CN110269625B - 一种新型的多特征融合的心电认证方法及系统 - Google Patents

Abstract

本发明公开一种新型的多特征融合的心电认证方法。本发明首次将希尔伯特谱图和决策层的多特征融合应用于心电的认证方法，选取了通过EEMD、希尔伯特谱变换和希尔伯特谱分析得到包括心电信号的时域、频域和能量的综合特征的希尔伯特谱图，然后通过二维CNN认证系统、一维CNN认证系统分别对心电信号认证计算各自的匹配分数，然后决策层融合，作出最终的认证决策，最终得到更高鲁棒性和泛化能力的完整心电认证系统。

Description

一种新型的多特征融合的心电认证方法及系统

技术领域

本发明属于医学信号处理领域，具体涉及一种卷积神经网络识别结合一维心电信号以及其二维希尔伯特谱图多特征融合的心电认证方法及系统。

背景技术

随着电子商务，网络安全和电子银行的应用，自动身份认证技术的数量有所增加。传统的识别和认证方法，例如个人证书，密钥，ID卡和基于密码术的其他方法，很容易被窃取和伪造。因此，研究人员开始注重基于生物信号的识别方法研究。目前用于生物特征认证的较为常见的生物信号包括人脸图片、指纹、掌纹、语音信号。这些信号仍然难以避免被假冒、复制和记录的问题，或者说比传统的密码更易被伪造，因为得到一张人脸图片或者语音是极其容易的。因此，本发明选择了心电信号(ECG)用于身份认证系统。ECG信号具有以下几个特征：(1)活体检测；(2)心电信号具有普适性；(3)不同个体心电信号差异较大，相同个体心电较为稳定；(4)可以快速即时测量。所以基于ECG的身份识别系统具有更高的安全性和可靠性。

在过去的十多年，有很多关于基于心电信号的身份认证技术的研究，大致可以分为两种主流方法，分别是基准点方法和非基准点方法。其中基准点方法大致是通过心电信号划分的PQRST波，其中QRS波占据心电信号的大多数能量。因此这类方法依靠研究者的先验知识或者经验，提取出心电诸如特征点的宽度，幅度和幅角等时域特征。非基准点方法是也仅是通过信号的时域特性提取相关的特征。很明显这样提取的特征带有主观性也并不全面。这两类经典的方法只能局限于较小的数据群体。

针对这两种方法的不足，本发明首次将希尔伯特谱图和决策层的多特征融合应用于心电的认证方法，选取了通过EEMD、希尔伯特谱变换和希尔伯特谱分析得到包括心电信号的时域、频域和能量的综合特征的希尔伯特谱图，然后通过卷积神经网络(Convolutional neuralnetwork,CNN)分别对心电信号认证计算各自的匹配分数，然后决策层融合，作出最终的认证决策，最终得到更高鲁棒性和泛化能力的完整心电认证系统。

发明内容

本发明的目的在于结合心电信号的时域，频域以及能量的多特征获取更高鲁棒性的心电认证方法，该方法通过结合CNN分别获取一维心电以及其对应的二维时频表示希尔伯特谱图的认证分数，在决策层实现多特征融合的心电的身份认证。该方法构建的系统可以自适应的获取综合心电时域频域以及能量的综合心电特征，该系统识别能力更强，鲁棒性更高且可以应用于较大的识别系统之中，有较高的实用价值和市场前景。

本发明多特征融合的心电认证方法具体包括以下步骤：

(一)心电预处理

T1、对原始心电信号进行去噪处理。根据心电信号的有效频率范围构造下限截止频率0.3Hz和上限截止频率50Hz的3阶带通滤波器滤除心电中夹杂的噪声；

T2、利用盲源分离去噪心电，获得分割后的心电片段。以2s的时间窗从心电序列截取得到分离的心电分割片段，截取的片段是重叠的，从而达到数据增强的效果；

T3、对心电数据归一化处理。确保信号的幅值在0～1之间。计算公式如式(1)

