小波變換和支持向量機(jī)相融合的ECG身份識(shí)別

呂剛，陳立

1.金華廣播電視大學(xué)理工學(xué)院，浙江金華 321000

2.杭州電子科技大學(xué)，杭州 310018

小波變換和支持向量機(jī)相融合的ECG身份識(shí)別

呂剛1，陳立2

1.金華廣播電視大學(xué)理工學(xué)院，浙江金華 321000

2.杭州電子科技大學(xué)，杭州 310018

1 引言

ECG（Electrocardiography，ECG）是從人體體表采集的反映心臟跳動(dòng)的電位信號(hào)，由于人體的生理?xiàng)l件差異使得ECG具有許多個(gè)體特征。相較指紋、語(yǔ)音、掌紋等，ECG是一種活體生物信號(hào)，具備易檢測(cè)、難復(fù)制的特點(diǎn)，可以較好滿足身份識(shí)別的唯一性、普通性、可采集性和不變性等條件，成為信息安全中的重要研究方向[1-2]。

基于ECG的身份識(shí)別實(shí)際上是模式識(shí)別的二分類問(wèn)題，主要包括ECG特征提取和身份分類器構(gòu)建兩個(gè)關(guān)鍵內(nèi)容[3]。ECG信號(hào)十分微弱，信噪比小，能量集中在5～45 Hz，采集過(guò)程中易受到基線漂移、肌電干擾和50 Hz工頻干擾等，導(dǎo)致ECG信號(hào)常常淹沒(méi)于噪聲中，會(huì)影響到后繼ECG特征提取和分類器建立，因此，ECG信號(hào)降噪處理至關(guān)重要[4-5]。目前大多數(shù)采用小波變換對(duì)ECG信號(hào)進(jìn)行降噪處理，其中Donoho的軟閾值和硬閾值方法最為常用[6-9]，但在強(qiáng)噪聲背景下，軟閾值法易破壞心電弱特征成分的幾何特征，硬閾值消噪能力差。當(dāng)前ECG的身份分類器主要采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)進(jìn)行設(shè)計(jì)，ECG信號(hào)數(shù)據(jù)是一種小樣本數(shù)據(jù)，因此，神經(jīng)網(wǎng)絡(luò)常出現(xiàn)“過(guò)擬合”缺陷[10]。支持向量機(jī)（Support Vector Machine，SVM）是一種專門針對(duì)小樣本、高維的機(jī)器學(xué)習(xí)算法，解決了神經(jīng)網(wǎng)絡(luò)的不足，常用于建立ECG身份分類器，因此本研究選擇SVM構(gòu)建ECG身份分類器[11]。

為了提高ECG身份識(shí)別的正確率，提出一種小波變換和SVM相融合的ECG身份識(shí)別方法（IWT-ABC-SVM）。首先采用改進(jìn)小波閾值方法對(duì)ECG信號(hào)進(jìn)行預(yù)處理，提取相應(yīng)的特征，然后將特征輸入到SVM進(jìn)行學(xué)習(xí)，并采用人工蜂群（Artificial Bee Colony，ABC）算法優(yōu)化SVM參數(shù)，建立ECG識(shí)別模型，最后采用MIT-BIH心電圖數(shù)據(jù)庫(kù)進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證IWT-ABC-SVM的ECG身份識(shí)別性能。

2 提取ECG信號(hào)特征

2.1 改進(jìn)的小波函數(shù)

設(shè)f(t)為有效ECG信號(hào)，工頻、肌電基線漂移等對(duì)ECG信號(hào)采集過(guò)程產(chǎn)生干擾，噪聲為e(t)，那么含噪聲的ECG信號(hào)可以描述為：

式中，σ為噪聲水平。

對(duì)于含有噪聲的ECG數(shù)據(jù)，采用小波變換對(duì)s(t)進(jìn)行處理，幅值比較大的小波系數(shù)與f(t)對(duì)應(yīng)，幅值較小的系數(shù)與e(t)對(duì)應(yīng)，則可以選擇一個(gè)合適的臨界閾值λ，若系數(shù)小于λ，則表示其由噪聲引起的，應(yīng)該刪除該系數(shù)，從而保留小波系數(shù)[12]。為了克服軟、硬閾值方法的缺陷，本研究提出一種新的閾值方法，其閾值函數(shù)為：

