CN113951891A - 基于时空组合特征向量的ecg身份识别方法 - Google Patents
基于时空组合特征向量的ecg身份识别方法 Download PDFInfo
- Publication number
- CN113951891A CN113951891A CN202111334834.2A CN202111334834A CN113951891A CN 113951891 A CN113951891 A CN 113951891A CN 202111334834 A CN202111334834 A CN 202111334834A CN 113951891 A CN113951891 A CN 113951891A
- Authority
- CN
- China
- Prior art keywords
- wave
- point
- detected
- points
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000000718 qrs complex Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000016507 interphase Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 15
- 238000012706 support-vector machine Methods 0.000 description 14
- 210000000554 iris Anatomy 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000002763 arrhythmic effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000037183 heart physiology Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/358—Detecting ST segments
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/36—Detecting PQ interval, PR interval or QT interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
Abstract
本发明公开了一种基于时空组合特征向量的ECG身份识别方法，具体包括如下步骤：步骤1，采集心电信号，利用小波分解与重构法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信号采用自适应阈值定位方法对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波群位置及S波峰值点，采用峰值法确定P波与T波的峰值点；步骤4，基于步骤2和步骤3得到的R、S、P波和T波的峰值点进行组合得到特征数据组，然后运用AGA‑SVM算法进行ECG信号识别。本发明通过AGA优化SVM算法的适应度，提高了少分类ECG样本识别精度。
Description
技术领域
本发明属于生物特征识别技术领域，涉及基于时空组合特征向量的ECG身份识别方法。
背景技术
身份安全对我们的社会越来越重要。为了验证个人身份，用户使用一组直接源自其身体或行为特征的生物特征(也称为特征或标识符)更方便、更安全。与传统的授权模式相比，生物特征被认为相对更可靠，因为它们不能被遗忘或丢失。另一方面，其他人很难分享或复制人类的固有特征。一些生物识别授权系统正在利用生理相关的生物特征(即虹膜、手、耳朵、指纹)，用于各种与人类身份相关的应用。
与其他生物特征相比，ECG(心电信号识别)有三个优点(1)心电图信号很难伪造。例如，虹膜识别系统可能会受到不同类型的攻击，包括使用假虹膜图像或隐形眼镜。因为心电信号很难被模仿，所以在心脏生理学方面，一些研究开始通过重放被盗的心电信号来攻击基于ECG的生物识别系统。(2)与人脸和虹膜等其他生物特征模式相比，ECG信号提供了一种内在的活性证明。(3)ECG信号提供关于感兴趣的个体的混合信息，即与他们的身份以及他们的心脏状况和健康状态(例如，规律性或心律失常的搏动以及精神和情绪状态)相关的特征。这些都是现有的识别技术无法比拟的。
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。
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。
发明内容
本发明的目的是提供一种基于时空组合特征向量的ECG身份识别方法，该方法通过AGA优化SVM算法的适应度，提高了少分类ECG样本识别精度。
本发明所采用的技术方案是，基于时空组合特征向量的ECG身份识别方法，具体包括如下步骤：
步骤1，采集心电信号，利用小波分解与重构法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信号采用自适应阈值定位方法对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波群位置及S波峰值点，采用峰值法确定P波与T波的峰值点；
