CN108537100A - 一种基于pca和lda分析的心电信号身份识别方法及系统 - Google Patents

Abstract

本发明的包括一种基于PCA和LDA分析的心电信号身份识别方法及系统，其特征在于，该方法包括：对心电信号进行采集并执行预处理，其包括采集ECG信号并进行去噪处理；获取经过去噪处理的ECG信号，进而对ECG信号进行R波峰值点定位，分割心拍构建形态学特征向量，以及获取对应特征向量；对获取的特征向量分别进行PCA及LDA分析，得到终选待识别特征向量；使用终选待识别特征向量构造的训练集心拍特征数据库与测试集心拍特征数据库，使用分类器进行匹配验证，完成身份识别。本发明的有益效果为：降低了信号特征维度，能为后续Softmax分类器分类减少计算量及提高分类准确率，能够有效的应用于基于心电信号的身份识别。

Description

一种基于PCA和LDA分析的心电信号身份识别方法及系统

技术领域

本发明涉及一种基于PCA和LDA分析的心电信号身份识别方法及系统，属于计算机多生物特征身份识别领域。

背景技术

当前，随着网络信息技术高速发展，人们对于个人信息安全的保护要求越来越高。身份识别技术作为一种信息安全技术已经成为一项必不可少的应用。传统的身份识别方式，例如个人证件、密钥等容易被他人遗忘、窃取或伪造等，已经越来越不能满足人们的日常需求。生物身份识别技术是模式识别的一个分支，是一种新的身份识别手段，是利用人体固有的生物特征或行为特征对个体身份进行认证的一种技术。生物特征是各个体之间都具有的且唯一的可测量和鉴别的生理特性或行为方式，与传统身份识别技术相比有着极大的优势。

传统生物特征识别技术有指纹识别、虹膜识别、人脸识别、语音识别以及步态识别等，其中是虹膜、人脸和指纹具有极高的识别准确率，已成为应用最广泛的生物识别技术。但这些传统的生物特征都具有各自的局限性。例如人脸可以通过假面来伪造，指纹可以乳胶指纹贴来伪造，虹膜图像也可以复制拷贝，步态声音都可以进行模仿等。这些技术存在的缺陷给安全系统带来极大的威胁，因此寻找一种防伪性好且识别度高的生物特征十分必要。

基于上述现实问题，一种新型生物特征识别技术被提出—心电信号(electrocardiogram，ECG)身份识别技术。心电信号是一种活体生理信号，是描记心脏起搏的电信号活动周期的过程，是人体的内在生理特征。心电信号满足生物身份识别的基本条件。正常人的心电图存在每一个活体，具有普遍性；而且其在一定时期内保持相对恒定，具有稳定性；每个个体的生物特征都独一无二，具有唯一性；心电信号的采集方式有很多也很便捷，具有可采集性。相比传统的生物识别技术，心电信号识别技术具有其独特的优势：第一，心电来自于人的心脏属于以内特征，不易被轻易仿制窃取；第二，心电信号作为一种活体生物信号，具有普遍性而且不会遗忘丢失；第三，心电信号是一维信号，处理简单，计算量低，节省存储空间，成本要求低廉。心电信号所具备的独特优势使其有望成为具有良好应用前景的新型身份识别技术之一。

当前，很多学者对ECG信号用于身份识别进行了探讨，研究工作主要具体步骤包括ECG信号采集，即采集人体的心电信号；特征提取，即提取信号的特征，(有基于基准点特征提取和非基准点特征提取两种方式)，构建身份识别特征向量；识别分类，即将待识别者的特征向量与预先存储在特征模板库中的特征向量进行比对完成分类识别输出结果。由于ECG的特征维度比较大，存在冗余信息，影响计算量和分类准确率。李巍巍等采用PCA算法对数据进行特征降维，将降维后的特征用于身份识别，并且取得了较高的识别准确率。虽然采用主成分分析法采用主要特征替代非主要特征使样本数据得到很好的映射去除了冗余数据，通过增强主要特征相关度，降低信息的损失来降低原数据的维度，达到减少计算量并保证分类准确率较高的目的。但由于样本数据的类别标号并没有参与主成分降维，而分类任务的特征是独立的可能会造成分类上的困难，因而该算法还可以进行改进。因此，本发明提出了一种基于PCA_LDA算法的心电信号身份识别的方法。

