CN113221736A - 基于多特征协同非负矩阵分解的心电身份识别方法及系统 - Google Patents

基于多特征协同非负矩阵分解的心电身份识别方法及系统 Download PDF

Info

Publication number
CN113221736A
CN113221736A CN202110511207.5A CN202110511207A CN113221736A CN 113221736 A CN113221736 A CN 113221736A CN 202110511207 A CN202110511207 A CN 202110511207A CN 113221736 A CN113221736 A CN 113221736A
Authority
CN
China
Prior art keywords
electrocardiosignal
electrocardiosignals
binary pattern
local binary
processed
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.)
Granted
Application number
CN202110511207.5A
Other languages
English (en)
Other versions
CN113221736B (zh
Inventor
黄玉文
刘春英
于继江
黄复贤
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.)
Heze University
Original Assignee
Heze 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 Heze University filed Critical Heze University
Priority to CN202110511207.5A priority Critical patent/CN113221736B/zh
Publication of CN113221736A publication Critical patent/CN113221736A/zh
Application granted granted Critical
Publication of CN113221736B publication Critical patent/CN113221736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于多特征协同非负矩阵分解的心电身份识别方法及系统，获取待处理的心电信号；将待处理的心电信号进行预处理，得到单周期心电信号；对每个单周期心电信号进行特征提取，提取出若干个特征；基于提取的所有特征和预先得到的语义空间矩阵，得到待处理心电信号的身份识别结果；其中，预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的，所述训练集包括已知身份识别类别标签的心电信号。协同矩阵分解能够将心电信号不同特征的数据映射到相同的高层次语义空间，在映射过程中能够抽取语义表示和移除噪声。

Description

基于多特征协同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识别技术领域，特别是涉及基于多特征协同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到了与本发明相关的背景技术，并不必然构成现有技术。
最近，由于基于心电信号的身份识别技术有容易采集、不易被仿造和较小计算量等独特优势，使其成为具有良好应用前景的新型身份识别技术之一。现有心电信号身份识别方法有很多，如基于特征点的识别方法、基于形状分析的识别方法、基于局部二值模式特征的识别方法、基于子空间学习的识别方法和基于深度神经网络的识别方法等等。心电信号中存在大量噪声，为了提高心电身份识别性能，现有心电身份识别方法大多数考虑在心电身份识别过程中如何消除噪声的影响，很少心电身份识别方法考虑如何在心电身份识别过程中抽取隐藏在心电信号中的语义信息。
发明内容
为了解决现有技术的不足，本发明提供了基于多特征协同非负矩阵分解的心电身份识别方法及系统；
第一方面，本发明提供了基于多特征协同非负矩阵分解的心电身份识别方法；
基于多特征协同非负矩阵分解的心电身份识别方法，包括：
获取待处理的心电信号；
将待处理的心电信号进行预处理，得到单周期心电信号；
对每个单周期心电信号进行特征提取，提取出若干个特征；
基于提取的所有特征和预先得到的语义空间矩阵，得到待处理心电信号的身份识别结果；
其中，预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的，所述训练集包括已知身份识别类别标签的心电信号。
第二方面，本发明提供了基于多特征协同非负矩阵分解的心电身份识别系统；
基于多特征协同非负矩阵分解的心电身份识别系统，包括：
获取模块，其被配置为：获取待处理的心电信号；
预处理模块，其被配置为：将待处理的心电信号进行预处理，得到单周期心电信号；
