CN114861706A - 一种基于质量评估和深度迁移学习的心电身份识别方法 - Google Patents

一种基于质量评估和深度迁移学习的心电身份识别方法 Download PDF

Info

Publication number
CN114861706A
CN114861706A CN202210359234.XA CN202210359234A CN114861706A CN 114861706 A CN114861706 A CN 114861706A CN 202210359234 A CN202210359234 A CN 202210359234A CN 114861706 A CN114861706 A CN 114861706A
Authority
CN
China
Prior art keywords
layer
model
signal
electrocardiosignals
electrocardiosignal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210359234.XA
Other languages
English (en)
Inventor
赵治栋
王雪婷
张烨菲
张晓红
苗春雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202210359234.XA priority Critical patent/CN114861706A/zh
Publication of CN114861706A publication Critical patent/CN114861706A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开一种基于质量评估和深度迁移学习的心电身份识别方法。首先，提出基于SVM的心电信号质量评估算法，对原始心电信号进行三种不同质量等级的分类；其次，提出基于小波变换去噪算法对“可疑”信号进行去噪处理，从而获得去噪后的“合格”信号；然后，利用广义S变换对“合格”信号和去噪后的“合格”信号进行时频域分析将一维心电信号转化为二维ECG轨迹图作为模型输入；最后，通过对原始GoogleNet网络模型的改进和优化，构建基于GoogleNet的二次深度迁移识别模型；选用网络层较深的GoogleNet模型进行基于心电信号的迁移学习识别训练，在提高识别准确率的同时也减少了识别认证时间。

