CN110786850B - 基于多特征稀疏表示的心电信号身份识别方法及系统 - Google Patents

Abstract

本公开公开了基于多特征稀疏表示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噪声消除处理；将消除噪声的待识别心电信号进行等长化处理，得到若干个单周期心电信号；对每个单周期心电信号进行多个特征提取；将提取得到的所有特征输入到交叉方向乘子算法中，进行多特征稀疏表示系数求解，最后得到最优系数矩阵；将最优系数矩阵输入到预先训练好的分类器中，输出身份识别结果。

Description

基于多特征稀疏表示的心电信号身份识别方法及系统

技术领域

本公开涉及心电信号识别技术领域，特别是涉及基于多特征稀疏表示的心 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。

最近，由于心电信号的活体性和不易被模仿性，心电信号作为一种新的生 物特征识别技术成为研究的热点。现有心电信号身份识别方法有很多，如基于 主成分分析、线性判别分析、基准点分析、无基准点分析和深度神经网络等方 法。

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：

目前现有心电信号身份识别方法只是利用心电信号的一种特征对心电信号 进行身份识别，没有充分利用心电信号的多种特征。单一的心电信号特征只能 从某一角度来反映心电信号数据，不能全面的来描述心电信号数据，通过提取 心电信号的小波特征、形状特征、能量特征等多种特征，可以更充分地表示心 电信号的固有特征。由于心电信号存在大量数据噪声，心电信号的一种特征并 不能很好的对心电数据进行识别。

发明内容

为了解决现有技术的不足，本公开提供了基于多特征稀疏表示的心电信号 身份识别方法及系统；

第一方面，本公开提供了基于多特征稀疏表示的心电信号身份识别方法；

基于多特征稀疏表示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噪声消除处理；

将消除噪声的待识别心电信号进行等长化处理，得到若干个单周期心电信 号；

对每个单周期心电信号进行多个特征提取；

将提取得到的所有特征输入到交叉方向乘子算法中，进行多特征稀疏表示 系数求解，最后得到最优系数矩阵；

将最优系数矩阵输入到预先训练好的分类器中，输出身份识别结果。

第二方面，本公开还提供了基于多特征稀疏表示的心电信号身份识别系统；

基于多特征稀疏表示的心电信号身份识别系统，包括：

预处理模块，其被配置为：获取待识别的心电信号；对待识别的心电信号 进行噪声消除处理；

分割模块，其被配置为：将消除噪声的待识别心电信号进行等长化处理， 得到若干个单周期心电信号；

多特征提取模块，其被配置为：对每个单周期心电信号进行多个特征提取；

稀疏表示模块，其被配置为：将提取得到的所有特征输入到交叉方向乘子 算法中，进行多特征稀疏表示系数求解，最后得到最优系数矩阵；

身份识别模块，其被配置为：将最优系数矩阵输入到预先训练好的分类器 中，输出身份识别结果。

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：

多特征学习在模式识别过程中，能够充分利用数据的多种特征，提高模式 识别的效率和鲁棒性。稀疏表示在信号处理和生物特征识别中展示良好的性质， 能够有效的处理被噪声污染的数据。多特征和稀疏表示学习相结合，更能有效 的消除心电类内变化和噪声污染。

本发明把多特征学习和稀疏表示相结合，提出一种新的心电信号身份识别 方法。该方法利用多特征学习和稀疏表示的优势，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。现有多特征 稀疏表示学习只考虑了不同特征之间的一致性信息，没有考虑不同特征之间的 交叉信息，当数据被噪声严重污染时，不同特征之间的一致信息较少。本发明 将心电信号稀疏表示的一致信息和交叉信息相结合，同时考虑不同特征之间的 专门信息，有助于提高心电特征间的互补性，可以充分学习心电信号隐藏的各 种信息，学习到的特征更加鲁棒，从而可以改善非受控环境下心电识别的性能。

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为第一个实施例的单周期心电信号的波形特征；

图3为第一个实施例的多特征稀疏表示学习。

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特征稀疏表示的心电信号身份识别方法；

如图1所示，基于多特征稀疏表示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噪声消除处理；

S2：将消除噪声的待识别心电信号进行等长化处理，得到若干个单周期心 电信号；

S3：对每个单周期心电信号进行多个特征提取；

S4：将提取得到的所有特征输入到交叉方向乘子算法中，进行多特征稀疏 表示系数求解，最后得到最优系数矩阵；

S5：将最优系数矩阵输入到预先训练好的分类器中，输出身份识别结果。

作为一个或多个实施例，所述S1中，对待识别的心电信号进行噪声消除处 理；具体步骤包括：

S101：正交小波变换：对待识别的心电信号进行正交小波变换，把时域心 电信号转化为频域小波信号，并得到不同尺度情况下的不同正交小波系数；

S102：小波阈值收缩：采用软阈值法对小波系数进行修正；

S103：小波系数重构：对修正后的小波系数进行重构，得到消噪后的心电 信号。

应理解的，上述步骤的有益效果是：小波变化具有良好的多分辨率特性， 能够将原始含噪声心电信号在不同的尺度下进行多分辨率分解，利用小波阈值 消噪技术有效的对心电噪声进行消除，并对消噪后的心电信号进行重构。

