一种基于质量评估和深度迁移学习的心电身份识别方法

1.本发明属于在智慧城市建设下的信息安全领域中，具体涉及在信息安全领域下的个体身份识别认证技术，提出一种基于质量评估和深度迁移学习的心电身份识别方法。


背景技术：

2.信息技术的高速发展推动了智慧城市的快速建设，也推动了信息安全系统在金融安全、公安国防等领域的发展和应用。网络信息安全在人们日常生活中变得越来越重要，智能化生活的快速发展也促使着人们对当下的身份安全认证技术提出了更高的需求，而像指纹识别、人脸识别等常见的生物特征身份识别技术存在防伪性较弱、易防制的特点。于是，寻求一种高防伪性、高安全性的身份识别技术尤为重要，属于人体内源信号的心电信号(electrocardiogram,ecg)不仅具有只满足“活体”采集的高防伪性和唯一性，而且具有一维性能够满足快速的对其做出相应的信号处理操作。因此，本发明基于心电信号提出了一种更高安全性和可靠性的生物特征身份识别技术。
3.近年来，基于心电信号的生物特征身份识别算法发展较为迅猛。从需要手动在大量复杂的一维心电信号中提取波形时域和形态特征的基于特征点的识别算法，到提取小波变换系数、近似熵等能够反映心电波形特征的基于非特征点的识别算法，尽管特征提取的方法能够对不同类型的心电信号进行分类识别，但是对心电信号波形进行大量复杂的特征提取无疑会消耗较大的计算量。当个体心电信号受到疾病或者心理情绪影响导致心电波形发生变化时，基于心电波形形状学的特征提取识别算法无疑会对个体身份识别的结果产生影响。随着人工智能技术的飞速发展，深度学习强大的特征自学习能力解决了需要大量复杂操作的特征提取方法，并且特征自学习不需要手动提取心电信号波形的形态特征又克服了因个体活动状态、病理状态、心理情绪等变化所产生的心电信号差异而对识别精度造成的影响。另外，单导联心电信号虽然满足了方便快捷的采集方式，但是会增加对原始心电信号的噪声干扰，从而影响最终的身份识别准确率。
4.鉴于上述讨论，本发明针对噪声干扰较大的单导联心电信号提供了一种集成于心电信号质量评估和深度迁移学习的身份识别模型，首先对单导联心电信号进行质量等级评估，再对质量评估合格的心电信号进行深度迁移学习，从而实现对噪声干扰较大的单导联心电信号进行不同个体间的身份识别认证。


技术实现要素：

5.本发明的第一个目的是为了解决单导联心电信号在身份识别技术中存在的上述难点，提供了一种基于质量评估和深度迁移学习的心电身份识别方法，集成了基于多参数融合的质量评估和深度迁移学习的心电信号身份识别认证模型。
6.第一方面，本发明实施例提供了一种心电信号质量评估方法，具体为基于svm的多参数融合质量评估模型。首先，通过对心电信号的波形特性和噪声含量分析的基础上，提取出8个能够反映心电信号质量等级的信号质量指数(signal quality index，sqi)作为心电
信号质量等级的评价标准；然后将提取到的sqi特征作为svm质量分类模型的输入，完成对单导联心电信号三种不同质量等级的分类。本发明对噪声干扰较大的单导联心电信号进行质量等级的划分，及时删除质量表现较差的原始心电信号，有效减少模型的计算损耗量和对识别准确率的影响。
7.第二方面，本发明提供了一种信号去噪方法，具体为基于小波自适应阈值变换去噪算法。小波自适应阈值变换法通过调节阈值函数中参数的大小确定合适的阈值函数，从而实现选择比传统硬阈值函数偏硬的阈值函数对细节尺寸上的分解系数进行去噪；采用相比传统软阈值函数偏软的阈值函数对近似尺寸上的系数进行去噪。本发明通过控制对阈值函数在软硬阈值临界区内的切换，从而实现对不同分解尺度上的原始心电信号进行相应的去噪处理，
8.第三方面，本发明提供了一种网络输入层的构造方法，具体为基于广义s变换(generalized s-transform,gst)对原始的一维时序心电信号进行时频域变换。原始心电信号经过广义s变换后输出一个包含实部和虚部的复数矩阵，矩阵中的每一列代表瞬时的时频域特征，取矩阵中每列复数的实部作为横坐标、虚部为纵坐标，绘制每个时间点的ecg轨迹。生成的ecg轨迹再通过matlab中的getframe函数将坐标轴捕获为影片帧，从而实现将一维的心电信号转换为二维的频域轨迹图作为深度学习网络层的输入。
