标志”src=

杂志上的传感器
PDF
杂志上的传感器/2019年/文章

研究文章|开放获取

体积 2019年 |文章的ID 6751932 | https://doi.org/10.1155/2019/6751932

萨利赫Turky n . Alotaiby沙特拉希德Alrshoud, a . Alshebeili·m·Aljafar, ”ECG-Based主题识别使用统计特性和随机森林”,杂志上的传感器, 卷。2019年, 文章的ID6751932, 13 页面, 2019年。 https://doi.org/10.1155/2019/6751932

ECG-Based主题识别使用统计特性和随机森林

Turky n Alotaiby,1 沙特拉希德Alrshoud,1 萨利赫a Alshebeili,2,3 和 •拉提法m . Aljafar1

1KACST、沙特阿拉伯

2在无线电频率和光子学KACST-TIC e-Society (RFTONICS),沙特阿拉伯

3部门的选举。工程、沙特国王大学、沙特阿拉伯

学术编辑器:阿尔贝托·j·帕尔马
收到了 09年9月2019年
修改后的 2019年11月05
接受 2019年11月13日
发表 2019年12月16日

文摘

在这项工作中,nonfiducial心电图(ECG)基于统计特性和随机森林分类器的识别算法。研究了两种特征提取方法:直接和波段的方法。在前,11个简单的统计特性是直接从一个单一铅ECG信号中提取部分。在后者,单一铅ECG信号首先分解为乐队,和统计特性提取给定频带的每一部分和连接形成特征向量。不同的长度(即不重叠的部分。、1、3、5、7、10或15秒)。提取的特征向量是应用于一个随机森林分类器识别的目的。本研究认为290年从心电图数据库引用主题的报道Bundesanstalt (PTB)。提出的识别算法实现了99.61%的准确率利用单一肢体铅(我)波段的方法。一个胸部(V1),增强肢体铅(aVF),和弗兰克的领导(Vx)实现了99.37%的准确率,99.76%,和99.76%,分别使用相同的方法。

1。介绍

生物识别系统的目的是来唯一地标识或验证人基于一个或多个行为和/或生理特征,包括视网膜、指纹,或步态(1,2]。许多现代的应用程序主题识别是至关重要的,联系日常生活的不同方面如金融交易、数据保护、访问控制、娱乐、汽车、和智能手机3- - - - - -5]。然而,当前生物特征有不同的使用操作方面的权衡性能、健壮性、可测性和活性检测6- - - - - -10]。大约三十年前,Forsen等人建议使用心电图(ECG)作为生物特征(11]。比尔et al。(12,13)被认为是第一次尝试使用ecg适合生物的目的,考虑可测性的生物特征(轻松获得的特征),永久(不随时间变化),普遍性(个人)的特点,和独特性(任何两个人共享相同的特征)14- - - - - -17]。自那时以来,许多研究者提出了各种ECG-based识别方法(1,4,18- - - - - -27)使用私人和/或公共数据库(28,29日]。

生物特征识别系统包括三个主要阶段:信号去噪、特征提取和分类。信号去噪(30.- - - - - -34)是一个重要的任务,这是必要的,因为心电图信号噪声的敏感性等多种渠道权力干扰和电极运动(35,36]。特征提取是需要提供独特的生物标志物对于一个给定的ECG信号。特征提取方法可以分为三大类:fiducial-based方法,提取特征,同时保留ECG信号的特点,例如,心跳的振幅和时间间隔20.,31日,37- - - - - -43],non-fiducial-based方法等不需要精确的知识(心电图特征44- - - - - -53),和混合型方法(54,55]。

分类器是最后阶段的生物识别系统。不同分类器被用于神经网络(NN)等文学再邻居算法(事例),支持向量机(SVM)和随机森林30.,31日,33,49,54- - - - - -56]。最近,深度学习也提出了一个心电生物识别系统(57,58]。

在这项研究中,我们提出一个新的nonfiducial主题识别方法基于统计特性和随机森林分类器。对于特征提取,我们提出两种方法:直接和波段的方法。在第一种方法,十一直接从单一铅ECG信号中提取统计特性和美联储随机森林分类器。而在波段的方法,首先将单管线ECG信号分解为乐队,每个频带的统计特征提取和连接,形成特征向量,然后喂给随机森林分类器。

本研究使用报道Bundesanstalt (PTB)的数据集,这是一个公开的数据库。这个数据库是由德国的国家计量院。它包含的组合数字化ecg正常和不正常受试者的录音,供研究通过链接https://PhysioNet.org(29日]。15同时测量信号都包含在每个记录:三个肢体(I, II, III),三个增强肢体(aVR的aVL,动静脉),六个胸部领导(V1、V2、V3 V4, V5和V6),和三个弗兰克(Vx、v和Vz)。

