CN109330584B - 基于字典学习和稀疏表示的心电信号身份识别方法和系统 - Google Patents

基于字典学习和稀疏表示的心电信号身份识别方法和系统 Download PDF

Info

Publication number
CN109330584B
CN109330584B CN201811324427.1A CN201811324427A CN109330584B CN 109330584 B CN109330584 B CN 109330584B CN 201811324427 A CN201811324427 A CN 201811324427A CN 109330584 B CN109330584 B CN 109330584B
Authority
CN
China
Prior art keywords
electrocardiosignals
electrocardiosignal
dictionary
registered
sparse representation
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
CN201811324427.1A
Other languages
English (en)
Other versions
CN109330584A (zh
Inventor
杨公平
徐京笑
王奎奎
黄玉文
尹义龙
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN201811324427.1A priority Critical patent/CN109330584B/zh
Publication of CN109330584A publication Critical patent/CN109330584A/zh
Application granted granted Critical
Publication of CN109330584B publication Critical patent/CN109330584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本公开提供了一种基于字典学习和稀疏表示的心电信号身份识别方法和系统，所述方法包括：接收注册心电信号集，基于每个注册心电信号学习过完备字典；采用所述过完备字典得到各注册心电信号相应的稀疏表示；若接收到待识别心电信号，基于所述字典得到所述待识别心电信号的稀疏表示；基于待识别心电信号和各注册心电信号的稀疏表示，进行身份识别。将心电信号表示为过完备字典的原子的线性组合，提取了心电信号的本质特征，提升识别过程的鲁棒性，并且，心电信号的稀疏能够有效的体现心电信号结构特征，有效地提高同源信号的识别效果。

