CN112215196B - 一种心电身份识别方法 - Google Patents
一种心电身份识别方法 Download PDFInfo
- Publication number
- CN112215196B CN112215196B CN202011159543.XA CN202011159543A CN112215196B CN 112215196 B CN112215196 B CN 112215196B CN 202011159543 A CN202011159543 A CN 202011159543A CN 112215196 B CN112215196 B CN 112215196B
- Authority
- CN
- China
- Prior art keywords
- domain feature
- dictionary
- feature vector
- sparse coefficient
- ecg
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 125
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 230000015654 memory Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 29
- 230000000875 corresponding effect Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010003591 Ataxia Diseases 0.000 description 2
- 206010010947 Coordination abnormal Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 208000016290 incoordination Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电身份识别方法。它包括以下步骤：采集人体的心电(Electrocardiogram，ECG)信号；对采集到的ECG信号进行预处理，得到干净的短周期ECG信号；对短周期ECG信号进行广义S变换，提取相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3；将相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3输入稀疏性约束的非线性逼近模型，获取最优字典及相应的最优稀疏系数矩阵，对最优稀疏系数矩阵进行轻量化处理后得到稀疏系数向量；将稀疏系数向量输入到训练好的基于双向长短期记忆网络的深度神经网络模型进行身份识别。本发明从原始ECG心电信号中提取多模态特征矢量作为深度神经网络的输入向量，提高了识别精度，加快了识别速率。
Description
技术领域
本发明涉及身份识别技术领域，尤其涉及一种基于心电信号的身份识别方法。
背景技术
网络信息安全对个人、企业、国家都具有十分重要的意义，涉及到有关财产、名誉、人身等方方面面的安全和隐私保障工作，大至刑事侦查、执法应用等国家安全领域，小至智能手机解锁、支付等生活领域中。密码、ID卡等传统的身份识别方式存在易盗窃、易伪造的风险，已无法满足金融系统、安防监控等领域对高安全、高隐私的要求。基于现代生物特征的身份识别技术应用而生，受到越来越多的关注，例如指纹识别、人脸识别、语音识别等。然而物联网和人工智能等技术在促进语音、人脸、指纹等生物识别技术日趋成熟和广泛应用的同时，也间接为伪指纹、假人脸等技术提供了可能，增加了个人信息被盗和伪造的风险。与其他生物特征相比，心电信号(Electrocardiogram，ECG)本身具有“活”性，属于人体内源信号，具备超高防伪性，因此基于心电的身份识别技术具有更高的安全性和可靠性。
近年来，基于ECG信号的身份识别算法发展迅猛。在这些算法中，经常涉及大量复杂的、主观的、手动的时域和形态学一维信号特征提取，这些局部特征被量化为特征矢量表示；或者采用小波变换、傅里叶变换等时频域转换方式，将原始信号的一维特性转换为二维的图像表示，然后进行分类器训练和评估。尽管这样的信号处理方式对于一般的信号/图像分类非常有效，但它忽略了局部特征之间可能存在的相关性。当应用于ECG身份识别这种内源性生理信号的分类任务中，其类间差异性几乎肉眼不可见，加之噪声干扰、个体活动状态、病理状态、心理情绪等产生的类内差异性也不尽相同，这对识别精度造成了很大的影响。因此，即便是支持向量机、卷积神经网络等反复训练、性能优良的分类器也很难实现精准的分类目标。其次，过多的局部特征重叠加重了计算负担，更细微的类间差异性和类内差异性意味着更长的特征学习和训练时间，无法应用于手机端进行实时快速的信号处理和反馈。
有鉴于此，亟需提供一种ECG信号的有效特征提取和匹配识别方式，应用于ECG信号的身份识别技术中，在实现多特征矢量在多维度的联合表示的同时，实现同一个体在不同状态的身份识别和相似个体身份的有效甄别。
发明内容
