CN117338309B - 一种身份识别方法及存储介质 - Google Patents
一种身份识别方法及存储介质 Download PDFInfo
- Publication number
- CN117338309B CN117338309B CN202311048130.8A CN202311048130A CN117338309B CN 117338309 B CN117338309 B CN 117338309B CN 202311048130 A CN202311048130 A CN 202311048130A CN 117338309 B CN117338309 B CN 117338309B
- Authority
- CN
- China
- Prior art keywords
- heart beat
- electrocardiosignal
- average
- data
- sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000000747 cardiac effect Effects 0.000 claims description 39
- 238000012216 screening Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000012634 fragment Substances 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000001303 quality assessment method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电信号近似度阈值计算方法、身份识别方法及存储介质，属于心电信号处理技术领域。其中的心电信号近似度阈值计算方法，是对检测设备中的历史心电信号数据进行处理，获得筛选后的主要使用人的历史心拍集合和历史平均心拍序列，并计算得出近似度阈值；在身份识别方法中，将新检测获得的心电数据的平均心拍序列与历史平均心拍序列进行相似度计算，然后与近似度阈值比较，若大于近似度阈值，则为主要使用人本人进行使用设备，若小于近似度阈值，则为他人使用设备。本发明在近似度阈值计算和身份识别中，用来计算相关系数的特征是心电信号中的采样值，其为心电数据中的原始特征，识别用时更短更高效。
Description
技术领域
本发明属于心电信号处理技术领域，更具体地说，涉及一种身份识别方法及存储介质。
背景技术
检测心电信号是记录人体心脏电活动的一种非侵入性方法，心电信号是由心肌细胞之间的电流流动产生的，并通过电极传感器在皮肤表面测量。这些电极可以通过贴在胸部、手臂和腿上的电极带或贴片来捕捉电信号。心电信号的测量可以提供心脏节律和心脏功能的重要信息。通过对这些心电波形的分析，可以评估心脏健康状况，诊断心脏疾病以及监测治疗效果。心电信号在临床医学中广泛应用，常用于诊断心脏病、心律失常和心肌梗塞等疾病。
随着科技的进步，便携式设备的发展已经越来越成熟，特别是在医疗行业中。便携式设备的发展使得医疗机构和患者可以更方便地获取和处理医疗信息。在心电图领域，便携式心电仪已经成为了一种趋势。便携式心电仪通常采用无线传输技术，可以通过蓝牙或Wi-Fi连接到智能手机或平板电脑，实时传输心电信号并提供分析和诊断结果。这些设备通常体积小巧、价格相对较低，非常适合在医院和家庭医疗中使用。这些设备不仅可以提高医疗机构的工作效率，同时也使患者更容易获得医疗服务，从而改善了医疗保健的可及性和便捷性。
但是，正是由于便携式心电仪的灵活性，会造成心电仪有多个使用者，会使得医生对于心电信号的评估不具备参考性，且由于便携式心电仪具有个人物品属性，一般会有主要使用人和使用次数较少的其他使用人，最好能够将属于主要使用人的心电信号梳理出来，通过分析主要使用人单次及一段时期内的多次心电检测数据可以更有效的监测出心电信号的变化，这就需要对主要使用人和其他使用人进行身份识别。目前，心电信号身份识别方法主要依靠于机器学习、深度学习模型对长度固定的心电信号数据进行分析，判断是否为本人使用。这类方法的核心需要从心电信号中抽取特征，但是会使得模型复杂度较高，利用较多的计算资源，并且可能忽略了用户历史心电信号数据的相关性。
发明内容
1.要解决的技术问题
针对现有技术中便携式心电仪存在主要使用人和其他使用人，通过机器学习、深度学习模型对长度固定的心电信号数据进行分析判断使用人身份的方法，存在模型复杂度较高，利用较多的计算资源，并且可能忽略了用户历史心电信号数据的相关性的问题，本发明提供一种心电信号近似度阈值计算方法、身份识别方法及存储介质。
2.技术方案
为解决上述问题，本发明采用如下的技术方案。
一种心电信号近似度阈值计算方法，包括以下步骤：
S1：获取检测设备中最新检测的M条历史心电信号数据，滤波后进行预处理，获得心电信号片段；其中，M大于等于1，M越大近似度阈值越精确；
