基于單導(dǎo)聯(lián)的心電信號身份識別技術(shù)

王雪婷，張燁菲，張顯飛，趙治棟

（杭州電子科技大學(xué)，浙江 杭州 310018）

0 引言

物聯(lián)網(wǎng)和人工智能技術(shù)的飛速發(fā)展，為高安全性、高隱私性的新型識別技術(shù)提供了必要的技術(shù)支持。生物特征識別技術(shù)（Biometric Identification Technology，BIT）是利用個體生物特征進行身份識別認(rèn)證的技術(shù)，例如人臉識別、指紋識別、虹膜識別等。雖然基于生物特征的識別技術(shù)提高了個人或者企業(yè)信息的安全性，但是同樣存在一定的安全隱患問題，例如AI換臉技術(shù)、假指紋、指紋信息還原技術(shù)等增加了個人信息被盜的風(fēng)險，對信息安全系統(tǒng)帶來了較大的威脅。因此，尋求一種高安全性和高隱私性的身份識別方法尤為重要。

隨著國內(nèi)外研究學(xué)者在生物特征識別技術(shù)領(lǐng)域的不斷挖掘和探索，一種基于心電信號的生物特征身份識別技術(shù)憑借其高防偽性、高安全性以及高隱私性的特點，迅速成為生物特征識別技術(shù)的研究熱點，被很多國內(nèi)外學(xué)者認(rèn)為是最具高安全性潛力的生物識別技術(shù)[1]。

2001年，Biel等人[2]首次提出了將ECG信號的基準(zhǔn)點信息作為特征提取實現(xiàn)個體的身份識別。在此之后，得益于深度學(xué)習(xí)技術(shù)的飛速發(fā)展，2017年，Zhang等人[3]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的ECG身份識別方法，得到了93.5%的識別率。2018年，Donida Labati等人[4]提出了從單導(dǎo)聯(lián)或多導(dǎo)聯(lián)的心電信號中，提取一組含有m個QRS復(fù)合波的特征信息作為CNN網(wǎng)絡(luò)層輸入，獲得了95%的識別率。2019年，Hou等人[5]聯(lián)合長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory，LSTM）和Auto-Encoder進行心電信號特征提取，對5類異常心拍分類的準(zhǔn)確率達(dá)到了99.74%。2021年，劉昱昕等人[6]提出了基于GoogleNet的心電信號分類模型，對3種類型的心電信號進行分類并取得了100%的識別率。

深度學(xué)習(xí)依靠其自身強大的特征自學(xué)習(xí)能力，在對心電波形質(zhì)量要求相對不高的情況下，仍然能夠保證較高的識別準(zhǔn)確率，更適用于實驗數(shù)據(jù)量較大的情況。

本文針對噪聲干擾較大的單導(dǎo)聯(lián)心電信號的身份識別技術(shù)展開研究，分別從心電信號的質(zhì)量評估、信號去噪、生成ECG軌跡圖、基于卷積神經(jīng)網(wǎng)絡(luò)的身份識別模型4個方面進行研究，實驗流程如 圖1所示。

圖1 實驗流程

本文首先對采集到的單導(dǎo)聯(lián)心電信號進行質(zhì)量評估，對質(zhì)量評估等級為可疑的心電信號進行去噪處理得到干凈的ECG信號；其次利用廣義S變換對質(zhì)量評估合格的一維ECG信號進行時頻域分析，將其轉(zhuǎn)換為二維的ECG軌跡圖片作為網(wǎng)絡(luò)層的輸入；最后提出基于卷積神經(jīng)網(wǎng)絡(luò)的深度遷移識別算法，對ECG軌跡圖進行特征自學(xué)習(xí)，實現(xiàn)基于心電信號個體身份識別。

1 模型構(gòu)建

1.1 質(zhì)量評估模型

本文首先提出基于支持向量機[7]（Support Vector Machine，SVM）的ECG質(zhì)量評估算法，通過對ECG信號的波形特征和噪聲特征進行計算分析，得到一系列能夠反映信號質(zhì)量等級的質(zhì)量評估指數(shù)（Signal Quality Index，SQI）作為評價標(biāo)準(zhǔn)；其次依據(jù)這些SQI對心電數(shù)據(jù)集進行質(zhì)量指數(shù)特征提?。蛔詈罄糜?xùn)練好的SVM模型對測試集進行不同質(zhì)量等級的分類。質(zhì)量評估算法的具體流程如 圖2所示。