9.第四方面，本发明提供了一种深度迁移学习的身份识别认证方法，具体为基于googlenet的深度迁移网络模型。通过对原始googlenet网络模型的优化和改进，将其作为ecg轨迹图的输入从而实现对心电信号的特征自学习。深度学习模型弥补了传统意义上手动提取信号波形特征的不足，化解了因个体活动状态、病理状态、心理情绪等变化所产生的心电信号差异而对识别精度造成的影响。
10.本发明的第二个目的是提供心电身份识别系统，包括：
11.心电信号质量评估分类模块，利用基于svm的心电信号质量评估分类模型，对心电信号进行质量等级分类；
12.预处理模块，用于对心电信号质量评估分类模块获取的“可疑”信号进行小波变换去噪算法处理，获得消噪后的“合格”信号；
13.ecg轨迹图生成模块，用于对心电信号质量评估分类模块获取的“合格”信号和预处理模块消噪后的“合格”信号进行广义s变换生成ecg轨迹图；
14.心电信号身份识别模块，利用已训练好的深度迁移网络模型对ecg轨迹图生成模块处理后的数据进行心电信号的身份识别。
15.本发明实施例具有的有益效果是：
16.1.本发明构建了基于多参数融合的质量评估模型，通过对单导联心电信号的波形特性和噪声含量进行分析，提取出8个能够反映心电信号质量等级的特征指数，再将特征指数输入模型进行训练，实现对原始心电信号的质量等级分类。质量评估算法对于噪声干扰较大的单导联心电信号而言，不仅能够在信号预处理之前及时剔除影响识别结果的“差”心电信号，而且减少了计算资源的损耗和模型训练时间。
17.2.本发明构建了基于深度迁移学习的身份识别模型。迁移学习克服了传统机器学习训练样本和测试样本处于同一特征空间的特点，满足在不同目标域任务下同样能完成对模型的训练。另外，对卷积神经网络中网络层结构较深的googlenet模型进行优化改进用于
迁移学习的识别认证训练，在提高识别准确率的同时也减少了识别认证时间。
附图说明
18.图1为本发明方法流程图。
具体实施方式
19.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.基于ecg信号的现代身份识别技术的高效准确认证具有极大的理论研究和实际应用价值，能够为解决国内外基于生物特征的身份识别的安全性提供新的方案指导。图1为本发明实施例提供的ecg身份识别方法的系统结构图，以下对本发明作进一步说明：
21.步骤一：构建基于svm的心电信号质量评估分类模型，对心电信号进行质量等级分类；
22.所述心电信号质量评估分类模型包括质量评估指数计算层、svm分类器；
23.所述质量评估指数计算层用于对心电信号的波形特性和噪声含量进行分析，提取出心电信号的8个质量评估指数：
24.(1)qrs波形清晰指数sqi1
25.使用两个对噪声敏感度不同的噪声检测器对同样一段qrs波群进行检测，分别得出两者检测到的心拍个数ne和nw。将sqi1定义为两者检测出的心拍个数的比值：
[0026][0027]
(2)偏度sqi2
[0028]
偏度一般用来表示数据或者信号分布的非对称性特征，当心电信号质量表现为合格时，其波形分布会比较均匀，这时对应的偏度值也会较小。反之，当心电信号含噪较多，波形分布不均匀时，得到的偏度值也会较大。定义信号的偏度值为sqi2：
[0029][0030]
其中，代表信号x的均值，σ是信号x的标准差，n代表心电信号的采样点数。
[0031]
(3)峰度sqi3
[0032]
