面向心电身份识别的低冗余度特征提取方法研究

发布时间：2020-05-12 02:52

【摘要】：近年来,随着信息技术的不断发展,互联网成为了人们生活中必不可少的部分。与此同时,人们对网络信息安全的重视程度也在不断的提高。然而,传统的身份识别方法诸如口令、密码、证件等因存在容易被窃取、复制和破解的问题而受到了新兴技术的巨大挑战。为提高身份识别的可靠性,基于生物特征的身份识别技术应运而生。心电信号(electrocardiogram,ECG)作为一种人体生理特征可被应用于身份识别技术中。将ECG作为身份识别的生物特征有着一定程度的优势。一方面,ECG是人体内部的弱电信号,不容易被窃取、复制和破解;另一方面,ECG是一维信号,相较于指纹、虹膜、人脸等二维信号有着节省存储空间、更易处理等优势。在这样的背景下,本文分析了目前ECG身份识别算法存在的一些优缺点,针对其中的特征冗余问题展开了研究,并提出了相应的解决办法。旨在降低ECG身份识别特征的冗余度,从而提高身份识别的效率和准确率。主要创新工作分为以下几个部分:1.面对特征冗余问题,本文首先提出了一种能够去除特征冗余、降低特征维度的特征提取方法:即结合奇异值分解(Singular Value Decomposition,SVD)和线性判别式分析(Linear Discriminant Analysis,LDA)两种算法处理特征。首先对原始心电信号进行预处理,得到去除噪声并已分割的心拍特征,然后采用奇异值分解去除特征冗余,并通过线性判别式分析对心拍特征进行降维处理,在特征维度从452降至32时,识别率达到最高(96.6%)。新的特征消除了特征冗余,增强了不同个体心拍特征之间的差异性。最后将预处理完成后的心拍特征分为训练集和测试集,将其通过广义回归神经网络(General Regression Neural Network,GRNN)进行训练和测试,并通过心拍投票的原则获得结果。实验结果表明,本方法特征提取简单,识别率达到96.6%,系统平均耗时16s。2.考虑到上述系统包括SVD、LDA、GRNN三个模块,每个模块都需要对参数进行设置,尤其LDA算法的参数设置是基于数据的类别标签,类别增多会导致LDA参数的可调范围变大,从而受到主观性的影响。因此,面对数据量大的问题,可以通过深度学习来解决。于是,进一步提出了基于深度置信网络(Deep Belief Networks,DBN)的ECG身份识别方案。以受限玻尔兹曼机为基本单元,构建深度置信网络。利用深度学习模型的特征处理层达到去除数据冗余的目的,同时解决了上述方法系统模块较多,参数设置主观性较强的问题。实验结果表明,心拍识别的准确率提升明显,达到了97.7%,系统的稳定性相较于GRNN身份识别算法有所提升。通过对不同的实验方案进行对比,结果表明:结合SVD和LDA的特征提取方法能够有效的去除特征冗余,在特征维度从452降至32时,识别率达到最高(96.6%)。最后结合广义回归神经网络,构成完整的身份识别系统。与内存资源消耗严重的神经网络模型对比,本方法优于传统BP神经网络和RBF神经网络。同时,基于DBN的ECG身份识别方法在准确率方面有所提升,达到了97.7%。且在其特征处理层完成了对特征的去冗余。识别速度方面,奇异值分解和线性判别式分析结合的方法大幅度降低了特征维度,使得系统的平均识别时间为16s,但基于DBN的ECG身份识别方法的训练时间较长,实时性较低。本文结果均采用心拍投票的方法获得,保证了系统具有一定的容错能力。
【图文】：

生物特征,身份识别,方法

景及意义随着信息技术的不断发展，人们对互联网的依赖程度安全问题也逐渐突显出来。大量个人信息泄露和财产御信息泄露和财产损失的最后一道防线，身份识别技来越多的关注。份识别技术诸如密码、证件、印章等有着极大的安全容易被不法分子盗取或破解，，同时也较容易被遗失或各种新兴的身份识别技术不断的涌现出来并得到了广统的身份识别技术，生物特征身份识别技术是指利用识别依据的身份识别方法[2]。这种新兴的身份识别技术具有更好的安全性和便捷性。其识别依据是人体特、指纹、虹膜等）或行为(如声纹、步态、签字等)特征，结合现代计算机科学技术实现识别功能。现有的生，如图 1.1 所示。

心电图,肢体导联,心电信号,双级

以医院为例介绍心电信号的采集。一般来说，在医院心电信号的采集使用十二导联法：通常安放四个肢体导联（其中一个接地）和六个胸前导联就可以采集到十二种心电信号。如图 2.1 所示为常规检查的十二导联心电图。图 2.1 12 导联心电图图中 I， II ，III 为双级肢体导联，aVR，aVL，aVF 为单级肢体导联， V1，V2
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP309;TN911.7

【相似文献】