步骤4，基于步骤2和步骤3得到的R、S、P波和T波的峰值点进行组合得到十种特征向量：P-R、R-T、S-T、P-S、P-T、P-Q、Q-R、Q-S、Q-T和R-S，然后运用AGA-SVM算法进行ECG信号识别。
本发明的特点还在于：
步骤1的具体过程为：
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，采用小波重构与分解的方法对步骤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的具体过程为：
步骤2.1，对步骤1得到去噪后的ECG信号的数据进行学习，并设初始阈值为数据前40％点中幅度最大值的二分之一，然后根据公式(1)更新阈值；
thnew＝0.7*th+0.3*max(X(n)) (1)；
其中，th为初始阈值，thnew为更新的幅度阈值；max(X(n))为当前窗口范围内信号幅度最大值；
步骤2.2，当检测到X(n)＞thnew时，由此可以推定第一个R波的位置在该点前5个点及后15个点的一个窗口内，再在该窗口内寻找最大幅度值点，该最大幅度值点即为第一个R波，在获得R之后，初始阈值同步被更新；
步骤2.3，根据实时检测到的R波幅度值和RR间期宽度来动态更新阈值，用来检测其余的R波，在检测其余的R波时，RR间期采用公式(2)更新；
RRnew＝0.9*RR+0.1*rr (2)；
其中，RRnew为R-R之间新的时间差；RR为前面检测到的所有的R-R之间时间差求和；rr为当前检测到的R波和上一个检测到的R波位置的距离；
步骤2.4，针对检测到的每一个R波进一步判断是否多检或漏检R波，最终准确确定全部R波峰值点的位置。
步骤2.4具体分为如下三种情况：
当0.4RR≤rr＜1.5RR时，确定当前检测到的R波是准确的；
当rr<0.4RR时，如果当前检测到的R波幅值大于上一个R波幅值时，则表明上一个检测到的R波是多余的；否则，当前检测到的R波是多余的；
当rr≥1.5RR时，说明上一个R波峰值点与当前检测到的R波之间距离过大，存在漏检的R波，此时缩小阈值为原来的1/2，在上一个检测的R波与当前检测R波之间重新进行检测。
步骤3的具体过程为：
步骤3.1，确定QRS波群位置：以步骤2所得R波峰值点的位置作为基准点，用左侧第120点到第40点和右侧第30点到第90点的窗口分别搜索两个窗口对应的极小值点，两个极小值点分别对应Q波和S波两个峰值点，从而确定了QRS波群位置；
步骤3.2，确定P波与T波的峰值点：利用已确定好的QRS波群位置，由于前一个波的S波与后一个波的Q波之间存在一个P波与T波，所以取S波和Q波的区间中点为基准点，以S波峰值点后2个点到基准点前两个点与S波峰值点后150个点之间最小值点的间期作为T波搜寻区间，以基准点后两个点与Q波峰值点前150个点之间最大值点到Q波峰值点前2个点的间期作为P波搜寻区间，分别在T波搜寻区间和P波搜寻区间内搜寻最大值点，T波搜寻区间内的最大值点即为T波的波峰点；P波搜寻区间内的最大值点即为P波的峰值点。
步骤4的具体过程为：
步骤4.1，将步骤2、3检测得到的R波峰值点、S波峰值点、P波峰值点、T波峰值点作为特征点，得到十种含距离与幅值特征的向量P-R、R-T、S-T、P-S、P-T、P-Q、Q-R、Q-S、Q-T和R-S，每种特征向量组成一个特征数据组；
步骤4.2，将步骤4.1中的每个特征数据组中的数据样本分为训练集合测试集，并对每个特征数据组的进化代数n、种群大小q以及惩罚参数c与核函数参数g的上下界初始化并生成种群初始解；
步骤4.3，通过得到种群初始解，计算每一个个体的适应度函数值，并找到适应度函数值最大的个体，即最优个体，保留最优个体及该个体的适应度函数值；
步骤4.4，找到该种群适应度函数最大值fmax和最小值fmin，计算该种群适应度函数的平均值fave，使用公式(3)计算得到自适应指标farc，根据自适应指标farc对种群进行进化，得到一个新的种群；
farc＝arcsin((fave-fmin)/(fmax-fmin)) (3)；
步骤4.5，将步骤4.3得到的种群最优个体放入步骤4.4得到的新种群中，重新执行步骤4.3直到进化代数达到设定初始值，得到最佳的惩罚参数c与核函数参数g；
步骤4.6，用得到最佳参数c与g对整个训练集训练得到SVM模型，将得到的SVM模型用于测试集进行网络预测，得到测试集分类准确率。
步骤4.4中，根据自适应指标farc对种群进行进化的具体过程为：
当farc<Π/6时，说明比较集中，对种群进行先变异后交叉；
当farc>Π/6时，说明不够集中，对种群进行先交叉后变异。
本发明的有益效果如下：
1.本发明能有效的完成对心电信号的滤波处理，对少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，AGA-SVM算法能够通过AGA优化SVM算法的适应度，使得少分类ECG样本识别精度得到提高。
附图说明
图1是本发明基于时空组合特征向量的ECG身份识别方法的总体流程图；
图2是本发明基于时空组合特征向量的ECG身份识别方法中ECG特征点提取总体算法流程图；
图3是本发明基于时空组合特征向量的ECG身份识别方法中使用的SVM分类流程图；
图4是本发明基于时空组合特征向量的ECG身份识别方法中使用的自适用遗传算法流程图；
