一种心电异常状态下基于ecg多模板匹配的身份识别方法
【专利摘要】本发明涉及一种心电异常状态下基于ECG的多模板匹配身份识别方法，属于生物特征身份识别【技术领域】，将待识别用户的心电数据与模板库中注册用户的数据进行比较，获得身份识别结果。该方法的关键技术包括：心电信号预处理，用于消除噪声干扰；心电信号分解，分离出每个周期的心电波形；标准化处理，分别在时间和幅值尺度上标准化；特征提取，利用小波变换提取特征，ISODATA算法进行聚类分析，进而构建ECG模板库；相关性分析，计算ECG测试数据与各模板的相关性，选择最佳匹配模板，最终获得身份识别结果。本发明提出的多模板匹配身份识别方法，利用人体内蕴的心电信号识别身份，并且将异常状态下的ECG数据考虑在内。
【专利说明】-种心电异常状态下基于ECG多模板匹配的身份识别方法
【技术领域】
[0001] 本发明涉及一种心电异常状态下基于ECG(Electrocardiogram)的多模板匹配身 份识别方法，属于生物特征身份识别【技术领域】，利用人体内蕴的心电信号识别身份，不但针 对健康人群，而且也适用于具有心律失常的个体。
【背景技术】
[0002] 现代社会中，身份识别在很多领域都有重要应用。伴随着当今社会对安全性需求 的不断增强，传统身份识别方式的弊端逐渐显现，比如证件容易丢失、密码容易破解等。在 这种背景下，基于生物特征的身份识别技术逐渐引起人们的广泛关注，成为研究的热点之 〇
[0003] 基于生物特征的身份识别是指利用人体的生理特征或行为特性，来鉴别个人身份 的一项技术。用于身份识别的生物特征或行为特性需满足普遍性、唯一性、稳定性和可测量 性等特性。凭借着独特的便携性和可靠性等优点，诸如指纹识别、人脸识别和语音识别等生 物特征身份识别技术取得了快速发展，并获得了广泛应用。
[0004] ECG中的PQRST波形态在一段时期内保持相对稳定，即使在压力和运动等易导致 心率变化的条件下，QRS复合波群仍然稳定。另外，受体型、年龄、性别、心脏位置、尺寸、解 剖结构、胸腔构造和心脏生理特性等影响，ECG信号因人而异。同一个体正常心搏之间、同 种心律失常心搏之间存在很大的相似性，内部差异小于个体心搏间的差异，因此，ECG可作 为一种生物特征用于身份识别。
[0005] 与传统的生物特征身份识别方法相比，借助于人体内蕴的ECG信号进行身份识别 逐渐受到学者的关注，它具有许多独特优点：1.防伪性，ECG信号来自于用户的心脏，是一 种活体生物特征，与指纹、人脸及语音等特征相比，消除了被轻易模仿或窃取的隐患；2.易 处理，ECG是一维信号，数据量小，处理简单，节省存储空间。
[0006] 很多学者对ECG信号用于身份识别进行了探讨，早期的研究工作主要围绕健康人 群开展，依据正常ECG信号识别身份，并且取得了很高的识别准确率。然而，现实生活中具 有心律失常的个体普遍存在，以上这些方法在心电异常状态下的效果并不好；近期的一些 研究工作将异常ECG信号考虑在内，很多方法只涉及某一种或几种心律失常类型，实际应 用中具有很大的局限性。
【发明内容】
[0007] 本发明综台考虑正常与异常ECG信号，提出一种准确率高且适用于心电异常状态 的身份识别算法。总体流程如图1所示，关键技术包括心电信号预处理、信号分解及标准 化处理、心电特征提取、ECG数据聚类、心电模板数据库构建及身份识别。具体可分为以下 五个模块：
[0008] 1.心电信号预处理模块
[0009] 1. 1获取用户稳定状态下具有一定时长的多段心电数据，以数据文件的形式存储， 对应头文件包含该用户的身份信息及心电数据格式；
[0010] 1. 2对每段心电数据进行预处理，通过设计合适的滤波器实现，滤除工频干扰、基 线漂移及肌电干扰等噪声。
[0011] 2.信号分解及标准化模块
[0012] 2. 1对用户的ECG数据，检测R波峰位置；