目前的研究提供了几个优势其他现有方法如下:(1)它使用简单的统计特征提取,包括均值、标准差,值,最大值,最小值,范围,四分位范围,四分位第一季度(Q1),四分位第三季度(Q3),心电图信号的峰度和偏态。我们展示的t分布随机邻居嵌入(t-SNE)算法,受试者的特征根据这些统计数据是可分的,导致主题识别率高。t-SNE是一种非线性降维技术,利用可视化n维特征空间用一个二维空间(59](2)它提供了使用引用290人口的广泛调查对象(238 nonhealthy主题和52名健康受试者)肺结核心电图数据库。我们所知,这是最大的考虑的生产导致的环境课题的文献使用心电图信号识别。进一步说,这项研究是第一个显示信号的识别结果使用290例的每个15前面提到的领导;见表1和2(3)它报告识别精度高的结果290(健康nonhealthy)受试者使用功能提取从简单的统计数据。具体地说,它已经发现,一个数据段的长度7秒从单一肢体铅(I)给出了一个使用波段的方法的平均精度为99.61%。而一个胸部领导(V1),增强肢体铅(aVF)和弗兰克的领导(Vx)给平均精度为99.73%,99.76%,和99.76%,分别使用相同的方法
铅 1秒 3秒 5秒 7秒 10秒 15秒
Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。
我 78.22 76.42 99.92 85.52 83.51 99.95 88.7 86.96 99.96 90.36 89.14 99.97 90.15 86.67 99.97 92.59 90.23 99.97
二世 75.47 73.27 99.92 83.82 81.08 99.94 84.38 81.66 99.95 87.2 85.26 99.96 86.37 84.11 99.95 86.42 83.68 99.95
三世 73.67 72.39 99.91 82.32 80.3 99.94 84.6 82.6 99.95 87.2 84.64 99.96 84.88 81.93 99.95 86.42 83.28 99.95
aVR的 78.81 76.23 99.93 84.36 81.26 99.95 86.09 83.94 99.95 87.84 86.07 99.96 89.81 87.21 99.96 87.3 83.05 99.96
aVL 76.72 75.11 99.92 84.59 83.43 99.95 88.09 86.56 99.96 90.52 89.91 99.97 89.35 86.84 99.96 89.77 87.07 99.96
动静脉 75.3 73.14 99.91 82.15 79.91 99.94 83.16 80.36 99.94 85.39 82.69 99.95 85.91 83.19 99.95 85.19 82.47 99.95
V1 84.53 82.59 99.95 91.13 89.58 99.97 92.96 91.17 99.98 93.44 90.86 99.98 94.5 91.81 99.98 92.77 89.54 99.97
V2 87.3 86.07 99.96 92.49 91.35 99.97 95.24 94.3 99.98 95.42 93.69 99.98 94.16 91.44 99.98 95.41 93.45 99.98
V3 89.19 87.98 99.96 94.56 93.65 99.98 95.68 94.34 99.99 96.29 96.1 99.99 95.88 94.48 99.99 95.59 94.02 99.98
V4 89.61 88.52 99.96 93.73 93.13 99.98 94.74 94.22 99.98 96.21 95.48 99.99 95.42 93.42 99.98 95.94 94.08 99.99
V5 87.27 85.84 99.96 92.23 91.38 99.97 92.69 92.39 99.97 94.31 93.55 99.98 94.04 93.05 99.98 93.3 91.38 99.98
V6 84.69 83.57 99.95 89.46 88.04 99.96 90.86 89.86 99.97 92.58 91.76 99.97 92.67 90.52 99.97 92.59 90.52 99.97
Vx 88.17 86.84 99.96 92.03 90.94 99.97 93.8 92.64 99.98 93.29 91.45 99.98 93.59 91.26 99.98 93.12 91.03 99.98
v 80.75 79.13 99.93 86.62 85.58 99.95 87.76 86.29 99.96 90.36 89.24 99.97 89.46 87.24 99.96 86.42 83.16 99.95
Vz 87.81 86.28 99.96 92.73 91.72 99.97 93.85 93.43 99.98 94.63 94.1 99.98 94.04 92.18 99.98 94.18 92.7 99.98
表1
直接的方法分类结果数据集使用的290例肺结核段长度为1,3,5,7,10和15秒。
铅 1秒 3秒 5秒 7秒 10秒 15秒
Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。 Acc Avg。 Avg。Sen。 Avg, Spe。
我 98.15 97.84 99.99 99.17 98.76 One hundred. 99.34 98.92 One hundred. 99.61 99.66 One hundred. 98.97 98.39 One hundred. 98.42 97.59 99.99
二世 97.79 97.47 99.99 99.04 98.76 One hundred. 99.17 98.77 One hundred. 99.06 98.34 One hundred. 98.97 98.1 One hundred. 97.89 96.95 99.99
三世 97.44 96.98 99.99 99.17 98.77 One hundred. 99.17 98.9 One hundred. 99.21 98.76 One hundred. 98.75 97.73 One hundred. 98.07 97.13 99.99
aVR的 98.02 97.57 99.99 99.53 99.48 One hundred. 99.5 99.19 One hundred. 99.37 98.9 One hundred. 99.77 99.54 One hundred. 98.42 97.53 99.99
aVL 97.46 97.18 99.99 98.9 98.75 One hundred. 99.06 98.68 One hundred. 98.82 98.41 One hundred. 98.86 98.62 One hundred. 97.72 96.67 99.99
动静脉 97.58 97.11 99.99 99.17 98.87 One hundred. 99.12 98.6 One hundred. 99.37 99.17 One hundred. 98.63 97.84 One hundred. 98.07 96.72 99.99
V1 98.38 98.09 99.99 99.53 99.36 One hundred. 99.45 98.77 One hundred. 99.76 99.52 One hundred. 99.54 99.37 One hundred. 98.6 97.87 One hundred.
V2 98.4 98.19 99.99 99.24 99.21 One hundred. 99.61 99.53 One hundred. 99.21 99.03 One hundred. 98.86 98.79 One hundred. 98.25 97.18 99.99
V3 98.89 98.77 One hundred. 99.37 99.27 One hundred. 99.61 99.17 One hundred. 99.45 98.69 One hundred. 98.63 97.87 One hundred. 98.25 97.18 99.99
V4 98.75 98.65 One hundred. 99.5 99.38 One hundred. 99.61 99.53 One hundred. 99.53 99.03 One hundred. 99.09 98.71 One hundred. 98.6 97.87 One hundred.
V5 98.41 98.32 99.99 99.5 99.43 One hundred. 99.28 98.99 One hundred. 99.61 99.1 One hundred. 98.86 98.28 One hundred. 98.25 97.36 99.99
V6 98.35 98.21 99.99 99.47 99.26 One hundred. 99.34 98.79 One hundred. 99.61 99.38 One hundred. 99.09 97.96 One hundred. 98.6 97.41 One hundred.
Vx 98.84 98.75 One hundred. 99.63 99.56 One hundred. 99.5 99.43 One hundred. 99.76 99.79 One hundred. 98.97 98.07 One hundred. 98.95 98.62 One hundred.
v 98.23 97.85 99.99 99.34 99.11 One hundred. 99.56 99.36 One hundred. 99.53 99.03 One hundred. 99.32 98.94 One hundred. 98.25 96.55 99.99
Vz 98.56 98.36 One hundred. 99.63 99.45 One hundred. 99.56 99.48 One hundred. 99.69 99.45 One hundred. 99.54 99.08 One hundred. 98.95 98.33 One hundred.
表2
波段的方法分类结果使用的290例肺结核与段长度的数据集1,3,5,7,10和15秒。