本发明为了解决上述技术问题，提供了一种心电身份识别方法，其从原始ECG心电信号中提取多模态特征矢量作为深度神经网络的输入向量，充分提现了个体的独有特性，提高了识别精度，加快了识别速率。
为了解决上述问题，本发明采用以下技术方案予以实现：
本发明的一种心电身份识别方法，包括以下步骤：
S1：采集人体的原始ECG心电信号；
S2：对原始ECG心电信号进行预处理，得到短周期ECG心电信号；
S3：对短周期ECG心电信号进行广义S变换，提取相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3；
S4：将相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3输入稀疏性约束的非线性逼近模型，获取最优字典及相应的最优稀疏系数矩阵，对最优稀疏系数矩阵进行轻量化处理后得到稀疏系数向量；
S5：将稀疏系数向量输入到训练好的基于双向长短期记忆网络的深度神经网络模型进行身份识别，基于双向长短期记忆网络的深度神经网络模型输出对应身份信息。
在本方案中，基于广义S变换对原始的一维时序ECG心电信号进行时域和频域的能量分布特征分析，将得到的时域特征矢量Y2和频域特征矢量Y3进行计算转换得到相位域特征矢量Y1。借助广义S变换构造的相位域特征矢量Y1与原始一维时序ECG心电信号保持最直接联系，但相位域特征矢量Y1在计算过程中还是丢失了部分时频域特征信息，而时域特征矢量Y2和频域特征矢量Y3则编码了每一个个体的时域和频域特征，弥补了相位域特征矢量Y1的不足，因此，三个特征矢量的联合编码平衡了单个局部特征矢量在信号和图像特征表示上的不足。
接着，将稀疏性约束与三个局部特征矢量的相关性和差异性进行联合建模，而后采用局部优化策略，结合正交匹配追踪算法和奇异值分解来学习字典和稀疏表示系数，获取最优字典及相应的最优稀疏系数矩阵，对最优稀疏系数矩阵进行轻量化处理后得到稀疏系数向量。经过上述处理，化解了局部特征矢量在时域和空间域上的重叠性问题，极大地减少冗余信息，充分提现了个体的独有特性，提高了识别精度，加快了识别速率。
最后，通过基于双向长短期记忆网络的深度神经网络模型探索稀疏分解后的稀疏系数向量的空间信息，充分学习其在空间维度和时间维度上的前后变化特性，化解不同特征矢量在空间维度和同一特征矢量在时间维度上的不连贯性问题，实现精准无误的身份识别。
作为优选，所述步骤S2包括以下步骤：
S21：采用基于小波硬阈值的循环平移消噪算法对原始ECG心电信号进行处理，得到干净的ECG心电信号；
S22：固定窗口长度为3S，随机截取固定窗口长度的ECG心电信号，作为短周期ECG心电信号。
作为优选，所述步骤S21包括以下步骤：
S2101：对原始ECG心电信号进行8次循环平移处理，改变原始ECG心电信号中奇异点的位置；
S2102：采用离散小波变换对原始ECG心电信号进行分解；
S2103：在小波域通过硬阈值函数对小波系数进行阈值量化处理，并根据量化处理后得到的估计小波系数做逆离散小波变换，得到重构的ECG心电信号；
S2104：对重构的ECG心电信号进行8次逆循环平移处理，得到干净的ECG心电信号。
基于小波硬阈值的循环平移消噪算法对采集的含噪信号进行滤波处理；采用盲分割策略，通过固定一个窗口长度，随机截取一小段消噪后的短周期信号，用于后续特征矢量的构造。本发明将盲分割技术用于消噪后的短周期信号，有效避免特定数据的心跳识别和分割技术的复杂性。
作为优选，所述步骤S3包括以下步骤：
S31：对短周期ECG心电信号进行广义S变换如下式：
广义S变换的窗函数为：
广义S变换的基小波为：
其中，x(t)为短周期ECG心电信号，t为时间，τ为时移因子，f为ECG心电信号采样频率，λ为窗函数的窗宽参数，p为窗函数的幅度参数，
经过上述处理，得到复数矩阵
复数矩阵包含实部和虚部，
其中，N＝1.5f，M＝3f；
S32：提取相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3，
引入两个参数λ和p来调整窗函数g(t)的窗宽和幅度，进而改变信号的时间分辨率和频率分辨率，实现多分辨率分析。设定 保证获得最佳准确率的合适窗函数。复数矩阵每一列数据反应了当前时间点的“瞬时频率特性”，每一行对应了频率值。
作为优选，所述步骤S4包括以下步骤：
S41：将相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3输入稀疏性约束的非线性逼近模型，如下式：
其中，为字典矩阵，/> D1为相位域特征矢量Y1学习得到的相位域特征字典，D2为时域特征矢量Y2学习得到的时域特征字典，D3为频域特征矢量Y3学习得到的频域特征字典，/>为稀疏系数矩阵，α为控制稀疏权重的参数，||·||F为F范数，||·||1，1为L1范数，/>a为稀疏表示的具体系数参数，β1为控制字典差异性的参数，β2为控制字典相似性的参数；
S42：稀疏编码的字典矩阵求解：
将公式(1)的稀疏系数矩阵固定，得到：
依次对相位域特征字典D1、时域特征字典D2、频域特征字典D3进行优化，优化每个字典的方法如下：
将其它两个字典固定，按照误差最小的原则，通过SVD方法更新被优化字典每列及其对应的稀疏系数的值，逐步更新被优化字典直到得到质量最好的字典；