图5是本发明基于时空组合特征向量的ECG身份识别方法中基于AGA算法的十类SVM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。
本发明基于时空组合特征向量的ECG身份识别方法，其流程图如图1所示，具体按照如下步骤实施：
步骤1，采集心电信号，利用小波分解与重构法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，首先对步骤1.1得到的ECG信号进行小波分解，然后选择适当的阈值函数，在此基础上确定阈值，对小波系数进行阈值处理，最后由新的小波系数重构得到去噪后的ECG信号。
如图2所示，步骤2，对步骤1去噪后的ECG信号采用自适应阈值定位方法对R波峰值点进行定位；具体为：
步骤2.1，对步骤1得到去噪后的ECG信号的数据进行学习，并设初始阈值为前40％个点幅度最大值的二分之一，然后根据公式1更新阈值；
thnew＝0.7*th+0.3*max(X(n)) (1)
其中th为初始阈值，thnew为更新的幅度阈值；max(X(n))为当前窗口范围内信号幅度最大值；
步骤2.2，当检测到X(n)＞thnew，由此可以推定第一个R波的位置在该点前5个点及后15个点的一个窗口内，再在该窗口内寻找最大幅度值点，由此可以确定第一个R波，在获得R之后，初始阈值也将被更新。更新规则是：取R波前所有点振幅之和的平均值。用此方法可以比较准确的检测到第一个R波的位置及其幅度值；
步骤2.3，根据实时检测到的R波幅度值和RR间期宽度来动态更新阈值，用来检测其余的R波。在检测其余的R波时，RR间期也需要根据公式2更新；
RRnew＝0.9*RR+0.1*rr (2)
其中，RRnew：R-R之间新的时间差；RR：前面检测到的所有的R-R之间时间差求和；rr：当前检测到的R波和上一个检测到的R波位置的距离；
步骤2.4，针对检测到的每一个R波进一步判断是否多检或漏检R波，最终准确确定全部R波峰值点的位置。可分三种情况讨论，具体为：
a.当0.4RR<rr<1.5RR,确定当前检测到的R波时准确的；
b.当rr<0.4RR，比较其幅值，如果当前检测到的R波幅值大于上一个时，说明上一个检测到的R波是多余的，否则，当前检测到的R波是多余的；
c.当rr>1.5RR，说明上一个R波峰值点与当前检测到的R波之间距离过大，存在漏检的R波，这时缩小阈值为原来的1/2，在上一个检测的R波与当前检测R波之间重新进行检测；
步骤3，通过步骤2所得R波峰值点，确定QRS波群位置及S波峰值点，采用峰值法确定P波与T波的峰值点；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，以其作为基准点，用左侧第120点到第40点和右侧第30点到第90点的窗口分别搜索极小值点，分别对应于它们的峰值点，此时可以知，左侧为Q，右侧为S；
步骤3.2确定P波与T波的峰值点：
利用已确定好的QRS波群位置，由于前一个波的S波与后一个波的Q波之间存在一个P波与T波，所以取该区间中点为基准点，以S波峰值点后2个点到基准点前两个点与S波峰值点后150个点之间最小值点的间期作为T波搜寻区间，以基准点后两个点与Q波峰值点前150个点之间最大值点到Q波峰值点前2个点的间期作为P波搜寻区间，在各自区间范围内搜寻最大值点，确定为P波与T波的峰值点；
如图3所示为本发明使用的支持向量机(SVM)分类流程图，图4自适应遗传算法流程图，步骤4，基于步骤2和步骤3得到的R，S波峰值点、P波和T波的峰值点进行组合得到十种特征向量P-R、R-T、S-T、P-S、P-T、P-Q、Q-R、Q-S、Q-T和R-S，然后运用AGA-SVM算法进行ECG信号识别；具体为：
步骤4.1，将步骤2、3检测得到的R波峰值点，S波峰值点，P波峰值点，T波峰值点作为特征点，得到十种含距离与幅值特征的向量P-R、R-T、S-T、P-S、P-T、P-Q、Q-R、Q-S、Q-T和R-S，每种特征向量组成一个特征数据组；
步骤4.2，将步骤4.1中的每个特征数据组中的数据样本分为训练集合测试集，并对每个特征数据组的进化代数n、种群大小q以及惩罚参数c与核函数参数g的上下界初始化并生成种群初始解；
步骤4.3，通过得到种群初始解，计算每一个个体的适应度函数值，并找到适应度函数值最大的个体，即最优个体，保留最优个体及其适应度函数值；
步骤4.4，找到该种群适应度函数最大值fmax和最小值fmin，计算该种群适应度函数的平均值fave，使用公式(3)计算得到自适应指标
farc，farc＝arcsin((fave-fmin)/(fmax-fmin)) (3)；
并对其进行判断。可分两种情况讨论，具体为：
当farc<Π/6时，说明比较集中，对种群进行先变异后交叉；
当farc>Π/6时，说明不够集中，对种群进行先交叉后变异；
步骤4.5，步骤4.4后得到一个新的种群，然后将步骤4.3得到的种群最优个体放入得到的新种群，重新回到步骤4.3直到进化代数达到设定初始值，得到最佳的惩罚参数c与核函数参数g；
步骤4.6，用得到最佳的c与g对整个训练集训练得到SVM(支持向量机)模型，将得到的SVM模型用于测试集进行网络预测，得到测试集分类准确率。图5是本发明基于AGA算法的十种SVM实验结果图，识别准确率为95％。
Claims (7)
1.基于时空组合特征向量的ECG身份识别方法，其特征在于：具体包括如下步骤：