特征提取模块，其被配置为：对每个单周期心电信号进行特征提取，提取出若干个特征；
身份识别模块，其被配置为：基于提取的所有特征和预先得到的语义空间矩阵，得到待处理心电信号的身份识别结果；
其中，预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的，所述训练集包括已知身份识别类别标签的心电信号。
第三方面，本发明还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本发明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，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果是：
协同矩阵分解能够将心电信号不同特征的数据映射到相同的高层次语义空间，在映射过程中能够抽取语义表示和移除噪声。
该方法利用基于局部二值模式的多特征和协同矩阵分解学习的优势，有效的消除心电信号存在的噪声，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。现有基于局部二值模式特征是属于手工设计的，并不能抽取隐藏在心电数据中的语义信息。当数据被噪声严重污染时，基于局部二值模式特征的心电身份识别性能较差。本发明将抽取心电信号的多个局部二值模式直方图特征，然后使用协同矩阵分解的方法获取心电信号的高层语义空间，在高层语义空间完成心电身份识别任务，从而可以改善非受控环境下心电识别的性能。
本发明将抽取心电信号的多个局部二值模式直方图特征，然后使用协同矩阵分解的方法获取心电信号的高层语义空间，在高层语义空间完成心电身份识别任务，从而可以改善非受控环境下心电识别的性能，有助于充分学习心电信号隐藏的语义信息，在高层语义空间获取得到更加鲁棒的特征，从而可以改善心电信号识别的性能。
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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的心电身份识别流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于多特征协同非负矩阵分解的心电身份识别方法；
如图1所示，基于多特征协同非负矩阵分解的心电身份识别方法，包括：
S101：获取待处理的心电信号；
S102：将待处理的心电信号进行预处理，得到单周期心电信号；
S103：对每个单周期心电信号进行特征提取，提取出若干个特征；
S104：基于提取的所有特征和预先得到的语义空间矩阵，得到待处理心电信号的身份识别结果；
其中，预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的，所述训练集包括已知身份识别类别标签的心电信号。
进一步地，所述S102：将待处理的心电信号进行预处理，得到单周期心电信号；具体包括：
S1021：对待处理的心电信号进行噪声去除处理；
S1022：对噪声去除后的心电信号进行基准点检测；
S1023：以基准点为中心，选取基准点之前第一设定时长的第一采样点和基准点之后第二设定时长的第二采样点；将第一采样点和第二采样点之间的心电信号作为单周期心电信号，对单周期心电信号进行分割；
S1024：对所有的单周期心电信号进行归一化处理。
进一步地，所述S1021：对待处理的心电信号进行噪声去除处理；具体包括：
选取Daubechies系列小波中的Db3作为基函数对心电信号进行8层小波分解，获取心电信号的小波系数；
通过硬阈值函数进行非线性处理，将噪声小波系数降为零；
对处理后的心电信号进行小波逆变换重构信号，从而实现信号去噪。
进一步地，所述S1022：对噪声去除后的心电信号进行基准点检测；具体包括：
利用Pan-Tompkins算法定位心电信号的R波顶点，利用R波顶点做为心电信号的基准点。
示例性的，所述S1023：以基准点为中心，选取基准点之前第一设定时长的第一采样点和基准点之后第二设定时长的第二采样点；将第一采样点和第二采样点之间的心电信号作为单周期心电信号，对单周期心电信号进行分割；具体包括：
使用基准点对心电信号进行分割，获取单心跳周期。单心跳周期以R基准点为中心，基准点前后分别取0.22秒和0.66秒的采样点。
示例性的，S1024：对所有的单周期心电信号进行归一化处理；具体包括：
利用min-max标准化将分割后的心电周期信号的所有数值约束到[0,1]区间范围内。
进一步地，所述S103：对每个单周期心电信号进行特征提取，提取出若干个特征；具体包括：
对每个单周期心电信号进行特征提取，提取出若干个局部二值模式特征。
进一步地，所述若干个局部二值模式特征，包括：一维局部二值模式直方图特征、离散余弦变换直方图特征和小波变换直方图特征。
进一步地，所述一维局部二值模式直方图特征；提取过程包括：
S10311：抽取心电周期信号的一维局部二值模式特征。
S10312：基于一维局部二值模式特征，将局部二值特征值作为横坐标，将二值特征值出现的频数作为纵坐标，获取一维局部二值模式特征的直方图。
进一步地，所述S10311：抽取心电周期信号的一维局部二值模式特征；具体包括：
