CN108460318B - 基于心电信号的身份认证/识别方法及设备 - Google Patents

Abstract

本发明提供了一种基于心电信号的身份认证/识别方法及设备，该认证设备包括心电信号采集、预处理、心电质量评估、特征提取、最优特征模板评估、认证阈值训练和心电身份认证模块；该识别设备包括心电信号采集模块、预处理模块、特征提取模块、分类器训练模块和分类器识别模块。本发明使用心电信号进行生物特征认证/识别，保证了用户身份认证/识别的真实性，避免了现在的指纹等识别方式存在的冒充问题，并降低了虹膜识别等所需专业设备的成本，实现了活体生物认证/识别，安全性、效费比和便捷性都大幅提升。

Description

基于心电信号的身份认证/识别方法及设备

技术领域

本发明涉及身份认证/识别领域，特别是涉及一种基于心电信号的身份认证/识别方法及设备。

背景技术

本项研究工作得到了中国国家自然科学基金资助(项目批准号：61571268)。

当今社会对于生物特征识别与认证的需求日益增长，各种使用生物特征进行身份识别/认证的方法层出不穷。

最常的身份识别/认证有以下几种方式：

1.指纹、掌纹

指纹和掌纹识别源远流长。指纹由于其具有终身不变性、唯一性和方便性，在相当长一段时间值几乎成为生物特征认证/识别的代名词。指纹是指人的手指末端正面皮肤上凸凹不平产生的纹线。纹线有规律的排列形成不同的纹型。纹线的起点、终点、结合点和分叉点，称为指纹的细节特征点(minutiae)。

2.虹膜

眼睛的结构由巩膜、虹膜、瞳孔晶状体、视网膜等部分组成。虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分，其包含有很多相互交错的斑点、细丝、冠状、条纹、隐窝等的细节特征。而且虹膜在胎儿发育阶段形成后，在整个生命历程中将是保持不变的。这些特征决定了虹膜特征的唯一性，同时也决定了身份认证/识别的唯一性。因此，可以将眼睛的虹膜特征作为每个人的身份认证/识别对象。

3.人脸

人脸认证/识别，特指利用分析比较的计算机技术。人脸认证/识别是一项热门的计算机技术研究领域，人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度；它属于生物特征识别，是对生物体(一般特指人)本身的生物特征来区分生物体个体。

除了以上识别/认证方式，还有声纹、步态、笔迹等方式。

现有的识别/认证方式大多存在不足，除了虹膜以外，其他都不是活体采集，都可以用一定的方式冒充。而虹膜识别需要专业设备，对技术要求比较高。所以，我们需要一种可以进行活体采集有对于设备要求较低的识别/认证方式。

发明内容

本发明的主要目的在于克服现有技术的不足，提供基于心电信号的身份认证/识别方法及设备，进行活体认证/识别，并降低对设备的要求，提高认证/识别的安全性和便捷性。

为实现上述目的，本发明采用以下技术方案：

本发明提供一种基于心电信号的身份认证方法，包括心电注册和心电认证，所述心电注册包括如下步骤：

S11.心电信号采集模块采集用户的心电信号；

S12.预处理模块对采集的心电信号进行预处理；

S13.心电质量评估模块评估预处理后的信号是否满足基于心电信号的身份认证算法，满足则进入下一步骤，不满足则重新采集心电信号；

S14.特征提取模块对预处理后的心电信号进行特征提取，生成特征模板；

S15.最优特征模板评估模块从生成的特征模板中选择和评估出心电最优特征模板；

S16.认证阈值训练模块从心电最优特征模板中获取最佳阈值，完成用户的心电注册；若注册失败则返回步骤S11进行重新注册；

所述心电认证包括如下步骤：

S21.心电信号采集模块采集用户的心电信号；

S22.预处理模块对采集的心电信号进行预处理；

S23.心电质量评估模块评估预处理后的信号是否满足基于心电信号的身份认证算法，满足则进入下一步骤，不满足则重新采集心电信号；

S24.特征提取模块对预处理后的心电信号进行特征提取，生成特征模板；

S25.心电身份认证模块将生成的特征模板与所述步骤S15中的心电最优特征模板进行特征比对，并根据所述步骤S16中的最佳阈值完成认证。

本发明还提供一种基于心电信号的身份认证设备，包括心电信号采集模块、预处理模块、心电质量评估模块、特征提取模块、最优特征模板评估模块、认证阈值训练模块和心电身份认证模块；所述心电信号采集模块用于采集心电信号；所述预处理模块用于对采集的心电信号进行预处理；所述心电质量评估模块用于评估预处理后的信号是否满足心电身份认证算法的要求；所述特征提取模块用于对预处理后的心电信号进行特征提取，生成特征模板；所述最优特征模板评估模块用于从生成的特征模板中选择和评估出心电最优特征模板；所述认证阈值训练模块用于从心电最优特征模板中获取最佳阈值，完成用户的心电注册；所述心电身份认证模块用于将生成的特征模板与所述心电最优特征模板进行特征比对，并根据所述最佳阈值完成认证。

