[发明专利]一种新型的多特征融合的心电认证方法及系统

摘要

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。

主权项

1.一种新型的多特征融合的心电认证方法，其特征在于该方法包括以下步骤：(一)心电预处理T1、对原始心电信号进行去噪处理；T2、利用盲源分离去噪心电，获得分割后的心电片段；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；(二)生成心电的希尔伯特谱图系统T5、利用EEMD算法分解步骤(一)处理后心电信号数据集得到IMF；T6、根据T4的分解得到的IMF做希尔伯特谱分析，整个谱分析过程可以通过公式(2)说明：式(2)中S(t)表示T4步骤得到的心电序列,exp()代表e的幂函数，j代表虚数，N表示S(t)分解的本征模态分量个数，A_i(t)表示信号的第i个本征模态分量的瞬时振幅函数计算公式，见公式(3)，ω_i(t)表示第i个本征模态分量的瞬时频率函数,计算公式由公式(4)和公式(5)给出；式(3)中IMF_i(t)表示第i个本征模态分量，H(IMF_i(t))表示第i个本征模态分量的希尔伯特变换；式(4)中θ_i(t)表示第i个本征模态分量的角度函数；最终得到的希尔伯特谱表达式如公式(6)所示式(6)中Re表示取实部的函数，H(w,t)表示信号的希尔伯特谱；j代表虚数符号,w为频率；T7、通过T6步骤得到的希尔伯特谱进一步通过matlab2017a生成得到150×150的RGB图片，作为后续二维卷积神经网络的输入；(三)基于希尔伯特谱的二维CNN认证系统T8、对T7步骤生成的图像进行预处理；读取生成的图片数据，按照公式(7)对所有图片数据归一化处理；S(t)_i＝S(t)_i/255  (7)T9、搭建卷积神经网络模型的基本框架：C‑A‑M‑D‑C‑A‑M‑D‑C‑A‑M‑D‑C‑A‑M‑D‑F‑D‑F‑S，其中C代表卷积层，A代表激活层，M代表最大池化层，D代表Dropout层，F代表全连接层，S代表Softmax层；T10、模型训练基本参数和算法的设置；T11、模型参数调优，需要调优的参数包括卷积层数、学习率、Dropout概率等多个参数，参数调优具体操作如下：T11‑1、初始化卷积神经网络的基本参数，迭代轮次为n，初始学习率为0.001，四层的特征图数分别为16,32,64,128；T11‑2、设定迭代轮次E，选取一特定参数给定E个待定值，当前轮次为i，1≤i≤E，令i＝1；T11‑3、将训练集作为训练样本送入网络训练，得到训练好的网络，计算训练集分类结果(卷积层数和Dropout概率等调优)，绘制训练轮次与训练损失曲线(学习率调优)；T11‑4、判定i是否达到最大，若是，则比对所有结果，通过分类正确率，曲线收敛速度判定最优参数；进一步判定是否需要优化参数都已完成，若是则进入T11‑5，如不是，则进入下一个参数优化，同步骤11‑2；若i未达到最大则进入T11‑3，并且i＝i+1，取出待定参数数组中下一个待定值；T11‑5、保存最优的参数模型及其参数；T12、注册集通过训练的优化模型得到的特征向量构建二维CNN认证的模板；T13、训练集通过训练的优化模型获取得到其特征向量，计算训练集与模板的欧式距离作为认证的匹配分数；T14、对匹配分数作归一化处理，以保证分数均在[0,1]之间；归一化处理的计算公式见公式(9)，其中S代表匹配分数，N代表归一化的匹配分数，max()和min()分别代表取目标的最大值和最小值；(四)一维卷积神经网络认证系统T15、此过程同二维CNN的构建过程T9‑T11，同样包含一维CNN的构建、训练以及模型参数的优化；T16、步骤T5的注册集通过优化的一维CNN得到特征向量作为一维认证模型的模板T17、步骤T4的训练集通过优化的一维CNN得到特征向量，计算特征向量与模板的欧氏距离作为匹配分数；T18、同步骤14；(五)多特征融合的决策T19、对于步骤得到的T14和T18归一化匹配分数，最终的融合分数S如公式(10)所示，其中s₁和s₂分别为T14和T18得到的归一化匹配分数，w₁和w₂分别为相对应的权重值，取值范围为0到1之间；S＝s₁*w₁+s₂*w₂  (10)T20、初始化一组w₁和w₂，选取n个阈值T₁,T₂,T₃...T_n，以不同的阈值做出认证，融合分数大于阈值的认证则成功，计算不同的阈值对应的对等错误率(Equal Error Rate,EER)，确定出当前最优的阈值，记录此时的EER；T21、重新选取w₁和w₂,重复T20过程，直至对等错误率达到最小，即完成w₁、w₂和最优阈值设定，多特征融合系统完成；(六)验证T22、将训练集的数据输入至生成心电的希尔伯特谱图、二维CNN认证系统、一维CNN认证系统，若融合分数S大于最优阈值，则判定认证成功，反之则失败。