CN113017620A - 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统 - Google Patents

基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统 Download PDF

Info

Publication number
CN113017620A
CN113017620A CN202110216990.2A CN202110216990A CN113017620A CN 113017620 A CN113017620 A CN 113017620A CN 202110216990 A CN202110216990 A CN 202110216990A CN 113017620 A CN113017620 A CN 113017620A
Authority
CN
China
Prior art keywords
electrocardiosignals
identity recognition
electrocardiosignal
cardiac
negative matrix
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
CN202110216990.2A
Other languages
English (en)
Inventor
杨公平
盛怡璇
孙启玉
张永忠
李红超
刘玉峰
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.)
Shandong Fengshi Information Technology Co ltd
Shandong University
Original Assignee
Shandong Fengshi Information Technology Co ltd
Shandong University
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 Shandong Fengshi Information Technology Co ltd, Shandong University filed Critical Shandong Fengshi Information Technology Co ltd
Priority to CN202110216990.2A priority Critical patent/CN113017620A/zh
Publication of CN113017620A publication Critical patent/CN113017620A/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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本公开公开的基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统，包括：获取待识别心电信号；将待识别心电信号划分心动周期，获取单周期心电信号；通过由鲁棒判别式非负矩阵分解获得的字典矩阵对单周期心电信号进行编码，获得心拍特征向量；根据心拍特征向量进行心电身份识别。实现了对待识别心电信号的准确心电身份识别。

