一種基於心電信號的身份識別方法及裝置與流程

2023-08-13 08:29:21 1

本發明涉及生物信息技術領域，尤其涉及一種基於心電信號的身份識別方法及裝置，適用於醫療管理、安全門禁和金融保密等多種應用情景。

背景技術：

隨著網際網路熱潮的衝擊，信息技術的快速發展，人們對信息安全以及財產安全的重視不斷提高，而身份識別又是信息安全最重要的環節。雖然與傳統的識別方式相比，生物特徵識別技術有著更好的安全便捷性；但是現有的生物識別技術如指紋識別，虹膜識別等也存在一些缺陷。因此，我們需要一種安全性增強，滿足生物識別各類指標的識別技術。基於心電信號的身份識別技術符合這一特性。心電信號(electrocardiogram，ecg)是我們人體最常見的生理信號，是由人體心臟產生的微弱電壓規律信號，反映了我們的心臟健康水平。心電信號是人體生來就攜帶的信號，伴隨著人的一生，蘊含了很多有用的生物信息，不僅僅是臨床診斷工具，且每個人的心臟構造不一樣，所產生的信號具有差異，每個人的信號都是獨一無二的。個體間心電信號存在的差異性為心電信號的特徵提取和辨識提供了理論基礎。除非心臟出現重大衰竭，一般情況下，一個人的心電信號的形態特性在標準化後變化不大。醫院存在大量的心電採集儀器，應用市場上也有很多移動便捷式的智能採集設備，完全可以實現自主採集，因此心電信號信號符合身份識別的規定指標，而且它還有如下優勢：無法竊取，不會丟失，計算量小，採集成本低。

心電信號身份識別的研究越來越受到國內外的重視。例如公布號為cn104545890a的發明專利公開了一種基於心電信號的身份識別方法。首先，該方法通過指定的心電信號特徵向量生成方法獲取註冊心電信號的特徵向量和待識別心電信號的特徵向量。然後，該方法比對取註冊心電信號的特徵向量和待識別心電信號的特徵向量的r點方式，進行身份識別。

上述技術方案採用最少特徵點提取方式具有操作簡單和運算量低，且有一定的準確性。但是該技術方案對特徵點選取的依賴度較高，很難充分利用信號的個體差異，導致了許多有用的信息被拋棄。這將限制特徵類型的選擇，不利於分類。具體地，分類識別算法的準確率依賴於特徵點，使其適應性及穩定性都比較差。對於分類模型，常用的有knn，svm，lib-liner，樸素貝葉斯等，都是經典的有監督學習模型。但相比神經網絡，這些算法的適應性及穩定性都比較差。比如knn對類別的評分不是規則化的，樣本不平衡時容易發生類別偏移；svm雖然性能良好，但對缺失數據敏感，對核函數的選擇需要謹慎。

技術實現要素：

本發明的目的是解決現有技術中存在分類器訓練時間長和分類效果不穩定的不足，提供一種新的基於pca-rprop的特徵提取分類算法的心電信號身份識別算法。在基於單獨r點定位提取完整波形的基礎上，先進行白化操作消除心電信號樣本數據集之間的相關性，利用pca提取心電信號樣本數據集的主特徵，從而將多維特徵轉化為低維特徵。另外pca白化之後的主特徵相比於心電信號樣本數據集，區分度較大，對身份識別有著更好的優勢。採用神經網絡代替傳統的有監督分類器，並採用rprop算法對神經網絡的梯度進行底層優化，使其收斂性能提升。本方法特徵提取簡單，無需過多的依賴定位，且能最大化資源利用率；相比於傳統bp網絡、svm和knn等分類器，本方法的分類器優化結果顯著，有效提高了身份識別的訓練速度和精度。進一步地，結合pca白化特徵和rprop算法提高神經網絡的分類效率，使得內存資源消耗大大降低，識別速度和準確率都能得到有效提升。

