CN112257518A - 基于wt与woa-pnn算法的ecg身份识别方法 - Google Patents

Abstract

本发明公开了一种基于WT与WOA‑PNN算法的ECG身份识别方法，具体按照如下步骤实施：步骤1，采集心电信号，进行预处理去噪，得到去噪后的ECG信号；步骤2，对步骤1去噪后的ECG信号采用小波定位方法对R波峰值点进行定位；步骤3，通过步骤2所得R波峰值点，确定QRS波群位置，确定P波与T波的峰值点、起点与终点；步骤4，基于步骤2和步骤3得到的QRS波群、P波和T波的峰值点、起点和终点进行组合得到特征向量，然后运用WOA‑PNN算法进行ECG信号识别。本发明的基于WT与WOA‑PNN算法的ECG身份识别方法，解决了现有ECG识别过程中，对小容量多分类样本识别精度不高的问题。

Description

基于WT与WOA-PNN算法的ECG身份识别方法

技术领域

本发明属于生物特征识别技术领域，涉及一种基于WT与WOA-PNN算法的ECG身份识别方法。

背景技术

随着信息化的发展，网络的迅速普及，个人身份识别技术已在医疗、安防、保密等领域得到了广泛的应用。然而，传统身份识别技术存在一些固有缺陷，例如钥匙容易丢失，且容易被复刻，应用密码方式时，密码若是忘记或是泄露都将会失去其原有的安全性，无法满足现代社会人群对于安全性的基本要求。以往，生物特征仅仅作为一种辅助验证方式存在，然而随着科技的不断发展，生物特征越来越显示出其独特的优势，利用生物特征进行识别开始更多的引起人们的关注。

相较于传统的生物特征，心电信号有许多巨大的优势；首先，由于心电信号来自于身体内部，因此极其难于仿造，其次，任何存活的个体都会具有心电信号，故其不会被遗忘或者丢失，最后，心电信号作为一种一维信号，其处理简单，计算量小，识别速度更快。综上所述，心电图(Electrocardiogram，ECG)信号具有的众多优势都使其成为21世纪生物识别领域不可忽视的重要组成部分。

基于ECG的身份识别面临三个重要问题。一是心电图信号的预处理，从人体初始采集的心电图信号带有大量的谐波，波形质量不高，因此需要对心电图信号进行预处理，心电图信号预处理的结果好坏直接决定了后期特征提取与识别质量的高低，目前，已有研究采用经验模态分解(Empirical Mode Decomposition，EMD)和小波变换(Wavelet Transform，WT)对心电图信号进行预处理。二是ECG信号的特征提取，一个典型的心电波形可由P波、QRS波群、T波等主要部分构成，目前的研究主要集中在两个方面：一方面是针对不同波群进行特征提取，由于QRS波群能够反映左、右心室除极电位和时间的变化，大多数文献针对QRS波群进行提取。也有部分文献出于其他目的对P波和T波进行特征提取；另一方面是提出新的特征提取方法，目前常用的提取方法有多尺度自回归模型(MSARM)提取，自相关提取和变换识别提取，其中变换识别提取根据变换方法不同又分为离散余弦变换(DCT)提取、离散傅里叶变换(DFT)提取，沃尔什哈达玛变换(WHT)提取，小波变换提取等。三是心电图信号分类方法，常见的分类方法有支持向量机(Support Vector Machine,SVM)，BP(BackPropagation)神经网络，深度学习、卷积神经网络等，以及一些其他改进方法。

基于国内外研究不难发现影响识别效果的因素是多重的，信号预处理结果的好坏，特征波形的提取效果，特征点的选择，这些因素无疑都会影响最终的识别结果，所以要想准确的识别ECG信号，所用的方法必将是从上至下相辅相成的。

