一种运动前后心电信号身份识别的有效方法与流程

本发明涉及生物医学信息处理领域，具体涉及一种运动前后心电信号身份识别的有效方法。

背景技术：

生物特征识别技术是以人与人之间独特的、难以伪造的解剖特征、生理特征或行为特征为依据，通过数字处理，实现个人身份识别的。常见的生物特征识别方法主要有人脸、指纹、声音等。这些识别方法虽然技术成熟，识别率高，但并非无懈可击。如人脸可通过拍像、化妆破解，指纹可被复制、窃取并用胶乳再造，声音可通过录音或模仿来破解。为加强生物特征身份识别技术的可靠性与安全性，国内外专家学者们一方面通过混合多个生物特征参数来提高识别系统破解难度；另一方面，努力寻找新的更可靠的生物特征识别技术。基于心电信号的身份识别技术，就是在这样的前提下，被国外专家提出来的。由于人与人之间的心脏位置、大小以及心脏结构都不相同，因此，每个人的心电信号都是独一无二的。个体之间的心电信号差异性为心电信号的身份识别与辨别提供了理论基础。心电信号跟传统的生物特征信号相比，有其独特的优势。心电信号是活体产生的生物电信号，跟指纹、人脸等几何特征信号相比，更加难以假冒、伪造。

但是，心电信号的微弱性使得利用心电信号进行身份识别变得困难。微弱的心电信号极易受到噪声干扰。在实验室以外采集的心电信号身份识别准确率还远远不能让人满意。此外，人的情绪、运动状态的变化也会对心电信号产生很大的影响，尤其是运动状态的改变不仅会显著地改变心率，而且对p、q、r、s、t波的影响各有不同，使得处理起来十分困难，很难找到运动状态改变前后保持比较稳定的特征以进行高质量的身份识别。

技术实现要素：

本发明的目的是针对现有技术的不足，提供了一种运动前后心电信号身份识别的方法，所述方法基于kl散度对运动心电信号进行特征选择，有效地提取出运动状态改变前后能够保持稳定的心电特征，进而实现普通健康人在运动前进行心电注册，在运动后仍然能够以较高的准确率进行心电身份识别的目的。

本发明的目的可以通过如下技术方案实现：

一种运动前后心电信号身份识别的有效方法，所述方法包括以下步骤：

采集若干受试者(普通健康人)在运动前和运动后的心电信号数据，将一半受试者运动前和运动后的心电信号数据作为辅助数据集，用于选择最优特征，另一半受试者运动前和运动后的心电信号数据作为实验数据集用于验证所选择的最优特征的有效性；

对采集的心电信号数据进行预处理；

对预处理后的心电信号数据进行多种特征提取；

对从心电信号数据中提取出来的多种特征进行标准化处理；

在辅助数据集上利用kl散度指标对标准化处理后的多种特征进行排序，找出最优的特征组合；

在实验数据集上，利用选择的最优特征组合和运动前的心电信号数据训练分类器，并对运动后的心电信号数据进行分类、评估，验证最优特征组合的有效性；

普通人在运动前进行心电信号注册，在运动后根据所述最优特征组合进行心电信号身份识别。

进一步地，所述对采集的心电信号数据进行预处理具体包括：利用中值滤波方法对采集的心电信号数据进行处理以去除基线漂移，再对中值滤波后的心电信号数据利用小波变换方法去除工频干扰。即将心电信号数据序列中一点的值用该点的一个邻域中各点值的中值代替，从而达到去除基线漂移的目的，对中值滤波后的心电信号采样数据进行小波变换，使得50hz/60hz的工频干扰和有用心电信号的主要能量落在不同尺度上，从而到达去除工频干扰的目的。

进一步地，所述对预处理后的心电信号数据进行多种特征提取具体包括：在以r波峰值点为中心的1s的窗口内，以采样点宽度为16，补偿为13进行短时傅里叶变换得到变换系数作为候选特征；在以r波峰值点为中心的1s的窗口内进行32尺度的db5小波变换，所得系数作为候选特征；原始心电信号每1s作为一个窗口，以80lags进行自相关计算，所得系数作为候选特征。

进一步地，所述对从心电信号数据中提取出来的多种特征进行标准化处理的具体过程为：将提取的多种特征利用最小最大标准化方法化为0～1之间的数值。

进一步地，所述在辅助数据集上利用kl散度指标对标准化处理后的多种特征进行排序，找出最优的特征组合，具体过程为：

在辅助数据集上，定义一个特征权重：

w(l)＝θw1(l)-(1-θ)w2(l)(1)

其中，第一项w1(l)是与类别之间的分离性有关的，定义如下：

其中，f(xi(l))是在辅助数据集中的第i个受试者运动前和运动后的所有样本计算的第l个特征的概率密度函数，是在辅助数据集上的全部样本上计算的第l个特征的概率密度函数，n是辅助数据集中的受试者个数；d(·)是kl散度，在正态分布假设下进行估计如下：

