个人识别使用心跳的线性投影特性

文摘

本文提出一种新颖的方法来使用心电图(ECG)信号作为个体识别的生物识别技术。执行心电图特征使用一个自动化的方法组成的分析和外观的方法。分析方法提取基准特性的心跳而出现心电图跟踪方法提取形态学特征。我们项目线性特征提取到低维的子空间使用正交基代表最重要的特性区别主体之间的心跳。结果表明,拟议的ECG信号的特征,随后衍生eigenbeat特性对信号变化和nonsignal工件。该系统利用心电生物识别方法实现的最佳识别利率85.7%的受试者MIT-BIH心律失常数据库和92.49%的健康受试者IIT (BHU)数据库。这些结果明显好于79.55%和84.9%的分类精度,使用支持向量机测试报告的主题MIT-BIH心律失常数据库和我们的IIT (BHU)数据库,分别。

1。介绍

许多身体部位,信号方法和行为特征已经被提出,用于生物识别技术。它包括面部特征、数字指纹、视网膜扫描,步态,语音模式和手写签名(1]。生物标识符是独特的个体,被认为是更可靠的,能够比传统的所有权或知识基础技术区分授权和一个虚假的人。生物识别技术正越来越受欢迎,但这项技术的担忧包括伪造凭证从一个原始的生殖生物样本,去除生物特性的限制建立真实身份,和表示原始生物样本的一个非法的主题。传统生物识别技术不够健壮的原因对伪造由于其特点是他们个人机密和秘密。例如,脸是公开可见的,虹膜模式可以观察到任何地方,指纹是离开他们每碰触到任何东西,声音被记录,手写签名可以错误地复制(2]。

为了合规的需要一个实际的生物系统,如低错误率达到高安全级别和假的检测生物样本使用活性测试,寻找新的生物识别方式是极大的兴趣(3]。在最近的研究中,心电图(ECG)提出了一种新颖的生物对人类识别(4- - - - - -14]。回顾的大多数方法已应用于使用生物识别给出的心电图(15]。心电图是一个生理上一维数据表示的低频信号。它测量的电表现人类心脏的离子电位。个体的差异心如胸部几何结构,大小和位置体现独特的心跳节奏。实时心电图具有内在生命力的特点,说明了生命迹象,一个证据,确保生物样本被收集从一个生活和合法的个人。此外,心电图作为生物识别技术为个体识别系统提供其他优点。心电图信息内在个体因此高度保护和保密;很难偷窃、无法模仿。心电图是普遍存在在所有活着的人。心电图还可以结合不同的和独立的生物形式作为补充信息的多通道系统,可能确认安全、准确的个人识别(16]。

使用心电图信号作为生物识别技术的挑战是一个人的心跳的变化在不同时间的实例17]。这些变化可能会由于肌肉弯曲和个体的心理或情绪状态的变化。引起的信号变化也可能由于传感器位置变化和长期的基线的变化。本文提出一种新颖的方法来分析心跳特征信号变化不敏感的个体识别和nonsignal工件大现存。我们执行的心电图特征使用框架组成的混合方法分析和外观的方法。心跳的分析方法提取基准特性,包括时序特性,计算从占主导地位的基准点,虽然外观方法提取心跳的形态学特征。使用分析特性的优点是,他们捕捉本地信息的心跳。分析方法的缺点是,有些心跳的心电图信号,可以离开他们健壮的分析。为了克服这个限制出现心电图分析方法也被认为是。它捕获的心跳ECG信号的特性以整体的方式,其完整的信息可以被保留下来。 The analytical features can be used as the supplementary information and combined with the morphological features for improved classification accuracy. In order to overcome the effects of sudden changes of the signal the aforementioned ECG characterization process selects a sequence of   heartbeats such that the present beat can only be analyzed if its predecessor and successors beats are segmented correctly.

心电图的分析使用外观方法利用两阶段程序心跳形态学特征的提取。在第一阶段,形态学特征被提取的分段心跳显示一致的特性。在第二阶段,固定间隔的形态学特征提取了信号而扩展使用帕累托技术(18]。扩展ECG信号的目的是尽量减少噪声的影响组件污染。为了使nonsignal工件不敏感的特性,特性是线性投影在一个低维子空间的特性。它使用主成分分析(PCA)也称为Karhunen-Loeve方法(19]降维,收益率投影方向,最大限度地分散在所有个体心电图的痕迹。标识使用最近邻分类器进行分类。分类结果验证使用的一个子集MIT-BIH心律失常数据库(20.IIT)和数据库(BHU)包含健康受试者的心电图记录。在接下来的小节中,我们报告的依赖分类性能的主要组件的数量预计样品在这两个数据库。我们发现极其更好的结果在较低维度的特征子空间相比,总等最好的分类器分类性能报告的支持向量机(SVM) [21]。