作为一个或多个实施例，所述S2中，将消除噪声的待识别心电信号进行等 长化处理，得到若干个单周期心电信号；具体步骤包括：

S201：单周期信号分割：利用pan_tompkin算法对消除噪声的待识别心电信 号的R波峰点检测，通过R波峰把心电信号分割成若干个单周期心电信号；

S202：P波、QRS波群、ST段和T波检测：在每个单周期心电信号中均找 到P、Q、R、S和T点，然后把单周期心电信号分割成P波、QRS波群和ST 段和T波；

S203：T波重采样：对T波重采样至160ms，以消除心率变化对心电波形 产生的影响；

S204：心跳重组：把P波、QRS波群、ST段和采样后的T波重新组合为长 度880ms的等长化单周期心电信号。

应理解的，为了得到等长的单周期信号，首先对心电信号进行分割，然后 统一采样至相同长度的心电单周期信号。由于心电信号的P波和QRS波受心率 变化影响很小，而T波受心率变化影响较大，故我们对T波进行重采样。

作为一个或多个实施例，所述S3中，对每个单周期心电信号进行多个特征 提取；具体步骤包括：提取心电信号的小波能量特征、外部形状特征和局部二 值特征。

作为一个或多个实施例，所述S3中，对每个单周期心电信号进行多个特征 提取；心电信号的小波能量特征的提取步骤包括：

S301：心电信号分解：对单周期心电信号进行小波分解，提取第1层到第n 层的高频分量和低频分量；共得到2ⁿ个分量x₁,x₂,...,x_2n；

S302：心电信号重构：对2ⁿ个分量进行重构为s₁,s₂,...,s_2n；

S303：计算重构信号的能量

其中j＝1,2,...2ⁿ，m是第 j层小波系数个数；

S304：构造心电信号的小波能量特征向量T＝[E₁,E₂,...,E_2n]。

作为一个或多个实施例，所述S3中，对每个单周期心电信号进行多个特征 提取；如图2所示，外部形状特征包括：时间距离特征和振幅距离特征。

所述时间距离特征，是指宽度特征；所述振幅距离特征是指幅度特征。如 图2中，编号1-15是时间距离特征；编号16-21是振幅特征。

作为一个或多个实施例，所述S3中，对每个单周期心电信号进行多个特征 提取；局部二值特征是指：

其中，BLP代表局部二值特征；g₀代表中心心跳点，g_n代表相邻心跳点。

作为一个或多个实施例，所述S4中，将提取得到的所有特征输入到交叉方 向乘子算法中，得到最优系数矩阵；交叉方向乘子算法的目标函数，是指：

其中，

D代表特征数，X_i代表第i类心电训练特征，Yⁱ代表测试数据，

代表联合系数矩阵,

代表专门系数矩阵，Λⁱ代表系数映射矩 阵，Eⁱ代表噪声矩阵，λ₁、λ₂、λ₃、λ₄和λ₅代表正则化参数；

表示心电样 本训练特征集，

D代表特征数目，C是 类别数，每个特征共含有p个训练样本，n_i是第i个特征的维度.

代表测 试样本集合，

通过交叉方向乘子法计算出最优系数矩阵

和噪声矩阵

通过学习得到的特征系数，对于每个心电信号，可以由多特征稀疏表示来 编码其语义信息，最后通过压缩感知理论确保心电信号被恢复。

应理解的，压缩感知理论和稀疏表示学习广泛应用于生物特征识别，并且 在识别结果上有较高的准确性和鲁棒性。单一的心电信号特征只能从某一角度 来反映心电信号数据，不能全面的来描述心电信号数据，通过提取心电信号的 小波特征、形状特征、能量特征等多种特征，可以更充分地表示心电信号的固 有特征。稀疏表示在信号处理和生物特征识别中展示良好的性质，能够有效的 处理被噪声污染的数据。多特征和稀疏表示学习相结合，更能有效的消除心电 类内变化和噪声污染。现有多特征稀疏表示学习只考虑了不同特征之间的一致 性信息，没有考虑不同特征之间的交叉信息，当数据被噪声严重污染时，不同 特征之间的一致信息较少。将心点信号稀疏表示的一致信息和交叉信息相结合， 同时考虑不同特征之间的专门信息，有助于提高心电特征间的互补性，可以充 分学习心电信号隐藏的各种信息，学习到的特征更加鲁棒，从而可以改善非受 控环境下心电识别的性能，该方法示意图如图3所示。