為了實現上述目的，本發明提出一種基於心電信號的身份識別方法，包括步驟如下：

a、獲取包括了用戶的多個周期的心拍數據的心電信號樣本數據集，並將該心電信號樣本數據集分割為多個單周期心拍數據；

b、根據該多個單周期心拍數據，去除該單周期心拍數據的相關性；

c、根據該去除了相關性的單周期心拍數據，提取該去除了相關性的單周期心拍數據特徵的主特徵；

d、根據該主特徵，採用基於rprop算法建立並訓練神經網絡分類器；

f、利用已訓練的該神經網絡分類器對輸入的心電信號數據進行識別，識別對應該輸入的心電信號數據的用戶身份。

進一步地，該步驟a還包括去除心電信號樣本數據集的噪音幹擾方法，其包括如下子步驟：

a101、使用中值濾波器過濾該心電信號樣本數據集，得到該心電信號樣本數據集的基線，並根據該基線獲取去除基線漂移的該心電信號樣本數據集；

a102、使用bior2.6小波將該去除基線漂移的心電信號樣本數據集進行8層小波分解以得到分解的該心電信號樣本數據集；

a103、將該分解的心電信號樣本數據集的1和2層的細節係數置零，以去除高頻幹擾；

a104、將該分解的心電信號樣本數據集的8層的細節係數置零，以去除低頻幹擾，從而獲得去除幹擾的該心電信號樣本數據集；

a105、小波重構該去除幹擾的心電信號樣本數據集，從而獲取該去噪的心電信號樣本數據集。

進一步地，該步驟a的單周期心拍數據定位方法步驟如下：

a201、對該去噪的心電信號樣本數據集進行r點定位，以獲得該去噪的心電信號樣本數據集的r點集；

a202、以該r點集為基準，採用向前和向後截取固定的點數組合成包含固定點數的單周期心拍的方式劃分r點間期，將該去噪的心電信號樣本數據集分割為多個該單周期心拍數據。

進一步地，該步驟a的單周期心拍數據定位方法步驟如下：

a201、對該去噪的心電信號樣本數據集進行r點定位，以獲得該去噪的心電信號樣本數據集的r點集；

a202、利用重採樣類型方法將該去噪的心電信號樣本數據集分割為多個採樣點數固定的單周期心拍數據。

進一步地，該步驟b採用白化方式去除多個單周期心拍數據的相關性，且包含如下子步驟：

b101、將該多個單周期心拍數據x∈rm×n代入計算得到協方差矩陣，其中m表示數據數量，n表示心拍維數；

b102、根據該協方差矩陣進行奇異值分解，得到[u,s,v]＝svd(∑)，其中u是特徵向量矩陣，s是特徵值矩陣，v＝u'；

b103、利用公式計算得到該多個單周期心拍數據去除相關性後的單周期心拍數據。

進一步地，該步驟c採用pca算法提取該多個單周期心拍數據主特徵，且包含如下子步驟：

c101、將該多個單周期心拍數據代入計算得到標準化矩陣，其中m表示數據數量，n表示心拍維數，i＝1、2、...、n，j＝1、2、...、m，表示均值，表示標準差；

c102、將該標準化矩陣代入計算得到相關係數矩陣及該相關係數矩陣的m個特徵值λj，其中，j＝1、2、...、m；

c103、將該m個特徵值按數值從大到小排列，並挑選出大於m個特徵值總和90％的前k個特徵值λj，並分別解方程組rd＝λjd得到相應的單位特徵向量其中j＝1、2、...、k；

c104、將該單位特徵向量代入公式以提取該多個單周期心拍數據的k個主特徵yj，其中i＝1、2、...、k。

進一步地，該步驟d採用基於rprop算法訓練該神經網絡分類器，且包含如下子步驟：

d101、設置該神經網絡分類器的各層神經元數目，其中i，j，k分別表示輸入層，隱藏層，輸出層的神經元數目；

d102、初始化該神經網絡分類器的權值更新項變速因子υ以及上下閾值δmin，δmax；

d103、計算該神經網絡分類器的實際輸出與期望輸出的誤差e；

d104、判斷該誤差e與該神經網絡分類器的權值wji的梯度符號是否改變，若該梯度符號等於0，該權值更新項不變化；若該梯度符號大於0，按照公式計算新的該權值更新項；若該梯度符號小於0，按照公式計算新的該權值更新項；

d105、根據公式計算該神經網絡分類器的該權值；

d106、重複步驟d105以訓練該神經網絡分類器，並判斷該誤差e是否達到了設定的指標要求，如果該誤差e未達到設定的指標要求，則轉回步驟d103；如果該誤差e達到設定的指標要求，則結束訓練，保存訓練模板，記錄訓練時間。