总之,本文有以下贡献。(1)它探讨了生物识别应用程序的ECG信号的可行性。框架组成的混合方法分析和外观的方法显示鲁棒性提出了健康和心律失常识别对象。(2)自动识别的方法个人根据心电图使用心跳分割。我们的方法是对信号变化和肌肉弯曲。它执行使用基准特性(即心电图特征。,temporal features) and the morphological features of the heartbeats.(3)为了更好的歧视的对象,该方法利用特性的线性投影到一个低维子空间使用的信息最重要的特性。它最大限度地减少噪声的影响和nonsignal工件出现在数据和减少访问一组高维特征的复杂性。(4)提出了心电生物识别方法的性能基准测试在公开可用MIT-BIH心律失常数据库(20.)和一个心电图IIT (BHU)的数据库。BHU (IIT)数据库包含多重区段录音的健康受试者获得15个月期间而强劲准备每个记录。

剩下的纸是组织如下。之前的工作和最先进的生物识别应用程序使用心电图信号是在部分2。部分3提出的方法描述的ECG信号数据表示和特征选择。个人识别系统的示意图描述使用心电图信号提出了部分4。实验结果证明提出的生物识别系统的功效公开可用的数据库和数据库提出了部分5。一些结论是部分6。

2。之前的工作

心电图作为候选人的使用生物识别技术已被其他研究者之前报道(例如,4- - - - - -12)使用各种特性代表了心跳。比尔et al。4)是在第一次展示了生物识别应用程序的心电图信号。他们在心电图特征进行身份识别的实验准备使用分析方法和歧视20学科利用多元分类技术。心电图属性生成的方法使用一个特定的设备命名SIMCA从多引线心电图痕迹在单个会话限制了应用程序的范围。

Kyoso和中山教授5)利用的时间期限心电图P波等波形持续时间、PQ间隔,QRS时间和从注册心电图QT间隔识别这个人。这些特性被识别的脉冲通过应用一个阈值的二阶导数。Mahalanobis每两个之间的距离最小的主题的四个特征参数被选为输出。分类器实现了94.2%的准确性的最佳结合的特点后QRS持续时间和QT间隔在试验9个科目。沈et al。6)描述了一种方法来验证个人心跳的使用时间和外观特性。然而,特征提取QRS波群稳定心率变化而功能QT间隔与心率变化。基于模板匹配和决策神经网络方法被用来确定身份验证和报告的准确性为95%和80%,分别。人口规模20,分类器后系统的性能提高到100%的总和。

以色列et al。7)试验的ECG信号个体表现出独特的模式。他们分析了心电信号的质量检查和提出了一个可量化的指标分类个体之间的心跳。方法15 intrabeat特性提取每个心跳和使用线性判别分析进行分类。实验得出的结论是,提取的特征是独立的电极位置,不变的个体状态焦虑,和独特的个体。虽然促进了自动识别方法,识别精度报告低由于代表性不足的特征提取方法。王等人。8)提出了一种两步基准检测框架,整合分析的心跳和外观特性。他们提出了一个数据集成方案,结合基准特性的互补特性外观特性。特征提取的方法使用自相关(AC)和离散余弦变换(DCT)。AC / DCT方法实现了识别精度在94.47%和97.8%之间。

Lourenco et al。9不干扰)的可行性进行了探讨心电生物识别系统的心电信号是手指从最小程度的一个设置。他们对噪声数据进行时域信号处理任务。它由滤波、峰值检测和心跳细分之后,从P-QRS-T复合物的位置检测的功能。实验导致了94.3%的识别率主题识别和13%的曾经在主体身份验证测试模式与登记数据库时使用一个简单的最小距离准则。无论何时结果最多达到10.1% 16个受试者检查时使用user-tuned阈值方法。辛格和古普塔(10- - - - - -12)的可行性进行了探讨心电图信号帮助人类的识别。他们的实验用信号处理的方法首先描绘心电图波形从每个心跳。接下来,划定基准点与QRS波群提取使用以下的功能类:时间间隔,振幅和角特性从临床上主要基准点的心跳。他们进行主题分类使用基于模板匹配和相关标准及使用QT数据库(20.)进行验证。个人被分类的准确性达99%人口规模50。

现有的心电生物识别方法,利用基准特性提取主要从时间持续时间、振幅不同,角度,rr间隔。占主导地位的准确检测心电图波形的基准点是一项艰巨的任务由于国际米兰——或者intrasubject心脏节律的变化。方法的有效性依赖于检测基准的准确性,是一个挑战由于缺乏标准化定义的本地化心电图波形边界(17]。本文概括基准特征的现有技术结合形态学特征的心跳作为补充信息从个体ECG信号生成最歧视的特性。

3所示。方法

3.1。心电图序言

心电图是一个非侵入性的工具用来记录的电表现心脏的收缩和放松活动。它可以记录与表面电极放置在四肢和胸部。心电图设备使用不同数量的电极从3到12为信号采集,系统使用更多的电极超过12和120也可以22]。每个ECG信号的正常循环包含P, QRS, T波(例如见图1)。P波表示心房肌收缩,时间60 - 100毫秒(女士)。它有低振幅形态学的0.1 - -0.25毫伏(mV),通常是发现在心跳的开始。QRS波群是混乱的心室去极化的结果。这是一把锋利的两相或三相的波的80 - 120毫秒时间和显示了一个重要的振幅偏转,因人而异。离子所花费的时间可能从窦房结扩散进入心室心房肌和120 - 200 ms和被称为公关间隔。心室有相对较长的离子电位持续时间300 - 420 ms QT间隔。青藏高原的一部分离子电位是80 - 120后QRS女士和ST段。心室肌的回归到休息的离子状态导致T波的振幅为0.1 - -0.5 mV和持续时间的120 - 180毫秒。休息的时间心室心房收缩的下一个周期的开始被称为TP段这是一个长期忽略海拔高原的一部分。