发明内容

针对现有技术的不足，本发明的技术方案提供了一种基于PCA和LDA分析的心电信号身份识别方法，用于通过包括对心电信号前期处理的改进及后期方法的改进。

本发明的技术方案包括一种基于PCA和LDA分析的心电信号身份识别方法，其特征在于，该方法包括：A.对心电信号进行采集并执行预处理，其包括采集ECG信号并进行去噪处理；B.获取步骤A中经过去噪处理的ECG信号，进而对ECG信号进行R波峰值点定位，分割心拍构建形态学特征向量，以及获取对应特征向量；C.对获取的特征向量分别进行PCA及LDA分析，得到终选待识别特征向量；D.使用C中终选待识别特征向量构造的训练集心拍特征数据库与测试集心拍特征数据库，使用Softmax分类器进行匹配验证，完成身份识别。

根据所述的基于PCA和LDA分析的心电信号身份识别方法，其中步骤A的去噪处理包括但不限于对工频干扰、肌电干扰及基线漂移噪声进行去噪处理。

根据所述的基于PCA和LDA分析的心电信号身份识别方法，其中步骤A用于执行以下步骤：

S31，采用小波变换对采集的ECG心电信号进行9层分解；

S32，将第1层高频成分小波系数置零，去除高频的工频干扰；

S33，将第9层的低频成分小波系数置零，以去除低频的基线漂移；

S34，采用软阈值法去除其余和心拍拍频率相重叠的干扰，软阈值的阈值满足其中ω为对应层小波系数；S35，使用小波逆变换重构去除干扰的心电信号，从而得到满足需求的去噪心电信号。

根据所述的基于PCA和LDA分析的心电信号身份识别方法，其中步骤B用于执行以下步骤：

S41，对去噪的心电信号数据集采用二阶差分阈值法进行R波峰值点定位；

S42，以定位的R波峰值点为中心，前向和后向截取固定点数组合成单周期心拍完成心拍分割，以分割得到的单周期心拍特征数据集作为识别特征。

根据所述的基于PCA和LDA分析的心电信号身份识别方法，其中步骤C还包括：识别特征包括进行PCA算法与LDA算法相结合进行处理，将PCA算法和LDA算法构造的特征子矩阵进行融合，获得融合特征矩阵，进而将样本在该融合特征矩阵上投影，获得待识别特征。

根据所述的基于PCA和LDA分析的心电信号身份识别方法，其中步骤C中的PCA算法用于执行以下步骤：

S61，将形态学特征数据X＝{x₁,x₂,...,x_m}去均值

S62，计算规范化后的样本矩阵X的协方差矩阵∑＝XX^T；S63，求∑的特征值和特征向量，并取其较大d个特征值对应的特征向量，构成PCA算法的特征子矩阵ω_L，得到PCA降维特征Y＝ω_LX。

根据所述的基于PCA和LDA分析的心电信号身份识别方法，其中步骤C中的LDA算法用于执行以下步骤：

S71，依据PCA算法的特征子矩阵定义类内散布矩阵和类间散布矩阵依据样本数据集具有类内最大距离及类间最小距离原则，求取矩阵的特征向量，并将特征向量构造为LDA算法特征子矩阵ω_p；

S72，将PCA,算法与LDA算法的特征子空间进行融合，可获得PCA-LDA算法的融合特征空间ω_t＝ω_Lω_P；

S73，对样本进行训练，将训练样本投影到融合特征矩阵ω_t中得到识别特征

根据所述的基于PCA和LDA分析的心电信号身份识别方法，其中步骤D用于执行以下步骤：

S81，构建Softmax分类器，对于待识别特征数据集{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，有y⁽ⁱ⁾∈{1,2,...,k}，其中k表示k个不同的人，假设函数针对每一类标j估算出概率值，即估计的每一种分类结果出现的概率，则假设函数为

其中θ₁,θ₂,...,θ_k是模型参数，是对概率分布进行归一化处理并使得总概率之和为1；

S82，在代价函数中添加权重衰减项以此惩罚数值过大的参数值，其中代价函数为

其中1{y⁽ⁱ⁾≠j)＝0，对代价函数进行求导，使用梯度下降法来求全局最优解，每一次迭代需要进行参数更新，利用此迭代步骤重复进行来优化分类器模型参数，实现一个优化的Softmax回归模型；S83，使用Softmax分类器接收待识别特征作为其输入，输出心电信号的分类编号，对于待识别特征x⁽ⁱ⁾，选择概率p(y⁽ⁱ⁾＝S|x⁽ⁱ⁾；θ)最大的类别S作为该特征对应的类别，通过Softmax分类器得到分类结果，完成身份识别。