本發明還公開了一種基於心電信號的身份識別裝置，其特徵在於，該裝置包括：

預處理模塊，用於去除該心電信號樣本數據集噪聲幹擾，以獲得去噪的心電信號樣本數據集；

分割模塊，用於定位該去噪的心電信號樣本數據集的單周期心拍數據，以將該去噪的心電信號樣本數據集分割為多個單周期心拍數據；

特徵處理模塊，用於該去除了相關性的單周期心拍數據，提取該去除了相關性的心拍數據特徵的主特徵；

神經網絡分類模塊，根據該主特徵，採用基於rprop算法建立並訓練神經網絡分類器；

識別模塊，基於該神經網絡分類模塊，對註冊資料庫和識別資料庫進行一一比對，識別對應該輸入的心電信號數據的用戶身份。

本發明的有益效果為：基於pca算法的心電信號的特徵提取簡單，且最大限度保全原有信號數據的有用信息，從而降低分類識別算法對特徵提取的依賴性。另外，基於rprop算法訓練神經網絡分類器的方法能快速得到滿足實際應用精度要求和穩定性的分類器。

附圖說明

圖1所示為根據本發明實施例提供的一種基於心電信號的身份識別方法的流程示意圖；

圖2所示為根據本發明實施例提供的一種去除噪音幹擾的方法的流程示意圖；

圖3所示為根據本發明實施例提供的一種定位心拍單周期的方法的流程示意圖；

圖4所示為根據本發明實施例提供的一種去除多個單周期心拍數據的相關性的流程示意圖；

圖5所示為根據本發明實施例提供的一種提取所述多個單周期心拍數據主特徵的流程示意圖；

圖6所示為根據本發明實施例提供的一種基於rprop算法訓練所述神經網絡分類器的流程示意圖；

圖7所示為根據本發明實施例提供的一種神經網絡分類器結構圖；

圖8所示為根據本發明實施例提供的一種基於心電信號的身份識別裝置的數據流向圖。

具體實施方式

以下將結合實施例和附圖對本發明的構思、具體結構及產生的技術效果進行清楚、完整的描述，以充分地理解本發明的目的、方案和效果。需要說明的是，在不衝突的情況下，本申請中的實施例及實施例中的特徵可以相互組合。附圖中各處使用的相同的附圖標記指示相同或相似的部分。

圖1所示為根據本發明實施例提供的一種基於心電信號的身份識別方法的流程示意圖。結合圖1，所述實施例中基於心電信號的身份識別方法的步驟如下：

s100，獲取包括了用戶的多個周期的心拍數據的心電信號樣本數據集，並將所述心電信號樣本數據集分割為多個單周期心拍數據。具體地，該步驟中包含去除所述心電信號樣本數據集噪聲幹擾、定位所述去噪的心電信號樣本數據集的單周期心拍數據，將所述去噪的心電信號樣本數據集分割為多個單周期心拍數據等預處理子步驟。

s200，根據所述多個單周期心拍數據，去除所述單周期心拍數據的相關性。

s300，根據所述去除了相關性的單周期心拍數據，提取所述去除了相關性的單周期心拍數據特徵的主特徵。

s400，根據所述主特徵，採用基於rprop算法建立並訓練神經網絡分類器。

s500，利用已訓練的所述神經網絡分類器對輸入的心電信號數據進行識別，識別對應所述輸入的心電信號數據的用戶身份。

進一步地，圖2所示為根據本發明實施例提供的一種去除噪音幹擾的方法的流程示意圖。本發明實施例針對圖1中的步驟s100中所包含的去除所述心電信號樣本數據集噪聲幹擾的子步驟進行詳細說明。該方法包括如下子步驟：

s121，使用中值濾波器濾除所述心電信號樣本數據集的基線漂移。具體地，中值濾波器得到所述心電信號樣本數據集的基線。所述心電信號樣本數據集根據所述基線以獲取去除基線漂移的所述心電信號樣本數據集。該步驟濾除由電極和人體接觸縫隙以及人體環境的幹擾產生的信號背景噪音。

s122，使用bior2.6小波將所述去除基線漂移的心電信號樣本數據集進行8層小波分解，得到分解的所述心電信號樣本數據集。

s123，將所述分解的心電信號樣本數據集的1和2層的細節係數置零，以去除採集儀器的等電源頻率產生的高頻幹擾噪音。

s124，將所述分解的心電信號樣本數據集的8層的細節係數置零，以去除人體肌肉顫動所產生的低頻幹擾噪音。至此，原始的心電信號樣本數據集噪音已經去除完畢。

s125，小波重構所述去除幹擾的心電信號樣本數據集，從而獲取所述去噪的心電信號樣本數據集。

進一步地，圖3所示為根據本發明實施例提供的一種定位心拍單周期的方法的流程示意圖。本發明實施例針對圖1中的步驟s100中所包含的定位所述去噪的心電信號樣本數據集的心拍單周期的子步驟進行詳細說明。該方法包括如下子步驟：