S43：稀疏编码的稀疏系数矩阵求解：
将公式(1)的字典矩阵固定，得到：
采用OMP追踪算法求解得到最优稀疏系数矩阵对最优稀疏系数矩阵/>进行轻量化处理：
选择稀疏系数矩阵中每一列的最大绝对值作为对应特征表示值并将每一列的其它值置零，清除所有零元素，得到稀疏系数向量S，S∈R1×9f。
本发明密集地选择稀疏系数矩阵中的每一列的最大绝对值作为当前时间点的特征表示，而忽略了非相关特征值，这样构造的输入向量在实现轻量化处理的同时包含了更多的空间信息。本发明对多个局部特征矢量进行联合编码，化解局部特征矢量在时域和空间域上的重叠性问题。
作为优选，所述步骤S42中依次对相位域特征字典D1、时域特征字典D2、频域特征字典D3进行优化的方法包括以下步骤：
M1：固定时域特征字典D2、频域特征字典D3，令其由/>是与D2、D3相关的稀疏系数矩阵，/> 从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新相位域特征字典D1每列及其对应的稀疏系数的值，逐步更新相位域特征字典D1直到得到质量最好的相位域特征字典D1；
M2：固定相位域特征字典D1、频域特征字典D3，令其中/>是与D1、D3相关的稀疏系数矩阵，/>从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新时域特征字典D2每列及其对应的稀疏系数的值，逐步更新时域特征字典D2直到得到质量最好的时域特征字典D2；
M3：固定相位域特征字典D1、时域特征字典D2，令其中/>是与D1、D2相关的稀疏系数矩阵，/>从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新频域特征字典D3每列及其对应的稀疏系数的值，逐步更新频域特征字典D3直到得到质量最好的频域特征字典D3。
作为优选，所述基于双向长短期记忆网络的深度神经网络模型的批处理大小为batch size，初始学习率为initial learn rate，隐藏层数hidden-layer units分别为50、0.001、150。
基于双向长短期记忆网络的深度神经网络模型BLSTM由前向LSTM和后向LSTM组合而成，可以更好地捕获ECG时序信号在时间和空间维度上的前后变化，以及分类方向对关键特征的记忆特性。同时，相较于卷积神经网络基于二维图像的分析，BLSTM通过更少的参数计算减少了实际应用中(例如手机端、云端等)的计算和数据传输压力。
本发明的有益效果是：从原始ECG心电信号中提取多模态特征矢量(相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3)作为深度神经网络的输入向量，通过信号的相位域相位谱特性、时域形态、频域瞬时特性这三个视角来构造联合特征矢量，又顾及了局部特征矢量的相似性，将相似性和差异性计算作为稀疏性约束进行轻量化的稀疏编码，将这样构造的多模态特征矢量作为深度神经网络的输入向量，不仅能充分学习个体的独有特性，提高识别精度，而且减少了模型训练和学习的参数量，有利于加快识别速率。
附图说明
图1是本发明的流程图；
图2是对原始ECG心电信号进行预处理的流程图；
图3是基于双向长短期记忆网络的深度神经网络模型的结构示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种心电身份识别方法，如图1、图2、图3所示，包括以下步骤：
S1：采集人体的原始ECG心电信号；
S2：对原始ECG心电信号进行预处理，得到短周期ECG心电信号；
S3：对短周期ECG心电信号进行广义S变换，提取相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3；
S4：将相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3输入稀疏性约束的非线性逼近模型，获取最优字典及相应的最优稀疏系数矩阵，对最优稀疏系数矩阵进行轻量化处理后得到稀疏系数向量；
S5：将稀疏系数向量输入到训练好的基于双向长短期记忆网络的深度神经网络模型进行身份识别，基于双向长短期记忆网络的深度神经网络模型输出对应身份信息。
步骤S2包括以下步骤：
S21：采用基于小波硬阈值的循环平移消噪算法对原始ECG心电信号进行处理，得到干净的ECG心电信号；
S22：固定窗口长度为3S(确保至少有一个完整的心跳周期)，随机截取固定窗口长度的ECG心电信号，作为短周期ECG心电信号。
步骤S21包括以下步骤：
S2101：对原始ECG心电信号进行8次循环平移处理，改变原始ECG心电信号中奇异点的位置；
S2102：采用离散小波变换对原始ECG心电信号进行分解；
S2103：在小波域通过硬阈值函数对小波系数进行阈值量化处理，并根据量化处理后得到的估计小波系数做逆离散小波变换，得到重构的ECG心电信号；
S2104：对重构的ECG心电信号进行8次逆循环平移处理，得到干净的ECG心电信号。
基于小波硬阈值的循环平移消噪算法对采集的含噪信号进行滤波处理；采用盲分割策略，通过固定一个窗口长度，随机截取一小段消噪后的短周期信号，用于后续特征矢量的构造。本发明将盲分割技术用于消噪后的短周期信号，有效避免特定数据的心跳识别和分割技术的复杂性。