Description

基于字典学习和稀疏表示的心电信号身份识别方法和系统
技术领域
本公开涉及基于生物特征进行身份识别的技术领域，具体涉及一种基于字典学习和稀疏的心电信号身份识别方法和系统。
背景技术
生物特征识别是利用一种或多种人类的生理特征或行为特征进行身份认证的一种技术，并且相比于传统的身份认证技术，生物特征识别技术具有简洁快速，安全可靠等优势。近年来，医学临床表明心电信号具有唯一性，也可用于身份识别，心电信号身份识别具有其独特的优势，安全性高、活体识别、可采集性强以及在进行身份认证的同时可以提取其他属性信息，从而给参与身份认证的个体健康建议和指导。
与大多数生物信号不同的是，心电信号是时间依赖性的，并且容易受到人体的心理和生理活动的影响，许多非正常因素，如运动状态、身体姿势等，都会影响识别效果。近些年来，许多新的方法与思想被应用到心电信号身份识别上，但是这些方法在解决上述问题过程中还有一些不足。
发明内容
本发明为了克服上述现有技术的不足，提出了一种基于字典学习的分段心电信号的稀疏表示方法。该方法充分利用心电信号的结构特征，并在字典构造阶段结合其结构特征，构建一种块结构的字典，根据不同块对应的稀疏表示的重要程度不同，给予不同的权重，以此提高心电信号身份识别系统的识别性能和鲁棒性。
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
一种基于字典学习和稀疏表示的心电信号身份识别方法，包括以下步骤：
接收注册心电信号集，基于每个注册心电信号学习过完备字典；
采用所述过完备字典得到各注册心电信号相应的稀疏表示；
若接收到待识别心电信号，基于所述字典得到所述待识别心电信号的稀疏表示；
基于待识别心电信号和各注册心电信号的稀疏表示，进行身份识别。
进一步地，接收到注册心电信号或待识别心电信号后，均执行以下处理：
检测心电信号的Q、R和S点作为基准点；
将R点作为心电信号的分割点，对所述分割点前后的信号进行采样，得到单周期心电信号；
基于Q点和S点对单周期心电信号进行划分，得到QRS波，QRS之前的波段和QRS之后的波段。
进一步地，所述学习过完备字典包括：
分别基于注册心电信号的QRS波，QRS之前的波段和QRS之后的波段进行过完备字典的学习：
Figure BDA0001858319540000021
其中，Sx表示注册心电信号x波段对应的信号集，Dx表示x波段对应的过完备字典，Ax表示注册心电信号x波段对应的稀疏表示，x指代QRS波，QRS之前的波段或QRS之后的波段。
进一步地，所述得到所述待识别心电信号的稀疏表示包括：
Figure BDA0001858319540000022
其中，Tx表示待识别心电信号x波段对应的信号集，Dx表示x波段对应的过完备字典，Gx表示待识别心电信号x波段对应的稀疏表示，x指代QRS波，QRS之前的波段或QRS之后的波段。
进一步地，所述进行身份识别包括：
计算待识别心电信号和注册心电信号的稀疏表示之间的距离；
将待识别心电信号判为与其距离最小的注册心电信号所属的类别。
进一步地，所述进行身份识别包括：
分别将注册心电信号和待识别心电信号对应的三个波段的稀疏表示进行拼接，并赋予权重，得到注册心电信号和待识别心电信号的加权稀疏表示；
计算待识别心电信号和注册心电信号的加权稀疏表示之间的距离；
将待识别心电信号判为与其距离最小的注册心电信号所属的类别。
进一步地，所述方法还包括：接收新添加的注册心电信号时，重新进行过完备字典的学习。
一个或多个实施例提供了一种计算机装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于字典学习和稀疏表示的心电信号身份识别方法。
一个或多个实施例提供了一种身份识别系统，包括心电信号获取装置和所述的计算机装置；其中，所述心电信号获取装置采集注册用户或待识别身份用户的心电信号并发送至所述计算机装置。
以上一个或多个技术方案存在以下有益效果：
1、本公开提供了一种基于字典学习和稀疏表示的心电信号身份识别方法，通过构建针对心电信号训练集的过完备字典，来得到心电信号的稀疏表示，这种表示方法，将心电信号表示为过完备字典的原子的线性组合，提取了心电信号的本质特征，能够有效过滤因运动状态、身体姿势等用户状态带来的信号差异，提升了识别过程的鲁棒性，另外，稀疏表示也可以有效的利用心电信号的结构特征，有效地提高同源信号的识别效果。
2、进行过完备字典和稀疏表示过程中，通过对每一个小的波段单独训练一个子字典，使得字典更具有针对性，所得到的稀疏表示能够更加准确地反应心电信号的本质特征；另外在身份识别阶段，通过对不同波段赋予不同的权重，使得不同波段的判别信息的重要程度不同，以提高识别的效果。
附图说明
构成本公开的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例一中基于字典学习和稀疏表示的心电信号身份识别方法的整体流程图；
图2为本公开实施例一中过完备字典学习的流程图；
图3为本公开实施例一中基于过完备字典进行身份识别的过程。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
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。
实施例一
本实施例公开了一种基于字典学习和稀疏表示的心电信号身份识别方法，如图1所示，所述方法包括以下步骤：
步骤1：接收注册心电信号集，基于每个注册心电信号学习过完备字典；
步骤2：采用所述过完备字典得到各注册心电信号相应的稀疏表示；
步骤3：若接收到待识别心电信号，基于所述字典得到所述待识别心电信号的稀疏表示；
步骤4：基于待识别心电信号和各注册心电信号的稀疏表示，进行身份识别。
所述步骤1具体包括：
步骤1.1：对心电信号进行分割，并对分割点的前后信号进行采样，得到单周期心电信号；
所述步骤1.1进一步包括：
对心电信号进行滤波处理，去除基线漂移、工频干扰、肌电干扰等造成的噪声；
由于心电信号的QRS波具有强辨识度，且易于检测，所以通过检测心电信号的QRS波，确定R点位置，根据心电信号的采样频率，取R点前n个采样点，以及R点之后m个采样点，作为单个周期的信号s，所以单周期信号s的长度为(n+m+1)；