3.2。心电图处理

之前使用的心电信号在后续阶段处理心跳分割和特征提取,信号通过中值滤波器消除基线漂移。首先传递给信号的中值滤波器200 ms宽度。的任务中值滤波器是抑制P波和心电图的QRS复合物信号。然后信号被传递到600 ms宽度的中值滤波器抑制T波的信号。中值滤波器的长度设置一些根据P-QRS-T复合物,这些复合物的形态可以完全覆盖。产生的信号第二中值滤波器包含基线信息,然后减去从原始信号产生基线修正ECG信号(23]。

3.3。心跳检测

QRS波群的描写的人是用来检测ECG信号的心跳。锅和汤普金斯提出的方法24)和一些改进用于QRS波群检测。它使用数字分析边坡、振幅和心电图波形的宽度信息。的高水平描述处理步骤的QRS波群描写的人在这项工作中实现给出如下。

步骤1。我们计算时间有限的能量估计QRS频带。信号首先通过一个低通滤波器系统订单2 在哪里和系统的输出和输入,分别表示数据样本的大小在离散时间的实例。信号将会通过一个系统的高通滤波器来减少边缘效应

步骤2。下一个平和的导数的绝对值从第一步计算获得的信号。导数的近似实现使用时域差分方程如下: 而每个数据样本的绝对值计算如下:

一步3。然后信号被传递到移动均线系统的时域差分方程如下:

一步4。最后决策规则应用于区分QRS峰和噪声峰使用动态阈值判据。

过滤功能的目的是双重的。即信号从nonsignal工件和纠正报告的改善信噪比的信号,最终提高QRS波群特征。计算一次差的绝对值的优势信号的QRS探测器获取敏感和提高算法的性能(Pan和汤普金斯用平方函数而不是绝对值函数非线性放大而导致绝对引起QRS探测器获得敏感。)。移动均线系统的功能是捕捉最突出的心电图的波形信号,也就是说,QRS波群。在这个工作中,移动窗口的平均大小设置在一个典型的QRS波群的宽度(< 100 ms),女士宽。在锅里的原始算法和汤普金斯,窗口的大小设置为150 ms宽,允许更广泛的QRS复合体产生的过早心室收缩(PVC)和合并的QRS复合物与T波。在[25),它已经表明,较小的窗口大小QRS宽度产生更好的结果也验证了这项工作。

平和的信号是总结和测试使用决策规则矩形脉冲检测R峰。规则用来探测峰值可以概括如下。让我们假设一个真正QRS峰值是公认的。首先,所有山峰之前大山峰女士在200年之前可以忽略。生理的正常QRS波群,两个正常的心跳之间的延迟远远大于200 ms。因此,设置的不应期200 ms可以避免错误检测的可能性。第二,如果出现峰值,然后需要检查是否原始信号既包含积极的和消极的斜坡上几乎相同的大小在200 ms窗口;如果情况不是这样,那么峰值代表了噪音。接下来,可以检测出峰信号高于阈值的区域。之间的动态阈值估计一些价值最近检测QRS高峰和non-QRS峰值。 Finally, if no QRS complex is detected within a time interval ofRR间隔,然后峰值大于阈值和峰值之后,前面的检测至少360 ms,可分为QRS波群。

开始和结束的QRS波群,也就是说,和时间的情况下,分别划定根据R峰的位置和凸性。一旦检测到心跳,时间时间窗口定义一些,前后QRS波群的时间寻求P波和T波的实例。拟议的P波技术描绘器(26)确定P_发病和P_抵消实例,而T波的方法描写的人(27)发现T_发病和T_抵消时间的实例。通过所有这些时间心跳的实例,我们推导出三种不同类别的特性,如(1)心跳间隔功能,(2)interbeat间隔功能,和(3)心电图形态特征。

3.4。心跳特征提取

3.4.1。心跳间隔特性

五个特性有关的心跳间隔计算后心跳分割。QRS宽度之间的持续时间和。T波持续时间之间的时间间隔定义为和T_抵消。PQ段被定义为P之间的时间间隔_发病和。pre-TP段之间的时间间隔定义为一个给定的P_发病和之前的波T_抵消。同样,post-TP段之间的时间间隔定义为一个给定的T_抵消和第二波P_发病。

