【技术实现步骤摘要】
基于多特征协同非负矩阵分解的心电身份识别方法及系统
本专利技术涉及心电信号识别
,特别是涉及基于多特征协同非负矩阵分解的心电身份识别方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
,并不必然构成现有技术。最近,由于基于心电信号的身份识别技术有容易采集、不易被仿造和较小计算量等独特优势,使其成为具有良好应用前景的新型身份识别技术之一。现有心电信号身份识别方法有很多,如基于特征点的识别方法、基于形状分析的识别方法、基于局部二值模式特征的识别方法、基于子空间学习的识别方法和基于深度神经网络的识别方法等等。心电信号中存在大量噪声,为了提高心电身份识别性能,现有心电身份识别方法大多数考虑在心电身份识别过程中如何消除噪声的影响,很少心电身份识别方法考虑如何在心电身份识别过程中抽取隐藏在心电信号中的语义信息。
技术实现思路
为了解决现有技术的不足,本专利技术提供了基于多特征协同非负矩阵分解的心电身份识别方法及系统;第一方面,本专利技术提供了基于多特征协同非负矩阵分解的心电身份识别方法;基于多特征协同非负矩阵分解的心电身份识别方法,包括:获取待处理的心电信号;将待处理的心电信号进行预处理,得到单周期心电信号;对每个单周期心电信号进行特征提取,提取出若干个特征;基于提取的所有特征和预先得到的语义空间矩阵,得到待处理心电信号的身份识别结果;其中,预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的,所述训练集包括已知 ...
【技术保护点】
1.基于多特征协同非负矩阵分解的心电身份识别方法,其特征是,包括:/n获取待处理的心电信号;/n将待处理的心电信号进行预处理,得到单周期心电信号;/n对每个单周期心电信号进行特征提取,提取出若干个特征;/n基于提取的所有特征和预先得到的语义空间矩阵,得到待处理心电信号的身份识别结果;/n其中,预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的,所述训练集包括已知身份识别类别标签的心电信号。/n
【技术特征摘要】
1.基于多特征协同非负矩阵分解的心电身份识别方法,其特征是,包括:
获取待处理的心电信号;
将待处理的心电信号进行预处理,得到单周期心电信号;
对每个单周期心电信号进行特征提取,提取出若干个特征;
基于提取的所有特征和预先得到的语义空间矩阵,得到待处理心电信号的身份识别结果;
其中,预先得到的语义空间矩阵是对训练集使用协同非负矩阵分解得到的,所述训练集包括已知身份识别类别标签的心电信号。
2.如权利要求1所述的基于多特征协同非负矩阵分解的心电身份识别方法,其特征是,将待处理的心电信号进行预处理,得到单周期心电信号;具体包括:
对待处理的心电信号进行噪声去除处理;
对噪声去除后的心电信号进行基准点检测;
以基准点为中心,选取基准点之前第一设定时长的第一采样点和基准点之后第二设定时长的第二采样点;将第一采样点和第二采样点之间的心电信号作为单周期心电信号,对单周期心电信号进行分割;
对所有的单周期心电信号进行归一化处理。
3.如权利要求1所述的基于多特征协同非负矩阵分解的心电身份识别方法,其特征是,对每个单周期心电信号进行特征提取,提取出若干个特征;具体包括:
对每个单周期心电信号进行特征提取,提取出若干个局部二值模式特征;
所述若干个局部二值模式特征,包括:一维局部二值模式直方图特征、离散余弦变换直方图特征和小波变换直方图特征。
4.如权利要求3所述的基于多特征协同非负矩阵分解的心电身份识别方法,其特征是,所述一维局部二值模式直方图特征;提取过程包括:
抽取心电周期信号的一维局部二值模式特征;
基于一维局部二值模式特征,将局部二值特征值作为横坐标,将二值特征值出现的频数作为纵坐标,获取一维局部二值模式特征的直方图。
5.如权利要求3所述的基于多特征协同非负矩阵分解的心电身份识别方法,其特征是,所述离散余弦变换直方图特征;提取过程包括:
对每个单周期心电信号,利用自相关系数变换得到心电周期信号的自相关系数;
利用离散余弦变换,获取自相关系数的离散余弦系数;
抽取离散余弦系数的局部二值模式特征;
基于离散余弦变化系数的局部二值模式特征,将离散余弦变换局部二值模式特征值作为横坐标,将局部二值模式特征值出现的频数作为纵坐标,得到离散余弦变换直方图特征;
或者,
所述小波变换直方图特征;提取过程包括:
选用Db3小波函数对心电周期信号进行8层小波分解,获取心电信周期号的小波系数;
抽取心电周期小波系数的局部二值模式特征;
基于心电周期小波系数的局部二值模式特征,将小波局部二值特征值作为横坐标,将二...
【专利技术属性】
技术研发人员:黄玉文,刘春英,于继江,黄复贤,
申请(专利权)人:菏泽学院,
类型:发明
国别省市:山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。