文摘
心电图信号已被证明为人类识别包含相关的信息。即使结果验证潜在的这些信号,数据采集方法和装置探索到目前为止妥协的用户可接受性,要求采集心电图的胸部。在本文中,我们提出一个finger-based心电生物识别系统,使用手指,采集到的信号通过一个最小程度的领导心电图设置重复Ag / AgCl电极没有凝胶作为接口与皮肤。收集到的信号噪声明显多于心电图获得在胸部,激励特征提取和信号处理技术的应用问题。执行时域ECG信号处理包括通常的步骤过滤、峰值检测,心跳波形分割,和振幅归一化,再加上一个附加的步骤时间正常化。通过一个简单的测试模式之间的最小距离准则和注册数据库,结果显示这是一个有前途的生物识别技术的应用程序。
1。介绍
作为一种生物特征,心电图(ECG)信号有很吸引人的特征,因为他们提供内在活力检测和强烈相关受试者唤醒水平(1]。因此,心电图用于生物识别的应用研究长期以来,在控制和无节制的场景2- - - - - -5]。最近的研究已表明人类识别(ECG信号的有效性6- - - - - -8]。
虽然结果提高潜在的这些信号,用户验收可能有限的数据采集方法和装置。最新的研究表明,生物识别应用中,一个领导设置就足够了;尽管如此,与pregelled chest-mounted传感器装置电极通常使用(9,10]。鉴于这种约束,工作在该领域已经开始关注心电图获得指尖。
在[11)非医疗数据,采集设置探索,它使用两个电极连接在受试者经验技巧;收购和绩效评估数据进行数据收集在一群50主题。作者P-QRS-T分割过程中收集到的信号,使产生的波提取平均波。分类结果获得通过使用距离度量的基于小波系数,通过计算提取的小波表示的意思。
我们提出一个ECG-based人类识别、生物识别系统,反复最小程度的领导设置为信号采集的手指。我们的设备使用Ag / AgCl电极没有凝胶与皮肤界面,进一步提高其可用性。这项工作依赖于ECG信号的时域处理。由于固有的心跳波形变化,必须执行规范化为了获得振幅和时不变特性适用于生物识别的目的。典型的步骤包括过滤、峰值检测心跳波形分割,和振幅归一化;之前我们的方法进一步改进工作,通过添加一个附加的步骤时间归一化的特征。
剩下的纸是组织如下:部分2介绍了系统的概述和拟议中的信号采集装置;部分3详细介绍了信号处理;部分4显示了实验评价;最后,部分5概括了主要结果和结论。
2。数据采集
系统体系结构如图1。在硬件层面,我们有领导心电图传感器设置连接到信号采集器,它传输数据通过蓝牙无线连接到一个基站(PC)。在基站,Matlab是用于数据采集、处理和存储。BioMLab,特定的API接口实现与无线采集器,Matlab处理底层通信和信号采集任务。
信号处理和特征提取模块实现信号分析算法和特征提取。分类是使用提供的功能执行信号处理阶段,和一个数据库用于数据持久性。此外,一组简单的函数实现来处理数据从数据库中存储和检索。数据库包含的集合特征登记期间收集到的每个用户。
2.1。测量仪器
biosignal传感器和数据采集的进步导致无线可穿戴,不引人注目的心电图信号采集技术(12- - - - - -14]。然而,当前系统大多是针对健康和医疗应用程序,需要身体接触与受试者的身体在树干和/或腿水平。此外,导电胶或pregelled电极通常是必需的。
我们提出一个方法和心电图信号采集装置,通过一个设置在手指,重复Ag / AgCl电极没有凝胶。这个设置打算把ECG-based生物识别系统的可用性和可接受性的其他生物识别特征,在信号采集(15,16]。
我们可调节传感器安装和测量装置原型如图2。刚性基础,在图2(一个),集成了三个领导,由于底层传感器设计,对应于地面,积极和消极的波兰人。右手拇指作为负电极,和左手食指同时积极和地面电极,如图2 (b)。图2 (c)说明了使用该设置。
(一)调整传感器安装
(b)的手放置
(c)传感器安装
基本的传感器是一个ecgPLUX [17)积极心电图三极管,其规格表中列出1。皮肤的接口是通过干Ag / AgCl电极没有任何凝胶或导电胶的应用。信号采集与传输,我们使用蓝牙无线bioPLUX [18]研究biosignal采集器。表2描述了该系统的主要规范。
2.2。心跳波形分割
