[发明专利]基于心电信号的身份认证/识别方法及设备

权利要求书

1.一种基于心电信号的身份认证方法，其特征在于，包括心电注册和心电认证，

所述心电注册包括如下步骤：

S11.心电信号采集模块采集用户的心电信号；

S12.预处理模块对采集的心电信号进行预处理；

S13.心电质量评估模块对预处理的信号进行心电质量评估，满足要求则进入下一步骤，不满足则重新采集心电信号；

S14.特征提取模块对预处理后的心电信号进行特征提取，生成特征模板；

S15.最优特征模板评估模块从生成的特征模板中选择和评估出心电最优特征模板；

S16.认证阈值训练模块从心电最优特征模板中获取最佳阈值，完成用户的心电注册；若注册失败则返回步骤S11进行重新注册；

所述心电认证包括如下步骤：

S21.心电信号采集模块采集用户的心电信号；

S22.预处理模块对采集的心电信号进行预处理；

S23.心电质量评估模块对预处理的信号进行心电质量评估，满足要求则进入下一步骤，不满足则重新采集心电信号；

S24.特征提取模块对预处理后的心电信号进行特征提取，生成特征模板；

S25.心电身份认证模块将生成的特征模板与所述步骤S15中的心电最优特征模板进行特征比对，并根据所述步骤S16中的最佳阈值完成认证；

所述步骤S14和S24中的特征提取包括：

在心电信号中检测R波位置，截取QT波，采用自相关变换算法获取心电自相关序列，然后将获取的心电自相关序列通过正交多项式拟合回归进行降维，生成特征模板；所述自相关变换算法的公式为：

其中，x[i]表示心电序列，N表示心电序列的长度，x[i+m]表示对心电序列平移m个序列后的心电序列，m＝0,1，2，...，M-1，MN，R_xx[m]表示心电信号自相关序列，R_xx[0]表示心电序列的能量；

所述通过正交多项式拟合回归进行降维生成特征模板是通过用多项式近似表示心电自相关序列，得出用特征模板表示的所述心电自相关序列；

所述多项式为：a₀+a₁f₁(x_i)+a₂f₂(x_i)+...+a_kf_k(x_i)＝A^TF_i≈R_xx[i]，

其中A表示特征模板，所述多项式中A＝(a₀,a₁,a₂,...,a_k)^T,F_i＝(1,f₁(x_i),f₂(x_i),...,f_k(x_i))^T，i＝0,1,2,3,...,M-1；其中1,f₁(x_i),f₂(x_i),...,f_k(x_i)分别是x的0次，1次，2次,...，k次正交多项式，其中即f为心电信号的采样频率；

特征模板的计算公式为：

其中，λ,α∈(0,1)，λ和α为正则化系数，p≠i＝0,1,2,...,M-1，J_(A,F)为求解后的向量A和F，F＝(F₁,F₂,...,F_M-1)，得到的特征模板为A＝(a₀,a₁,a₂,...,a_k)^T，kM，采取n个模板生成n个特征模板A₁,A₂,...,A_n，10≤n≤20；

或在心电信号中检测R波位置，截取QT波，采用用于稀疏表示的区分字典学习算法生成稀疏特征，形成特征模板；所述用于稀疏表示的区分字典学习算法包括：

其中，J_(D,C)是求解后的字典D和稀疏特征C，Verif(X_i,X_j,D,C_i,C_j)是特征区分属性，θ为稀疏程度系数，α为正则化系数，θ和α取值范围都为0到1之间，I为单位矩阵；