S2：对预处理后的心电信号片段进行信号质量评估，获取信号质量较好的心电信号数据片段集合；
S3：计算每条信号质量较好的心电信号数据片段的平均心拍序列，所有的平均心拍序列构成平均心拍模板；
S4：对平均心拍模板中的平均心拍序列两两使用相关系数进行相似度计算，得到相关系数矩阵；
S5：根据相关系数矩阵进行筛选，获得主要使用人历史平均心拍序列制作集合；
S6：根据主要使用人历史平均心拍序列制作集合获取筛选后的每一条心电数据的主要使用人历史心拍集合；
S7：根据主要使用人历史心拍集合中所有心拍的每一个对应的采样点求其中位数，得到主要使用人的历史平均心拍序列；
S8：将主要使用人历史心拍集合中的每一条心拍与历史平均心拍序列计算相似度，得到相关系数的列表；
S9：计算近似度阈值：根据相关系数的列表计算相关系数的绝对中位差，剔除与绝对中位差的差值与绝对中位差相差γ倍的相关系数，处理后的相关系数列表为：
近似度阈值为：
δ取值为3。
进一步的，步骤S1中的预处理包括以下步骤：
S11：对心电信号进行重采样，将心电信号重采样至固定采样率500Hz；
S12：对心电信号片段进行QRS波检测，获取R波位置；
S13：对心电信号进行截断，截成以10s为长度的心电信号片段，不足10s的片段，往前截取片段，直至该片段长度为10s；将通过该阶段的心电信号记为：
其中，表示第/>条心电信号片段，N表示心电片段的总数。
进一步的，步骤S2中所述的信号质量评估包括以下步骤：
S21：对每条心电信号片段，根据R波位置计算每两个R波位置之间的间隙长度，得到一个R波间隙长度的序列：
其中，表示以第/>个R波位置与第/>个R波位置之间的R波间隙长度，N-1表示RR间隙长度的总数；
S22：计算RR间隙长度的最大值和平均数之间的比值，并与第一筛选阈值进行比较判断；
最大的R波间隙长度为：
平均的R波间隙长度为：
将与第一筛选阈值比较，判断是否执行后续的流程：
其中，表示第一筛选阈值，取值为3；
S23：对通过S22步骤筛选的心电信号片段，根据R波位置，选择R波位置前m-1个点以及R波位置后m个点进行切割，获取固定长度为2m个采样点的心拍，获取初始的心拍矩阵：
其中，表示第/>个进行质量检测的心拍，n为心拍的总个数；这里m取值为199，即每个心拍采样点有400个，根据初始的心拍矩阵中所有心拍的每一个对应的采样点求其平均数，总共选取400个采样点的心拍，得到初始平均心拍序列：
其中，表示/>的第/>列数据；
S24：将初始平均心拍序列减去整条心电信号片段的所有心拍的平均值，得到最后的平均心拍序列：
将整条心电信号片段的每一个心拍减去各自的均值之后，得到相应处理后的心拍矩阵：
S25：将中的每一个心拍与最后的平均心拍序列/>中的平均心拍进行相关系数计算，得到相关系数序列，记为：
S26：计算相关系数序列的平均数，并与第二筛选阈值比较，判断是否进行后续步骤：
其中，为第二筛选阈值，取值0.9；
S27：对每一个心电片段进行信号质量评估，获取信号质量较好的心电信号数据片段集合：
其中，为第/>条心电信号数据中信号质量较好的片段集合，/>为信号质量较好的心电信号数据总数。
进一步的，步骤S3中平均心拍模板的制作方法包括：
S31：对一条信号质量较好的心电信号数据片段进行切割，获取这条心电信号数据片段的所有心拍；具体为，根据R波位置，选择R波位置前m’-1个点以及R波位置后m’个点进行切割，获取固定长度为2m’个采样点的心拍，得到心拍集合：
其中，为第/>条心电数据的第/>条心拍数据，/>为第/>条心电数据中的心拍总数，这里m’取值为100，即每个心拍有200个采样点；
S32：根据心拍集合中所有心拍的每一个对应的采样点求其中位数，总共选取200个采样点的心拍，得到该条心电数据片段的平均心拍序列：
其中，表示/>的第/>列数据；
S33：对其他信号质量较好的心电信号数据片段执行S31和S32步骤，得到所有信号质量较好的心电信号数据的平均心拍模板：
其中，为第/>条心电数据的平均心拍序列；
步骤S4中相关系数矩阵的获得具体为：
对中的平均心拍序列两两进行相似系数计算，得到相关系数矩阵：
其中，为第/>条心电信号数据的平均心拍模板与第/>条心电信号数据的平均心拍模板的相关系数。
进一步的，步骤S5中心电信号数据筛选具体为：
若一条心电信号数据的平均心拍序列与其他心电信号数据平均心拍序列的相关系数超过第三筛选阈值，且该超过第三筛选阈值的相关系数数量占心电信号数据总数超过比例阈值，则纳入到主要使用人历史平均心拍序列制作集合的心电信号数据之中：
其中，α为比例阈值，β为第三筛选阈值，α为55%，β为0.9，最后得到相应的主要使用人历史平均心拍序列制作集合为：
其中，为筛选得到的第/>条心电信号数据，/>中的/>为所有纳入主要使用人历史平均心拍序列制作集合的心电数据总数；
步骤S6具体为：
根据主要使用人历史平均心拍序列制作集合进行主要使用人历史心拍集合的制作，通过S27步骤中信号质量较好的心电信号数据片段集合和S31步骤中的心拍集合获取筛选后的每一条对应的心电数据的历史心拍集合为：