剩下的纸是组织如下。部分2描述了该识别方法。部分3介绍了绩效评估结果对该方法和比较先进的识别系统。最后,部分4给出了结论。

2。方法

该方法包括两个阶段:登记和鉴定。每个阶段由心电图信号采集与预处理和特征提取。招收所有研究对象后,注册ECG信号被用来训练随机森林分类器。在识别阶段,训练模型适应识别对象。图1显示了该方法的流程。每个阶段的细节下面。


图1
话题识别ECG-based方法使用统计特性和随机森林。
2.1。数据采集和预处理

肺结核数据库构建利用15领先,每个测量特定的电位差。每个信号采样与16位分辨率1000样本/秒。录音的长度为每个主题是31至120秒。肺结核数据库经历了两个主要的预处理操作:消除趋势和反相。第一次手术是必要的,因为数据库中存在线性趋势的信号,可能来自不同来源(例如,电压波动记录装置和主题的肌肉运动),这可能会妨碍数据分析,因此需要进一步处理之前删除。消除趋势是通过减去从每个领导least-squares-fit直线的数据。心电信号是颠倒了在某些情况下,因此需要反转。数据2和3的时域处理5秒我,aVR, V1, Vx引导信号和频域为同一领导一个健康的主题(S104)。弗兰克领导Vx信号幅度最高,如图所示在时域,频域,我们发现大多数的能量集中在所有导致35赫兹以下。


图2
时域处理的四个信号。

图3
频谱的线索。
2.2。特征提取

我们提出两种方法从心电信号中提取特征:直接和波段的方法。在第一种方法,预处理ECG信号分段,统计特性提取每一段形成特征向量。在第二种方法,预处理ECG信号分解为乐队,每个信号的频带分割。然后从每一片段中提取的统计特性。特征向量的统计特性是由连接每一部分乐队。图4提出了两种方法。

(一)”name=
(一)
(b)”name=
(b)
图4
特征提取方法:(a)和(b)波段的方法上的方法。

正常的心电图信号的频谱范围从0.01到100赫兹,90%的能量所在在0.25赫兹到35赫兹的范围60]。因此,直接单管线可以提高识别精度,考虑多个光谱组件。在这里,单管线心电图信号分解成七次能带采用七有限脉冲响应滤波器组使用带通滤波器。每个过滤器的乐队5赫兹,如下:0.1 - 5、5 - 10,…,每次30 - 35赫兹。图5显示过滤器用来执行的频率响应信号分解。


图5
频率响应的滤波器组。

一个不重叠的滑动窗口(1、3、5、7、10或15秒)适用于心电图数据分割成段。不同的窗口大小是用来检查区段长度的影响识别系统,无论个人的心跳或特定心电图波的特征。

11统计特性提取每一个段中列出的部分1。选择这些特性来衡量某些ECG信号特征。请注意,我们估计均值和中位数集中趋势测量心电图信号。当我们使用标准差、范围、和四分位范围测量统计分散。峰度和偏态也用来测量峰值的清晰度和ECG信号的不对称分布,分别。其他统计(最小值,最大值,四分位第一季,第三季和四分位)self-explained。这些统计数据的定义及其评估的数据记录长度 样本是众所周知的,可以发现在61年]。图6显示他们的直方图数据段的长度7秒。


图6
直方图的统计特性数据段7秒的长度。
2.3。随机森林分类器

随机森林(RF)是一个集成学习方法由Breiman [62年),用于分类和回归。它包含大量的决策树分类器。决策树的分类过程可以被认为是问一系列问题的可用数据,直到达到一个决定。在森林里每棵树构造与随机选择的一个子集的训练数据集替换和成长没有修剪。树的节点由分支机构(有孩子节点)或树叶(终端节点)。树的每个节点上最好的分裂是随机选择的方法发现通过使用特性(51- - - - - -53]。图7提出了一种分裂节点的说明性的例子。节点平衡样本,20 20红色和蓝色。目标是找到最好的分裂产生子节点最少的多样性导致一个更特定的决定。图显示了三个建议将A、B和C所生成的随机选择一组特性和阈值。我们可以看到那棵树C有最好的分裂,3号的特性和阈值为0.23,因为它产生最高的分支。第一个分支0.77(17除以22)的红色类的概率。第二个分支0.83(15 18岁以上)蓝色类的概率。下一步决策树的创建过程是找到最好的分割在两个子节点。随机森林决策基于概率预测的平均值的树木。随机森林的主要优点是,它不受过度拟合问题62年),产生较高的分类精度,并提供功能重要性分析(63年]。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
图7
在决策树节点分裂的例子。

