【摘要】：目前用于身份識(shí)別的方法有很多,常用的有人臉識(shí)別,指紋識(shí)別等等。隨著現(xiàn)在技術(shù)的不斷更新,人臉可以被照片所代替,指紋也可以復(fù)制,但每個(gè)人的心電圖信號(hào)是獨(dú)一無(wú)二的,不可復(fù)制的,目前心電圖信號(hào)主要用于臨床醫(yī)學(xué)心臟方面疾病的診斷,近些年來(lái),提出基于心電信號(hào)進(jìn)行身份識(shí)別的研究的學(xué)者不斷增多,其目的就是為了實(shí)現(xiàn)能更好更精確的對(duì)人類進(jìn)行身份識(shí)別,生物識(shí)別技術(shù)迅速發(fā)展的原因正是因?yàn)槿祟愖陨淼奶貏e的行為特征或者生理進(jìn)行的身份鑒別,其可靠性和不可替代性非常高。本文研究的是基于分類器組合的心電信號(hào)身份識(shí)別算法,使用無(wú)基準(zhǔn)點(diǎn)特征提取的方法來(lái)提取QRS波形。HOAC-DCT特征提取、DWT特征提取和PCA特征提取以及分類器組合算法相結(jié)合的方法,提出的方法可以對(duì)身份識(shí)別的準(zhǔn)確率進(jìn)行提高。首先,本文預(yù)處理ECG信號(hào),原始的心電信號(hào)中常常伴隨著肌頻干擾、工頻干擾、基線漂移等噪聲成分,ECG信號(hào)受采集設(shè)備的等因素的影響,必須對(duì)ECG信號(hào)進(jìn)行濾波,本文使用四階巴特沃斯帶通濾波器。再使用無(wú)基準(zhǔn)點(diǎn)特征提取的方法來(lái)提取心電信號(hào)的QRS波形,即HOAC算法來(lái)提取ECG信號(hào)正規(guī)化的QRS波形,去除基準(zhǔn)點(diǎn)的影響。其次,對(duì)提取的正規(guī)化QRS波形再次使用HOAC、DWT和PCA提取用于身份識(shí)別的特征,由于HOAC的特征維數(shù)高,通過(guò)DCT算法降低了特征維度。每種方法分別提取一個(gè)特征,找出三個(gè)特征以后,使用最近鄰分類器分類識(shí)別,最后使用乘法、最大、最小、中值、大多數(shù)投票等規(guī)則對(duì)分類結(jié)果進(jìn)行組合,找出對(duì)ECG信號(hào)識(shí)別最好的組合算法,實(shí)現(xiàn)對(duì)ECG信號(hào)的準(zhǔn)確率更高的身份識(shí)別。最后針對(duì)PTB和MIT-BIH數(shù)據(jù)庫(kù)驗(yàn)證所提出算法的性能,并利用MATLAB得出身份識(shí)別準(zhǔn)確率結(jié)果,驗(yàn)證所提出算法的優(yōu)越性。實(shí)驗(yàn)結(jié)果表明,在組合規(guī)則中,乘法和中值規(guī)則組合的分類器的分類能力最好,比使用單個(gè)特征提取的分類能力更強(qiáng),分類錯(cuò)誤率也最低,驗(yàn)證了本文提出的基于分類器組合的ECG信號(hào)身份識(shí)別算法研究分類效果更好,且實(shí)現(xiàn)起來(lái)簡(jiǎn)單,可以為基于ECG身份識(shí)別的系統(tǒng)提供良好的技術(shù)支撐。
[Abstract]:At present, there are many methods for identification, such as face recognition, fingerprint identification and so on. As the technology continues to update, faces can be replaced by photographs and fingerprints can be copied, but everyone's ECG signals are unique and cannot be copied. At present, ECG signals are mainly used in the diagnosis of cardiac diseases in clinical medicine. In recent years, more and more scholars have put forward the research of identification based on ECG signals. The purpose is to achieve better and more accurate identification of human beings. The reason for the rapid development of biometric technology is precisely because of human own special behavioral characteristics or physiological identity identification. Its reliability and irreplaceable are very high. In this paper, the ECG signal identification algorithm based on classifier combination is studied. The QRS waveform is extracted by the method of extracting the feature without reference point. The HOAC-DCT feature is extracted, which is based on the combination of classifiers. Combining DWT feature extraction with PCA feature extraction and classifier combination algorithm, the proposed method can improve the accuracy of identity recognition. Firstly, the ECG signal is preprocessed in this paper. The original ECG signal is often accompanied by the noise components such as muscle frequency interference, power frequency interference, baseline drift and so on. The ECG signal is affected by the acquisition equipment and other factors, so it is necessary to filter the ECG signal. In this paper, a fourth-order Butterworth bandpass filter is used. Then the QRS waveform of ECG signal is extracted by the feature extraction method without reference point, that is, the HOAC algorithm is used to extract the normalized QRS waveform of the ECG signal and remove the influence of the reference point. Secondly, the extracted normalized QRS waveform is extracted by HOAC,DWT and PCA again. Because the feature dimension of HOAC is high, the feature dimension is reduced by DCT algorithm. Each method extracts one feature separately, after finding out three features, it uses nearest neighbor classifier to classify and recognize, and finally uses multiplication, maximum, minimum, median, majority voting rules to combine the classification results. Find out the best combination algorithm to identify the ECG signal, and realize the more accurate identification of the ECG signal. Finally, the performance of the proposed algorithm is verified by PTB and MIT-BIH database, and the accuracy result of identification is obtained by using MATLAB to verify the superiority of the proposed algorithm. The experimental results show that the combination of multiplication and median rule has the best classification ability, which is stronger than that of single feature extraction, and the classification error rate is the lowest. The proposed ECG signal identification algorithm based on classifier combination is proved to be more effective and easy to implement. It can provide good technical support for the system based on ECG identification.
【學(xué)位授予單位】：延邊大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭紅玲;程顯毅;;多分類器選擇集成方法[J];計(jì)算機(jī)工程與應(yīng)用;2009年13期

