[发明专利]一种心电图信号身份识别方法

说明书

本发明公开了一种心电图信号身份识别方法，具体按照如下步骤实施：步骤1，采集ECG信号并进行滤波处理，得到滤波后的ECG信号；步骤2，采用小波变换检测QRS波，得到Q、R、S时间点；步骤3，采用局部加窗小波变换检测P波和T波，得到P波和T波起止和峰值点；步骤4，通过QRS波、P波和T波时间点构造ECG特征值；步骤5，采用概率神经网络PNN算法对ECG进行身份识别。本发明的目的是提供一种心电图信号身份识别方法，能实现多目标分类且分类精度高以及对硬件设施要求小。

技术领域

本发明属于医学信号处理方法技术领域，涉及一种心电图信号身份识别方法。

背景技术

随着信息技术的发展，信息安全问题变得越来越重要。传统的生物识别系统主要利用指纹、人脸、虹膜等生理特征进行识别。尽管这些生物识别系统具有识别率更高，识别速度更快和可测量性更高的优点，但它们也具有一些缺点，例如易于复制和伪造。近年来，心电图信号(ECG)被证明对身份识别是有效的。心电图信号只能在活体内测量，所以它们不容易被伪造。随着ECG数据收集技术的发展，诸如智能手表之类的便携式ECG信号收集设备已经以高度方便和智能的方式进行了设计。因此，基于ECG的身份识别具有更广泛的应用。

基于ECG的身份识别研究主要分为两大方面，第一个为ECG信号检测。ECG信号检测分为基准检测和非基准检测，基准点检测方法是从ECG信号提取P波、QRS波和T波的特征点，然后根据时间和幅值等特征进行分类识别。但是，由于检测点位置的微小变化可能导致分类错误，故识别精度不高。非基准检测方法基于傅里叶变换、经验模态分解、小波变换从ECG信号在提取信息，无需使用特征点。但是，由于信息量大，识别规模小时间长。因此如何减少特征信息的同时提高精度成为研究的主要方向。

第二个为ECG身份识别。ECG身份识别方法有支持向量机和反向传播神经网络，这些方法不适用于多目标分类，精度不够高。还有深度学习、卷积神经网络、以及一些改进方法，这些方法精度较高，但要求非常高的计算机设备。

发明内容

本发明的目的是提供一种心电图信号身份识别方法，能实现多目标分类且分类精度高以及对硬件设施要求小。

本发明所采用的技术方案是，一种心电图信号身份识别方法，具体按照如下步骤实施：

步骤1，采集ECG信号并进行滤波处理，得到滤波后的ECG信号；

步骤2，采用小波变换检测QRS波，得到Q、R、S时间点；

步骤3，采用局部加窗小波变换检测P波和T波，得到P波和T波起止和峰值点；

步骤4，通过QRS波、P波和T波时间点构造ECG特征值；

步骤5，采用概率神经网络PNN算法对ECG进行身份识别。

本发明的特征还在于，

步骤1具体为：采用ECG装置收集ECG信号，并通过蓝牙传输到电脑PC，接着采用数字滤波处理ECG信号，得到滤波后的ECG信号。

步骤2具体为：

步骤2.1，采用二进样条小波滤波器对波后的ECG信号进行四层离散小波分解，得到四次尺度分解后的ECG信号；

步骤2.2，基于步骤2.1得到的四次尺度分解后的ECG信号，寻找四次尺度上的极大值极小值对；

步骤2.3，采用1/5四次尺度最大值作为阈值X，在四次尺度下找到大于阈值的极值对过零点；

步骤2.4，在时域过零点前后各n个点寻找极大值点即为R波峰值点，n10；

步骤2.5，一次尺度下检测Q波和S波：Q波为一次尺度R波峰值前三个极值点的位置；S波为一次尺度R波峰值后三个极值点的位置。

步骤3具体为：