[0013] 2. 2采用基于R波峰位置及相邻RR间期的方法，分割连续心电波形，也就是将每周 期心电波形逐次分离出来；
[0014] 2. 3标准化处理，使同一个体的所有心电波形在时间尺度上具有相同的长度，在幅 值尺度上具有相等的最大电压值。
[0015] 3.心电信号特征提取模块
[0016] 3. 1利用R波峰位置及平均RR间期信息，提取每拍心电波形的QRS复合波；
[0017] 3. 2基于小波变换（Wavelet Transform)提取ECG信号的特征；
[0018] 3. 3采用主成分分析（Principal Component Analysis, PCA)对特征空间进行降 维。
[0019] 4.心电模板数据库构建模块
[0020] 4. 1 米用 ISODATA (Iterative Self-Organization Data Analysis Techniques) 算法对同一用户的ECG数据聚类；
[0021] 4. 2对每类ECG数据，以相应的QRS复合波作为待选ECG模板；
[0022] 4. 3对每类待选模板，采用相关阈值法，选取合适数目的典型模板作为该类数据的 匹配模板；
[0023] 4. 4对所有注册用户做相同的处理，从而构建心电模板数据库。
[0024] 5.模板匹配及身份识别模块
[0025] 5. 1获取待识别用户稳定状态下具有一定时长的一段心电数据，执行数据预处理、 信号分解、标准化处理及QRS复合波提取等操作；
[0026] 5. 2采用相关阈值法，选取合适数目并且能够表征该用户的QRS复合波作为ECG测 试数据；
[0027] 5. 3将每个测试数据与ECG模板库中的所有模板进行匹配；
[0028] 5. 4把测试数据与模板数据之间的相关系数作为模板匹配准则，寻找测试数据的 最佳匹配模板，综合考虑同一待识别用户全部ECG测试数据的模板匹配结果，确定该用户 的最终身份。
[0029] 本发明的优点在于：
[0030] 1.算法对分离出的每周期心电波形进行标准化处理，这样就很好地消除了由于压 力、运动等外在因素导致的心率变化反映在心电波形时间尺度上的不一致性；
[0031] 2.算法在提取QRS复合波时，利用了成熟的R波检测算法，增加了提取的可靠性及 精度；而在借助小波变换提取特征时，无需检测P波、Q波及T波位置，又极大地降低了算法 的时间复杂度；
[0032] 3.算法在构建心电模板库时，不但利用正常ECG数据，而且对于具有心律失常的 用户，把异常ECG数据也考虑在内，将正常和各类心律失常数据统一用IS0DATA算法聚类， 既提高了身份识别精度，也扩大了应用范围；
[0033] 4.在模板匹配及身份识别时，为了消除用户心电奇异值对算法的影响，增加系统 健壮性，选取多个测试数据进行判别，综合考虑用户每个测试数据的最佳匹配模板及对应 的相关系数，得到最终的身份识别结果。
【专利附图】
【附图说明】
[0034] 图1为本发明技术方案总体流程图；
[0035] 图2为本发明技术方案模块结构示意图；
[0036] 图3为心电信号预处理模块流程图；
[0037] 图4为信号分解及标准化模块流程图；
[0038] 图5为心电信号特征提取模块流程图；
[0039] 图6为心电模板数据库构建模块流程图；
[0040] 图7为模板匹配及身份识别模块流程图。
【具体实施方式】
[0041] 为使本发明的实施步骤、效果和优点更为清楚，下面将结合附图对本发明的实施 方式作进一步详细描述。
[0042] 本发明涉及一种心电异常状态下基于ECG的多模板匹配身份识别方法，参见图2， 该方法包括：
[0043] 201 :心电信号预处理模块；
[0044] 202 :信号分解及标准化模块；
[0045] 203 :心电信号特征提取模块；
[0046] 204 :心电模板数据库构建模块；
[0047] 205 :模板匹配及身份识别模块。