分类器经历了两个阶段:训练和测试。在训练阶段,每棵树构造使用更换训练样本数据集。在测试阶段,每棵树分类测试实例和多数投票技术用于分类的实例。随机森林已被用于各种领域,如天文学(64年)和医学(65年- - - - - -68年]。100年这项工作,采用决策树分类器。

3所示。结果与讨论

在本节中,绩效评估的结果提出了方法。同时,我们比较建议的方法的性能和先进的PTB-based识别系统。获得的结果使用PTB数据集,其中包括290例。六段不同长度(1、3、5、7、10或15秒)被认为是研究线段的长度对识别过程的影响。对于每一个主题,提取的特征向量和分成两组训练和测试。第一组包括70%的功能训练随机森林模型和剩余的30%的功能是用于测试的步骤。我们使用三种广泛使用的度量评价该方法的性能。这些指标包括精度、灵敏度和特异性(69年Acc),用Avg。,Avg。森,Avg, Spe。,分别。

表1介绍了直接特征提取方法的识别性能使用不同的段长度平均为290例。对于每一个线段的长度,15模型创建,一个模型为每个ECG领先。由于表1,我们注意到,导致我取得最好的92.59%使用15秒的片段长度的准确性。铅II和III实现87.2%和87.2%的最佳精度使用7秒段长度。增强四肢aVL取得最好的90.52%使用7秒段长度的准确性。胸部让V1 V6实现平均精度超过90%当段长度大于3秒。铅V3取得最好的96.26%使用7秒段长度的准确性。弗兰克的Vx和Vz达到最好的精度,这是超过92%使用区段长度大于1秒。图8礼物的平均精度直接特征提取方法使用不同的线段的长度。值得注意的是,使用7秒的训练阶段段长度花了24.7秒使用一台机器配备3.3 GHz Intel core i7处理器,在290名调查对象的识别过程花了3.2秒在同一台机器上。


图8
直接的方法分类的准确性使用290例肺结核与段长度的数据集1,3,5,7,10和15秒。

表2介绍了波段的特征提取方法的识别性能。所有肢体会达到最低准确率超过97.44%使用秒的片段长度和准确率大于99%使用3 - 7秒段长度。增强四肢就实现了 用一秒的片段长度和 使用区段长度大于3秒。在增强肢体,铅aVR取得最好的99.77%使用10秒段长度的准确性。胸部就实现了 用一秒的线段的长度。铅V1取得最好的准确率,99.76%使用7秒段长度。导致V2 V6取得最好的准确率,使用5 - 99.61%和7秒段长度。弗兰克的实现了 使用区段长度大于1秒。铅Vx实现了99.76%使用7秒段长度的准确性。图9礼物的平均精度波段的特征提取方法使用不同的线段的长度。训练阶段在这种方法中使用7秒区段长度花了88.1秒使用一台机器配备3.3 GHz Intel core i7处理器,在290名调查对象的识别过程花了4.5秒在同一台机器上。


图9
波段的方法分类的准确性使用290例肺结核与段长度的数据集1,3,5,7,10和15秒。

图10显示了290名受试者的混淆矩阵与肢体使用波段的方法引导我的信号长度7秒。我们情节的混淆矩阵形式的3 d图,让它更容易想象的混乱和正确的身份出现。具体来说,我们从图观察6与肢体使用波段的方法引导我,所有受试者灵敏度达到100%,除了四个主题:S109 ( ),S141 ( ),S184 ( ),和S262 ( )。百分之二十的测试段的主题S109 S141,与受试者S35和S262更进一步,S97, S219,分别在百分之二十的测试段的主题S184算是误分类与主题,以及百分之二十的测试段相同的主题(S184)与S119更进一步。


图10
290例使用波段的方法的混淆矩阵与肢体带领我和7秒区段长度。

的结果图10可以确认调查对象使用t-SNE算法的可分性。图11显示的结果t-SNE算法应用于数据集时下列十16段每个科目:S35, S50, S97, S100, S109, S119, S141, S184 S219, S262。t-SNE算法可视化的77维空间特征波段的方法使用一个二维(2 d)空间。因此,算法代表了每一段的特征向量由一个点在二维空间。


图11
波段的特征提取方法的可分性调查使用肢体铅(I)信号的十个科目。

图11显示了受试者的集群段。注意主题S50的集群和S100分开其他受试者的集群。然而,集群S35与S109重叠。类似的观察可以看到主题S97 S109, S119, S141, S184, S219, S262,解释了误分类披露之前由混淆矩阵。