式(1)中S(t)代表分割的心电片段序列，i表示第i个序列，max和min分别表示序列的最大值和最小值；

(二)构建一维CNN和二维CNN的模板库

T4、根据步骤T3获取的心电片段，将心电数据集划分为注册集，认证集和训练集三部分构建数据库。

(二)生成心电的希尔伯特谱图系统

T5、利用EEMD算法分解步骤(一)处理后心电信号数据集(包含数据库中所有的数据)得到IMF。

EEMD的分解参数包括加入白噪声的幅度k和EMD算法重复次数M，根据先前研究经验设定M＝100，k＝0.1；

T6、根据T4的分解得到的IMF做希尔伯特谱分析，整个谱分析过程可以通过公式(2)说明，

式(2)中S(t)表示T4步骤得到的心电序列,exp()代表e的幂函数，j代表虚数，N表示S(t)分解的本征模态分量个数，A_i(t)表示信号的第i个本征模态分量的瞬时振幅函数计算公式，见公式(3)，ω_i(t)表示第i个本征模态分量的瞬时频率函数,计算公式由公式(4)和公式(5)给出。

式(3)中IMF_i(t)表示第i个本征模态分量，H(IMF_i(t))表示第i个本征模态分量的希尔伯特变换。

式(4)中θ_i(t)表示第i个本征模态分量的角度函数。

最终得到的希尔伯特谱表达式如公式(6)所示

式(6)中Re表示取实部的函数，H(w,t)表示信号的希尔伯特谱。j代表虚数符号,w为频率。

T7、通过T6步骤得到的希尔伯特谱进一步通过matlab2017a生成得到150×150的RGB图片(包含数据库所有的数据集)，作为后续二维卷积神经网络的输入。

(三)基于希尔伯特谱的二维CNN认证系统

T8、对T7步骤生成的图像进行预处理；读取生成的图片数据，按照公式(7)对所有图片数据归一化处理。

S(t)_i＝S(t)_i/255 (7)

T9、搭建卷积神经网络模型的基本框架。基本框架的模型结构包含卷积层，激活层，池化层，Dropout层，全连接层，Softmax层。其中卷积层参数卷积核尺寸为3×3，卷积核步长为2，卷积类型为有效卷积，无需填充0。激活层激活函数选取ReLU线性整流单元，函数式为f(x)＝max(0,wx+b)，w和b分别是连接权重和偏差。池化层采用最大池化操作，卷积核尺寸设置为2×2，卷积核步长为2。Dropout层是减少模型过拟合的风险，Dropout概率设定为0.2。在多次的卷积和池化层后通过Flatten层得到提取的特征，再与带有256节点数的全连接层连接，全连接层最后一层节点数等于分类识别的个体数。最后通过Softmax层计算模型对输入样本的预测类别标签。最终采用的模型：C-A-M-D-C-A-M-D-C-A-M-D-C-A-M-D-F-D-F-S，其中C代表卷积层，A代表激活层，M代表最大池化层，D代表Dropout层，F代表全连接层，S代表Softmax层。

T10、模型训练基本参数和算法的设置。模型训练的优化算法选择目前较为优秀的Adam优化算法，Adam能快速收敛且易跳出局部最优。模型训练的损失函数是对于多分类在反向传播上有更优表现的交叉熵损失函数，函数定义见公式(8)。

式(8)中L代表损失数值，y代表期望输出，a为神经元实际输出。n为识别数目,x为模型输入；

T11、模型参数调优，需要调优的参数包括卷积层数、学习率、Dropout概率等多个参数，参数调优具体操作如下：

T11-1、初始化卷积神经网络的基本参数，迭代轮次为n，初始学习率为0.001，四层的特征图数分别为16,32,64,128；

T11-2、设定迭代轮次E，选取一特定参数给定E个待定值，当前轮次为i，1≤i≤E，令i＝1；

T11-3、将训练集作为训练样本送入网络训练，得到训练好的网络，计算训练集分类结果(卷积层数和Dropout概率等调优)，绘制训练轮次与训练损失曲线(学习率调优)；