为第/>条心电信号数据的心拍集合，/>为第/>条心电信号数据的第/>个心拍，/>为第/>条心电数据的第/>个心拍，/>为每条心电数据的心拍总数。
进一步的，步骤S7具体为：
根据心拍集合BT中所有心拍的每一个对应的采样点求其中位数，总共选取200个采样点的心拍，得到主要使用人的历史平均心拍序列：
步骤S9中近似度阈值的计算具体为：
根据相关系数的列表，首先剔除相差较大的数值，根据计算中位数，随后计算每一个相关系数与/>的差值绝对值，获得差值列表：
接着计算差值列表的中位数：
仅保留与相差γ倍的数据：
其中，γ的取值为1，得到最后处理后的相关系数列表。
本发明还提供了一种身份识别方法，包括如下步骤：
S100：通过检测设备获取一条滤波后的最新心电信号；
S102：预处理该心电信号；
S103：进行心电信号质量评估；
S104：根据心电信号质量较好的片段获取该心电信号的平均心拍序列：
为该条最新心电信号生成的心拍集合，/>为该条最新心电信号数据的平均心拍序列；
S105：该条心电信号数据的平均心拍序列与历史平均心拍序列进行相似度计算为：
其中，为该条心电信号数据的平均心拍序列与历史平均心拍序列的协方差，/>和/>分别为/>和/>的方差，历史平均心拍序列通过上述心电信号近似度阈值计算方法计算所得；
S106：将cor与近似度阈值θ进行比较，若cor大于θ，则为主要使用人本人使用设备，若cor小于θ，则为他人使用设备；θ为上述心电信号近似度阈值计算方法计算所得的近似度阈值。
本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序数据，所述程序数据在被处理器执行时，用以实现如上所述的身份识别方法。
3.有益效果
相比于现有技术，本发明的有益效果为：
本发明先利用检测设备中最新检测的历史心电信号数据获得主要使用人心电信号的近似度阈值，然后在后续的检测中，将新检测获得的一条心电数据经质量评估后获得质量较好的信号片段，并将该条心电信号数据的平均心拍序列与历史平均心拍序列进行相似度计算，然后与近似度阈值比较，若大于θ，则为主要使用人本人使用设备，若小于θ，则为他人使用设备；该阈值计算方法的优点为：
（1）个性化适应，使用历史平均心拍序列来确定阈值，可以更好地适应不同个体的心电数据，因为每个人的心电信号可能有一些变化，通过基于历史平均序列的阈值可以更好地适应不同人的生理差异；
（2）动态调整，在身份识别时，是通过比较最新心电数据的平均心拍序列与历史平均心拍序列相关系数与阈值的关系，还可以实现一种动态的调整策略，如果最新数据与历史数据有显著的相关性，那么阈值会相应地进行调整，从而更准确地检测异常情况；
（3）减少误报，使用历史平均心拍序列可以帮助过滤掉一些临时性的心电信号变化，从而减少误报的可能性，历史数据可以提供一种背景参考，更好地确定异常情况；
（4）原始特征保留，在身份识别方法中在对新检测获得的该条心电数据进行信号质量评估、平均心拍序列制作，以及在近似度阈值计算方法中，用来计算相关系数的特征是心电信号中的采样值，其为心电数据中的原始特征，相比于神经网络模型等方法，原始特征不需要使用神经网络模型提取心电信号中的高级抽象特征，识别用时更短更高效。
附图说明
图1为心电信号质量评估的流程示意图；
图2为切割心电片段的示意图；
图3为身份识别的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种心电信号近似度阈值计算方法，包括以下步骤：
S1：获取检测设备中最新检测的M条历史心电信号数据， M大于等于1，M越大近似度阈值越精确，本实施例中的M取值为50，滤波后进行预处理，采集到的心电信号有许多的干扰，包括基线漂移、波动和呼吸造成的低频噪音干扰,以及肌颤、电源和周围电磁造成的高频噪音干扰等，所以要对心电信号进行滤波处理，处理完成后能得到心电信号的一些在医学上有意义的信息，心电信号的滤波处理已有大量现有技术，本文不做赘述；由于该M条历史心电信号数据是设备中最新检测的，那么在本次检测并识别身份后，如果最新数据与历史数据有显著的相关性，那么近似度阈值会相应地进行调整，从而在下次使用中可以更准确地检测异常情况。
S2：对预处理后的心电信号片段进行信号质量评估，获取信号质量较好的心电信号数据片段集合；
S3：计算每条信号质量较好的心电信号数据片段的平均心拍序列，所有的平均心拍序列构成平均心拍模板；
S4：对平均心拍模板中的平均心拍序列两两使用皮尔逊相关系数进行相似度计算，得到相关系数矩阵；
S5：根据相关系数矩阵进行心电信号数据筛选，获得主要使用人历史平均心拍序列制作集合；
S6：根据主要使用人历史平均心拍序列制作集合获取筛选后的每一条心电数据的主要使用人历史心拍集合；
S7：根据主要使用人历史心拍集合中所有心拍的每一个对应的采样点求其中位数，得到主要使用人的历史平均心拍序列；
S8：将主要使用人历史心拍集合中的每一条心拍与历史平均心拍序列计算相似度，得到相关系数的列表；
S9：根据相关系数的列表计算近似度阈值。
步骤S1中的预处理包括以下步骤：
S11：对心电信号进行重采样，将心电信号重采样至固定采样率500Hz；
