CN110192864B - 一种跨域心电图生物特征身份识别方法 - Google Patents

Abstract

本发明提供了一种跨域心电图生物特征身份识别方法。该方法包括：建立ECG数据集，从ECG数据集中选取数据样本信号；对数据样本信号进行时域特征、频域特征和能量域特征提取；利用改进后的CNN卷积神经网络构建ECG生物特征身份识别模型，将数据样本信号的时域特征、频域特征和能量域特征输入到ECG生物特征身份识别模型，得到数据样本信号的ECG生物特征身份识别结果。本发明的跨域ECG生物特征身份识别方法即使训练时间和应用时间之间的间隔足够大，也可以有效地提高ECG生物特征身份识别的准确率。

Description

一种跨域心电图生物特征身份识别方法

技术领域

本发明涉及生物特征身份识别技术领域，尤其涉及一种跨域心电图生物特征身份识别方法。

背景技术

生物特征身份识别是利用人体的生理特征或行为特征进行生物认证的一种技术，它是快速发展的信息安全领域的技术之一，已经在医疗、金融、安防、监控等方面得到广泛应用，并逐渐进入人类活动的更多领域。研究表明，可以作为生物特征身份识别的生理特征和行为特征有很多种，例如：指纹、虹膜、面部、ECG(electrocardiogram，心电图)和字迹、步态等。随着ECG数据量的逐年增长，以及机器学习、深度学习等领域的不断发展，基于机器学习和深度学习的ECG生物特征身份识别方法引起了人们的广泛关注。

ECG作为一种具有较高的抵抗伪造攻击的生物特征身份识别方法，具有约95％的识别准确率。然而，本发明实施例发现，如果在训练时间和应用时间之间存在显著间隔的实际环境中应用ECG，准确率将急剧降低至40％。现有工作忽略了生物特征身份识别的实际应用场景，生物特征收集和应用通常分布在很长的时间尺度上，而长时间尺度的ECG是高度动态变化的。

针对以上问题，有人提出使用非基准随机起始点定长分割法进行样本获取以适应神经网络的训练。该技术主要通过随机放置起始点的方法进行样本获取，与R峰的位置无关，从而可以在有限长的ECG记录中获取到大量的样本。Liu等人提出一种非基准随机起始点定长分割的样本获取算法。该算法与传统的基于QRS波的样本获取方法相比，起始点可以在时间轴上随机游走，从而获取到大量的与原始记录保持相似分布的样本。该算法的主要缺点为没有对其中涉及到的参数进行调整，尤其是单个样本长度和训练时长，不同的参数设置对于最终识别结果影响非常大。

发明内容

本发明的实施例提供了一种跨域心电图生物特征身份识别方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种跨域心电图生物特征身份识别方法，包括：

建立心电图ECG数据集，从ECG数据集中选取数据样本信号；

对所述数据样本信号进行时域特征、频域特征和能量域特征提取；

利用改进后的CNN卷积神经网络构建ECG生物特征身份识别模型，将所述数据样本信号的时域特征、频域特征和能量域特征输入到ECG生物特征身份识别模型，得到所述数据样本信号的ECG生物特征身份识别结果。

优选地，所述的建立ECG数据集，包括：

选取数据库PTBDB和ECG-ID中的心电信号数据作为ECG数据集，通过Butterworth滤波器和IIR滤波器对所述ECG数据集中的心电信号数据的工频干扰、随机噪声和基线漂移进行噪声滤波处理。

优选地，所述的从ECG数据集中选取数据样本信号，包括：

在给定时间段中选取数据样本信号的时间起始点，在所述ECG数据集中以所述时间起始点为起点向后选取一段固定时间长度的心电信号数据序列作为数据样本信号，该数据样本信号的表达式如下：

其中，

表示获取到的第s个个体心电信号数据的第i个样本X，

表示选取的第s个个体心电信号数据的第j条记录R，P_i表示第i个数据样本信号的起始位置，E_i表示第i个数据样本信号的终止位置；

E_i＝P_i+t*f

其中，t表示单个个体心电信号数据的时间长度，f表示采样频率。

优选地，所述的对所述数据样本信号进行时域特征、频域特征和能量域特征提取，包括：

选取数据样本信号的均值、标准差、峰度和偏度统计特征，将所述统计特征作为数据样本信号的时域特征；

先对原始数据样本信号做快速傅里叶变换FFT，再对得到的频谱做离散余弦变换DCT，对于变换后的结果提取波峰信息，得到原始数据样本信号的包络信息，该包络信息即为数据样本信号的频域特征；