步骤1，采集心电信号，利用小波分解与重构法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信号采用自适应阈值定位方法对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波群位置及S波峰值点，采用峰值法确定P波与T波的峰值点；
步骤4，基于步骤2和步骤3得到的R、S、P波和T波的峰值点进行组合得到十种特征向量：P-R、R-T、S-T、P-S、P-T、P-Q、Q-R、Q-S、Q-T和R-S，然后运用AGA-SVM算法进行ECG信号识别。
2.根据权利要求1所述的基于时空组合特征向量的ECG身份识别方法，其特征在于：所述步骤1的具体过程为：
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，采用小波重构与分解的方法对步骤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2所述的基于时空组合特征向量的ECG身份识别方法，其特征在于：所述步骤2的具体过程为：
步骤2.1，对步骤1得到去噪后的ECG信号的数据进行学习，并设初始阈值为数据前40％个点中幅度最大值的二分之一，然后根据公式(1)更新阈值；
thnew＝0.7*th+0.3*max(X(n)) (1)；
其中，th为初始阈值，thnew为更新的幅度阈值；max(X(n))为当前窗口范围内信号幅度最大值；
步骤2.2，当检测到X(n)＞thnew时，由此推定第一个R波的位置在该点前5个点及后15个点的一个窗口内，再在该窗口内寻找最大幅度值点，该最大幅度值点即为第一个R波，在获得R之后，初始阈值同步被更新；
步骤2.3，根据实时检测到的R波幅度值和RR间期宽度来动态更新阈值，用来检测其余的R波，在检测其余的R波时，RR间期采用公式(2)更新；
RRnew＝0.9*RR+0.1*rr (2)；
其中，RRnew为R-R之间新的时间差；RR为前面检测到的所有的R-R之间时间差求和；rr为当前检测到的R波和上一个检测到的R波位置的距离；
步骤2.4，针对检测到的每一个R波进一步判断是否多检或漏检R波，最终准确确定全部R波峰值点的位置。
4.根据权利要求3所述的基于时空组合特征向量的ECG身份识别方法，其特征在于：所述步骤2.4具体分为如下三种情况：
当0.4RR≤rr＜1.5RR时，确定当前检测到的R波是准确的；
当rr<0.4RR时，如果当前检测到的R波幅值大于上一个R波幅值时，则表明上一个检测到的R波是多余的；否则，当前检测到的R波是多余的；
当rr≥1.5RR时，说明上一个R波峰值点与当前检测到的R波之间距离过大，存在漏检的R波，此时缩小阈值为原来的1/2，在上一个检测的R波与当前检测R波之间重新进行检测。
5.根据权利要求4所述的基于时空组合特征向量的ECG身份识别方法，其特征在于：所述步骤3的具体过程为：
步骤3.1，确定QRS波群位置：以步骤2所得R波峰值点的位置作为基准点，用左侧第120点到第40点和右侧第30点到第90点的窗口分别搜索两个窗口对应的极小值点，两个极小值点分别对应Q波和S波两个峰值点，从而确定了QRS波群位置；
步骤3.2，确定P波与T波的峰值点：利用已确定好的QRS波群位置，由于前一个波的S波与后一个波的Q波之间存在一个P波与T波，所以取S波和Q波的区间中点为基准点，以S波峰值点后2个点到基准点前两个点与S波峰值点后150个点之间最小值点的间期作为T波搜寻区间，以基准点后两个点与Q波峰值点前150个点之间最大值点到Q波峰值点前2个点的间期作为P波搜寻区间，分别在T波搜寻区间和P波搜寻区间内搜寻最大值点，T波搜寻区间内的最大值点即为T波的波峰点；P波搜寻区间内的最大值点即为P波的峰值点。
6.根据权利要求5所述的基于时空组合特征向量的ECG身份识别方法，其特征在于：所述步骤4的具体过程为：
步骤4.1，将步骤2、3检测得到的R波峰值点、S波峰值点、P波峰值点、T波峰值点作为特征点，得到十种含距离与幅值特征的向量P-R、R-T、S-T、P-S、P-T、P-Q、Q-R、Q-S、Q-T和R-S，每种特征向量组成一个特征数据组；
步骤4.2，将步骤4.1中的每个特征数据组中的数据样本分为训练集合测试集，并对每个特征数据组的进化代数n、种群大小q以及惩罚参数c与核函数参数g的上下界初始化并生成种群初始解；
步骤4.3，通过得到种群初始解，计算每一个个体的适应度函数值，并找到适应度函数值最大的个体，即最优个体，保留最优个体及该个体的适应度函数值；
步骤4.4，找到该种群适应度函数最大值fmax和最小值fmin，计算该种群适应度函数的平均值fave，使用公式(3)计算得到自适应指标farc，根据自适应指标farc对种群进行进化，得到一个新的种群；
farc＝arcsin((fave-fmin)/(fmax-fmin)) (3)；
步骤4.5，将步骤4.3得到的种群最优个体放入步骤4.4得到的新种群中，重新执行步骤4.3直到进化代数达到设定初始值，得到最佳的惩罚参数c与核函数参数g；
步骤4.6，用得到最佳参数c与g对整个训练集训练得到SVM模型，将得到的SVM模型用于测试集进行网络预测，得到测试集分类准确率。
7.根据权利要求6所述的基于时空组合特征向量的ECG身份识别方法，其特征在于：所述步骤4.4中，根据自适应指标farc对种群进行进化的具体过程为：