Description

一种基于质量评估和深度迁移学习的心电身份识别方法
技术领域
本发明属于在智慧城市建设下的信息安全领域中，具体涉及在信息安全领域下的个体身份识别认证技术，提出一种基于质量评估和深度迁移学习的心电身份识别方法。
背景技术
信息技术的高速发展推动了智慧城市的快速建设，也推动了信息安全***在金融安全、公安国防等领域的发展和应用。网络信息安全在人们日常生活中变得越来越重要，智能化生活的快速发展也促使着人们对当下的身份安全认证技术提出了更高的需求，而像指纹识别、人脸识别等常见的生物特征身份识别技术存在防伪性较弱、易防制的特点。于是，寻求一种高防伪性、高安全性的身份识别技术尤为重要，属于人体内源信号的心电信号(Electrocardiogram,ECG)不仅具有只满足“活体”采集的高防伪性和唯一性，而且具有一维性能够满足快速的对其做出相应的信号处理操作。因此，本发明基于心电信号提出了一种更高安全性和可靠性的生物特征身份识别技术。
近年来，基于心电信号的生物特征身份识别算法发展较为迅猛。从需要手动在大量复杂的一维心电信号中提取波形时域和形态特征的基于特征点的识别算法，到提取小波变换系数、近似熵等能够反映心电波形特征的基于非特征点的识别算法，尽管特征提取的方法能够对不同类型的心电信号进行分类识别，但是对心电信号波形进行大量复杂的特征提取无疑会消耗较大的计算量。当个体心电信号受到疾病或者心理情绪影响导致心电波形发生变化时，基于心电波形形状学的特征提取识别算法无疑会对个体身份识别的结果产生影响。随着人工智能技术的飞速发展，深度学习强大的特征自学习能力解决了需要大量复杂操作的特征提取方法，并且特征自学习不需要手动提取心电信号波形的形态特征又克服了因个体活动状态、病理状态、心理情绪等变化所产生的心电信号差异而对识别精度造成的影响。另外，单导联心电信号虽然满足了方便快捷的采集方式，但是会增加对原始心电信号的噪声干扰，从而影响最终的身份识别准确率。
鉴于上述讨论，本发明针对噪声干扰较大的单导联心电信号提供了一种集成于心电信号质量评估和深度迁移学习的身份识别模型，首先对单导联心电信号进行质量等级评估，再对质量评估合格的心电信号进行深度迁移学习，从而实现对噪声干扰较大的单导联心电信号进行不同个体间的身份识别认证。
发明内容
本发明的第一个目的是为了解决单导联心电信号在身份识别技术中存在的上述难点，提供了一种基于质量评估和深度迁移学习的心电身份识别方法，集成了基于多参数融合的质量评估和深度迁移学习的心电信号身份识别认证模型。
第一方面，本发明实施例提供了一种心电信号质量评估方法，具体为基于SVM的多参数融合质量评估模型。首先，通过对心电信号的波形特性和噪声含量分析的基础上，提取出8个能够反映心电信号质量等级的信号质量指数(Signal Quality Index，SQI)作为心电信号质量等级的评价标准；然后将提取到的SQI特征作为SVM质量分类模型的输入，完成对单导联心电信号三种不同质量等级的分类。本发明对噪声干扰较大的单导联心电信号进行质量等级的划分，及时删除质量表现较差的原始心电信号，有效减少模型的计算损耗量和对识别准确率的影响。
第二方面，本发明提供了一种信号去噪方法，具体为基于小波自适应阈值变换去噪算法。小波自适应阈值变换法通过调节阈值函数中参数的大小确定合适的阈值函数，从而实现选择比传统硬阈值函数偏硬的阈值函数对细节尺寸上的分解系数进行去噪；采用相比传统软阈值函数偏软的阈值函数对近似尺寸上的系数进行去噪。本发明通过控制对阈值函数在软硬阈值临界区内的切换，从而实现对不同分解尺度上的原始心电信号进行相应的去噪处理，
第三方面，本发明提供了一种网络输入层的构造方法，具体为基于广义S变换(generalized S-transform,GST)对原始的一维时序心电信号进行时频域变换。原始心电信号经过广义S变换后输出一个包含实部和虚部的复数矩阵，矩阵中的每一列代表瞬时的时频域特征，取矩阵中每列复数的实部作为横坐标、虚部为纵坐标，绘制每个时间点的ECG轨迹。生成的ECG轨迹再通过MATLAB中的getframe函数将坐标轴捕获为影片帧，从而实现将一维的心电信号转换为二维的频域轨迹图作为深度学习网络层的输入。
第四方面，本发明提供了一种深度迁移学习的身份识别认证方法，具体为基于GoogleNet的深度迁移网络模型。通过对原始GoogleNet网络模型的优化和改进，将其作为ECG轨迹图的输入从而实现对心电信号的特征自学习。深度学习模型弥补了传统意义上手动提取信号波形特征的不足，化解了因个体活动状态、病理状态、心理情绪等变化所产生的心电信号差异而对识别精度造成的影响。
本发明的第二个目的是提供心电身份识别***，包括：
心电信号质量评估分类模块，利用基于SVM的心电信号质量评估分类模型，对心电信号进行质量等级分类；
预处理模块，用于对心电信号质量评估分类模块获取的“可疑”信号进行小波变换去噪算法处理，获得消噪后的“合格”信号；
ECG轨迹图生成模块，用于对心电信号质量评估分类模块获取的“合格”信号和预处理模块消噪后的“合格”信号进行广义S变换生成ECG轨迹图；
心电信号身份识别模块，利用已训练好的深度迁移网络模型对ECG轨迹图生成模块处理后的数据进行心电信号的身份识别。
本发明实施例具有的有益效果是：
