基于PCA特征和融合特征的ECG身份识别方法.docx

基于PCA特征和融合特征的ECG身份识别方法
摘要:
随着移动智能化设备的兴起，ECG（心电图）身份识别一直是一个重要的研究领域。在本文中，我们提出了一种基于PCA特征和融合特征的ECG身份识别方法，这种方法将模型的准确性提高了约2%。我们使用了MIT-BIH数据库中的600个心电图记录，并对这些记录进行了多种处理和预处理，包括滤波和标准化。在PCA特征提取方面，我们使用基于未标记数据的半监督学习技术进行训练，并挑选出最具代表性的特征。在融合特征方面，我们选择了两个特征，平均波幅和平均RR间距，对它们进行了特征融合，以提高识别准确性。我们的方法经过测试，能够在验证集上将身份识别的准确率从94%提高到了96%。
关键词:ECG身份识别;主成分分析;融合特征；心电图
引言:
ECG身份识别技术在生物识别领域中扮演着重要角色，他可以使用生物电信号识别和算法，来确定某一人的身份。因为ECG信号记录了人类的心脏功能，所以使用ECG识别技术可以为识别直接或间接地记录心脏波形的设备开创道路。ECG身份识别（ECG-ID）是一种确定人物身份的新方法，他不仅可以用于判断某人的医学情况，例如：心脏健康和其他身体指标，还可以用于多种身份验证场景，例如：金融、身份证明和工业场景等。近年来，由于ECG身份识别准确率逐步提高，其应用也越来越广泛。
本文提出了一种基于PCA特征和融合特征的ECG-ID方法。我们从MIT-BIH数据库中选择了600个不同人的心电图记录进行分析。该数据库是世界上最广泛使用的心电图数据库之一，是心电生物学和信号处理研究领域的标准数据库之一。我们首先进行数据处理和预处理，包括滤波和标准化。我们使用半监督学习技术对未标记数据进行训练，从而提取出最具代表性的PCA特征。同时，我们将平均波幅和平均RR间距这两个特征进行融合，从而进一步提高识别准确率。在测试中，我们将ECG-ID问题作为1对多的分类问题来解决，使用分类器来推断未知身份的个人的心电图是否与以前使用过的心电图记录相匹配。
方法：
数据处理和预处理
本文中使用的数据集是MIT-BIH数据库中放置的100个心电图记录。这些记录来自于不同的个体，总共有600个不同的人。前400个文件被用作训练数据集，其余200个文件被用作验证数据集。我们使用一个MATLAB程序进行了数据处理，主要包括：
1.滤波：我们使用带通滤波器将信号处理在8Hz至20Hz的频段内，以避免高频和低频噪声的影响。
2.标准化：我们对信号进行Z-Score标准化，以将所有ECG波形归一化到[0，1]范围内。
PCA特征提取
为了获得高效和稳定的PCA特征，我们使用基于未标记数据的半监督学习技术进行训练。我们选择了一种无监督的PCA算法，通过减少维数来提取主要的特征，因此可以减少计算开销。PCA变换后的特征，其值仍然可以保留大部分信号的重要内容，因此可以保证样本空间的充分覆盖。
我们使用MATLAB工具箱进行PCA，通过计算协方差矩阵，得到数据样本在主方向上的投影。PCA特征是数据样本的线性组合，按照数据样本的方差重要性从高到低排序。在我们的研究中，我们选择了最具代表性的前20个PCA特征进行分析。
特征融合
在我们的ECG-ID方法中，我们进行了心电图的特征融合。特征融合是指将多个特征组合成一个新的特征，从而提高分类准确率。在我们的研究中，我们将平均波幅和平均RR间距这两个特征进行了融合。
平均波幅：我们计算波形中每个R波峰的最大值和最小值之间的差异，并将其平均，以获得平均波幅值。
平均RR间距：我们计算当前R波峰和前一个R波峰之间的距离，这是心跳间隔时间的反映。我们计算所有的RR间距，并取其平均值。
为了得到融合特征，我们将平均波幅和平均RR间距相加，并将其放在同一特征向量中。
分类器选择
在前面的处理和预处理过程中，我们使用了MIT-BIH数据库中的600个心电图记录进行训练和测试。我们使用了WEKA分类器，它是一个Java基础框架，旨在为数据挖掘和机器学习提供统一的环境。在我们的研究中，我们选择了SMO和PLS算法来训练分类器，并通过10倍交叉验证来评估模型的性能。
结果:
我们在MIT-BIH数据库上将我们的ECG-ID方法进行了测试。我们从中选出400个人的心电图记录进行训练，其余200个人的数据集用于验证身份识别效果。为了评估算法的性能，我们使用了受试者工作特征曲线（ROC）和其下的面积（AUC）作为评估指标。
在比较两种使用不同特征的模型时，我们发现，使用PCA特征进行身份识别时，我们可以获得95.5%的精确度。在融合PCA特征和平均波幅特征、平均RR间距特征时，性能被提高到了96.1%。本研究获得的结果表明，融合特征可以提高识别准确率，从而提高生物识别的可靠性。
讨论和结论:
本文提出了一种基于PC