本发明专利技术涉及生物识别领域,提供了一种基于心电信号的身份识别方法,包括:S1:采集心电信息数据;S2:对所述信息数据预处理;S3:对经过S2处理后的信息数据进行特征提取;S4:对经过S31处理后的信息数据分为训练集和测试集;S5:通过训练集得到训练集模板库;S6:将测试集信息数据和模板库信息数据进行相似性比较,确定心电信息数据所有者。本发明专利技术能够通过对心电信号的处理,实现身份的识别,并且识别的可靠性强,抗干扰能力强,识别准确率高。
【技术实现步骤摘要】
一种基于心电信号的身份识别方法
本专利技术涉及生物识别领域,特别是涉及一种基于心电信号的身份识别方法。
技术介绍
随着社会信息化程度的提高,信息安全越来越多的受到人们重视。而原始的用户与密码等形式的验证身份方式正受到各种入侵,如何获得更加安全准确的身份识别,已成为当今技术研究的重点。生物识别技术正在使这一问题得到有效解决。生物识别技术是利用计算机及人体固有的生理特性来区分个体特征的技术。基于生物特征的身份识别技术以其高安全性、唯一性、稳定性和有效性等优点得到快速发展,当前的生物识别技术主要有指纹识别、手掌识别、虹膜识别、面部识别、声音识别、步态识别、DNA识别等。这些生物特征在某些领域有其独特的优势,但在准确率、防伪性和适用性等方面也具有一定的局限性或缺陷。每个人的心脏器官形态、频率等都各自不同,心电波形不易丢失,难以剽窃,可以唯一地代表本人特征。因而,心电也可以像指纹、人脸等一样应用于生物识别领域。目前,主要有基于解析特征和变换特征的身份识别方法。21世纪初,LenaBiel最早提出一种新的身份识别方法,采用12导联的心电信号的每一导联多个特征点作为个体特征,经主成分分析处理后进行身份识别。Gahi等从24个幅度和间期特征中选择出最优的9个特征在16个试验样本中得到100%识别正确率。此外,还出现了基于融合特征的身份识别方法,但由于其数据处理量较大,识别速度较慢。现有技术采集心电信号的设备操作复杂,数据量和噪声较多,信号数据处理难度较大,区分准确性不高。部分方法身份识别率依赖波形特征点提取的准确率,当某些波微小无法测量到时,其相关的特征向量无法获得。现有技术一般并未考虑心率变化对波形带来的影响,而直接以一个或者平均周期波形产生的变换特征作为识别特征,因而影响身份识别的准确率。
技术实现思路
本专利技术采用一种基于心电信号的身份识别方法,从而使心电信号识别的可靠性强,抗干扰能力强,识别准确率高。本专利技术采用如下方案:一种基于心电信号的身份识别方法,包括:S1:采集心电信息数据;S2:对所述信息数据预处理;S3:对经过S2处理后的信息数据进行特征提取;S4:对经过S3处理后的信息数据分为训练集和测试集;S5:通过训练集得到训练集模板库;S6:将测试集信息数据和模板库信息数据进行相似性比较,确定心电信息数据所有者。优选地,采集心电信息数据,使用心电采集设备采集不同对象不同时间段的数据。优选地,对所述信息数据预处理包括对所述信息数据去除噪声和基线漂移。优选地,使用中值滤波器和小波变换算法去除噪声和基线漂移。优选地,对经过S2处理后的信息数据进行特征提取的方法包括:S501:采用SoandChanQRS检测算法检测心电信号的QRS波及R波波峰;S502:以波峰为界限找出所有单周期信号,每个单周期信号作为一个特征向量;S503:在纵轴上对各个特征向量归一化处理,在横轴上进行三次样条插值处理;S504:将多个归一化的单周期心电信号进行聚类分析;S505:选取最大类别中的信号数据作为此采样对象的特征向量集。优选地,所述对经过S3处理后的信息数据分为训练集和测试集为平均分配。优选地,所述将测试集信息数据和模板库信息数据进行相似性比较的方法采用欧氏距离比较算法,包括:均值的欧氏距离比较算法和矩阵的欧氏距离算法;均值的欧氏距离比较算法为:设两个n+1维向量,X=[x0,x1,x2,...,xn],Y=[y0,y1,y2,...,yn],它们的欧氏距离为:利用欧氏距离作为两个特征曲线的相似性度量。训练集内有N个心电信号,每一个心电信号经过三个步骤的处理后得到的k组单周期向量,取k组单周期向量的平均值向量作为模板共组成N个向量模板的训练集数据库。测试集中每个心电信号经预处理和特征提取后得到k组单周期向量,分别求k组向量对训练集数据N个向量模板的欧氏距离,对应每个向量模板的欧氏距离。经过多数选举后,选择其最小值作为终值,这样一个心电信号与训练集模板比较后,得到N个值。如果测试集数据有M个心电信号,就可以得到一个M*N的矩阵,其中第m行的最小值所在的列n,为测试集中第m个心电信号与训练集中的第n个模板信号相似度最大,即为心电信息数据所有者;矩阵的欧式距离算法为:矩阵的欧式距离算法是在均值的欧式距离算法基础上,将训练集的N个心电信号取其k组单周期向量数据,然后与测试集k组单周期向量进行比对,取最小值作为两个心电信号的距离测度,最后得到M*N的距离矩阵,同样,其中第m行的最小值所在的列n,为测试集中第m个心电信号与训练集中的第n个信号相似度最大,即为心电信息数据所有者。