s131，對所述去噪的心電信號樣本數據集進行r點定位，以獲得所述去噪的心電信號樣本數據集的r點集。在一個優選的實施例中，r點通過下述子步驟定位：

(1)採用基於二進樣條4層小波對所述心電信號樣本數據集進行小波變換，並提取3層細節係數；

(2)所述3層細節係數中出現與所述變換前心電信號樣本數據集對應位置出現漂移現象時，對相應位置點數補償；

(3)根據所述3層細節係數，利用極大極小值方法定位r點；

(4)計算相鄰r點的平均距離；

(5)當相鄰r點的距離小於所述平均距離的一半時，去除值小的r點；

(6)當相鄰r點的距離大於所述平均距離的1.5倍時，將兩個相鄰r點之間的最大極值點定位為r點。

s132，以所述r點集為基準，將所述去噪的心電信號樣本數據集分割為多個所述單周期心拍數據。

在一個優選的實施例中，s132採用向前和向後截取固定的點數，以組合成包含固定點數的單周期心拍數據的方式劃分r點間期。具體地，r點前後各截取相同的點數，然後拼接相鄰兩波形來獲得一個完整的心跳波形，標準化其採樣。

在另一個優選的實施例中，s132基於r點的分割方式是利用重採樣類型方法，將所述去噪的心電信號樣本數據集實分割為多個採樣點數固定的所述單周期心拍數據。具體地，所述的重採樣類型方法可以是用二元採樣，二元插值，採用多相濾波器或chebysheviir型低通濾波器實施該重採樣步驟；但是必須滿足本步驟的參數限定條件：重採樣的採樣點數固定，重採樣成功的標誌為處理後的信號與原信號波形一致，且長度固定。

在一個優選的實施例中，步驟s100所生成的多個所述單周期心拍數據之間具有時序相關性。參考圖4所示的去除多個單周期心拍數據的相關性的流程示意圖，多個所述單周期心拍數據的去除相關性方法包含如下子步驟：

s201、將所述多個單周期心拍數據x∈rm×n代入計算得到協方差矩陣，其中m表示數據數量，n表示心拍維數；

s202、根據所述協方差矩陣進行奇異值分解，得到[u,s,v]＝svd(∑)，其中u是特徵向量矩陣，s是特徵值矩陣，v＝u'；

s203、利用公式計算所述多個單周期心拍數去除相關性後的單周期心拍數據。

進一步地，由於所述特徵值矩陣內的特徵值可能接近於零而產生剛性問題，使得計算過程中出現數據上溢或造成數值不穩定的情況。為此，所述特徵值矩陣將加上一個很小的常數，防止對計算造成影響。

所述多個去除相關性的單周期心拍數據通過降維的方式提取心拍數據的最主要特徵，作為所述單周期心拍數據的主特徵，以減輕後續分類系統運算的工作量。參考圖5所示的提取所述多個單周期心拍數據主特徵的流程示意圖，在一個優選的實施例中，所述多個去除相關性的單周期心拍數據通過pca方法減少維數，使得在減少特徵維數的同時，保持所述心電信號樣本數據集中最重要的特徵。具體地，pca算法提取所述多個單周期心拍數據主特徵包含如下子步驟：

s301、將所述多個單周期心拍數據代入計算得到標準化矩陣，其中m表示數據數量，n表示心拍維數，i＝1、2、...、n，j＝1、2、...、m，表示均值，表示標準差；

s302、將所述標準化矩陣代入計算得到相關係數矩陣及所述相關係數矩陣的m個特徵值λj，其中，j＝1、2、...、m；

s303、將所述m個特徵值按數值從大到小排列，並挑選出大於m個特徵值總和90％的前k個特徵值λj，並分別解方程組rd＝λjd得到相應的單位特徵向量其中i＝1、2、...、k；

s304、將該單位特徵向量代入公式以提取該多個單周期心拍數據的k個主特徵yj，其中i＝1、2、...、k。

在一個優選的實施例中，步驟s400建立並訓練神經網絡分類器時，採用prpop算法加速神經網絡分類器的訓練速度，以避免傳統的依據梯度的大小改變神經網絡權值的方法，如梯度下降法和lm(levenberg-marquardt)法帶來的計算複雜度不穩定，收斂速度慢及陷入局部極小值等問題。參照圖6所示的根據本發明實施例提供的一種基於rprop算法訓練所述神經網絡分類器的流程示意圖。具體地，基於prpop算法訓練所述神經網絡分類器的方法包含如下子步驟：