本发明还提供一种基于心电信号的身份识别方法，包括以下步骤：

A1.心电信号采集模块采集用户的心电信号；

A2.预处理模块对采集的心电信号进行预处理；

A3.心电质量评估模块评估预处理后的信号是否满足基于心电信号的身份认证算法，满足则进入下一步骤，不满足则重新采集心电信号；

A4.特征提取模块对预处理后的心电信号进行特征提取；

A5.分类器进行训练；

A6.训练后的分类器对提取到的特征进行分类，输出身份识别结果。

本发明还提供一种基于心电信号的身份识别设备，包括心电信号采集模块、预处理模块、心电质量评估模块、特征提取模块、分类器训练模块、分类器识别模块；所述心电信号采集模块用于采集心电信号；所述预处理模块用于对采集的心电信号进行预处理；所述心电质量评估模块用于评估预处理后的信号是否满足心电身份识别算法的要求；所述特征提取模块用于对预处理后的心电信号进行特征提取；所述分类器训练模块用于对分类器进行训练；所述分类器识别模块用于对提取到的特征进行分类，完成身份识别。

本发明的有益效果：本发明利用心电信号采集模块、预处理模块、心电质量评估模块、特征提取模块进行心电信号的特征提取，再通过最优特征模板评估模块和认证阈值训练模块评估出心电最优特征模板及获取最佳阈值，完成进行心电注册；后再利用心电信号采集模块、预处理模块和特征提取模块进行心电信号的特征提取，然后通过心电身份认证模块将生成的特征模板与心电最优特征模板进行特征比对，并根据最佳阈值完成心电认证。另利用心电信号采集模块、预处理模块、心电质量评估模块、特征提取模块进行心电信号的特征提取，再通过训练好的分类器对提取到的特征进行分类，完成身份识别。该识别/认证方法使用心电信号进行生物特征识别/认证，保证了用户身份认证/识别的真实性，避免了现在的指纹等认证/识别方式存在的冒充的问题，并且降低了虹膜识别等所需专业设备的成本，实现了活体生物识别/认证，无论在安全性还是效费比都比以往的识别/认证方式有很大提升。

在进一步的优选方案中还能获得更多的优点：

通过对心电信号进行特征提取，尤其是检测心电信号中的R波位置，截取QT波，采用自相关变换算法获取心电自相关序列，然后将获取的心电自相关序列通过正交多项式拟合回归进行降维；或检测心电信号中的各个基准点以提取出准周期性的心搏信号作为原始心电特征，对心搏进行分段波形矫正后，再利用特征提取和特征重组作为最终心电特征以提取特征。通过这些特征提取方法，使之具有非常高的唯一性和可识别性，实现用心电信号进行身份认证/识别，保证了身份认证/识别的可靠性和安全性。

采用用于稀疏表示的区分字典学习算法生成稀疏特征，生成的稀疏特征基于最佳阈值进行模糊匹配，稀疏特征在判别式的基础上完成初步认证/识别，之后再基于最高熵投票进行第二次判别即可完成认证/识别，认证/识别效果高效准确。同时，稀疏特征的数值只有0和1，相对于传统数据存储方式，被压缩后的数据数据量更小，能实现远程动态应用中的实时心电身份认证/识别。

通过全自动特征提取层，可以实现对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认证/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认证/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认证/识别，提高了认证/识别速度。

附图说明

图1为本发明的基于心电信号的身份认证方法的框架图；

图2为本发明实施例二的心电注册流程图；

图3为本发明实施例二的心电认证流程图；

图4为本发明实施例三的心电认证流程图；

图5为本发明实施例三中的心电信号基准点提取示意图，其中示出了两个准周期性的心搏；

图6为本发明实施例三的另一种变形实施例的心电信号处理和身份认证结构框图；

图7为本发明实施例四进行实时身份认证方法的总流程示意图；

图8为本发明实施例四的预处理和片段提取的示意图；

图9为本发明实施例四的全自动特征提取层训练的示意图

图10为本发明实施例四的非线性分类器训练的示意图

图11为本发明实施例四的并行特征提取的示意图；

图12为本发明实施例四的并行非线性分类的示意图；

图13为本发明实施例四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。

基于心电信号的身份认证方法，通过设备中的心电信号采集模块、预处理模块、心电质量评估模块、特征提取模块、最优特征模板评估模块、认证阈值训练模块和心电身份认证模块，进行心电注册和心电认证。

基于心电信号的身份识别方法，通过设备中的心电信号采集模块、预处理模块、心电质量评估模块、特征提取模块和非线性分类器进行心电身份识别。

如上所述的基于心电信号的身份认证/识别设备，包括手环、手表、指环、脚环、贴片等以可穿戴形式组成的设备；也包括以PC机、平板、POS机等非穿戴设备。

在如上所述的身份认证/识别方法中，在进行特征提取时，可以采用不同的方法进行，具体如下。

实施例一

在本实施例中，如图1所示，提供一种基于心电信号的身份认证方法，包括心电注册和心电认证。

心电注册包括如下步骤：S111.心电信号采集模块采集用户的心电信号；S112.预处理模块对采集的心电信号进行预处理；S113.心电质量评估模块对预处理后的信号进行初步评估是否满足身份认证算法；S114.特征提取模块对预处理后的心电信号进行特征提取，生成特征模板；S115.最优特征模板评估模块从生成的特征模板中选择和评估出心电最优特征模板；S116.认证阈值训练模块从心电最优特征模板中获取最佳阈值，完成用户的心电注册；若注册失败则返回步骤S11进行重新注册。