与现有技术相比,本专利技术采用一种基于心电信号的身份识别方法,实现对采集到的心电信号的处理和识别,识别可靠性强,抗干扰能力强,识别准确率高。附图说明图1是本专利技术实施例的一种基于心电信号的身份识别方法流程图;图2是本专利技术实施例1所指的数据库热图;图3是本专利技术实施例1所指的数据库二进制热图;图4是本专利技术实施例2所指的采样时长为5秒的数据库二进制热图;图5是本专利技术实施例2所指的采样时长为10秒的数据库二进制热图;图6是本专利技术实施例2所指的采样时长为20秒的数据库二进制热图;图7是本专利技术实施例2所指的采样时长为40秒的数据库二进制热图。具体实施方式请参阅图1所示,为本实施例一种基于心电信号的身份识别方法流程图。该方法包括下述步骤:一种基于心电信号的身份识别方法,包括:S1:采集心电信息数据。采集心电信息数据,使用常见心电采集设备采集不同对象不同时间段的数据。S2:对信息数据预处理。使用中值滤波器和小波变换算法对信息数据去除噪声和基线漂移。S3:对经过S2处理后的信息数据进行特征提取。采用SoandChanQRS检测算法检测心电信号的QRS波及R波波峰,以波峰为界限找出所有单周期信号,每个单周期信号作为一个特征向量;在纵轴(电压轴)上对各个特征向量归一化在[0,1]之间,在横轴(时间轴)上进行三次样条插值处理,插值间隔为X=[0:0.01:1],将多个归一化的单周期心电信号进行聚类分析,选取最大类别中的信号数据作为此采样对象的特征向量集。S4:对经过S3处理后的信息数据分为训练集和测试集。将信息数据平均分配为训练集和测试集。S5:通过训练集得到训练集模板库。S6:将测试集信息数据和模板库信息数据进行相似性比较,确定心电信息数据所有者。将测试集信息数据和模板库信息数据进行相似性比较的方法采用欧氏距离比较算法,包括:均值的欧氏距离比较算法和矩阵的欧氏距离算法。均值的欧氏距离比较算法为:设两个n+1维向量,X=[x0,x1,x2,...,xn],Y=[y0,y1,y2,...,yn],它们的欧氏距离为:利用欧氏距离作为两个特征曲线的相似性度量。训练集内有N个心电信号,每一个心电信号经过三个步骤的处理后得到的k组单周期向量,取k组单周期向量的平均值向量作为模板共组成N个向量模板的训练集数据库。测试集中每个心电信号经预处理和特征提取后得到k组单周期向量,分别求k组向量对训练集数据N个向量模板的欧氏距离,对应每个向量模板的欧氏距离。经过多数选举后,选择其最小值作为终值,这样一个心电信号与训练集模板比较后,得到N个值。如果测试集数据有M个心电信号,就可以得到一个M*N的矩阵,其中第m行的最小值所本文档来自技高网...
【技术保护点】
一种基于心电信号的身份识别方法,其特征在于,包括:S1:采集心电信息数据;S2:对所述信息数据预处理;S3:对经过S2处理后的信息数据进行特征提取;S4:对经过S3处理后的信息数据分为训练集和测试集;S5:通过训练集得到训练集模板库;S6:将测试集信息数据和模板库信息数据进行相似性比较,确定心电信息数据所有者。
【技术特征摘要】
1.一种基于心电信号的身份识别方法,其特征在于,包括:S1:采集心电信息数据;S2:对所述信息数据预处理;S3:对经过S2处理后的信息数据进行特征提取;S4:对经过S3处理后的信息数据分为训练集和测试集;S5:通过训练集得到训练集模板库;S6:将测试集信息数据和模板库信息数据进行相似性比较,确定心电信息数据所有者;所述将测试集信息数据和模板库信息数据进行相似性比较的方法采用矩阵的欧氏距离比较算法,包括:均值的欧氏距离比较算法和矩阵的欧氏距离算法;均值的欧氏距离比较算法为:设两个n+1维向量,X=[x0,x1,x2,...,xn],Y=[y0,y1,y2,...,yn],它们的欧氏距离为:利用欧氏距离作为两个特征曲线的相似性度量,训练集内有N个心电信号,每一个心电信号经过三个步骤的处理后得到的k组单周期向量,取k组单周期向量的平均值向量作为模板共组成N个向量模板的训练集数据库,测试集中每个心电信号经预处理和特征提取后得到k组单周期向量,分别求k组向量对训练集数据N个向量模板的欧氏距离,对应每个向量模板的欧氏距离,经过多数选举后,选择其最小值作为终值,这样一个心电信号与训练集模板比较后,得到N个值,如果测试集数据有M个心电信号,就可以得到一个M*N的矩阵,其中第m行的最小值所在的列n,为测试集中第m个心电信号与训练集中的第n个模板信号相似度最大,即为心电信息数据...
【专利技术属性】
技术研发人员:周丰丰,葛瑞泉,刘记奎,罗幼喜,杨美雪,
申请(专利权)人:深圳先进技术研究院,
类型:发明
国别省市:广东;44
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。