CN109497990B - 一种基于典型相关分析的心电信号身份识别方法及系统 - Google Patents

一种基于典型相关分析的心电信号身份识别方法及系统 Download PDF

Info

Publication number
CN109497990B
CN109497990B CN201811612662.9A CN201811612662A CN109497990B CN 109497990 B CN109497990 B CN 109497990B CN 201811612662 A CN201811612662 A CN 201811612662A CN 109497990 B CN109497990 B CN 109497990B
Authority
CN
China
Prior art keywords
electrocardiosignal
electrocardiosignals
local
feature
identified
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
CN201811612662.9A
Other languages
English (en)
Other versions
CN109497990A (zh
Inventor
杨公平
孙彦文
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 CN201811612662.9A priority Critical patent/CN109497990B/zh
Publication of CN109497990A publication Critical patent/CN109497990A/zh
Application granted granted Critical
Publication of CN109497990B publication Critical patent/CN109497990B/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
    • A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于典型相关分析的心电信号身份识别方法及系统，所述方法包括：接收多个个体的心电信号并分别进行单周期分割；对每个单周期心电信号采集相同数量的样本点得到训练集；根据所述训练集，采用主成分分析方法提取全局特征；按照相同划分规则将每个单周期心电信号划分为多个片段，将相同位置的片段分别组合，得到多个局部特征；采用典型相关分析方法将所述全局特征和多个局部特征进行特征融合；接收待识别心电信号，结合特征融合结果，基于所述一致性得到识别结果。本发明通过CCA方法融合心电信号的局部特征和整体特征，使得其对心电信号的突变、外界的干扰等局部变化获得较高的稳定性，提高了身份识别准确性。