通过比较每个样本点与其邻域样本点的幅值大小，获取每个样本点的局部二值编码，把二值编码转化为十进制编码作为心电周期信号的一维局部二值特征。
定义于每个样本点的8邻域中，以样本点的幅值大小为阈值，将周围8个邻域样本的幅度值与其比较，如果周围的幅度值小于中心样本点的幅度值，该邻域位置就被标记为0，否则标记为1。每个样本点与邻域点得到一个二进制组合，就像00010011.每个样本点有8个相邻的样本点,即有2^8种可能性组合,这些组合就被叫做局部二值模式。
进一步地，所述离散余弦变换直方图特征；提取过程包括：
S10321：对每个单周期心电信号，利用自相关系数变换得到心电周期信号的自相关系数；
S10322：利用离散余弦变换，获取自相关系数的离散余弦系数；
S10323：抽取离散余弦系数的局部二值模式特征；
S10324：基于离散余弦变化系数的局部二值模式特征，将离散余弦变换局部二值模式特征值作为横坐标，将局部二值模式特征值出现的频数作为纵坐标，得到离散余弦变换直方图特征。
进一步地，所述S10323：抽取离散余弦系数的局部二值模式特征；具体包括：
比较离散余弦系数与其邻域系数的大小，获取每个离散余弦系数的局部二值编码，把二值编码转化为十进制编码作为离散余弦变化系数的局部二值模式特征。
将每个样本点对应的离散余弦系数与其周围8个邻域样本的离散余弦系数值比较,如果周围样本点对应的离散余弦系数值小于中心样本点的离散余弦系数值,该邻域位置就被标记为0,否则标记为1.每个样本点得到一个二进制组合,就像00010011.每个样本点通过离散余弦系数比较大小有8个相邻的值,即有2^8种可能性组合,这些组合就被叫做局部二值模式。
进一步地，所述小波变换直方图特征；提取过程包括：
S10331：选用Db3小波函数对心电周期信号进行8层小波分解，获取心电信周期号的小波系数；
S10332：抽取心电周期小波系数的局部二值模式特征；
S10333：基于心电周期小波系数的局部二值模式特征，将小波局部二值特征值作为横坐标，将二值特征值出现的频数作为纵坐标，获取小波变换直方图特征。
进一步地，所述S10332：抽取心电周期小波系数的局部二值模式特征；具体包括：
通过比较小波系数与其邻域系数的大小，获取每个小波系数的局部二进制编码，把局部二值编码转化为十进制编码作为离散余弦变化系数的局部二值模式特征。
将每个样本点对应的小波系数与其周围8个邻域样本的小波系数值比较,如果周围样本点对应的小波系数值小于中心样本点的小波系数,该邻域位置就被标记为0,否则标记为1.每个样本点得到一个二进制组合,就像00010011.每个样本点通过小波系数比较大小有8个相邻的值,即有2^8种可能性组合,这些组合就被叫做局部二值模式。
进一步地，所述S104：基于提取的所有特征和预先得到的语义空间矩阵，得到待处理心电信号的身份识别结果；具体包括：
S1041：将提取的所有直方图特征输入到预先得到的语义空间矩阵中，得到每个心电周期二值模式特征的投影矩阵；
S1042：基于投影矩阵，对待处理心电信号的特征和若干个已知身份类别标签的心电信号的特征进行投影，得到语义投影空间下待处理心电信号的新特征和若干个已知身份类别标签的心电信号的新特征；
S1043：计算待处理心电信号的新特征与每个已知身份类别标签的心电信号的新特征之间的距离，将最小距离对应的已知身份类别标签，作为待处理心电信号的身份识别结果输出。
进一步地，预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的；具体包括：
构建训练集；所述训练集包括已知身份识别类别标签的心电信号；
对训练集的心电信号进行预处理，得到单周期心电信号；
对训练集的每个单周期心电信号进行特征提取，提取出若干个局部二值模式特征；所述若干个局部二值模式特征，包括：一维局部二值模式直方图特征、离散余弦变换直方图特征和小波变换直方图特征；
基于训练集提取的局部二值模式特征，构建基于协同非负矩阵分解的心电周期特征学习目标函数；
对基于协同非负矩阵分解的心电周期特征学习目标函数进行求解，得到语义空间矩阵。
进一步地，所述基于协同非负矩阵分解的心电周期特征学习目标函数，是指：
Figure BDA0003060366440000091
其中，U表示基矩阵，V表示语义系数矩阵，G表示标签投影矩阵，E表示噪声矩阵，1≤t≤D，Ut表示第t个基特征，Et表示第t个噪声矩阵，Xt表示的第t个局部二值模式直方图特征，λ表示平衡参数，D表示总特征数目，γ表示平衡参数；
β表示平衡参数，L表示标签矩阵，||·||1表示L1范数约束，||·||1，2表示先对矩阵的列进行L1范数约束，然后对矩阵的列进行L2范数的约束，||·||F表示Frobenius范数。
应理解的，训练阶段：假设
Figure BDA0003060366440000101
中，n代表训练样本数目，dt代表第t个特征的维度，1≤t≤D，D是局部二值模式直方图特征的数目。心电周期的二值模式直方图作为特征数据，每个心电周期对应一个特征向量，该特征向量的值描述不同模式出现的次数，具有非负性。
假定不同的局部二值模式特征共享相同的语义矩阵，利用非负协同矩阵分解技术将二值模式直方图特征Xt分解为：
Xt＝UtV (1)
