[发明专利]一种基于心电信号的身份识别方法

权利要求书

1.一种基于心电信号的身份识别方法，其特征在于，包括步骤如下：

步骤一、获取并输入心电信号，并对心电信号进行噪声消除处理，噪声消除方法为：

步骤1、选用基于小波分解的方法去除心电信号的基线漂移噪声；

步骤2、依次使用带阻滤波器和低通组合滤波消除心电信号中含有的工频干扰；

步骤3、利用变分模态分解方法去除肌电干扰和运动伪影；

步骤二、对经过噪声消除处理后的心电信号进行分割处理，获取等长的单周期信号，心电信号分割具体步骤为：

步骤a、心电信号基准点检测，测定R波的波峰顶点位置作为心电信号基准点；

步骤b、心电信号分割，分割后的每个心跳周期以R波峰顶点为中心，心跳周期长度为880毫秒，R波峰左边取220ms长度的心电信号，R波峰右边取660ms长度的心电信号；

步骤c、归一化处理，为了消除不同维度数值因量级不同产生的影响，采用min-max标准化方法对心跳周期进行归一化处理，使心跳周期对应的数值在[0,1]区间范围内；

步骤三、对分割处理后得到的心跳周期进行散射变换得到子带分解系数，然后分别计算子带系数的模糊熵和对数能量熵得到一系列散射系数，从而完成对心跳周期的特征提取，获取心电信号的散列特征；心电信号散射变换步骤为：

S1、利用复小波函数对输入的心电信号进行多尺度复小波变化，具体描述如下：

其中，f代表输入心电信号，代表复小波函数；

S2、对S1变换结果进行模运算，获取心电信号的一阶散射系数，具体描述如下：

S3、将S2获取的小波模值与带通滤波器进行卷积，具体描述如下：

其中，φ_J代表带通滤波器；

S4、利用不同尺度下的复小波函数重复执行S1、S2、S3，具体描述如下：

其中，代表第i个尺度下的复小波函数，J是尺度数目；所有复小波函数使用复b样条小波，共进行三层散射变换从而获取心电信号的散射变换系数；

S5、对得到的散射变换系数分别计算模糊熵和对数能量熵作为心电信号的两组熵特征，将两组熵特征进行串联后得到心电信号的最终散射变换特征；

步骤四、将提取的散列特征作为深度长短时记忆神经网络的输入，利用长短时记忆网络的单元结构作为深度神经网络的隐含层对特征序列进行建模，挖掘隐藏在心电信号中的深层鉴别信息；

其中基于长短时记忆神经网络的模型学习到各个门最佳的权值W，V和偏置项b,每个长短时记忆神经网络神经元执行的计算过程为：

Sa、分别计算输入门i_t和遗忘门f_t值，i_t＝σ(W_xix_t+W_hih_t-1+b_i)，f_t＝σ(W_xfx_t+W_hfh_t-1+b_f),其中W表示参数矩阵，σ(·)表示sigmoid()函数，x_t为在时刻t输入序列的元素，h_t为在t时刻网络隐藏层状态；

Sb、计算记忆单元c_t的状态值；利用上一时刻的记忆单元状态c_t-1与遗忘门相乘来选择丢弃部分信息进行计算c_t的状态值，

Sc、计算输出门o_t值，o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t-1+b_o)；

Sd、计算每一个LSTM网络单元最终隐含层的输出h_t，h_t＝o_t*tanh(c_t)；

步骤五、利用步骤四中的基于长短时记忆网络的身份识别模型进行身份识别，在识别过程中，首先利用长短时记忆网络获取提高心电信号的鉴别特征；然后把长短时记忆网络的输出送入全连接层对各个节点的数据进行整合；最后采用多分类的Softmax分类器对获取的心电深层次特征进行识别，获取测试样本的类别标签；

步骤六、利用误识率(FAR)、拒识率(FRR)和相等错误率(EER)作为心电身份识别算法的标准，对心电身份识别结果进行评价；具体公式如下：

误识率：

拒识率：

错误率：

其中，NGRA是类内测试的总次数、NIRA是类间测试的总次数；NFR和NFA是错误拒绝和错误接受的次数。