【技术实现步骤摘要】
本申请涉及但不限于数据处理，尤其涉及一种基于多分支注意力的ecg开集身份识别方法及其设备。
技术介绍
1、随着信息科技的快速发展和进步，个体身份识别技术的应用领域越来越广泛。传统的身份验证方法(如密码、pin码)存在易被破解或模仿的风险，推动了生物特征识别技术的发展，例如利用生物信号(如心电信号ecg)进行身份认证，因其具备高度独特性和难以伪造性而受到广泛关注和研究。
2、但是，现有的ecg身份识别技术由于对待检测的ecg信号的特征提取不够充分，以及对新加入的ecg信号无法进行准确的区分和拒识，从而导致ecg身份识别准确率以及开集识别准确率无法保障。
技术实现思路
1、本申请实施例提供了一种基于多分支注意力的ecg身份识别方法，能够有效提升ecg身份识别准确率以及开集识别准确率。
2、第一方面，本申请实施例提供了一种基于多分支注意力的ecg开集身份识别方法，包括：
3、获取ecg数据集合，对所述ecg数据集合中的每个ecg数据依次进行小波去噪、r波检测定位和心拍分割处理，得到目标心拍数据；
4、将全部的所述目标心拍数据划分为第一数据集和第二数据集，将所述第一数据集作为训练集，并基于所述训练集对初始多分支注意力特征融合网络进行训练，得到目标多分支注意力特征融合网络，其中，所述第一数据集和所述第二数据集所包括的数据量相同；
5、将第二数据集划分为验证集和测试集；
6、将所述验证集输入至所述目标多分支注意力特征融合网
7、将所述测试集中的各个第一心拍数据输入至所述目标多分支注意力特征融合网络，得到每个所述第一心拍数据对应的多个样本类别概率；
8、基于各个所述样本类别概率和所述开集识别阈值确定每个所述第一心拍数据的开集身份识别结果。
9、在一些实施例中，所述对所述ecg数据集合中的每个ecg数据依次进行小波去噪、r波检测定位和心拍分割处理，得到目标心拍数据，包括：
10、利用db8小波函数对各个所述ecg数据进行小波分解，得到多个第一小波系数，其中，各个所述第一小波系数的尺度互不相同；
11、对各个所述第一小波系数进行阈值处理，得到各个第二小波系数；
12、对所述第二小波系数进行重构处理，得到去噪后的中间ecg数据序列；
13、基于hamilton分割算法确定所述中间ecg数据序列的r波峰值点，基于所述r波峰值点在所述中间ecg数据序列中获取所述取预设长度的单心拍数据；
14、对所述单心拍数据进行归一化处理，得到所述目标心拍数据。
15、在一些实施例中，所述训练集包括多个训练样本，所述初始多分支注意力特征融合网络包括卷积块、全局特征提取模块、局部特征提取模块、注意力特征融合模块、全连接层和openmax模块，所述基于所述训练集对初始多分支注意力特征融合网络进行训练，得到目标多分支注意力特征融合网络，包括：
16、将全部的所述训练样本输入至所述卷积块进行卷积处理，得到第一中间特征数据；
17、将全部的所述训练样本输入至所述全局特征提取模块，得到全局特征数据；
18、将全部的所述训练样本输入至所述局部特征提取模块，得到局部特征数据；
19、将所述全局特征数据、所述局部特征数据和所述第一中间特征数据输入至所述注意力特征融合模块进行特征融合处理，得到第二中间特征数据；
20、将所述第二中间特征数据输入至所述全连接层，得到各个所述训练样本的类别分数，不同的所述类别分数对应不同的样本类别；
21、将全部的所述类别分数输入至所述openmax模块，以计算各个所述训练样本的激活向量和各个所述样本类别的平均激活向量，以及计算各个所述激活向量到所述平均激活向量的欧氏距离；
22、基于全部的所述欧氏距离和预设的拟合标准对所述初始多分支注意力特征融合网络进行迭代训练，得到所述目标多分支注意力特征融合网络，其中，所述拟合标准为所述欧氏距离满足weibull分布。
23、在一些实施例中，所述第二数据集包括多个子数据集，各个所述子数据集对应的样本类别互不相同，将第二数据集划分为验证集和测试集，包括：
24、从各个所述子数据集中获取第一集合，取各个所述第一集合中的心拍数据的平均值得到心拍模板值，其中，所述第一集合的数据量为对应的所述子数据集的数据量的一半；
25、将各个所述心拍模板值与对应的所述子数据集中除了所述第一集合以外的心拍数据组合得到正样本对集合；
26、将各个所述心拍模板值与对应的第二集合的心拍数据组合得到负样本对集合，其中，所述第二集合中全部的心拍数据对应的样本类别与所述心拍模板值对应的样本类别不同，所述正样本对集合的心拍数据数量与所述负样本对集合的心拍数据数量之间的差值小于预设阈值；
27、将所述正样本对集合中的心拍数据，以及所述负样本对集合中的心拍数据进行随机打乱，得到第三集合；
