[发明专利]基于时空组合特征向量的ECG身份识别方法

说明书

本发明公开了一种基于时空组合特征向量的ECG身份识别方法，具体包括如下步骤：步骤1，采集心电信号，利用小波分解与重构法对采集的心电信号进行预处理去噪，得到去噪后的ECG信号；步骤2，对步骤1去噪后的ECG信号采用自适应阈值定位方法对R波峰值点进行定位；步骤3，通过步骤2所得R波峰值点，确定QRS波群位置及S波峰值点，采用峰值法确定P波与T波的峰值点；步骤4，基于步骤2和步骤3得到的R、S、P波和T波的峰值点进行组合得到特征数据组，然后运用AGA‑SVM算法进行ECG信号识别。本发明通过AGA优化SVM算法的适应度，提高了少分类ECG样本识别精度。

技术领域

本发明属于生物特征识别技术领域，涉及基于时空组合特征向量的ECG身份识别方法。

背景技术

身份安全对我们的社会越来越重要。为了验证个人身份，用户使用一组直接源自其身体或行为特征的生物特征(也称为特征或标识符)更方便、更安全。与传统的授权模式相比，生物特征被认为相对更可靠，因为它们不能被遗忘或丢失。另一方面，其他人很难分享或复制人类的固有特征。一些生物识别授权系统正在利用生理相关的生物特征(即虹膜、手、耳朵、指纹)，用于各种与人类身份相关的应用。

与其他生物特征相比，ECG(心电信号识别)有三个优点(1)心电图信号很难伪造。例如，虹膜识别系统可能会受到不同类型的攻击，包括使用假虹膜图像或隐形眼镜。因为心电信号很难被模仿，所以在心脏生理学方面，一些研究开始通过重放被盗的心电信号来攻击基于ECG的生物识别系统。(2)与人脸和虹膜等其他生物特征模式相比，ECG信号提供了一种内在的活性证明。(3)ECG信号提供关于感兴趣的个体的混合信息，即与他们的身份以及他们的心脏状况和健康状态(例如，规律性或心律失常的搏动以及精神和情绪状态)相关的特征。这些都是现有的识别技术无法比拟的。

基于ECG的身份识别面临三个重要问题。一是心电图信号的预处理，从人体初始采集的心电图信号带有大量的谐波，波形质量不高，因此需要对心电图信号进行预处理，心电图信号预处理的结果好坏直接决定了后期特征提取与识别质量的高低，目前，已有研究采用经验模态分解(Empirical Mode Decomposition，EMD)和小波变换(Wavelet Transform，WT)对心电图信号进行预处理。二是ECG信号的特征提取，一个典型的心电波形可由P波、QRS波群、T波等主要部分构成，目前的研究主要集中在两个方面：一方面是针对不同波群进行特征提取，由于QRS波群能够反映左、右心室除极电位和时间的变化，大多数文献针对QRS波群进行提取。也有部分文献出于其他目的对P波和T波进行特征提取；另一方面是提出新的特征提取方法，目前常用的提取方法有多尺度自回归模型(MSARM)提取，自相关提取和变换识别提取，其中变换识别提取根据变换方法不同又分为离散余弦变换(DCT)提取、离散傅里叶变换(DFT)提取，沃尔什哈达玛变换(WHT)提取，小波变换提取等。三是心电图信号分类方法，常见的分类方法有支持向量机(Support Vector Machine,SVM)，BP(BackPropagation)神经网络，深度学习、卷积神经网络等，以及一些其他改进方法。

现有的ECG信号识别技术多使用EMD做滤波处理，该方法在进行心电信号预处理存在阈值选择的问题，由于实际情况的多样化，单一的阈值选择会导致滤波后的波形存在较大程度失真。同时，现有ECG识别技术中，一般使用单一的智能算法做智能识别，然而单一的智能算法对小容量多分类样本的识别效果不佳。

发明内容

本发明的目的是提供一种基于时空组合特征向量的ECG身份识别方法，该方法通过AGA优化SVM算法的适应度，提高了少分类ECG样本识别精度。

本发明所采用的技术方案是，基于时空组合特征向量的ECG身份识别方法，具体包括如下步骤：

步骤1，采集心电信号，利用小波分解与重构法对采集的心电信号进行预处理去噪，得到去噪后的ECG信号；

步骤2，对步骤1去噪后的ECG信号采用自适应阈值定位方法对R波峰值点进行定位；