3.4.2。Interbeat间隔特性

十特性有关interheartbeat逐次心跳间隔分割后计算基准分。这些特征被提取的PP、QQ、SS、TT和RR序列的连续的心跳。pre-PP (post-PP)间隔之间的时间间隔是P_发病一个给定的心跳和P_发病前(后)的心跳。pre-QQ (post-QQ)间隔之间的时间间隔是Q_峰一个给定的心跳和Q_峰前(后)的心跳。pre-SS (post-SS)间隔之间的时间间隔_峰一个给定的心跳和年代_峰前(后)的心跳。pre-TT (post-TT)抵消间隔是T之间的时间间隔_抵消一个给定的心跳和T_抵消前(后)的心跳。同样,pre-RR (post-RR)间隔定义为给定的心跳和RR间隔前(后)的心跳。

心跳间隔特性和interbeat间隔功能如图2。

3.4.3。心电图形态特征

我们的心电图形态特征分为两组,两组包含振幅值的分段心跳ECG信号。团体之间的主要区别是修复颞窗方法用于提取振幅特性。第一组包含32特性。这些特性决定在时间窗口,如图3(一个)。之间的第一个窗口设置和时间的实例。五个特性提取相应的基准点,问_峰,R_峰,年代_峰,。第二个窗口的边界设置一些,这样它大约涵盖了P波。P波形态的心房肌的收缩时期可以最多120 ms;因此时间窗口的边界扩展从P_发病来ms。使用线性插值方法,十三个时间窗口内特性估计一致。同样,第三个窗口是有界的和T_抵消时间的实例。心跳振幅的15个特征中派生的统一窗口使用线性插值。

第二组包含28从按比例缩小的ECG信号中提取特征。在信号的振幅差异到平均水平单位来衡量的标准偏差如 在哪里代表了数据样本的大小在离散时间的实例(18]。扩展的目的是减少ECG信号对噪声的敏感性和运动构件中受污染的信号。我们定义三个不同时间窗口对心跳的位置基准点(FP)如图3 (b)。第一个窗口大约涵盖了QRS波群的边界设置一些。形态学的QRS波群,去偏光心室所需的时间可能比180 ms通常较小。此外,心室去极化时间分为开始去极化(例如,80 ms)和去极化的结束(如100 ms)。因此,时间窗口的边界扩展女士,女士,覆盖了ECG信号贴上QRS波群的一部分。总共9个特性是造成这个窗口。

第二个时间窗口将提取的形态信息部分心电图波形发生之前心室去极化。这一时期的持续时间设置一些(例如,160 ms组比P波)的持续时间;因此,我们扩展这个窗口的边界女士,向女士离开了。9个特性导致在窗口。第三个时间窗口大约包含T波。这个窗口的边界设置一些从T波形的形态。心室复极化时心肌等准备好了下一个周期设置超过正常的心电图T波持续时间(例如,270 ms);因此时间窗口的边界扩展(即女士。,a segment of 50 ms is left from女士,因为这是之前的时间最少的心室复极化)的开始ms。十幅值特性是来自这个窗口。在所有时间窗口的特性来自均匀分布样本位置使用线性插值方法在ECG信号均匀采样。

3.5。功能正常化

为了获得一致的特性从心率的变化节奏特点是标准化的。心率变化由于压力在心脏和心室体积的变化。心率的变化从而改变心房去极化的持续时间和心室复极化。因此,心跳间隔功能规范化除以他们击败的长度,,在那里之间的时间间隔是P_发病和,实例,修正后的间隔时间吗和T_抵消、时间情况下,使用Bazett的公式(28]。interbeat间隔功能正常化除以他们击败了其前任的长度的均值和继任者节拍。最后,归一化特性代表基准点的相对位置在一个心跳。

振幅值在不同时间的不同波从心率的变化不受影响。因此,心电图形态特性测量只对R的振幅峰值作为自动测定的基础的心率。

3.6。选择Eigenbeat特性

eigenbeat方法是基于样本空间的线性投影到一个低维特征空间(19]。它使用主成分分析(PCA)是一种无监督学习技术,提供了一个最优,在最小均方误差意义上,表示输入的低维空间。它得到的投影方向,最大限度地分散在所有样品出现在画廊和探针ECG信号。当心跳特征投射到由占主导地位的特征向量张成的子空间,体现学科之间的可分性。

更正式,因为类的特征向量类包含特征向量。让我们假设特征向量的值维空间等,在那里;因此。主成分分析试图找到一个正交的子空间这减少了原始特征空间的维数,同时保留大部分的数据方差。这是通过执行一个eigendecomposition的协方差矩阵计算样本在特征空间中。,总共特征向量,主成分分析计算样本均值。让是一个矩阵包含每个数据实例集中在均值等;我们计算散射矩阵作为。然后一组,()特征基向量,可以通过最大化估计表达式 在哪里是一组维散射矩阵的特征向量对应于最大特征值。要注意,生成特征向量的维数是一样的原始特征向量;因此他们可以称为eigenbeat特性。生成的特征向量的基础形式表示画廊和探针ECG信号。它得到的投影方向,最大限度地分散在所有特征向量的心电图痕迹。

我们可以解决通过执行一个eigendecomposition,收益矩阵的特征向量和特征值;也就是说, 一般来说,特征向量,保留 在哪里和是对角条目对应的特征向量th列(29日]。然而,通常选择从节拍是占主导地位,以便临床信息不会丢失。