2 呂岳,施鵬飛,趙宇明;多分類器組合的投票表決規(guī)則[J];上海交通大學(xué)學(xué)報(bào);2000年05期

3 韓宏;楊靜宇;;多分類器組合及其應(yīng)用[J];計(jì)算機(jī)科學(xué);2000年01期

4 陳剛,戚飛虎;多分類器結(jié)合的人臉識(shí)別[J];上海交通大學(xué)學(xué)報(bào);2001年02期

5 韓宏,楊靜宇,婁震;基于層次的分類器組合[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年01期

6 趙誼虹,程國(guó)華,史習(xí)智;多分類器融合中一種新的加權(quán)算法[J];上海交通大學(xué)學(xué)報(bào);2002年06期

7 王正群,葉暉,孫興華,楊靜宇;模糊多分類器組合[J];小型微型計(jì)算機(jī)系統(tǒng);2003年01期

8 楊利英,覃征,王向華;多分類器融合實(shí)現(xiàn)機(jī)型識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2004年15期

9 楊利英,覃征,王衛(wèi)紅;多分類器融合系統(tǒng)設(shè)計(jì)與應(yīng)用[J];計(jì)算機(jī)工程;2005年05期

10 陳湘;;1-范數(shù)軟間隔分類器的風(fēng)險(xiǎn)[J];湖北大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

相關(guān)會(huì)議論文 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級(jí)分類器的垃圾短信過(guò)濾方法[A];第五屆全國(guó)信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗(yàn)證對(duì)象集分類器的再訓(xùn)練演進(jìn)[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機(jī)手寫識(shí)別筆段特征分類器的學(xué)習(xí)方法[A];黑龍江省計(jì)算機(jī)學(xué)會(huì)2009年學(xué)術(shù)交流年會(huì)論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認(rèn)證[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

5 彭濤;左萬(wàn)利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(shù)(英文)[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無(wú)關(guān)”的說(shuō)話人辨認(rèn)[A];第四屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];1996年

7 謝秋玲;;應(yīng)用于心電圖分類的KNN-SVM分類器研究[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級(jí)聯(lián)分類器的快速人臉檢測(cè)方法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認(rèn)知結(jié)構(gòu)評(píng)估的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)分類器方法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

10 邵小健;段華;賀國(guó)平;;一種改進(jìn)的最少核分類器[A];中國(guó)運(yùn)籌學(xué)會(huì)第七屆學(xué)術(shù)交流會(huì)論文集（上卷）[C];2004年

相關(guān)重要報(bào)紙文章 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報(bào);2000年

相關(guān)博士學(xué)位論文 前10條

1 張非;對(duì)抗逃避攻擊的防守策略研究[D];華南理工大學(xué);2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學(xué);2014年

3 許勁松;智能交通中目標(biāo)檢測(cè)與分類關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2014年

4 趙作林;基于圖像分析的北京地區(qū)楊樹種類識(shí)別研究[D];北京林業(yè)大學(xué);2015年

5 任亞峰;基于標(biāo)注和未標(biāo)注數(shù)椐的虛假評(píng)論識(shí)別研究[D];武漢大學(xué);2015年

6 曹鵬;不均衡數(shù)據(jù)分類方法的研究[D];東北大學(xué);2014年

7 劉明;分類器組合技術(shù)研究及其在人機(jī)交互系統(tǒng)中的應(yīng)用[D];北京交通大學(xué);2008年

8 嚴(yán)志永;在劃分?jǐn)?shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學(xué);2011年

9 王U，

本文編號(hào)：2440208