步骤S3包括以下步骤：
S31：对短周期ECG心电信号进行广义S变换如下式：
广义S变换的窗函数为：
广义S变换的基小波为：
其中，x(t)为短周期ECG心电信号，t为时间，τ为时移因子，f为ECG心电信号采样频率，λ为窗函数的窗宽参数，p为窗函数的幅度参数，
经过上述处理，得到复数矩阵
复数矩阵包含实部和虚部，
其中，N＝1.5f，M＝3f；
S32：提取相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3，
引入两个参数λ和p来调整窗函数g(t)的窗宽和幅度，进而改变信号的时间分辨率和频率分辨率，实现多分辨率分析。设定 保证获得最佳准确率的合适窗函数。复数矩阵每一列数据反应了当前时间点的“瞬时频率特性”，每一行对应了频率值。
步骤S4包括以下步骤：
S41：将相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3输入稀疏性约束的非线性逼近模型，如下式：
其中，为字典矩阵，/> D1为相位域特征矢量Y1学习得到的相位域特征字典，D2为时域特征矢量Y2学习得到的时域特征字典，D3为频域特征矢量Y3学习得到的频域特征字典，/>为稀疏系数矩阵，α为控制稀疏权重的参数，||·||F为F范数，||·||1，1为L1范数，/>a为稀疏表示的具体系数参数，β1为控制字典差异性的参数，β2为控制字典相似性的参数；令Y1＝[y1，y2，...，yM]，Y2＝[yM+1，yM+2，...，y2M]，Y3＝[y2M+1，y2M+2，...，y3M]，则/>为一个个体的局部特征矢量的3M个局部特征值；
S42：稀疏编码的字典矩阵求解：
将公式(1)的稀疏系数矩阵固定，得到：
依次对相位域特征字典D1、时域特征字典D2、频域特征字典D3进行优化，优化每个字典的方法如下：
将其它两个字典固定，按照误差最小的原则，通过SVD方法更新被优化字典每列及其对应的稀疏系数的值，逐步更新被优化字典直到得到质量最好的字典；
S43：稀疏编码的稀疏系数矩阵求解：
将公式(1)的字典矩阵固定，得到：
采用OMP追踪算法求解得到最优稀疏系数矩阵对最优稀疏系数矩阵/>进行轻量化处理：
对于每一个时间点(每个人共3M个点)，选择稀疏系数矩阵由每一列的最大绝对值作为对应时间点的特征表示值并将每一列的其它值置零，清除所有零元素，得到稀疏系数向量S，S∈R1×9f。
本发明密集地选择稀疏系数矩阵中的每一列的最大绝对值作为当前时间点的特征表示，而忽略了非相关特征值，这样构造的输入向量在实现轻量化处理的同时包含了更多的空间信息。本发明对多个局部特征矢量进行联合编码，化解局部特征矢量在时域和空间域上的重叠性问题。
步骤S42中依次对相位域特征字典D1、时域特征字典D2、频域特征字典D3进行优化的方法包括以下步骤：
M1：固定时域特征字典D2、频域特征字典D3，令其中/>是与D2、D3相关的稀疏系数矩阵，/> 从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新相位域特征字典D1每列及其对应的稀疏系数的值，逐步更新相位域特征字典D1直到得到质量最好的相位域特征字典D1；
M2：固定相位域特征字典D1、频域特征字典D3，令其中/>是与D1、D3相关的稀疏系数矩阵，/>从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新时域特征字典D2每列及其对应的稀疏系数的值，逐步更新时域特征字典D2直到得到质量最好的时域特征字典D2；
M3：固定相位域特征字典D1、时域特征字典D2，令其由/>是与D1、D2相关的稀疏系数矩阵，/>从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新频域特征字典D3每列及其对应的稀疏系数的值，逐步更新频域特征字典D3直到得到质量最好的频域特征字典D3。
基于双向长短期记忆网络的深度神经网络模型的批处理大小为batch size，初始学习率为initial learn rate，隐藏层数hidden-layer units分别为50、0.001、150。
如图3所示，基于双向长短期记忆网络的深度神经网络模型BLSTM由前向LSTM和后向LSTM组合而成，可以更好地捕获ECG时序信号在时间和空间维度上的前后变化，以及分类方向对关键特征的记忆特性。同时，相较于卷积神经网络基于二维图像的分析，BLSTM通过更少的参数计算减少了实际应用中(例如手机端、云端等)的计算和数据传输压力。
在本方案中，基于广义S变换对原始的一维时序ECG心电信号进行时域和频域的能量分布特征分析，将得到的时域特征矢量Y2和频域特征矢量Y3进行计算转换得到相位域特征矢量Y1。借助广义S变换构造的相位域特征矢量Y1与原始一维时序ECG心电信号保持最直接联系，但相位域特征矢量Y1在计算过程中还是丢失了部分时频域特征信息，而时域特征矢量Y2和频域特征矢量Y3则编码了每一个个体的时域和频域特征，弥补了相位域特征矢量Y1的不足，因此，三个特征矢量(相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3)的联合编码平衡了单个局部特征矢量在信号和图像特征表示上的不足。