表3显示的性能提出方法的结果相比,先进的主题识别方法,在文学和利用PTB数据集。表中,我们列出了参考,年出版的,考虑的识别、段的长度(如果可用),使用的敏感性,和识别的方法。指表3,值得注意的是,该方法已被评估使用290例,这是最大的数量被认为是文学。此外,波段的方法,评估使用这种大量的主题并利用简单的统计特性,证明性能超过99%,这使得它非常有吸引力的实际应用。注意,王的方法等。76年)是离我们最近的性能提出了识别方法只考虑100例。此外,它采用稀疏编码需要优化涉及 规范,这是一个NP困难问题。
引用 方法 一年 NS 杜(s) 森
Agrafioti和Hatzinakos45] 自相关和离散余弦变换(DCT) 2006年 14 10 One hundred.
Wubbeler et al。70年] 基准特征和简单的距离测量 2007年 74年 10 99年
Agrafioti和Hatzinakos71年] 归一化自相关系数和再邻居(事例)作为分类器 2008年 13 10 96.2
Agrafioti和Hatzinakos72年] 同样的方法如(70年在特征级和决策级融合 2008年 14 5 One hundred.
王等人。73年] 自相关(AC)结合离散余弦变换(DCT)和基于事例作为分类器 2008年 13 NA 84.61
Fatemian和Hatzinakos36] Templet-based 2009年 13 NA 99.62
Safie et al。74年] 脉冲活动比(PAR)技术对特征提取和欧氏距离 2011年 112年 30. 93.60
赵et al。49] 集成经验模态分解,韦尔奇光谱分析提取显著特征,主成分分析(PCA)降维,和事例作为分类器 2013年 25 NA 96.00
坦塔维et al。75年]
测试集1
测试集2		 基准特性集(28特性)和四种特性减少方法(PCA,线性判别分析(LDA),信息增益率(IGR)和粗糙集和神经网络分类器 2013年 14
6		 ~ 8 One hundred.
83.3
王等人。76年] 稀疏表示和基于事例作为分类器 2013年 One hundred. 2 - 4 99.5
Jekova和Bortolan77年] 相关系数的评估,以及评估的线性和非线性组合 2015年 14 10 92.9
胸罩和Pinho [78年] 信息理论数据模型对数据压缩和相似性度量相关近似的Kolmogorov复杂度 2015年 52 20. 99.9
Waili et al。79年] Q-R-S特征点和多层感知神经网络作为分类器 2016年 14 12
1.02心跳		 96年
Paiva et al。25] 三圣,RT, QT和支持向量机作为分类器 2017年 10 30. 97.5
董et al。80年] 确定的学习 2018年 113年 NA 92.8
Labati et al。58] 深卷积神经网络用于提取QRS复合物的特性和soft-max作为分类器。 2018年 52 10 One hundred.
Alotaiby et al。81年] 常见的空间格局和支持向量机作为分类器 2019年 200年 7
单管线(我) 95.15
单管线(V3) 98.92
该方法 11统计特性、DWT和随机森林分类器 290年 7
单管线(我) 99.66
单管线(动) 99.17
单管线(V1) 99.52
单管线(Vx) 99.79
杜:持续时间;拿拿淋:信息不可用或可计算的;NS:数量的科目;森:敏感性。
表3
提出的方法相比,PTB-based主题识别方法。

4所示。结论

本文提出一个ECG-based识别系统,依赖于统计特性和随机森林分类器。研究了两种特征提取方法:直接和波段的方法。直接的方法,心电图信号分割和十一个统计特性提取每一段形成特征向量。在第二个方法中,心电图信号分解成七个乐队,连接形成的特征向量的统计特征提取每个乐队的一部分。六段长度检查:1、3、5、7、10和15秒。数据分为训练和测试数据集。前者的特征向量用于训练分类器(随机森林)在识别阶段;然后负责训练分类器识别主题使用的测试数据。该方法是评估使用290参考科目PTB数据库。使用波段的特征提取方法,识别系统实现了99.61%的准确率利用一个单一的肢体(我)。而一个胸部(V1),增强肢体铅(aVF)和弗兰克的领导(Vx)准确率为99.37%,99.76%,和99.76%,分别。 It is known that variance in physical, mental, or emotional stimulation levels affects heart rate. Unfortunately, the ECG signals in the PTB dataset are recorded under the same conditions. Therefore, evaluating the proposed identification system under the effect of these stimulations will be the topic of our future work.

数据可用性

使用的数据来支持本研究的结果可在physioNet.org上(29日]。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持通过沙特国王大学研究人员支持项目RSP-2019/46数量。

