CN112370065A - 基于心电信号动力学特征的身份识别方法、系统及介质 - Google Patents

基于心电信号动力学特征的身份识别方法、系统及介质 Download PDF

Info

Publication number
CN112370065A
CN112370065A CN202011135341.1A CN202011135341A CN112370065A CN 112370065 A CN112370065 A CN 112370065A CN 202011135341 A CN202011135341 A CN 202011135341A CN 112370065 A CN112370065 A CN 112370065A
Authority
CN
China
Prior art keywords
qrs
qrs wave
electrocardiosignals
electrocardiosignal
acquiring
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.)
Pending
Application number
CN202011135341.1A
Other languages
English (en)
Inventor
董训德
王聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202011135341.1A priority Critical patent/CN112370065A/zh
Publication of CN112370065A publication Critical patent/CN112370065A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Abstract

本发明公开了一种基于心电信号动力学特征的身份识别方法、系统及介质，其中方法包括以下步骤：获取待识别个体的心电信号，对所述心电信号进行预处理；根据经过预处理的所述心电信号提取多个第一QRS波；将所述第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息。本发明提取的心电信号动力学特征是心电信号更加本质的深层次特征，是对心电信号信息的深度挖掘，可以对心电信号更加全面更加准确的刻画，减少同一个体心电信号之间的差异性，放大不同个体心电信号之间的差异性，提高身份识别系统的准确性和稳定性，可广泛应用于生物识别领域。

