[发明专利]一种新型的多特征融合的心电认证方法及系统

说明书

本发明公开一种新型的多特征融合的心电认证方法。本发明首次将希尔伯特谱图和决策层的多特征融合应用于心电的认证方法，选取了通过EEMD、希尔伯特谱变换和希尔伯特谱分析得到包括心电信号的时域、频域和能量的综合特征的希尔伯特谱图，然后通过二维CNN认证系统、一维CNN认证系统分别对心电信号认证计算各自的匹配分数，然后决策层融合，作出最终的认证决策，最终得到更高鲁棒性和泛化能力的完整心电认证系统。

技术领域

本发明属于医学信号处理领域，具体涉及一种卷积神经网络识别结合一维心电信号以及其二维希尔伯特谱图多特征融合的心电认证方法及系统。

背景技术

随着电子商务，网络安全和电子银行的应用，自动身份认证技术的数量有所增加。传统的识别和认证方法，例如个人证书，密钥，ID卡和基于密码术的其他方法，很容易被窃取和伪造。因此，研究人员开始注重基于生物信号的识别方法研究。目前用于生物特征认证的较为常见的生物信号包括人脸图片、指纹、掌纹、语音信号。这些信号仍然难以避免被假冒、复制和记录的问题，或者说比传统的密码更易被伪造，因为得到一张人脸图片或者语音是极其容易的。因此，本发明选择了心电信号(ECG)用于身份认证系统。ECG信号具有以下几个特征：(1)活体检测；(2)心电信号具有普适性；(3)不同个体心电信号差异较大，相同个体心电较为稳定；(4)可以快速即时测量。所以基于ECG的身份识别系统具有更高的安全性和可靠性。

在过去的十多年，有很多关于基于心电信号的身份认证技术的研究，大致可以分为两种主流方法，分别是基准点方法和非基准点方法。其中基准点方法大致是通过心电信号划分的PQRST波，其中QRS波占据心电信号的大多数能量。因此这类方法依靠研究者的先验知识或者经验，提取出心电诸如特征点的宽度，幅度和幅角等时域特征。非基准点方法是也仅是通过信号的时域特性提取相关的特征。很明显这样提取的特征带有主观性也并不全面。这两类经典的方法只能局限于较小的数据群体。

针对这两种方法的不足，本发明首次将希尔伯特谱图和决策层的多特征融合应用于心电的认证方法，选取了通过EEMD、希尔伯特谱变换和希尔伯特谱分析得到包括心电信号的时域、频域和能量的综合特征的希尔伯特谱图，然后通过卷积神经网络(Convolutional neuralnetwork,CNN)分别对心电信号认证计算各自的匹配分数，然后决策层融合，作出最终的认证决策，最终得到更高鲁棒性和泛化能力的完整心电认证系统。

发明内容

本发明的目的在于结合心电信号的时域，频域以及能量的多特征获取更高鲁棒性的心电认证方法，该方法通过结合CNN分别获取一维心电以及其对应的二维时频表示希尔伯特谱图的认证分数，在决策层实现多特征融合的心电的身份认证。该方法构建的系统可以自适应的获取综合心电时域频域以及能量的综合心电特征，该系统识别能力更强，鲁棒性更高且可以应用于较大的识别系统之中，有较高的实用价值和市场前景。

本发明多特征融合的心电认证方法具体包括以下步骤：

(一)心电预处理

T1、对原始心电信号进行去噪处理。根据心电信号的有效频率范围构造下限截止频率0.3Hz和上限截止频率50Hz的3阶带通滤波器滤除心电中夹杂的噪声；

T2、利用盲源分离去噪心电，获得分割后的心电片段。以2s的时间窗从心电序列截取得到分离的心电分割片段，截取的片段是重叠的，从而达到数据增强的效果；

T3、对心电数据归一化处理。确保信号的幅值在0～1之间。计算公式如式(1)

式(1)中S(t)代表分割的心电片段序列，i表示第i个序列，max和min分别表示序列的最大值和最小值；

(二)构建一维CNN和二维CNN的模板库

T4、根据步骤T3获取的心电片段，将心电数据集划分为注册集，认证集和训练集三部分构建数据库。