式中，N為正常數(shù)，ωj,k表示小波包系數(shù)的大小，是施加閾值后的小波包系數(shù)的大小。

根據(jù)式（2）可知，該閾值函數(shù)是連續(xù)的，而且當(dāng)|ωj,k|≥λ時(shí)該函數(shù)高階可導(dǎo)，對(duì)應(yīng)函數(shù)為：

2.2 ECG信號(hào)噪聲的消除過(guò)程

（1）采用小波變換對(duì)ECG信號(hào)進(jìn)行多尺度分解。

（2）采用新閾值法對(duì)多尺度小波系數(shù)進(jìn)行濾波，消除ECG信號(hào)中的噪聲。

（3）用保留下來(lái)的小波系數(shù)重構(gòu)ECG信號(hào)，得到不含噪聲的ECG信號(hào)。具體流程如圖1所示。

圖1 ECG信號(hào)中的去噪聲流程

2.3 ECG信號(hào)特征提取

首先采用小波對(duì)ECG信號(hào)進(jìn)行多尺度小波分解，然后對(duì)QRS波特征點(diǎn)進(jìn)行提取，最后以R波峰值點(diǎn)為關(guān)鍵，以R波峰值點(diǎn)為基準(zhǔn)，提取P波和T波的特征點(diǎn)，特征提取具體流程如圖2所示。

圖2 ECG信號(hào)特征提取

3 ECG身份識(shí)別的分類器設(shè)計(jì)

提取到ECG信號(hào)特征后，需要將這些特征輸入到分類算法中進(jìn)行學(xué)習(xí)，建立ECG信號(hào)的身份識(shí)別模型，由于SVM具有較強(qiáng)的非線性分類能力，且在小樣本條件下具有優(yōu)異的泛化能力，本研究采用SVM構(gòu)建ECG的身份識(shí)別分類器。

根據(jù)結(jié)構(gòu)化最小化的原則，SVM分類目標(biāo)就是找到一個(gè)最優(yōu)超平面，該最優(yōu)超平面的描述為：

式中，ω和b分別為權(quán)值和偏移向量[13]。

找到最優(yōu)超平面就是要對(duì)ω和b進(jìn)行求解，引入非負(fù)的松弛因子將其轉(zhuǎn)變成二次優(yōu)化問(wèn)題，即有：

引入Lagrange乘子將式（5）轉(zhuǎn)化為對(duì)偶問(wèn)題進(jìn)行求解，則變?yōu)椋?/p>

式中，αi表示Lagrange乘子。

對(duì)式（6）進(jìn)行求解得到αi值，那么，ω計(jì)算公式為：

最后，SVM分類函數(shù)為：

由于RBF核函數(shù)待優(yōu)化參數(shù)少（只有核函數(shù)寬度γ），因此選擇其作為SVM的核類函數(shù)，通過(guò)上述方式建立基于SVM的ECG的身份分類器，分類器性能與參數(shù)C和γ密切相關(guān)，因此本文采用人工蜂群算法（ABC）[14]優(yōu)化參數(shù)C和γ，以提高ECG身份識(shí)別的正確率，具體步驟如下：

（1）確定人工蜂群的群體數(shù)量，確定偵查蜂占群體數(shù)量的比例。

（2）開(kāi)始時(shí)刻，所有蜜蜂均成為偵查蜂，在給定范圍內(nèi)隨機(jī)確定B個(gè)蜜源，即隨機(jī)選擇B個(gè)（C，γ）的組合參數(shù)。

（3）計(jì)算這B個(gè)蜜源的品質(zhì)。對(duì)于蜜源品質(zhì)低的情況，偵查蜂可以繼續(xù)作為偵查蜂繼續(xù)搜索蜜源，也可以作為跟隨蜂去較高品質(zhì)的蜜源進(jìn)行采蜜；根據(jù)蜜源品質(zhì)，跟隨蜂按照一定的比例跟隨到各個(gè)蜜源進(jìn)行采蜜。