引用

  1. a . Fratini m .桑松,p . Bifulco, m . Cesarelli“个人识别通过心电图分析,”生物医学工程在线,14卷,不。1,p。78年,2015。视图:出版商的网站|谷歌学术搜索
  2. 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
  3. m·纳瓦尔和g . Purohit”基于心电图的人类身份验证:审查”,国际新兴工程研究和技术杂志》上,卷2,不。3、178 - 185年,2014页。视图:谷歌学术搜索
  4. j·平托,j·卡多佐、a . Lourenco和c·卡莱拉斯,那些生活”对一个连续的生物识别系统基于心电图信号获得了方向盘,“传感器,17卷,不。10,2228年,页2017。视图:出版商的网站|谷歌学术搜索
  5. m . Vaidya”,生物识别技术的研究方法及其应用程序审查,”国际创新工程与技术杂志》上,5卷,不。2,p。235年,2015年。视图:谷歌学术搜索
  6. l·巴拉德d Lopresti, f . Monrose“伪造质量及其对行为的影响生物安全,”IEEE系统,人与控制论,B部分(控制论),37卷,不。5,1107 - 1118年,2007页。视图:出版商的网站|谷歌学术搜索
  7. 辛格y . n和s . k .辛格“活力检测从生物识别技术:最先进的”2011年世界大会在信息和通信技术,页106 - 111,孟买,印度,2011。视图:出版商的网站|谷歌学术搜索
  8. t . van der Putte和j·马”,生物统计的指纹识别:不要让你的手指了,”智能卡的研究和先进的应用程序52的卷联合会——国际信息处理联合会施普林格,页289 - 303年,波士顿,MA,美国,2000。视图:出版商的网站|谷歌学术搜索
  9. j·l·Wayman“生物认证技术,原理”国际期刊的图像和图形,1卷,不。1,第113 - 93页,2001。视图:出版商的网站|谷歌学术搜索
  10. 中,Bolle a r m·j·h·康奈尔,s . Pankanti n . k . Ratha和a . w .高级生物识别技术指南斯普林格出版社,纽约,纽约,美国,2003年。
  11. g . e . Forsen m·r·尼尔森和r . j . Staron Jr .)个人属性认证技术;技术报告罗马,模式分析和识别公司,空中发展中心,罗马,纽约,美国,1977年。
  12. 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,”IMTC / 99。第16届IEEE仪器和测量技术研讨会论文集(猫。99号ch36309),第561 - 557页,威尼斯,意大利,1999年。视图:出版商的网站|谷歌学术搜索
  13. 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
  14. s . r . m . Prasanna, s . k . Sahoo和t . Choubisa“多通道生物识别人的身份验证:审查。”IETE技术评审卷,29号1,54 - 75年,2012页。视图:出版商的网站|谷歌学术搜索
  15. 中,Bolle a . k . Jain r m和s Pankanti生物识别技术:网络社会的个人身份施普林格,2005年。
  16. f . Agrafioti Bui, f·m·d . Hatzinakos,“安全的远程医疗:生物识别技术为远程病人和连续验证,”计算机网络和通讯》杂志上ID 924791条,卷。2012年,11页,2012年。视图:出版商的网站|谷歌学术搜索
  17. m·李和美国Narayanan健壮的心电生物识别技术在融合时间和cepstral信息”2010年20国际会议模式识别,页1326 - 1329,伊斯坦布尔,土耳其,2010。视图:出版商的网站|谷歌学术搜索
  18. G.-H。崔E.-S。贝克和S.-B。锅”,用户识别系统使用2 d缩放心电图的谱图特征,“IEEE访问7卷,第34873 - 34862页,2019年。视图:出版商的网站|谷歌学术搜索
  19. s . s . Abdeldayem和t . Bourlai ECG-based人类身份验证使用高级spectro-temporal信号特性,”2018年IEEE国际会议上大数据(大数据),第4993 - 4984页,西雅图,佤邦,美国,2018。视图:出版商的网站|谷歌学术搜索
  20. p .香港j .萧c .钟y,和吴,“摘要报道了心电生物识别:方法基于深度学习,”IEEE 2019年第41届国际会议在医学和生物工程协会(EMBC),页2633 - 2636年,柏林,德国,2019年。视图:出版商的网站|谷歌学术搜索
  21. 张x, y, l . Zhang h . Wang和j .唐“心冲患人识别和身份验证使用递归神经网络为基础,”2018年11日国际国会图像和信号处理、生物医学工程与信息学(CISP-BMEI)2018年,页1 - 5,北京,中国。视图:出版商的网站|谷歌学术搜索
  22. 基于y陈和w·陈,“手指心电图两阶段使用一维卷积神经网络身份验证,”IEEE 2018年第40届国际会议在医学和生物工程协会(EMBC)火奴鲁鲁,页336 - 339年,嗨,美国,2018年。视图:出版商的网站|谷歌学术搜索
  23. 邓z赵、张y、y、x张“心电图身份验证系统设计将卷积神经网络和广义s变换,“计算机在生物学和医学卷,102年,第179 - 168页,2018年。视图:出版商的网站|谷歌学术搜索
  24. 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
  25. j . s . Paiva d·迪亚斯,j . p . s . Cunha”Beat-ID:向低成本计算单心跳基于心电图波形态、生物识别身份检查系统”《公共科学图书馆•综合》,12卷,不。7篇文章e0180942 2017。视图:出版商的网站|谷歌学术搜索
  26. 即Jekova、诉Krasteva和r·施密德“人类互相关和模式匹配识别的个性化的心跳:心电图线索和参考数据库大小的影响,“传感器,18卷,不。2,p。372年,2018年。视图:出版商的网站|谷歌学术搜索
  27. w·李,美国金和d·金,“个人使用多循环生物识别心电图波形模式,”传感器,18卷,不。4 p。1005年,2018年。视图:出版商的网站|谷歌学术搜索
  28. m . Merone p .苏打水,m .桑松,和c桑松,“心电图数据库生物识别系统:系统回顾,“专家系统与应用程序卷,67年,第202 - 189页,2017年。视图:出版商的网站|谷歌学术搜索
  29. https://physionet.org/physiobank/database/。
  30. c .你们、m . t . Coimbra和b . v . k . v . Kumar“调查人类识别使用两家牵头心电图(ECG)信号,”2010年第四届IEEE国际生物识别技术:理论,应用程序和系统(bta),页1 - 8,华盛顿,美国,2010年。视图:出版商的网站|谷歌学术搜索
