王 軒， 蔡文杰， 朱衛(wèi)彬

（上海理工大學(xué) 健康科學(xué)與工程學(xué)院， 上海 200093）

0 引 言

生物識(shí)別是一種基于生理或行為特征來(lái)識(shí)別個(gè)體的重要手段，如今，通過(guò)生物識(shí)別實(shí)現(xiàn)用戶認(rèn)證的技術(shù)受到了研究人員的廣泛關(guān)注。 最常用的生物特征有指紋、掌紋、聲音、虹膜、腦電和人臉識(shí)別等，而心電圖（Electrocardiogram，ECG）作為一種安全且隱私的生物信號(hào)，由于不同個(gè)體在心臟電生理、幾何特征上存在差異，也可應(yīng)用于生物識(shí)別領(lǐng)域。 同時(shí)，考慮到心臟處于身體內(nèi)部，難以篡改、模擬或者復(fù)制，且只能從活著的個(gè)體中捕獲［1］，另外據(jù)研究可知，腦電需要從人體頭皮上采集，通常會(huì)受到頭發(fā)的干擾，而心電通過(guò)手指就能夠采集，比較容易采集到，這也是心電信號(hào)生物識(shí)別的重要優(yōu)勢(shì)。

心電生物識(shí)別過(guò)程一般為預(yù)處理、特征提取和分類。 在采集心電的過(guò)程中由于受到環(huán)境以及人體活動(dòng)的影響，心電中通常會(huì)包含噪聲，如基線漂移、工頻干擾、肌電干擾和運(yùn)動(dòng)偽跡等。 預(yù)處理主要是為了將噪聲去除，特征提取主要是提取信息，而這些信息的多樣性對(duì)最終的識(shí)別精度有很大的影響。Biel 等學(xué)者是最早將心電圖應(yīng)用于人體識(shí)別的團(tuán)隊(duì)之一［2］，在2001 年從12 導(dǎo)聯(lián)心電圖記錄中選取了360 個(gè)基準(zhǔn)特征對(duì)20 名受試者進(jìn)行分類。 Anthony等學(xué)者對(duì)基于心電的生物特征識(shí)別系統(tǒng)中的心電信號(hào)預(yù)處理、特征提取、特征選擇和特征轉(zhuǎn)換進(jìn)行了綜述和討論［3］，還介紹了不同的技術(shù)和在多模態(tài)生物識(shí)別系統(tǒng)中信息融合的最新方法。 在心電識(shí)別的文獻(xiàn)中，大量地使用了各種各樣的機(jī)器學(xué)習(xí)和模式識(shí)別技術(shù)。 包括基于傳統(tǒng)方法改進(jìn)的一維LDP［4］和二階差分圖［5］，分別實(shí)現(xiàn)了93.33%和95.12%的準(zhǔn)確率。 機(jī)器學(xué)習(xí)算法中，Chu 等學(xué)者［6］提出了一種并行多尺度一維殘差網(wǎng)絡(luò)，實(shí)現(xiàn)了98.24%的準(zhǔn)確率。 其他文獻(xiàn)［7-9］提出了基于支持向量機(jī)（SVM）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）的方法。

1 方法與模型

1．1 方法概述

ECG 是一種連續(xù)的、半周期的信號(hào)，由一系列反復(fù)出現(xiàn)的P 波、QRS 波和T 波組成，對(duì)于生物識(shí)別，需要心電信號(hào)的不變段。 圖1 展示了USST-ID數(shù)據(jù)庫(kù)中3 個(gè)不同人的以R 峰為重合點(diǎn)的40 s 心拍集合圖。 圖1 中，綠色和紅色分別為靜息狀態(tài)和運(yùn)動(dòng)后的20 s 心拍集合圖。 可以看到，QRS 波周圍的信號(hào)基本保持不變，并且個(gè)體之間有明顯的差異。每個(gè)心拍的P 波和T 波相對(duì)于R 波的位置會(huì)有小幅度的偏移，但形狀相似，因此對(duì)于基于心拍的身份識(shí)別來(lái)說(shuō)，P 波、QRS 波、T 波是最重要的特征。

圖1 USST－ID 運(yùn)動(dòng)前后心拍集合圖Fig． 1 USST－ID set of heart beats before and after exercise