心电认证包括如下步骤：S121.心电信号采集模块采集用户的心电信号；S122.预处理模块对采集的心电信号进行预处理；S123心电质量评估模块对预处理后的信号进行心电质量评估是否满足身份认证算法；S124.特征提取模块对预处理后的心电信号进行特征提取，生成特征模板；S125.心电身份认证模块将生成的特征模板与所述步骤S115中的心电最优特征模板进行特征比对，并根据所述步骤S116中的最佳阈值完成认证。

预处理包括：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。具体地，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。

心电质量评估包括：预处理后的信号，与预存的标准心电信号进行相似性测量，当相似性大于0.7时，即认为可作为心电认证的信号。

其中，步骤S14和S24中的特征提取包括：在预处理后的心电信号中检测R波位置，截取QT波，采用自相关变换算法获取心电自相关序列，然后将获取的心电自相关序列通过正交多项式拟合回归进行降维，生成特征模板。

截取QT波段是以所述R波左侧90毫秒内的最小值点为Q波点，所述R波右侧300毫秒以内最大值点为T波峰值点，以所述T波峰值点右侧一阶差分首次由负到正的位置为所述T波形截止点，再通过波形矫正生成固定长度的所述QT波段。

自相关变换算法的公式为

其中，x[i]表示心电序列，N表示心电序列的长度，x[i+m]表示对心电序列平移m个序列后的心电序列，m＝0,1，2,...,M-1，M<<N，R_xx[m]表示心电信号自相关序列，R_xx[0]表示心电序列的能量。

需要说明的是，不同个体之间自相关序列R_XX[m]具有明显的差异性，可作为个体心电信号的固有特征。由于QRS波群是心电信号在不同种测试环境下变化最小最稳定的成份，所以m的取值接近QRS波的长度，心电序列x[i]经过自相关处理后的自相关序列R_xx[m]仍是高维信号，需要进行降维处理。

通过正交多项式拟合回归进行降维，生成特征模板是通过用多项式近似表示心电自相关序列，得出用特征模板表示所述心电自相关序列。

具体地，所述多项式为：a₀+a₁f₁(x_i)+a₂f₂(x_i)+...+a_kf_k(x_i)＝A^TF_i≈R_xx[i]，

其中A表示特征模板，所述多项式中A＝(a₀,a₁,a₂,...,a_k)^T,F_i＝(1,f₁(x_i),f₂(x_i),...,f_k(x_i))^T，i＝0,1,2,3,...,M-1；其中1,f₁(x_i),f₂(x_i),...,f_k(x_i)分别是x的0次，1次，2次,...，k次正交多项式，其中

即

f为心电信号的采样频率。

特征模板的计算公式为：

其中，λ,α∈(0,1)，λ和α为正则化系数，p≠i＝0,1,2,...,M-1，J_(A,F)为求解后的向量A和F，F＝(F₁,F₂,...,F_M-1)，得到的特征模板为A＝(a₀,a₁,a₂,...,a_k)^T，k<<M，采取n个模板生成n个特征模板A₁,A₂,...,A_n，10≤n≤20。

心电最优特征模板是采用留一法获得，其判别式为

其中D(A_i,A_j)表示特征向量A_i和特征向量A_j之间的距离度量；

表示当特征A_i与特征A_j的间距小于预设阈值THD时取1，否则取0；THD的取值为n个特征向量之间距离的平均值，i，j取值为1到n，i≠j。

当上式条件满足时，第i个特征模板被选为优质特征模板；不满足时，第i个模板即为异常值，被剔除。最终选出最优特征模板，A₁，A₂，…..，A_nl，其中nl≤n。

取注册时特征模板向量两两之间的最小距离为(thd_down)，最大距离为(thd_up)，那么阈值的取值范围为(thd_down，thd_up)，迭代次数为iternum，则变化的步长为

阈值的取值为

其中i＝1，2，...，iternum。

错误接受率(FAR)与错误拒绝率(FRR)都是阈值的函数，发生错误接受和错误拒绝的代价是不同的，假设发生错误接受的代价为cost₁，发生错误拒绝的代价为cost₂(cost₁>cost₂)，首先根据FAR和FRR做出ROC曲线，再根据ROC曲线做出代价曲线，选择使得总体代价最小所对应的阈值为最佳阈值best_thd。

根据如上所述的最佳阈值，根据最佳阈值完成认证，当

则认证通过，否则认证不通过。

实施例二

在本实施例中，提供一种基于心电信号的身份认证方法，包括心电注册和心电认证。

如图2所示，心电注册包括以下步骤：

步骤211，预存负样本。

需要说明的是，负样本prodata，由h个用户的QT波形组成，每个用户包含n个QT波形；主要用于预训练字典D和最佳阈值搜索，h取值范围理论值大于等于1，取值越大，预训练字典D性能越好和最佳阈值的搜索越准确，如h为100。针对每个用户，截取的n个QT波越多，训练性能越好，不过所消耗的时间也相应提升，故所述QT波的个数n取16。预训练字典D训练完成后生成预存负样本的稀疏特征protrdata。