S12：对心电信号片段进行QRS波检测，获取R波位置；
S13：对心电信号进行截断，截成以10s为长度的心电信号片段，不足10s的片段，往前截取片段，直至该片段长度为10s；将通过该阶段的心电信号记为：。
其中，表示第/>条心电信号片段，N表示心电片段的总数，通过以上预处理方法对从检测设备中获得的50条历史心电数据中分别进行处理。
步骤S2中所述的信号质量评估包括两部分，先通过最大的R波间隙长度与平均的R波间隙长度/>的比值与第一筛选阈值的比较来筛选一次，再利用筛选后心电信号数据的每一个心拍与平均心拍进行皮尔逊相关系数计算，以该相关系数的平均数与第二筛选阈值的比较再筛选一次，两次筛选可以确保筛选后的均为质量较好的心电信号数据，这种筛选方式较为简单快捷，不涉及深度神经网络、机器学习等复杂耗时的算法，两次筛选，提高了准确率，如图1-图2所示，具体包括以下步骤：
S21：根据R波位置计算每两个R波位置之间的间隙长度，得到一个R波间隙长度的序列：
其中，表示以第/>个R波位置与第/>个R波位置之间的R波间隙长度，N-1表示RR间隙长度的总数；
S22：计算RR间隙长度的最大值和平均数之间的比值，并与第一筛选阈值进行比较判断；
最大的R波间隙长度为：
平均的R波间隙长度为：
计算最大的R波间隙长度与平均的R波间隙长度/>的比值，如下表示：
将与第一筛选阈值比较，判断是否执行后续的流程：
其中，表示第一筛选阈值，取值为3，一般最大RR间隙比上最小的RR间隙的比值小于2.2，这里将最大间隙比平均间隙的比值上限设为3以内，可以有效排除质量较差的心电信号；
S23：参考图2，对通过S22步骤筛选的心电信号片段，根据每个R波位置，选择R波位置前199个点以及R波位置后200个点进行切割，获取固定长度为400个采样点的心拍，获取初始的心拍矩阵：
其中，表示第/>个进行质量检测的心拍，n为心拍的总个数，即该条心电信号片段中的心拍总数；根据心拍矩阵中所有心拍的400个采样点中的每一个对应的采样点，计算平均数，得到初始平均心拍序列：
其中，表示/>的第/>列数据；心电信号的采样值为原始特征，在神经网络算法中通常需要对原始数据进行预处理，例如标准化、降维、滤波等，神经网络模型会自动学习数据中的特征，这些特征可能是数据的高级抽象，本申请不需要使用神经网络模型提取心电信号中的高级抽象特征，识别用时更短更高效。
S24：将初始平均心拍序列减去整条心电信号片段的所有心拍的平均值，得到最后的平均心拍序列：
将整条心电信号片段的每一个心拍减去各自的均值之后，得到相应处理后的心拍矩阵：
S25：将心拍矩阵中的每一个心拍与最后的平均心拍序列/>中的平均心拍进行皮尔逊相关系数计算，得到相关系数序列，记为：
S26：计算相关系数的平均数，并与第二筛选阈值比较，判断是否进行后续步骤：
其中，为第二筛选阈值，相关系数越接近1，说明心电信号每个心拍与平均心拍的差距越小，即信号质量越好，这里/>取值0.9，确保筛选后的均为信号质量较好的心电信号数据；
S27：对每一个心电片段进行信号质量评估，获取信号质量较好的心电信号数据片段集合：
其中，为第/>条心电信号数据中信号质量较好的片段集合，/>为信号质量较好的心电信号数据总数。
步骤S3中平均心拍模板的制作方法包括：
S31：对一条信号质量较好的心电信号数据片段进行切割，获取这条心电信号数据片段的所有心拍；具体为，根据R波位置，选择R波位置前99个点以及R波位置后100个点进行切割，获取固定长度为200个采样点的心拍，得到心拍集合：
其中，为第/>条心电数据的第/>条心拍数据，n为第/>条心电数据中的心拍总数；
S32：根据心拍集合中所有心拍的每一个对应的采样点求其中位数，依前述总共选取200个采样点的心拍，得到该条数据平均心拍序列：
其中，表示/>的第/>列数据；
S33：对其他信号质量较好的心电信号数据片段执行S31和S32步骤，得到所有信号质量较好的心电信号数据的平均心拍模板：
其中，为第/>条心电数据的平均心拍序列；
步骤S4中相关系数矩阵的获得具体为：
对中平均心拍序列两两使用进行皮尔逊相似系数计算，得到相关系数矩阵：
其中，为第/>条心电信号数据的平均心拍模板与第/>条心电信号数据的平均心拍序列的相关系数。
步骤S5中心电信号数据筛选具体为：
若一条心电信号数据的平均心拍序列与其他心电信号数据平均心拍序列的相关系数超过第三筛选阈值，且该超过第三筛选阈值的相关系数数量占心电信号数据总数超过比例阈值，则纳入到主要使用人历史平均心拍序列制作集合的心电信号数据之中：
其中，α为比例阈值，β为第三筛选阈值，α为55%，β为0.9，以上筛选代表某一条心电信号数据的平均心拍模板与总数55%以上的平均心拍模板的相关系数大于0.9，通过上述筛选，基本可以认定这些心电信号数据属于同一人，由于便携式心电仪的私人物品属性，则筛选出来的心电数据基本属于主要使用人员，最后得到相应的主要使用人历史平均心拍序列制作集合为：
其中，为筛选得到的第/>条心电信号数据，/>中的/>为所有纳入主要使用人历史平均心拍序列制作集合的心电数据总数；
步骤S6具体为：