Description

基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统
技术领域
本发明涉及心电信号身份识别技术领域，尤其涉及基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
身份识别是保证信息安全的重要手段，生物特征识别是利用人的生理或行为特征对人的身份进行识别的一种技术，相比于传统身份识别具有更高的安全性。与人脸、指纹、虹膜等外部生物特征相比，心电信号具有活体检测的特性，因此在采集过程中难以伪造。除此之外，随着传感器技术的发展和应用，心电信号采集设备越来越常见且价格低廉，心电信号的采集也变得简洁高效。因为心电信号具有普适性、判别性、稳定性、易采集等特点，所以它在生物特征识别上得到了广泛关注，发挥出独到的优势。但是，基于心电信号的身份识别技术虽然得到一些发展，现有的方法仍然存在很多需要克服的难题，比如心电信号采集设备的不准确性，受测者呼吸状态、身体姿势变化等都会影响识别效果。如何去除干扰，更加准确高效地进行识别仍然是现在心电信号身份识别领域需要解决的问题。
发明内容
本公开为了解决上述问题，提出了基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统，采用鲁棒判别式非负矩阵分解(RDNMF)的方法获取字典矩阵和编码矩阵，进而通过该字典矩阵和编码矩阵对任意的心电进行重新编码，获得心拍特征向量，利用该心拍特征向量进行心电身份识别，提高了心电信号身份识别的准确能和鲁棒性。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了基于鲁棒判别式非负矩阵分解的心电身份识别方法，包括：
获取待识别心电信号；
将待识别心电信号划分心动周期，获取单周期心电信号；
通过由鲁棒判别式非负矩阵分解获得的字典矩阵对单周期心电信号进行编码，获得心拍特征向量；
根据心拍特征向量进行心电身份识别。
第二方面，提出了基于鲁棒判别式非负矩阵分解的心电身份识别系统，包括：
待识别心电信号获取模块，用于获取待识别心电信号；
单周期心电信号获取模块，用于将待识别心电信号划分心动周期，获取单周期心电信号；
心拍特征向量获取模块，用于通过由鲁棒判别式非负矩阵分解获得的字典矩阵对单周期心电信号进行编码，获得心拍特征向量；
心电身份识别模块，用于根据心拍特征向量进行心电身份识别。
第三方面，提出了一种电子设备，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，完成基于鲁棒判别式非负矩阵分解的心电身份识别方法所述的步骤。
第四方面，提出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，完成基于鲁棒判别式非负矩阵分解的心电身份识别方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、采用鲁棒判别式非负矩阵分解(RDNMF)的方法获取字典矩阵和编码矩阵，进而通过该字典矩阵和编码矩阵对任意的心电进行重新编码，获得心拍特征向量，利用该心拍特征向量进行心电身份识别，提高了心电信号身份识别的准确能和鲁棒性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为本公开实施例1公开方法的流程图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，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。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”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，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
在该实施例中，公开了基于鲁棒判别式非负矩阵分解的心电身份识别方法，包括：
获取待识别心电信号；
将待识别心电信号划分心动周期，获取单周期心电信号；
通过由鲁棒判别式非负矩阵分解获得的字典矩阵对单周期心电信号进行编码，获得心拍特征向量；
根据心拍特征向量进行心电身份识别。
进一步的，对待识别心电信号进行预处理，对预处理后的心电信号进行心动周期划分。
进一步的，在心动周期划分时，确定心动周期的R峰，以R峰为基准点向左右两侧各取一定数目采样点，构成一个完整的单周期心电信号。
进一步的，采用pan_tompkin算法定位待识别心电信号的QRS波，进而确定R峰。
进一步的，获取训练心电信号；
获取训练心电信号的单周期心电信号；
对训练心电信号的单周期心电信号使用鲁棒判别式非负矩阵分解的方法获取字典矩阵和编码矩阵。
进一步的，采用Min-Max标准化将训练心电信号的单周期心电信号的电压值进行缩放，对缩放后的单周期心电信号使用鲁棒判别式非负矩阵分解的方法获取字典矩阵和编码矩阵。
进一步的，将心拍特征向量输入KNN分类器中进行心电身份识别。
结合图1对本实施例公开的基于鲁棒判别式非负矩阵分解的心电身份识别方法进行详细说明。
S1：获取待识别心电信号。
在具体实施时，通过心电信号采集设备获得待识别心电信号。
S2：将待识别心电信号划分心动周期，获取单周期心电信号。
在具体实施时，由于通过心电信号采集设备获得的原始的待识别心电信号中存在基线漂移、肌电干扰和工频干扰等噪声干扰，为了获得较为纯净的心电信号，对待识别心电信号进行预处理，在预处理时，采用滤波器对待识别心电信号进行去噪，通常正常心电信号频率范围在0.5-100Hz，但是心电信号绝大部分能量集中在1-40hz之间，因此采用低频截止频率为1Hz，高频截止频率为40Hz的4阶巴特沃兹带通滤波器进行滤波，得到预处理去噪后的心电信号。
