【技术实现步骤摘要】
本专利技术属于身份识别，具体涉及一种基于特征融合的心电身份认证方法。
技术介绍
1、随着生成式人工智能的发展，指纹、人脸和虹膜等静态生物特征面临伪造威胁，针对指纹和人脸识别的具体欺骗和攻击案例层出不穷。相较之下，动态生物特征（如心电信号）伪造成本更高，心电（electrocardiogram, ecg）信号是人体内重要的生物电信号之一，从不同层面反映心脏的内部特征信息及工作机理。ecg信号的波形特征具有身份认证要求的唯一性，与其他生物特征相比，ecg身份认证 (ecg authentication) 技术具备“活体”采集和认证的高防伪特性，通过采集用户心电信号的同时进行特定的生理活动（如深呼吸）确认其活体，有效抵御外部攻击。并且心电信号受个体生理状态和心脏活动的影响，情绪等多方面因素也会使模拟和伪造难度增加，基于心电的身份认证有望成为下一代身份认证方式。但目前存在技术挑战，主要体现在以下方面：
2、第一个挑战来自心电识别对高质量数据的依赖。尽管一些基于公开数据库的心电身份认证准确率已接近100%，但在实际应用中心电信号易受运动、肌电、呼吸、情绪、时间等多种干扰影响，导致该认证方式准确率并不稳定。此外，不同采集方式采集的心电信号质量不同，需要一种预处理方法，提高信号的信噪比，减少现实因素的影响。
3、第二个挑战来自心电识别算法的稳定性。首先，传统的特征提取方法在面对复杂的信号变异性时表现不佳。ecg信号受多种因素影响，如个体生理差异和环境噪声，导致算法在不同情况下的稳定性和准确性降低。其次，许多现有的模型缺
4、有鉴于此，提供一种基于特征融合的心电身份识别方法，通过融合心电信号的局部特征以及全局特征实现个体身份的稳定精准识别,具有广阔的实际应用价值。
技术实现思路
1、本专利技术的目的在于提供一种基于特征融合的心电身份认证方法。
2、本专利技术提供了一种基于特征融合的心电身份认证方法，其包括以下步骤：
3、步骤一、在不同时间段采集受试者的心电信号，并将不同受试者的心电信号打上对应的标签；
4、步骤二、对受试者的心电信号进行预处理作为数据集；
5、步骤三、构建心电身份识别模型；心电身份识别模型包括局部特征自学习模块、全局特征自学习模块、特征融合模块和分类器；局部特征自学习模块包括输入层、输出层以及五个依次连接的卷积块；输入层包括依次连接的一维卷积层、批归一化层和激活层，用于初步提取特征；输出层包括依次连接的展平层、全连接层、批归一化层和激活层，用于输出局部特征；五个卷积块的结构相同，均包括依次连接的一维卷积层、批归一化层、激活层和最大池化层；
6、所述的全局特征自学习模块包括依次连接的位置编码层、多头自注意力层和前馈神经网络层以及层归一化、展平层、全连接层和激活层；位置编码层用于在心电信号中引入位置信息；多头自注意力层用于进行特征提取；前馈神经网络用于进一步提取特征；层归一化用于接收引入位置信息的心电信号与前馈神经网络提取的特征并融合；展平层、全连接层和激活层依次对层归一化输出特征进行处理，输出全局特征；
7、所述的特征融合模块用于融合局部特征和全局特征；分类器用于接收融合后的特征，并获取分类结果；
8、步骤四、使用数据集对心电身份识别模型进行训练；
9、步骤五、采集受试者的心电信号，并进行预处理后输入训练后的心电身份识别模型中，对受试者进行身份识别。
10、作为优选，所述的步骤三中，五个卷积块中卷积核的尺寸逐渐增加，用于学习不同层次的抽象特征。
11、作为优选，所述的步骤三中，使用正弦和余弦函数来生成位置编码，位置编码的计算方式如下：
12、
13、
14、
15、其中，为序列n对应的位置编码中偶数索引位置的编码值；为序列n对应的位置编码中奇数索引位置的编码值；为嵌入维度；为维度索引；为引入位置信息后的心电信号。
16、作为优选，所述的步骤二中，预处理的方法为：分别对数据集中的心电信号进行滤波、心拍分割和数据扩增处理。
17、作为优选，所述的滤波的过程如下：
18、通过零相位双向滤波器对受试者的心电信号进行处理；通过正向滤波获取的中间结果<mi>y[n]</mi>的表达式为：
19、
20、其中，<mi>x[n]</mi>为受试者的原始心电信号；ak和bk为滤波器的系数；k=0,1,...,m；𝑀,n为滤波器的阶数，即滤波器的输入心电信号、的最大滞后次数；k为心电信号的时间偏移或滞后步数；n为心电信号的序列；