然而，三个特征矢量的联合编码忽略了三个局部特征矢量的相关性和差异性，过多的特征重叠加重了计算负担和模型学习难度，所以接下来将稀疏性约束与三个局部特征矢量的相关性和差异性进行联合建模，而后采用局部优化策略，结合正交匹配追踪算法和奇异值分解来学习字典和稀疏表示系数，获取最优字典及相应的最优稀疏系数矩阵，对最优稀疏系数矩阵进行轻量化处理后得到稀疏系数向量。经过上述处理，化解了局部特征矢量在时域和空间域上的重叠性问题，极大地减少冗余信息，充分提现了个体的独有特性，提高了识别精度，加快了识别速率。
最后，通过基于双向长短期记忆网络的深度神经网络模型探索稀疏分解后的稀疏系数向量的空间信息，充分学习其在空间维度和时间维度上的前后变化特性，化解不同特征矢量在空间维度和同一特征矢量在时间维度上的不连贯性问题，实现精准无误的身份识别。
Claims (6)
1.一种心电身份识别方法，其特征在于，包括以下步骤：
S1：采集人体的原始ECG心电信号；
S2：对原始ECG心电信号进行预处理，得到短周期ECG心电信号；
S3：对短周期ECG心电信号进行广义S变换，提取相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3；
S4：将相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3输入稀疏性约束的非线性逼近模型，获取最优字典及相应的最优稀疏系数矩阵，对最优稀疏系数矩阵进行轻量化处理后得到稀疏系数向量；
S5：将稀疏系数向量输入到训练好的基于双向长短期记忆网络的深度神经网络模型进行身份识别，基于双向长短期记忆网络的深度神经网络模型输出对应身份信息；
所述步骤S4包括以下步骤：
S41：将相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3输入稀疏性约束的非线性逼近模型，如下式：
其中，为字典矩阵，/>D1为相位域特征矢量Y1学习得到的相位域特征字典，D2为时域特征矢量Y2学习得到的时域特征字典，D3为频域特征矢量Y3学习得到的频域特征字典，/>为稀疏系数矩阵，α为控制稀疏权重的参数，||·||F为F范数，||·||1，1为L1范数，/>a为稀疏表示的具体系数参数，β1为控制字典差异性的参数，β2为控制字典相似性的参数；
S42：稀疏编码的字典矩阵求解：
将公式(1)的稀疏系数矩阵固定，得到：
依次对相位域特征字典D1、时域特征字典D2、频域特征字典D3进行优化，优化每个字典的方法如下：
将其它两个字典固定，按照误差最小的原则，通过SVD方法更新被优化字典每列及其对应的稀疏系数的值，逐步更新被优化字典直到得到质量最好的字典；
S43：稀疏编码的稀疏系数矩阵求解：
将公式(1)的字典矩阵固定，得到：
采用OMP追踪算法求解得到最优稀疏系数矩阵对最优稀疏系数矩阵/>进行轻量化处理：
选择稀疏系数矩阵中每一列的最大绝对值作为对应特征表示值并将每一列的其它值置零，清除所有零元素，得到稀疏系数向量S，S∈R1×9f，f为ECG心电信号采样频率。
2.根据权利要求1所述的一种心电身份识别方法，其特征在于，所述步骤S2包括以下步骤：
S21：采用基于小波硬阈值的循环平移消噪算法对原始ECG心电信号进行处理，得到干净的ECG心电信号；
S22：固定窗口长度为3S，随机截取固定窗口长度的ECG心电信号，作为短周期ECG心电信号。
3.根据权利要求2所述的一种心电身份识别方法，其特征在于，所述步骤S21包括以下步骤：
S2101：对原始ECG心电信号进行8次循环平移处理，改变原始ECG心电信号中奇异点的位置；
S2102：采用离散小波变换对原始ECG心电信号进行分解；
S2103：在小波域通过硬阈值函数对小波系数进行阈值量化处理，并根据量化处理后得到的估计小波系数做逆离散小波变换，得到重构的ECG心电信号；
S2104：对重构的ECG心电信号进行8次逆循环平移处理，得到干净的ECG心电信号。
4.根据权利要求1或2或3所述的一种心电身份识别方法，其特征在于，所述步骤S3包括以下步骤：
S31：对短周期ECG心电信号进行广义S变换如下式：
广义S变换的窗函数为：
广义S变换的基小波为：
其中，x(t)为短周期ECG心电信号，t为时间，τ为时移因子，f为ECG心电信号采样频率，λ为窗函数的窗宽参数，p为窗函数的幅度参数，
经过上述处理，得到复数矩阵
其中，N＝1.5f，M＝3f；
S32：提取相位域特征矢量Y1、时域特征矢量Y2、频域特征矢量Y3，
1≤i′≤N，1≤j′≤M，
5.根据权利要求1所述的一种心电身份识别方法，其特征在于，所述步骤S42中依次对相位域特征字典D1、时域特征字典D2、频域特征字典D3进行优化的方法包括以下步骤：
M1：固定时域特征字典D2、频域特征字典D3，令其中/>是与D2、D3相关的稀疏系数矩阵，/> 从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新相位域特征字典D1每列及其对应的稀疏系数的值，逐步更新相位域特征字典D1直到得到质量最好的相位域特征字典D1；
