[发明专利]一种融合多特征信息的心电信号身份识别方法及系统

权利要求书

1.一种融合多特征信息的心电信号身份识别方法，其特征是，包括：

对获取的心电信号进行心拍划分并对得到的心拍进行多个特征提取；

针对提取的多个特征，训练时基于多特征低秩字典学习和结构稀疏表示获得字典；

其中，在低秩字典学习和结构稀疏表示方法下，稀疏系数通过添加范数和局部约束表达式来探索心电信号样本间类内和类间的关系；字典通过添加低秩约束来降低重建过程中来自训练样本的噪声的影响；

对于任意心拍，可利用字典训练得到更具有辨别性的稀疏表示系数，加和权重融合再进行相似性度量完成识别分类；

为了捕捉多特征数据之间的几何结构信息，从多特征数据中得到更加有辨别性的字典，训练过程中的目标函数式表达如下：

其中，⊙表示Hadamard product，X^(v)为心拍训练样本数据，D^(v)为训练后得到的重建字典，C^(v)为训练后得到的稀疏表示系数，λ，α，γ，β为(1)式每个分式的参数；

式(1)中的第三项是一个加权的L₁范数，提高这个目标函数的稀疏性，在分类时起到良好的作用，增大类间散射，减小类内散射；其中，局部约束表达式体现在(1)式的α||R^(v)⊙C^(v)||₁项；

式(1)的优化分为两个子问题完成：固定D^(v)更新C^(v)，固定C^(v)更新D^(v)；

子问题1：固定D^(v)更新C^(v)

通过引入两个辅助松弛变量E^(v)和Z^(v)，式(2)的优化问题变成以下相等的问题：

式(3)用拉格朗日乘子法ALM求解；

子问题2：固定C^(v)更新D^(v)

通过引入辅助松弛变量J^(v)，(4)的优化问题变成以下相等的问题：

式(5)的求解也用拉格朗日乘子法ALM；

基于多特征低秩字典学习和结构稀疏表示获得字典的算法流程如下：

输入：心拍训练样本X^(v)(X⁽¹⁾,X⁽²⁾,…X^(M))，参数λ，M，α，β，γ

输出：字典D^(v)(D⁽¹⁾,D⁽²⁾,…D^(M))

步骤1：初始化D^(v)＝X^(v)，稀疏表示系数A^(v)＝0,E^(v)＝0,Z^(v)＝0,J^(v)＝0,设置最大迭代次数k_max

步骤2：for v＝1：Mdo

步骤3：利用ALM算法解决(3)式来固定D^(v)更新C^(v)，

利用ALM算法解决(5)式来固定C^(v)更新D^(v)；

步骤4：重复步骤3直到相邻迭代次数的目标函数差值越来越小，愈来愈趋向于ε(ε＝10^-8)，或者是满足最大迭代次数；

步骤4中，识别：对用户i的某个心拍向量式(6)利用字典D^(v)训练得到多个特征下的稀疏表示系数式(7)利用加和权重融合得到c_i，c_i将作为识别时的模板存入模板库中；

在识别时，对于任意新输入的待识别心拍x^(v)，式(6)利用字典D^(v)训练得到多个特征下的稀疏表示系数c^(v)，式(9)利用加和权重融合c^(v)得到c_test；式(10)通过欧氏距离计算，寻找与库中最相似的模板，其最相似模板对应的用户i为待识别用户；

c_test＝λ₁c⁽¹⁾+…+λ_Mc^(M)s.t.λ₁+…+λ_M＝1 (9)

其中，优化式(6)时，先固定其他特征的稀疏表示系数更新式(6)变成以下的式子：

式(11)的解析解如下：