本發(fā)明信息安全技術(shù)領(lǐng)域，特別是關(guān)于身份識(shí)別技術(shù)，具體的講是一種基于心電圖信號(hào)的身份識(shí)別方法及裝置。

背景技術(shù)：

當(dāng)今，身份識(shí)別已是一項(xiàng)必不可少的應(yīng)用，在很多領(lǐng)域都有著十分重要的作用，例如門(mén)禁系統(tǒng)、信用卡消費(fèi)以及當(dāng)今流行的互聯(lián)網(wǎng)支付等。伴隨著當(dāng)前社會(huì)對(duì)安全性需求的日益嚴(yán)格，傳統(tǒng)的身份識(shí)別方式已經(jīng)越來(lái)越不能滿足人們?nèi)粘Ｉ畹男枨?，例如證件、鑰匙容易偽造和遺失，密碼和個(gè)人識(shí)別碼容易遺忘和盜用。在這種背景下，指紋識(shí)別、虹膜識(shí)別、人臉識(shí)別、語(yǔ)音識(shí)別以及步態(tài)識(shí)別等傳統(tǒng)生物特征識(shí)別技術(shù)取得了巨大的進(jìn)展，特別是虹膜、人臉和指紋獲得極高的識(shí)別準(zhǔn)確度，已在許多領(lǐng)域得到廣泛應(yīng)用。但這些傳統(tǒng)的生物特征都具有一個(gè)共同的局限性：可欺騙性。例如，人臉可以通過(guò)化妝或者模具偽裝，指紋可以乳膠再造，虹膜圖像也可以復(fù)制拷貝，步態(tài)聲音都可以進(jìn)行模仿等。這很容易使得非法者進(jìn)入到身份識(shí)別系統(tǒng)，盜用或破壞信息系統(tǒng)。這一局限性直接影響到了信息安全的保障水平，因此開(kāi)發(fā)新的防偽性好并且具有較高識(shí)別精度的生物特征十分必要。

基于上述現(xiàn)實(shí)問(wèn)題，一種新型生物特征識(shí)別技術(shù)被提出——心電信號(hào)(ECG，Electrocardiogram Identification)身份識(shí)別技術(shù)。心電信號(hào)最大的特點(diǎn)與優(yōu)勢(shì)在于它無(wú)法偽造，具有極高的防欺騙能力，它必須通過(guò)活體驗(yàn)證，這極大的克服了現(xiàn)有身份識(shí)別系統(tǒng)的缺陷，同時(shí)ECG身份識(shí)別技術(shù)也可以是對(duì)當(dāng)前生物特征識(shí)別技術(shù)的補(bǔ)充。此外，通過(guò)ECG身份識(shí)別與指紋等其它身份識(shí)別技術(shù)的組合多模態(tài)身份識(shí)別技術(shù)也是今后重要的發(fā)展方向。

Biel等在2001年提出了基于ECG信號(hào)的身份識(shí)別后，中外學(xué)者紛紛對(duì)ECG身份識(shí)別進(jìn)行了系統(tǒng)與更加深入的研究，提出了許多技術(shù)方法與改進(jìn)策略。Shen等提出通過(guò)模板匹配與決策類神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行身份識(shí)別，識(shí)別率達(dá)到95％；Arteaga-Falconi等提出了基于關(guān)鍵點(diǎn)的時(shí)間間隔特征，實(shí)現(xiàn)了1.41％的錯(cuò)誤接受率和81.82％的正確接受率；Adrian D.C.Chan等人以平均心動(dòng)周期的波形與小波分解系數(shù)作為特征，然后計(jì)算波形特征間的相關(guān)系數(shù)和對(duì)應(yīng)小波系數(shù)的歐式距離進(jìn)行身份識(shí)別，在公開(kāi)數(shù)據(jù)庫(kù)中60個(gè)健康樣本上測(cè)試，達(dá)到100％的準(zhǔn)確率；Zokaee等人提出了一個(gè)基于ECG和掌紋的多模態(tài)身份識(shí)別系統(tǒng)，該研究使用梅爾倒譜系數(shù)提取ECG特征和用PCA方法提取掌紋特征，最后實(shí)現(xiàn)94.7％的準(zhǔn)確率；Chen等選擇李雅普諾夫指數(shù)和關(guān)聯(lián)維作為識(shí)別特征，對(duì)19個(gè)實(shí)驗(yàn)室采集的樣本進(jìn)行測(cè)試，識(shí)別率超過(guò)90％。

現(xiàn)有技術(shù)中，三星公司提供了一種基于心電圖信號(hào)的用戶認(rèn)證方法和設(shè)備，所述用戶認(rèn)證設(shè)備包括：心電圖(ECG)波形獲取器，被配置為獲取用戶的認(rèn)證ECG波形以對(duì)用戶進(jìn)行認(rèn)證；濾波器，被配置為通過(guò)將從參考ECG波形提取的參考模型參數(shù)應(yīng)用于卡爾曼濾波器，使用所述卡爾曼濾波器對(duì)認(rèn)證ECG波形進(jìn)行濾波；認(rèn)證器，被配置為將濾波后的ECG波形與參考ECG波形進(jìn)行比較，并基于比較的結(jié)果確定濾波后的認(rèn)證ECG波形與參考ECG波形是否對(duì)應(yīng)。

同時(shí)，現(xiàn)有技術(shù)的清華大學(xué)深圳研究生院提出了一種心電異常狀態(tài)下基于ECG多模板匹配的身份識(shí)別方法，該方法的關(guān)鍵技術(shù)包括：心電信號(hào)預(yù)處理，用于消除噪聲干擾；心電信號(hào)分解，分離出每個(gè)周期的心電波形；標(biāo)準(zhǔn)化處理，分別在時(shí)間和幅值尺度上標(biāo)準(zhǔn)化；特征提取，利用小波變換提取特征，ISODATA算法進(jìn)行聚類分析，進(jìn)而構(gòu)建ECG模板庫(kù)；相關(guān)性分析，計(jì)算ECG測(cè)試數(shù)據(jù)與各模板的相關(guān)性，選擇最佳匹。