其中，Xt≥0，Ut≥0，V≥0,Ut∈Rdt×r代表基矩阵，V∈Rr×n是语义系数矩阵，r是语义空间维度。
当数据存在噪声和类内变化时，协同矩阵分解可表示为：
Xt＝UtV+Nt+Et (2)
其中，
Figure BDA0003060366440000102
代表代表第t个样本差异性矩阵，
Figure BDA0003060366440000103
代表代表第t个噪声矩阵。为了提高多个不同局部二值模式特征的学习能力和减轻噪声对协同矩阵分解的影响，利用Frobenius范数和L1正则化分别约束差异性矩阵和噪声矩阵。通过解如下优化问题获取最优的Ut、V和Et：
Figure BDA0003060366440000104
其中，
Figure BDA0003060366440000105
λ是平衡参数，‖·‖表示Frobenius范数。
心电周期的二值模式直方图由于使用的直方图数目较多，故所对应的特征向量具有稀疏性。
在语义空间中，语义矩阵V的每一列对应二值模式直方图特征测重新表示，也应该具有稀疏性，可利用L1正则化约束矩阵的每一列使其具有稀疏性。在语义空间中，所有样本具有同等重要，可以利L2范数约束语义矩阵V的所有列向量表示同等重要。故对非负语义矩阵V的约束可以描述为：
Figure BDA0003060366440000111
为了充分利用心电周期信号的标签信息，将相同类别的心电周期的语义表示转化为相同的标签编码，其损失函数表示为：
Figure BDA0003060366440000112
其中，L是类别标签编码，G是标签投影矩阵；
最终，联合公式(3)，(4)和(5)，基于非负矩阵分解的心电周期特征学习目标函数如下：
Figure BDA0003060366440000113
通过求解心电信号特征学习目标函数，可以获取心电周期特征的语义空间矩阵V。
进一步地，所述方法还包括：利用心跳识别率、身份识别率和错误率来对该方法的识别效果进行评价。
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：
Figure BDA0003060366440000114
拒识率：
Figure BDA0003060366440000115
相等错误率：
Figure BDA0003060366440000116
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。
本发明利用协同矩阵分解技术将心电周期的不同特征数据映射到同一个高层语义空间，在高层语义空间完成心电身份识别过程。本发明提出的心电身份识别过程包含训练阶段和测试阶段：在训练阶段，本发明通过基于多特征的非负矩阵分解技术，通过训练获取高层语义空间，在测试阶段，把所有测试用例映射到已经训练的高层语义空间，在高层语义空间完成心电信号身份识别任务。图2为本发明提出的心电信号身份识别过程示意图。
示例性的，所述S1041：将提取的所有直方图特征输入到预先得到的语义空间矩阵中，得到每个心电周期二值模式特征的投影矩阵；具体包括：
利用矩阵V，通过公式(7)的目标函数获取每个心电周期二值模式特征的投影矩阵Wt:
Figure BDA0003060366440000121
其中，Xt是第t个二值模式直方图特征，μ是平衡因子。
公式(7)通过凸优化求解可直接获取投影矩阵Wt：
Wt＝V(Xt)T(Xt(Xt)T+μI)-1。
把测试样本数据集
Figure BDA0003060366440000122
分为模板样本集合
Figure BDA0003060366440000123
和验证样本集合
Figure BDA0003060366440000124
两部分,D是二值模式特征数目。
进一步地，S1042：基于投影矩阵，对待处理心电信号的特征和若干个已知身份类别标签的心电信号的特征进行处理，得到语义投影空间下待处理心电信号的新特征和若干个已知身份类别标签的心电信号的新特征；
利用投影矩阵Wt，分别获取已知身份类别标签的心电信号特征集合
Figure BDA0003060366440000125
和待处理心电信号特征集合
Figure BDA0003060366440000126
在语义投影空间的新特征
Figure BDA0003060366440000127
和
Figure BDA0003060366440000128
进一步地，S1043：计算待处理心电信号的新特征与每个已知身份类别标签的心电信号的新特征之间的距离，将最小距离对应的已知身份类别标签，作为待处理心电信号的身份识别结果输出；具体包括：
计算待处理心电信号的新特征和已知身份类别标签的心电信号的新特征之间的欧式距离label(Y2,k)获取：
Figure BDA0003060366440000131
其中，
Figure BDA0003060366440000132
表示已知身份类别标签的心电信号特征集合
Figure BDA0003060366440000133
中第j个特征；
Figure BDA0003060366440000134
表示待处理心电信号特征集合
Figure BDA0003060366440000135
中第k个特征。
实施例二
本实施例提供了基于多特征协同非负矩阵分解的心电身份识别系统；