1.本发明构建了基于多参数融合的质量评估模型，通过对单导联心电信号的波形特性和噪声含量进行分析，提取出8个能够反映心电信号质量等级的特征指数，再将特征指数输入模型进行训练，实现对原始心电信号的质量等级分类。质量评估算法对于噪声干扰较大的单导联心电信号而言，不仅能够在信号预处理之前及时剔除影响识别结果的“差”心电信号，而且减少了计算资源的损耗和模型训练时间。
2.本发明构建了基于深度迁移学习的身份识别模型。迁移学习克服了传统机器学习训练样本和测试样本处于同一特征空间的特点，满足在不同目标域任务下同样能完成对模型的训练。另外，对卷积神经网络中网络层结构较深的GoogleNet模型进行优化改进用于迁移学习的识别认证训练，在提高识别准确率的同时也减少了识别认证时间。
附图说明
图1为本发明方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于ECG信号的现代身份识别技术的高效准确认证具有极大的理论研究和实际应用价值，能够为解决国内外基于生物特征的身份识别的安全性提供新的方案指导。图1为本发明实施例提供的ECG身份识别方法的***结构图，以下对本发明作进一步说明：
步骤一：构建基于SVM的心电信号质量评估分类模型，对心电信号进行质量等级分类；
所述心电信号质量评估分类模型包括质量评估指数计算层、SVM分类器；
所述质量评估指数计算层用于对心电信号的波形特性和噪声含量进行分析，提取出心电信号的8个质量评估指数：
(1)QRS波形清晰指数SQI1
使用两个对噪声敏感度不同的噪声检测器对同样一段QRS波群进行检测，分别得出两者检测到的心拍个数Ne和Nw。将SQI1定义为两者检测出的心拍个数的比值：
Figure BDA0003583150910000041
(2)偏度SQI2
偏度一般用来表示数据或者信号分布的非对称性特征，当心电信号质量表现为合格时，其波形分布会比较均匀，这时对应的偏度值也会较小。反之，当心电信号含噪较多，波形分布不均匀时，得到的偏度值也会较大。定义信号的偏度值为SQI2：
Figure BDA0003583150910000042
其中，
Figure BDA0003583150910000043
代表信号x的均值，σ是信号x的标准差，N代表心电信号的采样点数。
(3)峰度SQI3
峰度称为信号的四阶矩，通常用来描述数据偏离数据群均值的程度以及信号的对称性，峰值越大说明其数据与数据群均值的距离越大，数据群出现极端值的概率越大。质量较好的心电信号，波形分布较为均衡出现极端值的概率较低，对应的峰度也就越小。反之，含噪越多的信号波形形态表现越不稳定，极端值出现的概率也就越大，对应的峰度也就越大，以峰度值定义的SQI3的公式为：
Figure BDA0003583150910000051
其中，xi为信号x第i个峰值测量值，
Figure BDA0003583150910000055
代表信号x的均值，σ是信号x的标准差。
(4)功率谱分布指数SQI4
心电信号波形的能量主要集中在10Hz左右的QRS波形附近，将包含能量中心频率的某一小段频带(5-15Hz)的功率谱密度与整体心电信号集中频段(5-40Hz)的功率谱密度的比值定义为SQI4：
Figure BDA0003583150910000052
其中，f表示频率，p(f)表示信号在该频率下的功率。
(5)基线偏移指数SQI5
基线使ECG信号波形出现上升、下降的不利情况，即使少量信号上抬和下降的干扰，也会使得心电信号在低幅值情况下变化巨大，从而影响整体信号质量。基线的频率分布在0-1Hz之间的功率谱密度与整个频带的功率谱密度比值，由定义得以及基线偏移的SQI5：
Figure BDA0003583150910000053
其中，f表示频率，p(f)表示信号在该频率下的功率。
(6)QRS波能量指数SQI6
心电信号中QRS波形的能量占比最高，通过计算QRS波形能量占总心电信号波形能量的比例，将QRS波形能量指数作为衡量ECG质量等级的一个指标，定义为指数SQI6：
Figure BDA0003583150910000054
其中，Eri表示一个QRS波群的能量，i表示检测的QRS波群，Ea表示整个心电片段的总能量。
(7)RR间期稳定指数SQI7
对于心电信号而言，RR间期的在ECG信号波形中呈现周期性变化的。但是，当信号的含噪量较大时，RR间期极易受到肌电等噪声干扰。于是定义了RR间期稳定指数用来衡量ECG信号波形在周期内的稳定程度，定义SQI7为：
Figure BDA0003583150910000061
其中，
Figure BDA0003583150910000062
和
Figure BDA0003583150910000063
分别代表心电信号在RR间期内的标准差和均值，信号质量越差时，RR间期越不稳定SQI7值越大，反之，信号质量越好。
(8)纯度SQI8
心电信号的纯度可以用来反映信号的含噪情况，信号纯度值越低，说明信号的含噪量越大，信号质量越差，相反，信号的纯度值越大，说明信号的含噪量越小，信号的质量也就越好。定义SQI8为：
Figure BDA0003583150910000064
其中，wn表示n阶谱矩，p(ejw)表示整个心电片段的功率谱。