根据主要使用人历史平均心拍序列制作集合进行主要使用人历史心拍集合的制作，通过S27步骤中信号质量较好的心电信号数据片段集合和S31步骤中的心拍集合获取筛选后的每一条对应的心电数据的历史心拍集合为：
其中，为第/>条心电信号数据的心拍集合，/>为第/>条心电信号数据的第/>个心拍，/>为第/>条心电数据的第/>个心拍，/>为每条心电数据的心拍总数。
步骤S7具体为：
根据心拍集合中所有心拍的每一个对应的采样点求其中位数，总共选取200个采样点的心拍，得到主要使用人的历史平均心拍序列：
步骤S8中相关系数的列表具体为：
将心拍集合中的每一条心拍与历史平均心拍序列/>利用皮尔逊相关系数计算相似度，最后得到相关系数的列表：
步骤S9中近似度阈值的计算具体为：
根据相关系数的列表进行选择阈值，首先剔除相差较大的数值，根据计算中位数/>，随后计算每一个相关系数与/>的差值绝对值，获得差值列表：
接着计算差值列表的中位数：
仅保留与相差γ倍绝对中位差以内的数据：
其中，γ的取值为1，得到最后处理后的相关系数列表：
剔除相差较大的数值后得到的相关系数更接近。
根据最后得到的相关系数列表计算近似度阈值θ：
其中，为绝对中位差，绝对中位差为一系列同属性数据同其中位数偏差的绝对数的中位数，其可以用于检测同属性数据中与中位数偏差超过一定范围的离群值，对于数据集中异常值的处理比标准差更具有弹性，更利于筛选异常值。在心电检测中由于检测时间、检测个体健康状况的不同，其历史心电数据计算所得的/>往往会有所不同，例如相比于健康的个体，本身具有心脏疾病的便携心电仪主要使用人，其/>波动往往较大，这里将近似度阈值θ设定为中位数减去δ*绝对中位差，δ取值为3，有以下几个好处：（1）相对于标准差等敏感度较高的离群值检测方法，三倍的绝对中位差具有较好的鲁棒性。这意味着它对于数据中的离群值不敏感，更能准确地反映数据的整体分布情况。（2）由于使用了中位数，三倍的绝对中位差更适用于数据分布不均匀、存在离群值或异常点的情况，因为中位数相对于均值更能代表数据集的中心趋势。（3）当数据不符合正态分布时，使用标准差等传统统计指标可能导致误导。三倍的绝对中位差适用于各种数据分布，无论是正态分布还是偏态分布。（4）使用三倍的绝对中位差可以减少过度剔除正常数据的风险。相比之下，使用更严格的标准差方法可能会将一些合理的数据点错误地标记为离群值，可以更好的适用于不同的心电仪用户，以免因近似度阈值设置较高导致本来属于同一用户的心电数据被误判。
参考图3，本发明还提供了一种身份识别方法，包括如下步骤：
S100：通过检测设备获取一条滤波后的最新心电信号；参照现有技术中的滤波方法；
S102：预处理该心电信号；参照步骤S11-S13中的预处理方法；
S103：进行心电信号质量评估；参照步骤S21-S27中的质量评估方法；
S104：根据心电信号质量较好的片段获取该心电信号的平均心拍序列：
为该条最新心电信号生成的心拍集合，/>为该条最新心电信号数据的平均心拍序列；参照步骤S3中的平均心拍序列的制作方法；
S105：该条心电信号数据的平均心拍序列与历史平均心拍序列进行相似度计算，历史平均心拍序列通过上述近似度阈值计算方法获得，得到相关系数为：
其中，为该条心电信号数据的平均心拍序列与历史平均心拍序列的协方差，/>和/>分别为/>和/>的方差；
S106：将相关系数cor与近似度阈值θ进行比较，若cor大于θ，则为主要使用人本人进行使用设备，若cor小于θ，则为他人使用设备；θ为上述心电信号近似度阈值计算方法计算所得的近似度阈值。如果是主使用人本人使用设备，可以将该条新检测的心电数据中进行保存，以备后期分析主使用人的心电图变化状况使用。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
实施例2
本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序数据，所述程序数据在被处理器执行时，用以实现如上所述的身份识别方法。
以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本专利的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (8)
1.一种身份识别方法，其特征在于，包括如下步骤：
S100：通过检测设备获取一条滤波后的最新心电信号；
S102：预处理该心电信号；
S103：进行心电信号质量评估；
S104：根据心电信号质量较好的片段获取该心电信号的平均心拍序列；
S105：该条心电信号数据的平均心拍序列与历史平均心拍序列进行相似度cor计算；
S106：将cor与近似度阈值θ进行比较，若cor大于θ，则为主要使用人本人使用设备，若cor小于θ，则为他人使用设备；
历史平均心拍序列和近似度阈值θ通过以下计算方法计算所得：
S1：获取检测设备中最新检测的M条历史心电信号数据，滤波后进行预处理，获得心电信号片段；
S2：对预处理后的心电信号片段进行信号质量评估，获取信号质量较好的心电信号数据片段集合；
