馮玉蓉 陳 瑋 蔡光躍

1 引言

指紋、人臉、掌紋、虹膜、視網(wǎng)膜等人體生理特征目前已經(jīng)被廣泛應(yīng)用于商用生物識(shí)別領(lǐng)域，然而，這類特征同屬“靜態(tài)”特征，容易被復(fù)制、偽造。近年來，心電、心音等“動(dòng)態(tài)”的人體生理特征已被證明可用于生物識(shí)別。其中基于心電生物識(shí)別的研究較為廣泛，這得益于：心電在病理檢測(cè)等領(lǐng)域的研究起步較早，研究也較深入，且心電信號(hào)比較容易采集、系統(tǒng)成本較低，最關(guān)鍵的是心電信號(hào)是“動(dòng)態(tài)”特征，理論上很難模仿，不像指紋、人臉、掌紋等生理特征多為靜態(tài)二維圖像，而像心電、心音、腦電信號(hào)通常是動(dòng)態(tài)的時(shí)間函數(shù)。

心電信號(hào)用于生物識(shí)別早在1999年由Biel等提出，此方法首先應(yīng)用時(shí)域分析方法，再提取心電信號(hào)各階段的持續(xù)時(shí)間、幅度、傾角等特征進(jìn)行簇類獨(dú)立軟模型（Soft Independent Modeling of Class Analogy，SIMCA）分類，對(duì)20位受試者的心電特征信號(hào)進(jìn)行了聚類分析，驗(yàn)證了心電信號(hào)可以應(yīng)用于生物識(shí)別領(lǐng)域［1～2］；Irvine 等于 2001年提出通過檢測(cè)心率變異性作為特征信號(hào)進(jìn)行人體識(shí)別［3］；隨后在2002年，Shen，Tompkins和Hu等聯(lián)合使用模板法與DBNN（Decision-Based Neural Network）算法進(jìn)行人體識(shí)別，并達(dá)到100%的識(shí)別率。Israel等于2005年在前人的基礎(chǔ)上從心電信號(hào)標(biāo)準(zhǔn)波形中提取了15種時(shí)長(zhǎng)作為特征向量，并分析了電極位置、心情狀況等因素對(duì)識(shí)別性能的影響；2008年，Chanetal分別應(yīng)用信號(hào)之間的殘差百分比（Percent Residual Difference，PRD）、相關(guān)系數(shù)（Correlation Coefficient，CCORR）以及小波距離（Wavelet Distance Measure，WDIST）三種特征進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明，WDIST方法的分類準(zhǔn)確率要優(yōu)于前兩種方法近10%，準(zhǔn)確率達(dá)89%；2008年，Khalil and Sufi提出了多項(xiàng)式擬合參數(shù)距離（polynomial distance measurement，PDM）算法，該算法先檢出心電信號(hào)的標(biāo)準(zhǔn)波形，并將其分為P波、QRS波、T波三段，對(duì)各段信號(hào)微分后進(jìn)行多項(xiàng)式擬合，將三段曲線的多項(xiàng)式擬合參數(shù)合并后作為特征值，通過測(cè)量特征值之間的距離進(jìn)行人體識(shí)別，結(jié)果表明，該算法所需的心電波形周期短，識(shí)別速度快，識(shí)別準(zhǔn)確率高。與多數(shù)基于標(biāo)準(zhǔn)心電信號(hào)波形檢測(cè)的生物識(shí)別系統(tǒng)不同，Plataniotis，Hatzinakos和Lee于2006提出了一種以ECG波形序列的離散余弦變換之間的自相差系數(shù)作為特征值的生物識(shí)別算法，該算法具有較低的錯(cuò)誤拒絕率、錯(cuò)誤通過率且識(shí)別準(zhǔn)確率可達(dá)100%。另外，基于心電的人體識(shí)別技術(shù)也正在逐步走向應(yīng)用研究［3～5］，如 Sufi和 Khalil在 2008 將這一技術(shù)用于遠(yuǎn)程醫(yī)療系統(tǒng)中的病人識(shí)別；Bui，Agrafioti和Hatzinakos在2010將心電生物識(shí)別應(yīng)用于網(wǎng)絡(luò)安全認(rèn)證。上述各類算法與應(yīng)用中，分析心電頻譜來提取生物特征的方法較為少見，多采用波形特征進(jìn)行分析。