是第一个的eigenbeat特性特征向量对应最大特征值,表示;也就是说,。提取的击败因此转化为特征维打败空间线性映射等 在哪里是系数,表示心电图特征向量在特征空间减少。平均总体特征向量为单个主题提供了画廊表示对调查数据进行比较。

探测器ECG信号处理类似于美术馆数据获得代表相对于基础形成的主导特征向量。画廊的最佳匹配数据的选择问题最小化之间的距离和这样 在哪里系数是一个矢量在特征空间探测器ECG信号。

采用主成分分析的主要优势在于降低特征向量的维数。一般来说,大部分的特征向量中捕获数据变化与大特征值和特征向量与小特征值对应于噪声测量。因此,丢弃与小特征值相关的特征向量,特征向量的维数大大减少,而不丢失数据方差信息。

4所示。心电生物识别系统

拟议的个人生物识别系统识别使用心电图信号如图4它工作在离线模式。从人们获得的ECG信号预处理的质量检查。它使必要的校正信号的噪声和nonsignal工件发生主要是由于肌肉活动,身体运动,呼吸。数据表示阶段包括心跳检测、心跳分割和特征提取。心跳检测试图找到所有的心跳。心跳的分割包括检测P, Q, R, S和T波和决心的基准点。特征提取包括测定心跳间隔功能,interbeat间隔功能,和连续的心电图形态特征胜然后eigenbeat特性来自他们。最后,从派生eigenbeat生成矢量的测量功能;因此,模板准备和存储在数据库中。采用类似的过程来生成一个矢量的测量探针ECG信号。 The identification decision is then taken after comparing the feature vector derived from the probe ECG signal to the feature vectors stored in the database using 1 :N基于最近邻准则匹配。

5。实验结果

心电生物识别方法的性能评价在不同人群的两个数据库。从公开可获得的第一个数据库是PhysioBank档案(20.];特别是MIT-BIH心律失常数据库用于实验。数据库包括心电图正常的录音和住院男性和女性年龄20到84年。44心电图记录的数据库被用于这项研究(记录116年、207年、222年和201年被排除在本研究之外,因为他们包含多种形式的过早心室收缩。)。第二个数据库是准备内部IIT (BHU),使用PowerLab 4/25的广告工具。从校园人口总数65名志愿者20至56岁参加了受试者的数据登记过程没有报告任何心律失常。三到五分钟的心电图记录从每个主体获得在一个时期内的多个会话15个月。我们在更简单的方式进行数据采集研究对象仅仅是坐在椅子上放松条件下或木制的凳子和夹电极固定手腕和左脚踝在铅二配置。每个信号处理在0.3 -20赫兹和带通滤波器采样在1000赫兹。

MIT-BIH心律失常数据库从一天心电图记录为每个主题,只允许会话分析。因此,心电图记录在不同时间实例用于画廊和调查数据集。在BHU (IIT)数据库,心电图记录不同的会话用于画廊和探测数据集。在预处理和画廊的准备和调查数据集,从60秒的录音被用于描绘器参数的设置而前30秒的录音是丢弃由于传感器和身体稳定效果。十集的心跳从画廊随机选择数据和特征提取连续出现的每组10次,这样他们描写的人要求见面。一旦使用特性来表示数据,表示相对于基础上形成的主导特征向量推导通过选择最重要的最大特征值所对应特征向量。例如尺寸,如1、2、3、4、5、10和20代表最重要的特征向量用于评估目标对象之间的分类精度。最后,组件生成的系数预测领域形成一个紧凑的表示在画廊的心跳信息数据集。探测信号进行相同的处理步骤,画廊数据集获得代表相对于显性特征向量形成的基础。

从画廊对于不同人群,每个投影特征向量数据集相比,所有调查数据集投影特征向量,利用欧氏距离作为相似性度量生成匹配分数。匹配分数可以是一个真正的得分或一个骗子得分。真正的匹配分数比较探针和画廊的属性集生成数据相同的主题;否则分数是一个骗子的分数。因此,系统生成44值真正的分数和1892(44×43)值的骗子分数的人口MIT-BIH心律失常数据库。健康人群的IIT (BHU)数据库,系统生成65价值的真正的分数和4160(65×64)的值骗子的分数。上述个人识别系统的性能评估使用人口Rank-R考虑闭集的分类精度。Rank-R分类准确性的系统被定义为探测信号的比例,正确的顶部R类作为一个分数。进一步,为了证实的好处eigenbeat特性的平均等级分类精度计算和累积匹配特征(CMC)曲线被绘制。

为了识别模式来源于个人心跳的特征向量,用支持向量机(SVM)分类器21]。线性多类SVM分类误差平均20.45%的受试者报告MIT-BIH心律失常数据库时132调查的心电图信号是与320年相比画廊ECG信号由44个科目。平均分类错误发现低,据报道15.10%的主题IIT (BHU)数据库192探针心电图信号是与447年相比画廊ECG信号准备从65年的主题。这种分类之前提取的特性集上执行应用的选择eigenbeat特性。从这些结果,很明显,心电图特征提取的方法击败画廊与探针之间的关联特性,心电图特性集个体存在在这两个数据库。因此,一个线性支持向量机进行主题分类率为79.55%和84.9%的主题MIT-BIH心律失常数据库和IIT (BHU)数据库,分别。