基于多特征协同非负矩阵分解的心电身份识别系统，包括：
获取模块，其被配置为：获取待处理的心电信号；
预处理模块，其被配置为：将待处理的心电信号进行预处理，得到单周期心电信号；
特征提取模块，其被配置为：对每个单周期心电信号进行特征提取，提取出若干个特征；
身份识别模块，其被配置为：基于提取的所有特征和预先得到的语义空间矩阵中，得到待处理心电信号的身份识别结果；
其中，预先得到的语义空间矩阵是对训练集采用协同非负矩阵分解得到的。
此处需要说明的是，上述获取模块、预处理模块、特征提取模块和身份识别模块对应于实施例一中的步骤S101至S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于多特征协同非负矩阵分解的心电身份识别方法，其特征是，包括：
获取待处理的心电信号；
将待处理的心电信号进行预处理，得到单周期心电信号；
对每个单周期心电信号进行特征提取，提取出若干个特征；
基于提取的所有特征和预先得到的语义空间矩阵，得到待处理心电信号的身份识别结果；
其中，预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的，所述训练集包括已知身份识别类别标签的心电信号。
2.如权利要求1所述的基于多特征协同非负矩阵分解的心电身份识别方法，其特征是，将待处理的心电信号进行预处理，得到单周期心电信号；具体包括：
对待处理的心电信号进行噪声去除处理；
对噪声去除后的心电信号进行基准点检测；
以基准点为中心，选取基准点之前第一设定时长的第一采样点和基准点之后第二设定时长的第二采样点；将第一采样点和第二采样点之间的心电信号作为单周期心电信号，对单周期心电信号进行分割；
对所有的单周期心电信号进行归一化处理。
3.如权利要求1所述的基于多特征协同非负矩阵分解的心电身份识别方法，其特征是，对每个单周期心电信号进行特征提取，提取出若干个特征；具体包括：
对每个单周期心电信号进行特征提取，提取出若干个局部二值模式特征；
所述若干个局部二值模式特征，包括：一维局部二值模式直方图特征、离散余弦变换直方图特征和小波变换直方图特征。
4.如权利要求3所述的基于多特征协同非负矩阵分解的心电身份识别方法，其特征是，所述一维局部二值模式直方图特征；提取过程包括：
抽取心电周期信号的一维局部二值模式特征；
基于一维局部二值模式特征，将局部二值特征值作为横坐标，将二值特征值出现的频数作为纵坐标，获取一维局部二值模式特征的直方图。
5.如权利要求3所述的基于多特征协同非负矩阵分解的心电身份识别方法，其特征是，所述离散余弦变换直方图特征；提取过程包括：
对每个单周期心电信号，利用自相关系数变换得到心电周期信号的自相关系数；
利用离散余弦变换，获取自相关系数的离散余弦系数；
抽取离散余弦系数的局部二值模式特征；
基于离散余弦变化系数的局部二值模式特征，将离散余弦变换局部二值模式特征值作为横坐标，将局部二值模式特征值出现的频数作为纵坐标，得到离散余弦变换直方图特征；
或者，
所述小波变换直方图特征；提取过程包括：
选用Db3小波函数对心电周期信号进行8层小波分解，获取心电信周期号的小波系数；
抽取心电周期小波系数的局部二值模式特征；
基于心电周期小波系数的局部二值模式特征，将小波局部二值特征值作为横坐标，将二值特征值出现的频数作为纵坐标，获取小波变换直方图特征。
6.如权利要求1所述的基于多特征协同非负矩阵分解的心电身份识别方法，其特征是，基于提取的所有特征和预先得到的语义空间矩阵，得到待处理心电信号的身份识别结果；具体包括：
将提取的所有直方图特征输入到预先得到的语义空间矩阵中，得到每个心电周期二值模式特征的投影矩阵；
基于投影矩阵，对待处理心电信号的特征和若干个已知身份类别标签的心电信号的特征进行投影，得到语义投影空间下待处理心电信号的新特征和若干个已知身份类别标签的心电信号的新特征；
计算待处理心电信号的新特征与每个已知身份类别标签的心电信号的新特征之间的距离，将最小距离对应的已知身份类别标签，作为待处理心电信号的身份识别结果输出。
7.如权利要求1所述的基于多特征协同非负矩阵分解的心电身份识别方法，其特征是，预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的；具体包括：
构建训练集；所述训练集包括已知身份识别类别标签的心电信号；
对训练集的心电信号进行预处理，得到单周期心电信号；
对训练集的每个单周期心电信号进行特征提取，提取出若干个局部二值模式特征；所述若干个局部二值模式特征，包括：一维局部二值模式直方图特征、离散余弦变换直方图特征和小波变换直方图特征；
基于训练集提取的局部二值模式特征，构建基于协同非负矩阵分解的心电周期特征学习目标函数；
对基于协同非负矩阵分解的心电周期特征学习目标函数进行求解，得到语义空间矩阵。
8.基于多特征协同非负矩阵分解的心电身份识别系统，其特征是，包括：
获取模块，其被配置为：获取待处理的心电信号；
预处理模块，其被配置为：将待处理的心电信号进行预处理，得到单周期心电信号；
特征提取模块，其被配置为：对每个单周期心电信号进行特征提取，提取出若干个特征；
身份识别模块，其被配置为：基于提取的所有特征和预先得到的语义空间矩阵，得到待处理心电信号的身份识别结果；