对原始数据样本信号先做能量算子运算，再做快速傅里叶变换FFT，提取数据样本信号的能量域特征；离散的时域信号s(n)的Teager能量算子ψ_D(s)的计算方式如下：

ψ_D(s)＝s²(n)-s(n+1)s(n-1)

将数据样本信号的时域特征、频域特征和能量域特征进行组合，将时域、频域和能量域提取到的五个通道的特征分别进行三层卷积，把卷积后的结果直接级联起来得到组合特征。

优选地，所述的利用改进后的CNN卷积神经网络构建ECG生物特征身份识别模型，将所述数据样本信号的时域特征、频域特征和能量域特征输入到ECG生物特征身份识别模型，得到所述数据样本信号的ECG生物特征身份识别结果，包括：

在CNN中引入通道Attention注意力模块，将Attention模块中的ReLU激活函数改为Sigmoid，利用改进后的CNN构建ECG生物特征身份识别模型，所述ECG生物特征身份识别模型的结构包括增加通道Attention模块的卷积层、全连接层和输出层，卷积层对输入特征做变换，全连接层定义神经元之间的连接关系，最后在输出层通过Softmax产生最终结果；

对所述ECG生物特征身份识别模型进行训练，将所述组合特征输入到训练好的ECG生物特征身份识别模型，得到数据样本信号的ECG生物特征身份识别结果，即得到数据样本信号对应的采集者的个人身份。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出的跨域ECG生物特征身份识别方法，即使训练时间和应用时间之间的间隔足够大，也可以有效地提高ECG生物特征身份识别的准确率。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1(a)和图1(b)为本发明实施例提供的一种原始ECG信号和滤波后的ECG信号对比示意图；

图2为本发明实施例提供的一种跨域心电图生物特征身份识别方法的实现原理示意图；

图3为本发明实施例提供的一种跨域心电图生物特征身份识别方法的处理流程图；

图4为本发明实施例提供的一种MFCC动态特征提取过程示意图；

图5为本发明实施例提供的一种通道Attention模块的示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当本发明实施例称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

针对训练时间和应用时间之间具有明显时间间隔的情况，本发明提出一种实用的跨域心电图生物特征身份识别方法。该方案综合考虑时域、频域和能量域三个维度，确定最优的样本获取参数设置，提取出一系列不随时间动态变化的特征，并进行网络模型优化，最终得到较高的识别准确率。

本发明实施例提供的一种跨域心电图生物特征身份识别方法的实现原理示意图如图2所示，具体处理流程如图3所示，包括如下的处理步骤：

步骤S31、建立ECG数据集。

本发明实施例选取两个公开的数据库PTBDB和ECG-ID中的部分心电信号数据作为ECG数据集，数据库PTBDB和ECG-ID中超过半数的心电信号数据包含至少两次记录，一次记录可以作为训练集，一次记录可以作为测试集。ECG数据集中包括心电信号数据的采集时间字段。

上述ECG数据集中的原始心电信号是从电子采集设备获得的，因此会产生三种噪声：工频干扰、随机噪声和基线漂移，这将严重干扰分类器的判断，因此，需要对数据集进行预处理。本发明实施例设计了一个滤波器组，包括巴特沃斯(Butterworth)滤波器和无限冲激响应(Infinite impulse response,IIR)滤波器，用于对所述ECG数据集中的心电信号数据的50HZ工频干扰、随机噪声和受采集设备温度影响的电子元件的基线漂移进行噪声滤波处理。在噪声滤波后，可以得到了一个相对纯净的ECG信号，使得数据的特征提取和分类更准确。图1(a)和图1(b)分别显示了原始ECG信号和滤波后的ECG信号。

步骤S32、从ECG数据集中选取数据样本信号。

完善数据集获取过程是为了提高特征提取的精确性，同时降低分类器的混淆程度。通过在给定时间段中选取数据样本信号的时间起始点，在所述ECG数据集中以所述时间起始点为起点向后选取一段固定时间长度的心电信号数据序列作为数据样本信号，该数据样本信号的表达式如下：