另外，現(xiàn)有技術(shù)的中國(guó)航天員科研訓(xùn)練中心提出了一種身份識(shí)別方法及應(yīng)用該方法的身份識(shí)別系統(tǒng)，該方法利用心電(ECG)信號(hào)進(jìn)行身份識(shí)別，包括如下步驟：(a)ECG信號(hào)采集；(b)ECG信號(hào)預(yù)處理，其中對(duì)采集的ECG信號(hào)進(jìn)行濾波；(c)特征提取，其中提取ECG信號(hào)的特征，以此構(gòu)建身份識(shí)別特征向量，所構(gòu)建的身份識(shí)別特征向量包括解析特征、表象特征、變換域特征和融合特征；(d)識(shí)別步驟，其中將待識(shí)別者的身份識(shí)別特征向量與預(yù)先存儲(chǔ)在ECG特征模板庫(kù)中的身份識(shí)別特征向量進(jìn)行比對(duì)；(e)結(jié)果輸出。

上述這些現(xiàn)有技術(shù)首先都通過(guò)對(duì)ECG信號(hào)的預(yù)處理消除噪聲干擾，然后通過(guò)波形特征、變換域特征或幾種方法的融合特征等作為匹配特征，最后通過(guò)模板匹配的方法找到相似度最高的模板或者相似度高于特定閾值的模板作為識(shí)別結(jié)果。這些技術(shù)存在幾個(gè)共同的缺陷：(1)模板相似度匹配時(shí)，最優(yōu)閾值的確定十分困難；(2)無(wú)法克服心率變化造成的誤識(shí)別；(3)對(duì)于低質(zhì)量的單導(dǎo)聯(lián)ECG信號(hào)，識(shí)別性能會(huì)出現(xiàn)急劇惡化。

技術(shù)實(shí)現(xiàn)要素：

為提供有較強(qiáng)判別力的身份識(shí)別特征，提高系統(tǒng)的識(shí)別率，本發(fā)明實(shí)施例提供了一種基于心電圖信號(hào)的身份識(shí)別方法，包括：

步驟1，對(duì)待識(shí)別的心電圖信號(hào)進(jìn)行R波檢測(cè)，提取RR間期作為一個(gè)心電周期；

步驟2，取N個(gè)連續(xù)的心電周期作為心電周期集；

步驟3，利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征；

步驟4，對(duì)心電周期集中包含的心電周期的功率譜特征求平均確定心電周期集對(duì)應(yīng)的待識(shí)別的心電圖信號(hào)對(duì)應(yīng)的身份特征；

步驟5，根據(jù)所述的身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征的距離生成身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征包括：

對(duì)每個(gè)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)；

利用AR模型對(duì)所述L個(gè)尺度的心電周期信號(hào)進(jìn)行功率譜估計(jì)，確定各尺度對(duì)應(yīng)的功率譜向量；

根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征。

本發(fā)明實(shí)施例中，L的值為3，所述的對(duì)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)包括：

將原始的心電周期信號(hào)作為尺度1的心電周期信號(hào)；

對(duì)尺度1的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度2的心電周期信號(hào)；

對(duì)尺度2的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度3的心電周期信號(hào)。

本發(fā)明實(shí)施例中，所述的根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征包括：

根據(jù)各尺度的識(shí)別率和式(1)確定各尺度對(duì)應(yīng)的權(quán)重值；

ω_j為各尺度的權(quán)重值，rt_j為第j尺度下對(duì)應(yīng)的識(shí)別率；

根據(jù)各尺度對(duì)應(yīng)的權(quán)重值、各尺度對(duì)應(yīng)的功率譜向量及式(2)確定每個(gè)心電周期的功率譜特征；

ARM＝ω₁*ARM₁+ω₂*ARM₂+ω₃*ARM₃ (2)

其中，ω₁,ω₂和ω₃為三個(gè)尺度的權(quán)重值，且ω₁+ω₂+ω₃＝1；

ARM為每個(gè)心電周期的功率譜特征；

ARM₁，ARM₂，ARM₃為利用AR模型確定的三個(gè)尺度對(duì)應(yīng)的功率譜向量。

本發(fā)明實(shí)施例中，所述的根據(jù)所述的身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征的距離生成身份識(shí)別結(jié)果包括：

將身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算；

將與身份特征距離最小的注冊(cè)樣本作為身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的將身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算包括：

利用歐式距離算法、余弦距離算法、皮爾遜相關(guān)系數(shù)算法或城市街區(qū)距離算法對(duì)身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算。

本發(fā)明實(shí)施例中，所述的方法包括：

采集各注冊(cè)樣本的心電信號(hào)；

利用步驟1-步驟4確定各注冊(cè)樣本的功率譜特征，將各注冊(cè)樣本的功率譜特征作為所述的預(yù)先建立的注冊(cè)模板庫(kù)。

同時(shí)，本發(fā)明還提供一種基于心電圖信號(hào)的身份識(shí)別方法，包括：

步驟1，對(duì)待識(shí)別的心電圖信號(hào)進(jìn)行R波檢測(cè)，提取RR間期作為一個(gè)心電周期；

步驟2，取N個(gè)連續(xù)的心電周期作為心電周期集；

步驟3，利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征；

步驟4，根據(jù)待識(shí)別心電圖信號(hào)的功率譜特征和預(yù)先建立的注冊(cè)樣本的分類器模型進(jìn)行身份識(shí)別，生成身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征包括：

對(duì)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)；

利用AR模型對(duì)所述L個(gè)尺度的心電周期信號(hào)進(jìn)行功率譜估計(jì)，確定各尺度對(duì)應(yīng)的功率譜向量；

根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征。

本發(fā)明實(shí)施例中，L的數(shù)值為3，對(duì)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)包括：

