论文部分内容阅读
在物联网迅速普及的今天,心电图(Electrocardiogram,ECG)信号身份识别在可穿戴设备上的应用有巨大的前景。由于可移动设备的特点,要求ECG信号采集设备的集成度较高,采集的数据没有医学设备那么精确。而且在可移动设备上采集ECG信号,需要采集者手触或腕触采集段子,出现松动的概率较大。对于采集者本身而言,不可能都是在平静状态下进行采集,当采集者运动过后,采集的ECG信号会和平静时采集的心电信号出现差异,当采用的ECG身份识别算法鲁棒性较差时,会出现识别错误。因此自采集的心电数据会出现噪声较大,抖动巨变数据和心电信号心率变化较大等情况,对于ECG身份识别算法的鲁棒性有较高的要求。为了解决这些问题文章分别从解决运动问题和增加ECG信号维度两个方面增强ECG身份识别算法的鲁棒性,并提出多阶ECG身份识别算法。本文提出了基于多态平均模板的多层识别算法。为了解决运动问题下采集个体心率变异性较大的问题,加入了存储多态平均模板的处理。将ECG信号进行多种多方位的特征提取作为多层识别算法的输入。在训练阶段对提取的特征用不同阈值选取策略训练得出最佳阈值。将测试集输入到多层识别算法中,根据训练出的最佳阈值进行识别。每一层的输入为上一层的识别错误样本,这样能将每层的识别样本数减少,使上一层难以识别的样本通过下一层的另一角度的特征加以识别。实验表明,多层识别算法有较高的识别准确率,准确率最高达到97.92%。而多种特征相较于单一特征,多层识别算法的效果更加显著。为了进一步增加ECG身份识别的鲁棒性,文章提出了针对多维度ECG信号的多层识别算法。将双导联ECG信号映射到二维空间,然后降维处理,将得到的稀疏矩阵看成二值图像进行整体外观特征、小波系数特征、形状特征和密度分布特征的提取。将提取出的特征使用不同的策略进行训练得到最佳阈值,最后将测试集和最佳阈值输入到多层识别算法中进行身份识别。在实验过程中分别进行单维多层、单维单层以及多维单层的算法比较。结果表明所提出的多维度ECG信号多层识别算法准确率最高能达到99.72%。最后提出多模多维度多层ECG信号身份识别算法,解决多维度ECG信号下的运动问题。在经过处理的自采集数据库中识别准确度最高达到93.75%,最后通过时间复杂度对提出的算法进行评估。