T11-4、判定i是否达到最大，若是，则比对所有结果，通过分类正确率，曲线收敛速度判定最优参数。进一步判定是否需要优化参数都已完成，若是则进入T11-5，如不是，则进入下一个参数优化，同步骤11-2；若i未达到最大则进入T11-3，并且i＝i+1，取出待定参数数组中下一个待定值；

T11-5、保存最优的参数模型及其参数；

T12、注册集通过训练的优化模型得到的特征向量构建二维CNN认证的模板；

T13、训练集通过训练的优化模型获取得到其特征向量，计算训练集(模拟实际认证的认证心电数据)与模板的欧式距离作为认证的匹配分数；

T14、对匹配分数作归一化处理，以保证分数均在[0,1]之间。归一化处理的计算公式见公式(9)，其中S代表匹配分数，N代表归一化的匹配分数，max()和min()分别代表取目标的最大值和最小值；

(四)一维卷积神经网络认证系统

T15、此过程同二维CNN的构建过程T9-T11，同样包含一维CNN的构建、训练以及模型参数的优化。其中基本框架的模型结构包含卷积层，激活层，池化层，Dropout层，全连接层，Softmax层。其中卷积层参数卷积核尺寸为3×1，卷积核步长为2，卷积类型为有效卷积，无需填充0。激活层激活函数选取ReLU线性整流单元，函数式为f(x)＝max(0,wx+b)，w和b分别是连接权重和偏差。池化层采用最大池化操作，卷积核尺寸设置为2×1，卷积核步长为2。Dropout层是减少模型过拟合的风险，Dropout概率设定为0.2。对该网络进行训练和优化得到优化的一维CNN模型；

T16、步骤T5的注册集通过优化的一维CNN得到特征向量作为一维认证模型的模板

T17、步骤T4的训练集通过优化的一维CNN得到特征向量，计算特征向量与模板的欧氏距离作为匹配分数；

T18、同步骤14；

(五)多特征融合的决策

T19、对于步骤得到的T14和T18归一化匹配分数，由于二维图谱隐含更丰富的心电特征，因此不同路径获取的匹配分数可信度是不同的，因此这里创新性的采用融合策略权重相加法，最终的融合分数S如公式(10)所示，其中s₁和s₂分别为T14和T18得到的归一化匹配分数，w₁和w₂分别为相对应的权重值，取值范围为0到1之间。

S＝s₁*w₁+s₂*w₂ (10)

T20、初始化一组w₁和w₂，选取n个阈值T₁,T₂,T₃...T_n，以不同的阈值做出认证，融合分数大于阈值的认证则成功，计算不同的阈值对应的对等错误率(Equal Error Rate,EER)，确定出当前最优的阈值，记录此时的EER。

对等错误率是在错误接受率(False Rejection Rate,FRR)和错误接受率(FalseAcceptanceRate,FAR)相等的时候的数值，获取方法是分别以FRR和FAR为横纵轴做出曲线，与过原点斜率为45度的直线的交点即为对等错误率，其中错误接受率和错误接受率定义分别如公式(11)，(12)所示，

式(11)中的参数N_T为在一次试验中所有应该被接受的样本数，参数N_TF为将本该接受的样本拒绝的数目；式(12)中的参数N_F为在一次试验中所有应该被拒绝的样本数，参数N_FT为将本该拒绝的样本接受的数目。