心电信号的采集时长为20-30s。

步骤212，判断注册用户是否为新用户，如果不是新用户，即在预存的负样本中已经包含该用户，此时不需要更新字典，最新字典D’＝D。

如果是新用户，则需要通过在线学习算法更新字典D，进而获得最新字典D’。所述在线学习算法是借助Mairal等人在“Online learning for matrix factorization andsparse coding”提出的稀疏表示字典在线学习算法更新字典D，具体地，依据预训练字典D，求解对应的稀疏特征C，通过D与C计算重构误差ΔD＝2(X_new-D*C)，快速更新最新字典D’＝D。其中，X_new指新用户QT波形。

步骤213，将经过心电质量评估后的心电信号采用用于稀疏表示的区分字典学习算法生成稀疏特征；

其中，J_(D,C)是求解后的字典D和稀疏特征C，Verif(X_i,X_j,D,C_i,C_j)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间。

X_i与X_j分别表示第i个和第j个QT波，C_i和C_j分别表示与X_i和X_j相对应的稀疏特征。其中，i≠j。

其中，dm是设定的不同类之间的最小距离，label(X_i)表示X_i的类别编号。

s.t.||d_j||＝1,1≤j≤l

其中，X＝(X₁,X₂,...,X_n)表示n个QT波；D＝(d₁,d₂,...,d_l)表示字典的维数，l为大于1的任意数值；

表示稀疏特征。

步骤214，从生成的稀疏特征中评估出最优稀疏特征模板。

具体地，采用留一法，逐个通过阈值判别，从而剔除异常值。

其中，C1＝(C1₁,C1₂,...,C1_n)；f(C1_i,C1_j)是特征C1_i与特征C1_j的间距计算；

表示当特征C1_i与特征C1_j的间距小于预设阈值prothd时取1，否则取0。Prothd的取值常取n个稀疏特征的平均值mean(f(C1_i,C1_j))。i取值为1到n。j取值为1到n，且i≠j。

当上式条件满足时，第i个样本被选为优质稀疏特征；不满足时，第i个样本即为异常值，被提出。最终选出最优稀疏特征模板F＝(F₁,F₂,...,F_nl)，其中nl≤n。

步骤215，基于最优稀疏特征模板搜索出最佳阈值。

最佳阈值的搜索过程是采用欧式距离进行搜索，搜索过程包括：

任意从最优特征模板F中抽取子集S，剩余特征模块为FcS；

以S为训练集，FcS和protrdata为测试集搜索阈值thd1；

以FcS为训练集，S和protrdata为测试集搜索阈值thd2；

计算训练集中两两欧氏距离的最大最小值maxthd，minthd。设置搜索次数iternum，则遍历阈值

此处i取值从1到iternum，从而获得FRR＝{frr₁,frr₂,...,frr_iternum}和FAR＝{far₁,far₂,...,far_iternum}。由FRR和FAR可以得到|FAR-FRR|＝{|far₁-frr₁|，|far₂-frr₂|，...,|far_iternum-frr_iternum|}，取frr与far差值绝对值最小所对应的第i个阈值为搜索到的最合适阈值，即thd1和thd2。

基于thd1和thd2获取最佳阈值Best_thd：

其中，Num(x)表示x的个数。

如图3所示，心电认证包括以下步骤：

步骤221，用处理装置对采集来的心电信号进行预处理及心电质量评估，满足条件后，检测R波位置，截取m个QT波形，在本具体实施方式中，QT波的个数为16个。

需要说明的是，在本具体实施方式中，QT波形的截取通过采样点数划分法。具体地，获取采样频率fHz，QT波长t取0.32-0.44秒；QRS波长为0.1秒。QT采样个数num＝[f*t]，其中[]为取整函数。QRS采样个数num_QRS＝[f*0.1]。以每个R波为中心点，向前取[(num_QRS-1)/2]个点，向后取(num-1-[(num_QRS-1)/2])个点，包括R波中心点构成QT波。

采样频率f取决于所使用心电采集设备自身的频率，具体地，f＝125Hz，num＝[125*0.4]＝50，num_QRS＝[125*0.1]＝12。

步骤222，将步骤221中处理过的心电信号采用用于稀疏表示的区分字典学习算法，生成m个稀疏测试特征C2。

其中，用于稀疏表示的区分字典学习算法包括：

其中，J_(D,C)是求解后的字典D和稀疏特征C，Verif(X_i,X_j,D,C_i,C_j)是特征区分属性，λ为稀疏程度系数，α为正则化系数，λ和α取值范围都为0到1之间。