心跳的线性投影特性的结果证明的数量之间存在着相关性eigenbeat特性和分类性能。有一个有效的增加相关,可以观察到;或者这可以有效地减少intrasubject变化如图5,6,7。intrasubject可变性的减少和增加主体分离性由前两个主成分(PC1和PC2)的科目MIT-BIH心律失常数据库和IIT (BHU)数据库数据所示5(一个)和5 (b),分别。此外,主体分离性由前三个主成分(PC1、PC2和生物)和(PC1、PC2 PC5)的主题MIT-BIH心律失常数据库和IIT (BHU)数据库数据所示6(一),6 (b),7(一),7 (b),分别。受试者在两个数据库之间的分离性报道低维度的预测,这显然是由投影组件,如图7。特别是,主体之间的可分性的主题IIT (BHU)数据库如图所示7 (b)比主体对象的可分性MIT-BIH心律失常数据库如图7(一)。

平均等级分类精度计算对不同主题的主成分MIT-BIH心律失常数据库和IIT (BHU)数据库表1。eigenbeat特性的性能随主成分的数量。平均等级分类精度与组件尺寸增加。例如,据报道,最大值为85.7% MIT-BIH心律失常数据库维度5 92.49%,印度理工学院(BHU)数据库维度三个。更高维度的主要组件的分类精度降低的两个数据库(见例如图8)。这些结果说明的区别存在于一个单独的心跳明显被eigenbeat特性。特别是,前几个特征向量可能捕获歧视性的心跳信息。此外,这些结果也表明了该方法的力量的心电图特征和人类心跳的线性投影特征识别。心电生物识别方法执行主题分类的低维的特征向量具有成本效益的方式,减少维度不失去了歧视性的信息出现在一个单独的心跳。

中央军委的结果匹配探测器ECG信号画廊准备从数据库MIT-BIH心律失常心电图信号如图9(一个)。系统达到更好的1级分类的准确性47.7%,五维(暗5)。1级分类系统的精度随着尺寸的增加而增加,也就是说,18.18%在维度(昏暗的1),40.9%维度两个(暗2),和45.45%维度3(暗3)和4(暗4)。1级精度的系统减少维度5以上,也就是说,36.36%在10维(昏暗的10),只有25%在维20(昏暗的20)。中央军委曲线暗1显示了可怜的分类性能和报告精度由2 29.5%,43%等级3,70.5% 5级,由15 Rank-10的88.6%和100%。分类精度在昏暗的2被发现由2 59.09%,70.45%等级3,84.1%排名第五,在Rank-14 Rank-10 95.45%, 100%。系统报告改善分类精度暗3非常接近的分类精度报告在昏暗的4,也就是说,1级的45.45%,2 68.18%,72.72%等级3,由5级84.09 - -84.1%,由Rank-13 Rank-10的95.45%和100%。报告系统的性能是最好的,昏暗的,也就是说,1级的47.7%,2 68.18%,75%等级3,86.36%排名第五,在Rank-14 Rank-10 93.18%, 100%。昏暗的5后系统的性能降低;尤其是在昏暗的精度值10(昏暗的20)据报道,由1级36.36%(25%),63.63%(34.1%)2,等级3 70.45%(47.7%),81.8%(70.45%)排名第五,Rank-10(88.63%) 90.9%, 100%由Rank-13 (93.2%)。

上述系统报告更好的识别性能IIT (BHU)数据库的对象。CMC曲线与更好的分类精度是实现在三维(暗3)。该系统报告由1级分类精度为64.62%,2 80%,86.15%等级3,90.77%排名第五,Rank-10 98.46%, 100% Rank-17曲线标记为代表的暗3如图9 (b)。系统执行贫穷在昏暗的1和报道18.46%的精度等级1,由2 38.46%,46.15%等级3,66.15%排名第五,Rank-19 Rank-10的86.15%和100%。分类精度提高等暗2到1级报告的值是46.15%,2 69.23%,73.85%等级3,86.15% 5级,由15 Rank-10的96.9%和100%。分类性能报告在昏暗的4是发现非常接近的性能在昏暗的3。例如,据报道,在昏暗的精度值4由1级64.62%,2 78.46%,84.6%等级3,89.23%排名第五,在Rank-19 Rank-10 96.9%, 100%。类似主题的结果MIT-BIH心律失常数据库,分类系统的性能会降低受试者的IIT (BHU)数据库在更高的维度,也就是说,尺寸超过5。例如分类精度在昏暗的10(昏暗的20)据报道,由1级53.85%(40%),72.31%(50.77%)2,等级3 76.9%(56.9%),84.62%(63.1%)排名第五,Rank-10 96.9%(69.2%), 15(75.38%) 96.9%, 100%由Rank-19 (78.46%)。