第一步由带通数字滤波的信号,在[30]0.5;赫兹带使用冷杉滤波器。这些频率保持必要的信息提出任务而消除基线漂移和高频噪音。图3显示了一个示例信号获得的手指使用该设置,不同的复合物的存在可以很容易观察到。
(一)
(b)
执行QRS检测后的适应Englese Zeelenberg算法(19),发现一个更健壮的为了这个目的(20.]。过滤后的心电图信号通过一个微分器(1),然后通过过滤器的顺序(2)和(3))
图4描述了获得信号,(蓝色),过滤后的信号,(红色)。的存在高峰将产生明显的负叶和两个正叶振幅较低。检测算法是基于两个阈值屏蔽这些积极的和消极的叶的振幅。而不是使用提出的(20.),我们通过实验分析数据计算阈值。
(一)
(b)
“真实”的检测峰值由计算得出的结论基于邻居的间隔高峰和使用额外验证基于参考生理极限的间隔(21]。我们认为有效山峰,那些邻居山峰的节奏在区间[minLatency,maxLatency),minLatency对应于150 BPM和maxLatency30 BPM。
后计算山峰,我们继续ECG信号的细分,确定和复合物。这些配合物的识别我们继续使用。
以作为参考峰,我们分析信号在其附近,确定时间瞬间被它开始积极又归结为负,确定时间间隔(iStartQ,iEndQ]和[istart,iEndS]。在这些间隔,取最小值随着和复合物。最后一步确定心跳波形是找到和复合物。
为复杂,我们寻找的最大价值在区间[leftMostIndex, iStartQ),leftMostIndex被确定为高峰时间,减去的典型PQR延迟间隔上限。的决心复杂,我们遵循类似的过程中,发现的最大价值在区间[iEndS, rightMostIndex),rightMostIndex被确定为高峰时间加上典型的RST延迟上界。
我们认为有效的P-QRS-T复合物,信号序列,(a)和高峰值高于零振幅;(b)复杂的开始前至少30 ms内复杂。
3所示。信号处理和特征提取
心跳分割后,我们获得了P-QRS-T复合物的序列。图5说明了剩余的信号处理和特征提取步骤。心电生物识别技术背后的理性是心跳波形不同主题主题;尽管如此,心跳周期长度和不同振幅。这不仅主题之间也可能发生同样的问题在不同的时刻,时间,原因,我们的方法寻求获得一组延迟和振幅不变的特性。我们进行一个时间和振幅归一化,重新调节每一段和振幅相同数量的点。最后,我们从规范化中提取特征信号。
3.1。时间归一化
心率的变化通常会导致心跳波形的时间压缩/膨胀。分段心跳信号正常化将确保每一个复杂的延迟的变化是减少。图6展示了一个例子的收购主体提出了一个计算心率变化从133年到每分钟70次(BPM),从一开始到最后的收购,显示扩张/压缩效应引起的波形不同的心率值。
(一)
(b)
通常的标准化执行分段信号的信号之间围绕着一个固定的窗口峰值。在这项工作中,我们遵循了非均匀大量毁灭过程不使用固定的时间窗口,但心电图信号置信点自己。这个过程分为两个部分:大量毁灭的开始之间的时间间隔复杂的,直到峰值;大量毁灭之间的时间间隔峰值和结束的复杂。
设计算法样本这些间隔,这样每个模式都有相同数量的样本无论扩张/压缩的心跳波形。归一化产生的信号都有相同数量的样品和同时瞬间峰值。在这项研究中,我们使用300个样本的每一个心跳。
3.2。幅值归一化
心电信号处理只是总结与振幅归一化的步骤。我们采取分段time-normalized信号和正常使用的归一化因子的平均振幅峰值。这个值规范化intrasubject振幅的差异,减少幅度的差异,可以发生在一次收购。
图7说明了之前和之后的时间和振幅归一化的一个例子,在一次收购获得的信号。
(一)非规范
(b)归一化
3.3。特征提取
在文献中,有几种方法心电图特征提取:基准(3- - - - - -5,8]和nonfiducial [6,11]。基准的方法使用的兴趣点在一个心跳波形,如局部最大值或最小值;这些点作为参考,允许延迟时间的定义。几种方法,提取不同的时间和振幅特性,使用这些参考点。Nonfiducial技术旨在从ECG波形提取区别的信息,而无需定位基准的点。