S3：计算每条信号质量较好的心电信号数据片段的平均心拍序列，所有的平均心拍序列构成平均心拍模板；
S4：对平均心拍模板中的平均心拍序列两两使用相关系数进行相似度计算，得到相关系数矩阵；
S5：根据相关系数矩阵进行筛选，获得主要使用人历史平均心拍序列制作集合；
S6：根据主要使用人历史平均心拍序列制作集合获取筛选后的每一条心电数据的主要使用人历史心拍集合；
S7：根据主要使用人历史心拍集合中所有心拍的每一个对应的采样点求其中位数，得到主要使用人的历史平均心拍序列；
S8：将主要使用人历史心拍集合中的每一条心拍与历史平均心拍序列计算相似度，得到相关系数的列表；
S9：计算近似度阈值：根据相关系数的列表计算相关系数的绝对中位差，剔除与绝对中位差的差值与绝对中位差相差γ倍的相关系数，处理后的相关系数列表为：
取值为3，近似度阈值/>为：
。
2.根据权利要求1所述的身份识别方法，其特征在于：
步骤S1中所述的预处理包括以下步骤：
S11：对心电信号进行重采样；
S12：对心电信号片段进行QRS波检测，获取R波位置；
S13：对心电信号进行截断，截成若干长度相同的心电信号片段。
3.根据权利要求2所述的身份识别方法，其特征在于：步骤S2中所述的信号质量评估包括以下步骤：
S21：对每条心电信号片段，根据R波位置计算每两个R波位置之间的间隙长度；
S22：计算RR间隙长度的最大值和平均数之间的比值，并与第一筛选阈值进行比较判断；
S23：对通过S22步骤筛选的心电信号片段，根据R波位置，选择R波位置前m-1个点以及R波位置后m个点进行切割，获取固定长度为2m个采样点的心拍，获取初始的心拍矩阵；根据初始的心拍矩阵中所有心拍的每一个对应的采样点求其平均数，得到初始平均心拍序列；
S24：将初始平均心拍序列减去整条心电信号片段的所有心拍的平均值，得到最后的平均心拍序列；将整条心电信号片段的每一个心拍减去各自的均值之后，得到相应处理后的心拍矩阵；
S25：将处理后的心拍矩阵中的每一个心拍与最后的平均心拍序列中的平均心拍进行相关系数计算，得到相关系数序列；
S26：计算相关系数序列的平均数，并与第二筛选阈值比较；
S27：获取信号质量较好的心电信号数据片段集合。
4.根据权利要求3所述的身份识别方法，其特征在于：步骤S3中平均心拍模板的制作方法包括：
S31：对一条信号质量较好的心电信号数据片段进行切割，获取这条心电信号数据片段的所有心拍；根据R波位置，选择R波位置前m’-1个点以及R波位置后m’个点进行切割，获取固定长度为2m’个采样点的心拍，得到心拍集合；
S32：根据心拍集合中所有心拍的每一个对应的采样点求其中位数，得到该条心电信号数据片段的平均心拍序列；
S33：对其他信号质量较好的心电信号数据片段执行S31和S32步骤，得到所有信号质量较好的心电信号数据的平均心拍模板；
步骤S4中相关系数矩阵的获得具体为：
对平均心拍模板中的平均心拍序列两两进行相似系数计算，得到相关系数矩阵。
5.根据权利要求4所述的身份识别方法，其特征在于：步骤S5中心电信号数据筛选具体为：
若一条心电信号数据的平均心拍序列与其他心电信号数据平均心拍序列的相关系数超过第三筛选阈值，且该超过第三筛选阈值的相关系数数量占心电信号数据总数超过比例阈值，则纳入到主要使用人历史平均心拍序列制作集合的心电信号数据之中，得到主要使用人历史平均心拍序列制作集合；
步骤S6具体为：
根据主要使用人历史平均心拍序列制作集合，通过S27步骤中信号质量较好的心电信号数据片段集合和S31步骤中的心拍集合获取筛选后的每一条心电数据的历史心拍集合。
6.根据权利要求5所述的身份识别方法，其特征在于：步骤S7具体为：根据历史心拍集合中所有心拍的每一个对应的采样点求其中位数，得到主要使用人的历史平均心拍序列。
7.根据权利要求6所述的身份识别方法，其特征在于：
步骤S8中相关系数的列表为；
步骤S9中的计算处理后的相关系数列表为：
根据计算中位数/>，随后计算每一个相关系数与的差值绝对值，获得差值列表：
计算差值列表的中位数：
仅保留与相差/>倍的数据：
其中，的取值为1，得到处理后的相关系数列表为/>。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1-7任意一项所述的身份识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311048130.8A CN117338309B (zh) | 2023-08-21 | 2023-08-21 | 一种身份识别方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311048130.8A CN117338309B (zh) | 2023-08-21 | 2023-08-21 | 一种身份识别方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117338309A CN117338309A (zh) | 2024-01-05 |
