CN110786849B - 基于多视图鉴别分析的心电信号身份识别方法及系统 - Google Patents
基于多视图鉴别分析的心电信号身份识别方法及系统 Download PDFInfo
- Publication number
- CN110786849B CN110786849B CN201911094678.XA CN201911094678A CN110786849B CN 110786849 B CN110786849 B CN 110786849B CN 201911094678 A CN201911094678 A CN 201911094678A CN 110786849 B CN110786849 B CN 110786849B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignals
- identified
- electrocardiosignal
- monocycle
- view
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000005338 Allium tuberosum Nutrition 0.000 description 1
- 244000003377 Allium tuberosum Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- A61B5/24—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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开公开了于多视图鉴别分析的心电信号身份识别方法及系统,包括:获取待识别的心电信号;对待识别的心电信号进行预处理;对预处理后的心电信号进行分割,得到单周期心电信号;基于单周期心电信号,构建待识别心电信号的多视图;将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;将多视图特征进行融合,得到待识别心电信号对应的融合特征;将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户。
Description
技术领域
本公开涉及心电信号识别技术领域,特别是涉及基于多视图鉴别分析的心电信号身份识别方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
心电信号是较早被人类研究并应用于临床医学中的生物电信号之一,它能从不同层面上反映心脏的工作状态和内部特征信息,并且已在临床诊断中得到了广泛应用。心电信号与每个人的心脏位置、大小、形状、胸部构造和性别等诸多因素有关,因人而异,具备唯一性,因此出现了基于心电信号的身份识别技术。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
心电信号采集过程容易受到人体生理状况(疾病、运动)和心理活动(情绪等)的影响,这样会造成同一个体在不同状态下采集的心电信号存在一定的差别,本申请称之为类内变化问题。目前,对心电信号身份识别方法有很多,如基于特征点的提取、主成分分析、小波变换、流形学习等方法。目前现有心电信号身份识别方法只考虑单一心电信号内部的结构特性,没有很好的利用不同心电信号之间的关联信息,由于心电信号存在类内变化问题,导致现有心电信号身份识别方法的准确率比较低。
发明内容
为了解决现有技术的不足,本公开提供了基于多视图鉴别分析的心电信号身份识别方法及系统;利用多视图数据的特征提取方法,以提取心电信号中的鉴别特征为重点,充分利用不同心电信号之间的关联信息,进一步增强心电信号身份识别方法能力,以此来提高心电信号身份识别方法的性能和鲁棒性。
第一方面,本公开提供了基于多视图鉴别分析的心电信号身份识别方法;
基于多视图鉴别分析的心电信号身份识别方法,包括:
获取待识别的心电信号;对待识别的心电信号进行预处理;
对预处理后的心电信号进行分割,得到单周期心电信号;
基于单周期心电信号,构建待识别心电信号的多视图;
将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;
将多视图特征进行融合,得到待识别心电信号对应的融合特征;
将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户。
第二方面,本公开还提供了基于多视图鉴别分析的心电信号身份识别系统;
基于多视图鉴别分析的心电信号身份识别系统,包括:
获取模块,其被配置为:获取待识别的心电信号;对待识别的心电信号进行预处理;
分割模块,其被配置为:对预处理后的心电信号进行分割,得到单周期心电信号;
多视图构建模块,其被配置为:基于单周期心电信号,构建待识别心电信号的多视图;
投影模块,其被配置为:将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;
特征融合模块,其被配置为:将多视图特征进行融合,得到待识别心电信号对应的融合特征;
身份识别模块,其被配置为:将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
与现有技术相比,本公开的有益效果是:
通过心电信号多视图的构建,对心电信号进行鉴别分析,计算出所有视图训练样本的投影矩阵,利用投影矩阵,将各个视图的测试样本进行相应的投影,并将得到的每个样本的多视图特征融合。该方法利用类间和类内散布矩阵,能够得到多视图共享空间下的线性鉴别模型。通过求解最优投影向量,并将多个具有差异的不同心电视图数据统一投影至一个公共鉴别子空间。使得同类心电样本在投影后相互聚合,不同类样本在投影后相互分散,使得求解得出的投影向量更具有鉴别性,有利于提取心电信号的主要特征,从而提高对心电信号的识别效果。
附图说明
构成本申请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为第一个实施例的方法流程图;
图2为第一个实施例的多视图的构建示意图。
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。
实施例一,本实施例提供了基于多视图鉴别分析的心电信号身份识别方法;