计算所有单周期信号的平均值
Figure BDA0001858319540000041
通过计算所有单周期信号s与平均值
Figure BDA0001858319540000042
的距离，去除距离过大，即心电信号受噪声影响较大的信号。
步骤1.2：检测心电信号的Q、R和S点作为基准点，基于基准点对单周期心电信号进行划分，得到QRS波，QRS之前的波段和QRS之后的波段；
通过pan_tompkin算法进行心电信号的基准点检测，主要有Q、R和S点，这三个点在检测过程中，易于检测且检测准确率较高；将单周期信号基于这三个基准点进行分段，具体分为，QRS波之前波段,记为Spre，QRS波段SQRS以及QRS波之后的波段slast，所以：
s＝spre+sQRS+slast (1)
步骤1.3：分别对于这三个波段训练过完备字典，得到三个子字典；
对于每个波段组成的训练信号集，我们分别进行字典学习。
QRS波之前的波段组成的训练集为Spre，通过此训练集学习得到的子字典为Dpre；通过QRS波训练集SQRS学习得到的子字典为DQRS；子字典Dlast为通过QRS波之后的波段Slast训练集学习得到的，具体通过公式(2)(3)(4)计算得到。
Figure BDA0001858319540000051
Figure BDA0001858319540000052
Figure BDA0001858319540000053
所述步骤3具体包括：
步骤3.1：接收到待识别心电信号后，基于步骤1.1-1.2相同的方法得到所述待识别心电信号对应的三个波段：QRS之前的波段，QRS波和QRS之后的波段，记为Tpre，TQRS，Tlast；
步骤3.2：分别采用步骤1.3学习得到的三个波段的字典，得到相应波段的稀疏表示：
将Tpre通过子字典Dpre进行稀疏表示，得到Gpre：
Figure BDA0001858319540000054
将TQRS通过子字典DQRS进行稀疏表示，得到GQRS；
Figure BDA0001858319540000055
将Tlast通过子字典Dlast进行稀疏表示，得到Glast：
Figure BDA0001858319540000056
将三个波段的稀疏表示系数Gpre、GQRS、Glast进行拼接，即得到测试信号的稀疏表示：
G＝[Gpre,GQRS,Glast]
所述步骤4具体包括：
步骤4.1：分别对注册心电信号和待识别心电信号对应的三个波段赋予权重，得到注册心电信号和待识别心电信号的加权稀疏表示。
其中将QRS波对应的稀疏表示部分赋予一个数值相对较大的权重，其他两个部分赋予相对小的权重。由于QRS波段相对于其他两部分的波段更具有稳定性、判别性以及易于检测性，所以在进行分类操作时，我们通过赋予SQRS的稀疏表示一个稍大的权重ω2，以此增强QRS波的重要性；对于其他两个波段，我们赋予其稍小的权重ω1。
训练集的加权稀疏表示：
Figure BDA0001858319540000057
测试集的加权稀疏表示：
Figure BDA0001858319540000058
步骤4.2：将待识别心电信号的稀疏表示与注册心电信号的稀疏表示通过计算相关距离，将待识别心电信号判为与其距离最小的注册心电信号所属的类别，以此完成心电信号身份识别。
具体通过公式(8)计算。
Figure BDA0001858319540000061
所述方法还包括：若接收新添加的注册心电信号，对所述新添加的注册心电信号进行过完备字典的学习。
实施例二
本实施例的目的是提供一种计算机装置。
一种计算机装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
接收注册心电信号集，基于每个注册心电信号学习过完备字典；
采用所述过完备字典得到各注册心电信号相应的稀疏表示；
若接收到待识别心电信号，基于所述字典得到所述待识别心电信号的稀疏表示；
基于待识别心电信号和各注册心电信号的稀疏表示，进行身份识别。
实施例三
本实施例的目的是提供一种身份识别系统。
为了实现上述目的，本公开采用如下一种技术方案：
本实施例提供了一种身份识别系统，包括心电信号获取装置和计算机装置；
所述心电信号获取装置采集注册用户或待识别身份用户的心电信号并发送至所述计算机装置；
所述计算机装置基于实施例一中所提供的方法，基于注册用户的心电信号集执行过完备字典的学习，以及对待识别用户身份进行识别。
所述身份识别系统可以广泛应用于公司企业、公安、金融、机场、地铁、边防口岸等多个对人员身份进行识别的重要领域。
以上实施例二、三和四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
以上一个或多个实施例具有以下技术效果：
1、本公开提供了一种基于字典学习和稀疏表示的心电信号身份识别方法，通过构建针对心电信号训练集的过完备字典，来得到心电信号的稀疏表示，这种表示方法，将心电信号表示为过完备字典的原子的线性组合，提取了心电信号的本质特征，提升识别过程的鲁棒性等，另外，稀疏表示也可以有效的利用心电信号的结构特征，有效地提高同源信号的识别效果。
2、进行过完备字典和稀疏表示过程中，通过对每一个小的波段单独训练一个子字典，使得字典更具有针对性，所得到的稀疏表示能够更加准确地反应心电信号的本质特征；另外在身份识别阶段，通过对不同波段赋予不同的权重，使得不同波段的判别信息的重要程度不同，以提高识别的效果。
本领域技术人员应该明白，上述本申请的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本申请不限制于任何特定的硬件和软件的结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本申请的具体实施方式进行了描述，但并非对本申请保护范围的限制，所属领域技术人员应该明白，在本申请的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本申请的保护范围以内。