| CN117338309B true CN117338309B (zh) | 2024-03-15 |
Family
ID=89369909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311048130.8A Active CN117338309B (zh) | 2023-08-21 | 2023-08-21 | 一种身份识别方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117338309B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104055522A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种心律失常情况下心电信号身份识别方法 |
| CN105469037A (zh) * | 2015-11-19 | 2016-04-06 | 中科院微电子研究所昆山分所 | 一种基于心电信号的身份识别方法及系统 |
| KR20170082440A (ko) * | 2016-01-06 | 2017-07-14 | 삼성전자주식회사 | 심전도 인증 방법 및 장치 |
| WO2018152711A1 (zh) * | 2017-02-22 | 2018-08-30 | 清华大学深圳研究生院 | 一种基于心电认证的门禁系统及其认证方法 |
| CN112115782A (zh) * | 2020-08-12 | 2020-12-22 | 安徽心之声医疗科技有限公司 | 一种基于深度哈希神经网络的心电信号身份识别的方法 |
| WO2021047401A1 (zh) * | 2019-09-10 | 2021-03-18 | 华为技术有限公司 | 服务分类方法及装置、互联网系统 |
| CN113625924A (zh) * | 2020-05-09 | 2021-11-09 | 北京奇虎科技有限公司 | 基于移动操作的元素选取方法、设备、存储介质及装置 |
| CN115115038A (zh) * | 2022-08-30 | 2022-09-27 | 合肥心之声健康科技有限公司 | 一种基于单导联心电信号的模型构建方法及性别识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11730414B2 (en) * | 2020-01-21 | 2023-08-22 | Biosense Webster (Israel) Ltd. | Automatic pattern acquisition |
-
2023
- 2023-08-21 CN CN202311048130.8A patent/CN117338309B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104055522A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种心律失常情况下心电信号身份识别方法 |
| CN105469037A (zh) * | 2015-11-19 | 2016-04-06 | 中科院微电子研究所昆山分所 | 一种基于心电信号的身份识别方法及系统 |
| KR20170082440A (ko) * | 2016-01-06 | 2017-07-14 | 삼성전자주식회사 | 심전도 인증 방법 및 장치 |
| WO2018152711A1 (zh) * | 2017-02-22 | 2018-08-30 | 清华大学深圳研究生院 | 一种基于心电认证的门禁系统及其认证方法 |
| WO2021047401A1 (zh) * | 2019-09-10 | 2021-03-18 | 华为技术有限公司 | 服务分类方法及装置、互联网系统 |
| CN113625924A (zh) * | 2020-05-09 | 2021-11-09 | 北京奇虎科技有限公司 | 基于移动操作的元素选取方法、设备、存储介质及装置 |
| CN112115782A (zh) * | 2020-08-12 | 2020-12-22 | 安徽心之声医疗科技有限公司 | 一种基于深度哈希神经网络的心电信号身份识别的方法 |
| CN115115038A (zh) * | 2022-08-30 | 2022-09-27 | 合肥心之声健康科技有限公司 | 一种基于单导联心电信号的模型构建方法及性别识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Chang, KC.A COMPARISON OF SIMILARITY MEASURES FOR CLUSTERING OF QRS COMPLEXES.《BIOMEDICAL ENGINEERING-APPLICATIONS BASIS COMMUNICATIONS》.2005,324-331. * |