X_i与X_j分别表示第i个和第j个QT波，C_i和C_j分别表示与X_i和X_j相对应的稀疏特征；其中，i≠j；

其中，dm是设定的不同类之间的最小距离，label(X_i)表示X_i的类别编号；

s.t.||d_j||＝1,1≤j≤l，其中，X＝(X₁,X₂,...,X_n)表示n个QT波；

D＝(d₁,d₂,...,d_l)表示字典的维数，l为大于1的任意数值；表示稀疏特征；

或检测心电信号中的各个基准点以提取出准周期性的心搏信号作为原始心电特征，对心搏进行分段波形矫正后，再特征提取和特征重组作为最终心电特征，生成特征模板；所述各个基准点包括心搏的P波起点、P波终点，R波峰，J波起点、T波峰和T波终点，并通过以下方式进行基准点检测及波形分段：心电信号通过小波变换方式确定心搏的R波的位置，或以心电信号的二阶差分信号的极小值确定心搏的R波的粗略位置，再确定在R波的粗略位置处的一阶差分信号最接近于零的那个点，据此定位R波峰的位置；以距离各R波峰左侧160-180毫秒范围内的一处为P波起点；以距离各R波峰左侧80-100毫秒范围内的一处为P波终点；以距离各R波峰右侧80-100毫秒范围内的一处为J波起点；以各R波峰右侧一段区域内的最大值处为T波峰，该段区域从J波起点开始到2/3个当前RR间期处截止；以T波峰右侧一阶差分信号首次由负到正的位置处为T波终点；

所述分段波形矫正的步骤为：对心搏信号进行分段重采样，其中对各P波段进行上采样，经过上采样后延长P波段时长，使各P波段时长统一为460-500毫秒；对于各QRS波段时长保持不变；对于各T波段，分别对J～Tp段和Tp～Tp段进行下采样，使得各T波段重采样后的两小段各自时长统一为10-20毫秒；

波形矫正后的信号Xc，对Xc进行特征提取和特征重组，重组后特征Fc：

Fc＝λ₁×PCA(Xc)+λ₂×LDA(Xc)+λ₃×DCT(Xc)

其中，λ₁,λ₂,λ₃是特征重组系数，取值范围均为[0,1]，且满足λ₁+λ₂+λ₃＝1；PCA(Xc)是对波形矫正后的信号Xc进行PCA降维，LDA是对波形矫正后的信号Xc进行线性判别分析降维，DCT是对波形矫正后的信号Xc进行离散余弦变换；

或对心电信号进行片段提取得到多个特征片段，再根据全自动特征提取网络对获得的多个特征片段通过全自动提取训练模块的全自动特征提取层和全连接层进行训练，抽取训练后的全自动特征提取层作为特征提取器；根据所述多个特征提取器对心电信号进行特征提取，得到深度融合特征，形成特征模板；所述片段提取包括：确定心电信号上至少包括一个心电信息的窗口长度，根据确定好的窗口长度，从心电信号的任意位置截取对应长度的心电窗口，将所述心电窗口划分为多个定长的片段，得到多个所述特征片段；

所述全自动特征提取层包括多个卷积层和最大池化层；获得特征提取器的步骤包括：通过多个卷积层对特征片段进行并行卷积，得到多个向量值；多个所述向量值通过所述最大池化层生成深度融合特征；所述深度融合特征通过所述全连接层进行训练分类，输出分类判断结果，根据分类判断结果抽取所述全自动特征提取层作为所述特征提取器。

2.一种基于心电信号的身份识别方法，其特征在于，包括以下步骤：

A1.心电信号采集模块采集用户的心电信号；

A2.预处理模块对采集的心电信号进行预处理；

A3.心电质量评估模块对预处理的信号进行心电质量评估，满足要求则进入下一步骤，不满足则重新采集心电信号；

A4.特征提取模块对预处理后的心电信号进行特征提取；

A5.分类器进行训练；

A6.训练后的分类器对提取到的特征进行分类，输出身份识别结果；

所述步骤A4中的特征提取包括：

在心电信号中检测R波位置，截取QT波，采用自相关变换算法获取心电自相关序列，然后将获取的心电自相关序列通过正交多项式拟合回归进行降维以提取特征；所述自相关变换算法的公式为：

其中，x[i]表示心电序列，N表示心电序列的长度，x[i+m]表示对心电序列平移m个序列后的心电序列，m＝0,1，2，...，M-1，MN，R_xx[m]表示心电信号自相关序列，R_xx[0]表示心电序列的能量；

所述通过正交多项式拟合回归进行降维生成特征模板是通过用多项式近似表示心电自相关序列，得出用特征模板表示的所述心电自相关序列；

所述多项式为：a₀+a₁f₁(x_i)+a₂f₂(x_i)+...+a_kf_k(x_i)＝A^TF_i≈R_xx[i]，

其中A表示特征模板，所述多项式中A＝(a₀,a₁,a₂,...,a_k)^T,F_i＝(1,f₁(x_i),f₂(x_i),...,f_k(x_i))^T，i＝0,1,2,3,...,M-1；其中1,f₁(x_i),f₂(x_i),...,f_k(x_i)分别是x的0次，1次，2次,...，k次正交多项式，其中即f为心电信号的采样频率；