Description

一种基于典型相关分析的心电信号身份识别方法及系统
技术领域
本发明涉及心电信号识别领域，具体地说是一种基于典型相关分析的心电信号身份识别方法及系统。
背景技术
伴随着科技的进步与发展，人们对个人信息的保密要求也越来越高。传统的生物特征识别方法，如：人脸、指纹和声音等，虽然识别率较高，但是存在着假冒的可能，还有些用户不想泄漏上述个人信息。利用心电信号进行人体身份识别已成为一种新型的生物识别技术。心电信号符合生物识别技术的基本条件：普遍性、唯一性、稳定性和可测量性。与现有生物识别技术相比，基于心电信号的身份识别技术还有以下优点：1)心电信号是人体内部特征，很难被模仿或者仿制；2)心电信号采集方便，可在手指或者手腕处采集；3)心电信号是人体固有特征，不可能忘记或丢失；4)心电信号可用于病人疾病监测；5)心电信号是二维信号，处理简单，存储空间小。然而心电信号也容易受人体心理和生理活动的影响，造成同一个人在不同状态、不同时刻下的心电信号产生波动，进而影响识别效果。总体来说，基于心电信号的识别方法仍未进入规模应用阶段，许多问题尚待解决，身份识别的准确性仍有待提高。
发明内容
为克服上述现有技术的不足，本公开提供了一种基于典型相关分析的心电信号身份识别方法及系统。该方法能够充分利用心电信号的结构特征，对心电信号进行片段划分避免心电中存在样本小、非线性等问题，并提取心电信号局部特征；利用主成分分析法(PCA)获取心电信号的全局特征。采用典型相关分析(CCA)对局部和全局特征进行融合，通过最大化两组特征间的相关性，找出两个线性变换的投影矩阵，使得变换后的两组数据相关性最大化。采用投票法得到心电识别的结果，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：
一种基于典型相关分析的心电信号身份识别方法，包括以下步骤：
接收多个个体的心电信号并分别进行单周期分割，得到相应的单周期心电信号；
对每个所述单周期心电信号采集相同数量的样本点得到训练集；根据所述训练集，采用主成分分析方法提取全局特征；
按照相同划分规则将每个所述单周期心电信号划分为多个片段，将所述多个单周期心电信号中相同位置的片段分别组合，得到多个局部特征；
采用典型相关分析方法将所述全局特征和多个局部特征进行特征融合；
接收待识别心电信号并进行单周期分割，将得到的单周期心电信号根据所述划分规则划分为多个片段，对于每个所述片段，结合特征融合结果，依次计算与相应位置局部特征的一致性，基于所述一致性得到识别结果。
进一步地，进行单周期分割之前，还对所述多个心电信号采用巴特沃斯带通滤波器和抗50Hz干扰差分法进行预处理。
进一步地，所述单周期分割包括：检测待分割心电信号的R波波峰，从R波波峰向两侧取K/2个点，作为单周期心电信号。
进一步地，所述采用主成分分析方法提取全局特征包括：
假设对所述训练集进行主成分分析，得到投影矩阵，所述训练集表示为TrainK*N，N表示心电信号个数，K表示每个心电信号的样本点个数；
基于所述投影矩阵，对所述训练集进行投影，得到全局特征
Trainx＝(x1,x2,...,xN)k1*N，其中，K1<K。
进一步地，所述采用典型相关分析方法将所述全局特征和局部特征进行融合包括：
将所述全局特征和每个局部特征分别组成一个训练集(Traini,Trainx)，其中Traini为局部特征，i＝1…M，M为每个单周期心电信号划分的片段个数；
采用典型相关分析方法对每个训练集进行特征融合，得到M个投影矩阵对
Figure BDA0001925135700000021
其中，
Figure BDA0001925135700000022
分别是局部特征和全局特征投影到融合特征的投影矩阵。
进一步地，设待识别的单周期心电信号划分片段后记为(t1,t2,...,tj,...,tM)，其中，tj表示第j个心电信号片段，相应位置的局部特征为Traini＝(yi1,yi2,...,yik,...,yiN)，其中，yik表示该局部特征中第k个类别的特征子向量；
对于每个片段，依次计算与相应位置局部特征中各个体特征子向量的一致性：
Figure BDA0001925135700000023
将所属片段的类别Cj记为与其一致性最大的特征子向量所属类别；
得到每个片段的所属类别后，采用投票法确定所述待识别心电信号所属类别。
进一步地，所述采用投票法确定所述待识别心电信号所属类别包括：
根据每个片段的所属类别，计算所述待识别心电信号属于每一个类别的概率；
概率最大的类别记为所述待识别心电信号的识别结果。
进一步地，所述待识别心电信号属于类别k的概率计算公式为：
Figure BDA0001925135700000031
其中，若第j个心电信号片段被判为属于类别k时，dj＝1，否则，dj＝0。
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典型相关分析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：
本公开提供了心电信号身份识别方法中，将心电信号特征分为全局特征和局部特征，全局特征主要描述心电整体属性，局部特征主要描述心电细节变化。通过CCA方法融合心电信号的局部特征和整体特征，利用全局特征和局部特征间的互补关系，使得其对心电信号的突变、外界的干扰等局部变化获得较高的稳定性。此外，采用投票决策机制获取最终识别结果，使得局部变化被控制在个别区域，提高了心电信号识别率和鲁棒性具有较好的心电识别效果。
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为本公开实施例一基于典型相关分析的心电信号身份识别方法流程框架图。
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典型相关分析的心电信号身份识别方法，如图1所示，包括以下步骤
步骤1：接收多个个体的心电信号并分别进行预处理以及单周期分割，得到所述多个个体相应的单周期心电信号。
干扰ECG信号的主要因素有：基线漂移、肌电干扰(5-2000Hz)和工频干扰(50Hz)。