Description

基于心电信号动力学特征的身份识别方法、系统及介质
技术领域
本发明涉及生物识别领域，尤其涉及一种基于心电信号动力学特征的身份识别方法、系统及介质。
背景技术
心电信号是心脏电活动在体表的一种综合体现，目前基于心电信号的身份识别研究已经得到了相关领域的较广泛的关注。但已有的相关研究主要基于心电信号的静态特征进行身份识别，这些静态特征不能全面刻画心电信号这一非平稳的随机信号；因为心电信号本质上一种微弱的非线性、非平稳的随机信号，是一种特殊的动态模式，仅用有限的基于经验的静态特征参量难以对其进行准确全面的刻画。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于心电信号动力学特征的身份识别方法、系统及介质。
本发明所采用的技术方案是：
一种基于心电信号动力学特征的身份识别方法，包括以下步骤：
获取待识别个体的心电信号，对所述心电信号进行预处理；
根据经过预处理的所述心电信号提取多个第一QRS波；
将所述第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息。
进一步，所述对所述心电信号进行预处理，包括：
采用带通滤波器对所述心电信号进行滤波；
采用微分滤波器对所述心电信号进行滤波，以突出QRS波；
对经过滤波的所述心电信号进行平方处理，以及采用平均法进行去噪。
进一步，所述身份识别方法还包括构建QRS波模式库的步骤，具体为：
获取身份信息和心电信号，对所述心电信号进行预处理；
根据经过预处理的所述心电信号提取多个第二QRS波；
对经过预处理的所述心电信号进行内在动力学特征提取，获得第二QRS波动力学特征；
将所述第二QRS波动力学特征与所述身份信息进行绑定存储。
进一步，所述对经过预处理的所述心电信号进行内在动力学特征提取，获得第二QRS波动力学特征，包括：
在所述预处理心电信号的基础上，采用Pan-Tompkins算法获取所述心电信号的R波；
获取R波左右两边预设时间段内的部分作为第二QRS波；
对经过预处理的所述心电信号进行动力学建模，获得所述心电信号的动力学表达式；
基于所述第二QRS波相应位置获取所述第二QRS波动力学特征。
进一步，所述心电信号的动力学表达式为：
Figure BDA0002735031010000021
所述第二QRS波的动力学表达式为：
Figure BDA0002735031010000022
其中，
Figure BDA0002735031010000023
mean是算术平均,[tl,tr]是权值收敛后的一段时间，∈i是近似误差，kQ是第二QRS波的起点，kS是第二QRS波的终点。
进一步，所述将所述第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息，包括：
根据所述第一QRS波和所述QRS波模式库中的第二QRS波动力学特征构建一组状态估计器；
根据所述状态估计器获取误差系统，根据所述误差系统计算所述第一QRS波与第二QRS波的比对误差；
根据比对误差获取对应的第二QRS波的身份信息，作为待识别个体的身份信息。
进一步，所述状态估计器的表达式为：
Figure BDA0002735031010000024
所述误差系统的表达式为：
Figure BDA0002735031010000025
其中，
Figure BDA0002735031010000026
为存储在QRS波模式库中第k个QRS波的建模结果，B＝diag{b1,…,bn}是一个对角矩阵，bi>0(i＝1,…,n)是设计参数。
进一步，所述根据比对误差获取对应的第二QRS波的身份信息，作为待识别个体的身份信息，包括：
根据比对误差获取最小比对误差对应的第二QRS波；
若多个第一QRS波的最小比对误差均对应同一类第二QRS波，则获取对应的第二QRS波的身份信息，作为待识别个体的身份信息；
若多个第一QRS波的最小比对误差对应两类或两类以上第二QRS波，则采用投票策略获取对应的第二QRS波的身份信息，作为待识别个体的身份信息。
本发明所采用的另一技术方案是：
一种基于心电信号动力学特征的身份识别系统，包括：
信号处理模块，用于获取待识别个体的心电信号，对所述心电信号进行预处理；
特征提取模块，用于根据经过预处理的所述心电信号提取多个第一QRS波；
比对识别模块，用于将所述第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息。
本发明所采用的另一技术方案是：
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明提取的心电信号动力学特征是心电信号更加本质的深层次特征，是对心电信号信息的深度挖掘，可以对心电信号更加全面更加准确的刻画，可减少同一个体心电信号之间的差异性，放大不同个体心电信号之间的差异性，提高身份识别系统的准确性和稳定性。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种基于心电信号动力学特征的身份识别方法的步骤流程图；
图2是本发明实施例中第一个体的单导联心电信号QRS波的建模示意图；
图3是本发明实施例中第二个体的单导联心电信号QRS波的建模示意图；
图4是本发明实施例中第三个体的单导联心电信号QRS波的建模示意图；
图5是本发明实施例中第四个体的单导联心电信号QRS波的建模示意图；
图6是本发明实施例中第一个体的双导联心电信号QRS波的建模示意图；
图7是本发明实施例中第二个体的双导联心电信号QRS波的建模示意图；
图8是本发明实施例中第三个体的双导联心电信号QRS波的建模示意图；
图9是本发明实施例中第四个体的双导联心电信号QRS波的建模示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本实施例提供一种基于心电信号动力学特征的身份识别方法，本实施例方法中拟将不同个体的心电信号看作不同种类的动态模式，同一个体的心电信号看作一类动态模式。假定有M个不同个体，相应的M种心电信号分别给定身份标签(也即分类标签)Sj(j＝1,2,…,M)，该方法包括但不限于以下步骤：