圖2 質(zhì)量評估算法流程

本文在基于ECG信號波形特征和噪聲特征的基礎(chǔ)上，提出了8個能夠反映出心電信號質(zhì)量等級的信號質(zhì)量指數(shù)特征，具體如下文所述。

（1）QRS波形清晰指數(shù)SQI1。當(dāng)一段ECG信號中的噪聲含量較多時，QRS波形是很難被識別出來的，通過使用兩個對噪聲敏感度不同的噪聲檢測器對同樣一段QRS波群進行檢測[8]，分別得出兩者檢測到的心拍個數(shù)Ne和Nw。將SQI1定義為兩者檢測出的心拍個數(shù)的比值，表達(dá)式為：

（2）偏度SQI2。當(dāng)心電信號含噪較多，波形分布不均勻時，得到的偏度值也會較大。定義信號的偏度值為SQI2，計算方式為：

式中：為信號x的平均值；σ為信號x的標(biāo)準(zhǔn)差；N為心電信號的采樣點數(shù)。

（3）峰度SQI3。含噪越多的信號波形形態(tài)表現(xiàn)越不穩(wěn)定，極端值出現(xiàn)的概率也就越大，對應(yīng)的峰度也就越大。因此，通過計算心電信號的峰度值大小可以判斷信號的含噪程度。以峰度值定義的SQI3的公式為：

（4）功率譜分布指數(shù)SQI4。將包含能量中心頻率的某一小段頻帶（5～15 Hz）的功率譜密度與整體心電信號集中頻段（5～40 Hz）的功率譜密度的比值定義為SQI4，表達(dá)式為：

式中：f為頻率；p(f)為信號在該頻率下的功率。

（5）基線偏移指數(shù)SQI5。將基線的頻率分布在0～1 Hz之間的功率譜密度與整個頻帶的功率譜密度比值定義為SQI5：

式中：f為頻率；p(f)為信號在該頻率下的功率。

（6）QRS波能量指數(shù)SQI6。心電信號中QRS波形的能量占比最高，通過計算QRS波形能量占總心電信號波形能量的比例，將QRS波形能量指數(shù)作為衡量ECG質(zhì)量等級的一個指標(biāo)，定義為指數(shù)SQI6，表達(dá)式為：

式中：Eri為一個QRS波群的能量；i為檢測的QRS波群；Ea為整個心電片段的總能量。

（7）RR間期穩(wěn)定指數(shù)SQI7。定義了RR間期穩(wěn)定指數(shù)SQI7，用來衡量ECG信號波形在周期內(nèi)的穩(wěn)定程度，表達(dá)式為：

式中：和分別為心電信號在RR間期內(nèi)的標(biāo)準(zhǔn)差和均值。RR間期越不穩(wěn)定，SQI7值越大時，信號質(zhì)量越差；反之，信號質(zhì)量越好。

（8）純度SQI8。信號的純度值SQI8越大，說明信號的含噪量越小，信號的質(zhì)量也就越好。定義SQI8為：

式中：wn表示n階譜矩。

將基于ECG波形特征和噪聲特征提取到的8個SQI指數(shù)作為對原始心電信號質(zhì)量的評判依據(jù)，然后利用SVM分類器對采集到的原始單導(dǎo)聯(lián)心電信號分別進行合格、可疑、較差3種不同質(zhì)量等級的分類。其中，質(zhì)量表現(xiàn)為合格的心電信號不需要進行去噪處理，質(zhì)量表現(xiàn)為可疑的心電信號需要進行下面的去噪處理，質(zhì)量表現(xiàn)為較差的心電信號直接舍棄不予處理。

1.2 ECG頻譜軌跡圖

本文提出了基于廣義S變換的時頻域分析算法，將一維ECG信號轉(zhuǎn)化為頻域上的二維ECG軌跡圖作為深度學(xué)習(xí)模型的輸入，從而進行特征自學(xué)習(xí)。

廣義S變換是在S變換的基礎(chǔ)上引入高斯函數(shù)作為窗函數(shù)，對于任意的一個平方可積的信號x(t)，得到廣義S變換的標(biāo)準(zhǔn)形式：

式中：f為頻率；τ為時移參數(shù)；λ和p分別為高斯函數(shù)窗口的高度和寬度，可以通過調(diào)節(jié)其大小獲得最佳的心電信號頻域特征狀態(tài)。

經(jīng)過廣義S變換后輸出為一個包含實部和虛部的復(fù)數(shù)矩陣，矩陣的每一列代表時間值，每一行代表頻率變換，即每列代表瞬時的時頻域特征。對矩陣中的每個數(shù)據(jù)進行處理，其中以每個數(shù)據(jù)的實部為橫坐標(biāo)、虛部為縱坐標(biāo)，繪制出每個時間點的ECG軌跡圖作為網(wǎng)絡(luò)層的輸入。