本发明的技术方案还包括上述任意方法的一种基于PCA和LDA分析的心电信号身份识别系统，其特征在于，该系统包括：去噪处理模块，用于对心电信号进行采集并执行预处理，其包括采集ECG信号并进行去噪处理；特征获取模块，用于获取去噪处理模块中经过去噪处理的ECG信号，进而对ECG信号进行R波峰值点定位，分割心拍构建形态学特征向量，以及获取对应特征向量；特征处理模块，用于对获取的特征向量分别进行PCA及LDA分析，得到终选待识别特征向量；分类识别模块，用于使用特征处理模块中终选待识别特征向量构造的训练集心拍特征数据库与测试集心拍特征数据库，使用分类器进行匹配验证，完成身份识别。

本发明的有益效果为：该方法去除了原始信号中大量冗余信息，仅保留了有用的信息，降低了信号特征维度，还将类别标签应用于其中，能为后续Softmax分类器分类减少计算量及提高分类准确率，能够有效的应用于基于心电信号的身份识别。

附图说明

图1所示为根据本发明实施方式的总体流程图；

图2所示为根据本发明实施方式的总体结构框图；

图3所示为根据本发明实施方式的去除噪声的方法的流程示意图；

图4所示为根据本发明实施方式的R波峰值点定位和心拍分割的方法的流程示意图；

图5所示为根据本发明实施方式的基于PCA和LDA算法特征处理的流程示意图；

图6所示为根据本发明实施方式的实验结果分析图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。本发明的基于PCA和LDA分析的心电信号身份识别方法及系统适用于多生物特征身份识别。

图1所示为根据本发明实施方式的总体结构图。其包括：A.对心电信号进行采集并执行预处理，其包括采集ECG信号并进行去噪处理；B.获取步骤A中经过去噪处理的ECG信号，进而对ECG信号进行R波峰值点定位，分割心拍构建心态学特征向量，以及获取对应特征向量；C.对获取的特征向量分别进行PCA及LDA分析，得到终选待识别特征向量；D.使用C中终选待识别特征向量构造的训练集心拍特征数据库与测试集心拍特征数据库，使用分类器进行匹配验证，完成身份识别。其中的图3、4、5分别对步骤A、B及C&D进行进一步描述。

图2所示为根据本发明实施方式的简单图形部位组合图。其包括：去噪处理模块，用于对心电信号进行采集并执行预处理，其包括采集ECG信号并进行去噪处理；特征获取模块，用于获取去噪处理模块中经过去噪处理的ECG信号，进而对ECG信号进行R波峰值点定位，分割心拍构建心态学特征向量，以及获取对应特征向量；特征处理模块，用于对获取的特征向量分别进行PCA及LDA分析，得到终选待识别特征向量；分类识别模块，用于使用特征处理模块中终选待识别特征向量构造的训练集心拍特征数据库与测试集心拍特征数据库，使用分类器进行匹配验证，完成身份识别。

图3所示为根据本发明实施方式的去除噪声的方法的流程示意图。其用于对步骤A(心电信号采集并预处理)进一步进行解释，其包括以下步骤：

采用小波变换对采集的ECG心电信号进行9层分解；

将第1层高频成分小波系数置零，去除高频的工频干扰；

将第9层的低频成分小波系数置零，以去除低频的基线漂移；

使用用软阈值法去除其余和心拍拍频率相重叠的干扰，其中软阈值的阈值满足

其中ω为对应层小波系数；

使用小波逆变换重构去除干扰的心电信号，从而得到满足需求的去噪心电信号。

图4所示为根据本发明实施方式的R波峰值点定位和心拍分割的方法的流程示意图。其进一步对步骤B(对经过预处理的心电信号波形进行特征提取主要有R波峰值点定位，分割心拍构建形态学特征向量)进行解释，其包括以下步骤：

对去噪的心电信号数据集采用二阶差分阈值法进行R波峰值点定位。σ其包括对去噪心电信号x(n)进行四点平滑处理得到y(n)，再对其求一阶差分d(n)和二阶差分e(n)，然后分别进行四点平滑处理得到d₁(n)和e₁(n)，以0.75倍采样频率的长度对e₁(n)进行划分，求各区间极小值，再求各极小值的均值，以该值的0.5倍为极小值的初始阈值：

同理，以相同长度对y(n)进行划分，求出每个区间的极大值和极小值之差的均值，以该值作为幅值阈值：

若R如果同时满足阈值e₁(n)＜th₁且0.5th₂＜y(t)＜1.66th₂，则判断此点为R波峰值点；

以R波峰值点为中心前向截取m个点，后向截取n个点，以此m+n+1个点作为形态学特征，以定位的R波峰值点为中心，前向和后向截取固定点数组合成单周期心拍完成心拍分割，以分割得到的单周期心拍特征数据集作为识别特征。