现有的ECG信号识别技术多使用EMD做滤波处理，该方法在进行心电信号预处理存在阈值选择的问题，由于实际情况的多样化，单一的阈值选择会导致滤波后的波形存在较大程度失真。同时，现有ECG识别技术中，一般使用单一的智能算法做智能识别，然而单一的智能算法对小容量多分类样本的识别效果不佳。因此，本发明采用小波变换方法免去了EMD的阈值选择问题，同时提出WOA-PNN算法，将两种算法结合，能够有效的识别小容量多分类样本。

发明内容

本发明的目的是提供一种基于WT与WOA-PNN算法的ECG身份识别方法，解决了现有ECG识别过程中，对小容量多分类样本识别精度不高的问题。

本发明所采用的技术方案是，基于WT与WOA-PNN算法的ECG身份识别方法，具体按照如下步骤实施：

步骤1，采集心电信号，利用小波变换对采集的心电信号进行预处理去噪，得到去噪后的ECG信号；

步骤2，对步骤1去噪后的ECG信号采用小波定位方法对R波峰值点进行定位；

步骤3，通过步骤2所得R波峰值点，确定QRS波群位置，确定P波与T波的峰值点、起点与终点；

步骤4，基于步骤2和步骤3得到的QRS波群、P波和T波的峰值点、起点和终点进行组合得到特征向量，然后运用WOA-PNN算法进行ECG信号识别。

本发明的特征还在于，

步骤1具体为：

步骤1.1，通过设备读取或数据库获取的方式获得心电原始数据，然后，利用绘图算法将得到原始数据进行绘图，得到存储有ECG数据的矩阵，该矩阵即为需要处理的ECG信号；

步骤1.2，采用Mallat算法对步骤1.1所得的ECG信号进行分解重构，得到去噪后的ECG信号。

步骤2具体为：

步骤2.1，通过二进样条小波滤波器对经步骤1去噪后的ECG信号进行四层离散小波分解，得到四次尺度分解后的ECG信号；

步骤2.2，基于步骤2.1得到的四次尺度分解后的ECG信号，在三次尺度下寻找R波极大值和R波极小值，确定疑似R波峰值点；

步骤2.3，针对步骤2.2确定的疑似R波峰值点进行R波的漏检与错检排查，最终确定准确的R波峰值点位置。

步骤2.2具体为：

步骤2.2.1，寻找R波极大值：基于步骤2.1得到的四次尺度分解后的ECG信号，在三次分解尺度下寻找R波极大值，即找出斜率大于0的点，赋值为1，将其余点赋值为0，极大值点就位于这样的1、0序列之中；

寻找R波极小值：基于步骤2.1得到的四次尺度分解后的ECG信号，在三次分解尺度下寻找R波极小值，即找出斜率小于0的点，赋值为1，其余点赋值为0，极小值点就位于这样的1、0序列之中；

步骤2.2.2，再通过设定阈值为三次分解尺度下三分之一相邻信号周期的平均值，去除绝对值小于阈值的极大值和极小值点，得到疑似的R波峰值点的存在区间，相邻极大极小值对的过零点即是疑似的R波峰值点。

步骤2.3具体为：

设定判定条件如下，当相邻疑似R波峰值点的距离<0.4mean(RR)时，说明存在错检的现象，则去除三次分解尺度下绝对值最小的疑似R波峰值点，若当相邻R波峰值点距离>1.6mean(RR)时，说明存在漏检，此时需要在三次分解尺度下两个疑似R波间期内寻找绝对值和为最大的极大值极小值对，此时寻找到的极大值极小值对的过零点即可定位为漏检R波峰值的位置，最终确定准确的R波峰值点位置，将确定的R波峰值点位置与原始心电数据中的实际R波峰值点对比，若确定的R波峰值点位置和原始心电数据中的实际R波峰值点存在位移量，则人为选择位移修正量修正确定的R波峰值点位置，得到最终的R波峰值点的位置。

