【摘要】：近年來,隨著信息技術(shù)的不斷發(fā)展,互聯(lián)網(wǎng)成為了人們生活中必不可少的部分。與此同時,人們對網(wǎng)絡信息安全的重視程度也在不斷的提高。然而,傳統(tǒng)的身份識別方法諸如口令、密碼、證件等因存在容易被竊取、復制和破解的問題而受到了新興技術(shù)的巨大挑戰(zhàn)。為提高身份識別的可靠性,基于生物特征的身份識別技術(shù)應運而生。心電信號(electrocardiogram,ECG)作為一種人體生理特征可被應用于身份識別技術(shù)中。將ECG作為身份識別的生物特征有著一定程度的優(yōu)勢。一方面,ECG是人體內(nèi)部的弱電信號,不容易被竊取、復制和破解;另一方面,ECG是一維信號,相較于指紋、虹膜、人臉等二維信號有著節(jié)省存儲空間、更易處理等優(yōu)勢。在這樣的背景下,本文分析了目前ECG身份識別算法存在的一些優(yōu)缺點,針對其中的特征冗余問題展開了研究,并提出了相應的解決辦法。旨在降低ECG身份識別特征的冗余度,從而提高身份識別的效率和準確率。主要創(chuàng)新工作分為以下幾個部分:1.面對特征冗余問題,本文首先提出了一種能夠去除特征冗余、降低特征維度的特征提取方法:即結(jié)合奇異值分解(Singular Value Decomposition,SVD)和線性判別式分析(Linear Discriminant Analysis,LDA)兩種算法處理特征。首先對原始心電信號進行預處理,得到去除噪聲并已分割的心拍特征,然后采用奇異值分解去除特征冗余,并通過線性判別式分析對心拍特征進行降維處理,在特征維度從452降至32時,識別率達到最高(96.6%)。新的特征消除了特征冗余,增強了不同個體心拍特征之間的差異性。最后將預處理完成后的心拍特征分為訓練集和測試集,將其通過廣義回歸神經(jīng)網(wǎng)絡(General Regression Neural Network,GRNN)進行訓練和測試,并通過心拍投票的原則獲得結(jié)果。實驗結(jié)果表明,本方法特征提取簡單,識別率達到96.6%,系統(tǒng)平均耗時16s。2.考慮到上述系統(tǒng)包括SVD、LDA、GRNN三個模塊,每個模塊都需要對參數(shù)進行設置,尤其LDA算法的參數(shù)設置是基于數(shù)據(jù)的類別標簽,類別增多會導致LDA參數(shù)的可調(diào)范圍變大,從而受到主觀性的影響。因此,面對數(shù)據(jù)量大的問題,可以通過深度學習來解決。于是,進一步提出了基于深度置信網(wǎng)絡(Deep Belief Networks,DBN)的ECG身份識別方案。以受限玻爾茲曼機為基本單元,構(gòu)建深度置信網(wǎng)絡。利用深度學習模型的特征處理層達到去除數(shù)據(jù)冗余的目的,同時解決了上述方法系統(tǒng)模塊較多,參數(shù)設置主觀性較強的問題。實驗結(jié)果表明,心拍識別的準確率提升明顯,達到了97.7%,系統(tǒng)的穩(wěn)定性相較于GRNN身份識別算法有所提升。通過對不同的實驗方案進行對比,結(jié)果表明:結(jié)合SVD和LDA的特征提取方法能夠有效的去除特征冗余,在特征維度從452降至32時,識別率達到最高(96.6%)。最后結(jié)合廣義回歸神經(jīng)網(wǎng)絡,構(gòu)成完整的身份識別系統(tǒng)。與內(nèi)存資源消耗嚴重的神經(jīng)網(wǎng)絡模型對比,本方法優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡。同時,基于DBN的ECG身份識別方法在準確率方面有所提升,達到了97.7%。且在其特征處理層完成了對特征的去冗余。識別速度方面,奇異值分解和線性判別式分析結(jié)合的方法大幅度降低了特征維度,使得系統(tǒng)的平均識別時間為16s,但基于DBN的ECG身份識別方法的訓練時間較長,實時性較低。本文結(jié)果均采用心拍投票的方法獲得,保證了系統(tǒng)具有一定的容錯能力。
【圖文】：

景及意義隨著信息技術(shù)的不斷發(fā)展，人們對互聯(lián)網(wǎng)的依賴程度安全問題也逐漸突顯出來。大量個人信息泄露和財產(chǎn)御信息泄露和財產(chǎn)損失的最后一道防線，身份識別技來越多的關注。份識別技術(shù)諸如密碼、證件、印章等有著極大的安全容易被不法分子盜取或破解，，同時也較容易被遺失或各種新興的身份識別技術(shù)不斷的涌現(xiàn)出來并得到了廣統(tǒng)的身份識別技術(shù)，生物特征身份識別技術(shù)是指利用識別依據(jù)的身份識別方法[2]。這種新興的身份識別技術(shù)具有更好的安全性和便捷性。其識別依據(jù)是人體特、指紋、虹膜等）或行為(如聲紋、步態(tài)、簽字等)特征，結(jié)合現(xiàn)代計算機科學技術(shù)實現(xiàn)識別功能。現(xiàn)有的生，如圖 1.1 所示。

以醫(yī)院為例介紹心電信號的采集。一般來說，在醫(yī)院心電信號的采集使用十二導聯(lián)法：通常安放四個肢體導聯(lián)（其中一個接地）和六個胸前導聯(lián)就可以采集到十二種心電信號。如圖 2.1 所示為常規(guī)檢查的十二導聯(lián)心電圖。圖 2.1 12 導聯(lián)心電圖圖中 I， II ，III 為雙級肢體導聯(lián)，aVR，aVL，aVF 為單級肢體導聯(lián)， V1，V2
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP309;TN911.7