如图1所示,基于多视图鉴别分析的心电信号身份识别方法,包括:
S1:获取待识别的心电信号;对待识别的心电信号进行预处理;
S2:对预处理后的心电信号进行分割,得到单周期心电信号;
S3:基于单周期心电信号,构建待识别心电信号的多视图;
S4:将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;
将多视图特征进行融合,得到待识别心电信号对应的融合特征;
S5:将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户。
作为一个或多个实施例,S1中,所述对待识别的心电信号进行预处理,是指:
S101:利用均值滤波器消除待识别心电信号的高频噪声;
S102:利用高通滤波器消除待识别心电信号的低频噪声;
S103:利用截止频率30Hz的低通巴斯滤波器抑制待识别心电信号的高频信号。
应理解的,上述步骤的有益效果是:原始心电信号中存在噪声干扰,主要的噪声有肌电干扰、工频干扰、基线漂移等。对心电信号进行预处理,可以剔除噪声。
作为一个或多个实施例,S2中,对预处理后的心电信号进行分割,得到单周期心电信号;具体步骤包括:
S201:利用pan_tompkin算法找到R基准点;
S202:心跳分段,取R基准点之前m个采样点和之后n个采样点作为单周期心电信号,每个单周期心电信号长度为m+n+1;
S203:对每个单周期心电信号,找到P、Q、R、S和T点,进而得到P波、QRS波、S波和T波;
S204:分别计算单周期心电信号的P波的幅度平均值、QRS波的幅度平均值、S波的幅度平均值和T波的幅度平均值,将单周期心电信号P波的幅度平均值、QRS波的幅度平均值、S波的幅度平均值和T波的幅度平均值作为用户的心电模板。
作为一个或多个实施例,S3中,构建待识别心电信号的多视图;具体步骤包括:
S301:获取待识别心电信号的所有单周期心电信号和用户的心电模板;
S302:计算每个单周期心电信号P波的幅度与对应心电模板P波的幅度平均值的差值,得到第一差值;
计算每个单周期心电信号QRS波的幅度与对应心电模板QRS波的幅度平均值的差值,得到第二差值;
计算每个单周期心电信号S波的幅度与对应心电模板S波的幅度平均值的差值,得到第三差值;
计算每个单周期心电信号T波的幅度与对应心电模板T波的幅度平均值的差值,得到第四差值;
将第一、第二、第三和第四差值,进行加权求和,得到当前单周期心电信号与对应心电模板之间的差异值;加权求和的权重为设定值;
S303:按照差异值从大到小对待识别心电信号的所有单周期心电信号进行排序;
S304:把排序后的单周期心电信号,平均划分为若干组,即每一组的单周期心电信号与其他组单周期心电信号的个数相同,将每一组的单周期心电信号分配到对应的一个视图中,进而得到待识别心电信号对应的多视图。
所述S304的具体划分若干组的过程,如图2所示。
进一步地,所述S302中,计算每个单周期心电信号与对应心电模板的差异值;具体步骤包括:
H(X(j:j+k-1),Y(j:j+k-1))=max(h(X(j:j+k-1),Y(j:j+k-1)),h(X(j:j+k-1),Y(j:j+k-1))) (3)
其中,X代表待识别单周期心电信号,Y代表心电模板,XQRS和YQRS分别代表待识别单周期心电信号X和心电模板Y的QRS波,XP和YP分别代表待识别单周期心电信号X和心电模板Y的P波,XS和YS分别代表待识别单周期心电信号X和心电模板Y的S波,XT和YT分别代表待识别单周期心电信号X和心电模板Y的T波,X(j:j+k-1)∈Rk和Y(j:j+k-1)∈Rk分别代表待识别单周期心电信号X和心电模板Y的k个心跳点,diverse(X,Y)代表待识别单周期心电信号X和心电模板Y的差异值,k代表滑动窗口尺寸,dist(·)是欧拉距离函数;H(·)是Hausdorff距离函数,cwi代表不同分段的权重系数,cw1>cw2>cw3>cw4。
作为一个或多个实施例,S4中,预先获取的投影矩阵的获取步骤为:
S401:获取训练用的心电信号;所述训练用的心电信号是已知用户身份编号的心电信号;
S402:对训练用的心电信号进行预处理;
S403:对训练用的心电信号进行分割,得到训练用的若干个单周期心电信号;
S404:构建训练用的多视图,对训练用的所有单周期心电信号进行多视图鉴别分析,得到投影矩阵;
S405:将训练用心电信号对应的多视图,利用投影矩阵进行投影,得到训练用的心电信号对应的多视图特征;
S406:将训练用的心电信号对应的多视图特征输入到分类器中对分类器进行训练,得到训练好的分类器。
作为一个或多个实施例,所述S402中对训练用的心电信号进行预处理所采用的方法与S1中所采用的方法一样。
作为一个或多个实施例,所述S403中对训练用的心电信号进行分割,得到训练用的若干个单周期心电信号所采用的方法与S2中所采用的方法一样。
作为一个或多个实施例,所述S404中,对训练用的所有单周期心电信号进行多视图鉴别分析,得到投影矩阵;具体步骤包括:
其中,代表第i个视图中类别为k的第j个训练样本,nk代表所有视图中k类样本数目,n代表所有视图中所有样例的数目,C代表类别数目,nki代表第i个视图中第k类样本数,代表类内散布矩阵,代表类间散布矩阵,uk代表第k类样例在所有视图中的均值,Wi代表第i个视图的投影矩阵,
应理解的,所述多视图鉴别分析通过线性变换把V个视图投影到一个公共鉴别子空间中,使得公共子空间中的样本投影具有类间变化最大、类内变化最小的性质。
作为一个或多个实施例,S4中,将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;具体步骤包括:
将待识别心电信号对应的多视图,乘以预先获取的投影矩阵,得到待识别心电信号对应的多视图特征。
作为一个或多个实施例,S4中,将多视图特征进行融合,得到待识别心电信号对应的融合特征;具体步骤包括:
将多视图特征进行串联,得到待识别心电信号对应的融合特征。
作为一个或多个实施例,S5中,将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户;具体步骤包括:
计算待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征的余弦距离,余弦距离越小表示相似性越高,将余弦距离最小值对应的预设特征模板库里面的特征输出,输出的特征所对应的用户身份即为待识别心电信号的用户身份。
