[发明专利]一种跨域心电图生物特征身份识别方法

说明书

本发明提供了一种跨域心电图生物特征身份识别方法。该方法包括：建立ECG数据集，从ECG数据集中选取数据样本信号；对数据样本信号进行时域特征、频域特征和能量域特征提取；利用改进后的CNN卷积神经网络构建ECG生物特征身份识别模型，将数据样本信号的时域特征、频域特征和能量域特征输入到ECG生物特征身份识别模型，得到数据样本信号的ECG生物特征身份识别结果。本发明的跨域ECG生物特征身份识别方法即使训练时间和应用时间之间的间隔足够大，也可以有效地提高ECG生物特征身份识别的准确率。

技术领域

本发明涉及生物特征身份识别技术领域，尤其涉及一种跨域心电图生物特征身份识别方法。

背景技术

生物特征身份识别是利用人体的生理特征或行为特征进行生物认证的一种技术，它是快速发展的信息安全领域的技术之一，已经在医疗、金融、安防、监控等方面得到广泛应用，并逐渐进入人类活动的更多领域。研究表明，可以作为生物特征身份识别的生理特征和行为特征有很多种，例如：指纹、虹膜、面部、ECG(electrocardiogram，心电图)和字迹、步态等。随着ECG数据量的逐年增长，以及机器学习、深度学习等领域的不断发展，基于机器学习和深度学习的ECG生物特征身份识别方法引起了人们的广泛关注。

ECG作为一种具有较高的抵抗伪造攻击的生物特征身份识别方法，具有约95％的识别准确率。然而，本发明实施例发现，如果在训练时间和应用时间之间存在显著间隔的实际环境中应用ECG，准确率将急剧降低至40％。现有工作忽略了生物特征身份识别的实际应用场景，生物特征收集和应用通常分布在很长的时间尺度上，而长时间尺度的ECG是高度动态变化的。

针对以上问题，有人提出使用非基准随机起始点定长分割法进行样本获取以适应神经网络的训练。该技术主要通过随机放置起始点的方法进行样本获取，与R峰的位置无关，从而可以在有限长的ECG记录中获取到大量的样本。Liu等人提出一种非基准随机起始点定长分割的样本获取算法。该算法与传统的基于QRS波的样本获取方法相比，起始点可以在时间轴上随机游走，从而获取到大量的与原始记录保持相似分布的样本。该算法的主要缺点为没有对其中涉及到的参数进行调整，尤其是单个样本长度和训练时长，不同的参数设置对于最终识别结果影响非常大。

发明内容

本发明的实施例提供了一种跨域心电图生物特征身份识别方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种跨域心电图生物特征身份识别方法，包括：

建立心电图ECG数据集，从ECG数据集中选取数据样本信号；

对所述数据样本信号进行时域特征、频域特征和能量域特征提取；

利用改进后的CNN卷积神经网络构建ECG生物特征身份识别模型，将所述数据样本信号的时域特征、频域特征和能量域特征输入到ECG生物特征身份识别模型，得到所述数据样本信号的ECG生物特征身份识别结果。

优选地，所述的建立ECG数据集，包括：

选取数据库PTBDB和ECG-ID中的心电信号数据作为ECG数据集，通过Butterworth滤波器和IIR滤波器对所述ECG数据集中的心电信号数据的工频干扰、随机噪声和基线漂移进行噪声滤波处理。

优选地，所述的从ECG数据集中选取数据样本信号，包括：

在给定时间段中选取数据样本信号的时间起始点，在所述ECG数据集中以所述时间起始点为起点向后选取一段固定时间长度的心电信号数据序列作为数据样本信号，该数据样本信号的表达式如下：