X_i与X_j分别表示第i个和第j个QT波，C_i和C_j分别表示与X_i和X_j相对应的稀疏特征。其中，i≠j。

其中，dm是设定的不同类之间的最小距离，label(X_i)表示X_i的类别编号。

s.t.||d_j||＝1,1≤j≤l

其中，X＝(X₁,X₂,...,X_n)表示n个QT波；D＝(d₁,d₂,...,d_l)表示字典的维数，l为大于1的任意数值；

表示稀疏特征。

步骤223，判读认证过程是否在本地进行，如果认证过程是在本地进行，直接调用稀疏测试特征C2＝{C2₁,C2₂,...,C2_m}。

如果认证过程不是在本地进行，则需要对稀疏特征C2进行压缩，被压缩的数据倍数不小于8倍。

步骤104，生成的稀疏特征基于最佳阈值进行初步认证，当

时，样本C2_j完成初步认证，之后基于最高熵投票完成认证。

在本具体实施方式中，步骤104中所述的最佳阈值的搜索过程是采用欧式距离进行搜索，具体地，搜索过程包括：

任意从最优特征模块F中抽取子集S，剩余特征模块为FcS；

以S为训练集，FcS和protrdata为测试集搜索阈值thd1；

以FcS为训练集，S和protrdata为测试集搜索阈值thd2；

计算训练集中两两欧氏距离的最大最小值maxthd，minthd。设置搜索次数iternum，则遍历阈值

此处i取值从1到iternum，从而获得FRR＝{frr₁,frr₂,...,frr_iternum}和FAR＝{far₁,far₂,...,far_iternum}。由FRR和FAR可以得到|FAR-FRR|＝{|far₁-frr₁|，|far₂-frr₂|，...,|far_iternum-frr_iternum|}，取frr与far差值绝对值最小所对应的第i个阈值为搜索到的最合适阈值，即thd1和thd2。

基于thd1和thd2获取最佳阈值Best_thd：

其中，Num(x)表示x的个数。

在本具体实施方式中，步骤214是以频率作为所述最高熵投票认证基准，当

满足时，即该个体认证通过。否则，认证失败。

其中，F_i表示第i个最优稀疏特征模块；C2_j表示第j个待认证样本；i取值为1到nl。j取值为1到m。f(F_i,C2_j)是特征F_i与特征C2_j的间距计算；

表示当特征F_i与特征C2_j的间距小于最佳阈值Best_thd时取1，否则取0。

在本具体实施方式中，步骤214也可以以信息熵作为所述最高熵投票认证基准。

实施例三

在本实施例中，提供一种基于心电信号的身份认证方法，包括心电注册和心电认证。心电注册和心电认证都包含：心电信号的采集、预处理、特征提取。其心电认证如图4所示。

步骤321，心电信号采集，心电信号的采集时长为20-30s。

步骤322，对原始的心电信号进行滤波处理，以消除常见的干扰。

步骤323，对预处理后的信号进行心电质量评估，初步快速评估是否满足心电认证算法基本要求；

步骤324，特征提取

如图5所示，首先检测心电信号中各个基准点以提取出准周期性的心搏作为原始心电特征。心电信号是一种准周期的信号，但并不是整个心搏周期中的成分都具有特异性，其中每个心搏周期中的P波、QRS波群和T波包含了大部分的心电特异性信息。本发明实施例从连续的心电信号中截出各个心搏周期中的波段作为原始的心电特征。为此，要定位出心搏的基准点。此外，在后续的波形矫正环节，还需要进一步对P波和T波进行处理。因此，需要定位出这些波形的关键位置，将这些点统称为基准点。本发明实施例针对每个心搏检测的基准点包括：P波起点(Ps)和P波终点(Pe)，R波峰(R)，J波起点(J)，T波峰(Tp)和T波终点(Te)，共计6类基准点。

其中，心电信号总体比较缓和，R波为最尖锐的部分。R波位于信号二阶差分的极小值位置，并且一阶差分为0。本发明实施例用原信号的二阶差分信号的极小值确定R波的粗略位置。定位出R波的粗略位置后，再根据R波幅值处于极大值位置这一特点，其一阶导数为0，在离散情况下，即一阶差分信号最接近于零的那一个，据此定位精确的R波峰位置。

进一步地，以各R波左侧160-180毫秒范围内一处优选如170毫秒处为P波起点Ps；以各R波左侧80-100毫秒范围内一处优选如90毫秒处为P波终点Pe；以各R波峰右侧80-100毫秒范围内一处优选如90毫秒处为J波起点(J)；以各R波峰(R)右侧一段区域内的最大值为T波峰(Tp)，该段区域从J波起点开始到2/3个当前RR间期(即相邻两个R波峰之间的时长)处截止；以T波峰(Tp)右侧一阶差分信号首次由负到正的位置为T波终点(Te)。

由于心率的变化，各个准周期内的心搏并不相同，因此本发明实施例提出了一种分段波形矫正的方法来消除心率变异的影响，矫正的基本方法是对原心搏信号进行分段重采样，具体的，对P波段进行上采样，经过上采样后延长P波段时长，统一为460-500毫秒，优选如480毫秒；对于QRS波段保持不变，例如长180毫秒；对于T波段，分别对其中J-Tp段和Tp-Tp段进行下采样，使得重采样后两小段各时长统一为10-20毫秒，优选如15毫秒。最终，矫正后的心搏总长基本一致，例如为690毫秒。由于人在不同时间和经过不同运动后心率是不一样的，而这心率的差异不应该成为衡量人身份特征的标准。本发明以QRS波段为基准，生成一种方便检测的信号，心搏周期长度一致，从而消除心率变异带来的差异。

波形矫正后的信号X，对X进行特征提取和特征重组，重组后特征F：

F＝λ₁×PCA(X)+λ₂×LDA(X)+λ₃×DCT(X)

其中，λ₁,λ₂,λ₃是特征重组系数，取值范围均为[0,1]，且满足λ₁+λ₂+λ₃＝1。PAC(X)是对波形后的信号X进行PCA降维，LDA是对波形后的信号X进行线性判别分析降维，DCT是对波形后的信号X进行离散余弦变换。