（4）跟隨蜂到達(dá)各個(gè)蜜源后，在蜜源附近的連續(xù)區(qū)域進(jìn)行采蜜，以確定在這一蜜源的最優(yōu)品質(zhì)點(diǎn)。

（5）蜂群回到蜂巢后，計(jì)算各個(gè)蜜源的品質(zhì)，重新分配各個(gè)蜜源的采蜜蜂數(shù)量。

（6）重復(fù)上述步驟，最終得到最優(yōu)的蜜源點(diǎn)，即得到最優(yōu)的SVM參數(shù)（C，γ）。

4 仿真實(shí)驗(yàn)

4.1 數(shù)據(jù)來(lái)源

數(shù)據(jù)來(lái)源于MIT-BIH心電圖數(shù)據(jù)庫(kù)，共有30個(gè)人，其中21個(gè)為正常心電圖，9個(gè)為不正常心電圖，隨機(jī)選20個(gè)作為訓(xùn)練數(shù)據(jù)，其余作為測(cè)試數(shù)據(jù)，仿真實(shí)驗(yàn)在AMD Athlon II X4 631 2.7 GHz CPU，RAM 2 GB，Windows 2000的操作系統(tǒng)，Matlab 2012的平臺(tái)上實(shí)現(xiàn)。

圖4 ECG信號(hào)的小波分解

4.2 ECG信號(hào)的去噪效果

利用小波變換閾值法對(duì)一段含噪的心電信號(hào)進(jìn)行處理，該信號(hào)取自MIT-BIH中的103號(hào)信號(hào)，如圖3所示。從圖3中可以看出，該信號(hào)不夠平滑，尤其在P、S和T段含有大量高頻噪聲，這將直接影響波形特征的提取。

圖3 原始ECG信號(hào)

選取sym8小波進(jìn)行8層分解，分解后的低頻、高頻細(xì)節(jié)圖如圖4所示。

對(duì)圖4的ECG信號(hào)小波分解結(jié)果進(jìn)行分析可知，心電信號(hào)低頻部分的主要能量集中在第1～5層上，如果進(jìn)行更大的尺度分解，心電信號(hào)則出現(xiàn)較大幅度衰減，因此對(duì)于6尺度（含6尺度）以上的分解系數(shù)直接置零，即可消除基線漂移。高頻信號(hào)主要包括心電信號(hào)的峰信號(hào)、50 Hz的工頻干擾以及來(lái)自肌體動(dòng)作等引起的肌電干擾等。工頻干擾主要由50 Hz及其諧波組成，它與心電信號(hào)的頻帶相重疊，因此，可以采用閾值法對(duì)50 Hz對(duì)應(yīng)的小波系數(shù)進(jìn)行抑制，從而消除噪聲。肌電干擾的頻率分布范圍雖廣，但主要分布在低尺度上，因此對(duì)1～3尺度上的小波系數(shù)進(jìn)行大幅度的衰減即可達(dá)到消除高頻噪聲的目的，分別采用三種閾值法對(duì)圖3中的ECG信號(hào)進(jìn)行去噪，結(jié)果如圖5所示。對(duì)圖5進(jìn)行對(duì)比分析，可以得到如下結(jié)論：

（1）采用軟閾值法去噪的重構(gòu)ECG信號(hào)比較光滑，但是損失了大量有用信息，波形的邊緣出現(xiàn)了嚴(yán)重失真。

（2）經(jīng)過(guò)硬閾值法去噪處理后，ECG信號(hào)光滑性較差，在噪聲水平較高的地方出現(xiàn)明顯震蕩。

（3）改進(jìn)小波閾值法對(duì)ECG信號(hào)去噪，較好地保持了EEG信號(hào)的幾何特征，有效地抑制了噪聲，而且重構(gòu)后的信號(hào)很光滑，便于后繼ECG信號(hào)特征的提取。

圖5 各種去噪法的結(jié)果對(duì)比

三種去噪效果方法的信噪比（SNR）、均方根誤差（RMSE）見(jiàn)表1。根據(jù)表1可知，相對(duì)于軟、硬閾值方法，改進(jìn)小波閾值方法的SNR分別提高了0.751 2和1.201 7，并且RMSE分別降低了0.001 8和0.003 3，對(duì)比結(jié)果表明，采用改進(jìn)閾值去噪法可以取得更好的ECG去噪效果。