所述预处理包括：采用巴特沃斯带通滤波器去除基线漂移和大尺度的肌电干扰；采用抗50Hz干扰差分算法去除工频干扰，从而得到一系列干扰小的标准心电信号。
所述单周期分割包括：依靠检测R波波峰的算法确定心电信号R波的位置，从R波波峰向两侧取K/2个点，作为单周期心电信号，其中，K取值小于两个R波波峰之间的距离。
步骤2：对于每个所述单周期心电信号，提取全局特征和多个局部特征。
所述步骤2具体包括：
步骤2.1：采用PCA提取心电信号全局特征作为CCA融合特征的一组特征矢量。
具体过程如下：
(1)假设有N个经过预处理和单周期分割的心电信号，每一个心电信号取K个样本点，组成训练集TrainK*N，对其进行PCA特征提取，得到投影矩阵WPCA。
(2)基于求得的投影矩阵WPCA，对TrainK*N中所有的样本进行投影，产生一组新的低维特征向量组Trainx＝(x1,x2,...,xN)k1*N，其中K1<K。
步骤2.2：将所述心电周期信号划分为多个片段，提取局部特征。将已经经过预处理的心电周期信号划分为多个片段，把相同位置上的片段组成多个子集，这样既保留了心电信号片段之间位置特征，也更充分利用了每个片段的局部信息。具体过程如下：
(1)对N个单周期心电信号训练集Traink*N，以分割法将每个的心电信号分割为M个大小相等的心电片段，此时每个心电信号片段有K/M个样本点；
(2)心电信号被分割后构建局部特征子集，根据处于原始心电信号相同位置的各心电片段组成一个独立的特征子集，可以得到M个独立的特征子集，即局部特征：Train1，Train2，…，TrainM，每个特征子集Traini大小为(K/M)*N。
步骤3：采用典型相关分析(CCA算法)对全局和局部特征融合。
步骤3.1：将每个局部特征与全局特征组成一个训练集(Traini,Trainx)；Traini表示局部特征，i＝1…M，每个Traini包含N个心电片段样本，Traini＝(yi1,yi2,...,yik,...,yiN)(K/M)*N，每个样本维度K/M。
步骤3.2：用CCA算法对每个训练集进行特征融合得到最佳投影矩阵对
Figure BDA0001925135700000051
使得基于该投影矩阵对步骤3.1中的训练集投影后得到的两组低维特征向量内部元素之间相关性最低，两组低维特征向量之间相关性最大。
将所有局部特征Traini(i＝1…M)分别与全局特征Trainx构建上述CCA投影矩阵，得到M个投影矩阵对
Figure BDA0001925135700000052
通过以上步骤，能够得到所有注册用户的心电信号特征数据。后续步骤将根据这些特征数据，对输入的未知心电信号进行识别，确定相应的用户身份。
步骤4：接收待识别心电信号，采用投票法进行分类识别。
步骤4.1：对于某一个待识别心电信号样本，进行预处理后，按照上述统一规则划分为M个心电片段，记为(t1,t2,...,tj,...,tM)，每个心电片段tj大小为(K/M)*1，其中j＝1…M。
步骤4.2：对于每个片段tj，依次计算与相应位置局部特征Traini＝(yi1,yi2,...,yik,...,yiN)中每个特征子向量的一致性，每个特征子向量对应一个类别，即一个用户个体。
定义两个特征子向量yik和tj之间一致性为：
Figure BDA0001925135700000053
其中，
Figure BDA0001925135700000054
表示步骤3.2中得到的关于局部特征的投影矩阵。
步骤4.3：确定该心电片段类别为特征子集Traini中与其一致性最大的特征子向量所属类别，记为Cj：
Figure BDA0001925135700000055
M个心电片段的到M个判定结果Cj(j＝1…M)。
步骤4.4：以投票方式确定待识别心电信号样本的类别。
首先，根据每个片段的所属类别，计算所述待识别心电信号属于每一个类别的概率。待测样本被识别为第k类概率定义为：
Figure BDA0001925135700000056
其中，若第j个心电信号片段被判为属于类别k时，dj＝1，否则，dj＝0。
然后，将概率最大的类别记为所述待识别心电信号的识别结果：
Figure BDA0001925135700000061
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：
接收多个个体的心电信号并分别进行单周期分割，得到相应的单周期心电信号；
对每个所述单周期心电信号采集相同数量的样本点得到训练集；根据所述训练集，采用主成分分析方法提取全局特征；
按照相同划分规则将每个所述单周期心电信号划分为多个片段，将所述多个单周期心电信号中相同位置的片段分别组合，得到多个局部特征；
采用典型相关分析方法将所述全局特征和多个局部特征进行融合；
接收待识别心电信号并进行单周期分割，将得到的单周期心电信号根据所述划分规则划分为多个片段，对于每个所述片段，依次计算与相应位置局部特征的一致性，基于所述一致性得到识别结果。
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提取全局特征和局部特征并基于典型相关分析方法进行特征融合，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。
以上实施例二和三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：
本公开提供了心电信号身份识别方法中，将心电信号特征分为全局特征和局部特征，全局特征主要描述心电整体属性，局部特征主要描述心电细节变化。通过CCA方法融合心电信号的局部特征和整体特征，利用全局特征和局部特征间的互补关系，使得其对心电信号的突变、外界的干扰等局部变化获得较高的稳定性。此外，采用投票决策机制获取最终识别结果，使得局部变化被控制在个别区域，提高了心电信号识别率和鲁棒性具有较好的心电识别效果。
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 (8)