2 心電信號(hào)的采集及預(yù)處理

2.1 心電的生物特征選擇

1）導(dǎo)聯(lián)的選擇：標(biāo)準(zhǔn)的心電圖有12個(gè)導(dǎo)聯(lián)，但是從已有的文獻(xiàn)來看，大多采用一個(gè)導(dǎo)聯(lián)的數(shù)據(jù)，也有使用全部12導(dǎo)聯(lián)［1］。一方面，因?yàn)楦鱾€(gè)導(dǎo)聯(lián)之間信號(hào)的相關(guān)性較大，選擇的通道較多會(huì)產(chǎn)生冗余。從實(shí)用性來講，過多的導(dǎo)聯(lián)會(huì)使系統(tǒng)更加龐大復(fù)雜。

2）波形特征分析：心電的波形信息相對(duì)更多，幾乎所有的心電識(shí)別方法都是從波形上來區(qū)分。經(jīng)過對(duì)其他文獻(xiàn)所使用的特征進(jìn)行歸納［6～7］，再結(jié)合臨床上診斷所用的方法，預(yù)計(jì)可以嘗試的心電特征有如下幾種：

時(shí)間點(diǎn)：P波位置、Q波位置、S波位置、T波位置（以R波峰值為參考點(diǎn)，分別計(jì)算相對(duì)時(shí)間位置）。

時(shí)間間隔：P波間期、QRS波間期、T波間期、PR間期、QT間期、RR間期

其他：QRS波形面積、ST段斜率。

因?yàn)槿说男穆什皇呛愣ǖ?，所以在?jì)算時(shí)間點(diǎn)的時(shí)候可以在每個(gè)心搏周期內(nèi)歸一化，計(jì)算后得到的是相對(duì)的時(shí)間或者百分比。

分析心電頻譜來提取生物特征的方法較為少見。

圖1 ECG信號(hào)的15個(gè)時(shí)域特征和6個(gè)幅值特征

2.2 信號(hào)的采集方式

通常，心音心電信號(hào)采集過程中電極或者聽診器的放置位置都有了固定的模式，如心電的胸導(dǎo)聯(lián)和肢體導(dǎo)聯(lián)，心音也有4個(gè)典型的位置（Aortic，Pulmonary，LLSB and Mitral）。因?yàn)樾囊魝鞑サ母蓴_比心電多，心音只能在心臟周圍前胸和后背的區(qū)域采集。心電的采集區(qū)域要大一些，手腕、腳腕、肩部都能采到。所以我想，在采集心電的時(shí)候，除了標(biāo)準(zhǔn)的電極位置之外，還要考慮電極位置是否容易接觸到，像手腕、腰部，甚至手指。聽診器的位置在每次實(shí)驗(yàn)時(shí)相對(duì)固定，如第X肋間，鎖骨中線外（內(nèi)）側(cè)X厘米等等。

至于實(shí)驗(yàn)對(duì)象的姿勢(shì)變化和身體狀態(tài)是否會(huì)顯著影響實(shí)驗(yàn)結(jié)果，現(xiàn)在還沒從文獻(xiàn)中找到答案?；蛟S可以嘗試在不同的條件下做實(shí)驗(yàn)，靜坐、直立、平躺等姿勢(shì)，和適度運(yùn)動(dòng)后半小時(shí)、一小時(shí)等等。

