一种基于ECG信号的多压力状态下身份识别方法技术

本发明专利技术公开了一种基于ECG信号的多压力状态下身份识别方法，包括以下步骤：S1、信号采集及预处理：利用可穿戴设备采集心电信号，并对采集的心电信号进行预处理；S2、手动特征采集：提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征；S3、自动特征采集：利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征；S4、识别模型构建：将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别。有益效果：本发明专利技术可以有效地实现在不同心理压力状态下进行ECG身份识别，从而有效地扩展了ECG身份识别的应用场景。份识别的应用场景。份识别的应用场景。

【技术实现步骤摘要】
一种基于ECG信号的多压力状态下身份识别方法


[0001]本专利技术涉及生理信号处理
，具体来说，涉及一种基于ECG信号的多压力状态下身份识别方法。

技术介绍

[0002]生物特征识别技术利用人的生理或行为特征，自动实现对个人身份的识别和认证。它具有传统的身份鉴别方式所无法比拟的优势，已逐渐成为国际的研究热点之一。目前，在商业上采用的基于生物特征的身份识别方法主要有指纹识别、人脸识别和声音识别等。
[0003]然而，指纹易被遗留在抓取的物体上而被别人盗用；脸形容易从用户的相片中提取出来；声音容易被模仿等等。因此，探索新的生物识别方法仍然是身份识别领域的热点之一。ECG信号(心电信号)不仅是一个非常有用的临床诊断工具，而且也是一种很好的用于身份认证的生物特征识别工具，相较于指纹识别、人脸识别和声音识别，ECG信号身份识别具有更高的安全性。
[0004]但是，ECG信号受心理压力变化的影响，在不同心理压力状态下的ECG身份识别仍然具有挑战性。因此，本专利技术提出一种基于ECG信号的多压力状态下身份识别方法，可以应用于多种压力状态下的身份识别。