[0048] 其中，心电信号预处理模块用于获取用户的原始ECG数据，存储在数据文件中，经 滤波处理，消除信号中的工频干扰、基线漂移及采集过程中的肌电干扰等噪声。心电信号预 处理模块的流程图参见图3,具体包括：
[0049] 301 :获取用户的原始ECG数据。本发明以MIT-BIH心律失常数据库（MIT-BIH Arrhythmia Database，MITDB)中的心电数据作为实验数据，选取其中44个心电数据文件， 每个文件的时长大约30分钟，分别表征每个用户，记为U seri i = 1，2, . . .，44,前20分钟 作为训练数据集，后10分钟作为测试数据集。
[0050] 302 :数据滤波处理。人体心电是微弱信号，并且在采集过程中易受各种噪声干扰， 因此，滤波处理是必不可少的步骤。
[0051] 本发明采用的滤波算法主要完成如下几方面的工作：1.对原始ECG信号进行去均 值化处理；2.应用移动平均滤波器消除高频噪声干扰；3.消除基线漂移，主要考虑外部信 号源的低频信号；4.采用截止频率为30Hz的巴特沃斯滤波器滤除频率高于30Hz的噪声。 经如上四步处理，可以有效地去除ECG信号中各种主要噪声干扰。
[0052] 信号分解及标准化处理模块。对于预处理后的ECG数据，按照一定的分割规则，将 用户每周期心电波形从连续心电信号中分离出来，并做标准化处理。信号分解及标准化模 块的流程图参见图4,具体包括：
[0053] 401 :R波峰位置检测。为提取ECG信号的特征，需检测R波峰位置，为此，本发明 采用名为ECGPUWAVE的QRS波检测器来实现，该检测器的输出是一个包含R波峰采样点位 置的文件。
[0054] 402 :心电信号分解。为了将用户的ECG数据聚类，并进而构建心电模板库，需要将 每个心动周期的ECG信号从连续心电数据记录中分离出来。本发明采用基于R波峰位置及 相邻RR间期的方法实现。MITDB中心电数据的采样频率为360Hz，对用户U seri训练集中 的心电数据，计算可得周期数为M，采样点数为n，则该段数据时长为 _ t = ^S [0056] 平均RR间期为
[0057] f- = 36^S
[0058] 心电信号分解遵循如下原则：
[0059] 1.对当前心电波形，R波峰位置为tK_position，与前一个相邻R波峰的时间间隔 记为t RR_pre，与后一个相邻R波峰的时间间隔记为tKK_next ;
[0060] 2.选取时间区间为[tR position-O. 4*tRR pre，tR position+0. 6*tRR next]的一段 数据表征当前心电波形；
[0061] 3.对所有用户的心电数据做相同处理，实现心电信号分解。
[0062] 403 :时间尺度标准化。心率易受外界环境影响，为了消除心率变化对算法精度造 成的不利影响，需要对每个心电波形在时间尺度上做标准化处理，具体实现方式如下：
[0063] 以当前周期心电R波峰位置为基准，并参考该用户的平均RR间期值进行调整。
[0064] 1.如果当前周期心电波形的时间区间长度大于平均RR间期，即0. 4*tKK pre+0. 6*tKK_next > tKK，则进行区间压缩，区间压缩系数为 _ 0.4 * tRR_pre + 0.6 * tRRnext - tRRL 」comp ~ 0.4 * tRR_pre + 0.6 * tRR_next
[0066] 2.如果当前周期心电波形的时间区间长度小于平均RR间期，即 0. 4*tKK_pre+0. 6*tKK next < ，则进行区间扩展，区间扩展系数为 , _ 亡仙 一 (0-4 氺 tRR_pre + 0.6 * t狀-next) expd 0.4 * tRRjpre + 0.6 * tRR_next
[0068] 3.对所有心电波形做上述区间压缩或扩展处理，得到时间尺度上标准化的ECG信 号。