3 特征的分類和匹配鑒別

在做到盡可能多地從心音心電信號(hào)中提取得到信息之后，要選擇可靠的學(xué)習(xí)和識(shí)別的算法來處理特征向量。

第二點(diǎn)，在進(jìn)行動(dòng)物養(yǎng)殖時(shí)，缺乏必要的免疫程序。全國(guó)范圍內(nèi)動(dòng)物養(yǎng)殖的品種較為復(fù)雜，為了適應(yīng)市場(chǎng)，很多區(qū)域擁有具有區(qū)域性的動(dòng)物養(yǎng)殖方案，這則造成了動(dòng)物養(yǎng)殖免疫程序的混亂。另外，很多鄉(xiāng)鎮(zhèn)農(nóng)戶文化程度較低，對(duì)于動(dòng)物免疫程序毫無概念，往往錯(cuò)過了最佳的動(dòng)物防疫時(shí)機(jī)，造成動(dòng)物免疫效果不理想。

3.1 身份確認(rèn)

身份確認(rèn)可用閾值判斷的方法來實(shí)現(xiàn)。預(yù)先把處理得到的所有成員的特征信息求均值，每個(gè)成員用一個(gè)N維的向量表示，向量存儲(chǔ)在數(shù)據(jù)庫(kù)中。輸入一個(gè)新的N維向量Xin，并且選擇需要匹配的成員Mi，計(jì)算向量Xin與Mi的歐式距離，如果距離小于閾值，則認(rèn)為結(jié)果匹配；反之則識(shí)別不成功。

3.2 身份識(shí)別

身份識(shí)別是指輸入一個(gè)識(shí)別特征，在數(shù)據(jù)庫(kù)中尋找出特征與它最接近的成員。識(shí)別過程是學(xué)習(xí)和分類的過程。已有的樣本數(shù)據(jù)組成一個(gè)訓(xùn)練集，把他們作為分類模型的輸入信號(hào)，通過修改模型參數(shù)，使得輸出的分類結(jié)果與訓(xùn)練數(shù)據(jù)所屬類別最為接近。

BP神經(jīng)網(wǎng)絡(luò)的分類是把訓(xùn)練集的每個(gè)N維特征編碼作為輸入層，經(jīng)過中間幾個(gè)隱含層，按照不同權(quán)值計(jì)算，在輸出層預(yù)測(cè)特征編碼所對(duì)應(yīng)的待識(shí)別個(gè)體。在不斷的迭代計(jì)算過程中調(diào)整隱含層各個(gè)節(jié)點(diǎn)的權(quán)值，使預(yù)測(cè)的結(jié)果最優(yōu)化。

SVM支持向量機(jī)是建立一個(gè)分類超平面作為決策曲面，使正例和反例之間的隔離邊緣被最大化。首先通過非線性變換將訓(xùn)練集的N維特征編碼變換成一個(gè)M維（M＞N）的向量，然后在M維的空間中求取最優(yōu)線性分類面，非線性變換的核函數(shù)包括內(nèi)積函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)等。最后，將需分類的樣本數(shù)據(jù)也同樣映射到這個(gè)平面，根據(jù)映射的結(jié)果預(yù)測(cè)樣本的分類。

LVQ學(xué)習(xí)向量量化是用于訓(xùn)練競(jìng)爭(zhēng)層的有監(jiān)督學(xué)習(xí)方法的輸入前向神經(jīng)網(wǎng)絡(luò)。輸入一個(gè)訓(xùn)練特征編碼，計(jì)算與它最近的競(jìng)爭(zhēng)層神經(jīng)元，從而找到與之相連接的線性輸出層神經(jīng)元，若輸入的特征編碼類別與線性輸出層神經(jīng)元所對(duì)應(yīng)的類別一致，則對(duì)應(yīng)的競(jìng)爭(zhēng)層神經(jīng)元權(quán)值沿著輸入的方向移動(dòng)；反之，若兩者類別不一致，則對(duì)應(yīng)的競(jìng)爭(zhēng)層神經(jīng)元沿著輸入的反方向移動(dòng)。