T21、重新选取w₁和w₂,重复T20过程，直至对等错误率达到最小，即完成w₁、w₂和最优阈值设定，多特征融合系统完成。

(六)验证

T22、将训练集的数据输入至生成心电的希尔伯特谱图、二维CNN认证系统、一维CNN认证系统，若融合分数S大于最优阈值，则判定认证成功，反之则失败。

本发明的另一个目的是提供多特征融合的心电认证系统，具体包括如下：

预处理模块对采集到的心电信号进行预处理；

生成心电的希尔伯特谱图生成模块利用EEMD算法分解预处理后的心电信号然后生成希尔伯特谱图；

二维CNN认证系统将上述希尔伯特谱图作为输入，输出特征向量，将其与模板的欧式距离作为认证的匹配分数；模板是注册集通过训练好的优化模型得到的特征向量；

一维卷积神经网络认证系统将上述希尔伯特谱图作为输入，输出特征向量，将其与模板的欧式距离作为认证的匹配分数；模板是注册集通过训练好的优化模型得到的特征向量；多特征融合系统采用融合策略权重相加法获得融合分数S，融合分数S大于最优阈值，则判定认证成功，反之则失败。

该发明通过一维CNN和二维CNN分别自适应提取心电的时域特征、频域和能量的特征，然后以一种多特征融合方法在决策层融合，提高系统的鲁邦性和可靠性，多尺度CNN的引入也能使其应用于大规模的认证系统，应用前景广泛。

附图说明

图1为本发明方法整体示意图。

具体实施方式

下面结合说明书附图对本发明做进一步的分析。

多特征融合的心电认证系统，具体包括如下：

预处理模块对采集到的心电信号进行预处理；

生成心电的希尔伯特谱图生成模块利用EEMD算法分解预处理后的心电信号然后生成希尔伯特谱图；

二维CNN认证系统将上述希尔伯特谱图作为输入，输出特征向量，将其与模板的欧式距离作为认证的匹配分数；模板是注册集通过训练好的优化模型得到的特征向量；

一维卷积神经网络认证系统将上述希尔伯特谱图作为输入，输出特征向量，将其与模板的欧式距离作为认证的匹配分数；模板是注册集通过训练好的优化模型得到的特征向量；

多特征融合系统采用融合策略权重相加法获得融合分数S，融合分数S大于最优阈值，则判定认证成功，反之则失败。

如图1所示，一种新型的多特征融合的心电认证方法包括以下步骤：

本发明多特征融合的心电认证方法具体包括以下步骤：

(一)心电预处理

T1、对原始心电信号进行去噪处理。根据心电信号的有效频率范围构造下限截止频率0.3Hz和上限截止频率50Hz的3阶带通滤波器滤除心电中夹杂的噪声；

T2、利用盲源分离去噪心电，获得分割后的心电片段。以2s的时间窗从心电序列截取得到分离的心电分割片段，截取的片段是重叠的，从而达到数据增强的效果；

T3、对心电数据归一化处理。确保信号的幅值在0～1之间。计算公式如式(1)

式(1)中S(t)代表分割的心电片段序列，i表示第i个序列，max和min分别表示序列的最大值和最小值；

(三)构建一维CNN和二维CNN的模板库

T4、根据步骤T3获取的心电片段，将心电数据集划分为注册集，认证集和训练集三部分构建数据库。

(六)生成心电的希尔伯特谱图系统

T5、利用EEMD算法分解步骤(一)处理后心电信号数据集(包含数据库中所有的数据)得到IMF。

EEMD的分解参数包括加入白噪声的幅度k和EMD算法重复次数M，根据先前研究经验设定M＝100，k＝0.1；

T6、根据T4的分解得到的IMF做希尔伯特谱分析，整个谱分析过程可以通过公式(2)说明，

式(2)中S(t)表示T4步骤得到的心电序列,exp()代表e的幂函数，j代表虚数，N表示S(t)分解的本征模态分量个数，A_i(t)表示信号的第i个本征模态分量的瞬时振幅函数计算公式，见公式(3)，ω_i(t)表示第i个本征模态分量的瞬时频率函数,计算公式由公式(4)和公式(5)给出。