所述SVM分类器用于将所述质量评估指数计算层输出的8个质量评估指数根据阈值进行信号质量等级分类；所述信号质量等级分类包括“合格”信号、“可疑”信号、“差”信号三类；然后剔除“差”信号；
步骤二：基于小波变换去噪算法对“可疑”信号进行处理，获得消噪后的“合格”信号；具体是：
选取合适的小波基函数和分解尺度对“可疑”信号进行小波变换分解；然后对每一个分解层进行阈值去噪处理；最后再将每一个分解层经过去噪处理后的信号进行信号重构，从而得到干净的心电信号。
步骤三：对步骤一“合格”信号和步骤二消噪后的“合格”信号进行广义S变换生成ECG轨迹图；具体是：
广义S变换在保证信号相位信息不变的同时，引入了宽度随频率变化的高斯窗函数，克服了传统傅里叶变换时频域分辨率不变的问题。本发明提出了基于广义S变换的时频域分析算法，实现将一维的心电信号转换为二维的心电信号频域轨迹图片作为深度迁移学习网络模型的输入。
①时频域变换。引入两个参数λ和ρ来调整窗函数g(t)的窗宽和幅度，进而改变信号的时间分辨率和频率分辨率，实现多分辨率分析。信号x(t)的广义S变换表示如下：
Figure BDA0003583150910000071
其中，τ为时移因子。广义S变换的窗函数和小波基函数分别如下：
Figure BDA0003583150910000072
Figure BDA0003583150910000073
设定参数
Figure BDA0003583150910000074
保证获得最佳准确率的合适窗函数。信号x(t)经上述(9)式的GST处理，得到复数矩阵S，如下式(12)所示，包含实部和虚部。其中N代表频率大小，M代表时间点分布。
Figure BDA0003583150910000075
②取复数矩阵S中每个数据的实部作为横坐标、虚部为纵坐标，绘制每个时间点的ECG轨迹。生成的ECG轨迹再通过MATLAB中的getframe函数将坐标轴捕获为影片帧，获得一个时间点的心电信号频域轨迹图，将其作为深度学习网络层的输入。
步骤四：对改进后的GoogleNet网络二次深度迁移构建深度迁移网络模型，并利用其实现心电信号的身份识别；具体是：
所述深度迁移网络模型采用GoogleNet网络作为基本框架，并对原始GoogleNet网络模型进行二次改进和优化，从而构建基于心电信号的身份识别模型。
所述GoogleNet网络包括GoogLeNet模型共有22个卷积层，其中9个Inception模块用来提升网络结构的深度和宽度。具体为：第一层卷积层使用7×7的卷积核，再经过3×3的最大池化层和1×1的卷积层进行降维输出；第二层卷积层使用3×3的卷积核，再经过3×3卷积的最大池化层输出；第三层为inception(3a-3b)层，每个inception层又分为2个卷积层和4个分支，不同分支采用不同尺度的卷积核来进行处理，依次为64个1×1的卷积核、96个1×1的卷积核作为3×3卷积核的输入降维、16个1×1卷积核作为5×5卷积核的输入降维、最后为3×3卷积核的池化层输出并经过32个1×1卷积核进行降维，对这四个输出结果进行并联即为一个inception模块的输出结果；第四层为inception(4a-4e)，将inception(3a-3b)的输出作为第四层的输入，inception模块的实现过程和上述操作一致；第五层为inception(5a-5b)，同样将inception(4a-4e)的输出作为第五层进行串联的两个inception模块的输入完成卷积操作；第六层为模型输出层，输出层由一个7×7的平均卷积层、一个全连接层和一个Softmax分类器组成，将inception(5a-5b)的输出作为7×7平均卷积层的输入进行数据降维，最后进行全连接完成特征分类。
模型训练过程中，首先对原始GoogleNet网络模型进行优化完成第一次迁移学习。具体为将原始GoogleNet网络模型的inception模块中的一个5×5大卷积层更改为两个串联的3×3的小卷积层，优化后的网络模型在增加原始网络模型深度的同时又减少了模型参数的计算量，以此来达到高鲁棒性、高准确率的识别效果。将心律正常心电信号经过步骤1-3处理后的频域轨迹图作为第一次迁移学习模型的输入进行训练，得到第一次迁移学习训练后的模型并命名为GoogleNet-T1；然后对第一次迁移学习后的模型GoogleNet-T1部分网络层采用冻结加微调的技术进行参数更新构建第二次迁移学习模型并命名为GoogleNet-T2，将心律异常心电信号经过步骤1-3处理后的频谱轨迹图作为第二次迁移学习模型的输入进行异常心律心电信号的识别训练，最终得到训练好的深度迁移网络模型；
所述冻结网络层为将第一次迁移学习模型GoogleNet-T1中前三层，即包含第一层的7×7卷积核和3×3池化层、第二层的3×3卷积核和3×3池化层和第三层的inception(3a-3b)模块进行固定的技术，冻结后的网络层在模型训练过程中不会进行参数的更新，主要用于提取心电信号的相同特征，从而减小模型识别训练时间。
所述微调层为对第一次迁移学习模型GoogleNet-T1中的第四层和第五层，主要包含inception(4a-4e)和inception(5a-5b)7个inception模块的卷积层进行参数更新用于提取心电信号的细节特征。微调层的设计实现了针对心律异常心电信号的细节特征提取，从而增强识别模型的泛化能力和鲁棒性。