其中，预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的，所述训练集包括已知身份识别类别标签的心电信号。
9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一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1-7任一项所述的方法。
CN202110511207.5A 2021-05-11 2021-05-11 基于多特征协同非负矩阵分解的心电身份识别方法及系统 Active CN113221736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110511207.5A CN113221736B (zh) 2021-05-11 2021-05-11 基于多特征协同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
CN202110511207.5A CN113221736B (zh) 2021-05-11 2021-05-11 基于多特征协同非负矩阵分解的心电身份识别方法及系统

Publications (2)

Publication Number Publication Date
CN113221736A true CN113221736A (zh) 2021-08-06
CN113221736B CN113221736B (zh) 2023-05-23

Family

ID=77094679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110511207.5A Active CN113221736B (zh) 2021-05-11 2021-05-11 基于多特征协同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) CN113221736B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861217A (zh) * 2023-07-18 2023-10-10 菏泽学院 用于移动终端的身份识别方法及系统
CN118152914A (zh) * 2024-03-18 2024-06-07 山东管理学院 一种语义结构图引导的ecg自编码方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101154265A (zh) * 2006-09-29 2008-04-02 中国科学院自动化研究所 基于局部二值模式特征和图匹配的虹膜识别方法
CN105468951A (zh) * 2015-11-17 2016-04-06 安徽华米信息科技有限公司 通过心电特征进行身份识别的方法及装置、可穿戴设备
US20180307901A1 (en) * 2016-03-30 2018-10-25 Shenzhen University Non-negative matrix factorization face recognition method and system based on kernel machine learning
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
CN109497990A (zh) * 2018-12-27 2019-03-22 山东大学 一种基于典型相关分析的心电信号身份识别方法及系统
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
CN110786849A (zh) * 2019-11-11 2020-02-14 菏泽学院 基于多视图鉴别分析的心电信号身份识别方法及系统
CN112446307A (zh) * 2020-11-16 2021-03-05 山东大学 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101154265A (zh) * 2006-09-29 2008-04-02 中国科学院自动化研究所 基于局部二值模式特征和图匹配的虹膜识别方法
CN105468951A (zh) * 2015-11-17 2016-04-06 安徽华米信息科技有限公司 通过心电特征进行身份识别的方法及装置、可穿戴设备
US20180307901A1 (en) * 2016-03-30 2018-10-25 Shenzhen University Non-negative matrix factorization face recognition method and system based on kernel machine learning
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
CN109497990A (zh) * 2018-12-27 2019-03-22 山东大学 一种基于典型相关分析的心电信号身份识别方法及系统