在基于心拍的生物識(shí)別方法中，R 峰最容易定位［10］，提出的方法基于R 峰進(jìn)行心電分割。 目前基于卷積神經(jīng)網(wǎng)絡(luò)的生物識(shí)別有一個(gè)限制，輸入必須具有相同的維度，因此常用的方法有:

（1）以R 峰為中心向兩邊取固定長(zhǎng)度的心電記錄。

（2）根據(jù)心電特征截取一個(gè)完整的心拍，由于每次心拍的長(zhǎng)度并不相同，選擇一個(gè)合適的長(zhǎng)度進(jìn)行截?cái)嗷蛱畛洹?/p>

（3）截取一個(gè)完整的心拍，將心拍重采樣到相同長(zhǎng)度。

本文提出了一種新穎的方法，根據(jù)心電特征設(shè)計(jì)了一種專用于心電圖的卷積神經(jīng)網(wǎng)絡(luò)（ECGNet），通過(guò)改變網(wǎng)絡(luò)中池化層的池化策略來(lái)解決心拍長(zhǎng)度不一致的問(wèn)題，避免了固定長(zhǎng)度、截?cái)嗪吞畛湟约爸夭蓸訋?lái)的心電段缺失或變形問(wèn)題。 4 種方法的實(shí)驗(yàn)對(duì)比過(guò)程如圖2 所示。 對(duì)于一段初始心電，首先通過(guò)小波變換去除噪聲，再采用不同的分割方法，接著將處理好的心電信號(hào)輸入到神經(jīng)網(wǎng)絡(luò)中，最后實(shí)現(xiàn)生物識(shí)別。 本文將在1.2 節(jié)中討論基于小波變換的心電信號(hào)去噪，在1.3 節(jié)中介紹心電信號(hào)的分割，在1.4 節(jié)討論4 種方法的實(shí)現(xiàn)。

圖2 實(shí)驗(yàn)流程圖Fig． 2 Experimental flow chart

1．2 小波變換預(yù)處理

小波變換能有效地進(jìn)行信號(hào)的分解與重構(gòu)［11］。噪聲主要集中在高頻信號(hào)中，而基線漂移在低頻信號(hào)中，使用小波變換將原始心電信號(hào)進(jìn)行10 層分解，將相應(yīng)的高頻信號(hào)和低頻信號(hào)置為0，接著再重構(gòu)信號(hào)，即可得到干凈的心電信號(hào)。 原信號(hào)和處理后的信號(hào)的對(duì)比如圖3 所示。

圖3 小波變換去噪前后對(duì)比圖Fig． 3 Comparison of wavelet transform before and after denoising

1．3 心電信號(hào)分割

不定長(zhǎng)的分割方法以R 峰為中心，取不定時(shí)間長(zhǎng)度為T的心電信號(hào)。T為當(dāng)前R 峰的上一個(gè)R 峰到當(dāng)前R 峰的下一個(gè)R 峰的時(shí)間長(zhǎng)度減去一個(gè)QRS 波的時(shí)間長(zhǎng)度，一個(gè)QRS 波的平均時(shí)間長(zhǎng)度為100 ms，T值、及取得的心電信號(hào)區(qū)間的數(shù)學(xué)定義表達(dá)式分別如下:

其中，R為當(dāng)前R 峰的坐標(biāo)；R1為當(dāng)前R 峰的上一個(gè)R 峰的坐標(biāo)；R2為當(dāng)前R 峰的下一個(gè)R 峰的坐標(biāo)；f為心電信號(hào)的采樣率。

定長(zhǎng)的分割方法需要選取固定時(shí)間長(zhǎng)度T。 心電信號(hào)分割如圖4 所示。 研究可知，QRS 波群的持續(xù)時(shí)間為80～120 ms。 PR 間期為120 ～200 ms，QT間期為300～430 ms。 因此，P 波開始點(diǎn)距離R 峰的時(shí)間長(zhǎng)度TPR為160～260 ms，T波結(jié)束點(diǎn)距離R 峰的時(shí)間長(zhǎng)度TRT為240～390 ms。 假設(shè)研究中PR 間期和QT 間期都取最大值，同時(shí)使R 峰在中心，則取T為780 ms即可涵蓋了一個(gè)完整的P、QRS、T 波。不定長(zhǎng)和定長(zhǎng)分割結(jié)果，如圖5 所示。 時(shí)間Tmin值可由如下公式計(jì)算求出:

圖4 心電信號(hào)分割Fig． 4 ECG signal segmentation

圖5 心電圖圖解Fig． 5 Electrocardiogram diagram

1．4 網(wǎng)絡(luò)結(jié)構(gòu)

提出的ECGNet 主要是將卷積神經(jīng)網(wǎng)絡(luò)的最后一層池化層改為ECGPool。 非定長(zhǎng)分割信號(hào)輸入的卷積層和池化層并沒(méi)有要求輸入維度必須相同，但全連接層要求輸入具有相同維度。 這里是將提取的不定長(zhǎng)特征輸入ECGPool 層，就可以保證固定長(zhǎng)度的輸入。 實(shí)現(xiàn)原理如圖6 所示。

由圖6 可以見(jiàn)到，首先將原始心電圖分成3 段，在心電圖中，取PR 間期的平均時(shí)間為160 ms，取QRS 波的持續(xù)平均時(shí)間為100 ms，取QT 間期的平均時(shí)間為360 ms，因此P 波到R 峰的平均時(shí)間為210 ms，T 波到R 峰的平均時(shí)間為310 ms，所以中間段的時(shí)間長(zhǎng)度T2為520 ms，設(shè)左邊剩余時(shí)間段為T1，右邊剩余時(shí)間段為T3，則:

圖6 ECGNet 模型的原理Fig． 6 Principles of the ECGNet model

其中，T2段包含了最重要的P 波、QRS 波、T波，T1段和T3段包含了心電圖的剩余特征。 將分段后的心電信號(hào)使用相同的卷積核、池化核、步長(zhǎng)以及填充大小進(jìn)行卷積池化，則輸出的特征在最后一個(gè)維度依舊保持比例關(guān)系，設(shè)最后一個(gè)維度的大小為D1，D2，D3， 卷積池化對(duì)心電長(zhǎng)度的縮小比例為ρ，則:

T2段的時(shí)間是固定的520 ms，因此D2是定長(zhǎng)的，特征D2采用最大池化策略。 而T1段、T3段的時(shí)間是不定長(zhǎng)的，因此D1和D3也是不定長(zhǎng)的。 提出了一種分段最大池化（SMP）方法可以將不定長(zhǎng)的特征池化為定長(zhǎng)，原理如圖7 所示。 由圖7 可知，對(duì)于長(zhǎng)度為n的輸入，若要使輸出長(zhǎng)度為m， 則首先將n進(jìn)行填充至m的整數(shù)倍，然后平均分成m份，對(duì)每一份進(jìn)行全局最大池化，得到m個(gè)數(shù)據(jù)，即無(wú)論輸入的長(zhǎng)度是多少，最后的輸出維度取決于m的數(shù)值。 這里，填充長(zhǎng)度(padding) 、 池化核的大?。╧ernel_size）、以及將這3 部分池化結(jié)果進(jìn)行拼接的數(shù)學(xué)計(jì)算公式依次列示如下:

圖7 SMP 模塊的實(shí)現(xiàn)Fig． 7 Implementation of SMP module

2 實(shí)驗(yàn)

2．1 數(shù)據(jù)庫(kù)

使用ECG-ID 數(shù)據(jù)庫(kù)［12］和USST-ID 數(shù)據(jù)庫(kù)，ECG-ID 包含了90 個(gè)人的共310 條心電記錄，每條記錄20 s，采樣率為500 Hz。 USST-ID 是本文研究團(tuán)隊(duì)自行構(gòu)建的數(shù)據(jù)庫(kù)，來(lái)自117 名在校本科生，采集了每個(gè)人靜息狀態(tài)下和運(yùn)動(dòng)后（20 個(gè)深蹲）的心電記錄，共234 條記錄，每條20 s，采樣頻率為500 Hz。

2．2 實(shí)驗(yàn)方法

為了突出本文方法相比于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，前幾層的參數(shù)保持一致，將網(wǎng)絡(luò)最后一層池化層替換為提出的ECGPool。 在整個(gè)訓(xùn)練過(guò)程中，數(shù)據(jù)庫(kù)的80%用于訓(xùn)練網(wǎng)絡(luò)參數(shù)，10%用于驗(yàn)證，若驗(yàn)證的準(zhǔn)確率在3 次epoch中都沒(méi)有提升，則保存準(zhǔn)確率最高的那次模型及參數(shù)，最后10%用于測(cè)試模型的魯棒性。 采用均方誤差作為損失函數(shù)，使用Adam算法進(jìn)行參數(shù)優(yōu)化，學(xué)習(xí)率設(shè)為0.001，使用網(wǎng)格搜索進(jìn)行參數(shù)優(yōu)化。 由于ECG-ID 數(shù)據(jù)不均衡，使用平均準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，計(jì)算方法見(jiàn)式（11）:

其中，acci表示每個(gè)類別的準(zhǔn)確率。

2．3 實(shí)驗(yàn)結(jié)果和分析

表1 是固定長(zhǎng)度的結(jié)果，超參數(shù)為固定時(shí)間的長(zhǎng)度，這個(gè)時(shí)間段內(nèi)的心電信號(hào)涵蓋了一個(gè)完整的P 波、QRS 波及T 波，但由于沒(méi)有考慮心率對(duì)心拍長(zhǎng)度的影響導(dǎo)致在USST-ID 上表現(xiàn)不佳。

表1 固定長(zhǎng)度Tab． 1 Fix length

表2 是重采樣的結(jié)果，超參數(shù)為重采樣后的樣本點(diǎn)數(shù)。 相比其他3 種方法效果不理想，究其原因主要在于重采樣會(huì)使P 波、QRS 波、T 波這些重要的特征產(chǎn)生形變。

表2 重采樣Tab． 2 Resampling

表3 是截?cái)嗪吞畛涞慕Y(jié)果，超參數(shù)為截?cái)嗪吞畛浜蟮臉颖军c(diǎn)數(shù)。 截?cái)嗟乃枷牒投ㄩL(zhǎng)一樣，但是定長(zhǎng)的心電信號(hào)兩端的特征受心率影響較大，填充減少了這種影響，因此在USST-ID 中的效果高于定長(zhǎng)方法。

表3 截?cái)嗪吞畛銽ab． 3 Crop and padding

表4 是ECGNet 的結(jié)果，超參數(shù)為SMP 池化后的神經(jīng)元個(gè)數(shù)，可以看到4 個(gè)神經(jīng)元時(shí)，在ECG-ID上的準(zhǔn)確率達(dá)到了98.75%，高于其他3 種方法，也高于目前論文［4-6］提出的方法。 8 個(gè)神經(jīng)元時(shí)，在USST-ID 上的準(zhǔn)確率達(dá)到了90.47%，遠(yuǎn)高于另外3種方法，表明ECGNet 對(duì)運(yùn)動(dòng)及靜息狀態(tài)下的心電生物識(shí)別有更好的適應(yīng)性。 因?yàn)镋CGNet 中的ECGPool 層完整提取了心電信號(hào)中重要的P 波、QRS 波和T 波特征，同時(shí)將其它特征提取成固定數(shù)量的神經(jīng)元，平衡了心電不同段的重要程度。

表5 是4 種方法的最優(yōu)超參數(shù)的結(jié)果的匯總。由表5 可以看到，提出的方法在2 種數(shù)據(jù)庫(kù)上的表現(xiàn)都是最好的，尤其在同時(shí)具有靜息和運(yùn)動(dòng)心電信號(hào)的USST-ID數(shù)據(jù)中有巨大的優(yōu)勢(shì)。

3 結(jié)束語(yǔ)

本文根據(jù)心電圖的獨(dú)有特征提出了一種接受可變輸入的卷積神經(jīng)網(wǎng)絡(luò)的心電生物識(shí)別方法，對(duì)比了其他3 種目前主流的心電預(yù)處理加傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的方法，并在ECG-ID 數(shù)據(jù)庫(kù)和自行構(gòu)建的USST-ID 數(shù)據(jù)庫(kù)中進(jìn)行驗(yàn)證，準(zhǔn)確率分別達(dá)到了98.75%和90.47%。 結(jié)果表明，提出的基于心電特征改良的方法相比目前的卷積神經(jīng)網(wǎng)絡(luò)具有一定的優(yōu)勢(shì)，并且在靜息和運(yùn)動(dòng)心電信號(hào)中這一優(yōu)勢(shì)尤顯突出。 同時(shí)，在心電生物識(shí)別領(lǐng)域也可以將這種方法用于改良其他網(wǎng)絡(luò)結(jié)構(gòu)。 但是，提出的方法只驗(yàn)證了在健康人群中的有效性，還需要進(jìn)一步驗(yàn)證在心律失常人群中的魯棒性。