论文部分内容阅读
当前时代科技发展迅速,信息的安全性得到更多的关注。常见的身份识别技术表现出各自的弊端,已经无法满足人们对安全性的需求,人体特征识别技术正是这一需求下的产物,这一技术利用人体本身固有的特征来进行个人身份的认证,具有不会遗失、独特、易采集等诸多优点。目前,指纹识别、声音识别与脸型识别等技术已得到应用。然而,他们都有着各自的缺陷,指纹容易留附于物体表面;声音可以模仿,脸型能从相片中得到等等。ECG信号是很重要的人体信号,常常作为临床诊断依据,也可以作为一种有效的身份认证工具。ECG信号是人体内源信号,由于人体差异,它具备唯一性的特点,且不易于仿制。心电信号作为识别技术是一种相对较新颖的身份识别技术,本文在参考已有的关于ECG身份识别技术的资料上,实现了ECG特征点的提取,对特征权重进行准确分析和完成了最优特征子集的选取,利用GA优化了RBF网络,并实验检测了所设计的网络性能。主要做了以下工作:(1)滤除心电信号的干扰与特征提取。对初始ECG信号进行小波分解,摈弃8尺度分解系数实现消除低频干扰,然后重构信号;在小波分解后设置阀值,消除高频干扰;对ECG信号按照atrous算法分解。设定一个合适的时间窗,提取这个时间窗内的最大值,该最大值即是所需要的R波峰值,再确定下一个R波波峰值,以R波峰值点为基准点,设置搜索窗口,在提取的R波波峰位置前后各50ms处求出极小值即可得到Q波和S波位置;起点和终点可采用直线拟合误差最小法提取。(2)确定了最优特征子集。介绍了线性判别式分析法,分析ECG特征权重,按照各特征对分类的贡献大小构建有序队列,依据网络的识别率来选择最佳子集。(3)优化神经网络分类器。将前面提取的子集作为RBF神经网络的输入。采用GA算法对其进行优,并与RBF神经网络分类器比较识别率,确定了GA优化的神经网络分类器。