28、将所述第三集合划分成所述验证集和所述测试集，其中，所述验证集的数据量和所述测试集的数据量相同。
29、在一些实施例中，对所述单心拍数据进行归一化处理，得到所述目标心拍数据根据以下公式得到：
30、
31、其中，x0为所述单心拍数据，x～为所述目标心拍数据。
32、在一些实施例中，所述全局特征提取模块包括第一残差结构和多个空洞卷积层，所述空洞卷积层的空洞卷积感受野根据以下公式得到：
33、
34、其中，rf1+1为当前空洞卷积层特征数据对应的感受野大小，rfl为上一层空洞卷积层特征数据对应的感受野大小，fl+1为当前空洞卷积层的卷积核大小，si为当前空洞卷积层之前连接的空洞卷积层的步长乘积，l为当前空洞卷积层之前连接的空洞卷积层的数量。
35、在一些实施例中，将所述全局特征数据、所述局部特征数据和所述第一中间特征数据输入至所述注意力特征融合模块进行特征融合处理，得到第二中间特征数据，包括：
36、对所述全局特征数据、所述局部特征数据和所述第一中间特征数据进行拼接，得到第三中间特征数据；
37、将所述全局特征数据和所述局部特征数据输入至所述注意力特征融合模块，得到第四中间特征数据；
38、将所述第三中间特征数据和所述第四中间特征数据进行融合拼接得到所述第二中间特征数据。
39、在一些实施例中，所述注意力特征融合模块包括挤压激励网络和空间注意力模块，将所述全局特征数据和所述局部特征数据输入至所述注意力特征融合模块，得到第四中间特征数据，包括：
40、将所述全局特征数据和所述局部特征数据输入至所述挤压激励网络，并对输出的数据进行加权得到第五中间特征数据；
41、将所述全局特征数据和所述局部特征数据输入至所述空间注意力模块，并对输出的数据进行加权得到第本文档来自技高网...
【技术保护点】
1.一种基于多分支注意力的ECG开集身份识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多分支注意力的ECG开集身份识别方法，其特征在于，所述对所述ECG数据集合中的每个ECG数据依次进行小波去噪、R波检测定位和心拍分割处理，得到目标心拍数据，包括：
3.根据权利要求1所述的基于多分支注意力的ECG开集身份识别方法，其特征在于，所述训练集包括多个训练样本，所述初始多分支注意力特征融合网络包括卷积块、全局特征提取模块、局部特征提取模块、注意力特征融合模块、全连接层和OpenMax模块，所述基于所述训练集对初始多分支注意力特征融合网络进行训练，得到目标多分支注意力特征融合网络，包括：
4.根据权利要求1所述的基于多分支注意力的ECG开集身份识别方法，其特征在于，所述第二数据集包括多个子数据集，各个所述子数据集对应的样本类别互不相同，将第二数据集划分为验证集和测试集，包括：
5.根据权利要求2所述的基于多分支注意力的ECG开集身份识别方法，其特征在于，对所述单心拍数据进行归一化处理，得到所述目标心拍数据根据以下公式得到：
...【技术特征摘要】
1.一种基于多分支注意力的ecg开集身份识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多分支注意力的ecg开集身份识别方法，其特征在于，所述对所述ecg数据集合中的每个ecg数据依次进行小波去噪、r波检测定位和心拍分割处理，得到目标心拍数据，包括：
3.根据权利要求1所述的基于多分支注意力的ecg开集身份识别方法，其特征在于，所述训练集包括多个训练样本，所述初始多分支注意力特征融合网络包括卷积块、全局特征提取模块、局部特征提取模块、注意力特征融合模块、全连接层和openmax模块，所述基于所述训练集对初始多分支注意力特征融合网络进行训练，得到目标多分支注意力特征融合网络，包括：
4.根据权利要求1所述的基于多分支注意力的ecg开集身份识别方法，其特征在于，所述第二数据集包括多个子数据集，各个所述子数据集对应的样本类别互不相同，将第二数据集划分为验证集和测试集，包括：
5.根据权利要求2所述的基于多分支注意力的ecg开集身份识别方法，其特征在于，对所述单心拍数据进行归一化处理，得到所述目标心拍数据根据以下公式得到：
6.根据权利要求3所述的基于多分支注意力的ecg开集身份识别方法，其特征在于，所述全局...
【专利技术属性】
技术研发人员：司玉娟，韦沅伯，冯建超，吕媛媛，王敬博，张宇，
申请(专利权)人：珠海科技学院，
类型：发明
国别省市：
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。