的结果,很明显,92.49%的平均等级分类精度报告主题的IIT (BHU)数据库和85.7% MIT-BIH心律失常数据库对象的前几个主成分的累积之后,也就是说,分别为3和5。的原因之一的报告分类精度最好的IIT的主题(BHU)数据库可能是因为这个数据库的心电图记录从健康受试者获得在正常情况下。

总之,拟议中的心电生物识别方法的实验结果对个人识别显示如下。(1)的有效性提出了心电信号的特征使用分析和外观使测量的方法对噪声和nonsignal工件。我们的方法提供了一个自动化的意思是整体的方式来分析心跳比其他方法(例如,4,5])。这有助于生物识别应用程序的范围。(2)eigenbeat特性的线性投影方法组成的分类的个体使用自己的心跳特性降低维度。由此产生的投影形式最佳重建可能适合歧视性的角度来看。因此,个人使用一个简单的分类器进行分类准确性更高像近邻。(3)主成分分析是一种表示方法(30.),已被用于解决面向临床相关问题的描述和诊断心律失常。这个实验的结果将会打开一个途径分析心脏电成像,即有效的探索为临床应用的数据。(4)最好的心电生物识别系统的分类精度报告发现靠近人脸识别系统(31日和比指纹识别系统稍微温和32]。使用心电图信号作为生物识别技术的优点包括规避的鲁棒性、重播攻击的鲁棒性,鲁棒性模糊攻击(17]。(5)活力ECG信号的特征可以有效地利用对策欺骗攻击。在多通道框架,使用心电图信号的生物识别技术不仅能保证一个人的存在验证但还将提供信心的真实样本的收集其他生物识别技术16]。