其中,A和B分别代表心电信号的测试特征矩阵和模板特征矩阵,n代表特征向量个数。
最后计算误识率(FAR)、拒识率(FRR)和相等错误率(EER)来衡量基于多视图鉴别分析的心电信号身份识别方法的效果。具体公式如下:
其中,NGRA是类内测试的总次数、NIRA是类间测试的总次数;NFR和NFA是错误拒绝和错误接受的次数。
实施例二,本实施例还提供了基于多视图鉴别分析的心电信号身份识别系统;
基于多视图鉴别分析的心电信号身份识别系统,包括:
获取模块,其被配置为:获取待识别的心电信号;对待识别的心电信号进行预处理;
分割模块,其被配置为:对预处理后的心电信号进行分割,得到单周期心电信号;
多视图构建模块,其被配置为:基于单周期心电信号,构建待识别心电信号的多视图;
投影模块,其被配置为:将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;
特征融合模块,其被配置为:将多视图特征进行融合,得到待识别心电信号对应的融合特征;
身份识别模块,其被配置为:将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一所述方法的步骤。
实施例四,本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述方法的步骤。
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。
Claims (9)
1.基于多视图鉴别分析的心电信号身份识别方法,其特征是,包括:
获取待识别的心电信号;对待识别的心电信号进行预处理;
对预处理后的心电信号进行分割,得到单周期心电信号;
基于单周期心电信号,构建待识别心电信号的多视图;
将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;
将多视图特征进行融合,得到待识别心电信号对应的融合特征;
将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户;
构建待识别心电信号的多视图;具体步骤包括:
S301:获取待识别心电信号的所有单周期心电信号和用户的心电模板;
S302:计算每个单周期心电信号P波的幅度与对应心电模板P波的幅度平均值的差值,得到第一差值;
计算每个单周期心电信号QRS波的幅度与对应心电模板QRS波的幅度平均值的差值,得到第二差值;
计算每个单周期心电信号S波的幅度与对应心电模板S波的幅度平均值的差值,得到第三差值;
计算每个单周期心电信号T波的幅度与对应心电模板T波的幅度平均值的差值,得到第四差值;
将第一、第二、第三和第四差值,进行加权求和,得到当前单周期心电信号与对应心电模板之间的差异值;加权求和的权重为设定值;
S303:按照差异值从大到小对待识别心电信号的所有单周期心电信号进行排序;
S304:把排序后的单周期心电信号,平均划分为若干组,即每一组的单周期心电信号与其他组单周期心电信号的个数相同,将每一组的单周期心电信号分配到对应的一个视图中,进而得到待识别心电信号对应的多视图。
2.如权利要求1所述的方法,其特征是,所述对待识别的心电信号进行预处理,是指:
S101:利用均值滤波器消除待识别心电信号的高频噪声;
S102:利用高通滤波器消除待识别心电信号的低频噪声;
S103:利用低通巴斯滤波器抑制待识别心电信号的高频信号。
3.如权利要求1所述的方法,其特征是,对预处理后的心电信号进行分割,得到单周期心电信号;具体步骤包括:
S201:利用pan_tompkin算法找到R基准点;
S202:心跳分段,取R基准点之前m个采样点和之后n个采样点作为单周期心电信号,每个单周期心电信号长度为m+n+1;
S203:对每个单周期心电信号,找到P、Q、R、S和T点,进而得到P波、QRS波、S波和T波;
S204:分别计算单周期心电信号的P波的幅度平均值、QRS波的幅度平均值、S波的幅度平均值和T波的幅度平均值,将单周期心电信号P波的幅度平均值、QRS波的幅度平均值、S波的幅度平均值和T波的幅度平均值作为用户的心电模板。
4.如权利要求1所述的方法,其特征是,预先获取的投影矩阵的获取步骤为:
S401:获取训练用的心电信号;所述训练用的心电信号是已知用户身份编号的心电信号;
S402:对训练用的心电信号进行预处理;
S403:对训练用的心电信号进行分割,得到训练用的若干个单周期心电信号;
S404:构建训练用的多视图,对训练用的所有单周期心电信号进行多视图鉴别分析,得到投影矩阵;
S405:将训练用心电信号对应的多视图,利用投影矩阵进行投影,得到训练用的心电信号对应的多视图特征;
S406:将训练用的心电信号对应的多视图特征输入到分类器中对分类器进行训练,得到训练好的分类器。
5.如权利要求1所述的方法,其特征是,将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;具体步骤包括:
将待识别心电信号对应的多视图,乘以预先获取的投影矩阵,得到待识别心电信号对应的多视图特征;
或者,
将多视图特征进行融合,得到待识别心电信号对应的融合特征;具体步骤包括:
将多视图特征进行串联,得到待识别心电信号对应的融合特征。
6.如权利要求1所述的方法,其特征是,将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户;具体步骤包括:
计算待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征的余弦距离,余弦距离越小表示相似性越高,将余弦距离最小值对应的预设特征模板库里面的特征输出,输出的特征所对应的用户身份即为待识别心电信号的用户身份。
7.基于多视图鉴别分析的心电信号身份识别系统,其特征是,包括:
获取模块,其被配置为:获取待识别的心电信号;对待识别的心电信号进行预处理;
分割模块,其被配置为:对预处理后的心电信号进行分割,得到单周期心电信号;
多视图构建模块,其被配置为:基于单周期心电信号,构建待识别心电信号的多视图;
投影模块,其被配置为:将待识别心电信号对应的多视图,利用预先获取的投影矩阵进行投影,得到待识别心电信号对应的多视图特征;
特征融合模块,其被配置为:将多视图特征进行融合,得到待识别心电信号对应的融合特征;
身份识别模块,其被配置为:将待识别心电信号中每个单周期心电信号对应的融合特征与预设特征模板库里的特征进行相似性比较,输出特征模板库里最相似特征所对应的用户;