步骤324，心电认证

基于模板匹配的方法来判定是否接受测试样本的身份声明。模板匹配的具体方法可采用本领域技术人员熟知的现有技术，本文不再赘述。

具体地，使用预先生成的心电模板，对用户的多个心搏的波形进行多次匹配判定，只有认证正确率大于80％才认为用户的心电信号对该心电模板匹配成功。

如图6所示，在另一种变形实施例中，本实施例对采集到用户的一系列心搏进行预处理后，先检测这些心搏的R波位置，并按照RR间期划分出多个心搏后，再分别对这些心搏进行设定的基准点特征提取，然后使用预先已生成好的不同的n个心电模板，对这些心搏进行模板匹配，最后基于n个心电模板的匹配结果判断该用户的心电身份认证结果。在优选实施例中，可以采用对匹配结果投票的方法得到最终的认证结果。通过匹配结果票进行最终身份认证过程的优选采用最高熵进行投票，统计初步身份认证中各类别熵值，根据统计出的熵值，以最大熵值对应的类别号作为最终认证结果。通过最高熵投票模块进行最高熵投票时，可采用的熵值如频率。统计初步分类中对应各心电模板的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。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认证结果。

实施例四

如图7所示，本实施例提出的基于心电信号的实时身份认证方法主要分为模型训练阶段(心电注册阶段)和实时测试阶段(心电认证阶段)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、心电质量评估和片段提取、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：

A0、心电信号采集。

A1、预处理、心电质量评估和片段提取：将用于训练和待认证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，预处理后的信号进行心电质量评估，对满足评估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：将用于待认证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、特征认证：根据模型训练阶段训练好的多个特征提取器对待认证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，输出身份认证结果。

本实施例中具体主要包括：101：预处理、心电质量评估和片段提取；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8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。预处理后的信号进行心电质量评估，初步快速评估是否满足心电认证算法；

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。

如图9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，包括基于认证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：当训练认证率大于阈值时，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认证率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：当训练认证率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10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认证心电信号进行并行特征提取，得到该待认证心电信号的所述深度融合特征；

B22、特征分类，对该待认证心电信号的所述深度融合特征，根据待认证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，完成身份认证。

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，即可开始认证过程。

如图11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12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认证出一个预测类别，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认证为初步身份认证，还包括通过特征投票进行最终身份认证过程的步骤：采用最高熵进行投票，统计初步身份认证中各类别熵值，根据统计出的熵值，以最大熵值对应的类别号作为最终认证结果。

如图13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认证结果。

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、身份认证速度和性能，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/认证。深度学习的优势也正是学习样本越多，网络性能越好，识别/认证效果更佳。

实施例五

本实施例提供一种基于心电信号的身份识别方法，包括：

A1.心电信号采集模块采集用户的心电信号；

A2.预处理模块对采集的心电信号进行预处理；

A3.心电质量评估模块初步快速评估预处理后的信号是否满足心电身份识别算法要求；

A3.特征提取模块对预处理后的心电信号进行特征提取；

A4.分类器进行训练；

A5.训练后的分类器对提取到的特征进行分类，输出身份识别结果。

其中，对于步骤A3中特征提取的步骤，分别采用如上实施例一至实施例四所述的特征提取的方法。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。

Claims (2)

1.一种基于心电信号的身份认证方法，其特征在于，包括心电注册和心电认证，

所述心电注册包括如下步骤：

S11.心电信号采集模块采集用户的心电信号；

S12.预处理模块对采集的心电信号进行预处理；

S13.心电质量评估模块对预处理的信号进行心电质量评估，满足要求则进入下一步骤，不满足则重新采集心电信号；

S14.特征提取模块对预处理后的心电信号进行特征提取，生成特征模板；

S15.最优特征模板评估模块从生成的特征模板中选择和评估出心电最优特征模板；

S16.认证阈值训练模块从心电最优特征模板中获取最佳阈值，完成用户的心电注册；若注册失败则返回步骤S11进行重新注册；

所述心电认证包括如下步骤：

S21.心电信号采集模块采集用户的心电信号；

S22.预处理模块对采集的心电信号进行预处理；

S23.心电质量评估模块对预处理的信号进行心电质量评估，满足要求则进入下一步骤，不满足则重新采集心电信号；

S24.特征提取模块对预处理后的心电信号进行特征提取，生成特征模板；

S25.心电身份认证模块将生成的特征模板与所述步骤S15中的心电最优特征模板进行特征比对，并根据所述步骤S16中的最佳阈值完成认证；

所述步骤S14和S24中的特征提取包括：

在心电信号中检测R波位置，截取QT波，采用自相关变换算法获取心电自相关序列，然后将获取的心电自相关序列通过正交多项式拟合回归进行降维，生成特征模板；所述自相关变换算法的公式为：

其中，x[i]表示心电序列，N表示心电序列的长度，x[i+m]表示对心电序列平移m个序列后的心电序列，m＝0,1，2，...，M-1，M<<N，R_xx[m]表示心电信号自相关序列，R_xx[0]表示心电序列的能量；