Claims (6)

1.一种基于字典学习和稀疏表示的心电信号身份识别方法，其特征在于，包括以下步骤：
接收注册心电信号集，基于每个注册心电信号学习过完备字典；
采用所述过完备字典得到各注册心电信号相应的稀疏表示；
若接收到待识别心电信号，基于所述字典得到所述待识别心电信号的稀疏表示；
基于待识别心电信号和各注册心电信号的稀疏表示，进行身份识别；
接收到注册心电信号或待识别心电信号后，均执行以下处理：
检测心电信号的Q、R和S点作为基准点；
将R点作为心电信号的分割点，对所述分割点前后的信号进行采样，得到单周期心电信号；
基于Q点和S点对单周期心电信号进行划分，得到QRS波，QRS之前的波段和QRS之后的波段；
所述学习过完备字典包括：
分别基于注册心电信号的QRS波，QRS之前的波段和QRS之后的波段进行过完备字典的学习：
Figure 588906DEST_PATH_IMAGE001
其中，
Figure 497956DEST_PATH_IMAGE002
表示注册心电信号
Figure 98702DEST_PATH_IMAGE003
波段对应的信号集，
Figure 93203DEST_PATH_IMAGE004
表示
Figure 811498DEST_PATH_IMAGE003
波段对应的过完备字典，
Figure 575055DEST_PATH_IMAGE005
表示注册心电信号
Figure 612281DEST_PATH_IMAGE003
波段对应的稀疏表示，
Figure 828498DEST_PATH_IMAGE003
指代QRS波，QRS之前的波段或QRS之后的波段；
进行过完备字典和稀疏表示过程中，通过对划分的波段单独训练一个子字典，使得字典更具有针对性，进行身份识别时，分别将注册心电信号和待识别心电信号对应的三个波段的稀疏表示进行拼接，并赋予权重，得到注册心电信号和待识别心电信号的加权稀疏表示。
2.如权利要求1所述的一种基于字典学习和稀疏表示的心电信号身份识别方法，其特征在于，所述得到所述待识别心电信号的稀疏表示包括：
Figure 851949DEST_PATH_IMAGE006
其中，
Figure 470012DEST_PATH_IMAGE007
表示待识别心电信号
Figure 678140DEST_PATH_IMAGE003
波段对应的信号集，
Figure 381654DEST_PATH_IMAGE008
表示
Figure 943216DEST_PATH_IMAGE003
波段对应的过完备字典，
Figure 681365DEST_PATH_IMAGE009
表示待识别心电信号
Figure 60394DEST_PATH_IMAGE003
波段对应的稀疏表示，
Figure 251204DEST_PATH_IMAGE003
指代QRS波，QRS之前的波段或QRS之后的波段。
3.如权利要求1所述的一种基于字典学习和稀疏表示的心电信号身份识别方法，其特征在于，所述进行身份识别包括：
计算待识别心电信号和注册心电信号的稀疏表示之间的距离；
将待识别心电信号判为与其距离最小的注册心电信号所属的类别。
4.如权利要求1所述的一种基于字典学习和稀疏表示的心电信号身份识别方法，其特征在于，所述方法还包括：若接收新添加的注册心电信号，对所述新添加的注册心电信号进行过完备字典的学习。
5.一种基于字典学习和稀疏表示的心电信号身份识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一项所述的基于字典学习和稀疏表示的心电信号身份识别方法。
6.一种身份识别系统，其特征在于，包括心电信号获取装置和如权利要求5所述的基于字典学习和稀疏表示的心电信号身份识别装置；其中，所述心电信号获取装置采集注册用户或待识别身份用户的心电信号并发送至所述基于字典学习和稀疏表示的心电信号身份识别装置。
CN201811324427.1A 2018-11-08 2018-11-08 基于字典学习和稀疏表示的心电信号身份识别方法和系统 Active CN109330584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811324427.1A CN109330584B (zh) 2018-11-08 2018-11-08 基于字典学习和稀疏表示的心电信号身份识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811324427.1A CN109330584B (zh) 2018-11-08 2018-11-08 基于字典学习和稀疏表示的心电信号身份识别方法和系统

Publications (2)

Publication Number Publication Date
CN109330584A CN109330584A (zh) 2019-02-15
CN109330584B true CN109330584B (zh) 2020-09-18

Family

ID=65314298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811324427.1A Active CN109330584B (zh) 2018-11-08 2018-11-08 基于字典学习和稀疏表示的心电信号身份识别方法和系统

Country Status (1)