Claims (6)

1.一种基于质量评估和深度迁移学习的心电身份识别方法，其特征在于包括以下步骤：
步骤一：构建基于SVM的心电信号质量评估分类模型，对心电信号进行质量等级分类；
所述信号质量等级分类包括“合格”信号、“可疑”信号、“差”信号三类；
步骤二：基于小波变换去噪算法对“可疑”信号进行处理，获得消噪后的“合格”信号；具体是：
选取合适的小波基函数和分解尺度对“可疑”信号进行小波变换分解；然后对每一个分解层进行阈值去噪处理；最后再将每一个分解层经过去噪处理后的信号进行信号重构，从而得到干净的心电信号；
步骤三：对步骤一“合格”信号和步骤二消噪后的“合格”信号进行广义S变换生成ECG轨迹图；
步骤四：对改进后的GoogleNet网络二次迁移学习构建深度迁移识别网络模型，并利用其实现基于心电信号的个体身份识别；具体是：
所述深度迁移网络模型采用GoogleNet网络作为基本框架，并对原始GoogleNet网络模型进行二次改进和优化，从而构建基于心电信号的身份识别模型；
所述GoogleNet网络共有22个卷积层，其中9个inception模块用来提升网络结构的深度和宽度；具体为：第一层卷积层使用7×7的卷积核，再经过3×3的最大池化层和1×1的卷积层进行降维输出；第二层卷积层使用3×3的卷积核，再经过3×3卷积的最大池化层输出；第三层为两个inception模块3a-3b；第四层为五个inception模块4a-4e，将第三层两个inception模块3a-3b的输出作为第四层的输入；第五层为两个inception模块5a-5b，将第四层五个inception模块4a-4e的输出作为第五层的输入完成卷积操作；第六层为模型输出层；
模型训练过程中，首先对原始GoogleNet网络模型进行优化完成第一次迁移学习，具体为将原始GoogleNet网络模型的inception模块中的一个5×5大卷积层更改为两个串联的3×3的小卷积层，优化后的网络模型在增加原始网络模型深度的同时又减少了模型参数的计算量；将心律正常心电信号经过步骤1-3处理后的频域轨迹图作为第一次迁移学习模型的输入进行训练，得到第一次迁移学习训练后的模型GoogleNet-T1；然后对第一次迁移学习后的模型GoogleNet-T1部分网络层采用冻结加微调的技术进行参数更新构建第二次迁移学习模型GoogleNet-T2，将心律异常心电信号经过步骤1-3处理后的频谱轨迹图作为第二次迁移学习模型的输入进行异常心律心电信号的识别训练，最终得到训练好的深度迁移网络模型；
所述冻结网络层为将第一次迁移学习模型GoogleNet-T1中前三层，即包含第一层的7×7卷积核和3×3池化层、第二层的3×3卷积核和3×3池化层和第三层的inception模块3a-3b进行固定的技术，冻结后的网络层在模型训练过程中不会进行参数的更新，主要用于提取心电信号的相同特征，从而减小模型识别训练时间；
所述微调层为对第一次迁移学习模型GoogleNet-T1中的第四层和第五层，主要包含inception模块4a-4e和inception模块5a-5b的卷积层进行参数更新，用于提取心电信号的细节特征。
2.如权利要求1所述的一种基于质量评估和深度迁移学习的心电身份识别方法，其特征在于步骤一所述心电信号质量评估分类模型包括质量评估指数计算层、SVM分类器；
所述质量评估指数计算层通过对心电信号的波形特性和噪声含量进行分析，提取出心电信号的8个质量评估指数：
(1)QRS波形清晰指数SQI1
使用两个对噪声敏感度不同的噪声检测器对同样一段QRS波群进行检测，分别得出两者检测到的心拍个数Ne和Nw；将SQI1定义为两者检测出的心拍个数的比值：
Figure FDA0003583150900000031
(2)偏度SQI2
Figure FDA0003583150900000032
其中，
Figure FDA0003583150900000033
代表信号x的均值，σ是信号x的标准差，N代表心电信号的采样点数；
(3)峰度SQI3
Figure FDA0003583150900000034
其中，xi为信号x第i个峰值测量值，
Figure FDA0003583150900000035
代表信号x的均值，σ是信号x的标准差；
(4)功率谱分布指数SQI4
Figure FDA0003583150900000041
其中，f表示频率，p(f)表示信号在该频率下的功率；
(5)基线偏移指数SQI5