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
CN110786849A (zh) * 2019-11-11 2020-02-14 菏泽学院 基于多视图鉴别分析的心电信号身份识别方法及系统
CN112446307A (zh) * 2020-11-16 2021-03-05 山东大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WANG K ET AL.: "《Multi-scale differential feature for ECG biometrics with collective matrix factorization》", 《PATTERN RECOGNITION》 *
YANG L ET AL.: "《Robust and non-negative collective matrix factorization for text-to-image transfer learning》", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861217A (zh) * 2023-07-18 2023-10-10 菏泽学院 用于移动终端的身份识别方法及系统
CN118152914A (zh) * 2024-03-18 2024-06-07 山东管理学院 一种语义结构图引导的ecg自编码方法及系统

Also Published As

Publication number Publication date
CN113221736B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
Jia et al. Gabor feature-based collaborative representation for hyperspectral imagery classification
O'Callaghan et al. Combined morphological-spectral unsupervised image segmentation
Bhardwaj et al. Recognition of plants by leaf image using moment invariant and texture analysis
CN110786850B (zh) 基于多特征稀疏表示的心电信号身份识别方法及系统
CN109815956B (zh) 一种基于自适应位置分割的车牌字符识别方法
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN113221736B (zh) 基于多特征协同非负矩阵分解的心电身份识别方法及系统
CN104794440B (zh) 一种基于多分块多尺度lbp的假指纹检测方法
CN110059288B (zh) 用于获得促进机器学习任务用的最佳母小波的系统和方法
CN111510792A (zh) 基于自适应加权图差异分析的视频摘要生成方法及系统
CN117116290A (zh) 基于多维特征的数控机床部件缺陷定位方法和相关设备
CN109871825B (zh) 一种基于改进的局部二维模式的人像识别方法
CN113468905B (zh) 图形码识别方法、装置、计算机设备和存储介质
CN113963193A (zh) 车身颜色分类模型生成的方法、装置以及存储介质
KR101821770B1 (ko) 특징 추출을 위한 기법들
Shire et al. A review paper on: agricultural plant leaf disease detection using image processing
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN109460788B (zh) 基于低秩-稀疏信息组合网络的高光谱图像分类方法
CN104899565B (zh) 基于纹理特征的眼动轨迹识别方法及装置
CN116631431A (zh) 混叠信号识别方法、计算机设备和存储介质
CN111488811A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN113392916B (zh) 基于高光谱图像的麻竹笋营养成分检测方法、系统和存储介质
Cope et al. Classifying plant leaves from their margins using dynamic time warping
CN114201993B (zh) 一种检测超声缺陷的三分支注意力特征融合方法与系统
Scharfenberger et al. Image saliency detection via multi-scale statistical non-redundancy modeling

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