曹書豪 許成哲

摘 要：本文針對(duì)基于分類器組合的ECG信號(hào)進(jìn)行了身份識(shí)別算法的研究，通過(guò)無(wú)基準(zhǔn)點(diǎn)的方法來(lái)提取QRS波形，HOAC、DWT、PCA特征提取和分類器組合算法相結(jié)合的方法，該算法對(duì)身份識(shí)別的準(zhǔn)確率進(jìn)行提高。通過(guò)對(duì)比實(shí)驗(yàn)得出，在組合規(guī)則中，中值規(guī)則和乘法組合形式的分類器的效果最好，相比通過(guò)單一特征提取的分類效果更好，分類的錯(cuò)誤率也較比同類論文有了一定程度上的降低。實(shí)驗(yàn)驗(yàn)證，本文研究的的號(hào)身份識(shí)別算法分類識(shí)別精度高，而且實(shí)現(xiàn)更加容易，為今后基于ECG身份識(shí)別的研究提供了良好的支持。

關(guān)鍵詞：心電信號(hào);身份識(shí)別;分類器組合算法;高階自相關(guān)

0 引言

身份識(shí)別技術(shù)這個(gè)研究課題已經(jīng)被提出許久，市面上常見(jiàn)的身份識(shí)別還有虹膜識(shí)別等，該類產(chǎn)品大多數(shù)應(yīng)用于身份驗(yàn)證、視頻監(jiān)控等領(lǐng)域。特別是在人口流量管理方面有著較為廣泛的應(yīng)用。2001年由Biel首先提出心電信號(hào)身份識(shí)別的概念并且完全實(shí)現(xiàn)后[1]，數(shù)以百計(jì)的研究人員不斷對(duì)此技術(shù)進(jìn)行革新，身份識(shí)別的流程可以概括為三步，首先對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理，再通過(guò)選取特征輸入到分類器中，進(jìn)行最后的分類來(lái)完成身份的識(shí)別。

2010年，文獻(xiàn)[2]提出基于ECG信號(hào)的身份識(shí)別算法，在預(yù)處理階段通過(guò)小波變換的方式進(jìn)行去噪處理，選取R峰值點(diǎn)作為特征，最后通過(guò)遺傳算法、DNA算法以及優(yōu)化過(guò)后的BP神經(jīng)網(wǎng)絡(luò)分類器三種分類方法進(jìn)行分類識(shí)別，取得了較好的準(zhǔn)確率。Plataniotis[3]是最早的將基于ECG信號(hào)波形提取的特征提出來(lái)，采用的是自相關(guān)變換加離散余弦變換，對(duì)原始信號(hào)經(jīng)過(guò)進(jìn)行濾波處理，選用4階巴特沃斯濾波器，第二步在保證時(shí)間窗不重疊的情況下進(jìn)行窗口分割，最后計(jì)算每個(gè)小窗口的AC值。

針對(duì)現(xiàn)有方法的不足，本文提出了一種基于分類器組合的心電信號(hào)身份識(shí)別算法，分選選取HOAC、DWT、PCA三種方式提取特征，通過(guò)離散余弦變換對(duì)HOAC提取的特征做降維處理，另外詳盡的介紹了K近鄰分類方法，通過(guò)使用不同的5種分類器組合規(guī)則，在MIT-BIH和PTB數(shù)據(jù)庫(kù)中進(jìn)行仿真，驗(yàn)證了本算法的有效性。

1 ECG信號(hào)的預(yù)處理及QRS波形的提取

針對(duì)ECG信號(hào)的噪聲干擾及其特點(diǎn)，本文選擇4階巴特沃斯帶通濾波器，該濾波器的頻率范圍是在1～40Hz之間，巴特沃斯濾波器的特點(diǎn)就是它的通頻帶對(duì)應(yīng)的頻率響應(yīng)曲線是最為平滑的。該巴特沃斯低通濾波器平方函數(shù)如公式（1-1）所示：