將原始的心電周期信號(hào)作為尺度1的心電周期信號(hào)；

對(duì)尺度1的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度2的心電周期信號(hào)；

對(duì)尺度2的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度3的心電周期信號(hào)。

本發(fā)明實(shí)施例中，所述的根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征包括：

根據(jù)各尺度的識(shí)別率和式(1)確定各尺度對(duì)應(yīng)的權(quán)重值；

ω_j為各尺度的權(quán)重值，rt_j為第j尺度的識(shí)別率；

根據(jù)各尺度對(duì)應(yīng)的權(quán)重值、各尺度對(duì)應(yīng)的功率譜向量及式(2)確定每個(gè)心電周期的功率譜特征；

ARM＝ω₁*ARM₁+ω₂*ARM₂+ω₃*ARM₃ (2)

其中，ω₁,ω₂和ω₃為三個(gè)尺度的權(quán)重值，且ω₁+ω₂+ω₃＝1；

ARM為每個(gè)心電周期的功率譜特征；

ARM₁，ARM₂，ARM₃為利用AR模型確定的三個(gè)尺度對(duì)應(yīng)的功率譜向量。

本發(fā)明實(shí)施例中，所述的方法包括：

步驟a，采集各注冊(cè)樣本的心電信號(hào)；

步驟b，利用上述的步驟1-步驟3確定采集的各注冊(cè)樣本中各心電周期的功率譜特征；

步驟c，選擇一注冊(cè)樣本去除異常周期后的的功率譜特征作為當(dāng)前注冊(cè)樣本的正樣本集，選擇一其它注冊(cè)樣本的功率譜特征作為當(dāng)前注冊(cè)樣本對(duì)的負(fù)樣本集；

步驟d，根據(jù)所述正樣本集和負(fù)樣本集構(gòu)造當(dāng)前注冊(cè)樣本訓(xùn)練集；

步驟e，利用所述當(dāng)前注冊(cè)樣本訓(xùn)練集訓(xùn)練當(dāng)前樣本的獨(dú)立分類器模型；

步驟f，對(duì)采集的各注冊(cè)樣本遍歷上述步驟c-步驟e，確定各注冊(cè)樣本的獨(dú)立分類器模型；

步驟g，將所述的各注冊(cè)樣本的獨(dú)立分類器模型組成并列分類器組模型，將所述并列分類器組模型作為所述的預(yù)先建立的各注冊(cè)樣本的分類器模型。

本發(fā)明實(shí)施例中，所述的根據(jù)待識(shí)別的心電圖信號(hào)的功率譜特征和預(yù)先建立的各注冊(cè)樣本的分類器模型進(jìn)行身份識(shí)別，生成身份識(shí)別結(jié)果包括：

從心電周期集中選擇連續(xù)的M個(gè)心電周期的功率譜特征作為待識(shí)別信號(hào)；

將所述的M個(gè)待識(shí)別信號(hào)輸入到所述的并列分類器組模型，生成身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的將所述的M個(gè)待識(shí)別信號(hào)輸入到所述的并列分類器組模型，生成身份識(shí)別結(jié)果包括：

所述的M個(gè)待識(shí)別信號(hào)中有至少有兩個(gè)均被識(shí)別為注冊(cè)樣本中的一樣本時(shí)，將當(dāng)前樣本作為身份識(shí)別結(jié)果輸出。

本發(fā)明實(shí)施例中，M的值為5。

另外，本發(fā)明還提供一種基于心電圖信號(hào)的身份識(shí)別裝置，包括：

R波檢測(cè)模塊，用于對(duì)待識(shí)別的心電圖信號(hào)進(jìn)行R波檢測(cè)，將RR間期作為一個(gè)心電周期；

提取模塊，取N個(gè)連續(xù)的心電周期作為心電周期集；

功率譜特征確定模塊，利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征；

身份特征確定模塊，對(duì)心電周期集中包含的心電周期的功率譜特征求平均確定心電周期集對(duì)應(yīng)的身份特征；

識(shí)別模塊，根據(jù)所述的身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征的距離生成身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的功率譜特征確定模塊包括：

分解單元，用于對(duì)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)；

功率譜估計(jì)單元，用于利用AR模型對(duì)所述L個(gè)尺度的心電周期信號(hào)進(jìn)行功率譜估計(jì)，確定各尺度對(duì)應(yīng)的功率譜向量；

功率譜特征確定單元，用于根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征。

本發(fā)明實(shí)施例中，L的值為3，所述的分解單元對(duì)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)包括：

將原始的心電周期信號(hào)作為尺度1的心電周期信號(hào)；

對(duì)尺度1的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度2的心電周期信號(hào)；

對(duì)尺度2的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度3的心電周期信號(hào)。

本發(fā)明實(shí)施例中，所述的功率譜特征確定單元根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征包括：

根據(jù)各尺度的識(shí)別率和式(1)確定各尺度對(duì)應(yīng)的權(quán)重值；

ω_j為各尺度的權(quán)重值，rt_j為第j尺度下對(duì)應(yīng)的識(shí)別率；

根據(jù)各尺度對(duì)應(yīng)的權(quán)重值、各尺度對(duì)應(yīng)的功率譜向量及式(2)確定每個(gè)心電周期的功率譜特征；

ARM＝ω₁*ARM₁+ω₂*ARM₂+ω₃*ARM₃ (2)

其中，ω₁,ω₂和ω₃為三個(gè)尺度的權(quán)重值，且ω₁+ω₂+ω₃＝1；

ARM為每個(gè)心電周期的功率譜特征；

ARM₁，ARM₂，ARM₃為利用AR模型確定的三個(gè)尺度對(duì)應(yīng)的功率譜向量。

本發(fā)明實(shí)施例中，所述的識(shí)別模塊包括：

距離計(jì)算單元，用于將身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算；

結(jié)果生成單元，將與身份特征距離最小的注冊(cè)樣本作為身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的距離計(jì)算單元將身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算包括：

利用歐式距離算法、余弦距離算法、皮爾遜相關(guān)系數(shù)算法或城市街區(qū)距離算法對(duì)身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算。

本發(fā)明實(shí)施例中，所述的裝置還包括：

信號(hào)采集模塊，用于采集各注冊(cè)樣本的心電信號(hào)，利用所述R波檢測(cè)模塊、提取模塊、功率譜特征確定模塊以及身份特征確定模塊確定各注冊(cè)樣本的功率譜特征；