峰度称为信号的四阶矩，通常用来描述数据偏离数据群均值的程度以及信号的对称性，峰值越大说明其数据与数据群均值的距离越大，数据群出现极端值的概率越大。质量较好的心电信号，波形分布较为均衡出现极端值的概率较低，对应的峰度也就越小。反之，含噪越多的信号波形形态表现越不稳定，极端值出现的概率也就越大，对应的峰度也就越大，以峰度值定义的sqi3的公式为：
[0033][0034]
其中，xi为信号x第i个峰值测量值，代表信号x的均值，σ是信号x的标准差。
[0035]
(4)功率谱分布指数sqi4
[0036]
心电信号波形的能量主要集中在10hz左右的qrs波形附近，将包含能量中心频率的某一小段频带(5-15hz)的功率谱密度与整体心电信号集中频段(5-40hz)的功率谱密度的比值定义为sqi4：
[0037][0038]
其中，f表示频率，p(f)表示信号在该频率下的功率。
[0039]
(5)基线偏移指数sqi5
[0040]
基线使ecg信号波形出现上升、下降的不利情况，即使少量信号上抬和下降的干扰，也会使得心电信号在低幅值情况下变化巨大，从而影响整体信号质量。基线的频率分布在0-1hz之间的功率谱密度与整个频带的功率谱密度比值，由定义得以及基线偏移的sqi5：
[0041][0042]
其中，f表示频率，p(f)表示信号在该频率下的功率。
[0043]
(6)qrs波能量指数sqi6
[0044]
心电信号中qrs波形的能量占比最高，通过计算qrs波形能量占总心电信号波形能量的比例，将qrs波形能量指数作为衡量ecg质量等级的一个指标，定义为指数sqi6：
[0045][0046]
其中，eri表示一个qrs波群的能量，i表示检测的qrs波群，ea表示整个心电片段的总能量。
[0047]
(7)rr间期稳定指数sqi7
[0048]
对于心电信号而言，rr间期的在ecg信号波形中呈现周期性变化的。但是，当信号的含噪量较大时，rr间期极易受到肌电等噪声干扰。于是定义了rr间期稳定指数用来衡量ecg信号波形在周期内的稳定程度，定义sqi7为：
[0049][0050]
其中，和分别代表心电信号在rr间期内的标准差和均值，信号质量越差时，rr间期越不稳定sqi7值越大，反之，信号质量越好。
[0051]
(8)纯度sqi8
[0052]
心电信号的纯度可以用来反映信号的含噪情况，信号纯度值越低，说明信号的含噪量越大，信号质量越差，相反，信号的纯度值越大，说明信号的含噪量越小，信号的质量也就越好。定义sqi8为：
[0053][0054]
其中，wn表示n阶谱矩，p(e
jw
)表示整个心电片段的功率谱。
[0055]
所述svm分类器用于将所述质量评估指数计算层输出的8个质量评估指数根据阈值进行信号质量等级分类；所述信号质量等级分类包括“合格”信号、“可疑”信号、“差”信号三类；然后剔除“差”信号；
[0056]
步骤二：基于小波变换去噪算法对“可疑”信号进行处理，获得消噪后的“合格”信号；具体是：
[0057]
选取合适的小波基函数和分解尺度对“可疑”信号进行小波变换分解；然后对每一个分解层进行阈值去噪处理；最后再将每一个分解层经过去噪处理后的信号进行信号重构，从而得到干净的心电信号。
[0058]
步骤三：对步骤一“合格”信号和步骤二消噪后的“合格”信号进行广义s变换生成ecg轨迹图；具体是：
[0059]
广义s变换在保证信号相位信息不变的同时，引入了宽度随频率变化的高斯窗函数，克服了传统傅里叶变换时频域分辨率不变的问题。本发明提出了基于广义s变换的时频域分析算法，实现将一维的心电信号转换为二维的心电信号频域轨迹图片作为深度迁移学习网络模型的输入。
[0060]
①
时频域变换。引入两个参数λ和ρ来调整窗函数g(t)的窗宽和幅度，进而改变信号的时间分辨率和频率分辨率，实现多分辨率分析。信号x(t)的广义s变换表示如下：
[0061][0062]
其中，τ为时移因子。广义s变换的窗函数和小波基函数分别如下：
[0063][0064][0065]
设定参数保证获得最佳准确率的合适窗函数。信号x(t)经上述(9)式的gst处理，得到复数矩阵s，如下式(12)所示，包含实部和虚部。其中n代表频率大小，m代表时间点分布。
