[發明專利]一種基于心電信號的身份識別方法及裝置

有效

• 申請號: 201710139144.9
• 申請日: 2017-03-09
• 公開（公告）號: CN107122788B
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 司玉娟;余錦潤;劉鑫;郎六琪;劉立勛;張磊
• 申請（專利權）人: 吉林大學;吉林大學珠海學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;A61B5/117
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 俞梁清

1.一種基于心電信號的身份識別方法，其特征在于，所述方法步驟如下：

A、獲取包括了用戶的多個周期的心拍數據的心電信號樣本數據集，并將所述心電信號樣本數據集分割為多個單周期心拍數據；

B、根據所述多個單周期心拍數據，去除所述單周期心拍數據的相關性；

C、根據所述去除了相關性的單周期心拍數據，提取所述去除了相關性的單周期心拍數據特征的主特征；

D、根據所述主特征，采用基于RPROP算法建立并訓練神經網絡分類器；

F、利用已訓練的所述神經網絡分類器對輸入的心電信號數據進行識別，識別對應所述輸入的心電信號數據的用戶身份；

其中，所述步驟A還包括去除所述心電信號樣本數據集的噪音干擾方法，其包括如下子步驟：

A101、使用中值濾波器過濾所述心電信號樣本數據集，得到所述心電信號樣本數據集的基線，并根據所述基線獲取去除基線漂移的所述心電信號樣本數據集；

A102、使用bior2.6小波將所述去除基線漂移的心電信號樣本數據集進行8層小波分解以得到分解的所述心電信號樣本數據集；

A103、將所述分解的心電信號樣本數據集的1和2層的細節系數置零，以去除高頻干擾；

A104、將所述分解的心電信號樣本數據集的8層的細節系數置零，以去除低頻干擾，從而獲得去除干擾的所述心電信號樣本數據集；

A105、小波重構所述去除干擾的心電信號樣本數據集，從而獲取所述去噪的心電信號樣本數據集；

所述步驟B采用白化方式去除多個單周期心拍數據的相關性，且包含如下子步驟：

B101、將所述多個單周期心拍數據X∈R^m×n代入計算得到協方差矩陣，其中m表示數據數量，n表示心拍維數；

B102、根據所述協方差矩陣進行奇異值分解，得到[U,S,V]＝svd(Σ)，其中U是特征向量矩陣，S是特征值矩陣，V＝U'；

B103、利用公式計算得到所述多個單周期心拍數據去除相關性后的單周期心拍數據；

所述步驟C采用PCA算法提取所述多個單周期心拍數據主特征，且包含如下子步驟：

C101、將所述多個單周期心拍數據代入計算得到標準化矩陣，其中m表示數據數量，n表示心拍維數，i＝1、2、...、n，j＝1、2、...、m，表示均值，表示標準差；

C102、將所述標準化矩陣代入計算得到相關系數矩陣及所述相關系數矩陣的m個特征值λ_j，其中，j＝1、2、...、m；

C103、將所述m個特征值按數值從大到小排列，并挑選出大于m個特征值總和90％的前k個特征值λ_j，并分別解方程組Rd＝λ_jd得到相應的單位特征向量其中j＝1、2、...、k；

C104、將所述單位特征向量代入公式以提取所述多個單周期心拍數據的k個主特征Y_j，其中i＝1、2、...、k。

2.根據權利要求1所述的一種基于心電信號的身份識別方法，其特征在于，所述步驟A的單周期心拍數據定位方法步驟如下：

A201、對所述去噪的心電信號樣本數據集進行R點定位，以獲得所述去噪的心電信號樣本數據集的R點集；

A202、以所述R點集為基準，采用向前和向后截取固定的點數組合成包含固定點數的單周期心拍的方式劃分R點間期，將所述去噪的心電信號樣本數據集分割為多個所述單周期心拍數據。

3.根據權利要求1所述的一種基于心電信號的身份識別方法，其特征在于，所述步驟A的單周期心拍數據定位方法步驟如下：

A201、對所述去噪心電信號樣本數據集進行R點定位，以獲得所述去噪的心電信號樣本數據集的R點集；

A202、利用重采樣類型方法將所述去噪的心電信號樣本數據集分割為多個采樣點數固定的單周期心拍數據。

4.根據權利要求1所述的一種基于心電信號的身份識別方法，其特征在于，所述步驟D采用基于RPROP算法訓練所述神經網絡分類器，且包含如下子步驟：

D101、設置所述神經網絡分類器的各層神經元數目，其中i，j，k分別表示輸入層，隱藏層，輸出層的神經元數目；

D102、初始化所述神經網絡分類器的權值更新項變速因子υ以及上下閾值Δ_min，Δ_max；

D103、計算所述神經網絡分類器的實際輸出與期望輸出的誤差E；

D104、判斷所述誤差E與所述神經網絡分類器的權值W_ji的梯度符號是否改變，若所述梯度符號等于0，所述權值更新項不變化；若所述梯度符號大于0，按照公式計算新的所述權值更新項；若所述梯度符號小于0，按照公式計算新的所述權值更新項；

D105、根據公式計算所述神經網絡分類器的所述權值；

D106、重復步驟D105以訓練所述神經網絡分類器，并判斷所述誤差E是否達到了設定的指標要求，如果所述誤差E未達到設定的指標要求，則轉回步驟D103；如果所述誤差E達到設定的指標要求，則結束訓練，保存訓練模板，記錄訓練時間。