其中，

表示获取到的第s个个体心电信号数据的第i个样本X，

表示选取的第s个个体心电信号数据的第j条记录R，P_i表示第i个数据样本信号的起始位置，E_i表示第i个数据样本信号的终止位置。

E_i＝P_i+t*f

其中，t表示单个个体心电信号数据的时间长度，f表示采样频率。

步骤S33、对数据样本信号进行时域特征、频域特征和能量域特征提取。

数据样本信号的特征提取基于时域、频域和能量域，分为三个通道进行提取，然后进行组合。

时域。选取数据样本信号的均值、标准差、峰度和偏度等统计特征，将上述统计特征作为数据样本信号的时域特征。

频域。根据Meier频率倒谱系数(MFCC)、快速傅里叶变换(FFT)和离散余弦变换(DCT)对数据样本信号进行频域特征提取。MFCC系数为一种基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换的系数，它的频带划分是在梅尔刻度上等距划分的，比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。图4为本发明实施例提供的一种MFCC动态特征提取过程示意图。本发明提出的改进型倒谱特征提取方法(即，FFT+DCT+提取波峰序列)，该方法的处理过程包括：与Meier频率倒谱系数(MFCC)类似，先对原始数据样本信号做快速傅里叶变换(FFT)，再对得到的频谱做离散余弦变换(DCT)，对于变换后的结果提取波峰信息，即可得到原始数据样本信号的包络信息，该包络信息即为频域特征。该方法在Meier频率倒谱系数(MFCC)的基础上更有效地强化了ECG信号的包络特征。

能量域。Teager能量算子是一种非线性算子，能够将能量集中在波峰附近，从而消除时间序列中的零均值噪声，离散的时域信号s(n)Teager能量算子计算方式如下：

ψ_D(s)＝s²(n)-s(n+1)s(n-1)

对原始数据样本信号先做能量算子运算，再做快速傅里叶变换(FFT)，提取数据样本信号的能量域特征。在本发明中，创造性地将Teager能量算子引入，使得FFT的频谱更加接近真实ECG信号的频谱，使得提取到的特征更精确。

然后，将数据样本信号的时域特征、频域特征和能量域特征进行组合，将时域、频域和能量域提取到的五个通道的特征分别进行三层卷积，然后把卷积后的结果直接级联起来得到组合特征。将组合特征作为分类器的输入。

步骤S34、利用改进后的CNN(Convolutional Neural Networks，卷积神经网络)构建ECG生物特征身份识别模型，将组合特征输入到ECG生物特征身份识别模型，得到数据样本信号的ECG生物特征身份识别结果。

为了解决CNN在学习通道信息中的局限性，本发明对CNN进行改进，在CNN中引入通道Attention(注意力)模块，来提高CNN在分类前的学习能力，Attention机制包括一系列不均匀的权重参数分配系数。本发明实施例提供的一种通道Attention模块的示意图如图5所示。其中，将ReLU激活函数改为Sigmoid，识别准确率提升一个百分点。

通道attention模块的作用是帮助模型对不同通道的特征赋予不同的权重，抽取出更加重要的信息，使得模型能够学到更多关键的信息，从而做出更正确的判断。

将Attention模块中的激活函数由ReLU改为Sigmoid,Sigmoid函数的作用是增强神经网络的非线性。实验结果表明，在Attention模块中，使用Sigmoid的效果比ReLU要好。

利用改进后的CNN构建ECG生物特征身份识别模型，将数据样本信号的时域特征、频域特征和能量域特征的组合特征输入到ECG生物特征身份识别模型，得到数据样本信号的ECG生物特征身份识别结果，即得到数据样本信号对应的采集者的个人身份。

ECG生物特征身份识别模型的结构包括增加通道Attention模块的卷积层、全连接层和输出层，卷积层对输入特征做变换，全连接层定义神经元之间的连接关系，最后在输出层通过Softmax产生最终结果。该模型需要进行训练。输入的组合特征是数据，采集者的身份是标签，通过有监督的学习不断减小分类错误的比例来确定数据样本信号对应的采集者的个人身份。