构建待识别心电信号的多视图;具体步骤包括:
S301:获取待识别心电信号的所有单周期心电信号和用户的心电模板;
S302:计算每个单周期心电信号P波的幅度与对应心电模板P波的幅度平均值的差值,得到第一差值;
计算每个单周期心电信号QRS波的幅度与对应心电模板QRS波的幅度平均值的差值,得到第二差值;
计算每个单周期心电信号S波的幅度与对应心电模板S波的幅度平均值的差值,得到第三差值;
计算每个单周期心电信号T波的幅度与对应心电模板T波的幅度平均值的差值,得到第四差值;
将第一、第二、第三和第四差值,进行加权求和,得到当前单周期心电信号与对应心电模板之间的差异值;加权求和的权重为设定值;
S303:按照差异值从大到小对待识别心电信号的所有单周期心电信号进行排序;
S304:把排序后的单周期心电信号,平均划分为若干组,即每一组的单周期心电信号与其他组单周期心电信号的个数相同,将每一组的单周期心电信号分配到对应的一个视图中,进而得到待识别心电信号对应的多视图。
8.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-6任一项方法所述的步骤。
9.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-6任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094678.XA CN110786849B (zh) | 2019-11-11 | 2019-11-11 | 基于多视图鉴别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 |
---|---|---|---|
CN201911094678.XA CN110786849B (zh) | 2019-11-11 | 2019-11-11 | 基于多视图鉴别分析的心电信号身份识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110786849A CN110786849A (zh) | 2020-02-14 |
CN110786849B true CN110786849B (zh) | 2022-02-15 |
Family
ID=69443837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911094678.XA Expired - Fee Related CN110786849B (zh) | 2019-11-11 | 2019-11-11 | 基于多视图鉴别分析的心电信号身份识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110786849B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446307B (zh) * | 2020-11-16 | 2022-11-04 | 山东大学 | 基于局部约束的非负矩阵分解的心电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 |
CN113349791A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
CN113598787B (zh) * | 2021-09-07 | 2022-06-17 | 四川大学 | 一种基于多视图进行心电信号重点区域检测的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951753A (zh) * | 2016-01-06 | 2017-07-14 | 北京三星通信技术研究有限公司 | 一种心电信号的认证方法和认证装置 |
CN107092874A (zh) * | 2017-04-10 | 2017-08-25 | 山东大学 | 基于心电和指纹融合特征的身份识别方法、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 |
CN109497990A (zh) * | 2018-12-27 | 2019-03-22 | 山东大学 | 一种基于典型相关分析的心电信号身份识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9792823B2 (en) * | 2014-09-15 | 2017-10-17 | Raytheon Bbn Technologies Corp. | Multi-view learning in detection of psychological states |
KR20180072290A (ko) * | 2016-12-21 | 2018-06-29 | 조선대학교산학협력단 | 개인 식별을 위한 심전도 획득 방법 및 그 심전도를 이용한 개인 식별 방법 |
-
2019
- 2019-11-11 CN CN201911094678.XA patent/CN110786849B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951753A (zh) * | 2016-01-06 | 2017-07-14 | 北京三星通信技术研究有限公司 | 一种心电信号的认证方法和认证装置 |
CN107092874A (zh) * | 2017-04-10 | 2017-08-25 | 山东大学 | 基于心电和指纹融合特征的身份识别方法、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 |
CN109497990A (zh) * | 2018-12-27 | 2019-03-22 | 山东大学 | 一种基于典型相关分析的心电信号身份识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
An Automatic Subject-Adaptable Heartbeat Classifier Based on Multiview Learning;Ye, C; Kumar, BVKV and Coimbra, MT;《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》;20161130;全文 * |