所述通过正交多项式拟合回归进行降维生成特征模板是通过用多项式近似表示心电自相关序列，得出用特征模板表示的所述心电自相关序列；

所述多项式为：a₀+a₁f₁(x_i)+a₂f₂(x_i)+...+a_kf_k(x_i)＝A^TF_i≈R_xx[i]，

其中A表示特征模板，所述多项式中A＝(a₀,a₁,a₂,...,a_k)^T,F_i＝(1,f₁(x_i),f₂(x_i),...,f_k(x_i))^T，i＝0,1,2,3,...,M-1；其中1,f₁(x_i),f₂(x_i),...,f_k(x_i)分别是x的0次，1次，2次,...，k次正交多项式，其中

即

f为心电信号的采样频率；

特征模板的计算公式为：

其中，λ,α∈(0,1)，λ和α为正则化系数，p≠i＝0,1,2,...,M-1，J_(A,F)为求解后的向量A和F，F＝(F₁,F₂,...,F_M-1)，得到的特征模板为A＝(a₀,a₁,a₂,...,a_k)^T，k<<M，采取n个模板生成n个特征模板A₁,A₂,...,A_n，10≤n≤20；

或在心电信号中检测R波位置，截取QT波，采用用于稀疏表示的区分字典学习算法生成稀疏特征，形成特征模板；所述用于稀疏表示的区分字典学习算法包括：

其中，J_(D,C)是求解后的字典D和稀疏特征C，Verif(X_i,X_j,D,C_i,C_j)是特征区分属性，θ为稀疏程度系数，α为正则化系数，θ和α取值范围都为0到1之间，I为单位矩阵；

X_i与X_j分别表示第i个和第j个QT波，C_i和C_j分别表示与X_i和X_j相对应的稀疏特征；其中，i≠j；

其中，dm是设定的不同类之间的最小距离，label(X_i)表示X_i的类别编号；

s.t.||d_j||＝1,1≤j≤l，其中，X＝(X₁,X₂,...,X_n)表示n个QT波；

D＝(d₁,d₂,...,d_l)表示字典的维数，l为大于1的任意数值；

表示稀疏特征；

或检测心电信号中的各个基准点以提取出准周期性的心搏信号作为原始心电特征，对心搏进行分段波形矫正后，再特征提取和特征重组作为最终心电特征，生成特征模板；所述各个基准点包括心搏的P波起点、P波终点，R波峰，J波起点、T波峰和T波终点，并通过以下方式进行基准点检测及波形分段：心电信号通过小波变换方式确定心搏的R波的位置，或以心电信号的二阶差分信号的极小值确定心搏的R波的粗略位置，再确定在R波的粗略位置处的一阶差分信号最接近于零的那个点，据此定位R波峰的位置；以距离各R波峰左侧160-180毫秒范围内的一处为P波起点；以距离各R波峰左侧80-100毫秒范围内的一处为P波终点；以距离各R波峰右侧80-100毫秒范围内的一处为J波起点；以各R波峰右侧一段区域内的最大值处为T波峰，该段区域从J波起点开始到2/3个当前RR间期处截止；以T波峰右侧一阶差分信号首次由负到正的位置处为T波终点；

所述分段波形矫正的步骤为：对心搏信号进行分段重采样，其中对各P波段进行上采样，经过上采样后延长P波段时长，使各P波段时长统一为460-500毫秒；对于各QRS波段时长保持不变；对于各T波段，分别对J～Tp段和Tp～Tp段进行下采样，使得各T波段重采样后的两小段各自时长统一为10-20毫秒；

波形矫正后的信号Xc，对Xc进行特征提取和特征重组，重组后特征Fc：

Fc＝λ₁×PCA(Xc)+λ₂×LDA(Xc)+λ₃×DCT(Xc)

其中，λ₁,λ₂,λ₃是特征重组系数，取值范围均为[0,1]，且满足λ₁+λ₂+λ₃＝1；PCA(Xc)是对波形矫正后的信号Xc进行PCA降维，LDA是对波形矫正后的信号Xc进行线性判别分析降维，DCT是对波形矫正后的信号Xc进行离散余弦变换；

或对心电信号进行片段提取得到多个特征片段，再根据全自动特征提取网络对获得的多个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；根据所述多个特征提取器对心电信号进行特征提取，得到深度融合特征，形成特征模板；所述片段提取包括：确定心电信号上至少包括一个心电信息的窗口长度，根据确定好的窗口长度，从心电信号的任意位置截取对应长度的心电窗口，将所述心电窗口划分为多个定长的片段，得到多个所述特征片段；

所述全自动特征提取层包括多个卷积层和最大池化层；获得特征提取器的步骤包括：通过多个卷积层对特征片段进行并行卷积，得到多个向量值；多个所述向量值通过所述最大池化层生成深度融合特征；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。

2.一种基于心电信号的身份识别方法，其特征在于，包括以下步骤：

A1.心电信号采集模块采集用户的心电信号；

A2.预处理模块对采集的心电信号进行预处理；

A3.心电质量评估模块对预处理的信号进行心电质量评估，满足要求则进入下一步骤，不满足则重新采集心电信号；

A4.特征提取模块对预处理后的心电信号进行特征提取；

A5.分类器进行训练；

A6.训练后的分类器对提取到的特征进行分类，输出身份识别结果；

所述步骤A4中的特征提取包括：

在心电信号中检测R波位置，截取QT波，采用自相关变换算法获取心电自相关序列，然后将获取的心电自相关序列通过正交多项式拟合回归进行降维以提取特征；所述自相关变换算法的公式为：