式(3)中IMF_i(t)表示第i个本征模态分量，H(IMF_i(t))表示第i个本征模态分量的希尔伯特变换。

式(4)中θ_i(t)表示第i个本征模态分量的角度函数。

最终得到的希尔伯特谱表达式如公式(6)所示

式(6)中Re表示取实部的函数，H(w,t)表示信号的希尔伯特谱。j代表虚数符号,w为频率。

T7、通过T6步骤得到的希尔伯特谱进一步通过matlab2017a生成得到150×150的RGB图片(包含数据库所有的数据集)，作为后续二维卷积神经网络的输入。

(七)基于希尔伯特谱的二维CNN认证系统

T8、对T7步骤生成的图像进行预处理；读取生成的图片数据，按照公式(7)对所有图片数据归一化处理。

S(t)_i＝S(t)_i/255 (7)

T9、搭建卷积神经网络模型的基本框架。基本框架的模型结构包含卷积层，激活层，池化层，Dropout层，全连接层，Softmax层。其中卷积层参数卷积核尺寸为3×3，卷积核步长为2，卷积类型为有效卷积，无需填充0。激活层激活函数选取ReLU线性整流单元，函数式为f(x)＝max(0,wx+b)，w和b分别是连接权重和偏差。池化层采用最大池化操作，卷积核尺寸设置为2×2，卷积核步长为2。Dropout层是减少模型过拟合的风险，Dropout概率设定为0.2。在多次的卷积和池化层后通过Flatten层得到提取的特征，再与带有256节点数的全连接层连接，全连接层最后一层节点数等于分类识别的个体数。最后通过Softmax层计算模型对输入样本的预测类别标签。最终采用的模型：C-A-M-D-C-A-M-D-C-A-M-D-C-A-M-D-F-D-F-S，其中C代表卷积层，A代表激活层，M代表最大池化层，D代表Dropout层，F代表全连接层，S代表Softmax层。

T10、模型训练基本参数和算法的设置。模型训练的优化算法选择目前较为优秀的Adam优化算法，Adam能快速收敛且易跳出局部最优。模型训练的损失函数是对于多分类在反向传播上有更优表现的交叉熵损失函数，函数定义见公式(8)。

式(8)中L代表损失数值，y代表期望输出，a为神经元实际输出。n为识别数目,x为模型输入；

T11、模型参数调优，需要调优的参数包括卷积层数、学习率、Dropout概率等多个参数，参数调优具体操作如下：

T11-1、初始化卷积神经网络的基本参数，迭代轮次为n，初始学习率为0.001，四层的特征图数分别为16,32,64,128；

T11-2、设定迭代轮次E，选取一特定参数给定E个待定值，当前轮次为i，1≤i≤E，令i＝1；

T11-3、将训练集作为训练样本送入网络训练，得到训练好的网络，计算训练集分类结果(卷积层数和Dropout概率等调优)，绘制训练轮次与训练损失曲线(学习率调优)；

T11-4、判定i是否达到最大，若是，则比对所有结果，通过分类正确率，曲线收敛速度判定最优参数。进一步判定是否需要优化参数都已完成，若是则进入T11-5，如不是，则进入下一个参数优化，同步骤11-2；若i未达到最大则进入T11-3，并且i＝i+1，取出待定参数数组中下一个待定值；

T11-5、保存最优的参数模型及其参数；

T12、注册集通过训练的优化模型得到的特征向量构建二维CNN认证的模板；

T13、训练集通过训练的优化模型获取得到其特征向量，计算训练集(模拟实际认证的认证心电数据)与模板的欧式距离作为认证的匹配分数；

T14、对匹配分数作归一化处理，以保证分数均在[0,1]之间。归一化处理的计算公式见公式(9)，其中S代表匹配分数，N代表归一化的匹配分数，max()和min()分别代表取目标的最大值和最小值；

