一种基于改进残差收缩网络的身份识别方法

本发明属于心电信号处理，涉及一种基于改进残差收缩网络的身份识别方法。

背景技术：

1、随着信息化社会的高速发展，传统的一些身份识别方法如身份证，密码等已不适用于高安全级别的生活工作中。现如今无处不在的智能传感器设备和先进的信号处理、深度学习技术的发展与应用，使得基于生物特征识别的身份认证技术得到了爆炸式的发展，在诸多领域发挥着重要的作用。如智能手机和手表的指纹和面容开机解锁、防盗门的虹膜识别和声音认证等。但随着人工智能兴起所发展出的如ai换脸、指纹复现、语音合成等技术给这些身份认证方法带来了不确定性。所以探索一种能进一步发挥生物特征识别的高安全性、高隐私性优势的技术显得尤为重要。

2、心电信号作为一种生物活体特征，信号产生原理复杂，不易被剽窃或仿造，更不会遗忘或丢失。其具备的普遍性、唯一性、稳定性、可测量性完全满足身份特征识别的基本要求。随着国内外研究学者在生物特征识别技术领域的不断挖掘和探索，一种基于心电信号的生物特征身份识别技术凭借其高防伪性、高安全性以及高隐私性的特点，迅速成为生物特征识别技术的研究热点，被很多国内外学者认为是最具高安全性潜力的生物识别技术。

3、2001年，biel等人首次通过以ecg信号在时域和频域内的基准点特征作为提取信息，完成了ecg信号在个体上的分类识别研究。2005年israel等人从20秒的心电样本中提取了心跳波形p、q、r、s和t之间的时间间隔以及对应波形的起始点和偏移点等15个属性，实现了98％的识别率。考虑到以基准点的特征提取方法存在的显著缺点，即需要在心电信号波形中预先定位基准点。而在日常生活使用到的便携采集设备中，心电信号往往包含大量噪声，使得基准点难以定位。2005年saechia s等人率先将傅里叶变换应用于整个心动周期中，并分别应用与p、qrs和t片段。利用整段或者部分ecg信号来提取波形形态相关的特征的非基准点方法开始进入研究人员的视野中，而对应的如傅里叶变换、小波变换以及离散余弦变换等信号处理方法被广泛应用于ecg信号。2011年f sufi等人通过将多段心跳转换为二维图像的形式，把图像分析处理中的二维特征提取应用于ecg身份识别分类。近年来得益于深度学习的不断发展，通过数据增强、调优、迁移学习等技术增强了模型识别的应用能力。2019年，hou等人基于长短时记忆神经网络和自编码器建立起神经网络自编码模型，实现了在异常心拍上99.74％的分类准确率。2021年，刘鑫基于尺度特征长短时记忆神经网络实现了基于低维的ecg信号表示的深层特征分类。

4、本发明围绕原始心电信号样本在不进行过多预处理的前提下，从样本数据质量评估、网络模型改进和身份识别模型对比等方面进行研究，选取合适的身份识别模型。

技术实现思路

1、本发明的目的是针对现有技术的不足，提供一种基于改进残差收缩网络的身份识别方法。

2、第一方面，提供一种基于改进残差收缩网络的身份识别方法，包括以下步骤：

3、步骤(1)：获取带标签的一维心电信号，所述标签为是或否，作为数据集；将数据集按照一定的比例拆分为训练集和测试集；

4、步骤(2)：构建改进残差网络mrsn，其输入为一维心电信号，输出为身份识别结果；并对其进行训练和测试；

5、所述改进残差收缩网络包括依次串联的第一至六残差模块、卷积层、dropout层、批量归一化层bn、flatten层、第一全连接层、第二全连接层；

6、第一至六残差模块架构相同，每个残差模块均包括主路、支路、第一融合层，

7、所述主路包括第一卷积模块、第二卷积模块、基于注意力机制的软阈值化处理子模块、scale层；所述第一卷积模块接收到的一维心电信号经激活函数relu和bn(批量归一化)进行预激活，然后再经过卷积提取特征，然后将特征输出至所述第二卷积模块和所述支路；所述第二卷积模块接收所述第一卷积模块卷积处理后的特征，再经激活函数relu和bn(批量归一化)进行预激活，然后再经过卷积提取特征，最后将特征输出至所述基于注意力机制的软阈值化处理子模块和所述scale层；