[0066][0067]
②
取复数矩阵s中每个数据的实部作为横坐标、虚部为纵坐标，绘制每个时间点的ecg轨迹。生成的ecg轨迹再通过matlab中的getframe函数将坐标轴捕获为影片帧，获得一个时间点的心电信号频域轨迹图，将其作为深度学习网络层的输入。
[0068]
步骤四：对改进后的googlenet网络二次深度迁移构建深度迁移网络模型，并利用其实现心电信号的身份识别；具体是：
[0069]
所述深度迁移网络模型采用googlenet网络作为基本框架，并对原始googlenet网络模型进行二次改进和优化，从而构建基于心电信号的身份识别模型。
[0070]
所述googlenet网络包括googlenet模型共有22个卷积层，其中9个inception模块用来提升网络结构的深度和宽度。具体为：第一层卷积层使用7
×
7的卷积核，再经过3
×
3的最大池化层和1
×
1的卷积层进行降维输出；第二层卷积层使用3
×
3的卷积核，再经过3
×
3卷积的最大池化层输出；第三层为inception(3a-3b)层，每个inception层又分为2个卷积
层和4个分支，不同分支采用不同尺度的卷积核来进行处理，依次为64个1
×
1的卷积核、96个1
×
1的卷积核作为3
×
3卷积核的输入降维、16个1
×
1卷积核作为5
×
5卷积核的输入降维、最后为3
×
3卷积核的池化层输出并经过32个1
×
1卷积核进行降维，对这四个输出结果进行并联即为一个inception模块的输出结果；第四层为inception(4a-4e)，将inception(3a-3b)的输出作为第四层的输入，inception模块的实现过程和上述操作一致；第五层为inception(5a-5b)，同样将inception(4a-4e)的输出作为第五层进行串联的两个inception模块的输入完成卷积操作；第六层为模型输出层，输出层由一个7
×
7的平均卷积层、一个全连接层和一个softmax分类器组成，将inception(5a-5b)的输出作为7
×
7平均卷积层的输入进行数据降维，最后进行全连接完成特征分类。
[0071]
模型训练过程中，首先对原始googlenet网络模型进行优化完成第一次迁移学习。具体为将原始googlenet网络模型的inception模块中的一个5
×
5大卷积层更改为两个串联的3
×
3的小卷积层，优化后的网络模型在增加原始网络模型深度的同时又减少了模型参数的计算量，以此来达到高鲁棒性、高准确率的识别效果。将心律正常心电信号经过步骤1-3处理后的频域轨迹图作为第一次迁移学习模型的输入进行训练，得到第一次迁移学习训练后的模型并命名为googlenet-t1；然后对第一次迁移学习后的模型googlenet-t1部分网络层采用冻结加微调的技术进行参数更新构建第二次迁移学习模型并命名为googlenet-t2，将心律异常心电信号经过步骤1-3处理后的频谱轨迹图作为第二次迁移学习模型的输入进行异常心律心电信号的识别训练，最终得到训练好的深度迁移网络模型；
[0072]
所述冻结网络层为将第一次迁移学习模型googlenet-t1中前三层，即包含第一层的7
×
7卷积核和3
×
3池化层、第二层的3
×
3卷积核和3
×
3池化层和第三层的inception(3a-3b)模块进行固定的技术，冻结后的网络层在模型训练过程中不会进行参数的更新，主要用于提取心电信号的相同特征，从而减小模型识别训练时间。
[0073]
所述微调层为对第一次迁移学习模型googlenet-t1中的第四层和第五层，主要包含inception(4a-4e)和inception(5a-5b)7个inception模块的卷积层进行参数更新用于提取心电信号的细节特征。微调层的设计实现了针对心律异常心电信号的细节特征提取，从而增强识别模型的泛化能力和鲁棒性。