21、通过反向滤波获取的最终结果<mi>z[n]</mi>的表达式为：
22、
23、通过有限脉冲响应滤波器对零相位双向滤波器获取的最终结果<mi>z[n]</mi>进行滤波处理，获取滤波输出的心电信号r[n]的表达式为：
24、
25、其中，<mi>ℎ[k]</mi>为脉冲响应，其表达式为：
26、
27、其中，<mi>w[k]</mi>为汉宁窗函数；和分别为带通滤波器的高截止频率和低截止频率；sinc为采样函数。
28、作为优选，所述的心拍分割的过程为：
29、对滤波处理后获取的心电信号<mi>r[n]</mi>进行功率线干扰抑制和肌电噪声抑制；在特征曲线上应用自适应阈值，并在每个采样点检查是否超过该阈值来检测r波峰位置；根据r波峰位置以及r波峰前后采样点的长度获取心拍分割后的心电信号。
30、作为优选，所述的数据扩增的过程如下：
31、对心电信号分别进行加噪、平移和重采样；加噪后的心电信号的表达式为：
32、<mtable><mtr><mtd><mrow><mi>n</mi><mi>[n]=e</mi><mi>n</mi></mfenced><mi>+0.05×n</mi><mi>0,1</mi></mfenced></mrow></mtd></mtr></mtable>
33、其中，为均值为0，标准差为1的正态分布；
34、平移后的心电信号的表达式为：
35、
36、其中，fs为数据集本文档来自技高网...
【技术保护点】
1.一种基于特征融合的心电身份认证方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤三中，五个卷积块中卷积核的尺寸逐渐增加，用于学习不同层次的抽象特征。
3.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤三中，使用正弦和余弦函数来生成位置编码，位置编码的计算式如下：
4.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤二中，预处理的方法为：分别对数据集中的心电信号进行滤波、心拍分割和数据扩增处理。
5.根据权利要求4所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的滤波的过程如下：
6.根据权利要求5所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的心拍分割的过程为：
7.根据权利要求6所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的数据扩增的过程如下：
8.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤一中
9.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤三中，特征融合模块采用加权叠加的方式融合局部特征和全局特征。
10.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤四中，以交叉熵损失指导心电身份识别模型的训练过程。
...【技术特征摘要】
1.一种基于特征融合的心电身份认证方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤三中，五个卷积块中卷积核的尺寸逐渐增加，用于学习不同层次的抽象特征。
3.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤三中，使用正弦和余弦函数来生成位置编码，位置编码的计算式如下：
4.根据权利要求1所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的步骤二中，预处理的方法为：分别对数据集中的心电信号进行滤波、心拍分割和数据扩增处理。
5.根据权利要求4所述的一种基于特征融合的心电身份认证方法，其特征在于：所述的滤波的过程如下：
...【专利技术属性】
技术研发人员：赵治栋，贾恒，张烨菲，邓艳军，王浩，张显飞，焦鹏飞，
申请(专利权)人：杭州电子科技大学，
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。