[发明专利]一种基于心电信号的身份识别方法

说明书

本发明涉及一种基于心电信号的身份识别方法。其中，主要使用了散列变换和长短时记忆网络学习模型，散射变换在信号处理过程中具有平移不变性和局部稳定性，能够有效的消除心电信号中的噪声和提高心电身份识别的稳定性。散射表示属于浅层特征提取，无法有效消除心电信号差异性问题，本方法利用基于长短时记忆网络的深度学习模型的挖掘机制提取深层特征表示，使得提取的特征能够具备不同个体间的信号区别性，有效消除心电信号的差异性；本方法通过散列变换方法和长短时记忆网络学习相结合，能够提取心电信号中的深层特征和浅层特征，更能有效的提取心电信号的鉴别特征，提高心电身份识别的性能。

技术领域

本发明涉及身份识别技术领域，具体为一种基于心电信号的身份识别方法。

背景技术

目前，尽管人脸和指纹等生物特征已经被广泛应用个人身份识别，然而它们作为人体外部特征，在实际应用中容易被仿造和模仿，还存在不足之处。而利用心电信号(Electrocardiograph,简称ECG)进行身份识别逐渐引起学术界和工业界的关注，利用心电信号进行身份识别的主要优势为：1、ECG信号只能通过鲜活的个体才能测量，难以伪造；2、不会因为外界原因丢失ECG信号，终生存在；3、ECG信号属于一维信号，数据量较小；4、ECG信号采集成本较低，采集方便。

心电信号属于非线性和非平稳性的生理信号，通过时域和频域分析方法对心电信号进行特征提取是心电信号身份识别领域研究的热点和重点，许多基于时频分析的心电身份识别方法被提出，比如利用小波变换和经验模态分解等时频分析方法对心电信号身份识别进行研究。然而，目前提出的基于时频分析的心电信号身份识别分析方法无法在心电身份识别的性能和稳定性之间进行折衷处理，在心电身份识别的实际应用中为了提高的稳定性都会面临降低心电身份识别的性能。此外，心电信号容易受心理因素和心理因素等影响，同一个体的不同心电信号在不同时刻存在差异性，现有时域变化方法属于底层特征提取方法，仅能片面地提取心电信号特征，并不能有效的消除心电信号的差异性。

发明内容

鉴于现有技术中所存在的问题，本发明公开了一种基于心电信号的身份识别方法，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；