无论是时域、频域还是能量域的特征提取，都提取到的是不随时间动态变化而产生明显改变的特征，能够较为精确地表达个体再加上样本获取参数和分类器模型的优化，系统总体识别准确率将达到基本的实用化的要求。

综上所述，本发明实施例提出的跨域ECG生物特征身份识别方法，即使训练时间和应用时间之间的间隔足够大，也可以有效地提高ECG生物特征身份识别的准确率。

本发明通过确定非参考随机抽样方法的最佳参数，获得足够的有效样本；通过利用跨时域、频域和能量域的深度特征，提取在训练和测试周期之间对时间跨度不敏感的个体可区分特征；在CNN中引入了一个通道Attention模块，并修改了激活函数，以优化分类器的性能。一系列实验结果表明，即使训练与测试的时间间隔足够大，本发明的方法仍能实现较高的识别准确率(PTBDB和ECG-ID分别为56.93％和85.94％)，比以往的最佳方法分别提升了41.5％和20.7％。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种跨域心电图生物特征身份识别方法，其特征在于，包括：

建立心电图ECG数据集，从ECG数据集中选取数据样本信号；

对所述数据样本信号进行时域特征、频域特征和能量域特征提取；

利用改进后的CNN卷积神经网络构建ECG生物特征身份识别模型，将所述数据样本信号的时域特征、频域特征和能量域特征输入到ECG生物特征身份识别模型，得到所述数据样本信号的ECG生物特征身份识别结果；

对所述数据样本信号进行时域特征、频域特征和能量域特征提取，包括：

选取数据样本信号的均值、标准差、峰度和偏度统计特征，将所述统计特征作为数据样本信号的时域特征；

先对原始数据样本信号做快速傅里叶变换FFT，再对得到的频谱做离散余弦变换DCT，对于变换后的结果提取波峰信息，得到原始数据样本信号的包络信息，该包络信息即为数据样本信号的频域特征；

对原始数据样本信号先做能量算子运算，再做快速傅里叶变换FFT，提取数据样本信号的能量域特征；离散的时域信号s(n)的Teager能量算子ψ_D(s)的计算方式如下：

ψ_D(s)＝s²(n)-s(n+1)s(n-1)

将数据样本信号的时域特征、频域特征和能量域特征进行组合，将时域、频域和能量域提取到的五个通道的特征分别进行三层卷积，把卷积后的结果直接级联起来得到组合特征；

所述的利用改进后的CNN卷积神经网络构建ECG生物特征身份识别模型，将所述数据样本信号的时域特征、频域特征和能量域特征输入到ECG生物特征身份识别模型，得到所述数据样本信号的ECG生物特征身份识别结果，包括：

在CNN中引入通道Attention注意力模块，将Attention模块中的ReLU激活函数改为Sigmoid，利用改进后的CNN构建ECG生物特征身份识别模型，所述ECG生物特征身份识别模型的结构包括增加通道Attention模块的卷积层、全连接层和输出层，卷积层对输入特征做变换，全连接层定义神经元之间的连接关系，最后在输出层通过Softmax产生最终结果；

对所述ECG生物特征身份识别模型进行训练，将所述组合特征输入到训练好的ECG生物特征身份识别模型，得到数据样本信号的ECG生物特征身份识别结果，即得到数据样本信号对应的采集者的个人身份。

2.根据权利要求1所述的方法，其特征在于，所述的建立ECG数据集，包括：

选取数据库PTBDB和ECG-ID中的心电信号数据作为ECG数据集，通过Butterworth滤波器和IIR滤波器对所述ECG数据集中的心电信号数据的工频干扰、随机噪声和基线漂移进行噪声滤波处理。

3.根据权利要求2所述的方法，其特征在于，所述的从ECG数据集中选取数据样本信号，包括：

在给定时间段中选取数据样本信号的时间起始点，在所述ECG数据集中以所述时间起始点为起点向后选取一段固定时间长度的心电信号数据序列作为数据样本信号，该数据样本信号的表达式如下：

其中，

表示获取到的第s个个体心电信号数据的第i个样本X，

表示选取的第s个个体心电信号数据的第j条记录R，P_i表示第i个数据样本信号的起始位置，E_i表示第i个数据样本信号的终止位置；

E_i＝P_i+t*f

其中，t表示单个个体心电信号数据的时间长度，f表示采样频率。

Images