[0069] 404 :幅值尺度标准化。为了消除测量仪器导致的幅值变化，需要对每个心电波形 在幅值尺度上进行标准化处理，具体实现方式如下：
[0070] 1.记录同一用户所有ECG信号R波峰位置处的幅值，求取平均值/Ιττφβ;
[0071] 2.如果当前ECG信号R波峰位置处的幅值大于平均值，ΒΜτηρβ > >4mpR，则将幅 值压缩，压缩系数为 AmpR - AmpR
[。。72]
[0073] 3.如果当前ECG信号R波峰位置处的幅值小于平均值，SMmp/i < i4mpR，则将幅 值拉伸，拉伸系数为
[0074]
【权利要求】
1. 一种心电异常状态下基于ECG的多模板匹配身份识别方法，其特征在于，包括如下 步骤： 步骤1 :原始ECG数据获取，预处理； 步骤2 :心电信号分解及标准化处理； 步骤3 :小波变换提取心电信号的典型特征，主成分分析对特征空间进行降维，得到表 征ECG信号的特征向量； 步骤4 :利用ISODATA算法对ECG数据聚类，进而构建注册用户ECG模板库； 步骤5 :将待识别用户的ECG测试数据逐一与模板库中的心电模板进行匹配，采用相关 系数作为相似度准则，得到身份识别结果。
2. 根据权利要求1所述的心电异常状态下基于ECG的多模板匹配身份识别方法，其特 征在于，所述身份识别方法包括如下五个模块： 2. 1心电信号预处理模块； 2. 2信号分解及标准化模块； 2. 3心电信号特征提取模块； 2. 4心电模板数据库构建模块； 2. 5模板匹配及身份识别模块。
3. 根据权利要求2所述的基于ECG的身份识别方法包含的心电信号预处理模块，其特 征在于，包含如下步骤： 3. 1获取用户稳定状态下具有一定时长的多段心电数据； 3. 2对每段心电数据进行预处理，设计合适的滤波器，滤除工频干扰、基线漂移及肌电 干扰等噪声。
4. 根据权利要求2所述的基于ECG的身份识别方法包含的信号分解及标准化模块，其 特征在于，包含如下步骤： 4. 1对用户的ECG数据，检测R波峰位置； 4. 2采用基于R波峰位置及相邻RR间期的方法，分离出每个心电周期的波形； 4. 3标准化处理，在时间尺度上使之具有相同的长度，在幅值尺度上使之具有相等的最 大电压值。
5. 根据权利要求2所述的基于ECG的身份识别方法包含的心电信号特征提取模块，其 特征在于，包含如下步骤： 5. 1利用R波峰位置及RR间期的信息，提取每拍心电波形的QRS复合波； 5. 2基于小波变换提取心电波形的原始特征； 5. 3采用主成分分析对心电特征空间进行降维，得到能够表征心电波形的特征向量。
6. 根据权利要求2所述的基于ECG的身份识别方法包含的心电特征模板库构建模块， 其特征在于，包含如下步骤： 6. 1采用ISODATA算法将同一用户的ECG数据聚类，得到c类数据； 6. 2将QRS复合波作为每类ECG数据的待选模板； 6. 3采用相关阈值法，从每类待选模板中选取合适数目的典型QRS复合波，作为该类 ECG数据的匹配模板； 6. 4对每个注册用户做相同处理，从而构建心电模板数据库。
7.根据权利要求2所述的基于ECG的身份识别方法包含的模板匹配及身份识别模块， 其特征在于，包含如下步骤： 7. 1获取待识别用户稳定状态下一段具有一定时长的心电数据，完成数据预处理、心电 信号分解、标准化处理及QRS复合波提取等步骤； 7. 2采用相关阈值法，选取合适数目并且能够表征待识别用户的QRS复合波作为ECG测 试数据； 7. 3将待识别用户的每个测试数据与ECG模板库中的所有模板进行匹配； 7. 4采用相关系数作为模板匹配相似度准则，寻找最佳匹配模板，综合考虑每个测试数 据的匹配情况，确定待识别用户的身份。
【文档编号】A61B5/0402GK104102915SQ201410313480
【公开日】2014年10月15日 申请日期:2014年7月1日 优先权日:2014年7月1日
【发明者】张跃, 王召 申请人:清华大学深圳研究生院