M2：固定相位域特征字典D1、频域特征字典D3，令其中/>是与D1、D3相关的稀疏系数矩阵，/>从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新时域特征字典D2每列及其对应的稀疏系数的值，逐步更新时域特征字典D2直到得到质量最好的时域特征字典D2；
M3：固定相位域特征字典D1、时域特征字典D2，令其中/>是与D1、D2相关的稀疏系数矩阵，/>从而将公式(2)转换为：
按照误差最小的原则，通过SVD方法更新频域特征字典D3每列及其对应的稀疏系数的值，逐步更新频域特征字典D3直到得到质量最好的频域特征字典D3。
6.根据权利要求1或2或3所述的一种心电身份识别方法，其特征在于，所述基于双向长短期记忆网络的深度神经网络模型的批处理大小为batch size，初始学习率为initiallearn rate，隐藏层数hidden-layer units分别为50、0.001、150。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011159543.XA CN112215196B (zh) | 2020-10-26 | 2020-10-26 | 一种心电身份识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011159543.XA CN112215196B (zh) | 2020-10-26 | 2020-10-26 | 一种心电身份识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215196A CN112215196A (zh) | 2021-01-12 |
| CN112215196B true CN112215196B (zh) | 2024-04-02 |
Family
ID=74056567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011159543.XA Active CN112215196B (zh) | 2020-10-26 | 2020-10-26 | 一种心电身份识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215196B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113312596B (zh) * | 2021-06-10 | 2023-04-07 | 重庆市勘测院 | 一种基于深度学习和异步轨迹数据的用户身份识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388692A (zh) * | 2018-01-17 | 2018-08-10 | 西安交通大学 | 基于分层稀疏编码的滚动轴承故障特征提取方法 |
| CN110786850A (zh) * | 2019-11-11 | 2020-02-14 | 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 |
| CN111161184A (zh) * | 2019-12-27 | 2020-05-15 | 广东工业大学 | 一种基于mcp稀疏约束的快速mr图像去噪方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9904874B2 (en) * | 2015-11-05 | 2018-02-27 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
-
2020
- 2020-10-26 CN CN202011159543.XA patent/CN112215196B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388692A (zh) * | 2018-01-17 | 2018-08-10 | 西安交通大学 | 基于分层稀疏编码的滚动轴承故障特征提取方法 |
| CN110786850A (zh) * | 2019-11-11 | 2020-02-14 | 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 |
| CN111161184A (zh) * | 2019-12-27 | 2020-05-15 | 广东工业大学 | 一种基于mcp稀疏约束的快速mr图像去噪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215196A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Labati et al. | Deep-ECG: Convolutional neural networks for ECG biometric recognition | |