作为一个或多个实施例，所述S5中，预先训练好的分类器的训练步骤包括：

S501：获取训练用的心电信号；对训练用的心电信号进行噪声消除处理； 所述训练用的心电信号为已知用户身份编号的心电信号；

S502：将消除噪声的训练用的心电信号进行等长化处理，得到若干个训练 用的单周期心电信号；

S503：对每个训练用的单周期心电信号进行多个特征提取；

S504：将提取得到的所有特征输入到交叉方向乘子算法中，进行多特征稀 疏表示系数求解，最后得到训练用的最优系数矩阵；

S505：将训练用的最优系数矩阵输入到分类器中，对分类器进行训练，得 到训练好的分类器。

测试样本

表示

的第k类训练样本生成的重构样本，其中,j＝1,2,...,q,i＝1,2,...,D，令

表示保持

对应的第k类分量，并将其余 非k类分量设置为0；

代表

的第i个特征的第j 类重构残差，则

判别为最小残差的类别

即：

多特征稀疏表示识别过程如下：

输入：测试心电样本和训练心电样本，正则化参数λ₁,λ₂,λ₃,λ₄,λ₅。

输出：测试样本

判别类别。

第一步：提取消噪并的等长化单周期心电信号的多种特征，得到训练多特 征矩阵

和测试多特征矩阵

第二步：利用交叉方向乘子法解公式(2)，计算出最优系数矩阵

和 噪声矩阵

第二步：利用公式(3)计算残差；

第三步：测试样本

判别类别。

利用误识率(FAR)、拒识率(FRR)和相等错误率(EER)作为心电身份 识别算法的标准。具体公式如下：

误识率：

拒识率：

相等错误率：

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。

本发明通过多特征和稀疏表示学习相结合，更能有效的消除心电信号噪声 污染。提取心电信号的等多种特征，可以更充分地表示心电信号的固有特征。 稀疏表示在信号处理中具有较好的识别性质，能够有效的处理被噪声污染的数 据。本发明将心点信号稀疏表示的一致信息和交叉信息相结合，同时考虑不同 特征之间的专门信息，有助于提高心电特征间的互补性，可以充分学习心电信 号隐藏的各种信息，学习到的特征更加鲁棒，从而可以改善非受控环境下心电 识别的性能。

实施例二，本实施例还提供了基于多特征稀疏表示的心电信号身份识别系 统；

基于多特征稀疏表示的心电信号身份识别系统，包括：

预处理模块，其被配置为：获取待识别的心电信号；对待识别的心电信号 进行噪声消除处理；

分割模块，其被配置为：将消除噪声的待识别心电信号进行等长化处理， 得到若干个单周期心电信号；

多特征提取模块，其被配置为：对每个单周期心电信号进行多个特征提取；

稀疏表示模块，其被配置为：将提取得到的所有特征输入到交叉方向乘子 算法中，进行多特征稀疏表示系数求解，最后得到最优系数矩阵；

身份识别模块，其被配置为：将最优系数矩阵输入到预先训练好的分类器 中，输出身份识别结果。

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 (7)