模板庫(kù)建立模塊，將所述各注冊(cè)樣本的功率譜特征作為所述的預(yù)先建立的注冊(cè)模板庫(kù)。

進(jìn)一步，本發(fā)明還提供一種基于心電圖信號(hào)的身份識(shí)別裝置，包括：

R波檢測(cè)模塊，對(duì)待識(shí)別的心電圖信號(hào)進(jìn)行R波檢測(cè)，提取RR間期作為一個(gè)心電周期；

提取模塊，取N個(gè)連續(xù)的心電周期作為心電周期集；

功率譜特征確定模塊，利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征；

分類器模塊，根據(jù)待識(shí)別心電圖信號(hào)的功率譜特征和預(yù)先建立的注冊(cè)樣本的分類器模型進(jìn)行身份識(shí)別，生成身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的功率譜特征確定模塊包括：

分解單元，用于對(duì)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)；

功率譜估計(jì)單元，用于利用AR模型對(duì)所述L個(gè)尺度的心電周期信號(hào)進(jìn)行功率譜估計(jì)，確定各尺度對(duì)應(yīng)的功率譜向量；

功率譜特征確定單元，用于根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征。

本發(fā)明實(shí)施例中，L的值為3，所述的分解單元對(duì)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)包括：

將原始的心電周期信號(hào)作為尺度1的心電周期信號(hào)；

對(duì)尺度1的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度2的心電周期信號(hào)；

對(duì)尺度2的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度3的心電周期信號(hào)。

本發(fā)明實(shí)施例中，所述的功率譜特征確定單元根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征包括：

根據(jù)各尺度的識(shí)別率和式(1)確定各尺度對(duì)應(yīng)的權(quán)重值；

ω_j為各尺度的權(quán)重值，rt_j為第j尺度下對(duì)應(yīng)的識(shí)別率；

根據(jù)各尺度對(duì)應(yīng)的權(quán)重值、各尺度對(duì)應(yīng)的功率譜向量及式(2)確定每個(gè)心電周期的功率譜特征；

ARM＝ω₁*ARM₁+ω₂*ARM₂+ω₃*ARM₃ (2)

其中，ω₁,ω₂和ω₃為三個(gè)尺度的權(quán)重值，且ω₁+ω₂+ω₃＝1；

ARM為每個(gè)心電周期的功率譜特征；

ARM₁，ARM₂，ARM₃為利用AR模型確定的三個(gè)尺度對(duì)應(yīng)的功率譜向量。

本發(fā)明實(shí)施例中，所述的裝置還包括：

信號(hào)采集模塊，采集注冊(cè)樣本的心電信號(hào)，利用R波檢測(cè)模塊、提取模塊以及功率譜特征確定模塊確定采集的注冊(cè)樣本中各心電周期的功率譜特征；

分類器模型生成模塊，用于根據(jù)采集的各注冊(cè)樣本中各心電周期的功率譜特征生成預(yù)先建立的注冊(cè)樣本的分類器模型，步驟包括：

步驟c，選擇一注冊(cè)樣本去除異常周期后的的功率譜特征作為當(dāng)前注冊(cè)樣本的正樣本集，選擇一其它注冊(cè)樣本的功率譜特征作為當(dāng)前注冊(cè)樣本對(duì)的負(fù)樣本集；

步驟d，根據(jù)所述正樣本集和負(fù)樣本集構(gòu)造當(dāng)前注冊(cè)樣本訓(xùn)練集；

步驟e，利用所述當(dāng)前注冊(cè)樣本訓(xùn)練集訓(xùn)練當(dāng)前樣本的獨(dú)立分類器模型；

步驟f，對(duì)采集的各注冊(cè)樣本遍歷上述步驟c-步驟e，確定各注冊(cè)樣本的獨(dú)立分類器模型；

步驟g，將所述的各注冊(cè)樣本的獨(dú)立分類器模型組成并列分類器組模型，將所述并列分類器組模型作為所述的預(yù)先建立的各注冊(cè)樣本的分類器模型。

本發(fā)明實(shí)施例中，所述的分類器模塊包括：

選擇單元，用于從心電周期集中選擇連續(xù)的M個(gè)心電周期的功率譜特征作為待識(shí)別信號(hào)；

識(shí)別單元，將所述的M個(gè)待識(shí)別信號(hào)輸入到所述的并列分類器組模型，生成身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的識(shí)別單元將所述的M個(gè)待識(shí)別信號(hào)輸入到所述的并列分類器組模型，生成身份識(shí)別結(jié)果包括：

所述的M個(gè)待識(shí)別信號(hào)中有至少有兩個(gè)均被識(shí)別為注冊(cè)樣本中的一樣本時(shí)，將當(dāng)前樣本作為身份識(shí)別結(jié)果輸出。

本發(fā)明實(shí)施例中，M的值為5。

本發(fā)明面對(duì)高噪聲ECG信號(hào)的提取魯棒性有較強(qiáng)判別力的身份識(shí)別特征，設(shè)計(jì)由多個(gè)獨(dú)立分類器組成的并列組合分類器，旨在解決由于注冊(cè)身份更新而造成必須對(duì)系統(tǒng)整體進(jìn)行訓(xùn)練的問(wèn)題，以及提高了系統(tǒng)的正確接受率與正確拒絕率。

為讓本發(fā)明的上述和其他目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附圖式，作詳細(xì)說(shuō)明如下。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明提供的一種基于心電圖信號(hào)的身份識(shí)別方法的流程圖；

圖2為本發(fā)明提供的一種基于心電圖信號(hào)的身份識(shí)別方法的流程圖；

圖3為本發(fā)明實(shí)施例進(jìn)行ECG身份認(rèn)證與識(shí)別流程示意圖；

圖4為本發(fā)明實(shí)施例中三個(gè)不同尺度的單周期ECG信號(hào)；

圖5為本發(fā)明實(shí)施例中各注冊(cè)用戶獨(dú)立的子分類器模型構(gòu)造的組合分類器系統(tǒng)；

圖6為本發(fā)明實(shí)施例中對(duì)采集的ECG信號(hào)進(jìn)行濾波處理的結(jié)果。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