步骤3具体为：

步骤3.1确定QRS波群位置：

基于步骤2所得R波峰值点的位置，将其位置对应到一次分解尺度下，取一次分解尺度下R波峰值点前三个极值点的位置确定为Q波起点，后三个极值点认定为S波终点。

步骤3.2确定P波与T波的峰值点：

在四次分解尺度下，利用已确定好的QRS波群位置，以Q波起点向前2/3RR间期作为P波搜寻区间，以S波终点向后2/3RR间期作为T波搜寻区间，在各自区间范围内搜寻最大极值对，找到其过零点确定为P波与T波的峰值点，同时各自区间范围内搜寻的最大极大值点及最小极小值点分别确定P波与T波的起点与终点。

步骤4具体为：

步骤4.1，将P波起点、P波峰值点、P波终点，QRS波起点、QRS波R波峰值点、QRS波终点，T波起点、T波峰值点、T波终点作为特征点，利用特征点之间的距离与特征点的幅值以两两组合的方式得到22个不同的特征向量来表示一个周期信号，该周期信号即为得到的特征数据组样本，其中，22个不同的特征向量包括16个距离特征向量：R-R、R-Q、R-S、R-P、R-PBegin、R-Pend、R-T、R-TBegin、R-Tend、PBegin-Pend、TBegin-Tend、Q-P、S-T、P-T、Q-PBegin、S-Tend，6个幅值特征向量：Q-R、S-R、PBegin-P、P-Q、T-TBegin、T-S，其中，字母后加Begin则代表起点，加end则代表终止点，不加则代表峰值点；

步骤4.2，在步骤4.1提取得到特征数据组样本后，以特征数据组样的2/3、3/4、4/5样本分别为训练集，剩下的1/3、1/4、1/5样本分别作为测试集，将每组样本的训练特征量与测试特征量分别存储保存为数据文件，利用WOA算法做三次训练和测试，取得三次识别精度数据，并取平均精度作为算法WOA-PNN的适应度；

步骤4.3，首先，通过手动调试来确定PNN算法平滑因子δ的范围，然后设定WOA-PNN算法的平滑因子范围为[δ-h,δ+h]，种群规模Q，迭代次数N，当迭代次数大于N，迭代结束，此时步骤4.2中适应度最高，获得最优的分类识别精度。

本发明的有益效果是：

(1)本发明能有效的完成对心电信号的滤波处理，对小容量多分类样本识别精度较高；

(2)本发明能够有效的选择和提取心电信号特征点数据，本发明提出了一种融合算法，WOA-PNN算法能够通过WOA优化PNN算法的适应度，并自主确定PNN算法平滑因子δ，使得小容量多分类ECG样本识别精度得到提高。

附图说明

图1是本发明基于WT与WOA-PNN算法的ECG身份识别方法的总体流程图；

图2是本发明基于WT与WOA-PNN算法的ECG身份识别方法中小波分解与重构的Mallat算法滤波器组实现图；

图3是本发明基于WT与WOA-PNN算法的ECG身份识别方法中ECG特征点提取总体算法流程图；

图4是本发明基于WT与WOA-PNN算法的ECG身份识别方法中小波定位R波峰值点与实际峰R波值点偏移量示意图；

图5是本发明基于WT与WOA-PNN算法的ECG身份识别方法中使用的概率神经网络(PNN)基本结构图；

图6是本发明基于WT与WOA-PNN算法的ECG身份识别方法中鲸鱼的泡泡网觅食行为图；

图7是本发明基于WT与WOA-PNN算法的ECG身份识别方法中WOA-PNN算法的心电图信号身份识别流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于WT与WOA-PNN算法的ECG身份识别方法，WOA-PNN即就是基于鲸鱼优化算法的概率神经网络，其流程图如图1所示，具体按照如下步骤实施：

如图2所示，步骤1，采集心电信号，利用小波变换对采集的心电信号进行预处理去噪，得到去噪后的ECG信号；具体为：

步骤1.1，首先，通过心率不齐心电数据库(MIT-BIH)获取心电数据。然后，用ECG算法读取程序，本发明选用了Vorarlberg University of Applied Sciences大学RobertTratnig编写的ECG算法读取程序，借用该程序便能实现心电样本数据库中的任一组样本数据进行读取、绘图，并得到存储有ECG数据的矩阵，该矩阵即为需要处理的ECG信号；