对预处理后的心电信号进行单周期心电信号划分，获得单周期心电信号，具体为：
采集到的一段心电信号往往包括多个非平稳单周期心电信号，一个完整的单周期心电信号主要由P波波段、QRS波段、T波波段构成。QRS波段在所有波段中最明显、最尖锐，因而具有较强的辨识性，易于检测，所以有很多算法围绕准确定位QRS波段展开。本实施例选择经典的pan_tompkin算法定位待识别心电信号中的QRS波，进而确定R峰，以R峰为基准点向左右两侧各取一定数目采样点，构成一个完整的单周期心电信号，从而实现了对预处理后的心电信号进行单周期心电信号的划分。
S3：通过由鲁棒判别式非负矩阵分解获得的字典矩阵对单周期心电信号进行编码，获得心拍特征向量。
S31：由鲁棒判别式非负矩阵分解获得字典矩阵和编码矩阵，包括：
S311：从数据库中获取心电信号作为训练心电信号。
S312：对训练心电信号进行去除噪声、滤波等预处理，获取预处理后的训练心电信号。
S313：对预处理后的训练心电信号划分心动周期，采用pan_tompkin算法定位预处理后的训练心电信号的R峰，以R峰为基点向两侧各取特定数量的点，构成训练心电信号的单周期心电信号。
S314：由于心电信号电压值存在负值，为满足鲁棒判别式非负矩阵分解算法非负且数据区间[0,1]的要求，采用Min-Max标准化将训练心电信号的单周期心电信号的电压值缩放。
S315：通过鲁棒判别式非负矩阵分解对电压值缩放后的训练信号的单周期心电信号进行分析，获得字典矩阵和编码矩阵。
我们将训练心电信号中同一个体的心电信号视为一类，训练集中一共包含L类心电信号，同时将长度为M的一个训练信号的单周期心电信号视为一个M维列向量y，那么属于第l类的Nl个M维单周期心电信号向量组成该类训练矩阵Y(l)，所有训练样本表示为Y＝[Y(1),…,Y(L)]。
鲁棒判别式非负矩阵分解(RDNMF)有别于传统的非负矩阵分解算法，一方面它有效利用类别信息进行判别，相比无监督算法在分类上表现更加优越；另一方面，它对离群点进行处理，提高分类性能。即RDNMF算法将对每一类心电信号Y(l)学习一个非负字典D(l)(l＝1，2，…L)，D(l)包括判别子字典
Figure BDA0002954144080000071
和离群子字典
Figure BDA0002954144080000072
两部分，通过最小化类间余弦相似度来构造判别子字典，而离群值或异常值由离群子字典建模以减少对判别信息的影响，最后学习到的字典矩阵D由每一类的判别子字典
Figure BDA0002954144080000081
连接得到。
RDNMF算法的目标函数由(1)所示：
Figure BDA0002954144080000082
其中，α,β是权重参数，
Figure BDA0002954144080000083
和
Figure BDA0002954144080000084
分别是
Figure BDA0002954144080000085
和
Figure BDA0002954144080000086
的对应的编码，且
Figure BDA0002954144080000087
由目标函数进行RDNMF求解过程如下：
RDNMF的输入为按类别排列的训练矩阵Y＝[Y(1),…,Y(L)]，判别部分维度Rd，离群部分维度Rt，权重参数α,β，输出为字典矩阵
Figure BDA0002954144080000088
编码矩阵X。
step1:随机初始化非负矩阵Dd，Dt，Xd，Xt
Step2:while不收敛do
Step3:for l＝1,…,L do
Step4:标准化
Figure BDA0002954144080000089
的行，缩放
Figure BDA00029541440800000810
的列
Step5:用以下规则更新
Figure BDA00029541440800000811
Figure BDA00029541440800000812
Figure BDA00029541440800000813
Step6:标准化
Figure BDA00029541440800000814
的列，缩放
Figure BDA00029541440800000815
的行
Step7:用以下规则更新
Figure BDA00029541440800000816
Figure BDA0002954144080000091
Figure BDA0002954144080000092
Step8:end for
Step9:end while
Step10：
Figure BDA0002954144080000093
标准化矩阵D
Step11：根据公式(2)和D求解编码矩阵X
minx||y-Dx||2s.t.x≥0(2)
其中，y可视为训练集中一个心拍向量，x为y重新编码得到的特征向量，编码矩阵X由特征向量构成，对其他受测信号的分类识别以此为基础展开。
对于任意一个输入的待识别的单周期心电信号，利用训练集Y学习到的字典矩阵D和公式(2)进行映射，可以得到重新编码的心拍特征向量。同样地，训练集中的心拍向量模板yi也通过映射得到编码向量xi，训练集编码后的所有向量构成编码矩阵X。
S32：通过字典矩阵和编码矩阵对将待识别心电信号获得的单周期心电信号进行重新编码，获得心拍特征向量。
S4：根据心拍特征向量进行心电身份识别。
在具体实施时，将心拍特征向量输入KNN分类器中进行心电身份识别。
KNN分类器通过将每一个测试集样本点与训练集中每一个样本之间测算距离，然后取距离最近的K个点(K是可以人为划定的近邻取舍个数，K的大小会影响算法结果)，并统计这K个训练集样本点所属类别频数，将其中频数最高的所属类别为该测试样本点的预测类别。KNN方法无需训练，我们只需将心电信号训练集的编码矩阵X、相应类别和待识别心电信号的心拍特征向量zi送入KNN分类器，就可以得到待识别心电信号的类别预测。
