基于心電圖的身份識別魯棒性研究.pdf

1、在物聯網迅速普及的今天，心電圖（Electrocardiogram，ECG）信號身份識別在可穿戴設備上的應用有巨大的前景。由于可移動設備的特點，要求ECG信號采集設備的集成度較高，采集的數據沒有醫(yī)學設備那么精確。而且在可移動設備上采集ECG信號，需要采集者手觸或腕觸采集段子，出現松動的概率較大。對于采集者本身而言，不可能都是在平靜狀態(tài)下進行采集，當采集者運動過后，采集的ECG信號會和平靜時采集的心電信號出現差異，當采用的ECG身份識別算

2、法魯棒性較差時，會出現識別錯誤。因此自采集的心電數據會出現噪聲較大，抖動巨變數據和心電信號心率變化較大等情況，對于ECG身份識別算法的魯棒性有較高的要求。為了解決這些問題文章分別從解決運動問題和增加ECG信號維度兩個方面增強ECG身份識別算法的魯棒性，并提出多階ECG身份識別算法。
　　本文提出了基于多態(tài)平均模板的多層識別算法。為了解決運動問題下采集個體心率變異性較大的問題，加入了存儲多態(tài)平均模板的處理。將ECG信號進行多種多方位

3、的特征提取作為多層識別算法的輸入。在訓練階段對提取的特征用不同閾值選取策略訓練得出最佳閾值。將測試集輸入到多層識別算法中，根據訓練出的最佳閾值進行識別。每一層的輸入為上一層的識別錯誤樣本，這樣能將每層的識別樣本數減少，使上一層難以識別的樣本通過下一層的另一角度的特征加以識別。實驗表明，多層識別算法有較高的識別準確率，準確率最高達到97.92％。而多種特征相較于單一特征，多層識別算法的效果更加顯著。
　　為了進一步增加ECG身份識別

4、的魯棒性，文章提出了針對多維度ECG信號的多層識別算法。將雙導聯ECG信號映射到二維空間，然后降維處理，將得到的稀疏矩陣看成二值圖像進行整體外觀特征、小波系數特征、形狀特征和密度分布特征的提取。將提取出的特征使用不同的策略進行訓練得到最佳閾值，最后將測試集和最佳閾值輸入到多層識別算法中進行身份識別。在實驗過程中分別進行單維多層、單維單層以及多維單層的算法比較。結果表明所提出的多維度ECG信號多層識別算法準確率最高能達到99.72%。最后