3.3 心電特征提取方法

心電信號(hào)的消噪方法和心音信號(hào)的處理方法類似。心電信號(hào)的主要頻率成分集中在0.1Hz～250Hz，其頻率分布比心音信號(hào)更加廣泛。原始信號(hào)的采樣頻率為1000Hz，信號(hào)以120s為一個(gè)單位。測(cè)試的數(shù)據(jù)來自隨機(jī)選取的十三個(gè)測(cè)試者，在靜息狀態(tài)下記錄他們5～9段心電圖II導(dǎo)聯(lián)信號(hào)。

信號(hào)的消噪仍舊使用小波分解和重構(gòu)的方法。小波函數(shù)選用db5，調(diào)用Matlab函數(shù)’wavedec’對(duì)信號(hào)做9級(jí)小波分解。去除第1、2級(jí)高頻噪音和第9級(jí)低頻直流成分，調(diào)用Matlab函數(shù)’waverec’將剩余各級(jí)小波系數(shù)重構(gòu)，得到消噪之后的心音信號(hào)。

3.4 心電特征的選擇

上文已經(jīng)提到，心電信號(hào)在時(shí)域上的信息量較多，如QRS波群的寬度，QT間隔，R波、T波的幅度大小等等［8，9］。所以，心電信號(hào)的特征主要從時(shí)域和波形上選擇。

綜合比較文獻(xiàn)［1］［10］［11］所選用的特征，本文在此基礎(chǔ)上又增加了關(guān)于T波的細(xì)節(jié)特征，最終選取23個(gè)心電信號(hào)特征，如下表所示。

表1 23個(gè)心電特征的列表

圖2 心電特征在信號(hào)波形圖上的對(duì)應(yīng)關(guān)系

首先，對(duì)去噪的信號(hào)做微分運(yùn)算，對(duì)微分的結(jié)果平方，再用移動(dòng)窗口局部求和，找出信號(hào)變化最劇烈的位置。將區(qū)間內(nèi)絕對(duì)值最大的點(diǎn)定位R波的頂點(diǎn)。再在兩個(gè)R波之間檢測(cè)T波的頂點(diǎn)。

標(biāo)記完R波和T波，在R波前后各加一個(gè)窗口，區(qū)間內(nèi)絕對(duì)值最大的點(diǎn)分別標(biāo)記為Q波和S波的頂點(diǎn)。Q波起點(diǎn)、S波終點(diǎn)、T波的起點(diǎn)和終點(diǎn)用閾值法求的。Q波起點(diǎn)處附近信號(hào)的斜率逐漸增大，把斜率剛剛超過設(shè)定閾值的點(diǎn)標(biāo)記為Q波起點(diǎn)。在S波終點(diǎn)附近，信號(hào)的斜率逐漸減小，把斜率剛剛小于設(shè)定閾值的點(diǎn)標(biāo)記為S波終點(diǎn)。用同樣的辦法找出T波的起點(diǎn)和終點(diǎn)。閾值的設(shè)定需要根據(jù)信號(hào)的幅度做調(diào)整，初次分析測(cè)試者的信號(hào)時(shí)需要人工確認(rèn)。

按照上述方法，計(jì)算每一個(gè)心電圖波形的上述特征參數(shù)。再對(duì)同一個(gè)測(cè)試者同一段120s測(cè)試信號(hào)內(nèi)的所有心電圖特征參數(shù)分別求和，除以心跳次數(shù)，得到每個(gè)參數(shù)的平均值。把23個(gè)平均值合成為一個(gè)23維向量，表示一個(gè)樣本片段。因此，每一段120s的心電圖信號(hào)都生成一個(gè)23維向量，表示這一個(gè)樣本片段。根據(jù)采樣的數(shù)據(jù)，每個(gè)測(cè)試者分別對(duì)應(yīng)5～9個(gè)向量。