1.基于多特征稀疏表示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噪声消除处理；

将消除噪声的待识别心电信号进行等长化处理，得到若干个单周期心电信号；

对每个单周期心电信号进行多个特征提取，具体步骤包括：提取心电信号的小波能量特征、外部形状特征和局部二值特征；外部形状特征包括：时间距离特征和振幅距离特征；

其中，心电信号的小波能量特征的提取步骤包括：

S301：心电信号分解：对单周期心电信号进行小波分解，提取第1层到第n层的高频分量和低频分量；共得到2ⁿ个分量

S302：心电信号重构：对2ⁿ个分量进行重构为

S303：计算重构信号的能量

其中j＝1,2,...2ⁿ，m是第j层小波系数个数；

S304：构造心电信号的小波能量特征向量

将提取得到的所有特征输入到交叉方向乘子算法中，进行多特征稀疏表示系数求解，最后得到最优系数矩阵；

所述交叉方向乘子算法的目标函数，是指：

其中，

D代表特征数，X_i代表第i类心电训练特征，Yⁱ代表测试数据，

代表联合系数矩阵,

代表专门系数矩阵，Λⁱ代表系数映射矩阵，Eⁱ代表噪声矩阵，λ₁、λ₂、λ₃、λ₄和λ₅代表正则化参数；

表示心电样本训练特征集，

D代表特征数目，C是类别数，每个特征共含有p个训练样本，n_i是第i个特征的维度，

代表测试样本集合，

通过交叉方向乘子法计算出最优系数矩阵

和噪声矩阵

将最优系数矩阵输入到预先训练好的分类器中，输出身份识别结果。

2.如权利要求1所述的方法，其特征是，对待识别的心电信号进行噪声消除处理；具体步骤包括：

S101：正交小波变换：对待识别的心电信号进行正交小波变换，把时域心电信号转化为频域小波信号，并得到不同尺度情况下的不同正交小波系数；

S102：小波阈值收缩：采用软阈值法对小波系数进行修正；

S103：小波系数重构：对修正后的小波系数进行重构，得到消噪后的心电信号。

3.如权利要求1所述的方法，其特征是，将消除噪声的待识别心电信号进行等长化处理，得到若干个单周期心电信号；具体步骤包括：

S201：单周期信号分割：利用pan_tompkin算法对消除噪声的待识别心电信号的R波峰点检测，通过R波峰把心电信号分割成若干个单周期心电信号；

S202：P波、QRS波群、ST段和T波检测：在每个单周期心电信号中均找到P、Q、R、S和T点，然后把单周期心电信号分割成P波、QRS波群和ST段和T波；

S203：T波重采样：对T波重采样至160ms，以消除心率变化对心电波形产生的影响；

S204：心跳重组：把P波、QRS波群、ST段和采样后的T波重新组合为长度880ms的等长化单周期心电信号。

4.如权利要求1所述的方法，其特征是，预先训练好的分类器的训练步骤包括：

S501：获取训练用的心电信号；对训练用的心电信号进行噪声消除处理；所述训练用的心电信号为已知用户身份编号的心电信号；

S502：将消除噪声的训练用的心电信号进行等长化处理，得到若干个训练用的单周期心电信号；

S503：对每个训练用的单周期心电信号进行多个特征提取；

S504：将提取得到的所有特征输入到交叉方向乘子算法中，进行多特征稀疏表示系数求解，最后得到训练用的最优系数矩阵；

S505：将训练用的最优系数矩阵输入到分类器中，对分类器进行训练，得到训练好的分类器。

5.基于多特征稀疏表示的心电信号身份识别系统，其特征是，包括：

预处理模块，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噪声消除处理；

分割模块，其被配置为：将消除噪声的待识别心电信号进行等长化处理，得到若干个单周期心电信号；

多特征提取模块，其被配置为：对每个单周期心电信号进行多个特征提取，具体步骤包括：提取心电信号的小波能量特征、外部形状特征和局部二值特征；外部形状特征包括：时间距离特征和振幅距离特征；

其中，心电信号的小波能量特征的提取步骤包括：

S301：心电信号分解：对单周期心电信号进行小波分解，提取第1层到第n层的高频分量和低频分量；共得到2ⁿ个分量

S302：心电信号重构：对2ⁿ个分量进行重构为

S303：计算重构信号的能量

其中j＝1,2,...2ⁿ，m是第j层小波系数个数；

S304：构造心电信号的小波能量特征向量

稀疏表示模块，其被配置为：将提取得到的所有特征输入到交叉方向乘子算法中，进行多特征稀疏表示系数求解，最后得到最优系数矩阵；

所述交叉方向乘子算法的目标函数，是指：

其中，

D代表特征数，X_i代表第i类心电训练特征，Yⁱ代表测试数据，

代表联合系数矩阵,

代表专门系数矩阵，Λⁱ代表系数映射矩阵，Eⁱ代表噪声矩阵，λ₁、λ₂、λ₃、λ₄和λ₅代表正则化参数；

表示心电样本训练特征集，

D代表特征数目，C是类别数，每个特征共含有p个训练样本，n_i是第i个特征的维度，

代表测试样本集合，

通过交叉方向乘子法计算出最优系数矩阵

和噪声矩阵

身份识别模块，其被配置为：将最优系数矩阵输入到预先训练好的分类器中，输出身份识别结果。

6.一种电子设备，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1-4任一项方法所述的步骤。

7.一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1-4任一项方法所述的步骤。

Images