基于心電信號的身份識別算法研究.pdf

1、隨著社會經濟、信息的高速發(fā)展,傳統(tǒng)的身份認證方式越來越不能滿足人們日益增長的對安全的需求。生物特征識別技術的出現(xiàn)有效地解決了這個問題,并在犯罪調查、金融交易、電子商務、機場安檢和國土安全等許多領域都得到了應用。生物識別技術是利用人類自身固有的生理特征或行為特征進行身份鑒別的一種技術。常用特征如指紋、人臉、虹膜、語音等。盡管生物特征識別技術與傳統(tǒng)的身份認證技術相比有著較大的優(yōu)勢,但也存在各自的一些缺陷,如語音可以被錄音,指紋和人臉等都易于

2、被偽造。因此探索新的生物特征識別技術以提高識別系統(tǒng)的安全性具有十分重要的意義。
　　 本文主要研究了基于心電信號的身份識別算法。首先提出了心電信號預處理算法,有效地去除了心電信號中的噪聲和心率變異所帶來的干擾,并對心電信號質量做了檢測。在此基礎上,從時域和頻域提出了心電特征提取算法,從心電信號中提取出可區(qū)分的特征。最后構建模式識別算法,對MIT-BIH中的ST Change、PTB、QT等數(shù)據庫進行測試,取得了較高的識別率。本文

3、所做的主要工作如下:
　　 1、提出了心電信號預處理方法。通過研究心電信號的產生機理及其形態(tài)學特征,分析心電信號在采集過程中遇到的噪聲的類型,提出了基于先驗平滑法和小波變換的心電消噪算法和心電標準化算法,分別消除心電信號中的低頻、高頻噪聲和心率變異性。然后結合心電信號的準周期特性及周期變換(Periodicity Transforms,PT)的特點,提出了心電質量檢測算法,通過相鄰心跳周期的心電信號的相似特性,檢測心電信號的質量

4、。最后利用MIT-BIH心電數(shù)據庫中的心電信號驗證了預處理算法的性能。
　　 2、提出了基于總體平均經驗模式分解(Ensemble Empirical Mode Decomposition,EEMD)的心電特征提取算法。首先系統(tǒng)研究了經驗模式分解(Empirical Mode Decomposition,EMD)和EEMD的基本原理、算法步驟和EEMD的分解特性;通過分析心電信號的頻譜特性及心電信號經EEMD分解后得到的各內蘊模

5、式函數(shù)(Intrinsic Mode Function,IMF)的頻譜分布,提取核心內蘊模式函數(shù)(Key Intrinsic Mode Functions,KIMFs),并采用Welch譜估計得到KIMFs的頻域信息,將兩種特征參數(shù)經過主成分分析(Principal Component Analysis,PCA)進行降維,將降維后的兩種特征參數(shù)進行融合得到心電模板的特征參數(shù),輸入到最近鄰分類器中進行匹配分類。通過實驗仿真研究了不同參數(shù),

6、如總體平均次數(shù)、噪聲方差、傅里葉變換(Fast FourierTransform,FFT)點數(shù)和窗口類型等對算法性能的影響。最后通過MIT-BIH心電數(shù)據庫驗證了算法性能,取得了較高的識別率。
　　 3、提出了基于快速傅里葉變換的改進匹配追蹤心電特征提取算法。首先系統(tǒng)研究了匹配追蹤(Matching Pursuit,MP)算法,通過分析過完備原子庫的結構特性和心電信號的特征,利用FFT改進MP心電信號稀疏分解算法;通過分析稀疏分