預(yù)處理之后的ECG信號(hào)我們利用文獻(xiàn)[7]的方法來(lái)進(jìn)行QRSnorm波形提取，使用HOAC算法可以減少受特征點(diǎn)不準(zhǔn)確性的干擾，更為準(zhǔn)確的獲取到ECG信號(hào)波形特征信息。本文對(duì)每個(gè)ECG信號(hào)都將其用同等窗口長(zhǎng)度的ECG信號(hào)進(jìn)行劃分，通過(guò)設(shè)置相同時(shí)間窗口長(zhǎng)度的方法，來(lái)提取心電信號(hào)中的重要信息，原則上QRS復(fù)合波的波形長(zhǎng)度應(yīng)與時(shí)間窗口長(zhǎng)度的設(shè)定相同。通過(guò)這樣的方式在一定程度上可以減少心率變化對(duì)信號(hào)的干擾，也降低了算法本身的復(fù)雜程度。通過(guò)公式（1-2）可以確定HOAC系數(shù)，得出QRSnorm。

2 基于分類器組合的ECG信號(hào)身份識(shí)別算法

2.1 基于ECG信號(hào)多種特征提取結(jié)合的過(guò)程分析

本算法為了提高身份識(shí)別識(shí)別精度，并更好的將其特征應(yīng)用在分類器組合規(guī)則，利用高階自相關(guān)提取QRSnorm波形。HOAC特征中時(shí)間窗口長(zhǎng)度為4s，重疊時(shí)間窗口長(zhǎng)度為1s。在特征選擇上，第一個(gè)特征為7階HOAC系數(shù)進(jìn)行DCT變換后的前20個(gè)系數(shù);第二個(gè)特征為QRSnorm波形進(jìn)行PCA之后的前10個(gè)系數(shù);最后一個(gè)特征為進(jìn)行3層DWT變換之后QRSnorm波形的17個(gè)低頻成分系數(shù)，DWT中選取‘db1母小波。將上述三個(gè)特征輸入到K值為1的K-NN分類器中，選擇乘法、最大、最小、中值、大多數(shù)投票等5種分類器組合規(guī)則。本文的整個(gè)分類過(guò)程流程如圖1所示：

2.2 基于分類器組合的心電信號(hào)身份識(shí)別算法介紹

將提取到的特征作為輸入值進(jìn)入到K近鄰分類器之后，本文創(chuàng)新性通過(guò)不同組合規(guī)則對(duì)所提取特征特征進(jìn)行組合，從而實(shí)現(xiàn)提高基于ECG信號(hào)的身份識(shí)別率，其中包括乘法規(guī)則、最小規(guī)則、最大規(guī)則、中值規(guī)則及大多數(shù)投票規(guī)則等5種組合規(guī)則，組合規(guī)則均為并行結(jié)構(gòu)。分類器的組合方式規(guī)則可以表示為：

乘法規(guī)則：模式Z包含了m個(gè)可能的出現(xiàn)的類別，表示為w1，...，wm，如果使用分類的的數(shù)量為R，那么在給定的類別中，任何一個(gè)分類器都會(huì)賦予一個(gè)不相同的測(cè)量xi ， i從1到R，等式兩側(cè)按貝葉斯理論與全概率定理，表示如（2-1）：

若測(cè)試向量均為彼此獨(dú)立的話，類條件概率密度公式可表示為：

將此公式代入到公式（2-1）可以得出乘法規(guī)則：

本算法中3個(gè)特征是相互獨(dú)立的，用乘法規(guī)則進(jìn)行分類器組合是最優(yōu)的。乘法規(guī)則也可以表示為：

通過(guò)下式衍生出了最大值、最小值和中值規(guī)則：

最大值規(guī)則：是通過(guò)求和規(guī)則逼近最大的后驗(yàn)概率推導(dǎo)后可表示為：

最小值規(guī)則是通過(guò)對(duì)乘法規(guī)則逼近后驗(yàn)概率的邊界范圍，經(jīng)推導(dǎo)后得出以下公式：

中值規(guī)則是在相等的先驗(yàn)假設(shè)，求和規(guī)則可視為計(jì)算平均最大的后驗(yàn)概率。公式如下：

該公式表示最大的后驗(yàn)概率是中值規(guī)則分配給該類的機(jī)率。一旦有分類器輸出的后驗(yàn)概率為異常結(jié)果，平均值結(jié)果會(huì)因此受到影響，進(jìn)而導(dǎo)致分類出現(xiàn)錯(cuò)誤。我們規(guī)定，穩(wěn)健估計(jì)的均值為中值。因此基于分類器組合的后驗(yàn)概率中值規(guī)則表示為（2-10）：