1.一种基于典型相关分析的心电信号身份识别方法，其特征在于，包括以下步骤：
接收多个个体的心电信号并分别进行单周期分割，得到相应的单周期心电信号；
对每个所述单周期心电信号采集相同数量的样本点得到训练集；根据所述训练集，采用主成分分析方法提取全局特征；
按照相同划分规则将每个所述单周期心电信号划分为多个片段，将所述多个单周期心电信号中相同位置的片段分别组合，得到多个局部特征；
采用典型相关分析方法将所述全局特征和多个局部特征进行特征融合；
接收待识别心电信号并进行单周期分割，将得到的单周期心电信号根据所述划分规则划分为多个片段，对于每个所述片段，结合特征融合结果，依次计算与相应位置局部特征的一致性，基于所述一致性得到识别结果；
所述单周期分割包括：检测待分割心电信号的R波波峰，从R波波峰向两侧各取K/2个样本点，作为单周期心电信号；其中，K取值小于两个R波波峰之间的距离；
所述采用主成分分析方法提取全局特征包括：
假设对所述训练集进行主成分分析，得到投影矩阵，所述训练集表示为TrainK*N，N表示心电信号个数，K表示每个心电信号的样本点个数；
基于所述投影矩阵，对所述训练集进行投影，得到全局特征Trainx＝(x1，x2，…，xN)k1*N，其中，K1<K。
2.如权利要求1所述的一种基于典型相关分析的心电信号身份识别方法，其特征在于，进行单周期分割之前，还对所述多个个体心电信号采用巴特沃斯带通滤波器和抗50Hz干扰差分法进行预处理。
3.如权利要求1所述的一种基于典型相关分析的心电信号身份识别方法，其特征在于，所述采用典型相关分析方法将所述全局特征和局部特征进行特征融合包括：
将所述全局特征和每个局部特征分别组成一个训练集(Traini,Trainx)，其中Traini为局部特征，i＝1，…，M，M为每个单周期心电信号划分的片段个数；
采用典型相关分析方法对每个训练集进行特征融合，得到M个投影矩阵对
Figure FDA0002440960120000011
其中，
Figure FDA0002440960120000012
分别是局部特征和全局特征投影到融合特征的投影矩阵。
4.如权利要求3所述的一种基于典型相关分析的心电信号身份识别方法，其特征在于，设待识别的单周期心电信号划分片段后记为(t1,t2,...,tj,...,tM)，其中，tj表示第j个心电信号片段，相应位置的局部特征为Traini＝(yi1,yi2,...,yik,...,yiN)，其中，yik表示该局部特征中第k个类别的特征子向量；
对于每个片段，依次计算与相应位置局部特征中各个体特征子向量的一致性：
Figure FDA0002440960120000021
将所属片段的类别Cj记为与其一致性最大的特征子向量所属类别；
得到每个片段的所属类别后，采用投票法确定所述待识别心电信号所属类别。
5.如权利要求4所述的一种基于典型相关分析的心电信号身份识别方法，其特征在于，所述采用投票法确定所述待识别心电信号所属类别包括：
根据每个片段的所属类别，计算所述待识别心电信号属于每一个类别的概率；
概率最大的类别记为所述待识别心电信号的识别结果。
6.如权利要求5所述的一种基于典型相关分析的心电信号身份识别方法，其特征在于，所述待识别心电信号属于类别k的概率计算公式为：
Figure FDA0002440960120000022
其中，若第j个心电信号片段被判为属于类别k时，dj＝1，否则，dj＝0。
7.一种计算机装置，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于典型相关分析的心电信号身份识别方法。
8.一种身份识别系统，其特征在于，包括心电信号获取装置和如权利要求7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。
CN201811612662.9A 2018-12-27 2018-12-27 一种基于典型相关分析的心电信号身份识别方法及系统 Active CN109497990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811612662.9A CN109497990B (zh) 2018-12-27 2018-12-27 一种基于典型相关分析的心电信号身份识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811612662.9A CN109497990B (zh) 2018-12-27 2018-12-27 一种基于典型相关分析的心电信号身份识别方法及系统

