[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

说明书

技术领域：

本发明涉及一种基于心电信号的动态自更新样本的身份识别方法，属于生物特征身份识别技术领域，主要适用于通过采集个人心电信号来识别及验证个人的身份信息。

背景技术：

心电信号(Electrocardiogram，ECG)有着以下的优点：

1.任何人都有心电，具有普遍性；

2.心电是人的心脏跳动产生的生物电势，来自于人的心脏，不易被轻易仿制，与指纹和人脸等相比，具备高安全性；

3.心电信号因人而异，不同的心脏位置、大小、形状、胸部构造、年龄、性别、体重等因素造成了心电信号的差异，心电信号具有唯一性的特点；

4.心电信号可以通过体表电极方便的采集，具有可采集性；

5.在较长时间内，同一个人的心电信号往往十分相似，心电信号具有稳定性。

综上所述，心电信号具有惟一的、显著的生物特征，因此，心电信号可以作为一种生物特征，用来识别人的身份。使用心电信号进行身份识别，除上述特点之外还具有以下优点：心电信号是一维信号，处理简单，数据量小，节省存储空间；心电信号的异常诊断领域研究多年，去噪、滤波、QRS波定位等均有成熟的算法。

目前心电身份识别算法分为基于基点检测的特征提取方法和非基点检测的特征提取方法。其中，较为常见的为基于多基点检测的特征提取方法。基于多基点检测的特征提取方法是通过提取P、R、T波振幅和PR、QRS、QT、ST间期及P波间期等作为身份识别的样本数据，计算繁琐复杂、不易操作。真实心电信号在基点处也可能存在着多个极点，特征提取的精度也受传感器噪声的影响。因此，基点检测困难，算法准确度受到很大限制。

此外，虽然心电信号在较长时间内具有稳定性，但当时间跨度较大时，同一个人的心电信号模式并非一成不变的：由于体质变化、健康状况或年龄变化等因素，心电信号可能会发生一定的微小变化。随着时间跨度的不断增加，微小变化得到累积，原有的样本库中的样本不能很好地代表用户的心电模式。为了保证心电信号身份识别系统能够长期正常运作，当个体心电信号模式在长时间内逐渐变化时，有必要对系统的样本库和决策模型进行更新。而目前的心电身份识别算法中，均需要人为的重新采样及重新训练决策模型，操作繁琐。

发明内容：

本发明的目的在于提供一种基于心电信号的动态自更新样本的身份识别方法，可以通过采集用户的心电数据进行身份识别及验证，同样也适用于其他生理信号身份识别的类似应用中。

本发明使用的相关理论包括：心电数据前期处理、离散余弦变换、随机森林的应用。

本发明提出的基于心电信号的动态自更新样本的身份识别方法主要包括四个模块：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。其中，训练学习阶段包括心电信号预处理及特征向量提取模块和训练学习模块，该阶段将所有用户个人的心电数据进行处理，提取出心电信号特征向量存入样本库，并生成随机森林模型；匹配识别阶段包括心电信号预处理及特征向量提取模块和匹配识别模块，在该阶段中输入待识别用户个人的心电数据，将提取的心电信号特征向量通过两层决策分类器，得到识别结果；样本评估更新阶段包括样本评估更新模块，该阶段将成功识别的样本暂存于另一样本库，并定期进行样本的评估，以更有效地代表用户的样本替换失效的旧样本，更新样本库，并重新训练随机森林模型，以保证身份识别算法在长期能正常有效地运作。

本发明提出的基于心电信号的动态自更新样本的身份识别方法在应用上分为三个阶段：

1训练学习阶段：

1.1心电数据采集。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，并记录样本的采集时间。

1.2心电信号预处理及特征向量提取。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。

1.3心电信号样本库的建立。将变换后的特征向量与用户个人一一对应，存入数据库。

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匹配识别阶段：

2.1心电数据采集。对待识别用户个人采集心电数据。

2.2心电信号预处理及特征向量提取。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。

2.3心电信号匹配识别。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。