步骤1.2，首先选取最能突出ECG信号特征的小波基尺度函数db5，同时选择8个尺度的分解原则，应用基于多分辨率分析的快速二进正交小波变换算法，即Mallat算法对信号数据可进行8个尺度的小波分解与重构，得到去噪后的ECG信号；

如图3所示，步骤2，对步骤1去噪后的ECG信号采用小波定位方法对R波峰值点进行定位；具体为：

步骤2.1，通过二进样条小波滤波器对经步骤1去噪后的ECG信号进行四层离散小波分解，得到四次尺度分解后的ECG信号；

2.1.1，整定滤波器参数：

低通滤波器系数：1/4,3/4,3/4,1/4；

高通滤波器系数：-1/4,-3/4,3/4,1/4；

2.1.2，经过一个二进样条小波滤波器，得到4次尺度分解后的ECG信号，在小波分解三次尺度下的ECG信号的R波峰值最大，最为突出，因此基于三次尺度下的波形检测R波峰值点；

步骤2.2，基于步骤2.1得到的四次尺度分解后的ECG信号，在三次尺度下寻找R波极大值和R波极小值，确定疑似R波峰值点；具体为：

步骤2.2.1，寻找R波极大值：基于步骤2.1得到的四次尺度分解后的ECG信号，在三次分解尺度下寻找R波极大值，即找出斜率大于0的点，赋值为1，将其余点赋值为0，极大值点就位于这样的1、0序列之中；

寻找R波极小值：基于步骤2.1得到的四次尺度分解后的ECG信号，在三次分解尺度下寻找R波极小值，即找出斜率小于0的点，赋值为1，其余点赋值为0，极小值点就位于这样的1、0序列之中；

步骤2.2.2，再通过设定阈值为三次分解尺度下三分之一相邻信号周期的平均值，去除绝对值小于阈值的极大值和极小值点，得到疑似的R波峰值点的存在区间，相邻极大极小值对的过零点即是疑似的R波峰值点。

步骤2.3，针对步骤2.2确定的疑似R波峰值点进行R波的漏检与错检排查，最终确定准确的R波峰值点位置，具体为：

设定判定条件如下，当相邻疑似R波峰值点的距离<0.4mean(RR)时，说明存在错检的现象，则去除三次分解尺度下绝对值最小的疑似R波峰值点，若当相邻R波峰值点距离>1.6mean(RR)时，说明存在漏检，此时需要在三次分解尺度下两个疑似R波间期内寻找绝对值和为最大的极大值极小值对，此时寻找到的极大值极小值对的过零点即可定位为漏检R波峰值的位置，最终确定准确的R波峰值点位置，将确定的R波峰值点位置与原始心电数据中的实际R波峰值点对比，若确定的R波峰值点位置和原始心电数据中的实际R波峰值点存在位移量，则人为选择位移修正量修正确定的R波峰值点位置，得到最终的R波峰值点的位置，如图4所示，发现两者之间存在一定的位移量，此处人为的选择位移修正量为向左20个采样点。

步骤3，通过步骤2所得R波峰值点，确定QRS波群位置，确定P波与T波的峰值点、起点与终点；具体为：

步骤3.1确定QRS波群位置：

基于步骤2所得R波峰值点的位置，将其位置对应到一次分解尺度下，取一次分解尺度下R波峰值点前三个极值点的位置确定为Q波起点，后三个极值点认定为S波终点。

步骤3.2确定P波与T波的峰值点：

在四次分解尺度下，利用已确定好的QRS波群位置，以Q波起点向前2/3RR间期作为P波搜寻区间，以S波终点向后2/3RR间期作为T波搜寻区间，在各自区间范围内搜寻最大极值对，找到其过零点确定为P波与T波的峰值点，同时各自区间范围内搜寻的最大极大值点及最小极小值点分别确定P波与T波的起点与终点；

