[发明专利]一种基于心音多维特征提取的身份识别算法及其系统

说明书

本发明公开了一种基于心音多维特征提取的身份识别算法及其系统，其方法包括：利用传感器采集心音信号，将采集到的心音信号通过先通过滤波器处理，再通过离散小波变换处理，得到较为纯净的信号；通过计算机提取心音信号的梅尔频率倒谱系数和希尔伯特边际谱；提取并组成模版特征；将模版特征归一化并使用PCA算法进行特征选择，构造更完善维度低的模版特征空间；使用KNN算法对训练特征训练；使用构造好的分类器测试待测试的测试特征。本发明将模式识别引入身份匹配算法当中，利用计算机自身学习能力和快速的运算能力，采用大量数据进行训练匹配，进一步提高了识别速度和精确度。

技术领域

本发明涉及属于身份识别领域，特别涉及一种基于心跳声音进行身份识别的算法及其系统。

背景技术

近年来，人们越来越强调个人信息安全的重要性，但是黑客攻击和系统漏洞使传统的身份认证系统(如静态密码，手机口令等)面临着巨大的挑战。现有的生物认证技术(如：指纹认证，语音认证)因为其易窃取，易复制的特性，无法满足人们对信息安全的需求。心脏是人体内部中独一无二的器官，其窃取和复制的难度高。而心脏所产生的信号与每个人的心脏生理结构有密切的关系，不同的人拥有不同的心音，这为心音认证提供了可能。

心音除了与每个人生理结构有关，还与运动、疾病有着很大的关系。因而选取有效的特征，剥离开与个人生理结构无关的信息，是心音认证的关键所在。因此，需要开发一种快速，有效的特征提取和识别方案，可以精确的区分不同人的心音。这一需求推动了心音的生理特征和分类识别方法的研究。

国内外研究学者主要通过数字信号处理技术提取与心脏的生理结构有关的特征参数,利用模式识别方法训练分类器,以实现自动识别不同心音的目的。例如，2007年Beritelli等人，使用了stft作为特征，并使用欧式距离作为模式识别方法。2010年，Jasper使用能量峰值，同样也使用了欧式距离作为识别方法。2001年科罗拉多大学健康科学中心儿童医院的CG.DeGroff等首先在69例有心脏杂音的儿童中验证了人工神经网络在生理性和病理性杂音分类识别中的有效性。这些研究成果开阔了心音认证的研究思路,但是这些方法都使用了单一的特征作为识别特征，不利于认证识别率的提高。而某些特征的维度还很高，不利于计算机的快速计算。

发明内容

为了克服现有技术中存在的使用单一的特征作为识别特征，不利于认证识别率的提高，而某些特征的维度还很高，不利于计算机的快速计算的问题，本发明提供一种多特征综合、分类识别效率更高、运算速度更快的基于心音多维特征提取的身份识别算法。

为实现上述目的，本发明采用的技术方案为：

一种基于心音多维特征提取的身份识别算法，包括以下步骤：

(1)利用传感器采集心音信号，将采集到的心音信号通过先通过滤波器处理，再通过离散小波变换处理，得到较为纯净的信号；

采集到的心音通常含有背景噪声，而心音信号频率较低，主要集中在50-100HZ，因而使用一个低通滤波器可以滤除一部分高频噪声。步骤(1)中选择截止频率为150HZ的FIR滤波器初步过滤噪声；滤波后的心音仍然还有一些噪声，步骤(1)中采用离散小波变换处理。

离散小波变换对小波变换中的尺度参数按幂级数进行离散化处理，对时间进行均匀离散取值(采样频率满足奈奎斯特采样定理)，将信号变换为在频域上不同能量大小的组合，其中变换系数决定了信号在该频率上的大小。通过离散小波变换，可以将信号和噪声在频率上区分开；通过设置能量门限，将噪声的变换系数减少，消除噪声分量。然后通过离散小波变换逆变换(IDWT)重构信号，从而达到去噪的目的。通过经验选取多贝西小波作为母波函数，其阶数为5，将信号分解为6阶。

(2)通过计算机提取心音信号的梅尔频率倒谱系数(MFCC)和希尔伯特边际谱(HHT)；