其中，x[i]表示心电序列，N表示心电序列的长度，x[i+m]表示对心电序列平移m个序列后的心电序列，m＝0,1，2，...，M-1，M<<N，R_xx[m]表示心电信号自相关序列，R_xx[0]表示心电序列的能量；

所述通过正交多项式拟合回归进行降维生成特征模板是通过用多项式近似表示心电自相关序列，得出用特征模板表示的所述心电自相关序列；

所述多项式为：a₀+a₁f₁(x_i)+a₂f₂(x_i)+...+a_kf_k(x_i)＝A^TF_i≈R_xx[i]，

其中A表示特征模板，所述多项式中A＝(a₀,a₁,a₂,...,a_k)^T,F_i＝(1,f₁(x_i),f₂(x_i),...,f_k(x_i))^T，i＝0,1,2,3,...,M-1；其中1,f₁(x_i),f₂(x_i),...,f_k(x_i)分别是x的0次，1次，2次,...，k次正交多项式，其中

即

f为心电信号的采样频率；

特征模板的计算公式为：

其中，λ,α∈(0,1)，λ和α为正则化系数，p≠i＝0,1,2,...,M-1，J_(A,F)为求解后的向量A和F，F＝(F₁,F₂,...,F_M-1)，得到的特征模板为A＝(a₀,a₁,a₂,...,a_k)^T，k<<M，采取n个模板生成n个特征模板A₁,A₂,...,A_n，10≤n≤20；

或在心电信号中检测R波位置，截取QT波，采用用于稀疏表示的区分字典学习算法生成稀疏特征以提取特征；所述用于稀疏表示的区分字典学习算法包括：

其中，J_(D,C)是求解后的字典D和稀疏特征C，Verif(X_i,X_j,D,C_i,C_j)是特征区分属性，θ为稀疏程度系数，α为正则化系数，θ和α取值范围都为0到1之间，I为单位矩阵；

X_i与X_j分别表示第i个和第j个QT波，C_i和C_j分别表示与X_i和X_j相对应的稀疏特征；其中，i≠j；

其中，dm是设定的不同类之间的最小距离，label(X_i)表示X_i的类别编号；

s.t.||d_j||＝1,1≤j≤l，其中，X＝(X₁,X₂,...,X_n)表示n个QT波；

D＝(d₁,d₂,...,d_l)表示字典的维数，l为大于1的任意数值；

表示稀疏特征；

或检测心电信号中的各个基准点以提取出准周期性的心搏信号作为原始心电特征，对心搏进行分段波形矫正后，再特征提取和特征重组作为最终心电特征以提取特征；所述各个基准点包括心搏的P波起点、P波终点，R波峰，J波起点、T波峰和T波终点，并通过以下方式进行基准点检测及波形分段：心电信号通过小波变换方式确定心搏的R波的位置，或以心电信号的二阶差分信号的极小值确定心搏的R波的粗略位置，再确定在R波的粗略位置处的一阶差分信号最接近于零的那个点，据此定位R波峰的位置；以距离各R波峰左侧160-180毫秒范围内的一处为P波起点；以距离各R波峰左侧80-100毫秒范围内的一处为P波终点；以距离各R波峰右侧80-100毫秒范围内的一处为J波起点；以各R波峰右侧一段区域内的最大值处为T波峰，该段区域从J波起点开始到2/3个当前RR间期处截止；以T波峰右侧一阶差分信号首次由负到正的位置处为T波终点；

所述分段波形矫正的步骤为：对心搏信号进行分段重采样，其中对各P波段进行上采样，经过上采样后延长P波段时长，使各P波段时长统一为460-500毫秒；对于各QRS波段时长保持不变；对于各T波段，分别对J～Tp段和Tp～Tp段进行下采样，使得各T波段重采样后的两小段各自时长统一为10-20毫秒；

波形矫正后的信号Xc，对Xc进行特征提取和特征重组，重组后特征Fc：

Fc＝λ₁×PCA(Xc)+λ₂×LDA(Xc)+λ₃×DCT(Xc)

其中，λ₁,λ₂,λ₃是特征重组系数，取值范围均为[0,1]，且满足λ₁+λ₂+λ₃＝1；PCA(Xc)是对波形矫正后的信号Xc进行PCA降维，LDA是对波形矫正后的信号Xc进行线性判别分析降维，DCT是对波形矫正后的信号Xc进行离散余弦变换；

或将心电信号进行片段提取得到多个特征片段，再根据全自动特征提取网络对获得的多个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；根据所述多个特征提取器对心电信号进行特征提取；所述片段提取包括：确定心电信号上至少包括一个心电信息的窗口长度，根据确定好的窗口长度，从心电信号的任意位置截取对应长度的心电窗口，将所述心电窗口划分为多个定长的片段，得到多个所述特征片段；

所述全自动特征提取层包括多个卷积层和最大池化层；获得特征提取器的步骤包括：通过多个卷积层对特征片段进行并行卷积，得到多个向量值；多个所述向量值通过所述最大池化层生成深度融合特征；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。

Images