Publications (2)

Publication Number Publication Date
CN109497990A CN109497990A (zh) 2019-03-22
CN109497990B true CN109497990B (zh) 2020-06-02

Family

ID=65755018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811612662.9A Active CN109497990B (zh) 2018-12-27 2018-12-27 一种基于典型相关分析的心电信号身份识别方法及系统

Country Status (1)

Country Link
CN (1) CN109497990B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110731773B (zh) * 2019-10-28 2022-10-28 浙江工业大学 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN110786849B (zh) * 2019-11-11 2022-02-15 菏泽学院 基于多视图鉴别分析的心电信号身份识别方法及系统
CN111407261B (zh) * 2020-03-31 2024-05-21 京东方科技集团股份有限公司 生物信号的周期信息的测量方法及装置、电子设备
CN112022141B (zh) * 2020-08-07 2023-06-20 上海联影智能医疗科技有限公司 一种心电信号类别检测方法、装置及存储介质
CN112022142B (zh) * 2020-08-07 2023-10-17 上海联影智能医疗科技有限公司 心电信号类型识别方法、装置及介质
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
CN113221736B (zh) * 2021-05-11 2023-05-23 菏泽学院 基于多特征协同非负矩阵分解的心电身份识别方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901351B (zh) * 2010-07-28 2012-09-05 中国科学院自动化研究所 基于层次结构的人脸和虹膜图像融合识别方法
CN102663371B (zh) * 2012-04-25 2013-11-27 山东大学 一种耦合步态特征的低分辨率人脸识别方法
CN103714281B (zh) * 2013-12-12 2017-03-29 深圳先进技术研究院 一种基于心电信号的身份识别方法
CN105701462A (zh) * 2016-01-11 2016-06-22 成都布林特信息技术有限公司 一种身份识别方法
CN107819926B (zh) * 2016-09-13 2020-04-21 清华大学深圳研究生院 基于手机的心电身份认证装置及方法
CN106709244B (zh) * 2016-12-12 2019-08-13 西北工业大学 一种静息态同步EEG-fMRI的脑功能网络建模方法
CN107273825B (zh) * 2017-05-25 2020-09-08 西安电子科技大学 基于改进典型相关分析的生理信号融合身份识别方法
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
CN108830163B (zh) * 2018-05-21 2021-11-09 西京学院 一种基于局部判别cca的海关身份验证系统及方法
CN109165556B (zh) * 2018-07-24 2021-12-07 吉林大学 一种基于grnn身份识别方法

Also Published As

Publication number Publication date
CN109497990A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109497990B (zh) 一种基于典型相关分析的心电信号身份识别方法及系统
Hammad et al. A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication
CN108776788B (zh) 一种基于脑电波的识别方法
Yuan et al. Fingerprint liveness detection using an improved CNN with image scale equalization
Li et al. Toward improving ECG biometric identification using cascaded convolutional neural networks
Zhao et al. Noise rejection for wearable ECGs using modified frequency slice wavelet transform and convolutional neural networks
Komeili et al. Feature selection for nonstationary data: Application to human recognition using medical biometrics
Li et al. Robust ECG biometrics using GNMF and sparse representation
Wang et al. Multi-scale differential feature for ECG biometrics with collective matrix factorization
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
CN105117708A (zh) 人脸表情识别的方法和装置
CN110059564B (zh) 基于功率谱密度和互相关熵谱密度融合的特征提取方法
CN108256579A (zh) 一种基于先验知识的多模态民族认同感量化测量方法
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
Jinliang et al. EEG emotion recognition based on granger causality and capsnet neural network
Yao et al. Interpretation of electrocardiogram heartbeat by CNN and GRU
CN115349860A (zh) 一种多模态情绪识别方法、系统、设备及介质
Huang et al. Robust multi-feature collective non-negative matrix factorization for ECG biometrics
Jianfeng et al. Multi-feature authentication system based on event evoked electroencephalogram
Chen et al. Patient emotion recognition in human computer interaction system based on machine learning method and interactive design theory
CN104679967A (zh) 一种判断心理测试可靠性的方法
Kuila et al. Feature extraction of electrocardiogram signal using machine learning classification
Moreno-Rodriguez et al. BIOMEX-DB: A cognitive audiovisual dataset for unimodal and multimodal biometric systems
Wu et al. ECG identification based on neural networks
CN106650685B (zh) 一种基于心电图信号的身份识别方法及装置

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