【摘要】：近年來(lái),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(shí),人們對(duì)網(wǎng)絡(luò)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(shí)別方法諸如口令、密碼、證件等因存在容易被竊取、復(fù)制和破解的問(wèn)題而受到了新興技術(shù)的巨大挑戰(zhàn)。為提高身份識(shí)別的可靠性,基于生物特征的身份識(shí)別技術(shù)應(yīng)運(yùn)而生。心電信號(hào)(electrocardiogram,ECG)作為一種人體生理特征可被應(yīng)用于身份識(shí)別技術(shù)中。將ECG作為身份識(shí)別的生物特征有著一定程度的優(yōu)勢(shì)。一方面,ECG是人體內(nèi)部的弱電信號(hào),不容易被竊取、復(fù)制和破解;另一方面,ECG是一維信號(hào),相較于指紋、虹膜、人臉等二維信號(hào)有著節(jié)省存儲(chǔ)空間、更易處理等優(yōu)勢(shì)。在這樣的背景下,本文分析了目前ECG身份識(shí)別算法存在的一些優(yōu)缺點(diǎn),針對(duì)其中的特征冗余問(wèn)題展開(kāi)了研究,并提出了相應(yīng)的解決辦法。旨在降低ECG身份識(shí)別特征的冗余度,從而提高身份識(shí)別的效率和準(zhǔn)確率。主要?jiǎng)?chuàng)新工作分為以下幾個(gè)部分:1.面對(duì)特征冗余問(wèn)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(xiàn)性判別式分析(Linear Discriminant Analysis,LDA)兩種算法處理特征。首先對(duì)原始心電信號(hào)進(jìn)行預(yù)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(guò)線(xiàn)性判別式分析對(duì)心拍特征進(jìn)行降維處理,在特征維度從452降至32時(shí),識(shí)別率達(dá)到最高(96.6%)。新的特征消除了特征冗余,增強(qiáng)了不同個(gè)體心拍特征之間的差異性。最后將預(yù)處理完成后的心拍特征分為訓(xùn)練集和測(cè)試集,將其通過(guò)廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network,GRNN)進(jìn)行訓(xùn)練和測(cè)試,并通過(guò)心拍投票的原則獲得結(jié)果。實(shí)驗(yàn)結(jié)果表明,本方法特征提取簡(jiǎn)單,識(shí)別率達(dá)到96.6%,系統(tǒng)平均耗時(shí)16s。2.考慮到上述系統(tǒng)包括SVD、LDA、GRNN三個(gè)模塊,每個(gè)模塊都需要對(duì)參數(shù)進(jìn)行設(shè)置,尤其LDA算法的參數(shù)設(shè)置是基于數(shù)據(jù)的類(lèi)別標(biāo)簽,類(lèi)別增多會(huì)導(dǎo)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(duì)數(shù)據(jù)量大的問(wèn)題,可以通過(guò)深度學(xué)習(xí)來(lái)解決。于是,進(jìn)一步提出了基于深度置信網(wǎng)絡(luò)(Deep Belief Networks,DBN)的ECG身份識(shí)別方案。以受限玻爾茲曼機(jī)為基本單元,構(gòu)建深度置信網(wǎng)絡(luò)。利用深度學(xué)習(xí)模型的特征處理層達(dá)到去除數(shù)據(jù)冗余的目的,同時(shí)解決了上述方法系統(tǒng)模塊較多,參數(shù)設(shè)置主觀性較強(qiáng)的問(wèn)題。實(shí)驗(yàn)結(jié)果表明,心拍識(shí)別的準(zhǔn)確率提升明顯,達(dá)到了97.7%,系統(tǒng)的穩(wěn)定性相較于GRNN身份識(shí)別算法有所提升。通過(guò)對(duì)不同的實(shí)驗(yàn)方案進(jìn)行對(duì)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(shí),識(shí)別率達(dá)到最高(96.6%)。最后結(jié)合廣義回歸神經(jīng)網(wǎng)絡(luò),構(gòu)成完整的身份識(shí)別系統(tǒng)。與內(nèi)存資源消耗嚴(yán)重的神經(jīng)網(wǎng)絡(luò)模型對(duì)比,本方法優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)。同時(shí),基于DBN的ECG身份識(shí)別方法在準(zhǔn)確率方面有所提升,達(dá)到了97.7%。且在其特征處理層完成了對(duì)特征的去冗余。識(shí)別速度方面,奇異值分解和線(xiàn)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(shí)別時(shí)間為16s,但基于DBN的ECG身份識(shí)別方法的訓(xùn)練時(shí)間較長(zhǎng),實(shí)時(shí)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(cuò)能力。
【圖文】：