如图5所示为本发明使用的概率神经网络(PNN)基本结构图，图6为鲸鱼的泡泡网觅食行为图，结合图7所示的WOA-PNN算法的心电图信号身份识别流程图，步骤4具体为：基于步骤2和步骤3得到的QRS波群、P波和T波的峰值点、起点和终点进行组合得到特征向量，然后运用WOA-PNN算法进行ECG信号识别；具体为：

步骤4.1，将P波起点、P波峰值点、P波终点，QRS波起点、QRS波R波峰值点、QRS波终点，T波起点、T波峰值点、T波终点作为特征点，利用特征点之间的距离与特征点的幅值以两两组合的方式得到22个不同的特征向量来表示一个周期信号，该周期信号即为得到的特征数据组样本，其中，22个不同的特征向量包括16个距离特征向量：R-R、R-Q、R-S、R-P、R-PBegin、R-Pend、R-T、R-TBegin、R-Tend、PBegin-Pend、TBegin-Tend、Q-P、S-T、P-T、Q-PBegin、S-Tend，6个幅值特征向量：Q-R、S-R、PBegin-P、P-Q、T-TBegin、T-S，其中，字母后加Begin则代表起点点，加end则代表终止点，不加则代表峰值点；

步骤4.2，在MIT-BIH数据库中采集到40个不同类别的样本，40个不同类别的样本共含280个完整的周期数据。40个不同类别的样本最少包含5个完整的周期数据，即每个类别的样本可得到至少5*22个特征向量。为了提高模型的泛化性和鲁棒性，提取特征数据组样本。此处以特征数据组样本的2/3、3/4、4/5样本分别为训练集，剩下的1/3、1/4、1/5样本分别作为测试集。利用WOA算法做三次训练和测试，共取得三次识别精度数据，并取其平均精度作为算法WOA-PNN的适应度；

步骤4.3，首先，通过手动调试来确定PNN算法平滑因子δ的范围，然后设定WOA-PNN算法的平滑因子范围为[δ-h,δ+h]，种群规模Q，迭代次数N，当迭代次数大于N，迭代结束，此时步骤4.2中适应度最高，获得最优的分类识别精度；

步骤4.3.1在手动调试发现，PNN算法平滑因子δ取10，分类精度达到90.35％。

步骤4.3.2根据步骤4.3.1本发明设定WOA-PNN算法的平滑因子δ在[5,15]，种群规模5，迭代次数50，最终在迭代次数达到50时，得到的识别精度可达92.44％，相比于人工设定平滑因子提高了2％左右。

Claims (7)

1.基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，具体按照如下步骤实施：

步骤1，采集心电信号，利用小波变换对采集的心电信号进行预处理去噪，得到去噪后的ECG信号；

步骤2，对步骤1去噪后的ECG信号采用小波定位方法对R波峰值点进行定位；

步骤3，通过步骤2所得R波峰值点，确定QRS波群位置，确定P波与T波的峰值点、起点与终点；

步骤4，基于步骤2和步骤3得到的QRS波群、P波和T波的峰值点、起点和终点进行组合得到特征向量，然后运用WOA-PNN算法进行ECG信号识别。

2.根据权利要求1所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤1具体为：

步骤1.1，通过设备读取或数据库获取的方式获得心电原始数据，然后，利用绘图算法将得到原始数据进行绘图，得到存储有ECG数据的矩阵，该矩阵即为需要处理的ECG信号；

步骤1.2，采用Mallat算法对步骤1.1所得的ECG信号进行分解重构，得到去噪后的ECG信号。

3.根据权利要求1所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤2具体为：

步骤2.1，通过二进样条小波滤波器对经步骤1去噪后的ECG信号进行四层离散小波分解，得到四次尺度分解后的ECG信号；

步骤2.2，基于步骤2.1得到的四次尺度分解后的ECG信号，在三次尺度下寻找R波极大值和R波极小值，确定疑似R波峰值点；

步骤2.3，针对步骤2.2确定的疑似R波峰值点进行R波的漏检与错检排查，最终确定准确的R波峰值点位置。

4.根据权利要求3所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤2.2具体为：

步骤2.2.1，寻找R波极大值：基于步骤2.1得到的四次尺度分解后的ECG信号，在三次分解尺度下寻找R波极大值，即找出斜率大于0的点，赋值为1，将其余点赋值为0，极大值点就位于这样的1、0序列之中；