相關(guān)術(shù)語(yǔ)解釋：

ECG身份識(shí)別(Electrocardiogram Identification)，是指通過(guò)獲取身份人的心電(ECG)信號(hào)而對(duì)其身份進(jìn)行識(shí)別的技術(shù)。

自回歸模型(Auto Regressive model，AR模型)，是用自身做回歸變量的過(guò)程，即利用前期若干時(shí)刻的隨機(jī)變量的線性組合來(lái)描述以后某時(shí)刻隨機(jī)變量的線性回歸模型，在工程上有多種用途，如頻譜估計(jì)。

多尺度自回歸模型(Multi-scale Auto Regressive Model,MSARM)，是指利用自回歸模型對(duì)多尺度信號(hào)進(jìn)行線性預(yù)測(cè)或頻譜估計(jì)的方法。

模板匹配(Template Matching)是指通過(guò)向量距離(如歐式距離等)計(jì)算待測(cè)樣本向量與模板向量的相似度，通過(guò)設(shè)置門(mén)限閾值或相似度最近為識(shí)別準(zhǔn)則，是一種最簡(jiǎn)潔快速的模式識(shí)別算法。

聯(lián)合分類器(Combination Classifiers)是指同過(guò)N個(gè)獨(dú)立的分類器組成并列的組合分類器。在這里每個(gè)獨(dú)立的分類器對(duì)應(yīng)一個(gè)注冊(cè)身份。

如圖1所示為本發(fā)明提供的一種基于心電圖信號(hào)的身份識(shí)別方法的流程圖，該方法包括：

步驟S101，對(duì)待識(shí)別的心電圖信號(hào)進(jìn)行R波檢測(cè)，提取RR間期作為一個(gè)心電周期；

步驟S102，取N個(gè)連續(xù)的心電周期作為心電周期集；

步驟S103，利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征；

步驟S104，對(duì)心電周期集中包含的心電周期的功率譜特征求平均確定心電周期集對(duì)應(yīng)的待識(shí)別的心電圖信號(hào)對(duì)應(yīng)的身份特征；

步驟S105，根據(jù)所述的身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征的距離生成身份識(shí)別結(jié)果。

本方案中，對(duì)待識(shí)別特征的提取和身份的識(shí)別均采用模板匹配的方式。

本發(fā)明實(shí)施例中，所述的利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征包括：

對(duì)心電周期進(jìn)行L個(gè)尺度的分解，生成L個(gè)尺度的心電周期信號(hào)；

利用AR模型對(duì)所述L個(gè)尺度的心電周期信號(hào)進(jìn)行功率譜估計(jì)，確定各尺度對(duì)應(yīng)的功率譜向量；

根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征。

本發(fā)明實(shí)施例中，L的值為3，即對(duì)心電周期進(jìn)行三個(gè)尺度的分解，生成三個(gè)尺度的心電周期信號(hào)包括：

將原始的心電周期信號(hào)作為尺度1的心電周期信號(hào)；

對(duì)尺度1的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度2的心電周期信號(hào)；

對(duì)尺度2的心電周期信號(hào)進(jìn)行二分之一降采樣，作為尺度3的心電周期信號(hào)。

本發(fā)明實(shí)施例中，所述的根據(jù)確定的各尺度對(duì)應(yīng)的功率譜向量確定每個(gè)心電周期的功率譜特征包括：

根據(jù)各尺度的識(shí)別率和式(1)確定各尺度對(duì)應(yīng)的權(quán)重值；

ω_j為各尺度的權(quán)重值，rt_j為第j尺度下對(duì)應(yīng)的識(shí)別率；

根據(jù)各尺度對(duì)應(yīng)的權(quán)重值、各尺度對(duì)應(yīng)的功率譜向量及式(2)確定每個(gè)心電周期的功率譜特征；

ARM＝ω₁*ARM₁+ω₂*ARM₂+ω₃*ARM₃ (2)

其中，ω₁,ω₂和ω₃為三個(gè)尺度的權(quán)重值，且ω₁+ω₂+ω₃＝1；

ARM為每個(gè)心電周期的功率譜特征；

ARM₁，ARM₂，ARM₃為利用AR模型確定的三個(gè)尺度對(duì)應(yīng)的功率譜向量。

本發(fā)明實(shí)施例中，所述的根據(jù)所述的身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征的距離生成身份識(shí)別結(jié)果包括：

將身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算；

將與身份特征距離最小的注冊(cè)樣本作為身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的將身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算包括：

利用歐式距離算法、余弦距離算法、皮爾遜相關(guān)系數(shù)算法或city block(城市街區(qū)距離)距離算法對(duì)身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征進(jìn)行距離計(jì)算。

本發(fā)明實(shí)施例中，所述的方法包括：

采集各注冊(cè)樣本的心電信號(hào)；

利用步驟1-步驟4確定各注冊(cè)樣本的功率譜特征，將各注冊(cè)樣本的功率譜特征作為所述的預(yù)先建立的注冊(cè)模板庫(kù)。

同時(shí)，本發(fā)明還提供一種基于心電圖信號(hào)的身份識(shí)別方法，另外還設(shè)計(jì)使用了并列組合分類器方法實(shí)現(xiàn)身份申請(qǐng)的拒絕與接受，利用分類器模型對(duì)待識(shí)別心電圖信號(hào)進(jìn)行身份識(shí)別，并利用注冊(cè)樣本的功率譜特征作為分類器模型的訓(xùn)練集，生成各樣本的獨(dú)立分類器模型，將各樣本的獨(dú)立分類器模型組成并列分類器組對(duì)待識(shí)別信號(hào)進(jìn)行分類識(shí)別，如圖2所示，該方法具體包括：

步驟S201，對(duì)待識(shí)別的心電圖信號(hào)進(jìn)行R波檢測(cè)，提取RR間期作為一個(gè)心電周期；

步驟S202，取N個(gè)連續(xù)的心電周期作為心電周期集；

步驟S203，利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征；

步驟S204，根據(jù)待識(shí)別心電圖信號(hào)的功率譜特征和預(yù)先建立的注冊(cè)樣本的分類器模型進(jìn)行身份識(shí)別，生成身份識(shí)別結(jié)果。即設(shè)計(jì)使用了并列組合分類器方法實(shí)現(xiàn)身份申請(qǐng)的拒絕與接受。