S1、构建QRS波模式库。
步骤S1包括以下步骤S11-S14：
S11、获取身份信息和心电信号Ej，对心电信号Ej进行预处理。
首先收集需要识别个体的心电信号Ej，每个个体收集1条20s左右长度的心电信号Ej，记第j个个体的心电信号为Ej(j＝1,2,…,M)，身份标签为Sj。然后对每条心电信号进行如下的预处理以去除噪声干扰：1)使用5-15HZ的带通滤波器对心电信号进行滤波；2)使用微分滤波器突出QRS波；3)对信号进行平方处理；4)采用平均法进行去噪。
S12、根据经过预处理的所述心电信号Ej提取多个第二QRS波。
S13、对经过预处理的心电信号Ej进行内在动力学特征提取，获得第二QRS波动力学特征。
步骤S13包括步骤S131-S134：
S131、在预处理心电信号的基础上，采用Pan-Tompkins算法获取心电信号的R波；
S132、获取R波左右两边预设时间段内的部分作为第二QRS波；；
S133、对经过预处理的心电信号进行动力学建模，获得心电信号的动力学表达式；
S134、基于第二QRS波相应位置获取第二QRS波动力学特征。
在对每条心电信号进行预处理的基础上，提取每条心电信号的内在动力学特征。
心电图信号作为心电活动在人体表面的综合表现，实质上是心电活动这一极其复杂的高维连续非线性动态系统所产生的一种时态模式，将该非线性动态系统表达如下：
Figure BDA0002735031010000051
其中e(t)＝[e1(t),...,en(t)]T为系统状态，代表心电信号，n为导联数，f(e(t))＝[f1(e(t)),...,fn(e(t))]T为系统动力学，代表心电活动，是一个未知的非线性函数向量，显然，e(t)完全由系统动力学f(e(t))决定。
构建如下的动态系统辨识系统动力学fi(e(t))：
Figure BDA0002735031010000052
其中，
Figure BDA0002735031010000053
是系统状态ei(t)的估计值，0<|ai|<1是常值参数。
Figure BDA0002735031010000054
用于近似fi(e(t))。
权值参数
Figure BDA0002735031010000055
采用如下更新率进行更新：
Figure BDA0002735031010000056
其中，
Figure BDA0002735031010000057
σi>0是一个小的参数。
考虑方程组(1)、(2)和(3)，可以得到：
Figure BDA0002735031010000058
其中，
Figure BDA0002735031010000059
mean是算术平均,[tl,tr]是权值收敛后的一段时间，∈i是近似误差。
在对心电信号Ej准确建模的基础上，采用Pan-Tompkins算法检测心电信号Ej的R波，经验性地选择R波前160毫秒至R波后340毫秒作为QRS波(即第二QRS波)，记QRS波的起点为kQ，终点为kS，则QRS波的动力学表示为：
Figure BDA0002735031010000061
图2、图3、图4和图5给出了四个不同个体的单导联心电信号QRS波的建模结果，图6、图7、图8和图9给出了四个不同个体的双导联心电信号QRS波的建模结果。每个子图对应不同个体，子图中不同颜色的曲线代表同一个体不同的QRS波的建模结果。可以看出，同一个体的QRS波的建模结果具有很大的相似性，不同个体的QRS波的建模结果具有很大的差异性。这表明QRS波的动力学特征对不同个体具有很好的区分度。
S14、将第二QRS波动力学特征与身份信息进行绑定存储。
将QRS波的建模结果与其相应的身份标签保存起来，构建QRS波模式库PLQRS，该模式库共包括M个种类(对应M个不同个体)，每个个体包含mj个QRS波的动力学建模结果，也即在该模式库中共包含
Figure BDA0002735031010000062
个第二QRS波的动力学建模结果。
S2、获取待识别个体的心电信号Et，对心电信号Et进行预处理。
其中，对心电信号Et进行预处理包括以下步骤S21-S23：
S21、采用带通滤波器对心电信号Et进行滤波；
S22、采用微分滤波器对心电信号Et进行滤波，以突出QRS波；
S23、对经过滤波的心电信号Et进行平方处理，以及采用平均法进行去噪。
S3、根据经过预处理的心电信号提取多个第一QRS波。
在对心电信号Et准确建模的基础上，采用Pan-Tompkins算法检测心电信号Et的R波，经验性地选择R波前160毫秒至R波后340毫秒作为QRS波(即第一QRS波)。
S4、将第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息。
步骤S4包括步骤S41-S43：
S41、根据第一QRS波和QRS波模式库中的第二QRS波动力学特征构建一组状态估计器；
S42、根据状态估计器获取误差系统，根据误差系统计算第一QRS波与第二QRS波的比对误差；
S43、根据比对误差获取对应的第二QRS波的身份信息，作为待识别个体的身份信息。
获得多个第一QRS波后，假定共有mt个QRS波(第一QRS波)，对第l个QRS波
Figure BDA0002735031010000071
构建一组如下的状态估计器：
Figure BDA0002735031010000072
其中，
Figure BDA0002735031010000073
是该状态估计器的系统状态，B＝diag{b1,…,bn}是一个对角矩阵，bi>0(i＝1,…,n)是设计参数，
Figure BDA0002735031010000074
为存储在QRS波模式库PLQRS中第k个QRS波的建模结果。
根据方程(6)和
Figure BDA0002735031010000075
可以得到如下的误差系统：