  31. t·w·沈、w·j·汤普金斯和y . h .胡锦涛,“实现一个铅心电图人类识别系统在正常的人口,”《工程和计算机创新,卷2,不。于页。12日至21日1举行,2011年。视图:谷歌学术搜索
  32. 美国Poornachandra”,使用部分波段依赖阈值小波去噪心电信号,”数字信号处理,18卷,不。1,49-55,2008页。视图:出版商的网站|谷歌学术搜索
  33. n . Belgacem a . Nait-Ali r·弗尔涅,f . Bereksi-Reguig”基于心电图的人类身份验证使用小波和随机森林,”国际期刊在密码学和信息安全,卷2,不。2、1 - 11,2012页。视图:出版商的网站|谷歌学术搜索
  34. f . Poree、g . Kervio和g . Carrault“心电生物识别分析在不同生理记录条件下”,信号,图像和视频处理,10卷,不。2、267 - 276年,2016页。视图:出版商的网站|谷歌学术搜索
  35. b·辛格·辛格和s . Budhiraja”各种方法减少噪声的ECG信号:一项调查,”2015年第五届国际会议上先进的计算机和通信技术哈里亚纳邦,页131 - 137年,印度,2015。视图:出版商的网站|谷歌学术搜索
  36. s . z Fatemian和d . Hatzinakos”,一种新的生物特征识别心电图特征提取器,”2009年16日国际会议上数字信号处理2009年,页1 - 6、Santorini-Hellas、希腊。视图:出版商的网站|谷歌学术搜索
  37. s . a .以色列中锋w·t·w·j . Worek和j·m·欧文“个人识别融合的脸,心电图,”第32图像模式识别应用研讨会,2003。诉讼华盛顿特区,页226 - 231,美国2003年。视图:出版商的网站|谷歌学术搜索
  38. m . Kyoso和a .中山教授“心电图识别系统的发展,”2001年第23届国际会议的会议论文集IEEE在医学和生物学社会工程,页721 - 3733,伊斯坦布尔,土耳其,2001。视图:出版商的网站|谷歌学术搜索
  39. r .印度和s·m·克里希,“识别个人使用心电节拍,”2004年国际会议上信号处理和通信,2004。SPCOM 04年,页569 - 572,班加罗尔,印度,2004。视图:出版商的网站|谷歌学术搜索
  40. r . Hoekema g . j . h . Uijen, a . van Oosterom“几何方面的个人间的变异性多引入线的心电图记录,“IEEE生物医学工程,48卷,不。5,551 - 559年,2001页。视图:出版商的网站|谷歌学术搜索
  41. 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
  42. m . Kyoso”技术可以避免误接受心电图识别,”IEEE磨床亚太生物医学工程会议《京都议定书》,页190 - 191年,日本,2003年。视图:出版商的网站|谷歌学术搜索
  43. a . Fratini m .桑松,p . Bifulco et al .,“个人识别使用心电图形态,”2013年IEEE国际医学研讨会上测量和应用程序(MeMeA)加蒂诺,页107 - 110年,QC,加拿大,2013。视图:出版商的网站|谷歌学术搜索
  44. k . n . Plataniotis d Hatzinakos, j·k·m·李,“没有基准检测心电生物识别,”2006年生物识别技术研讨会:特别会议在生物研究协会会议美国马里兰州巴尔的摩,页1 - 6,,2006。视图:出版商的网站|谷歌学术搜索
  45. f . Agrafioti和d . Hatzinakos心电图识别使用二阶统计信息,”6日通信网络和服务研究年会(cnsr 2008)哈利法克斯,页82 - 87年,NS,加拿大,2008。视图:出版商的网站|谷歌学术搜索
  46. 方c和h·l·陈,“QRS detection-free心电图生物识别技术在重构相空间中,“模式识别的字母,34卷,不。5,595 - 602年,2013页。视图:出版商的网站|谷歌学术搜索
  47. s . Kouchaki a . Dehghani s Omranian, r . Boostani”ECG-based个人识别利用经验模态分解和希尔伯特变换,”16 CSI人工智能和信号处理国际研讨会(2012年AISP)设拉子,页569 - 573年,法尔斯,伊朗,2012。视图:出版商的网站|谷歌学术搜索
  48. j·l·c·龙k . s . Subari r .大的m·k·阿卜杜拉,“心电生物识别系统的一种新方法:LPC和WPD系统之间的比较研究,“世界科学院、工程和技术的国际生物医学和生物工程杂志》上,4卷,不。8,430 - 445年,2010页。视图:谷歌学术搜索
  49. z赵、杨l . d . Chen和y罗,“人类心电图识别系统集成经验模态分解的基础上,“传感器,13卷,不。5,6832 - 6864年,2013页。视图:出版商的网站|谷歌学术搜索
  50. l . Breiman“装袋预测”,机器学习,24卷,不。2、123 - 140年,1996页。视图:出版商的网站|谷歌学术搜索
  51. t . k . Ho“随机决策森林”学报》3日国际会议文档分析和识别蒙特利尔,页278 - 282年,QC,加拿大,1995。视图:出版商的网站|谷歌学术搜索
  52. t . k . Ho”构造决定森林的随机子空间法”,IEEE模式分析与机器智能,20卷,不。8,832 - 844年,1998页。视图:出版商的网站|谷歌学术搜索
  53. y阿米特和d .德国造”,与随机树形状量化和认可,”神经计算,9卷,不。7,1545 - 1588年,1997页。视图:出版商的网站|谷歌学术搜索
  54. m . n . tid m . Akram, a·乌斯曼和美国a .汗“心电生物识别为普通人群使用基于DWT的多分辨率分析特性,”2015年第二次国际会议信息安全和网络取证(信息安全),5 - 10页,开普敦,南非,2015。视图:出版商的网站|谷歌学术搜索
  55. s, a . k . Uysal e . s . Gunal s Gunal和m . b . Gulmezoglu“心电图基础生物认证使用的特性,”2014年9日伊比利亚信息系统和技术会议(”)西班牙巴塞罗那,页1 - 6,2014。视图:出版商的网站|谷歌学术搜索
  56. y广域网和j .姚明”,一个神经网络来识别人类受试者心电图信号,”《世界大会在2008年工程和计算机科学(WCECS 2008)旧金山,页1 - 4、钙、美国,2008年。视图:谷歌学术搜索
  57. e·j·达席尔瓦Luz g . j . p . Moreira l·s·奥利维拉w·r·施瓦茨和d . Menotti学习off-the-person内心深处生物识别技术表示,“IEEE取证和安全信息,13卷,不。5,1258 - 1270年,2018页。视图:出版商的网站|谷歌学术搜索