(八)一维卷积神经网络认证系统

T15、此过程同二维CNN的构建过程T9-T11，同样包含一维CNN的构建、训练以及模型参数的优化。其中基本框架的模型结构包含卷积层，激活层，池化层，Dropout层，全连接层，Softmax层。其中卷积层参数卷积核尺寸为3×1，卷积核步长为2，卷积类型为有效卷积，无需填充0。激活层激活函数选取ReLU线性整流单元，函数式为f(x)＝max(0,wx+b)，w和b分别是连接权重和偏差。池化层采用最大池化操作，卷积核尺寸设置为2×1，卷积核步长为2。Dropout层是减少模型过拟合的风险，Dropout概率设定为0.2。对该网络进行训练和优化得到优化的一维CNN模型；

T16、步骤T5的注册集通过优化的一维CNN得到特征向量作为一维认证模型的模板

T17、步骤T4的训练集通过优化的一维CNN得到特征向量，计算特征向量与模板的欧氏距离作为匹配分数；

T18、同步骤14；

(九)多特征融合的决策

T19、对于步骤得到的T14和T18归一化匹配分数，由于二维图谱隐含更丰富的心电特征，因此不同路径获取的匹配分数可信度是不同的，因此这里创新性的采用融合策略权重相加法，最终的融合分数S如公式(10)所示，其中s₁和s₂分别为T14和T18得到的归一化匹配分数，w₁和w₂分别为相对应的权重值，取值范围为0到1之间。

S＝s₁*w₁+s₂*w₂ (10)

T20、初始化一组w₁和w₂，选取n个阈值T₁,T₂,T₃...T_n，以不同的阈值做出认证，融合分数大于阈值的认证则成功，计算不同的阈值对应的对等错误率(Equal Error Rate,EER)，确定出当前最优的阈值，记录此时的EER。

对等错误率是在错误接受率(False Rejection Rate,FRR)和错误接受率(FalseAcceptanceRate,FAR)相等的时候的数值，获取方法是分别以FRR和FAR为横纵轴做出曲线，与过原点斜率为45度的直线的交点即为对等错误率，其中错误接受率和错误接受率定义分别如公式(11)，(12)所示，

式(11)中的参数N_T为在一次试验中所有应该被接受的样本数，参数N_TF为将本该接受的样本拒绝的数目；式(12)中的参数N_F为在一次试验中所有应该被拒绝的样本数，参数N_FT为将本该拒绝的样本接受的数目。

T21、重新选取w₁和w₂,重复T20过程，直至对等错误率达到最小，即完成w₁、w₂和最优阈值设定，多特征融合系统完成。

(六)验证

T22、将训练集的数据输入至生成心电的希尔伯特谱图、二维CNN认证系统、一维CNN认证系统，若融合分数S大于最优阈值，则判定认证成功，反之则失败。

Claims (6)

1.一种新型的多特征融合的心电认证方法，其特征在于该方法包括以下步骤：

(一)心电预处理

T1、对原始心电信号进行去噪处理；

T2、利用盲源分离去噪心电，获得分割后的心电片段；

T3、对心电数据归一化处理；确保信号的幅值在0～1之间；计算公式如式(1)

式(1)中S(t)代表分割的心电片段序列，i表示第i个序列，max和min分别表示序列的最大值和最小值；

(二)构建一维CNN和二维CNN的模板库

T4、根据步骤T3获取的心电片段，将心电数据集划分为注册集，认证集和训练集三部分构建数据库；

(三)生成心电的希尔伯特谱图系统

T5、利用EEMD算法分解步骤(一)处理后心电信号数据集得到IMF；

T6、根据T4的分解得到的IMF做希尔伯特谱分析，整个谱分析过程通过公式(2)说明：

式(2)中S(t)表示T4步骤得到的心电序列,exp()代表e的幂函数，j代表虚数，N表示S(t)分解的本征模态分量个数，A_i(t)表示信号的第i个本征模态分量的瞬时振幅函数计算公式，见公式(3)，ω_i(t)表示第i个本征模态分量的瞬时频率函数,计算公式由公式(4)和公式(5)给出；