接下去就是利用模式識(shí)別的方法對(duì)特征進(jìn)行學(xué)習(xí)和分類。

圖3 98個(gè)樣本中，兩個(gè)特征（RR間期和QRS寬度）的分布情況

3.5 特征的分類方法

我們采用支持向量機(jī)的方法來對(duì)特征進(jìn)行學(xué)習(xí)和分類。

支持向量機(jī)（簡(jiǎn)稱SVM）是一種監(jiān)督式學(xué)習(xí)的方法，即已知訓(xùn)練點(diǎn)的類別，求訓(xùn)練點(diǎn)和類別之間的對(duì)應(yīng)關(guān)系，以便將訓(xùn)練集按照類別分開，或者是預(yù)測(cè)新的訓(xùn)練點(diǎn)所對(duì)應(yīng)的類別。

對(duì)于線性可分的情況，N維特征所在的空間中線性判別函數(shù)的一般式為g(x)=wTx+b，分類面方程是wTx+b=0。將判別函數(shù)歸一化，使兩類所有樣本滿足 | g(x ) |≥1，此時(shí)離分類面最近的樣本的 | g(x)|=1，而要求分類面對(duì)所有樣本都能正確分類，就是要求它滿足 yi(wTxi+b)-1≥0,i=1,2,…,n。兩類樣本的分類空隙（Margin）的間隔大小：Margin=2‖w‖。

因此，最優(yōu)分類面問題可以表示成如下的約束優(yōu)化問題，求函數(shù)φ

SVM的主要思想可以概括為兩點(diǎn)：一是針對(duì)線性可分情況進(jìn)行分析，對(duì)于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對(duì)樣本的非線性特征進(jìn)行線性分析成為可能；二是它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論之上在特征空間中建構(gòu)最優(yōu)分割超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，并且在整個(gè)樣本空間的期望風(fēng)險(xiǎn)以某個(gè)概率滿足一定的上界。的最小值。為此，可以定義如下的Lagrange函數(shù)：

其中，ai≥0為L(zhǎng)agrange系數(shù)，我們的問題是對(duì)w和b求Lagrange函數(shù)的最小值。把上式分別對(duì)w、b、αi求偏微分并令它們等于0，得：

以上三式加上原約束條件可以把原問題轉(zhuǎn)化為如下凸二次規(guī)劃的對(duì)偶問題：

這是一個(gè)不等式約束下二次函數(shù)機(jī)制問題，存在唯一最優(yōu)解。若 ai為最優(yōu)解，則不為零的樣本即為支持向量，因此，最優(yōu)分類面的權(quán)系數(shù)向量是支持向量的線性組合。b*可由約束條件αi[yi(wTxi+b)-1]=0求解，由此求得的最優(yōu)分類函數(shù)是：

若一個(gè)超平面不能把兩類點(diǎn)完全分開時(shí)（只有少數(shù)點(diǎn)被錯(cuò)分），可以引入松弛變量 ξi（ξi≥0，i=），使超平面wTx+b=0滿足：

當(dāng)0＜ξi＜1時(shí)，樣本點(diǎn) xi仍舊被正確分類，而當(dāng)ξi≥1時(shí)樣本點(diǎn)xi被錯(cuò)分。為此，引入以下目標(biāo)函數(shù)：

其中C是一個(gè)正常數(shù)，稱為懲罰因子，此時(shí)SVM可以通過二次規(guī)劃（對(duì)偶規(guī)劃）來實(shí)現(xiàn)：

將每位測(cè)試者的數(shù)據(jù)分為兩類，一類是學(xué)習(xí)數(shù)據(jù)，另一類是測(cè)試數(shù)據(jù)。在每位測(cè)試者的心電圖片段中，隨機(jī)選擇兩個(gè)23維向量作為測(cè)試數(shù)據(jù)，其余片段作為學(xué)習(xí)數(shù)據(jù)。這里使用libsvm工具箱的Matlab代碼來進(jìn)行測(cè)試。