6。结论

使用心电生物识别提供一个有吸引力的替代其他传统生物识别技术由于其nonsusceptibility规避。它区分自己的活力指标难以伪造生物形态。的研究(33]表明心电生物识别系统可以被合成一个心电图记录使用测量特性。但实际上它可能难以复制的心电图信号采集水平和傻瓜心电图传感器。这项工作提出了一个混合的方式组成的分析和外观为个体识别心电图分析的技术。心跳基准特性和形态学特征显示一致的使用分析和外观特征提取技术,分别。生物实验进行了考虑不同的特性,如心跳间隔功能,interbeat间隔功能,和波形形态特征。eigenbeat特性源于使用基于线性预测的方法提取的特征一个低维特征子空间的特征空间。实验揭示了潜在的框架提出了心电生物识别系统健壮健康和心律失常识别对象。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. a . k . Jain, a·罗斯和角色,“介绍生物特征识别,”IEEE电路和系统视频技术,14卷,不。1,4,2004页。视图:出版商的网站|谷歌学术搜索
2. 辛格y . n和s . k .辛格“生物识别系统漏洞的分类和防御”,国际期刊的生物识别技术,5卷,不。2、137 - 159年,2013页。视图:出版商的网站|谷歌学术搜索
3. j . Ortega-Garcia j . Bigun d·雷诺兹,j . gonzalez rodriguez”与生物识别认证武功个人”,IEEE信号处理杂志,21卷,不。2,50 - 62年,2004页。视图:出版商的网站|谷歌学术搜索
4. l .比尔o·佩特森、l . Philipson和p .宽,“心电图分析:人类识别的新方法,”IEEE仪表和测量,50卷,不。3、808 - 812年,2001页。视图:出版商的网站|谷歌学术搜索
5. m . Kyoso和a .中山教授“心电图识别系统的发展,”第23届国际会议的程序IEEE在医学和生物学社会工程,页3721 - 3723,伊斯坦布尔,土耳其,2001年10月。视图:谷歌学术搜索
6. t·w·沈、w·j·汤普金斯和y . h .胡锦涛,“一个心电图进行身份核实,”学报第二关节,生物医学工程,24日年会和秋天召开的生物医学工程学会年会(磨床/ bm ' 02),页62 - 63,休斯顿,德克萨斯州,美国,2002年10月。视图:出版商的网站|谷歌学术搜索
7. s . a .以色列,j·m·欧文,a . Cheng m . d .互联网和b .《互联网“心电图来识别个体,”模式识别,38卷,不。1,第142 - 133页,2005。视图:出版商的网站|谷歌学术搜索
8. f . y . Wang Agrafioti、d . Hatzinakos和k . n . Plataniotis“人类生物特征识别心电图,分析”EURASIP进步信号处理杂志》上第十九条,卷。2008年,ID 148658条,11页,2008。视图:出版商的网站|谷歌学术搜索
9. a . Lourenco、h·席尔瓦和a·弗雷德”揭幕的生物潜能finger-based心电图信号,”计算智能和神经科学ID 720971条,卷。2011年,8页,2011。视图:出版商的网站|谷歌学术搜索
10. 辛格y . n和p·古普塔,“心电图个人识别,”《IEEE国际生物识别技术会议2:理论,应用程序和系统(bta ' 08)美国,页1 - 8,华盛顿特区,2008年10月。视图:出版商的网站|谷歌学术搜索
11. 辛格y . n和p·古普塔,“人类使用心电图识别,生物识别技术方法”生物识别技术的进步卷,5558在计算机科学的课堂讲稿,第1279 - 1270页,2009年。视图:谷歌学术搜索
12. 辛格y . n和p·古普塔“Correlation-based心跳为个体识别、分类”软计算,15卷,不。3、449 - 460年,2011页。视图:出版商的网站|谷歌学术搜索
13. 辛格y . n和s . k .辛格“心电图识别个人使用eigenbeat特性”,工程杂志ID 539284条,卷。2013年,8页,2013。视图:出版商的网站|谷歌学术搜索
14. y . n .辛格“判别分析心电图识别个体,”模式识别与机器智能卷,8251计算机科学的课堂讲稿,第99 - 94页,2013年。视图:谷歌学术搜索
15. Odinaka, p h .赖公元卡普兰,j·a·奥沙利文e . j . Sirevaag和j·w·Rohrbaugh“心电生物识别:比较分析”,IEEE取证和安全信息,7卷,不。6,1812 - 1824年,2012页。视图:出版商的网站|谷歌学术搜索
16. 辛格y . n、s·k·辛格和p·古普塔,“心电图与低调的生物识别技术的融合:一个有效的个人身份验证系统,”模式识别的字母,33卷,不。14日,第1941 - 1932页,2012年。视图:出版商的网站|谷歌学术搜索
17. 辛格y . n和s . k .辛格“心电图评价生物认证。”《信息安全,3卷,不。1,39-48,2012页。视图:出版商的网站|谷歌学术搜索
18. r . a . van den Berg h . c . j . Hoefsloot j . a . Westerhuis a . k . Smilde和m·j·范德·沃夫”定心、缩放和转换:提高生物代谢组学数据的信息内容,“BMC基因组学第142条,卷。7日,1 - 11,2006页。视图:出版商的网站|谷歌学术搜索
19. r·o·杜达·e·哈特和d . g .鹳,模式分类Wiley-Interscience,新德里,印度,2001。视图:MathSciNet
20. 生理网,“Physiobank档案,”麻省理工学院的剑桥,2011年1月,http://www.physionet.org/physiobank/database/心电图。视图:谷歌学术搜索
21. k .谎言和y歌手”,多层次支持向量机的算法实现。”机器学习研究杂志》上,2卷,第292 - 265页,2001年。视图:谷歌学术搜索
22. p . Zarychta f·e·史密斯,s . t . et al .,王”体表电位映射检测心肌梗死网站,“计算机在心脏病学34卷,第184 - 181页,2007年。视图:谷歌学术搜索
23. p . de Chazal m . O 'Dwyer, r·b·赖利”自动分类使用心电图形态和心跳的心跳间隔功能,“IEEE生物医学工程,51卷,不。7,1196 - 1206年,2004页。视图:出版商的网站|谷歌学术搜索
24. j .锅和w·j·汤普金斯,”实时QRS检测算法”,IEEE生物医学工程,32卷,不。3、230 - 236年,1985页。视图:谷歌学术搜索
25. j·l·Urrusti w·j·汤普金斯,“心电图QRS波群检测算法的性能评估,”学报IEEE的第15届国际会议在医学和生物学社会工程,页800 - 801,圣地亚哥,加利福尼亚州,美国,1993年10月。视图:谷歌学术搜索
26. 辛格y . n和P·古普塔,”一个健壮的界定方法有心电图P波,”《IEEE Industri研讨会上电子产品和应用程序(ISIEA ' 2009),页846 - 849,吉隆坡,马来西亚,2009年10月。视图:出版商的网站|谷歌学术搜索
27. 辛格y . n和p . Gupta,”一个高效和健壮的心电图T波描述技术,”第二届国际会议上仿生系统和信号处理(生物' 09)葡萄牙波尔图,页146 - 154,,2009年1月。视图:谷歌学术搜索
28. h . c . Bazett”time-relations的心电图的分析。”心7卷,第370 - 353页,1920年。视图:谷歌学术搜索
29. i t . Jolliffe主成分分析施普林格,纽约,纽约,美国,2002年。视图:MathSciNet
30. f·卡斯特,p .拉古纳l . Sornmo a . Bollmann和j·m·罗伊“主成分分析在ECG信号处理,”EURASIP在信号处理的发展》杂志上文章ID 74580卷,2007年,2007年。视图:出版商的网站|谷歌学术搜索
31. 李z和a . k . Jain手册的人脸识别施普林格,第二版,2011年版。
32. d . Maltoni d . Maio a . k . Jain和角色,手册的指纹识别施普林格,第二版,2009年版。
33. y . t .曹,t·w·沈t . f . Ko, t·h·林,“形态eevaluating心电图心电图的生物识别技术,”学报》第九届国际会议上e-Health网络、应用程序和服务(HEALTHCOM ' 07),页233 - 235,台北,台湾,2007年6月。视图:出版商的网站|谷歌学术搜索

版权

版权©2014约根德拉Narain辛格。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。