式(3)中IMF_i(t)表示第i个本征模态分量，H(IMF_i(t))表示第i个本征模态分量的希尔伯特变换；

式(4)中θ_i(t)表示第i个本征模态分量的角度函数；

最终得到的希尔伯特谱表达式如公式(6)所示

式(6)中Re表示取实部的函数，H(w,t)表示信号的希尔伯特谱；j代表虚数符号,w为频率；

T7、通过T6步骤得到的希尔伯特谱进一步通过matlab2017a生成得到150×150的RGB图片，作为后续二维卷积神经网络的输入；

(四)基于希尔伯特谱的二维CNN认证系统

T8、对T7步骤生成的图像进行预处理；读取生成的图片数据，按照公式(7)对所有图片数据归一化处理；

S(t)_i＝S(t)_i/255 (7)

T9、搭建卷积神经网络模型的基本框架：C-A-M-D-C-A-M-D-C-A-M-D-C-A-M-D-F-D-F-S，其中C代表卷积层，A代表激活层，M代表最大池化层，D代表Dropout层，F代表全连接层，S代表Softmax层；

T10、模型训练基本参数和算法的设置；

T11、模型参数调优，需要调优的参数包括卷积层数、学习率、Dropout概率多个参数，参数调优具体操作如下：

T11-1、初始化卷积神经网络的基本参数，迭代轮次为n，初始学习率为0.001，四层的特征图数分别为16,32,64,128；

T11-2、设定迭代轮次E，选取一特定参数给定E个待定值，当前轮次为i，1≤i≤E，令i＝1；

T11-3、将训练集作为训练样本送入网络训练，得到训练好的网络，计算训练集分类结果，绘制训练轮次与训练损失曲线；

T11-4、判定i是否达到最大，若是，则比对所有结果，通过分类正确率，曲线收敛速度判定最优参数；进一步判定是否需要优化参数都已完成，若是则进入T11-5，如不是，则进入下一个参数优化，同步骤T11-2；若i未达到最大则进入T11-3，并且i＝i+1，取出待定参数数组中下一个待定值；

T11-5、保存最优的参数模型及其参数；

T12、注册集通过训练的优化模型得到的特征向量构建二维CNN认证的模板；

T13、训练集通过训练的优化模型获取得到其特征向量，进而计算由训练集得到的特征向量与模板的欧式距离作为认证的匹配分数；

T14、对匹配分数作归一化处理，以保证分数均在[0,1]之间；归一化处理的计算公式见公式(9)，其中S代表匹配分数，N代表归一化的匹配分数，max()和min()分别代表取目标的最大值和最小值；

(五)一维卷积神经网络认证系统

T15、此过程同二维CNN的构建过程T9-T11，同样包含一维CNN的构建、训练以及模型参数的优化；

T16、步骤T4的注册集通过优化的一维CNN得到特征向量作为一维认证模型的模板；

T17、步骤T4的训练集通过优化的一维CNN得到特征向量，计算特征向量与模板的欧氏距离作为匹配分数；

T18、同步骤14；

(六)多特征融合的决策

T19、对于步骤得到的T14和T18归一化匹配分数，最终的融合分数S如公式(10)所示，其中s₁和s₂分别为T14和T18得到的归一化匹配分数，w₁和w₂分别为相对应的权重值，取值范围为0到1之间；

S＝s₁*w₁+s₂*w₂ (10)

T20、初始化一组w₁和w₂，选取n个阈值T₁,T₂,T₃...T_n，以不同的阈值做出认证，融合分数大于阈值的认证则成功，计算不同的阈值对应的对等错误率，确定出当前最优的阈值，记录此时的EER；