本發(fā)明實(shí)施例中，注冊(cè)樣本的分類器模型的建立步驟包括：

步驟a，采集各注冊(cè)樣本的心電信號(hào)；

步驟b，利用上述的步驟S201-步驟S203確定采集的各注冊(cè)樣本中各心電周期的功率譜特征；

步驟c，選擇一注冊(cè)樣本的所有周期的功率譜特征組成當(dāng)前注冊(cè)樣本對(duì)應(yīng)的分類器訓(xùn)練的正樣本集，選擇其余注冊(cè)樣本的功率譜特征組成當(dāng)前注冊(cè)樣本對(duì)應(yīng)的分類器的負(fù)樣本集；本發(fā)明實(shí)施例中，對(duì)于其余樣本，每個(gè)樣本隨機(jī)選擇m個(gè)周期的功率譜特征作為負(fù)樣本特征，m不宜過(guò)大以免造成正負(fù)樣本不平衡。

步驟d，根據(jù)所述正樣本集和負(fù)樣本集構(gòu)造當(dāng)前注冊(cè)樣本訓(xùn)練集；

步驟e，利用所述當(dāng)前注冊(cè)樣本訓(xùn)練集訓(xùn)練當(dāng)前樣本的獨(dú)立分類器模型；

步驟f，對(duì)采集的各注冊(cè)樣本遍歷上述步驟c-步驟e，確定各注冊(cè)樣本的獨(dú)立分類器模型；

步驟g，將所述的各注冊(cè)樣本的獨(dú)立分類器模型組成并列分類器組模型，將所述并列分類器組模型作為所述的預(yù)先建立的各注冊(cè)樣本的分類器模型。

本發(fā)明實(shí)施例中，所述的根據(jù)待識(shí)別的心電圖信號(hào)的功率譜特征和預(yù)先建立的各注冊(cè)樣本的分類器模型進(jìn)行身份識(shí)別，生成身份識(shí)別結(jié)果包括：

從心電周期集中選擇連續(xù)的M個(gè)心電周期的功率譜特征作為待識(shí)別信號(hào)；

將所述的M個(gè)待識(shí)別信號(hào)輸入到所述的并列分類器組模型，生成身份識(shí)別結(jié)果。

本發(fā)明實(shí)施例中，所述的將所述的M個(gè)待識(shí)別信號(hào)輸入到所述的并列分類器組模型，生成身份識(shí)別結(jié)果包括：

所述的M個(gè)待識(shí)別信號(hào)中有至少有兩個(gè)均被識(shí)別為注冊(cè)樣本中的一樣本時(shí)，將當(dāng)前樣本作為身份識(shí)別結(jié)果輸出。本發(fā)明實(shí)施例中，M的值為5。

下面結(jié)合具體的實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步詳細(xì)說(shuō)明，如圖3所示，為本發(fā)明實(shí)施例進(jìn)行ECG身份認(rèn)證與識(shí)別流程示意圖，本發(fā)明的具體實(shí)施例中，數(shù)據(jù)處理方法主要包括如下技術(shù)步驟：

1、注冊(cè)樣本的提取：

1)從注冊(cè)人體獲取ECG信號(hào)，獲取方法為通過(guò)位于手臂、腕部或手指的電極采集體表心電信號(hào)，在這里由于不同位置采集的心電信號(hào)具有差異性，因此這要求信號(hào)采集位置需要相對(duì)固定；

2)對(duì)采集的原始信號(hào)進(jìn)行預(yù)處理，包括去基線漂移，工頻干擾及其它噪聲。首先通過(guò)小波技術(shù)去除基線漂移，然后通過(guò)小波與巴特沃茲濾波器聯(lián)合去噪方法去除ECG噪聲。

3)對(duì)去噪后的ECG信號(hào)進(jìn)行R波檢測(cè)，然后根據(jù)R波的位置提取RR間期作為一個(gè)心電周期(主要是由于R波是心電信號(hào)中最明顯的波，易于檢測(cè)，因此使用兩個(gè)相鄰R波之間的時(shí)間RR間期作為心電周期的分割點(diǎn))。

4)選擇連續(xù)40個(gè)心電周期作為一個(gè)注冊(cè)樣本的候選單周期心電波形集(本發(fā)明實(shí)施例不限定選擇40個(gè)心電周期)，對(duì)40個(gè)心電周期波形求平均得出平均心電波形，然后以平均心電波形為參考中心對(duì)40個(gè)心電周期進(jìn)行距離由小到大排列，本發(fā)明實(shí)施例中將距離較遠(yuǎn)的心電波形視為異常波形，從候選心電集中剔除距離較遠(yuǎn)的8個(gè)心電波形(本發(fā)明實(shí)施例示例選擇8個(gè)心電波形，但其個(gè)數(shù)并不限定為8個(gè))，獲得最終的候選單周期心電波形集。

2、測(cè)試樣本特征提取，采用上述注冊(cè)樣本特征提取同樣的步驟，但本發(fā)明實(shí)施例中需要采用盡可能少心電周期(盡可能縮短識(shí)別時(shí)間)。

3、特征提取，在本發(fā)明中使用自回歸模型(AR模型)對(duì)單周期ECG信號(hào)進(jìn)行功率譜估計(jì)，并將功率譜作為表征該心電周期的特征，AR模型對(duì)信號(hào)進(jìn)行功率譜估計(jì)對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)說(shuō)是公知的，因此在這里不再進(jìn)行詳細(xì)描述。