4 實(shí)驗(yàn)結(jié)果

經(jīng)過訓(xùn)練識(shí)別和測(cè)試，12名測(cè)試者的24個(gè)樣本中有21個(gè)識(shí)別成功，準(zhǔn)確率為87.5%。下圖是測(cè)試結(jié)果顯示，橫軸是樣本編號(hào)，縱軸是樣本類別。如圖所示，24個(gè)樣本中有3個(gè)樣本的預(yù)測(cè)結(jié)果和實(shí)際結(jié)果不相符合。

圖4 訓(xùn)練和測(cè)試結(jié)果

5 結(jié)語(yǔ)

本文提出了一種利用心電心音特征作為生物識(shí)別的方法。對(duì)于得到的心電心音信號(hào)首先進(jìn)行多重小波濾波去噪，得到較好的分類基礎(chǔ)數(shù)據(jù)，再采用支持向量機(jī)做特征分類與識(shí)別，并選取了兩組數(shù)據(jù)互為對(duì)比。通過實(shí)際的心電心音識(shí)別實(shí)驗(yàn)，表明了本文中所采用的方法有較好的識(shí)別效果，可作為生物身份識(shí)別的一種實(shí)際方法。

［1］Lena Biel.ECG Analysis：A New Approach in Human Identification［C］//IMTCi99.Proc.of the 16th IEEEInstrumentation and Measurement Technology ConJ，1999（1）：557-561.

［2］Biel，Lena；Pettersson，Ola；Philipson，Lennart；Wide Peter.ECG Analysis：A New Approach in Human Identification［J］.2001 IEEE Transactions on Instrumentation and Measurement，2001，50（3）：808-812.

［3］Beritelli，F(xiàn).A Multiband Approach To Human Identity Verification Based On Phonocardiogram signal analysis［M］.Biometrics Symposium（Bsym），2008：71-76.

［4］Beritelli，F(xiàn).，and Serrano，Biometric identification based on frequency analysis of cardiac sounds［C］//IEEE Transactions on Information Forensics and Security 2，2007：596-604.

［5］Biel L，Pettersson O，Philipson L，and Wide P，ECGanalysis：A new approach in human identification［C］//Proceedings of the 16th IEEE Instrumentation and Measurement Technology Conference，Vols.1-3，557-561.

［6］侯宏花，桂志國(guó).人體心電心音信號(hào)定征分析系統(tǒng)設(shè)計(jì)［J］.醫(yī)療衛(wèi)生裝備，2010，31（4）：24-26.

HOU Honghua，GUI Zhiguo.The design of ECG and heart sound signal analysis system［J］.Medical and health equipment，2010，31（4）：24-26.

［7］熊獅.基于Android系統(tǒng)健康信息移動(dòng)監(jiān)測(cè)技術(shù)的研究［D］.廣州：華南理工大學(xué)，2013，19-29.

XIONG Shi.Research on health monitoring system based on Android system［D］.Guangzhou：South China University of Technology，2013，19-29.

［8］Israel，Steven A.；Irvine，John M.1；Cheng，Andrew1；Wiederhold，Mark D.2；Wiederhold，Brenda，Brenda k..ECG to Identify individuals［J］.Pattern Recognition：The Journal of the Pattern Recognition Society，2005，38（1）：133-142.

［9］Shen，T.W.；Tompkins，W.J.；Hu，Y.H..One-lead ECG for identity verification［C］//In Proceedings of the 2nd Conference of the IEEE Engineering in Medicine and Biology Society，2002，1：62-63.

［10］Beritelli，F(xiàn).A Multiband approach to human identity verification based on PhonoCardioGram signal analysis［C］//6th Biometrics Symposium（BSYM2008），2008：71-76.

［11］Beritelli，F(xiàn)rancesco；Serrano，Salvatore.Biometric identification based on frequency analysis of cardiac sounds［C］//IEEETransactions on Information Forensics and Security 2，2007：596-604.