论文部分内容阅读
随着科学技术的不断发展和人们对指纹、人脸、声音等传统的单一生物特征造假能力的提高,个人的身份识别受到了广泛的关注。因此,未来生物识别技术将不再依赖传统的生物特征,而是向新的生物特征识别方法或多生物特征识别相结合方向发展。人体最重要的器官是心脏,电活动强度最大的器官也是心脏,心脏电活动的检测和分析已经成为心脏功能检测和诊断的最重要的方法和手段,由于心电信号有普遍性、差异性、处理简单、数据量小、方便采集、较长期的稳定性等独特的优势,近年来利用人体的心电信号(electrocardiogram,ECG)进行身份识别的方法受到了广泛关注。从研究方法上来说,心电信号身份识别算法大致分为两种:一是基于ECG波形的基准点检测特征提取方法,如R波振幅、T波振幅、QRS间期、QT间期等,时域波形特征较易受到心率变化等的影响且识别率很大程度依赖于心电信号时域中基准点的自动识别准确率。二是非基准点特征提取方法,多采用ECG的频域分析法。ECG的频域分析方法主要有小波变换、离散余弦变换、傅里叶变换等。由于傅里叶变换能很好地刻画信号的幅频特性和相频特性,且运行速度快,所以本文主要对心电信号的傅里叶变换做了研究。基于心电信号身份识别技术是一种比较新颖的技术,因此还有许多地方需要改进,为了提高身份识别的准确率以及识别算法的效率,本文在总结前人研究成果的基础上,主要研究基于傅里叶变换的心电信号身份识别的方法,提取特征并对特征进行筛选,采用相关分析和神经网络分类器进行分类和识别,通过matlab仿真软件证实了两种方法的可行性。主要内容包括:(1)心电信号数据方面,本文取了PTB数据库中10人的数据和MIT数据库中5人的数据,并对每条数据进行R波检测,每条数据提取100个RR间期,并对其进行傅里叶变换,得到该信号的幅频特性谱、相位谱和能量谱。观察谱之间的相异性。(2)提取特征方面,主要提取了斜率、谐波数、能量比等特征,对所选取的特征进行PCA主成分分析,筛选贡献率大的特征并将其构成特征向量。(3)心电信号身份识别算法方面,分别利用相关分析和神经网络分类器进行分类识别。(4)对两种分类识别结果进行比较;总结全文,并提出进一步的研究工作,以确保身份识别的稳定性,提高识别的准确率。在基于ECG的身份识别中,常用相关分析法(autocorrelation,AC),他的困难在于阈值的确定,为了克服此缺陷,本文提出了新的实验方法,即测试组相关系数与模板相关系数进行对比,数值接近者被认为是该模板对应的人,有效的避免了确定阈值难的问题。同时,本文采用神经网络对特征向量进行分类识别,与相关分析的方法相比,神经网络分析法达到了较好的效果,但是准确率仍有提高的空间。