T21、重新选取w₁和w₂,重复T20过程，直至对等错误率达到最小，即完成w₁、w₂和最优阈值设定，多特征融合系统完成；

(七)验证

T22、将训练集的数据输入至生成心电的希尔伯特谱图、二维CNN认证系统、一维CNN认证系统，若融合分数S大于最优阈值，则判定认证成功，反之则失败。

2.如权利要求1所述的一种新型的多特征融合的心电认证方法，其特征在于步骤T9二维CNN认证系统基本框架的模型结构包含卷积层，激活层，池化层，Dropout层，全连接层，Softmax层；其中卷积层参数卷积核尺寸为3×3，卷积核步长为2，卷积类型为有效卷积，无需填充0；激活层激活函数选取ReLU线性整流单元，函数式为f(x)＝max(0,wx+b)，w和b分别是连接权重和偏差；池化层采用最大池化操作，卷积核尺寸设置为2×2，卷积核步长为2；Dropout层是减少模型过拟合的风险，Dropout概率设定为0.2；在多次的卷积和池化层后通过Flatten层得到提取的特征，再与带有256节点数的全连接层连接，全连接层最后一层节点数等于分类识别的个体数；最后通过Softmax层计算模型对输入样本的预测类别标签。

3.如权利要求1所述的一种新型的多特征融合的心电认证方法，其特征在于步骤T10二维CNN认证系统模型训练的优化算法选择Adam优化算法；模型训练的损失函数是对于多分类在反向传播上有更优表现的交叉熵损失函数，函数定义见公式(8)；

式(8)中L代表损失数值，y代表期望输出，a为神经元实际输出；n为识别数目,x为模型输入。

4.如权利要求1所述的一种新型的多特征融合的心电认证方法，其特征在于步骤T15一维卷积神经网络认证系统基本框架的模型结构包含卷积层，激活层，池化层，Dropout层，全连接层，Softmax层；其中卷积层参数卷积核尺寸为3×1，卷积核步长为2，卷积类型为有效卷积，无需填充0；激活层激活函数选取ReLU线性整流单元，函数式为f(x)＝max(0,wx+b)，w和b分别是连接权重和偏差；池化层采用最大池化操作，卷积核尺寸设置为2×1，卷积核步长为2；Dropout层是减少模型过拟合的风险，Dropout概率设定为0.2；最终进行训练和优化。

5.如权利要求1所述的一种新型的多特征融合的心电认证方法，其特征在于步骤T20对等错误率是在错误接受率FRR和错误接受率FAR相等的时候的数值，获取方法是分别以FRR和FAR为横纵轴做出曲线，与过原点斜率为45度的直线的交点即为对等错误率，其中错误接受率和错误接受率定义分别如公式(11)，(12)所示，

式(11)中的参数N_T为在一次试验中所有应该被接受的样本数，参数N_TF为将本该接受的样本拒绝的数目；式(12)中的参数N_F为在一次试验中所有应该被拒绝的样本数，参数N_FT为将本该拒绝的样本接受的数目。

6.基于如权利要求1所述的方法的多特征融合的心电认证系统，其特征在于

心电信号采集模块采集心电信号；

预处理模块对采集到的心电信号进行预处理；

生成心电的希尔伯特谱图生成模块利用EEMD算法分解预处理后的心电信号然后生成希尔伯特谱图；

二维CNN认证系统将上述希尔伯特谱图作为输入，输出特征向量，将其与模板的欧式距离作为认证的匹配分数；模板是注册集通过训练好的优化模型得到的特征向量；

一维卷积神经网络认证系统将上述希尔伯特谱图作为输入，输出特征向量，将其与模板的欧式距离作为认证的匹配分数；模板是注册集通过训练好的优化模型得到的特征向量；

多特征融合系统采用融合策略权重相加法获得融合分数S，融合分数S大于最优阈值，则判定认证成功，反之则失败。

Images