s401、設置所述神經網絡分類器的各層神經元數目，其中i，j，k分別表示輸入層，隱藏層，輸出層的神經元數目；

s402、初始化所述神經網絡分類器的權值更新項變速因子υ以及上下閾值δmin，δmax；

s403、計算所述神經網絡分類器的實際輸出與期望輸出的誤差e；

s404、判斷所述誤差e與所述神經網絡分類器的權值wji的梯度符號是否改變，若所述梯度符號等於0，所述權值更新項不變化；若所述梯度符號大於0，按照公式計算新的所述權值更新項；若所述梯度符號小於0，按照公式計算新的所述權值更新項；

s405、根據公式計算所述神經網絡分類器的所述權值；

s406、重複步驟s405以訓練所述神經網絡分類器，並判斷所述誤差e是否達到了設定的指標要求，如果所述誤差e未達到設定的指標要求，則轉回步驟s403；如果所述誤差e達到設定的指標要求，則結束訓練，保存訓練模板，記錄訓練時間。

已訓練完畢的神經網絡分類器接收輸入的心拍數據，並對註冊的心電信號數據一一進行比對後，識別對應該輸入的心電信號數據的用戶身份。

最後，訓練所得的所述神經網絡分類器結構如圖7所示。

圖8所示為根據本發明實施例提供的一種基於心電信號的身份識別裝置的數據流向圖。本發明所公開的一種基於心電信號的身份識別裝置包括：

預處理模塊，用於去除所述心電信號樣本數據集噪聲幹擾，以獲得去噪的心電信號樣本數據集；

分割模塊，用於定位所述去噪的心電信號樣本數據集的單周期心拍數據，以將所述去噪的心電信號樣本數據集分割為多個單周期心拍數據；

特徵處理模塊，用於所述去除了相關性的單周期心拍數據，提取所述去除了相關性的單周期心拍數據特徵的主特徵；

神經網絡分類模塊，根據所述主特徵，採用基於rprop算法建立並訓練神經網絡分類器；

識別模塊，基於所述神經網絡分類模塊，對註冊資料庫和識別資料庫進行一一比對，識別對應該輸入的心電信號數據的用戶身份。

在本實施例中，包括了用戶的多個周期的心拍數據的心電信號樣本數據集輸入到預處理模塊進行去除噪音的操作，去除所述心電信號樣本數據集噪聲幹擾，以獲得去噪的心電信號樣本數據集，並將去除噪音後的心電信號樣本數據集傳給分割模塊。分割模塊接收到預處理模塊傳送的所述去噪的心電信號樣本數據集後，通過提取所述去噪的心電信號樣本數據集的r點集，定位所述去噪的心電信號樣本數據集的單周期心拍數據，以將所述去噪的心電信號樣本數據集分割為多個單周期心拍數據。分割後的所述多個單周期心拍數據被傳送到特徵處理模塊。特徵處理模塊得到所述多個單周期心拍數據後，由於心拍間具有時序相關性，採用白化技術去除所述單周期心拍數據的關聯度並採用pca方法提取所述多個單周期心拍數據的主特徵，在保留原始心電信號樣本數據集的信息同時，去掉信息間的冗餘，既減小了數據量，又突出了心電信號樣本數據集的主要特徵，這些主要特徵成分往往能夠保留住數據的最重要方面，大大減少後續模塊的運算量。神經網絡分類模塊接收到所述多個單周期心拍數據的主特徵後，利用rprop算法訓練神經網絡分類模塊的神經網絡分類器。識別模塊基於所述神經網絡分類模塊，對註冊資料庫和識別資料庫進行一一比對，識別對應該輸入的心電信號數據的用戶身份。

儘管本發明的描述已經相當詳盡且特別對幾個所述實施例進行了描述，但其並非旨在局限於任何這些細節或實施例或任何特殊實施例，而是應當將其視作是通過參考所附權利要求考慮到現有技術為這些權利要求提供廣義的可能性解釋，從而有效地涵蓋本發明的預定範圍。此外，上文以發明人可預見的實施例對本發明進行描述，其目的是為了提供有用的描述，而那些目前尚未預見的對本發明的非實質性改動仍可代表本發明的等效改動。