| Li et al. | Deep convolutional neural network based ECG classification system using information fusion and one‐hot encoding techniques | |
| Bassiouni et al. | Intelligent hybrid approaches for human ECG signals identification | |
| CN104102915B (zh) | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 | |
| Tom et al. | Fingerprint based gender classification using 2D discrete wavelet transforms and principal component analysis | |
| CN112215196B (zh) | 一种心电身份识别方法 | |
| Gupta et al. | Fingerprint based gender classification using discrete wavelet transform & artificial neural network | |
| Hong et al. | ECG biometric recognition: Template-free approaches based on deep learning | |
| Chun | Single pulse ECG-based small scale user authentication using guided filtering | |
| Bassiouni et al. | A machine learning technique for person identification using ECG signals | |
| Khan et al. | Biometric authentication based on EMG signals of speech | |
| Deshmane et al. | ECG based biometric human identification using convolutional neural network in smart health applications | |
| Wu et al. | Robust ecg biometrics using two-stage model | |
| Huang et al. | Robust multi-feature collective non-negative matrix factorization for ECG biometrics | |
| Zhang et al. | Know your mind: Adaptive cognitive activity recognition with reinforced CNN | |
| CN115281676A (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
| Wu et al. | A scalable open-set ECG identification system based on compressed CNNs | |
| Kim et al. | Physiology-based augmented deep neural network frameworks for ECG biometrics with short ECG pulses considering varying heart rates | |
| Wan et al. | Research on Identification Algorithm Based on ECG Signal and Improved Convolutional Neural Network | |
| Pasero et al. | Intruder recognition using ECG signal | |
| Wulandari et al. | On the performance of pretrained CNN aimed at palm vein recognition application | |
| CN116350233A (zh) | 一种基于自编码器的心电信号质量评估方法 | |
| CN112257573B (zh) | 一种基于t-SNE和Adaboost的ECG身份识别方法 | |
| Wu et al. | Research on personal identity verification based on convolutional neural network | |
| CN114419657A (zh) | 基于局部片段稀疏表示的ecg身份识别方法 |
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 |