在这项工作中,我们计算一个心跳,平均归一化信号。直接波形的振幅的特性。这种方法与之前的作品(6,8),平均波连续每10分段心跳波形,计算置信点提取。模板是由连接的特性提取每个意味着波,因此增加了空间的复杂性。
然而,我们的方法可以被视为基准,因为规范化获得的信号是基于分割这取决于P-QRS-T复合物的位置。
4所示。实验结果
对于系统的评估,我们与收购来自16个受试者填充数据库。对于每个用户,我们收集了2分钟的ECG信号的手指使用该仪器。分类进行使用测试之间的最小欧氏距离标准模板和注册模板(1-NN分类器)。
系统的系统评价是基于交叉验证,使用30为每个用户注册/测试序列运行。报名,我们随机选择30个心跳,平均形式报名模板;对于考试,我们也选择30个心跳(不同于以前),平均构造测试模板。结果计算的平均30分。
4.1。识别
图8提出的方法论,提出了距离矩阵获得的入学率和测试之间的模板。的元素的矩阵表示的距离问题到主题根据选定的一组功能。的配色方案,蓝色是归因于值接近于零,代表对象非常相似的特性,和红色是由于值接近1,代表对象非常相似。
在图的矩阵8我们看到,很少有与蓝色条目,除了对角线,代表主题的距离。这一特点非常重要,为了有一个高真阳性率(TPR)。之间的最小距离准则测试模式和登记模板,我们获得决策矩阵图中找到994年,相应的识别精度,为3%。
4.2。身份验证
在身份验证的场景中,一个人如果接受报名模板和测试之间的欧几里得距离模板不如一个给定的阈值(th)。图10总结提出系统的性能在一个身份验证的场景中,显示错误接受率(远)与假废品率(FRR)和ROC曲线。获得平等的错误率(曾经)是13,0%。
(一)FAR-FRR
(b)中华民国
获得认证的性能进一步提高,我们评估user-tuned阈值选择方法。使用这种方法,在每个测试运行,远东和FRR计算每个主题,从这些,个人曾经和最优决策阈值确定。在所有运行,所有用户平均能效比提高到10,1%使用这种方法。
4.3。讨论
识别结果比最先进的结果基于心电图获得了手指。在[11),一个分类的准确性89%人口50主题三个数据记录会话期间报告在不同的日子。我们的研究的局限性之一是数据库的大小,由16个受试者,也通过这一事实只有一个数据记录会话。测试的变异是通过使用交叉验证,随机抽样的登记和在每次运行测试心跳。
与最先进的结果对心电图信号获得胸部(铅V2),使用相同类型的测量仪器,领导pregelled电极,我们的结果略有最差,分类识别结果精度达到100%。这样的差别可能与获得的质量信号,当信号从手指获得大大降低信噪比。这可以引起的因素上的低电导electrode-skin接口,高灵敏度外部电磁干扰和不同的信号处理方法。
未来的工作将集中在提高信号的信噪比。我们的下一个步骤将目标提高直接采集装置,通过与定制专用传感器的发展规范。此外进一步的研究将对于获得信号的信号处理,寻求进一步改善的噪音从分段心跳和潜在的离群值删除。
5。结论
本文描述了一种方法和设备对人类生物特征识别和验证基于领导ECG信号收集的手指。我们的目标是提供构建块不ECG-based生物识别系统。
我们已经设计了一个测量装置,只需要轻微的接触这个主题的手不需要pregelled电极或导电胶,提供一个信号采集设置类似于那些已经被其他,主要接受,生物识别特征。
实验评价已经完成在一组16个受试者,在手指的信号采集,并承诺结果显示。该方法允许我们获得94年主题识别和13识别率3%,0%曾经在主体身份验证。通过应用user-tuned阈值选择方法,验证结果进一步提高10,1%的曾经。
未来的工作将集中在扩展学科基础和实验替代特征分析和分类方法,针对连续实时生物识别系统。
确认
这部分工作由Fundacao para Ciencia e Tecnologia (FCT)赠款PTDC EIA-CCO / 103230/2008, SFRH / BD / 65248/2009,和SFRH /布鲁泰克/ 49512/2009和Departamento de Engenharia德电子e Telecomunicacoes e de Computadores Instituto优越de Engenharia de葡京的支持作者欣然承认。作者还感谢丹尼尔·佩纳桑托斯基本合作这项工作。