Figure FDA0003583150900000042
其中，f表示频率，p(f)表示信号在该频率下的功率；
(6)QRS波能量指数SQI6
Figure FDA0003583150900000043
其中，Eri表示QRS波群的能量，i表示检测的QRS波群，Ea表示整个心电片段的总能量；
(7)RR间期稳定指数SQI7
Figure FDA0003583150900000044
其中，
Figure FDA0003583150900000045
和
Figure FDA0003583150900000046
分别代表心电信号在RR间期内的标准差和均值；(8)纯度SQI8
Figure FDA0003583150900000047
其中，wn表示n阶谱矩，p(ejw)表示整个心电片段的功率谱；
所述SVM分类器通过对计算层输出的8个心电信号质量评估指数特征进行训练，完成对原始心电信号的质量等级分类。
3.如权利要求1所述的一种基于质量评估和深度迁移学习的心电身份识别方法，其特征在于步骤三基于广义S变换的时频域分析算法实现将一维的心电信号转换为二维的心电信号频域轨迹图片作为深度迁移学习网络模型的输入，具体是：
①时频域变换；引入两个参数λ和ρ来调整窗函数g(t)的窗宽和幅度，进而改变信号的时间分辨率和频率分辨率，实现多分辨率分析；信号x(t)的广义S变换表示如下：
Figure FDA0003583150900000051
其中，τ为时移因子；广义S变换的窗函数和小波基函数分别如下：
Figure FDA0003583150900000052
Figure FDA0003583150900000053
设定参数
Figure FDA0003583150900000054
保证获得最佳准确率的合适窗函数；信号x(t)经上述(9)式的GST处理，得到复数矩阵S，如下式(12)所示，包含实部和虚部；其中N代表频率大小，M代表时间点；
Figure FDA0003583150900000055
②取复数矩阵S中每个数据的实部作为横坐标、虚部为纵坐标，绘制每个时间点的ECG轨迹；生成的ECG轨迹再通过MATLAB中的getframe函数将坐标轴捕获为影片帧，获得一个时间点的心电信号频域轨迹图，将其作为深度学习网络层的输入。
4.如权利要求1所述的一种基于质量评估和深度迁移学习的心电身份识别方法，其特征在于所述深度迁移网络模型中inception模块包括2个卷积层和4个分支，不同分支采用不同尺度的卷积核来进行处理，依次为64个1×1的卷积核、96个1×1的卷积核作为3×3卷积核的输入降维、16个1×1卷积核作为5×5卷积核的输入降维、最后为3×3卷积核的池化层输出并经过32个1×1卷积核进行降维，对这四个输出结果进行并联处理后作为输出结果。
5.如权利要求1或4所述的一种基于质量评估和深度迁移学***均卷积层、一个全连接层和一个Softmax分类器组成，将inception模块5a-5b的输出作为7×7平均卷积层的输入进行数据降维，最后进行全连接完成特征分类。
6.实现权利要求1-5任一项所述方法的心电身份识别***，其特征在于包括：
心电信号质量评估分类模块，利用基于SVM的心电信号质量评估分类模型，对心电信号进行质量等级分类；
预处理模块，用于对心电信号质量评估分类模块获取的“可疑”信号进行小波变换去噪算法处理，获得消噪后的“合格”信号；
ECG轨迹图生成模块，用于对心电信号质量评估分类模块获取的“合格”信号和预处理模块消噪后的“合格”信号进行广义S变换生成ECG轨迹图；
心电信号身份识别模块，利用已训练好的深度迁移网络模型对ECG轨迹图生成模块处理后的数据进行心电信号的身份识别。
CN202210359234.XA 2022-04-06 2022-04-06 一种基于质量评估和深度迁移学习的心电身份识别方法 Pending CN114861706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210359234.XA CN114861706A (zh) 2022-04-06 2022-04-06 一种基于质量评估和深度迁移学习的心电身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210359234.XA CN114861706A (zh) 2022-04-06 2022-04-06 一种基于质量评估和深度迁移学习的心电身份识别方法