8、所述基于注意力机制的软阈值化处理子模块包括最大池化层、第一全连接层、bn层、激活函数leaky relu、第二全连接层、激活函数sigmoid、第二融合层；具体是：

9、所述最大池化层将所述第二卷积模块卷积处理后的特征采用最大池化函数(gmp)集中提取能够突出心电信号特征的采样点特征；所述第一全连接层将所述最大池化层提取的采样点特征进行fc处理，再经bn(批量归一化)、激活函数leakyrelu学习特征的软阈值；所述第二全连接层将所述学习特征的软阈值进行fc处理，再经激活函数sigmoid生成系数αc；所述融合层将所述最大池化层提取的采样点特征和激活函数sigmoid系数计算出的系数αc进行相乘，得到自适应阈值λ；

10、所述scale层通过阈值对第二卷积模块的输出进行去噪处理；

11、所述支路包括依次串联的最大池化层、零填充操作层，对一维心电信号进行信号维度匹配；

12、所述第一融合层将主路和支路的两路输出进行融合；

13、步骤(3)：利用训练和测试好的改进残差网络mrsn对获取的原始一维心电信号进行身份识别；

14、第二方面，提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行所述的方法；

15、第三方面，提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的方法；

16、本发明的有益效果是：

17、本发明提出一种基于一维心电信号的身份识别技术，围绕带噪未处理的心电信号，从样本数据质量评估、网络模型改进和身份识别模型对比三个方面进行深入研究。ecg信号质量评估能够从原始数据集中有效筛选出合格的ecg信号，且对于不合格的数据样本仅做切割分类等基本预处理，不添加其他的去噪方法，用以检测改进的残差收缩网络自动抗噪的功能。通过对残差收缩网络的改进使之适配了一维的ecg信号，表现出了较强的自适应性和较高的识别准确率。本发明通过采用轻量级网络或模型剪枝等方法，在保证较高识别率的前提下，提高模型识别速度以及泛化能力。

技术特征：

1.一种基于改进残差收缩网络的身份识别方法，其特征在于包括以下步骤：

2.根据权利要求1所述方法，其特征在于步骤(1)所述一维心电信号包括质量等级评估结果为合格和不合格心电信号；所述质量等级评估过程具体是计算六种信号质量评估指数sqi，将上述六种信号质量评估指数sqi作为随机森林分类器的输入，完成对心电信号的质量分类，以评估出质量合格和不合格的心电信号；所述六种信号质量评估指数sqi包括信号频率偏度s_sqi、信号峰度k_sqi、频率谱分布指数p_sqi、基线功率谱指数bas_sqi、rr区间可变性指数c_sqi、r峰匹配指数q_sqi。

3.根据权利要求1所述方法，其特征在于所述第二融合层具体满足以下公式：

4.根据权利要求1所述方法，其特征在于所述第一融合层具体是：

5.根据权利要求1所述方法，其特征在于最大池化函数计算公式：

6.根据权利要求1所述方法，其特征在于leakyrelu激活函数公式：

7.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项所述的方法。

8.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-6中任一项所述的方法。

技术总结
本发明公开一种基于改进残差收缩网络的身份识别方法。本发明采用改进残差收缩网络MRSN，包括依次串联的第一至六残差模块、卷积层、Dropout层、批量归一化层BN、Flatten层、第一全连接层、第二全连接层。第一至六残差模块架构相同，每个残差模块均包括主路、支路、第一融合层。所述主路包括第一卷积模块、第二卷积模块、基于注意力机制的软阈值化处理子模块、Scale层；所述基于注意力机制的软阈值化处理子模块包括最大池化层、第一全连接层、BN层、激活函数LeakyReLU、第二全连接层、激活函数Sigmoid、第二融合层。本发明模型较强的自适应性和较高的识别准确率。

技术研发人员：孙逸潇,赵治栋,张显飞,逯鑫淼
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/1/13