式(1)中的第二项是表示特征对于运动的敏感性的，定义如下：

和是第i个受试者分别在运动前和运动后的第l个特征的概率密度函数，当w2(l)比较小时，意味着第l个特征的分布在运动前后重合度较高，也就意味着该特征对于运动具有较高的鲁棒性；

θ是用于平衡w(l)前后两项的比重，能够根据实际情况进行选择；根据w指标的大小对特征进行排序，然后选出最大的n个特征，作为最优特征组合。

本发明与现有技术相比，具有如下优点和有益效果：

本发明提供的一种运动前后心电信号身份识别的有效方法，考虑利用心电信号在受试者运动前后进行身份识别的问题，采用kl散度对多种心电特征进行特征寻优，以找到运动状态改变前后能够保持稳定的特征，进而保证在运动状态改变之后仍然能够以较高的准确率进行心电身份识别

附图说明

图1为本发明实施例一种运动前后心电信号身份识别的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例提供了一种运动前后心电信号身份识别的有效方法，所述方法的流程图如图1所示，包括以下步骤：

一、采集11个受试者(普通健康人)在运动前(时长为5～10分钟)和运动后(时长为90～150秒)的心电数据，采样率为300hz。其中5个受试者的心电数据(包括运动前和运动后的数据)作为辅助数据集用于选择最优特征，另外6个受试者的心电数据作为实验数据集用于验证所选择的最优特征的有效性；

二、对采集的所有心电数据进行预处理，具体包括：利用中值滤波方法对心电信号进行处理以去除基线漂移，再对中值滤波后的心电信号利用小波变换方法去除工频干扰。即心电信号采样数据序列中一点的值用该点的一个邻域中各点值的中值代替，从而达到去除基线漂移的目的，对中值滤波后的心电信号采样数据进行小波变换，使得50hz/60hz的工频干扰和有用心电信号的主要能量落在不同尺度上，从而到达去除工频干扰的目的。

三、对预处理后的心电信号采样数据进行多种特征提取，具体包括：在以r波峰值点为中心的1s的窗口内，以采样点宽度为16，补偿为13进行短时傅里叶变换得到变换系数作为候选特征，包含572个特征；在以r波峰值点为中心的1s的窗口内进行32尺度的db5小波变换，所得系数作为候选特征，包含9600个特征；原始心电信号每1s作为一个窗口，以80lags进行自相关计算，所得系数作为候选特征，包含80个特征；总共的候选特征为10252个。

四、对从心电信号数据中提取出来的10252个特征进行标准化处理，即利用最小最大标准化方法化为0～1之间的数值。

五、分别计算每个特征在运动前后的概率分布的kl散度来衡量该特征对运动的敏感性，并对特征的kl散度进行排序，选出最大的n个特征；

所述对多种心电特征进行kl散度寻优的具体过程为：在辅助数据集上，定义一个特征权重:

w(l)＝θw1(l)-(1-θ)w2(l)(1)

其中，第一项w1(l)是与类别之间的分离性有关的，定义如下：

其中，f(xi(l))是在辅助数据集中的第i个受试者的所有样本(包括运动前和运动后)计算的第l个特征的概率密度函数，是在辅助数据集上的全部样本上计算的第l个特征的概率密度函数，n是辅助数据集中的受试者个数，这里n＝5。d(·)是kl散度，用于度量两个分布的相似程度，可以在正态分布假设下进行估计如下：

式(1)中的第二项是表示特征对于运动的敏感性的，可以定义如下：

和分别是第i个受试者分别在运动前和运动后的第l个特征的概率密度函数。当w2(l)比较小时，意味着第l个特征的分布在运动前后重合度较高，也就意味着该特征对于运动具有较高的鲁棒性。

θ是用于平衡w(l)前后两项的比重，这里根据经验选择0.3。根据w指标的大小对特征进行排序，然后选出最大的n个特征，作为最优特征组合。

六、在实验数据集上，利用从辅助数据集选择的最优特征和运动前的心电数据训练分类器，并对运动之后的心电数据进行分类、评估。

所述在实验数据集上，利用从辅助数据集选择的最优特征和运动前的心电数据训练分类器，并对运动之后的心电数据进行分类、评估的具体过程为：在实验数据集上，选出上一步中得到的最优特征，将运动前的心电数据作为训练集，运动后的心电数据作为测试集，在训练集上训练支持向量机分类器，在测试集上进行测试，得出运动后心电身份识别的准确率。

第五步中，n的取值不同决定最优特征不同，进而造成运动后心电身份识别的准确率不同，具体如下表1所示：

表1

从表1可以看出，当n取3000的时候，训练准确率达到100％，而测试准确率达到98％，即在运动状态改变之后仍然能够以较高的准确率进行心电身份识别。由于辅助数据集和实验数据集是完全分开的，所以从辅助数据集中找出的最优特征可以推广到更多其它的实验数据集。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。