在具体实施中，选取K＝3且K的选取通过五折交叉验证得到。
本公开通过对原始心电信号进行滤波、去除噪声等预处理操作，对心电信号影响较大的噪声基本去除，得到较为干净的心电信号便于接下来进行特征提取与识别；将划分好的训练心拍通过鲁棒判别式非负矩阵分解获取字典矩阵D和编码矩阵X，对任意待识别心拍均可以通过学习到的字典矩阵D进行映射，得到重新编码的心拍特征向量。经过重新编码得到的心拍特征向量具有更好的特征表征能力，在识别分类中表现更好。相较于传统的NMF算法，RDNMF算法有以下几方面优点：传统的NMF算法是无监督算法，无法有效利用类别信息，而RDNMF算法通过最小化类间余弦相似度来构造判别部分字典，分类性能得到极大提升；同时，RDNMF算法还考虑离群点的处理，与个体平均心拍相差甚远的心拍将用离群部分字典进行建模，而不影响整体判别字典的学习，因此具有更好的泛化能力与鲁棒性，在实际应用中能达到更好的分类效果。
实施例2
在该实施例中，公开了基于鲁棒判别式非负矩阵分解的心电身份识别系统，包括：
待识别心电信号获取模块，用于获取待识别心电信号；
单周期心电信号获取模块，用于将待识别心电信号划分心动周期，获取单周期心电信号；
心拍特征向量获取模块，用于通过由鲁棒判别式非负矩阵分解获得的字典矩阵对单周期心电信号进行编码，获得心拍特征向量；
心电身份识别模块，用于根据心拍特征向量进行心电身份识别。
实施例3
在该实施例中，公开了一种电子设备，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1公开的基于鲁棒判别式非负矩阵分解的心电身份识别方法所述的步骤。
实施例4
在该实施例中，公开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1公开的基于鲁棒判别式非负矩阵分解的心电身份识别方法所述的步骤。
以上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。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于鲁棒判别式非负矩阵分解的心电身份识别方法，其特征在于，包括：
获取待识别心电信号；
将待识别心电信号划分心动周期，获取单周期心电信号；
通过由鲁棒判别式非负矩阵分解获得的字典矩阵对单周期心电信号进行编码，获得心拍特征向量；
根据心拍特征向量进行心电身份识别。
2.如权利要求1所述的基于鲁棒判别式非负矩阵分解的心电身份识别方法，其特征在于，对待识别心电信号进行预处理，对预处理后的心电信号进行心动周期划分。
3.如权利要求1所述的基于鲁棒判别式非负矩阵分解的心电身份识别方法，其特征在于，在心动周期划分时，确定心动周期的R峰，以R峰为基准点向左右两侧各取一定数目采样点，构成一个完整的单周期心电信号。
4.如权利要求3所述的基于鲁棒判别式非负矩阵分解的心电身份识别方法，其特征在于，采用pan_tompkin算法定位待识别心电信号的QRS波，进而确定R峰。
5.如权利要求1所述的基于鲁棒判别式非负矩阵分解的心电身份识别方法，其特征在于，获取训练心电信号；
获取训练心电信号的单周期心电信号；
对训练心电信号的单周期心电信号使用鲁棒判别式非负矩阵分解的方法获取字典矩阵和编码矩阵。
6.如权利要求5所述的基于鲁棒判别式非负矩阵分解的心电身份识别方法，其特征在于，采用Min-Max标准化将训练心电信号的单周期心电信号的电压值进行缩放，对缩放后的单周期心电信号使用鲁棒判别式非负矩阵分解的方法获取字典矩阵和编码矩阵。
7.如权利要求1所述的基于鲁棒判别式非负矩阵分解的心电身份识别方法，其特征在于，将心拍特征向量输入KNN分类器中进行心电身份识别。
8.基于鲁棒判别式非负矩阵分解的心电身份识别系统，其特征在于，包括：
待识别心电信号获取模块，用于获取待识别心电信号；
单周期心电信号获取模块，用于将待识别心电信号划分心动周期，获取单周期心电信号；
心拍特征向量获取模块，用于通过由鲁棒判别式非负矩阵分解获得的字典矩阵对单周期心电信号进行编码，获得心拍特征向量；
心电身份识别模块，用于根据心拍特征向量进行心电身份识别。
9.一种电子设备，其特征在于，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1-7任一项所述的基于鲁棒判别式非负矩阵分解的心电身份识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，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1-7任一项所述的基于鲁棒判别式非负矩阵分解的心电身份识别方法的步骤。
CN202110216990.2A 2021-02-26 2021-02-26 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统 Pending CN113017620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110216990.2A CN113017620A (zh) 2021-02-26 2021-02-26 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110216990.2A CN113017620A (zh) 2021-02-26 2021-02-26 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统