Publications (1)

Publication Number Publication Date
CN114861706A true CN114861706A (zh) 2022-08-05

Family

ID=82628572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210359234.XA Pending CN114861706A (zh) 2022-04-06 2022-04-06 一种基于质量评估和深度迁移学习的心电身份识别方法

Country Status (1)

Country Link
CN (1) CN114861706A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115186770A (zh) * 2022-09-08 2022-10-14 北京邮电大学 驾驶员身份识别方法和电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115186770A (zh) * 2022-09-08 2022-10-14 北京邮电大学 驾驶员身份识别方法和电子设备

Similar Documents

Publication Publication Date Title
Zhao et al. ECG authentication system design incorporating a convolutional neural network and generalized S-Transformation
Li et al. Classification of ECG signals based on 1D convolution neural network
CN107822622B (zh) 基于深度卷积神经网络的心电图诊断方法和***
Huang et al. Accurate classification of ECG arrhythmia using MOWPT enhanced fast compression deep learning networks
Javadi et al. Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning
Page et al. Utilizing deep neural nets for an embedded ECG-based biometric authentication system
WO2019100565A1 (zh) 基于人工智能自学习的动态心电图分析方法和装置
CN108056773A (zh) 基于改进变分模态分解的心电信号qrs波群检测算法
Cao et al. Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network
Yang et al. A multidimensional feature extraction and selection method for ECG arrhythmias classification
Wu et al. Extracting deep features from short ECG signals for early atrial fibrillation detection
CN107239684A (zh) 一种用于ecg身份识别的特征学习方法和***
Chen et al. Region aggregation network: improving convolutional neural network for ECG characteristic detection
Zhang et al. Human identification driven by deep CNN and transfer learning based on multiview feature representations of ECG
CN111202512A (zh) 一种基于小波变换与dcnn的心电图分类方法和装置
CN110313894A (zh) 基于卷积神经网络的心率失常分类算法
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
CN113010013A (zh) 一种基于Wasserstein距离的运动想象脑电迁移学习方法
CN111481192A (zh) 一种基于改进U-Net的心电信号R波检测方法
CN114861706A (zh) 一种基于质量评估和深度迁移学习的心电身份识别方法
CN113128384B (zh) 一种基于深度学习的脑卒中康复***脑机接口软件关键技术方法
Dang et al. A deep biometric recognition and diagnosis network with residual learning for arrhythmia screening using electrocardiogram recordings
CN111931578B (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
Zeng et al. Deep arrhythmia classification based on SENet and lightweight context transform
CN116305048A (zh) 一种基于改进残差收缩网络的身份识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination