一种基于t-SNE和Adaboost的ECG身份识别方法技术

本发明专利技术公开了一种基于t

【技术实现步骤摘要】
一种基于t-SNE和Adaboost的ECG身份识别方法


[0001]本专利技术涉及一种ECG身份识别方法，特别涉及一种基于t-SNE和Adaboost的ECG身份识别方法。

技术介绍

[0002]目前，信息技术高速发展，个人身份识别技术已经在金融、医疗、安防监控和资料保密等领域得到了广泛的应用。然而，传统的证件、口令、密码等身份识别技术存在易被复制、窃取、遗忘等缺陷，因此基于人体生物特征的身份识别技术应运而生。生物特征识别利用的是每个人与生俱来独有的生理特征或行为特征，如指纹、虹膜、声纹、面部特征、步态特征等，相比于传统的身份识别认证方式有着较大的优势。
[0003]而以上的几种生物特征均存在一些缺陷：暴露在外的指纹易被磨损、复制。虹膜识别对光线的要求过于严格，应用成本比较高。人脸识别受人的表情，脸部积累变化，环境因素影响较大，可测量性不佳。声音的敏感性限制了语音识别应用场合。行为特征属于最表层特征，容易被模仿，安全性较低。
[0004]相较于其它生理信号，心电信号(ECG)有很多优点。一方面心电信号生成机理复杂，无法通过技术伪造，是活体确认的天然工具。另一方面，心电信号是一维信号，与指纹、面部特征、虹膜等二维图像信息相比更易于计算、储存。因此，ECG身份识别对当前的生物特征识别体系是一个有效的补充，并且可以与已有的生物特征融合，进一步提高信息安全的级别。
[0005]在国内外，已有诸多研究人员对基于ECG的身份识别技术进行了研究，例如Lena Biel等人在2001年基于ECG的幅值、周期、斜率等特征，采用独立建模的方法对20个样本首次实现了身份识别，识别率达到100％。但此方法需要特殊仪器、复杂度极高、泛化性能很差。之后Israel、Shen等人先后在研究基础上进行了改进，引入了线性判别式、模板匹配和决策神经网络等技术，分别在29人和168人的数据集上达到了100％和95％的识别率。另一方面，2006年，Plataniotis提出了不需要检测波形形态的方法，即利用ECG的自相关序列的DCT系数作为心电信号特征。该实验一共对14个受试者的心电信号进行测试，实验使用高斯似然距离获得了100％的识别率。
[0006]然而，目前的ECG识别技术依然面临着计算量较大、识别精度不够的问题。基于ECG形态特征的识别方法过度依赖于各基准点的定位精度，基于非基准点提取方式对波形的变换分析复杂度高，匹配矩阵的计算量激增。随着实际应用场合的大数据时代到来，ECG的特征提取和分类的复杂度大大提升，效率和识别精度是亟待提高的瓶颈。