【相似文獻】

相關期刊論文 前10條

1 陳輝;;淺議車牌識別中字符的特征提取方法[J];科技傳播;2009年05期

2 徐德友,胡壽松;利用粗集上近似處理特征提取中的噪聲問題[J];南京理工大學學報(自然科學版);2002年S1期

3 佟德純;王永興;;一種新的齒輪狀態(tài)的分類識別方法—CEP-AR特征提取與分類[J];振動與沖擊;1988年03期

4 羅斌;黃端旭;;皮膚癌表面圖象特征提取[J];安徽大學學報(自然科學版);1989年03期

5 王仁華;宋原章;;漢語孤立音節(jié)的分段研究[J];信號處理;1989年02期

6 楊小軍;;圖片特征提取[J];中小企業(yè)管理與科技(中旬刊);2017年03期

7 武弘;;六種常用的網(wǎng)絡流量特征提取工具[J];計算機與網(wǎng)絡;2017年06期

8 李晉徽;楊俊安;王一;;一種新的基于瓶頸深度信念網(wǎng)絡的特征提取方法及其在語種識別中的應用[J];計算機科學;2014年03期

9 唐朝霞;;一種基于特征提取的簡答題閱卷算法[J];湖南工程學院學報(自然科學版);2010年01期

10 曹國輝;;車輛特征提取方法綜述[J];中國水運(理論版);2006年03期

相關會議論文 前10條

1 王紀凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學習方法[A];第17屆中國系統(tǒng)仿真技術(shù)及其應用學術(shù)年會論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應用學術(shù)會議專刊[C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無聲語音接口的超聲圖像的混合特征提取[A];第十三屆全國人機語音通訊學術(shù)會議(NCMMSC2015)論文集[C];2015年

5 徐繼偉;李建中;柳勃;楊昆;;使用支持向量機和改進特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2005年

6 劉德剛;邵國凡;;高維遙感數(shù)據(jù)分析的特征提取方法[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術(shù)年會文集[C];2000年

7 姜成柱;劉志成;何其芳;卞榮;席聞;;基于信號分解與稀疏恢復的空間群目標微動特征提取[A];第八屆中國航空學會青年科技論壇論文集[C];2018年

8 許強;楊佳;;基于線性加權(quán)的免疫克隆算法的手指靜脈特征提取[A];中國自動化學會控制理論專業(yè)委員會B卷[C];2011年

9 高學;金連文;尹俊勛;;基于筆劃密度的彈性網(wǎng)格特征提取方法[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

10 徐萍;武其松;羅昕煒;陶俊;;基于畸變拖曳陣的高保真特征提取方法[A];中國聲學學會水聲學分會2019年學術(shù)會議論文集[C];2019年

相關重要報紙文章 前3條

1 宇航智控;預測與健康管理(PHM)技術(shù)[N];中國航空報;2018年

2 記者 賈玎玎;北京紡控主營業(yè)務收入增長11.39%[N];首都建設報;2015年

3 中國信息通信研究院泰爾終端實驗室 曾晨曦 段虎才;深度學習框架的前世今生[N];人民郵電;2018年

相關博士學位論文 前10條

1 蘇雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率圖像場景分類的特征提取與選擇研究[D];哈爾濱工業(yè)大學;2018年

2 宋洪超;基于微波的乳腺癌檢測算法研究[D];北京郵電大學;2018年

3 溫柳英;多模態(tài)數(shù)據(jù)特征提取的粒計算方法研究與應用[D];西南石油大學;2017年

4 李文娟;基于局部特征提取的人臉識別方法研究[D];天津大學;2017年

5 王振宇;面向人臉識別的特征提取技術(shù)應用研究[D];東南大學;2016年

6 馬麗紅;復雜背景下人臉的定位和特征提取[D];華南理工大學;1999年

7 謝平;故障診斷中信息熵特征提取及融合方法研究[D];燕山大學;2006年

8 張紹武;基于支持向量機的蛋白質(zhì)分類研究[D];西北工業(yè)大學;2004年

9 李建生;圖像元數(shù)據(jù)特征提取及其在檢索中的應用[D];南京師范大學;2006年

10 劉靖;基于視覺特征提取和核判決分析方法的人臉識別[D];四川大學;2006年

相關碩士學位論文 前10條

1 胡浩行;基于深度卷積神經(jīng)網(wǎng)絡的核素能譜特征提取及識別研究[D];西南科技大學;2019年

2 張席;基于PsePSSM的蛋白質(zhì)-ATP結(jié)合位點預測與膜蛋白分類[D];湖南農(nóng)業(yè)大學;2018年

3 劉芳;面向心電身份識別的低冗余度特征提取方法研究[D];吉林大學;2019年

4 郭寶震;基于深度特征提取的句子分類模型研究[D];吉林大學;2019年

5 胡亞威;基于特征提取的風機齒輪箱故障診斷方法研究[D];新疆大學;2019年

6 張登卓;視頻目標跟蹤中特征提取方法的研究[D];云南大學;2018年

7 付俊秀;基于超聲檢測的金屬材料內(nèi)部缺陷特征提取與識別研究[D];西安科技大學;2017年

8 胡運杰;風力發(fā)電機組軸承的特征提取及其故障診斷研究[D];武漢理工大學;2018年

9 張仕婧;基于腦電信號混合特征提取的情緒識別模型研究[D];廈門大學;2017年

10 許僑洋;基于特征提取的ICU患者死亡風險預測研究[D];南京大學;2019年

本文編號：2659520