当farc<Π/6时，说明比较集中，对种群进行先变异后交叉；
当farc>Π/6时，说明不够集中，对种群进行先交叉后变异。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111334834.2A CN113951891A (zh) | 2021-11-11 | 2021-11-11 | 基于时空组合特征向量的ecg身份识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111334834.2A CN113951891A (zh) | 2021-11-11 | 2021-11-11 | 基于时空组合特征向量的ecg身份识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113951891A true CN113951891A (zh) | 2022-01-21 |
Family
ID=79470201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111334834.2A Pending CN113951891A (zh) | 2021-11-11 | 2021-11-11 | 基于时空组合特征向量的ecg身份识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113951891A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120133793A (ko) * | 2011-06-01 | 2012-12-11 | (주)한국티이에스 | 특징점 추출을 통한 심실부정맥 검출방법 |
| CN103083013A (zh) * | 2013-01-18 | 2013-05-08 | 哈尔滨工业大学深圳研究生院 | 基于形态学与小波变换的心电信号qrs复波检测方法 |
| CN106974637A (zh) * | 2017-04-11 | 2017-07-25 | 西南大学 | 心率实时计算方法及装置 |
| CN108830255A (zh) * | 2018-06-29 | 2018-11-16 | 江苏师范大学 | 一种基于小波去噪心电信号的r峰识别方法 |
| CN112022143A (zh) * | 2020-08-17 | 2020-12-04 | 南京凌华微电子科技有限公司 | 基于生命体征参数分析的移动机器人监护系统及方法 |
| CN112107310A (zh) * | 2020-09-30 | 2020-12-22 | 西安理工大学 | 基于iwt与aga-bp模型的ecg身份识别方法 |
| CN112257518A (zh) * | 2020-09-30 | 2021-01-22 | 西安交通大学第二附属医院 | 基于wt与woa-pnn算法的ecg身份识别方法 |
| CN112353397A (zh) * | 2020-11-17 | 2021-02-12 | 西安理工大学 | 一种心电图信号身份识别方法 |
-
2021
- 2021-11-11 CN CN202111334834.2A patent/CN113951891A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120133793A (ko) * | 2011-06-01 | 2012-12-11 | (주)한국티이에스 | 특징점 추출을 통한 심실부정맥 검출방법 |
| CN103083013A (zh) * | 2013-01-18 | 2013-05-08 | 哈尔滨工业大学深圳研究生院 | 基于形态学与小波变换的心电信号qrs复波检测方法 |
| CN106974637A (zh) * | 2017-04-11 | 2017-07-25 | 西南大学 | 心率实时计算方法及装置 |
| CN108830255A (zh) * | 2018-06-29 | 2018-11-16 | 江苏师范大学 | 一种基于小波去噪心电信号的r峰识别方法 |
| CN112022143A (zh) * | 2020-08-17 | 2020-12-04 | 南京凌华微电子科技有限公司 | 基于生命体征参数分析的移动机器人监护系统及方法 |
| CN112107310A (zh) * | 2020-09-30 | 2020-12-22 | 西安理工大学 | 基于iwt与aga-bp模型的ecg身份识别方法 |
| CN112257518A (zh) * | 2020-09-30 | 2021-01-22 | 西安交通大学第二附属医院 | 基于wt与woa-pnn算法的ecg身份识别方法 |
| CN112353397A (zh) * | 2020-11-17 | 2021-02-12 | 西安理工大学 | 一种心电图信号身份识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴婷: "自发脑电信号的支持向量机分类算法", 上海电机学院学报, vol. 15, no. 3, 31 March 2012 (2012-03-31), pages 171 - 176 * |