Figure BDA0002735031010000076
其中，
Figure BDA0002735031010000077
与
Figure BDA0002735031010000078
和
Figure BDA0002735031010000079
QRS波之间的动力学差异成正比，若
Figure BDA00027350310100000710
则
Figure BDA00027350310100000711
与
Figure BDA00027350310100000712
最相似且
Figure BDA00027350310100000713
也即
Figure BDA00027350310100000714
被分入SI类。
若多个第一QRS波的最小比对误差均对应同一类第二QRS波，则获取对应的第二QRS波的身份信息，作为待识别个体的身份信息。即一个待识别个体心电信号Et的L个QRS波(第一QRS波)都被分入一个类别
Figure BDA00027350310100000715
则该个体被识别为个体
Figure BDA00027350310100000716
若多个第一QRS波的最小比对误差对应两类或两类以上第二QRS波，则采用投票策略获取对应的第二QRS波的身份信息，作为待识别个体的身份信息。即一个待识别个体心电信号Et的L个QRS波(第一QRS波)被分入N不同的类别
Figure BDA00027350310100000717
其中lh是分类为
Figure BDA00027350310100000718
的QRS波的个数，如果
Figure BDA00027350310100000719
则
Figure BDA00027350310100000720
也即该个体被识别为个体
Figure BDA00027350310100000721
以下结合实验效果对上述身份识别方法进行补充说明。
(1)实验数据
两个健康受试者的心电图数据库被用来评估该方法。第一个数据库是一个私人数据库，称为GGH数据库，其中包含94名健康受试者的心电图，每个受试者有2条长度为20秒的标准12导联心电图记录，也即GGH数据库包含188条20秒的标准12导联心电图记录。第二个数据库是PTB诊断性心电图数据库的一个子集，记为PTB-H数据库，包含了52名健康人的心电图，每个受试者有2条长度为20秒的标准12导联心电图记录，共计104条20秒的标准12导联心电图记录。
(2)基于单导联心电图的身份识别实验
为减少QRS波训练集和测试集的选择偏差，采用k-折交叉验证法来评价该方法，以分类的平均准确率作为比较基准。为了便于比较分别基于PTB-H和GGH数据库进行了同样的实验。
a)2折交叉实验
由于每个受试者都有2条12导联的心电图记录，首先采用2折交叉验证法对该方法进行评价。每个受试者的1条心电图记录作为训练集，另外1条心电图记录作为测试集。基于12导联的每个导联都进行了相应的2折交叉验证实验。基于GGH数据库(PTB-H数据库)2折交叉验证实验的身份识别准确率在92.55％～96.81％之间(94.23％～100％之间)，平均准确率为94.64％(97.20％)。
b)5折交叉实验
进一步采用5折交叉验证的方法测试该方法在单导联心电图上的泛化能力。准确的说，在每一折实验中，选择每个心电信号中20％的QRS波作为测试模式，其余作为训练模式。即每条原始心电图记录的20％作为测试模式，GGH数据库和PTB-H数据库的测试集分别由188条和104条处理过的心电图记录组成。基于12导联的每个导联都进行了相应的5折交叉验证实验，基于GGH数据库(PTB-H数据库)5折交叉验证实验的身份识别准确率在94.68％～97.34％之间(95.19％～99.04％之间)，平均准确率分别为95.85％(97.31％)。
(3)基于双导联心电图的身份识别实验
由于没有标准表明哪种双导联组合对身份识别是最佳的，我们进行两组实验：实验组A和实验组B。在实验组A中，两导联ECG从导联I、导联II、导联III、导联aVR、导联aVL、导联aVF中选择，共15种双导联组合。在实验组B中，两导联心电图从导联V1、导联V2、导联V3、导联V4、导联V5、导联V6中选择，也是共15个双导联组合。
与基于单导联心电图的身份识别实验类似，对每一个双导联组合进行2折交叉验证实验，仍以每个受试者的1条心电图记录作为训练模式，另1条心电图记录作为测试模式。实验结果表明基于双导联心电图的身边识别性能较单导联心电图有较大的提高。对于GGH数据库，在实验组A(实验组B)的2折交叉验证实验中，身份识别准确在96.81％～100％之间(在96.81％～100％之间)，平均准确率为98.94％(99.50％)。对于PTB-H数据库，在实验A组(实验B组)的2折交叉验证实验中：身份识别准确率在96.15％和100％之间(在94.23％和100％之间)，平均准确率为98.40％(99.23％)。
由于双导联心电图身份识别的2折交叉验证实验结果平均准确率已经高达98.40％(99.23％)，这里没有进行更多的交叉验证实验。
基于GGH和PTB-H数据库的实验结果表明，该方法在12导联心电图的各个导联都表现出了良好的身份识别能力，具有很好的泛化能力，降低了基于心电图进行身份识别时的要求和限制，对基于心电图的身份识别进入实际应用具有重要的意义。
综上所述，本实施例的方法至少具有如下有益效果：
1)QRS波的动力学特征是QRS波的全息表达，相对于现有的统计特征和静态特征，动力学特征可以更准确地表征QRS波的各种变化。
2)本实施例方法避免现有大多数相关研究需要寻找用于QRS波分类的合适的特征向量。
3)本实施例采用动力学特征来度量QRS波之间的相似性，并以QRS波动力学特征的动力学拓扑相似性作为分类依据。
4)基于动态模式识别新方法设计了QRS波的分类方法，对测试QRS波的分类不需要提取其任何特征(无论是静态特征还是动态特征)，而且不需要通过任何形式的数值计算直接比较测试和训练QRS波的动力学特征。