表1 三種去噪方法的去噪效果對(duì)比

4.3 身份識(shí)別結(jié)果對(duì)比

為了使IWT-ABC-SVM的ECG身份識(shí)別結(jié)果具有說(shuō)服力，采用原始ECG信號(hào)+SVM方法（SVM），小波軟閾值+ SVM方法（WT-SVM1），小波硬閾值+SVM方法（WT-SVM2），改進(jìn)小波去噪+網(wǎng)格算法優(yōu)化SVM[15]方法（IWT-SVM）進(jìn)行對(duì)比實(shí)驗(yàn)，它們的SVM（C，γ）參數(shù)具體見(jiàn)表2，IWT-ABC-SVM與對(duì)比方法的識(shí)別結(jié)果見(jiàn)表3。

表2 各種方法的SVM參數(shù)

表3 各種方法的ECG信號(hào)身份識(shí)別結(jié)果對(duì)比

對(duì)表3的結(jié)果進(jìn)行分析，可以得到如下結(jié)論：

（1）在所有識(shí)別方法中，SVM的識(shí)別正確率最低，這主要是由于采集的ECG信號(hào)含有大量噪聲，這些噪聲數(shù)據(jù)對(duì)身份識(shí)別產(chǎn)生了不利影響，這表明消除噪聲有利于提高身份識(shí)別正確率。

（2）相對(duì)于WT-SVM1、WT-SVM2，IWT-SVM的身份識(shí)別正確率分別提高了4.72%和3.15%，這表明傳統(tǒng)小波軟、硬閾值方法存在不同程度的缺陷，不能有效、準(zhǔn)確消除噪聲，而改進(jìn)小波閾值法較好地克服它們存在的缺陷，獲得了更好地去噪效果，有利后繼ECG信號(hào)特征提取，進(jìn)一步提高了身份識(shí)別正確率。

（3）在所有方法中，IWT-ABC-SVM的身份識(shí)別正確率最高，減少了個(gè)體識(shí)別時(shí)間，對(duì)比結(jié)果表明采用改進(jìn)小波閾值法對(duì)ECG信號(hào)進(jìn)行去噪，更加有利于ECG特征提取，同時(shí)采用ABC算法可以獲得更優(yōu)的SVM參數(shù)，建立更優(yōu)的身份識(shí)別模型，從而提高了身份識(shí)別正確率和效率，實(shí)現(xiàn)了快速、準(zhǔn)確的ECG身份識(shí)別。

5 結(jié)束語(yǔ)

針對(duì)ECG信號(hào)的信噪比低、小樣本等特點(diǎn)，結(jié)合小波變換和SVM優(yōu)點(diǎn)，提出一種基于IWT-ABC-SVM的ECG身份識(shí)別方法。實(shí)驗(yàn)結(jié)果表明，IWT-ABC-SVM不僅有效消除了ECG信號(hào)中的噪聲，而且提高了身份識(shí)別正確率和效率，是一種快速、正確率高的心電圖身份識(shí)別方法。

[1]汪莉.基于ECG信號(hào)的身份識(shí)別技術(shù)研究[D].濟(jì)南：山東大學(xué)，2005.

[2]李巍巍，成謝鋒.應(yīng)用主成分分析法的ECG身份識(shí)別方法[J].蘇州科技學(xué)院學(xué)報(bào)：自然科學(xué)版，2010，27（3）：55-58.

[3]Chan A D C，Hamdy M M，Badre A，et al.Wavelet distance measure for person identification using electrocardiograms[J]. IEEE Trans on Instrument Measure，2008，57（2）：248-253.

[4]Israel S A，Irvine J M，Cheng A，et al.ECG to identify individuals[J].Pattern Recognition，2005，38（1）：133-142.

[5]Chiu C C，Chuang C M，Hsu C Y.A novel personal verification approach using a discrete wavelet transform of the ECG signal[C]//2nd International Conference on Multimedia and Ubiquitous Engineering，2008：201-206.