  58. r . Donida Labati, e·穆尼奥斯诉Piuri r .天使和f . Scotti”Deep-ECG:卷积神经网络心电生物识别,”模式识别的字母卷,126年,第85 - 78页,2019年。视图:出版商的网站|谷歌学术搜索
  59. g l . v . d . Maaten和辛顿,“使用t-SNE可视化数据。”机器学习研究杂志》上9卷,第2605 - 2579页,2008年。视图:谷歌学术搜索
  60. g . j . Li邓,w·魏h . Wang和z明,“设计一个实时心电图过滤器为便携式移动医疗系统,”IEEE访问5卷,第704 - 696页,2017年。视图:出版商的网站|谷歌学术搜索
  61. NIST / SEMATECH,“电子帐册的统计方法,”2016年3月,https://www.itl.nist.gov/div898/handbook/。视图:谷歌学术搜索
  62. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
  63. d·r·卡特勒·t·c·爱德华兹Jr . k . h .胡子et al .,“生态学中随机森林分类”生态,卷88,不。11日,第2792 - 2783页,2007年。视图:出版商的网站|谷歌学术搜索
  64. d高,y。张,中州。赵”,随机森林分类算法得出的数据,”天文学和天体物理学的研究,9卷,不。2,14-39,2009页。视图:谷歌学术搜索
  65. w·胡”,确定与随机森林预测乳腺癌的化学敏感性的标志,”生物医学科学与工程》杂志上,3卷,不。1,59 - 64年,2010页。视图:出版商的网站|谷歌学术搜索
  66. A . r . Chowdhury、t . Chatterjee和s . Banerjee“随机森林classifier-based方法检测的异常在视网膜上,“医学和生物工程和计算卷,57号1,第203 - 193页,2019。视图:出版商的网站|谷歌学术搜索
  67. Casanova r, s现年e . y .咀嚼r . p . Danis c . m . Greven和w·t·Ambrosius”应用随机森林方法糖尿病视网膜病变分类分析,“《公共科学图书馆•综合》,9卷,不。6篇文章e98587 2014。视图:出版商的网站|谷歌学术搜索
  68. m·n·m·加西亚,j . c . b . Herraez m . s .胡须和f·s·埃尔南德斯,“基于随机森林的系综分类器预测罹患卫生保健相关感染病在重症监护病房,”分布式计算和人工智能,第13次国际会议美国Omatu, a . Semalat g . Bocewicz et al .,。卷,474先进的智能系统和计算施普林格,可汗,瑞士,2016。视图:出版商的网站|谷歌学术搜索
  69. t . Hastie r . Tibshirani和j·h·弗里德曼统计学习的元素:数据挖掘、推理和预测施普林格,纽约,纽约,美国,第二版,2009年版。
  70. g . Wubbeler m·斯塔夫里蒂斯将军d . Kreiseler r·d·Bousseljot和c·埃尔斯特,“验证人类使用心电图,”模式识别的字母,28卷,不。10日,1172 - 1175年,2007页。视图:出版商的网站|谷歌学术搜索
  71. f . Agrafioti和d . Hatzinakos心电生物识别分析在心脏不规则的情况下,“信号,图像和视频处理,3卷,不。4、329 - 343年,2009页。视图:出版商的网站|谷歌学术搜索
  72. f . Agrafioti和d . Hatzinakos融合人类识别心电图来源,”2008年第三届国际研讨会上通信、控制和信号处理圣朱利安,页1542 - 1547年,2008年马耳他。视图:出版商的网站|谷歌学术搜索
  73. f . y . Wang Agrafioti、d . Hatzinakos和k . n . Plataniotis“人类生物特征识别心电图,分析”EURASIP在信号处理的发展》杂志上,卷2008,不。1,文章ID 148658, 2007。视图:出版商的网站|谷歌学术搜索
  74. s . i Safie j。j Soraghan, l . Petropoulakis“心电图(ECG)生物认证使用脉冲活动比率(PAR),“IEEE取证和安全信息》第六卷,没有。4、1315 - 1322年,2011页。视图:出版商的网站|谷歌学术搜索
  75. m·m·坦塔维k . Revett a·萨勒姆和m . f . Tolba“基准特性减少分析心电图(ECG)基于生物识别,”智能信息系统杂志》上,40卷,不。1,17-39,2013页。视图:出版商的网站|谷歌学术搜索
  76. 她m . j . Wang,美国Nahavandi, a . Kouzani“人类识别心电图信号通过稀疏表示当地的部分,“IEEE信号处理信件,20卷,不。10日,937 - 940年,2013页。视图:出版商的网站|谷歌学术搜索
  77. i Jekova和g . Bortolan”个人验证/外围心电图线索的识别通过分析:影响个人健康状况的准确性,“生物医学研究的国际文章ID 135676卷,2015年,13页,2015。视图:出版商的网站|谷歌学术搜索
  78. 美国文胸和a·j·Pinho”心电生物识别:基于压缩的方法,”IEEE 2015年第37届国际会议在医学和生物工程协会(EMBC),页5838 - 5841年,米兰,意大利,2015年。视图:出版商的网站|谷歌学术搜索
  79. t . Waili r . m .和a·w·b·a·拉赫曼k . a . Sidek和a·a·易卜拉欣,“心电图识别:使用一组简单的特性在QRS波群来识别个体,”2016年信息和通信技术最新进展,美国Boonkrong p . Meesad和h·昂格尔,Eds。,pp. 139–148, Springer, Cham, Switzerland, 2016.视图:出版商的网站|谷歌学术搜索
  80. x盾、w Si和w·黄“ECG-based身份识别通过确定的学习,”生物技术与生物技术的设备,32卷,不。3、769 - 777年,2018页。视图:出版商的网站|谷歌学术搜索
  81. t . n . Alotaiby s . a . Alshebeili l . m . Aljafar和w·m·Alsabhan”ECG-based主题识别使用常见的空间模式和支持向量机,”杂志上的传感器卷,2019篇文章ID 8934905、9页,2019。视图:出版商的网站|谷歌学术搜索

版权©2019 Turky n Alotaiby等。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。

更多相关文章

对本文没有相关内容可用。
PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点1410年
下载916年
引用

相关文章

对本文没有相关内容可用。

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。