Deep Multiview Heartwave Authentication;Lim C,Woo W L,Dlay S S,et.al.;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20190228;第15卷(第2期);第777-786页 * |
Multi-View Discriminant Analysis;Kan M , Shan S , Zhang H , et al.;《IEEE Transactions on Pattern Analysis & Machine Intelligence》;20160131;第38卷(第1期);第188-194页 * |
基于多视图鉴别特征学习的分类算法;李晋;《中国博士学位论文全文数据库 (信息科技辑)》;20170215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110786849A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Hammad et al. | A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication | |
Hammad et al. | ResNet‐Attention model for human authentication using ECG signals | |
Pinto et al. | Towards a continuous biometric system based on ECG signals acquired on the steering wheel | |
Reasat et al. | Detection of inferior myocardial infarction using shallow convolutional neural networks | |
CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
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 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
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 | |
CN106725420A (zh) | 室性早搏识别方法及室性早搏识别系统 | |
CN101828921A (zh) | 基于视觉诱发脑电vep的身份识别方法 | |
Mastoi et al. | Novel DERMA fusion technique for ECG heartbeat classification | |
CN110141216B (zh) | 一种心电信号qrs特征波的识别方法、训练方法及系统 | |
Sarafan et al. | Investigation of methods to extract fetal electrocardiogram from the mother’s abdominal signal in practical scenarios | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
Billeci et al. | A combined independent source separation and quality index optimization method for fetal ECG extraction from abdominal maternal leads | |
El_Rahman | Multimodal biometric systems based on different fusion levels of ECG and fingerprint using different classifiers | |
Guaragnella et al. | Marginal component analysis of ECG signals for beat-to-beat detection of ventricular late potentials | |
Jekova et al. | Human identification by cross-correlation and pattern matching of personalized heartbeat: Influence of ECG leads and reference database size | |
Lo et al. | Deep learning for detection of fetal ECG from multi-channel abdominal leads | |
Cabra Lopez et al. | Sex recognition through ECG signals aiming toward smartphone authentication | |
Chee et al. | Electrocardiogram biometrics using transformer’s self-attention mechanism for sequence pair feature extractor and flexible enrollment scope identification | |
Zyout et al. | Advanced time-frequency methods for ecg waves recognition | |
Pereira et al. | Initial study using electrocardiogram for authentication and identification |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220215 |