基于小波变换与SVD的心电身份识别.pdfVIP

基于小波变换和SVD的心电身份识别 陈甸甸 赵治栋 杭州电子科技大学通信工程学院，浙江杭州310018 摘要：基于心电信号的身份识别技术是生物身份识别领域研究的热点问题。该文利用小波变换将 经过预处理之后的心电信号进行多尺度分解，组成一个初始特征矩阵；随后对该矩阵进行奇异值 分解，分鳃后的奇异值包含了心电信号的重要信息，将其作为特征参数并最终采用支持向量机对 心电信号进行匹配识别。通过对26个正常测试者的心电信号进行识别，识别率可达97.80％。 关键词：心电信号；身份识别；小波变换；奇异值分解；支持向量机 TP391.41 A 70 杭州电子科技大学学报 2012年 A=USV。 (3) 的左右奇异向量，并且满足： rAv：=or：u： ～ {．。 i=1，2，…，P (4) 2 LPkuiOriVi 由此可得U和V的列向量分别为A A7和A7A的特征向量，式3称为矩阵A的奇异值分解式。 根据矩阵理论可知，矩阵的奇异值是矩阵的固有特征，具有较好的稳定性。心电信号的奇异值特征 提取过程如图1所示： 图1 心电信号奇异值特征提取流程 通过采集设备获取的心电信号一般包含多种噪声，在经过消噪和分段等预处理过程之后得到多个 单周期心电信号。小波变换的多分辨率特性可以将这些单周期信号根据频率尺度的变化，分解成个若 干个细节分量D，～Dj和一个近似分量A；，其中j为小波分解层数。将这些分量组成一个初始特征矩 阵为[D。，D：，…，Di，Aj]’，并利用奇异值分解方法求得该矩阵的奇异值作为心电信号的特征参数。经 过上述流程提取的特征参数如图2所示，图2(a)中可以观察到同一个人的特征参数有较好的相似性， 而图2(b)中不同入的特征参数有着良好的差异性。 图2心电信号的奇异值特征参数 基于小波变换和SVD方法提取的心电信号奇异值特征描述了信号在采样时间内各个频率尺度分 量的特征，不同个体之间心电信号的特征主要表现为各个不同频率段上奇异值的差异，将这些具备良好 差异性的奇异值送人到分类器中进行训练并完成识别匹配过程。 2支持向量机 支持向量机理论主要是针对两类模式识别问题提出的，对于两类模式识别问题，如果该训练集 可以被一个超平面线性划分，则该超平面为W·X+b=0，其中W和b决定了超平面的位置，w·X为 两个向量的内积。对于线性不可分的两类模式分类问题，可以通过一个映射函数，将低维的输入空 间R“映射到高维的特征空间H使线性可分，这样低维的线性不可分问题就变成高维空间的线性可 第4期 陈甸甸等：基于小波变换和SVD的心电身份识别 71 在高维空间实际只需进行内积运算，而计算复杂度没有增加。引入核函数之后的优化方程为： I 1 1 1 max{LD=．蒌di一寺．三．堇di0【jYiYjK(菇i，鼍)} (5) u … ”1J一- l I0，i-l，2，…，n。 式中，约束条件为．∑ⅨiYi=0和Oti 支持向量机的特点是寻找不同类别之间的最优化分类面，反映的是异类数据之间的差异。本文中 采用3种常用的核函数并利用交叉验证法选择最佳的惩罚因子和核函数参数，采用林智仁所开发的 LIBSVM工具箱中“一对多”多类SVM分类方法对各心跳信号进行识别分类，完成身份识别过程。 3实验结果与讨论 本文采用的实验数据包括26个测试者的心电数据，其中16人来自于MIT—BIH