| 吴婷: "自发脑电信号的支持向量机分类算法", 上海电机学院学报, vol. 15, no. 3, pages 171 - 176 * |
| 杨从锐: "改进的自适应遗传算法在函数优化中的应用", 计算机应用研究, vol. 35, no. 4, 30 April 2018 (2018-04-30), pages 1042 - 1045 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hammad et al. | A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication | |
| Jing et al. | ECG heartbeat classification based on an improved ResNet-18 model | |
| Agrafioti et al. | Heart biometrics: Theory, methods and applications | |
| Irvine et al. | A sequential procedure for individual identity verification using ECG | |
| Dar et al. | ECG based biometric identification for population with normal and cardiac anomalies using hybrid HRV and DWT features | |
| Singh | Human recognition using Fisher׳ s discriminant analysis of heartbeat interval features and ECG morphology | |
| Boumbarov et al. | ECG personal identification in subspaces using radial basis neural networks | |
| CN112257518A (zh) | 基于wt与woa-pnn算法的ecg身份识别方法 | |
| Pal et al. | ECG biometric recognition | |
| Luz et al. | Evaluating the use of ECG signal in low frequencies as a biometry | |
| CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
| CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
| CN112107310A (zh) | 基于iwt与aga-bp模型的ecg身份识别方法 | |
| Khan et al. | Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia | |
| Rizwan et al. | A machine learning approach for the detection of QRS complexes in electrocardiogram (ECG) using discrete wavelet transform (DWT) algorithm | |
| Vuksanovic et al. | AR-based method for ECG classification and patient recognition | |
| Chandrashekhar et al. | Pulse ID: the case for robustness of ECG as a biometric identifier | |
| Vuksanovic et al. | Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters | |
| CN107909048A (zh) | 一种基于s变换的心律失常多分类方法 | |
| Shantha Selva Kumari et al. | Classification of cardiac arrhythmias based on morphological and rhythmic features | |
| CN113951891A (zh) | 基于时空组合特征向量的ecg身份识别方法 | |
| Wu et al. | Research on personal identity verification based on convolutional neural network | |
| CN112257573B (zh) | 一种基于t-SNE和Adaboost的ECG身份识别方法 | |
| Singh | Individual identification using linear projection of heartbeat features | |
| CN114861706A (zh) | 一种基于质量评估和深度迁移学习的心电身份识别方法 |
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 |