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方案

本发明专利技术公开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，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。协同矩阵分解能够将心电信号不同特征的数据映射到相同的高层次语义空间，在映射过程中能够抽取语义表示和移除噪声。

【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身份识别类别标签的心电信号。第二方面，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系统；基于多特征协同非负矩阵分解的心电身份识别系统，包括：获取模块，其被配置为：获取待处理的心电信号；预处理模块，其被配置为：将待处理的心电信号进行预处理，得到单周期心电信号；特征提取模块，其被配置为：对每个单周期心电信号进行特征提取，提取出若干个特征；身份识别模块，其被配置为：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。第三方面，本专利技术还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。第四方面，本专利技术还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。与现有技术相比，本专利技术的有益效果是：协同矩阵分解能够将心电信号不同特征的数据映射到相同的高层次语义空间，在映射过程中能够抽取语义表示和移除噪声。该方法利用基于局部二值模式的多特征和协同矩阵分解学习的优势，有效的消除心电信号存在的噪声，进一步增强心电信号身份识别方法能力，以此来提高心电信号身份识别方法的性能和鲁棒性。现有基于局部二值模式特征是属于手工设计的，并不能抽取隐藏在心电数据中的语义信息。当数据被噪声严重污染时，基于局部二值模式特征的心电身份识别性能较差。本专利技术将抽取心电信号的多个局部二值模式直方图特征，然后使用协同矩阵分解的方法获取心电信号的高层语义空间，在高层语义空间完成心电身份识别任务，从而可以改善非受控环境下心电识别的性能。本专利技术将抽取心电信号的多个局部二值模式直方图特征，然后使用协同矩阵分解的方法获取心电信号的高层语义空间，在高层语义空间完成心电身份识别任务，从而可以改善非受控环境下心电识别的性能，有助于充分学习心电信号隐藏的语义信息，在高层语义空间获取得到更加鲁棒的特征，从而可以改善心电信号识别的性能。本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为第一个实施例的方法流程图；图2为第一个实施例的心电身份识别流程图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。实施例一本实施例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；如图1所示，基于多特征协同非负矩阵分解的心电身份识别方法，包括：S101：获取待处理的心电信号；S102：将待处理的心电信号进行预处理，得到单周期心电信号；S103：对每个单周期心电信号进行特征提取，提取出若干个特征；S104：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。进一步地，所述S102：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：S1021：对待处理的心电信号进行噪声去除处理；S1022：对噪声去除后的心电信号进行基准点检测；S1023：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；S1024：对所有的单周期心电信号进行归一化处理。进一步地，所述S1021：对待处理的心电信号进行噪声去除处理；具体包括：选取Daubechies系列小波中的Db3作为基函数对心电信号进行8层小波分解，获取心电信号的小波系数；通过硬阈值函数进行非线性处理，将噪声小波系数降为零；对处理后的心电信号进行小波逆变换重构信号，从而实现信号去噪。进一步地，所述S1022：对噪声去除后的心电信号进行基准点检测；具体包括：利用Pan-Tompkins算法定位心电信号的R波顶点，利用R波顶点做为心电信号的基准点。示例性的，所述S1023：以基准点为中心，选本文档来自技高网...

【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