本發(fā)明實(shí)施例中首先對(duì)單周期ECG信號(hào)進(jìn)行3個(gè)尺度分解：

尺度1為原始單周期ECG信號(hào)；

尺度2為對(duì)尺度1的1/2降采樣；

尺度3是對(duì)尺度2的1/2將采樣。如圖4所示為三個(gè)不同尺度的單周期ECG信號(hào)。

然后分別對(duì)三個(gè)尺度的信號(hào)使用AR模型進(jìn)行功率譜估計(jì)分別記為ARM1、ARM2、ARM3，本發(fā)明實(shí)施例中將3個(gè)尺度的功率譜組合成總的功率譜，記為ARM，其通過(guò)公式可表達(dá)為：

ARM＝ω₁*ARM₁+ω₂*ARM₂+ω₃*ARM₃

其中ω₁,ω₂和ω₃為權(quán)重，且ω₁+ω₂+ω₃＝1。不同尺度的貢獻(xiàn)通過(guò)計(jì)算每個(gè)尺度上的識(shí)別率rt_j，其中，識(shí)別率rt_j為當(dāng)以j尺度的功率譜向量單獨(dú)作為身份識(shí)別特征時(shí)，建立分類器獲得的樣本識(shí)別率。然后計(jì)算出權(quán)重

6)身份認(rèn)證識(shí)別模型設(shè)計(jì)，本發(fā)明實(shí)施例中對(duì)身份的識(shí)別分為模板匹配與組合分類器兩種方法：

A)采用模板匹配進(jìn)行身份識(shí)別：

首先獲取注冊(cè)模板，方法是通過(guò)對(duì)候選單周期心電波形集中分別估計(jì)出的功率譜求平均，得出代表功率譜作為注冊(cè)模板。

通過(guò)同樣的方法得出測(cè)試樣本的功率譜作為認(rèn)證特征。然后通過(guò)距離判斷方法找出注冊(cè)模板庫(kù)中最相似的注冊(cè)模板作為識(shí)別結(jié)果。在這里求認(rèn)證特征與注冊(cè)模板特征間的距離方法包括歐式距離、余弦距離、皮爾遜相關(guān)系數(shù)以及city block距離等，其中相似度隨著距離的減小而增大，隨著相關(guān)系數(shù)的增加而增大。

B)利用組合分類器進(jìn)行身份識(shí)別：

首先獲取注冊(cè)樣本訓(xùn)練集中某個(gè)注冊(cè)用戶ID1的所有候選單周期心電波形集的功率譜特征，對(duì)每個(gè)周期的功率譜特征賦予正標(biāo)簽(+1)；然后分別對(duì)訓(xùn)練集中其它注冊(cè)樣本用戶的其中1個(gè)或m個(gè)(m不易過(guò)大，以免造成正負(fù)樣本不平衡)候選單周期心電波形的功率譜特征標(biāo)為負(fù)樣本(-1)(例如訓(xùn)練集共有N個(gè)用戶，則負(fù)樣本的個(gè)數(shù)為(N-1)*m)；最后用構(gòu)建好的正負(fù)樣本集訓(xùn)練注冊(cè)用戶ID1的子分類器模型。同理用該方法訓(xùn)練其它注冊(cè)用戶的分類器模型。最后將訓(xùn)練好的各注冊(cè)用戶獨(dú)立的子分類器模型構(gòu)造成如圖5所示的組合分類器系統(tǒng)。

具體實(shí)施方法包括以下步驟：

1.采集數(shù)據(jù)：通過(guò)可穿戴設(shè)備或便攜式心電采集設(shè)備獲取ECG數(shù)據(jù)。假設(shè)獲得一個(gè)100個(gè)樣本的身份集[ID1，ID2，...D100]，對(duì)應(yīng)的數(shù)據(jù)集為[ECG1，ECG2，...，ECG100]，每個(gè)樣本的長(zhǎng)度為60秒。

2.預(yù)處理：

1)去噪：通過(guò)小波與巴特沃茲濾波器聯(lián)合去噪方法去除ECG的基線漂移和其它噪聲，獲得[ECG1_,ECG2_,...,ECG100_]，如圖6所示，為本發(fā)明實(shí)施例中對(duì)采集的ECG信號(hào)進(jìn)行濾波處理的結(jié)果；

2)對(duì)ECG進(jìn)行R波檢測(cè)，取RR間期作為一個(gè)心動(dòng)周期；

3.特征提取：

A.模板匹配：

(1)對(duì)前40個(gè)周期提取作為訓(xùn)練集候選周期[C1,C2,...,C40]，通過(guò)聚類方法去除距聚類中心最遠(yuǎn)的8個(gè)周期，得到最終的訓(xùn)練心電周期集C；

(2)通過(guò)AR模型對(duì)每個(gè)心電周期在三個(gè)尺度上進(jìn)行功率譜估計(jì)，分別得到功率譜向量ARM1，ARM2，ARM3，根據(jù)公式(1)獲取代表該心電周期的變換特征ARM；

ARM＝ω₁*ARM₁+ω₂*ARM₂+ω₃*ARM₃

其中ω₁,ω₂和ω₃為權(quán)重，且ω₁+ω₂+ω₃＝1。不同尺度的貢獻(xiàn)即權(quán)重通過(guò)計(jì)算每個(gè)尺度上的識(shí)別率rt_j，然后計(jì)算出權(quán)重

(3)對(duì)該IDi下訓(xùn)練周期集C所有心電周期Cj對(duì)應(yīng)的ARM求平均獲得最終該IDi對(duì)應(yīng)的模板特征Fi。

(4)同理可獲取對(duì)應(yīng)的測(cè)試特征。

4.身份識(shí)別：

A.模板匹配：

(1)將模板特征Fi構(gòu)造成注冊(cè)模板庫(kù)T。

(2)將測(cè)試樣本特征tFj與模板庫(kù)中的樣本一一進(jìn)行距離計(jì)算，以距離最小的樣本IDi作為身份的輸出。

本發(fā)明另一實(shí)施例中，采用分類器進(jìn)行特征提取和身份識(shí)別，具體如下：

1.采集數(shù)據(jù)：通過(guò)可穿戴設(shè)備或便攜式心電采集設(shè)備獲取ECG數(shù)據(jù)。假設(shè)獲得一個(gè)100個(gè)樣本的身份集[ID1，ID2，...，ID100]，對(duì)應(yīng)的數(shù)據(jù)集為[ECG1，ECG2，...，ECG100]，每個(gè)樣本的長(zhǎng)度為60秒。