技术实现思路

[0007]本专利技术的目的是为了解决目前的ECG识别技术面临着计算量较大、识别精度不够的问题而提供的一种基于t-SNE和Adaboost的ECG身份识别方法。
[0008]本专利技术提供的基于t-SNE和Adaboost的ECG身份识别方法，其方法如下所述：
[0009]第一步、获取包含多个个体的多个心拍的心电信号样本数据集，并通过中值滤波器和小波去噪算法去除噪声；
[0010]第二步、采用取高次幂信号增强的方法，对去噪后的信号进行QRS波群中R波波峰的定位，并以此为基准点截取前后固定点数的信号进行心拍分割并归一化得到多个单周期心拍数据；
[0011]第三步、采用t-SNE算法结合PCA特征向量对得到的多个单心拍数据进行降维，即在t-SNE算法的基础上，用PCA特征向量代替原始波形数据作为高维数据输入，极大压缩信号中的冗余信息，得到单周期心拍数据的特征向量；
[0012]第四步、使用第三步中得到的特征向量，采用Adaboost算法构建并训练分类器；
[0013]第五步、利用已训练的Adaboost分类器对输入的连续心电信号数据进行识别，通过对每个心拍进行身份识别，然后进行简单投票，最终输出识别结果，即该心电信号数据对应数据库中的个体身份。
[0014]第一步中通过中值滤波器和小波去噪算法去除噪声包括以下步骤：
[0015]步骤一、将采集的心电信号样本数据集使用中值滤波器进行处理，得到该心电信号样本数据集的基线，从而去除该心电信号样本数据集的基线漂移；
[0016]步骤二、采用Mallat算法，基于sym8小波对已去除基线漂移的心电信号样本数据集进行6层分解，得到心电信号样本数据集的各级小波系数；
[0017]步骤三、将心电信号样本数据集的第6层小波系数置零，以去除低频噪声；
[0018]步骤四、将心电信号样本数据集的第1层小波系数置零，以去除高频噪声；
[0019]步骤五、对心电信号样本数据集的第2-5层上的小波系数进行自适应阈值的的阈值去噪法处理，以去除工频干扰和肌电干扰噪声，自适应阈值函数的形式如下：
[0020][0021]其中T
j
＝λ/log(j+1)，j为小波的分解尺度，
[0022]步骤六、通过小波逆变换逐级重构该心电信号样本数据集，得到去噪的该心电信号样本数据集。
[0023]第二步中对QRS波群中R波波峰定位方法包括以下步骤：
[0024]步骤一、对去噪后的心电信号样本数据集进行二次中值滤波；
[0025]步骤二、对二次中值滤波后的心电信号样本数据集求六次幂，并根据自适应阈值得到候选峰值点R，自适应阈值的计算方式为，根据采样频率f和信号长度N，将该心电信号样本数据集均分成k＝N/2f段，分别求出每段信号内e1(i)片段的最大值，则阈值如下：
[0026][0027]步骤三、对候选峰值点R进行漏检多检检查，过程如下：
[0028]在正常一个心拍周期的0.5倍时间内如果检测到由两个或两个以上的R波位置，则根据阈值进行多检剔除，取较大值作为R点；
[0029]如果检测到相邻的两个R点位置之差大于正常一个心拍周期的2.5倍以上者认为此处可能有漏检的R点，此时根据阈值条件的0.1倍重新对该段区域进行搜索，看看是否有
漏检的R点存在，有则补上；
[0030]如果检测到R点的值e1(i)>100th，则剔除此异常R点，同时考虑到信号开始和结束时的心拍是不完整的，这两个R点也去除；
[0031]步骤四、对候选峰值点R进行时域加窗矫正，考虑到心电信号样本数据集经过二次中值滤波和求六次幂操作，可能得到的R点和去噪后的心电信号的位置间有偏移，故进行时域加窗矫正，操作为：以候选峰值点R点位置为中心，根据采样频率对去噪后的心电信号加一个很小的窗口，然后在这个窗口内搜索R波的极大值点，该点的位置就是R波波峰点的位置；
[0032]步骤五、以R波波峰点的位置为基准，根据心电信号样本数据集的采样频率，分别向前截取和向后截取固定点数的心拍信号数据点，和R点一同组合成单周期心拍，并进行归一化，得到该去噪后的心电信号样本数据集的多个单周期的心拍数据。
[0033]第三步中采用t-SNE结合PCA特征向量对单心拍数据集进行降维包括以下步骤：
[0034]步骤一、将单周期心拍样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于t-SNE和Adaboost的ECG身份识别方法，其特征在于：其方法如下所述：第一步、获取包含多个个体的多个心拍的心电信号样本数据集，并通过中值滤波器和小波去噪算法去除噪声；第二步、采用取高次幂信号增强的方法，对去噪后的信号进行QRS波群中R波波峰的定位，并以此为基准点截取前后固定点数的信号进行心拍分割并归一化得到多个单周期心拍数据；第三步、采用t-SNE算法结合PCA特征向量对得到的多个单心拍数据进行降维，即在t-SNE算法的基础上，用PCA特征向量代替原始波形数据作为高维数据输入，极大压缩信号中的冗余信息，得到单周期心拍数据的特征向量；第四步、使用第三步中得到的特征向量，采用Adaboost算法构建并训练分类器；第五步、利用已训练的Adaboost分类器对输入的连续心电信号数据进行识别，通过对每个心拍进行身份识别，然后进行简单投票，最终输出识别结果，即该心电信号数据对应数据库中的个体身份。2.根据权利要求1所述的一种基于t-SNE和Adaboost的ECG身份识别方法，其特征在于：所述的第一步中通过中值滤波器和小波去噪算法去除噪声包括以下步骤：步骤一、将采集的心电信号样本数据集使用中值滤波器进行处理，得到该心电信号样本数据集的基线，从而去除该心电信号样本数据集的基线漂移；步骤二、采用Mallat算法，基于sym8小波对已去除基线漂移的心电信号样本数据集进行6层分解，得到心电信号样本数据集的各级小波系数；步骤三、将心电信号样本数据集的第6层小波系数置零，以去除低频噪声；步骤四、将心电信号样本数据集的第1层小波系数置零，以去除高频噪声；步骤五、对心电信号样本数据集的第2-5层上的小波系数进行自适应阈值的的阈值去噪法处理，以去除工频干扰和肌电干扰噪声，自适应阈值函数的形式如下：其中T
j
＝λ/log(j+1)，j为小波的分解尺度，步骤六、通过小波逆变换逐级重构该心电信号样本数据集，得到去噪的该心电信号样本数据集。3.根据权利要求1所述的一种基于t-SNE和Adaboost的ECG身份识别方法，其特征在于：所述的第二步中对QRS波群中R波波峰定位方法包括以下步骤：步骤一、对去噪后的心电信号样本数据集进行二次中值滤波；步骤二、对二次中值滤波后的心电信号样本数据集求六次幂，并根据自适应阈值得到候选峰值点R，自适应阈值的计算方式为，根据采样频率f和信号长度N，将该心电信号样本数据集均分成k＝N/2f段，分别求出每段信号内e1(i)片段的最大值，则阈值如下：步骤三、对候选峰值点R进行漏检多检检查，过程如下：
在正常一个心拍周期的0.5倍时间内如果检测到由两个或两个以上的R波位置，则根据阈值进行多检剔除，取较大值作为R点；如果检测到相邻的两个R点位置之差大于正常一个心拍周期的2.5倍以上者认为此处可能有漏检的R点，此时根据阈值条件的0.1倍重新对该段区域进行搜索，看看是否有漏检的R点存在，有则补上；如果检测到R点的值e1(i)>100th，则剔除此异常R点，同时考虑到信号开始和结束时的心拍是不完整的，这两个R点也去除；步骤四、对候选峰值点R进行时域加窗矫正，考虑到心电信号样本数据集经过二次中值滤波和求六次幂操作，可能得到的R点和去噪后的心电信号的位置间有偏移，故进行时域加窗矫正，操作为：以候选峰值点R点位置为中心，根据采样频率对去噪后的心电信号加一个很小的窗口，然后在这个窗口内搜索R波的极大值点，该点的位置就是R波波峰点的位置；步骤五、以R波波峰点的位置为基准，根据心电信号样本数据集的采样频率，分别向前截取和向后截取固定点数的心拍信号数据点，和R点一同组合成...

【专利技术属性】
技术研发人员：司玉娟，冯文轩，杨维熠，孙美琪，刘鑫，
申请(专利权)人：吉林大学珠海学院，
类型：发明
国别省市：