Country Link
CN (1) CN109330584B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109645985B (zh) * 2019-02-22 2021-09-17 南京大学 一种对单通道孕妇腹壁电母体心电图r峰进行检测的方法
CN110742599B (zh) * 2019-11-01 2022-05-10 广东工业大学 一种心电信号特征提取分类方法及系统
CN110786850B (zh) * 2019-11-11 2022-03-15 菏泽学院 基于多特征稀疏表示的心电信号身份识别方法及系统
CN111400685B (zh) * 2020-02-25 2023-04-21 西华大学 一种采用竞争匹配的安全身份验证方法
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
CN112818315B (zh) * 2021-02-26 2022-03-15 山东大学 一种融合多特征信息的心电信号身份识别方法及系统
CN114027853B (zh) * 2021-12-16 2022-09-27 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102688032A (zh) * 2012-05-11 2012-09-26 东华大学 基于精简公共字典库的心电信号稀疏分解压缩系统
CN105989266A (zh) * 2015-02-11 2016-10-05 北京三星通信技术研究有限公司 基于心电信号的认证方法、装置及系统
CN106650685A (zh) * 2016-12-29 2017-05-10 深圳先进技术研究院 一种基于心电图信号的身份识别方法及装置
CN108537100A (zh) * 2017-11-17 2018-09-14 吉林大学 一种基于pca和lda分析的心电信号身份识别方法及系统
CN108685570A (zh) * 2017-04-12 2018-10-23 中国科学院微电子研究所 一种过完备字典的处理方法、装置及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170188868A1 (en) * 2016-01-04 2017-07-06 AventuSoft, LLC System and method of identification of the heart valve signals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102688032A (zh) * 2012-05-11 2012-09-26 东华大学 基于精简公共字典库的心电信号稀疏分解压缩系统
CN105989266A (zh) * 2015-02-11 2016-10-05 北京三星通信技术研究有限公司 基于心电信号的认证方法、装置及系统
CN106650685A (zh) * 2016-12-29 2017-05-10 深圳先进技术研究院 一种基于心电图信号的身份识别方法及装置
CN108685570A (zh) * 2017-04-12 2018-10-23 中国科学院微电子研究所 一种过完备字典的处理方法、装置及系统
CN108537100A (zh) * 2017-11-17 2018-09-14 吉林大学 一种基于pca和lda分析的心电信号身份识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research Advances on Dictionary Learning Models, Algorithms and Applications;练秋生等;《ACTA AUTOMATICA SINICA》;20150228;第41卷(第2期);第240-260页 *
基于稀疏分解的心电信号特征波检测及心电数据压缩;肖波等;《Science and Technology Innovation Herald》;20131231;第243页 *

Also Published As

Publication number Publication date
CN109330584A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109330584B (zh) 基于字典学习和稀疏表示的心电信号身份识别方法和系统
CN110786850B (zh) 基于多特征稀疏表示的心电信号身份识别方法及系统
Li et al. Robust ECG biometrics using GNMF and sparse representation
Wang et al. A novel heart rate robust method for short-term electrocardiogram biometric identification
CN110008674B (zh) 一种高泛化性的心电信号身份认证方法
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
CN107122643B (zh) 基于ppg信号和呼吸信号特征融合的身份识别方法
CN112426160A (zh) 一种心电信号类型识别方法及装置
Zhao et al. Heart sound biometric system based on marginal spectrum analysis
CN105117708A (zh) 人脸表情识别的方法和装置
CN113539501A (zh) 一种呼吸机人机异步分类方法、系统、终端以及存储介质
CN104102903A (zh) 一种基于src的二次人脸识别方法
CN112037929A (zh) 基于多模态机器学习的分类方法、在线新冠肺炎预警模型训练方法及预警方法
Li et al. Improvements on EMG-based handwriting recognition with DTW algorithm
Xie et al. WT feature based emotion recognition from multi-channel physiological signals with decision fusion
Xiao et al. A low-complexity compressed sensing reconstruction method for heart signal biometric recognition
Cabra Lopez et al. Sex recognition through ECG signals aiming toward smartphone authentication
Whitehill et al. Whosecough: In-the-wild cougher verification using multitask learning
CN114578963A (zh) 一种基于特征可视化和多模态融合的脑电身份识别方法
Urteaga et al. A machine learning model for the prognosis of pulseless electrical activity during out-of-hospital cardiac arrest
CN116671919B (zh) 一种基于可穿戴设备的情绪检测提醒方法
Hazratifard et al. Ensemble Siamese Network (ESN) using ECG signals for human authentication in smart healthcare system
CN107822627B (zh) 一种基于脑电信号的眼动信号识别方法
Haibing et al. A method of continuous wavelet transform for qrs wave detection in ecg signal
Yousofvand et al. Person identification using ECG signal’s symbolic representation and dynamic time warping adaptation

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