技术实现思路

[0005]针对相关技术中的问题，本专利技术提出一种基于ECG信号的多压力状态下身份识别方法，以克服现有相关技术所存在的上述技术问题。
[0006]为此，本专利技术采用的具体技术方案如下：
[0007]一种基于ECG信号的多压力状态下身份识别方法，该身份识别方法包括以下步骤：
[0008]S1、信号采集及预处理：利用可穿戴设备采集心电信号，并对采集的心电信号进行预处理；
[0009]S2、手动特征采集：提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征；
[0010]S3、自动特征采集：利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征；
[0011]S4、识别模型构建：将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别。
[0012]进一步的，所述S1中对采集的心电信号进行预处理通过中值滤波和频率滤波的两种滤波方法来实现。
[0013]进一步的，所述中值滤波采用采样频率的1/3作为中值滤波的窗口大小来去除基线漂移，所述频率滤波通过使用非因果的前向后方法的IIR滤波器来产生一个固定的零相位响应。
[0014]进一步的，所述S2提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征包括以下步骤：
[0015]S201、利用Pan
‑
Tompkins波峰检测算法在预处理的心电信号上标记R峰的特征点，得到RR间期；
[0016]S202、利用RR间期提取出单条心电信号中的多种心率变异性特征参数，构成心率变异性特征向量(a
i
，b
i
，c
i
…
)；
[0017]S203、利用高斯混合模型对提取出的心率变异性特征进行聚类，并利用高斯混合模型的聚类结果求出每个类别的中心参数；
[0018]S204、利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征。
[0019]进一步的，所述高斯混合模型可以看作是由K个单高斯模型组成的模型，K为子模型的隐藏变量，当数据是多维数据时，高斯分布遵从以下概率密度函数：
[0020][0021]其中，x为随机变量，μ为数据期望，Σ为协方差，D为数据维度，T为矩阵转置。
[0022]进一步的，所述S204中利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征包括以下步骤：
[0023]S2041、利用高斯混合模型进行聚类，获得单个心率变异性特征向量所属类别(X，Y，Z
…
)，其中，X，Y，Z
…
表征不同的心理压力状态；
[0024]S2042、对所有的心率变异性特征向量进行整合，得到同一类别的心率变异性特征向量中心(a
X
，b
X
，c
x
…
)，(a
Y
，b
Y
，c
Y
…
)，(a
Z
，b
Z
，c
Z
…
)，其中，a，b，c
…
表征不同特征；
[0025]S2043、针对每个原始心率变异性特征向量进行中心化处理：
[0026](a
Xi
，b
Xi
，c
xi
…
)＝(a
i
，b
i
，c
i
…
)
‑
(a
X
，b
X
，c
x
…
)；
[0027](a
Yi
，b
Yi
，c
Yi
…
)＝(a
i
，b
i
，c
i
…
)
‑
(a
Y
，b
Y
，c
Y
…
)；
[0028](a
Zi
，b
Zi
，c
Zi
…
)＝(a
i
，b
i
，c
i
…
)
‑
(a
Z
，b
Z
，c
Z
…
)；
[0029]……
。
[0030]进一步的，所述S3中利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征包括以下步骤：
[0031]S301、构建一维卷积神经网络模型，并使用该模型来自动学习心电时序信号中的深度特征；
[0032]S302、利用深度学习网络对时间序列心电信号进行深度特征提取，得到自动特征。
[0033]进一步的，所述S4中将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别包括以下步骤：
[0034]S401、将获取的手动特征和自动特征相结合，形成识别模型的身份识别特征向量，得到新的混合特征向量；
[0035]S402、将新的混合特征向量输入预先构建的支持向量机模型，并利用该模型实现不同心理压力下的身份识别。
[0036]进一步的，所述新的混合特征向量包含经过处理的心率变异性特征和卷积网络提
取的短时间低维度上的特征。
[0037]本专利技术的有益效果为：通过提出一种基于ECG信号的多压力状态下身份识别方法，可以应用于多种压力状态下的身份识别。其主要是通过高斯混合模型从采集到ECG信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ECG信号的多压力状态下身份识别方法，其特征在于，该身份识别方法包括以下步骤：S1、信号采集及预处理：利用可穿戴设备采集心电信号，并对采集的心电信号进行预处理；S2、手动特征采集：提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征；S3、自动特征采集：利用预先构建的一维卷积神经网络对原始的心电信号进行处理，得到自动特征；S4、识别模型构建：将手动特征与自动特征相结合，并利用预先构建的支持向量机模型实现不同心理压力下的身份识别。2.根据权利要求1所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述S1中对采集的心电信号进行预处理通过中值滤波和频率滤波的两种滤波方法来实现。3.根据权利要求2所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述中值滤波采用采样频率的1/3作为中值滤波的窗口大小来去除基线漂移，所述频率滤波通过使用非因果的前向后方法的IIR滤波器来产生一个固定的零相位响应。4.根据权利要求1所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述S2提取预处理后心电信号中的心率变异性特征，并利用高斯混合模型对心率变异性特征进行处理，得到手动特征包括以下步骤：S201、利用Pan
‑
Tompkins波峰检测算法在预处理的心电信号上标记R峰的特征点，得到RR间期；S202、利用RR间期提取出单条心电信号中的多种心率变异性特征参数，构成心率变异性特征向量(a
i
，b
i
，c
i
…
)；S203、利用高斯混合模型对提取出的心率变异性特征进行聚类，并利用高斯混合模型的聚类结果求出每个类别的中心参数；S204、利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征。5.根据权利要求4所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述高斯混合模型可以看作是由K个单高斯模型组成的模型，K为子模型的隐藏变量，当数据是多维数据时，高斯分布遵从以下概率密度函数：其中，x为随机变量，μ为数据期望，Σ为协方差，D为数据维度，T为矩阵转置。6.根据权利要求4所述的一种基于ECG信号的多压力状态下身份识别方法，其特征在于，所述S204中利用聚类中心参数对高维的心率变异性特征进行去中心化的尺度变换，得到手动特征包括以下步骤：S2041、利用高斯混合模型进行聚类，获得单个心率变异性特征向量所属类别(X，Y，Z
…
)，其中，X，Y，Z
…
表征不同的心理压力状态；
S2042、对所有的心率变异性特征向量进行整合，得到同一类别的心率变异性特征向量中心(a
X
，b
X
，c
x
…
)，(...

【专利技术属性】
技术研发人员：方震，周瑞石，赵荣建，何光强，
申请(专利权)人：南京润楠医疗电子研究院有限公司，
类型：发明
国别省市：