Publications (1)

Publication Number Publication Date
CN113017620A true CN113017620A (zh) 2021-06-25

Family

ID=76461734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110216990.2A Pending CN113017620A (zh) 2021-02-26 2021-02-26 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统

Country Status (1)

Country Link
CN (1) CN113017620A (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
US20140361871A1 (en) * 2012-01-19 2014-12-11 Instituto Superior Tecnico Device and method for continuous biometric recognition based on electrocardiographic signals
CN109330585A (zh) * 2018-11-16 2019-02-15 山东大学 一种基于nmf的心电信号身份识别、评价方法及装置
CN111000553A (zh) * 2019-12-30 2020-04-14 山东省计算中心（国家超级计算济南中心） 一种基于投票集成学习的心电数据智能分类方法
CN111317464A (zh) * 2020-02-13 2020-06-23 中国科学院自动化研究所 心电图分析方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140361871A1 (en) * 2012-01-19 2014-12-11 Instituto Superior Tecnico Device and method for continuous biometric recognition based on electrocardiographic signals
CN109330585A (zh) * 2018-11-16 2019-02-15 山东大学 一种基于nmf的心电信号身份识别、评价方法及装置
CN111000553A (zh) * 2019-12-30 2020-04-14 山东省计算中心（国家超级计算济南中心） 一种基于投票集成学习的心电数据智能分类方法
CN111317464A (zh) * 2020-02-13 2020-06-23 中国科学院自动化研究所 心电图分析方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RUIQING ZHANG 等: "Robust discriminative non-negative matrix factorization", 《NEUROCOMPUTING》 *
李锐: "基于非负矩阵分解的心电身份识别方法研究", 《中国优秀硕士论文全文数据库 医药卫生科技辑》 *

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
Liu et al. Real-time multilead convolutional neural network for myocardial infarction detection
Li et al. Deep convolutional neural network based ECG classification system using information fusion and one-hot encoding techniques
Zhang et al. Automated detection of myocardial infarction using a gramian angular field and principal component analysis network
Luo et al. Patient‐Specific Deep Architectural Model for ECG Classification
CN103345600B (zh) 一种心电信号数据处理方法
Li et al. Robust ECG biometrics using GNMF and sparse representation
Alquran et al. ECG classification using higher order spectral estimation and deep learning techniques
El Bouny et al. ECG heartbeat classification based on multi-scale wavelet convolutional neural networks
CN113876335B (zh) 心电图心搏分类方法、装置、电子设备和介质
CN111797674B (zh) 基于特征融合和粒子群优化算法的mi脑电信号识别方法
Chen et al. Region aggregation network: improving convolutional neural network for ECG characteristic detection
Wu et al. A novel features learning method for ECG arrhythmias using deep belief networks
Yao et al. Interpretation of electrocardiogram heartbeat by CNN and GRU
CN113901893A (zh) 基于多重级联深度神经网络的心电信号的识别与分类方法
CN114239649B (zh) 面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法
Ganguly et al. A non-invasive approach for fetal arrhythmia detection and classification from ecg signals
Hsu et al. Exploring seismocardiogram biometrics with wavelet transform
CN113017620A (zh) 基于鲁棒判别式非负矩阵分解的心电身份识别方法及系统
Wan et al. Research on Identification Algorithm Based on ECG Signal and Improved Convolutional Neural Network
Spicher et al. ECG delineation using a piecewise Gaussian derivative model with parameters estimated from scale-dependent algebraic expressions
Sawant et al. Diagnosis of cardiac abnormalities applying scattering transform and Fourier-bessel expansion on ECG signals
Marasović et al. Cardiac arrhythmia detection using DCT based compressive sensing and random forest algorithm
Bashir et al. Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring
CN112446307B (zh) 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
Chudacek et al. Comparison of seven approaches for holter ECG clustering and classification

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