054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711274428.5A Active CN108154085B (zh) 2017-12-06 2017-12-06 基于心电数据进行身份识别的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN108154085B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299697A (zh) * 2018-09-30 2019-02-01 泰山学院 基于水声通信调制方式识别的深度神经网络系统及方法
CN109480824B (zh) * 2018-12-11 2021-10-08 武汉中旗生物医疗电子有限公司 心电波形数据的处理方法、装置和服务器
CN110046588B (zh) * 2019-04-22 2019-11-01 吉林大学 一种具有盗取攻击应对机制的异质虹膜认证方法
CN112168176B (zh) * 2019-06-12 2024-03-19 京东方科技集团股份有限公司 一种基于心电信号的身份识别方法、装置和设备
CN111759301A (zh) * 2020-07-06 2020-10-13 深圳市博声医疗器械有限公司 具有心电监控功能的马桶圈及心电监控方法
CN116028914B (zh) * 2023-03-27 2023-06-16 深圳市魔样科技有限公司 一种智能戒指身份认证方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103690156A (zh) * 2013-11-22 2014-04-02 东软熙康健康科技有限公司 一种心率获取方法及心电信号的处理方法
CN103886204A (zh) * 2014-03-24 2014-06-25 宇龙计算机通信科技(深圳)有限公司 数据存储装置和数据存储方法
CN103971690A (zh) * 2013-01-28 2014-08-06 腾讯科技（深圳）有限公司 一种声纹识别方法和装置
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
CN106203333A (zh) * 2016-07-08 2016-12-07 乐视控股（北京）有限公司 人脸识别方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7099715B2 (en) * 2004-02-17 2006-08-29 Cardionet, Inc. Distributed cardiac activity monitoring with selective filtering
US20070021947A1 (en) * 2005-07-22 2007-01-25 Honeywell International Inc. Model tuning system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971690A (zh) * 2013-01-28 2014-08-06 腾讯科技（深圳）有限公司 一种声纹识别方法和装置
CN103690156A (zh) * 2013-11-22 2014-04-02 东软熙康健康科技有限公司 一种心率获取方法及心电信号的处理方法
CN103886204A (zh) * 2014-03-24 2014-06-25 宇龙计算机通信科技(深圳)有限公司 数据存储装置和数据存储方法
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
CN106203333A (zh) * 2016-07-08 2016-12-07 乐视控股（北京）有限公司 人脸识别方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Human ECG Identification System Based on Ensemble Empirical Mode Decomposition;Zhidong Zhao 等;《sensors 2013》;20130522;6832-6864 *
Pedestrian Detection Inspired by Appearance Constancy and Shape Symmetry;Jiale Cao 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20161215;第25卷(第12期);5538-5551 *
T Wave Shape Changes with Heart Rate: a Computer Model Analysis;D di Bernardo, A Murray;《Computers in Cardiology 2000》;20020806;第27卷;151-154 *
基于奇异值和相异度的心电身份识别方法;陈甸甸 等;《计算机仿真》;20160229;第33卷(第02期);427-432 *
基于移动窗口的QRS波快速识别;李阳 等;《生物医学工程学杂志》;20131031;第30卷(第5期);988-992 *

Also Published As

Publication number Publication date
CN108154085A (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
CN108154085B (zh) 基于心电数据进行身份识别的方法、装置及电子设备
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
CN107516075B (zh) 心电信号的检测方法、装置及电子设备
KR20170082440A (ko) 심전도 인증 방법 및 장치
CN103714281A (zh) 一种基于心电信号的身份识别方法
CN109117730A (zh) 心电图心房颤动实时判断方法、装置、系统及存储介质
CN111345816B (zh) 多导联qrs波群检测方法、装置、设备及存储介质
CN109276242A (zh) 心电信号类型识别的方法和装置
CN111597991A (zh) 一种基于信道状态信息和BiLSTM-Attention的康复检测方法
CN110786849B (zh) 基于多视图鉴别分析的心电信号身份识别方法及系统
CN112257518A (zh) 基于wt与woa-pnn算法的ecg身份识别方法
CN112107310A (zh) 基于iwt与aga-bp模型的ecg身份识别方法
Pangerc et al. Robust detection of heart beats in multimodal records using slope-and peak-sensitive band-pass filters
CN115081486A (zh) 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法
CN112353397A (zh) 一种心电图信号身份识别方法
CN113133769A (zh) 基于运动想象脑电信号的设备控制方法、装置及终端
CN114638272A (zh) 一种基于指尖脉搏波信号的身份识别方法和装置
CN113128585B (zh) 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法
CN109063652B (zh) 一种信号处理方法、系统及计算机存储介质
CN115251856B (zh) 脉力强弱判断方法、装置、电子设备及存储介质
CN116712082A (zh) 一种心电图数据增强方法、系统、介质、设备及终端
CN114176602A (zh) 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法
CN113143294A (zh) 一种基于卷积神经网络的脑电信号识别方法
CN116407132B (zh) 一种r波定位方法及基于r波的q、s、t波定位方法
CN112401903B (zh) 心电数据的识别方法、装置、存储介质和电子设备

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