大多數(shù)投票規(guī)則可表示為：

上式右邊的表示為從個(gè)體分類器接收到類wk的選票個(gè)數(shù)之和。哪一個(gè)類別的累加之和最大，意味著得到最多的投票，進(jìn)而表示為第wj類，第wj類是由獲得最多投票來(lái)確定的。最后使用K近鄰分類器對(duì)心電信號(hào)進(jìn)行分類識(shí)別，利用上述5中不同的組合規(guī)則進(jìn)行組合，驗(yàn)證本文提出算法的可行性以及實(shí)際性能。

3 仿真結(jié)果與分析

仿真實(shí)驗(yàn)的過(guò)程中分別對(duì)PTB數(shù)據(jù)庫(kù)與MIT-BIH數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，在原始數(shù)據(jù)庫(kù)當(dāng)中隨機(jī)選取訓(xùn)練集與測(cè)試集，實(shí)驗(yàn)共進(jìn)行1000次，從而得出STD與平均錯(cuò)誤率，最后利用本文算法的實(shí)驗(yàn)結(jié)果與同類別論文進(jìn)行數(shù)據(jù)對(duì)比。3種不同特征以及5種不同分類器組合規(guī)則在兩個(gè)數(shù)據(jù)庫(kù)中進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表1所示。從實(shí)驗(yàn)的結(jié)果我們不難看出，乘法規(guī)則與中值規(guī)則的組合方式在心電信號(hào)身份識(shí)別的識(shí)別精度上要優(yōu)于只利用單一特征的分類精度，分類的錯(cuò)誤率也更低。

通過(guò)本文得出的實(shí)驗(yàn)數(shù)據(jù)，與其他研究人員提出的算法，文獻(xiàn)[4-7]，在PTB和MIT-BIH數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)結(jié)果比較，實(shí)驗(yàn)結(jié)果如表2所示：

4 結(jié)論

通過(guò)對(duì)比實(shí)驗(yàn)，共得到以下結(jié)論：

（1）本文利用HOAC手段對(duì)QRS復(fù)合波形進(jìn)行特征提取后進(jìn)行分類識(shí)別，通過(guò)對(duì)比錯(cuò)誤率和使用分類器組合規(guī)則的平均錯(cuò)誤率進(jìn)行了比較，驗(yàn)證了該算法的優(yōu)越性，同時(shí)對(duì)設(shè)置不同的時(shí)間窗重疊長(zhǎng)度，對(duì)分類器組合的算法起到了優(yōu)化的作用。

（2）通過(guò)本文提出的分類器組合算法，在兩個(gè)數(shù)據(jù)庫(kù)當(dāng)中進(jìn)行驗(yàn)證對(duì)比試驗(yàn)，實(shí)驗(yàn)得出，乘法和中值規(guī)則組合的方式令分類器的分類能力有了極大的加強(qiáng)，較比只利用單一特征而言，識(shí)別率得到了顯著的提升，同時(shí)分類錯(cuò)誤率也有了極大地下降。通過(guò)對(duì)比本文提出的算法與現(xiàn)有的心電信號(hào)識(shí)別算法進(jìn)行試驗(yàn)數(shù)據(jù)對(duì)比，本文的身份識(shí)別精度更高。

參考文獻(xiàn)：

[1]Biel L，Pettersson O，Philipson L，et al.ECG analysis： a new approach in human identification[J].Instrumentation and measurement，IEEE Transactions on，2001，50（03）：808-812.

[2]朱民杰.基于神經(jīng)網(wǎng)絡(luò)的心電圖身份識(shí)別研究[D].鄭州大學(xué)，2010.

[3]K.N.Plataniotis，D.Hatzinakos，J.K.M.Lee.ECG Biometric Recognition Without Fiducially Detection[C].Baltimore：2006 Biometric Symposium;Special Session on Research at the Biometric Consortium，2006：1-6.

[4]S.C.Fang，H.L.Chan.Human Identification by Quantifying Similarityand Dissimilarity in Electrocardiogram Phase Space. Pattern Recognition，2009（42）：1824-1831.

[5]Wang Y J，Agrafioti F，Hatzinakos D，el al Analysis of human electrocardiogram for biometric recognition [J].EUR ASIP Journal on Advances in Signal Processing，2008.

[6]C.C.Chiu，C.M.Chuang，C.Y.Hsu.A Novel Personal Identity Verification Approach Using a Discrete Wavelet. In： Proceedings of the 2008 International Conference on Multimedia and Ubiquitous Engineering.Washington，DC，2008： 201-206.

[7]Chengzhe Xu，Yonggao Jin.Human Identification using one lead ECG signal.Advanced Material Research，2013：671-672.