2.預(yù)處理：

1)去噪：通過(guò)小波與巴特沃茲濾波器聯(lián)合去噪方法去除ECG的基線漂移和其它噪聲，獲得[ECG1_,ECG2_,...,ECG100_]；

2)對(duì)ECG進(jìn)行R波檢測(cè)，取RR間期作為一個(gè)心動(dòng)周期；

3.特征提?。?/p>

B.組合分類器

(1)如同A中(1)～(3)步，分別獲取心電周期集C中40-8個(gè)周期對(duì)應(yīng)的特征向量ARMj。

(2)獲取IDi對(duì)應(yīng)的訓(xùn)練集的正樣本集矩陣PS；

(3)獲取IDk(k≠i)的心電周期集C中任一周期的特征ARM，所有IDk對(duì)應(yīng)的ARMk，組成負(fù)樣本集NS.

(4)IDi對(duì)應(yīng)的分類器模型CFi的訓(xùn)練集為[PS；NS]。

(5)本實(shí)施例中測(cè)試特征(即待識(shí)別的身份特征)的獲取同上，即獲取待識(shí)別心電周期集的心電周期對(duì)應(yīng)的功率譜特征向量ARM。

4.分類器進(jìn)行身份識(shí)別：

B.組合分類器

(1)利用IDi對(duì)應(yīng)的訓(xùn)練集[PS；NS]去訓(xùn)練獨(dú)立分類模型CFi；

(2)將CFi組成并列分類器組CF；

(3)在測(cè)試中對(duì)IDj的連續(xù)5(個(gè)數(shù)并不限定為5，是可調(diào)的)個(gè)周期作為識(shí)別周期。當(dāng)5個(gè)周期中有2個(gè)或以上的周期識(shí)別為某一IDi時(shí)，認(rèn)為該IDj與IDi為同一身份(在現(xiàn)實(shí)應(yīng)用中，可設(shè)置為當(dāng)測(cè)試周期已識(shí)別出兩個(gè)周期為注冊(cè)IDi時(shí)，可以自動(dòng)停止搜索識(shí)別后面周期)。

同時(shí)，本發(fā)明還提供一種基于心電圖信號(hào)的身份識(shí)別裝置，包括：

R波檢測(cè)模塊，用于對(duì)待識(shí)別的心電圖信號(hào)進(jìn)行R波檢測(cè)，將RR間期作為一個(gè)心電周期；

提取模塊，取N個(gè)連續(xù)的心電周期作為心電周期集；

功率譜特征確定模塊，利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征；

身份特征確定模塊，對(duì)心電周期集中包含的心電周期的功率譜特征求平均確定心電周期集對(duì)應(yīng)的身份特征；

識(shí)別模塊，根據(jù)所述的身份特征與預(yù)先建立的注冊(cè)模板庫(kù)中樣本的功率譜特征的距離生成身份識(shí)別結(jié)果。

另外，本發(fā)明還提供一種基于心電圖信號(hào)的身份識(shí)別裝置，包括：

R波檢測(cè)模塊，對(duì)待識(shí)別的心電圖信號(hào)進(jìn)行R波檢測(cè)，提取RR間期作為一個(gè)心電周期；

提取模塊，取N個(gè)連續(xù)的心電周期作為心電周期集；

功率譜特征確定模塊，利用AR模型對(duì)所述心電周期集中的每個(gè)心電周期在進(jìn)行功率譜估計(jì)，確定每個(gè)心電周期的功率譜特征；

分類器模塊，根據(jù)待識(shí)別心電圖信號(hào)的功率譜特征和預(yù)先建立的注冊(cè)樣本的分類器模型進(jìn)行身份識(shí)別，生成身份識(shí)別結(jié)果。

本發(fā)明公開(kāi)的裝置解決問(wèn)題的原理與前述方法的實(shí)現(xiàn)相似，在此不再贅述。

本發(fā)明采用AR模型對(duì)單周期心電信號(hào)進(jìn)行功率譜估計(jì)，將功率譜特征用于心電信號(hào)的識(shí)別特征。采用AR模型對(duì)多個(gè)尺度的單周期心電信號(hào)進(jìn)行功率譜估計(jì)ARMi同尺度分配相應(yīng)的權(quán)重ω，然后融合成新的組合特征ARM。

權(quán)重ω的獲取是根據(jù)不同尺度的貢獻(xiàn)通過(guò)計(jì)算每個(gè)尺度上的識(shí)別率rt_j，然后計(jì)算出權(quán)重其中ω₁+ω₂+ω₃＝1。

這種融合后的多尺度特征具有更好的抗干擾能力以及降低了心電信號(hào)的時(shí)間變異性對(duì)身份識(shí)別精度的影響。

訓(xùn)練集特征獲取前，首先通過(guò)聚類的方法踢去聚類中心較遠(yuǎn)的心電周期，用于去除異常心電周期。

采用N個(gè)并列的獨(dú)立分類器CFi的組合分類器組CF對(duì)身份輸入做出識(shí)別，每個(gè)獨(dú)立分類器與相應(yīng)的身份相對(duì)應(yīng)。

每個(gè)獨(dú)立分類器CFi由注冊(cè)身份IDi的候選周期集C提取的正樣本特征集和另外所有身份IDk(k≠i)的心電周期集組成的負(fù)樣本特征集訓(xùn)練而成，其中負(fù)樣本集中每個(gè)樣本與IDk中的身份為一一對(duì)應(yīng)關(guān)系。

本發(fā)明實(shí)施例設(shè)計(jì)由N(注冊(cè)身份個(gè)數(shù))個(gè)獨(dú)立分類器組成的并列組合分類器，有效的解決了由于注冊(cè)身份更新而造成必須對(duì)系統(tǒng)整體進(jìn)行訓(xùn)練的問(wèn)題，以及提高了系統(tǒng)的正確接受率與正確拒絕率。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤(pán)存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來(lái)描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過(guò)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

本發(fā)明中應(yīng)用了具體實(shí)施例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。