[发明专利]基于可穿戴设备的心电信号用户认证方法

权利要求书

1.一种基于可穿戴设备的心电信号用户认证方法，其特征在于，在离线阶段将采集到的原始单导联心电信号数据经预处理后，训练卷积自编码器以进行特征提取，以提取到的特征向量，即特征点的间期宽度和高度和用户标签作为样本训练全连接神经网络；在在线阶段采用训练后的卷积自编码器和全连接神经网络进行实时用户认证。

2.根据权利要求1所述的基于可穿戴设备的心电信号用户认证方法，其特征是，具体包括：

第一步，对可穿戴设备电极上获得的原始单导联信号进行滤波降噪，以及使用最小二乘法拟合心电信号，得到趋势项，使用原始信号减去趋势项来消除基线漂移；

第二步，检测并识别心电图的特征点，截取每一个P波的起始位置与下一个P波的起始位置，作为一个完整的心跳周期，对每一个心跳周期进行数据预处理；

第三步，使用第二步生成的若干尺寸统一的心电信号训练卷积自编码器，用于提取中间层的隐变量以便从心电信号中提取出特征向量；

第四步，将卷积自编码器提取到的特征向量以及心电图间期宽度和高度特征作为输入，将目标输出设定为用户的身份标签，对全连接神经网络进行训练；

第五步，在在线阶段，将实际测得的一个心跳周期内卷积自编码器提取到的特征向量以及心电图间期特征输入全连接神经网络，得到用户的身份标签，最后比对通过神经网络生成的标签与预设的标签，得出对应用户的身份。

3.根据权利要求2所述的基于可穿戴设备的心电信号用户认证方法，其特征是，所述的第一步，具体包括：

1.1)使用巴特沃斯滤波器滤除0.5Hz以下的噪声，具体为：其中：n是滤波器的阶数，ω_c为截止频率；

1.2)为消除50Hz的工频干扰使用宽度为50的移动平均法来去除噪声，将前后50个样本设置相同的权重生成当前位置新的数值；

1.3)使用最小二乘法对采集到的心电信号进行多项式拟合，得到趋势项，使用原始信号减去趋势项来消除基线漂移。

4.根据权利要求1所述的基于可穿戴设备的心电信号用户认证方法，其特征是，所述的检测并识别心电图的特征点，使用Pan-Tompkins算法，对经过预处理的心电信号的R波峰进行检测，再通过连续小波变换对PQST波以及其起始位置和结束位置进行定位。

5.根据权利要求1或4所述的基于可穿戴设备的心电信号用户认证方法，其特征是，所述的检测并识别心电图的特征点，具体包括：

2.1对预处理后的信号求一阶导数后进行平方运算，再进行滑动窗口积分，使用阈值检测R波峰位置；

2.2对信号进行小波多尺度分解后，再进行正负阈值检测，确定PQST波的特征点位。

6.根据权利要求1或2所述的基于可穿戴设备的心电信号用户认证方法，其特征是，所述的预处理包括：对截取出的心电信号进行长度为16的移动平均处理，然后对处理后的信号进行线性插值，让所有的心跳周期标准化为500个采样点的长度，再将处理后的信号归一化，限制心电信号的取值范围为0至1。

7.根据权利要求6所述的基于可穿戴设备的心电信号用户认证方法，其特征是，

所述的移动平均处理是指：其中：n为移动平均的长度；

所述的插值是指：其中：(x0，y0)(x1，y1)是距离x距离最近的两个信号上的点；

所述的归一化是指：其中：MAX和MIN分别为当前所属的心跳周期的最大值和最小值，由此生成的若干长度为500的心电信号。

8.根据权利要求1或2所述的基于可穿戴设备的心电信号用户认证方法，其特征是，所述的卷积自编码器包括：编码器和解码器，其中编码器包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、扁平化和第一全连接层；解码器包括：第二全连接层、反扁平化、逆第一卷积层、逆第二卷积层、第三全连接层和输出层；

所述的卷积自编码器在层于层之间使用ReLU函数作为激活函数，使用Binary CrossEntropy作为损失函数，经过训练以后能够压缩并且还原原始图像，并且从中间层提取出特征向量，以便还原出近似原始信号的波形。