图5所示为根据本发明实施方式的基于PCA和LDA算法特征处理的流程示意图。该图用于对步骤对提取的形态学特征进行特征处理，本发明实施例提供了PCA算法与LDA算法相结合的处理方法。将PCA算法和LDA算法构造的特征子矩阵进行融合，获得融合特征矩阵；然后将样本在该融合特征矩阵投影，获得待识别特征。其级图包括：

PCA计算，

将形态学特征数据X＝{x₁,x₂,...,x_m}去均值

计算规范化后的样本矩阵X的协方差矩阵∑＝XX^T；

求∑的特征值和特征向量，并取其较大d个特征值对应的特征向量，构成PCA算法的特征子矩阵ω_L，得到PCA降维特征Y＝ω_LX；

LDA计算，

依据PCA算法的特征子矩阵定义类内散布矩阵和类间散布矩阵依据样本数据集具有类内最大距离及类间最小距离原则，求取矩阵的特征向量，并将特征向量构造为LDA算法特征子矩阵ω_p；

将PCA,算法与LDA算法的特征子空间进行融合，可获得PCA-LDA算法的融合特征空间ω_t＝ω_Lω_P；

对样本进行训练，将训练样本投影到融合特征矩阵ω_t中得到识别特征

以及使用Softmax分类器进行分类，

构建Softmax分类器，对于待识别特征数据集{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，有y⁽ⁱ⁾∈{1,2,...,k}，其中k表示k个不同的人，假设函数针对每一类标j估算出概率值，即估计的每一种分类结果出现的概率，则假设函数为

其中θ₁,θ₂,...,θ_k是模型参数，是对概率分布进行归一化处理并使得总概率之和为1；在代价函数中添加权重衰减项以此惩罚数值过大的参数值，其中代价函数为

其中1{y⁽ⁱ⁾≠j}＝0，对代价函数进行求导，使用梯度下降法来求全局最优解，每一次迭代需要进行参数更新，利用此迭代步骤重复进行来优化分类器模型参数，实现一个优化的Softmax回归模型；

使用Softmax分类器接收待识别特征作为其输入，输出心电信号的分类编号，对于待识别特征x⁽ⁱ⁾，选择概率p(y⁽ⁱ⁾＝S|x⁽ⁱ⁾；θ)最大的类别S作为该特征对应的类别，通过Softmax分类器得到分类结果，完成身份识别。

本发明的技术方案提供了进一步说明以解释上述步骤，具体如下：

在具体实施例中，采用国际通行的ECG-ID数据库。数据库中心电信号采样频率为500HZ，每一例心电信号为20秒，分辨率为12bit。在实施例中本发明采用MTLAB软件验证实现。首先选择88个人的心电信号进行小波变换去除噪声；特征提取获得形态学特征时，先采用二阶差分阈值法进行R波峰值点定位，然后以R点前向截取150个点，后向截取300个点，则形态学特征维度451维。对形态学特征进行PCA算法处理，然后在进行LDA算法处理，将经过PCA_LDA算法处理得到的待识别特征送入到Softmax分类器进行分类识别，根据Softmax分类器的分类结果完成身份识别。

图6所示为根据本发明实施方式的实验结果分析图。其中位于上方的波形表示PCA识别，下方波形表示PCA_LDA组合识别波形，给出基于PCA_LDA的心电信号身份识别正确率分布，实验结果表明，采用经过PCA_LDA算法处理的身份识别准确率明显比采用PCA算法处理的身份识别准确率高。经过采用PCA_LDA算法处理身份识别准确率最高可达到97.72％。本发明采用PCA与LDA算法对心电信号特征进行处理，融合其各自优势，显著改善了分类识别准确率，为高精度心电信号身份识别提供一种有效改进方案。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (9)

1.一种基于PCA和LDA分析的心电信号身份识别方法，其特征在于，该方法包括：

A.对心电信号进行采集并执行预处理，其包括采集ECG信号并进行去噪处理；

B.获取步骤A中经过去噪处理的ECG信号，进而对ECG信号进行R波峰值点定位，分割心拍构建形态学特征向量，以及获取对应特征向量；

C.对获取的特征向量分别进行PCA及LDA分析，得到终选待识别特征向量；

D.使用C中终选待识别特征向量构造的训练集心拍特征数据库与测试集心拍特征数据库，使用分类器进行匹配验证，完成身份识别。

2.根据权利要求1所述的基于PCA和LDA分析的心电信号身份识别方法，其特征在于，所述步骤A的去噪处理包括但不限于对工频干扰、肌电干扰及基线漂移噪声进行去噪处理。