寻找R波极小值：基于步骤2.1得到的四次尺度分解后的ECG信号，在三次分解尺度下寻找R波极小值，即找出斜率小于0的点，赋值为1，其余点赋值为0，极小值点就位于这样的1、0序列之中；

步骤2.2.2，再通过设定阈值为三次分解尺度下三分之一相邻信号周期的平均值，去除绝对值小于阈值的极大值和极小值点，得到疑似的R波峰值点的存在区间，相邻极大极小值对的过零点即就是疑似的R波峰值点。

5.根据权利要求4所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤2.3具体为：

设定判定条件如下，当相邻疑似R波峰值点的距离<0.4mean(RR)时，说明存在错检的现象，则去除三次分解尺度下绝对值最小的疑似R波峰值点，若当相邻R波峰值点距离>1.6mean(RR)时，说明存在漏检，此时需要在三次分解尺度下两个疑似R波间期内寻找绝对值和为最大的极大值极小值对，此时寻找到的极大值极小值对的过零点即可定位为漏检R波峰值的位置，最终确定准确的R波峰值点位置，将确定的R波峰值点位置与原始心电数据中的实际R波峰值点对比，若确定的R波峰值点位置和原始心电数据中的实际R波峰值点存在位移量，则人为选择位移修正量修正确定的R波峰值点位置，得到最终的R波峰值点的位置。

6.根据权利要求5所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤3具体为：

步骤3.1确定QRS波群位置：

基于步骤2所得R波峰值点的位置，将其位置对应到一次分解尺度下，取一次分解尺度下R波峰值点前三个极值点的位置确定为Q波起点，后三个极值点认定为S波终点。

步骤3.2确定P波与T波的峰值点：

在四次分解尺度下，利用已确定好的QRS波群位置，以Q波起点向前2/3RR间期作为P波搜寻区间，以S波终点向后2/3RR间期作为T波搜寻区间，在各自区间范围内搜寻最大极值对，找到其过零点确定为P波与T波的峰值点，同时各自区间范围内搜寻的最大极大值点及最小极小值点分别确定P波与T波的起点与终点。

7.根据权利要求6所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤4具体为：

步骤4.1，将P波起点、P波峰值点、P波终点，QRS波起点、QRS波R波峰值点、QRS波终点，T波起点、T波峰值点、T波终点作为特征点，利用特征点之间的距离与特征点的幅值以两两组合的方式得到22个不同的特征向量来表示一个周期信号，该周期信号即为得到的特征数据组样本，其中，22个不同的特征向量包括16个距离特征向量：R-R、R-Q、R-S、R-P、R-PBegin、R-Pend、R-T、R-TBegin、R-Tend、PBegin-Pend、TBegin-Tend、Q-P、S-T、P-T、Q-PBegin、S-Tend，6个幅值特征向量：Q-R、S-R、PBegin-P、P-Q、T-TBegin、T-S，其中，字母后加Begin则代表起点点，加end则代表终止点，不加则代表峰值点；

步骤4.2，在步骤4.1提取得到特征数据组样本后，以特征数据组样的2/3、3/4、4/5样本分别为训练集，剩下的1/3、1/4、1/5样本分别作为测试集，将每组样本的训练特征量与测试特征量分别存储保存为数据文件，利用WOA算法做三次训练和测试，共取得三次识别精度数据，并取平均精度作为算法WOA-PNN的适应度；

步骤4.3，首先，通过手动调试来确定PNN算法平滑因子δ的范围，然后设定WOA-PNN算法的平滑因子范围为[δ-h,δ+h]，种群规模Q，迭代次数N，当迭代次数大于N，迭代结束，此时步骤4.2中适应度最高，获得最优的分类识别精度。

Images