[发明专利]一种基于心电信号动态自更新样本的身份识别方法

权利要求书

1.一种基于心电信号的动态自更新样本的身份识别方法，其特征在于：利用个人心电信号的R波位置分割出心搏周期信号，通过离散余弦变换提取心电特征向量，使用一个两层决策分类器进行个人身份识别，判断输入的个人心电信号的所属个人身份，并根据成功识别的样本进行反馈，定期更新样本库，保证算法在长期时间能正常有效地运作。算法包括了四个模块：预处理及特征向量提取模块、训练学习模块、匹配识别模块、样本评估更新模块。

2.根据权利要求1所述的一种基于心电信号的动态自更新样本的身份识别方法，其特征在于：算法主要包括以下三个阶段：

2.1训练学习阶段：

2.1.1对每个用户个人在不同时间采集多段具有一定时长的心电数据。

2.1.2对所有输入的个人心电数据进行预处理及周期分割。对处理后的数据进行离散余弦变换(DCT变换)，提取特征向量。

2.1.3将变换后的特征向量与用户个人一一对应，存入数据库。

2.1.4使用两层决策分类器(随机森林-最近邻分类器)对数据进行第一层随机森林决策层的训练学习。

2.2匹配识别阶段：

2.2.1对待识别用户个人采集心电数据。

2.2.2对输入的个人心电数据进行预处理及周期分割。对处理后的信号进行离散余弦变换(DCT变换)，提取特征向量。

2.2.3将提取后的特征向量使用两层决策分类器(随机森林-最近邻分类器)，得到决策结果。

2.3样本评估更新阶段：

2.3.1对成功识别的样本，将其保存在近期识别成功样本库中。

2.3.2评估原心电信号样本库的样本是否仍能有效地代表用户的心电信号模式。若存在偏离度较高的样本，则在近期识别成功样本库中寻找最优样本进行替换。完成心电信号样本库的更新，并重新训练随机森林模型。

3.根据权利要求1、2所述的一种基于心电信号的动态自更新样本的身份识别方法，其特征在于：所述的预处理及特征向量提取模块包括以下步骤：

3.1对心电数据进行滤波。

3.2定位R波位置，以相邻的R波位置进行分割，提取得到多个完整的周期信号。

3.3对分割后的心搏周期信号进行时间轴上的规范化和电压轴上的规范化。

3.3.1时间轴上的规范化：将心搏周期时间规范为固定时间，即将每个周期信号采样点规范为相同个数；

3.3.2电压轴上的规范化：首先提取信号幅值的中位数，将信号的每个采样值均减去中位数，以对齐零电平。

3.4特征向量提取。

3.4.1对预处理后的心电信号序列进行DCT变换；

3.4.2保留前K个DCT变换参数组成特征向量并输出。

4.根据权利要求1、2所述的一种基于心电信号的动态自更新样本的身份识别方法，其特征在于：所述的两层决策分类器结构及作用为：第一层决策层将预选范围大大减小，保证匹配的速度，同时保证一定的准确度；第二层决策层根据第一层决策层的决策结果进行分情况讨论，输出最后识别身份，进一步提高准确度。

5.根据权利要求1、2、4所述的一种基于心电信号的动态自更新样本的身份识别方法，其特征在于：所述的两层决策分类器在进行匹配识别的步骤为：

5.1随机森林决策层决策。将待识别特征向量经已训练好的随机森林模型进行决策，得到第一层决策层的决策置信度Confidence数组。

5.2最近邻决策层决策。根据第一层的决策结果置信度Confidence数组内的分布，选择具有较大置信度的类别，根据其置信度的大小进行讨论，决定是否需进一步使用最近邻决策。并输出最终身份识别决策结果。