景及意義隨著信息技術(shù)的不斷發(fā)展，人們對(duì)互聯(lián)網(wǎng)的依賴(lài)程度安全問(wèn)題也逐漸突顯出來(lái)。大量個(gè)人信息泄露和財(cái)產(chǎn)御信息泄露和財(cái)產(chǎn)損失的最后一道防線(xiàn)，身份識(shí)別技來(lái)越多的關(guān)注。份識(shí)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(shí)也較容易被遺失或各種新興的身份識(shí)別技術(shù)不斷的涌現(xiàn)出來(lái)并得到了廣統(tǒng)的身份識(shí)別技術(shù)，生物特征身份識(shí)別技術(shù)是指利用識(shí)別依據(jù)的身份識(shí)別方法[2]。這種新興的身份識(shí)別技術(shù)具有更好的安全性和便捷性。其識(shí)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(jì)算機(jī)科學(xué)技術(shù)實(shí)現(xiàn)識(shí)別功能�，F(xiàn)有的生，如圖 1.1 所示。

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

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳輝;;淺議車(chē)牌識(shí)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(wèn)題[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年S1期

3 佟德純;王永興;;一種新的齒輪狀態(tài)的分類(lèi)識(shí)別方法—CEP-AR特征提取與分類(lèi)[J];振動(dòng)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(xué)學(xué)報(bào)(自然科學(xué)版);1989年03期

5 王仁華;宋原章;;漢語(yǔ)孤立音節(jié)的分段研究[J];信號(hào)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(luò)流量特征提取工具[J];計(jì)算機(jī)與網(wǎng)絡(luò);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(luò)的特征提取方法及其在語(yǔ)種識(shí)別中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2014年03期

9 唐朝霞;;一種基于特征提取的簡(jiǎn)答題閱卷算法[J];湖南工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年01期

10 曹?chē)?guó)輝;;車(chē)輛特征提取方法綜述[J];中國(guó)水運(yùn)(理論版);2006年03期

相關(guān)會(huì)議論文 前10條

1 王紀(jì)凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學(xué)習(xí)方法[A];第17屆中國(guó)系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會(huì)論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學(xué)芳;;人臉識(shí)別中特征提取的一種改進(jìn)方法[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動(dòng)目標(biāo)的分割與特征提取[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專(zhuān)刊[C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無(wú)聲語(yǔ)音接口的超聲圖像的混合特征提取[A];第十三屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)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(jī)和改進(jìn)特征提取方法的蛋白質(zhì)分類(lèi)[A];第二十二屆中國(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];2005年

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

7 姜成柱;劉志成;何其芳;卞榮;席聞;;基于信號(hào)分解與稀疏恢復(fù)的空間群目標(biāo)微動(dòng)特征提取[A];第八屆中國(guó)航空學(xué)會(huì)青年科技論壇論文集[C];2018年

8 許強(qiáng);楊佳;;基于線(xiàn)性加權(quán)的免疫克隆算法的手指靜脈特征提取[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專(zhuān)業(yè)委員會(huì)B卷[C];2011年

9 高學(xué);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(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[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(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2019年學(xué)術(shù)會(huì)議論文集[C];2019年

相關(guān)重要報(bào)紙文章 前3條

1 宇航智控;預(yù)測(cè)與健康管理(PHM)技術(shù)[N];中國(guó)航空?qǐng)?bào);2018年

2 記者 賈玎玎;北京紡控主營(yíng)業(yè)務(wù)收入增長(zhǎng)11.39%[N];首都建設(shè)報(bào);2015年

3 中國(guó)信息通信研究院泰爾終端實(shí)驗(yàn)室 曾晨曦 段虎才;深度學(xué)習(xí)框架的前世今生[N];人民郵電;2018年

相關(guān)博士學(xué)位論文 前10條

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

2 宋洪超;基于微波的乳腺癌檢測(cè)算法研究[D];北京郵電大學(xué);2018年

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

4 李文娟;基于局部特征提取的人臉識(shí)別方法研究[D];天津大學(xué);2017年

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

6 馬麗紅;復(fù)雜背景下人臉的定位和特征提取[D];華南理工大學(xué);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(xué);2006年

8 張紹武;基于支持向量機(jī)的蛋白質(zhì)分類(lèi)研究[D];西北工業(yè)大學(xué);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(yīng)用[D];南京師范大學(xué);2006年

10 劉靖;基于視覺(jué)特征提取和核判決分析方法的人臉識(shí)別[D];四川大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

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

2 張席;基于PsePSSM的蛋白質(zhì)-ATP結(jié)合位點(diǎn)預(yù)測(cè)與膜蛋白分類(lèi)[D];湖南農(nóng)業(yè)大學(xué);2018年

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

4 郭寶震;基于深度特征提取的句子分類(lèi)模型研究[D];吉林大學(xué);2019年

5 胡亞威;基于特征提取的風(fēng)機(jī)齒輪箱故障診斷方法研究[D];新疆大學(xué);2019年

6 張登卓;視頻目標(biāo)跟蹤中特征提取方法的研究[D];云南大學(xué);2018年

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

8 胡運(yùn)杰;風(fēng)力發(fā)電機(jī)組軸承的特征提取及其故障診斷研究[D];武漢理工大學(xué);2018年

9 張仕婧;基于腦電信號(hào)混合特征提取的情緒識(shí)別模型研究[D];廈門(mén)大學(xué);2017年

10 許僑洋;基于特征提取的ICU患者死亡風(fēng)險(xiǎn)預(yù)測(cè)研究[D];南京大學(xué);2019年

本文編號(hào)：2659520