特征模板的计算公式为：

其中，λ,α∈(0,1)，λ和α为正则化系数，p≠i＝0,1,2,...,M-1，J_(A,F)为求解后的向量A和F，F＝(F₁,F₂,...,F_M-1)，得到的特征模板为A＝(a₀,a₁,a₂,...,a_k)^T，kM，采取n个模板生成n个特征模板A₁,A₂,...,A_n，10≤n≤20；

或在心电信号中检测R波位置，截取QT波，采用用于稀疏表示的区分字典学习算法生成稀疏特征以提取特征；所述用于稀疏表示的区分字典学习算法包括：

其中，J_(D,C)是求解后的字典D和稀疏特征C，Verif(X_i,X_j,D,C_i,C_j)是特征区分属性，θ为稀疏程度系数，α为正则化系数，θ和α取值范围都为0到1之间，I为单位矩阵；

X_i与X_j分别表示第i个和第j个QT波，C_i和C_j分别表示与X_i和X_j相对应的稀疏特征；其中，i≠j；

其中，dm是设定的不同类之间的最小距离，label(X_i)表示X_i的类别编号；

s.t.||d_j||＝1,1≤j≤l，其中，X＝(X₁,X₂,...,X_n)表示n个QT波；

D＝(d₁,d₂,...,d_l)表示字典的维数，l为大于1的任意数值；表示稀疏特征；

或检测心电信号中的各个基准点以提取出准周期性的心搏信号作为原始心电特征，对心搏进行分段波形矫正后，再特征提取和特征重组作为最终心电特征以提取特征；所述各个基准点包括心搏的P波起点、P波终点，R波峰，J波起点、T波峰和T波终点，并通过以下方式进行基准点检测及波形分段：心电信号通过小波变换方式确定心搏的R波的位置，或以心电信号的二阶差分信号的极小值确定心搏的R波的粗略位置，再确定在R波的粗略位置处的一阶差分信号最接近于零的那个点，据此定位R波峰的位置；以距离各R波峰左侧160-180毫秒范围内的一处为P波起点；以距离各R波峰左侧80-100毫秒范围内的一处为P波终点；以距离各R波峰右侧80-100毫秒范围内的一处为J波起点；以各R波峰右侧一段区域内的最大值处为T波峰，该段区域从J波起点开始到2/3个当前RR间期处截止；以T波峰右侧一阶差分信号首次由负到正的位置处为T波终点；

所述分段波形矫正的步骤为：对心搏信号进行分段重采样，其中对各P波段进行上采样，经过上采样后延长P波段时长，使各P波段时长统一为460-500毫秒；对于各QRS波段时长保持不变；对于各T波段，分别对J～Tp段和Tp～Tp段进行下采样，使得各T波段重采样后的两小段各自时长统一为10-20毫秒；

波形矫正后的信号Xc，对Xc进行特征提取和特征重组，重组后特征Fc：

Fc＝λ₁×PCA(Xc)+λ₂×LDA(Xc)+λ₃×DCT(Xc)

其中，λ₁,λ₂,λ₃是特征重组系数，取值范围均为[0,1]，且满足λ₁+λ₂+λ₃＝1；PCA(Xc)是对波形矫正后的信号Xc进行PCA降维，LDA是对波形矫正后的信号Xc进行线性判别分析降维，DCT是对波形矫正后的信号Xc进行离散余弦变换；

或将心电信号进行片段提取得到多个特征片段，再根据全自动特征提取网络对获得的多个特征片段通过全自动提取训练模块的全自动特征提取层和全连接层进行训练，抽取训练后的全自动特征提取层作为特征提取器；根据所述多个特征提取器对心电信号进行特征提取；所述片段提取包括：确定心电信号上至少包括一个心电信息的窗口长度，根据确定好的窗口长度，从心电信号的任意位置截取对应长度的心电窗口，将所述心电窗口划分为多个定长的片段，得到多个所述特征片段；

所述全自动特征提取层包括多个卷积层和最大池化层；获得特征提取器的步骤包括：通过多个卷积层对特征片段进行并行卷积，得到多个向量值；多个所述向量值通过所述最大池化层生成深度融合特征；所述深度融合特征通过所述全连接层进行训练分类，输出分类判断结果，根据分类判断结果抽取所述全自动特征提取层作为所述特征提取器。