[6]緱新科，郭天圣.基于一種新型小波閾值函數(shù)的信號(hào)去噪[J].西北師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，46（1）：51-54.

[7]高清維，李海鷹，莊鎮(zhèn)泉，等.基于平穩(wěn)小波變換的心電信號(hào)噪聲消除方法[J].電子學(xué)報(bào)，2003，32（2）：235-240.

[8]萬(wàn)相奎，徐杜.自適應(yīng)閾值小波濾波及其在ECG消噪中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（18）：139-140.

[9]張愛(ài)華，孔令杰.應(yīng)用小波包變換和主成分分析識(shí)別亞健康狀態(tài)[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（26）：238-241.

[10]師黎，朱民杰.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在心電圖身份識(shí)別中的應(yīng)用[J].中國(guó)組織工程研究與臨床康復(fù)，2010，14（43）：8069-8072.

[11]于明，艾月喬.基于人工蜂群算法的支持向量機(jī)參數(shù)優(yōu)化及應(yīng)用[J].光電子·激光，2012，23（2）：374-398.

[12]田絮資，楊建，黃力宇.心電信號(hào)去噪的數(shù)學(xué)形態(tài)學(xué)濾波器[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（2）：124-126.

[13]師黎，楊岑玉，費(fèi)敏瑞.基于小波變換的心電信號(hào)R波及ST段提取[J].儀器儀表學(xué)報(bào)，2008，29（4）：804-809.

[14]馬苗.人工蜂群算法在圖像分割中的應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（8）：194-196.

[15]李兵，姚全珠，羅作民，等.基于網(wǎng)格模式搜索的支持向量機(jī)模型選擇[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（15）：136-138.

LV Gang1,CHEN Li2

1.College of Technology,Jinhua Radio and Television University,Jinhua,Zhejiang 321000,China
2.Hangzhou Dianzi University,Hangzhou 310018,China

In order to improve the rate of human identification based on ECG,a novel ECG human identification approach（IWT-ABC-SVM）is proposed based on wavelet analysis and Support Vector Machine.Wavelet threshold function is used to denoise the ECG,and the ECG features are extracted;the ECG features are input to Support Vector Machine to learn,and the parameters of Support Vector Machine are optimized by artificial bee colony algorithm;the human identification classifier is established and the simulation experiment is carried out by using MIT-BIH ECG data.The results show that compared with other identification methods,the proposed method has improved the identification accuracy and reliability.

Electrocardiography（ECG）signal;human identification;wavelet denoise;artificial bee colony algorithm;Support Vector Machine（SVM）

為了提高心電圖（ECG）信號(hào)的身份識(shí)別正確率，提出一種小波變換和支持向量機(jī)相融合的ECG身份識(shí)別方法（IWT-ABC-SVM）。采用一種小波閾值函數(shù)對(duì)ECG進(jìn)行去噪處理，提取ECG特征，將ECG特征輸入到支持向量機(jī)中進(jìn)行學(xué)習(xí)，采用人工蜂群算法優(yōu)化支持向量機(jī)參數(shù)，建立ECG的身份識(shí)別模型，采用MIT-BIH心電圖數(shù)據(jù)進(jìn)行仿真測(cè)試。仿真結(jié)果表明，相對(duì)于其他識(shí)別方法，IWT-ABC-SVM提高了ECG身份識(shí)別的正確率和可靠性。

心電圖信號(hào)；身份識(shí)別；小波去噪；人工蜂群算法；支持向量機(jī)

A

TP391

10.3778/j.issn.1002-8331.1308-0072

LV Gang,CHEN Li.ECG human identification based on wavelet transforms and Support Vector Machine.Computer Engineering and Applications,2013,49（24）：195-199.

呂剛（1978—），講師，研究方向?yàn)閳D像處理，模式識(shí)別，神經(jīng)網(wǎng)絡(luò)；陳立（1964—），男，博士，副教授，研究方向?yàn)閳D像處理。

2013-08-08

2013-09-22

1002-8331（2013）24-0195-05

CNKI出版日期：2013-10-14http://www.cnki.net/kcms/detail/11.2127.TP.20131014.1655.006.html