5)将QRS波的识别问题转化为误差系统的稳定性和收敛性问题，根据残差最小原则实现对QRS的分类。
本实施例还提供了一种基于心电信号动力学特征的身份识别系统，包括：
信号处理模块，用于获取待识别个体的心电信号，对心电信号进行预处理；
特征提取模块，用于对经过预处理的心电信号进行内在动力学特征提取，获得多个第一QRS波；
比对识别模块，用于将第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息。
本实施例的一种基于心电信号动力学特征的身份识别系统，可执行本发明方法实施例所提供的一种基于心电信号动力学特征的身份识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种基于心电信号动力学特征的身份识别方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于心电信号动力学特征的身份识别方法，其特征在于，包括以下步骤：
获取待识别个体的心电信号，对所述心电信号进行预处理；
根据经过预处理的所述心电信号提取多个第一QRS波；
将所述第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息。
2.根据权利要求1所述的一种基于心电信号动力学特征的身份识别方法，其特征在于，所述对所述心电信号进行预处理，包括：
采用带通滤波器对所述心电信号进行滤波；
采用微分滤波器对所述心电信号进行滤波，以突出QRS波；
对经过滤波的所述心电信号进行平方处理，以及采用平均法进行去噪。
3.根据权利要求1所述的一种基于心电信号动力学特征的身份识别方法，其特征在于，所述身份识别方法还包括构建QRS波模式库的步骤，具体为：
获取身份信息和心电信号，对所述心电信号进行预处理；
根据经过预处理的所述心电信号提取多个第二QRS波；
对经过预处理的所述心电信号进行内在动力学特征提取，获得第二QRS波动力学特征；
将所述第二QRS波动力学特征与所述身份信息进行绑定存储。
4.根据权利要求3所述的一种基于心电信号动力学特征的身份识别方法，其特征在于，所述对经过预处理的所述心电信号进行内在动力学特征提取，获得第二QRS波动力学特征，包括：
在所述预处理心电信号的基础上，采用Pan-Tompkins算法获取所述心电信号的R波；
获取R波左右两边预设时间段内的部分作为第二QRS波；
对经过预处理的所述心电信号进行动力学建模，获得所述心电信号的动力学表达式；
基于所述第二QRS波相应位置获取所述第二QRS波动力学特征。
5.根据权利要求4所述的一种基于心电信号动力学特征的身份识别方法，其特征在于，所述心电信号的动力学表达式为：
Figure FDA0002735029000000011
所述第二QRS波的动力学表达式为：
Figure FDA0002735029000000012
其中，
Figure FDA0002735029000000013
mean是算术平均,[tl,tr]是权值收敛后的一段时间，∈i是近似误差，kQ是第二QRS波的起点，kS是第二QRS波的终点。
6.根据权利要求3所述的一种基于心电信号动力学特征的身份识别方法，其特征在于，所述将所述第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息，包括：
根据所述第一QRS波和所述QRS波模式库中的第二QRS波动力学特征构建一组状态估计器；
根据所述状态估计器获取误差系统，根据所述误差系统计算所述第一QRS波与第二QRS波的比对误差；
根据比对误差获取对应的第二QRS波的身份信息，作为待识别个体的身份信息。
7.根据权利要求6所述的一种基于心电信号动力学特征的身份识别方法，其特征在于，所述状态估计器的表达式为：
Figure FDA0002735029000000021
所述误差系统的表达式为：
Figure FDA0002735029000000022
其中，
Figure FDA0002735029000000023
为存储在QRS波模式库中第k个QRS波的建模结果，B＝diag{b1,…,bn}是一个对角矩阵，bi>0(i＝1,…,n)是设计参数。
8.根据权利要求6所述的一种基于心电信号动力学特征的身份识别方法，其特征在于，所述根据比对误差获取对应的第二QRS波的身份信息，作为待识别个体的身份信息，包括：
根据比对误差获取最小比对误差对应的第二QRS波；
若多个第一QRS波的最小比对误差均对应同一类第二QRS波，则获取对应的第二QRS波的身份信息，作为待识别个体的身份信息；
若多个第一QRS波的最小比对误差对应两类或两类以上第二QRS波，则采用投票策略获取对应的第二QRS波的身份信息，作为待识别个体的身份信息。
9.一种基于心电信号动力学特征的身份识别系统，其特征在于，包括：
信号处理模块，用于获取待识别个体的心电信号，对所述心电信号进行预处理；
特征提取模块，用于根据经过预处理的所述心电信号提取多个第一QRS波；
比对识别模块，用于将所述第一QRS波和QRS波模式库进行比对，根据比对结果获取待识别个体的身份信息。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述方法。
CN202011135341.1A 2020-10-21 2020-10-21 基于心电信号动力学特征的身份识别方法、系统及介质 Pending CN112370065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011135341.1A CN112370065A (zh) 2020-10-21 2020-10-21 基于心电信号动力学特征的身份识别方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011135341.1A CN112370065A (zh) 2020-10-21 2020-10-21 基于心电信号动力学特征的身份识别方法、系统及介质

