摘要
生物特征识别系统在安全应用中扮演着重要的角色，在过去的几十年里已经在世界各地得到了广泛的应用。目前，在实际应用中常用的生物特征识别技术有人脸识别、指纹识别、虹膜识别等。然而，这些生物特征识别技术既不能有效地避免盗用，也没有足够的能力防止伪造。 近年来，心电身份识别技术越来越受到产业界和学术界的关注。其原因主要有两个方面:首先，心电信号具有身份识别应满足的基本生物属性，如普遍性、特殊性、永久性、可采集性等;其次，非法使用伪造和复制的心电图并不容易，心电信号具有很高的防伪能力。随着基于手指的心电采集设备越来越普及，心电信号的采集也越来越方便。因此，心电身份识别将是一个有前途的研究领域。 随着当今技术的发展，机器学习等技术应用越来越广泛。传统基于基准点和频域特征的心电身份识别方法，当心电信号质量较低时其识别性能差强人意，无法满足实际应用的需要。针对这些问题，本文以子空间学习为主要的技术手段，提出了两种心电身份识别方法，有效提升了识别性能。 (1)基于子空间融合的心电身份识别方法。心电特征属性分为局部特征和全局特征，其中全局特征主要描述心电整体属性，局部特征主要描述心电细节变化。分别提取两种特征变量后，通过典型相关分析(CCA)方法融合心电信号的局部特征和整体特征，利用全局特征和局部特征间的互补关系，使得其对心电信号的突变、外界的干扰等局部变化获得较高的稳定性。最后，采用投票决策机制，使得局部变化被控制在个别区域，提高了心电身份识别性能和鲁棒性。经实验发现，本方法可以取得较好的心电身份识别效果。 (2)基于多尺度像素差异矢量(PDV)的判别表示的心电信号学习方法。该方法首次尝试将二维PDV向量转换为的一维多尺度PDV特征向量并应用于心电身份识别中。利用所提取的特征，提高了识别率，减少了计算时间。通过学习到的目标函数，可以将多尺度PDV特征投影到低维的空间中并捕获心电信号的判别信息，并采用词袋模型(BoW)来表示每个心跳的低维特征并采用直方图的形式进行直观表示。在公开数据库上进行实验，实验结果表明本方法可以提取出表示身份本质的特征，提高身份识别性能。 为了把心电身份识别应用在实际生活中，结合提出基于的多尺度PDV特征判别表示的心电身份识别方法，研发了心电身份识别原型系统。前端程序负责用户的交互，后端程序负责心电信号的特征提取、心电信号的存储、心电信号预处理、特征学习，心电信号的识别和用户逻辑处理等，为将来的实际应用打下了较坚实的基础。
NETL