3.根据权利要求1所述的基于PCA和LDA分析的心电信号身份识别方法，其特征在于，所述步骤A用于执行以下步骤：

S31，采用小波变换对采集的ECG心电信号进行9层分解；

S32，将第1层高频成分小波系数置零，去除高频的工频干扰；

S33，将第9层的低频成分小波系数置零，以去除低频的基线漂移；

S34，使用软阈值法去除其余和心拍拍频率相重叠的干扰，其中软阈值的阈值满足

median

其中ω为对应层小波系数；

S35，使用小波逆变换重构去除干扰的心电信号，从而得到满足需求的去噪心电信号。

4.根据权利要求1所述的基于PCA和LDA分析的心电信号身份识别方法，其特征在于，所述步骤B用于执行以下步骤：

S41，对去噪的心电信号数据集采用二阶差分阈值法进行R波峰值点定位；

S42，以定位的R波峰值点为中心，前向和后向截取固定点数组合成单周期心拍完成心拍分割，以分割得到的单周期心拍特征数据集作为识别特征。

5.根据权利要求1所述的基于PCA和LDA分析的心电信号身份识别方法，其特征在于，所述步骤C还包括：

识别特征包括进行PCA算法与LDA算法相结合进行处理，将PCA算法和LDA算法构造的特征子矩阵进行融合，获得融合特征矩阵，进而将样本在该融合特征矩阵投影，获得待识别特征。

6.根据权利要求5所述的基于PCA和LDA分析的心电信号身份识别方法，其特征在于，所述步骤C中的PCA算法用于执行以下步骤：

S61，将形态学特征数据X＝{x₁,x₂,...,x_m}去均值

S62，计算规范化后的样本矩阵X的协方差矩阵∑＝XX^T；

S63，求∑的特征值和特征向量，并取其较大d个特征值对应的特征向量，构成PCA算法的特征子矩阵ω_L，得到PCA降维特征Y＝ω_LX。

7.根据权利要求5或6所述的基于PCA和LDA分析的心电信号身份识别方法，其特征在于，所述步骤C中的LDA算法用于执行以下步骤：

S71，依据PCA算法的特征子矩阵ω_L，定义类内散布矩阵和类间散布矩阵依据样本数据集具有类内最大距离及类间最小距离原则，求取矩阵的特征向量，并将特征向量构造为LDA算法特征子矩阵ω_p；

S72，将PCA算法与LDA算法的特征子空间进行融合，可获得PCA-LDA算法的融合特征空间ω_t＝ω_Lω_P；

S73，对样本进行训练，将训练样本投影到融合特征矩阵ω_t中得到识别特征

8.根据权利要求1所述的基于PCA和LDA分析的心电信号身份识别方法，其特征在于，所述步骤D用于执行以下步骤：

S81，构建Softmax分类器，对于待识别特征数据集{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，有y⁽ⁱ⁾∈{1,2,...,k}，其中k表示k个不同的人，假设函数针对每一类标j估算出概率值，即估计的每一种分类结果出现的概率，则假设函数为

其中θ₁,θ₂,...,θ_k是模型参数，是对概率分布进行归一化处理并使得总概率之和为1；

S82，在代价函数中添加权重衰减项以此惩罚数值过大的参数值，其中代价函数为

其中1{y⁽ⁱ⁾＝j}＝0，对代价函数进行求导，使用梯度下降法来求全局最优解，每一次迭代需要进行参数更新，利用此迭代步骤重复进行来优化分类器模型参数，实现一个优化的Softmax回归模型；

S83，使用Softmax分类器接收待识别特征作为其输入，输出心电信号的分类编号，对于待识别特征x⁽ⁱ⁾，选择概率p(y⁽ⁱ⁾＝S|x⁽ⁱ⁾；θ)最大的类别S作为该特征对应的类别，通过Softmax分类器得到分类结果，完成身份识别。

9.根据所述权利要求1-8任意方法的一种基于PCA和LDA分析的心电信号身份识别系统，其特征在于，该系统包括：

去噪处理模块，用于对心电信号进行采集并执行预处理，其包括采集ECG信号并进行去噪处理；

特征获取模块，用于获取去噪处理模块中经过去噪处理的ECG信号，进而对ECG信号进行R波峰值点定位，分割心拍构建形态学特征向量，以及获取对应特征向量；

特征处理模块，用于对获取的特征向量分别进行PCA及LDA分析，得到终选待识别特征向量；

分类识别模块，用于使用特征处理模块中终选待识别特征向量构造的训练集心拍特征数据库与测试集心拍特征数据库，使用分类器进行匹配验证，完成身份识别。