[发明专利]心电图身份识别方法

权利要求书

1. 心电图身份识别方法，它包括：

1）导入数据

从外部采集N个人的单导联心电信号，每人采集两条，N大于50，存储为数组变量S,共计2N条；

对2N条心电信号的2N个标签存储为变量label_L；

2）去除心电信号的噪声

对数组变量S内每一个数组执行小波分解重构算法，结果存储为数组变量S1；

3）提取R波

在数组变量S1内每一个数组中找到m个R波峰值点位置，共计2N*m个位置，在每个位置前取99点，在每个位置后取100点，包含当前位置点共计取200点作为一条R波；

2N*m个位置提取到2N*m条R波，依次放入2N*m行、200列的矩阵中，记该变量为Y，作为构建特征方法的输入信号；对应变量Y内2N*m条R波的2N*m个标签存储为变量label；

4）构建特征

a．将Y中的R波划分训练集和测试集,把从N个人的第一条信号中提取的N*m条R波作为训练集，第二条信号中提取的N*m条R波，作为测试集，分别存放在N*m行、200列的矩阵中，记为train和test；从变量label中划分出训练集和测试集对应的标签，分别存放在长度为N*m的数组中，训练集标签记为train_label，测试集标签记为test_label；将训练集train和测试集test分别分割为N*m*20段，每一段长度为10,分别存放在N*m*20行、10列的矩阵中，记为train_f和test_f；

b.对train_f执行k-medoids聚类，设置聚类簇数为50，聚类后得到大小为50*10的矩阵，记为C1，将C1转置得到10*50的矩阵，记为C，对train_f和C计算欧式距离，计算结果存放在N*m*20行、50列的矩阵中，记为train_sample_f；对test_f和C计算欧式距离，计算结果存放在N*m*20行、50列的矩阵中，记为test_sample_f；

c.将训练集样本train_sample_f和测试集样本test_sample_f分别按照列优先的原则变维为N*m行、1000列的矩阵并归一化到[0,1]之间，记为train_sample和test_sample；

train_sample即为构建好的测试集特征，test_sample即为构建好的测试集特征；

5）对样本进行自动识别

将训练集特征train_sample进行稀疏，把稀疏后的训练集特征以及对应的标签train_label全部输入到LR分类器中进行训练，LR分类器训练结束后，保留参数，再将测试集特征test_sample进行稀疏，把稀疏后的测试集特征以及对应的标签test_label输入到训练好的LR分类器进行测试；

识别结果为判断R波所属个体的判断准确率a；

6）输出分类结果a。

2.根据权利要求1所述的一种心电图身份识别方法，其特征在于，所述小波分解重构算法为：

a．小波分解：选择Harr函数作为小波基；

数组变量S内每一个数组分解得到近似系数向量cA1,细节系数向量cD1；对cA1分解得到近似系数向量cA2, 细节系数向量cD2；对cA2分解得到近似系数向量cA3, 细节系数向量cD3；对cA3分解得到近似系数向量cA4, 细节系数向量cD4；对cA4分解得到近似系数向量cA5, 细节系数向量cD5；对cA5分解得到近似系数向量cA6, 细节系数向量cD6；对cA6分解得到近似系数向量cA7, 细节系数向量cD7；对cA7分解得到近似系数向量cA8, 细节系数向量cD8；

b．去除噪声：对需要去噪的信号cD2，采用软阈值方式去噪；

各层系数降噪所需要的阈值不同，采用STDC作为噪声强度估计；

STDC公式：stdc2 = median(|cD2|)/0.6745，其中median(M)为计算M的平均值；

计算出每一层的阈值：

thr2=(2*log(length(cD2)))^(1/2)*stdc2，其中length(cD2)为计算细节向量cD2的长度；

对需要去噪的信号cD2，将cD2中模值小于3* thr2的系数置零，将模值大于3* thr2的系数做处理：大于3* thr2的系数统一减去3* thr2，小于-3* thr2的系数统一加3* thr2

计算后得到去噪后的信号cd2；

对cD3、cD4、cD5、cD6、cD7、cD8也采用上述软阈值方式去除噪声，得到cd3、cd4、cd5、cd6、cd7、cd8；

c．小波重构：对分解得到的系数向量cA8置零并赋给ca8，对cd8完成小波重构得到信号ca7；对cd7完成小波重构得到信号ca6；对cd6完成小波重构得到信号ca5；对cd5完成小波重构得到信号ca4；对ca4完成小波重构得到信号ca3；对cd3完成小波重构得到信号ca2；对cd2完成小波重构得到信号ca1；ca1即为S内一个数组执行小波分解重构算法的结果。