Publications (1)

Publication Number Publication Date
CN112370065A true CN112370065A (zh) 2021-02-19

Family

ID=74580444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011135341.1A Pending CN112370065A (zh) 2020-10-21 2020-10-21 基于心电信号动力学特征的身份识别方法、系统及介质

Country Status (1)

Country Link
CN (1) CN112370065A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114880646A (zh) * 2022-07-13 2022-08-09 华南师范大学 一种身份识别方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030135097A1 (en) * 2001-06-25 2003-07-17 Science Applications International Corporation Identification by analysis of physiometric variation
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
CN103345600A (zh) * 2013-06-24 2013-10-09 中国科学院深圳先进技术研究院 一种心电信号数据处理方法
CN106778561A (zh) * 2016-11-16 2017-05-31 深圳市阿尔法通讯技术有限公司 一种穿戴式设备的身份识别方法及识别装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030135097A1 (en) * 2001-06-25 2003-07-17 Science Applications International Corporation Identification by analysis of physiometric variation
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
CN103345600A (zh) * 2013-06-24 2013-10-09 中国科学院深圳先进技术研究院 一种心电信号数据处理方法
CN106778561A (zh) * 2016-11-16 2017-05-31 深圳市阿尔法通讯技术有限公司 一种穿戴式设备的身份识别方法及识别装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XUNDE DONG 等: "Identity Recognition Based on the QRS Complex Dynamics of Electrocardiogram", 《IEEE ACCESS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114880646A (zh) * 2022-07-13 2022-08-09 华南师范大学 一种身份识别方法、装置、电子设备及存储介质
CN114880646B (zh) * 2022-07-13 2023-08-08 华南师范大学 一种身份识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Strodthoff et al. Detecting and interpreting myocardial infarction using fully convolutional neural networks
US10758139B2 (en) Automatic method to delineate or categorize an electrocardiogram
US10869610B2 (en) System and method for identifying cardiac arrhythmias with deep neural networks
De Lannoy et al. Weighted conditional random fields for supervised interpatient heartbeat classification
Andreao et al. ECG signal analysis through hidden Markov models
Krasteva et al. QRS template matching for recognition of ventricular ectopic beats
Abrishami et al. Supervised ECG interval segmentation using LSTM neural network
De Lannoy et al. Weighted SVMs and feature relevance assessment in supervised heart beat classification
Bulusu et al. Transient ST-segment episode detection for ECG beat classification
Sumathi et al. A wavelet transform based feature extraction and classification of cardiac disorder
Emanet ECG beat classification by using discrete wavelet transform and Random Forest algorithm
Zhou et al. ECG quality assessment using 1D-convolutional neural network
CN110693488A (zh) 心电信号处理系统、方法、电子设备及可读存储介质
Goswami et al. Weak supervision for affordable modeling of electrocardiogram data
Kuila et al. Feature extraction and classification of mit-bih arrhythmia database
CN112370065A (zh) 基于心电信号动力学特征的身份识别方法、系统及介质
Li et al. A novel abnormal ECG beats detection method
KR20140097039A (ko) 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치
Rodríguez-Sotelo et al. Unsupervised classification of atrial heartbeats using a prematurity index and wave morphology features
Gupta et al. Nonlinear technique-based ECG signal analysis for improved healthcare systems
Márquez et al. A study on the representation of QRS complexes with the optimum number of Hermite functions
Bashir et al. Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring
Yao et al. Arrhythmia classification from single lead ecg by multi-scale convolutional neural networks
Wen et al. ECG beat classification using GreyART network
Ripoll et al. Assessment of electrocardiograms with pretraining and shallow networks

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210219