| 王迪.鲁棒性心电信号身份识别算法研究.《中国优秀博士学位论文全文数据库》.2020,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117338309A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
| US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
| CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
| AU2005295313B2 (en) | Monitoring physiological activity using partial state space reconstruction | |
| CN110742585B (zh) | 基于bcg信号的睡眠分期方法 | |
| US20160256063A1 (en) | Analyte assessment and arrhythmia risk prediction using physiological electrical data | |
| US20100217144A1 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
| US20090112110A1 (en) | System for Cardiac Medical Condition Detection and Characterization | |
| CN110693483A (zh) | 一种动态心电图自动分析的方法 | |
| WO2022052300A1 (zh) | 一种基于深度学习的心电参数计算方法 | |
| EP3054841A1 (en) | An apparatus and method for evaluating multichannel ecg signals | |
| CN110151165A (zh) | 一种基于非线性动力学特征的心电向量图分类方法 | |
| Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
| Suresh et al. | End-to-end deep learning for reliable cardiac activity monitoring using seismocardiograms | |
| Hermawan et al. | Development of ECG signal interpretation software on Android 2.2 | |
| Zaidi et al. | Feature extraction and characterization of cardiovascular arrhythmia and normal sinus rhythm from ECG signals using LabVIEW | |
| Tanasković et al. | A new algorithm for fetal heart rate detection: Fractional order calculus approach | |
| CN117338309B (zh) | 一种身份识别方法及存储介质 | |
| Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
| Hegde et al. | A review on ECG signal processing and HRV analysis | |
| CN105769171A (zh) | 心律失常检测的方法及装置 | |
| Ittatirut et al. | Detection of Premature Ventricular Contraction for real-time applications | |
| Deotale et al. | Identification of arrhythmia using ECG signal patterns | |
| Raj | A real-time ECG-processing platform for telemedicine applications | |
| Dharma et al. | Development and Evaluation of a Portable ECG Monitoring System for Automated Classification of Normal and Abnormal ECG Signal Using Random Forest with XGBoost |
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 |