1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的深度遷移識別模型

卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、激活層、池化層、全連接層構(gòu)成。目前使用最為廣泛的CNN網(wǎng)絡(luò)模型主要包括AlexNet、VGG-Net、GoogLeNet等模型，模型結(jié)構(gòu)對比如表1所示。表1中“√”代表“有”，“×”代表“沒有”。

表1 常見的CNN模型對比

由表1可知，GoogleNet網(wǎng)絡(luò)擁有比VGGNet和AlexNet更深的網(wǎng)絡(luò)結(jié)構(gòu)，但是其參數(shù)量只有750萬個，相比于前兩個網(wǎng)絡(luò)結(jié)構(gòu)而言，GoogLeNet網(wǎng)絡(luò)在保證計算復(fù)雜度不高的同時又提高了準(zhǔn)確度，解決了當(dāng)下為了提高準(zhǔn)確率，不斷堆疊CNN卷積層，造成參數(shù)量過大、計算資源損耗嚴(yán)重等問題。

基于深度學(xué)習(xí)獲得的特征具有很強的遷移能力。本節(jié)構(gòu)建了基于GoogleNet網(wǎng)絡(luò)的深度遷移識別模型。基于心電信號的個體身份識別的訓(xùn)練過程可分為第一次遷移和第二次遷移兩個階段。

基于單導(dǎo)聯(lián)心電信號的第一次遷移識別學(xué)習(xí)對原始GoogLeNet模型中的Inception模塊進行優(yōu)化。如圖3所示，原始的Inception模塊采用5×5大卷積層的網(wǎng)絡(luò)結(jié)構(gòu)，將其換成兩個3×3的小卷積層，如圖4所示。改進后的GoogleNet網(wǎng)絡(luò)模型不僅減少了計算參數(shù)量，而且增加了網(wǎng)絡(luò)深度，從而提高了身份識別的準(zhǔn)確率，并將改進后的模型命名為GoogleNet-T1，用來完成第一次遷移學(xué)習(xí)訓(xùn)練。

圖3 原始Inception模塊

圖4 改進后的Inception模塊

第二次遷移訓(xùn)練采用凍結(jié)和微調(diào)的技術(shù)。首先將第一次遷移學(xué)習(xí)后的GoogleNet-T1網(wǎng)絡(luò)前9層凍結(jié)，用于提取樣本中的相同特征，保留后面的網(wǎng)絡(luò)層數(shù)，搭配微調(diào)技術(shù)，用于提取目標(biāo)領(lǐng)域樣本中的細(xì)節(jié)特征。另外為了防止過擬合現(xiàn)象發(fā)生，第9層、24層和30層的卷積層后都加上Dropout層，并將其命名為GoogleNet-T2，具體如圖5所示。

圖5 第二次遷移學(xué)習(xí)模型

通過凍結(jié)加微調(diào)部分網(wǎng)絡(luò)層操作的二次遷移學(xué)習(xí)模型，不僅減少了模型訓(xùn)練時間，而且實現(xiàn)了遷移學(xué)習(xí)過程中目標(biāo)領(lǐng)域?qū)υ搭I(lǐng)域模型的充分適應(yīng)。

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)集

2.1.1 ECG-ID心電數(shù)據(jù)集

該數(shù)據(jù)庫來源于年齡在13～75歲之間的90名健康個體，通過500 Hz的采樣頻率進行采集，共得到310條長度在20 s左右的ECG信號。本文利用該數(shù)據(jù)庫中90條心電信號作為身份識別實驗數(shù)據(jù)，并將其記為數(shù)據(jù)庫D1。

2.1.2 MIT-BIH心電數(shù)據(jù)集

作為常見的心電數(shù)據(jù)集之一，該數(shù)據(jù)庫共包含從47名受測者采集到的48組心電數(shù)據(jù)，每組數(shù)據(jù)信號的長度為30min。本文選取該數(shù)據(jù)庫中47名受測者的心電信號，作為實驗中質(zhì)量評估、身份識別的實驗數(shù)據(jù)，記為數(shù)據(jù)庫D2。

2.1.3 PhysioNet/Cinc Challenge 2017 training數(shù)據(jù)集

此數(shù)據(jù)集是由AliveCor公司提供的，并且該數(shù)據(jù)集共包含8 528組的數(shù)據(jù)均由單導(dǎo)聯(lián)心電采集裝備得到[9]。另外，訓(xùn)練集中的ECG心電數(shù)據(jù)均由300 Hz的采樣頻率采樣得到，長度在9～60 s之間。本文從該數(shù)據(jù)庫中分別引用100組正常心律、100組心房顫動以及50組含噪信號，共250組實驗數(shù)據(jù)用于本文中心電信號的預(yù)處理研究，記為數(shù)據(jù)庫D3。

2.2 質(zhì)量評估模型結(jié)果分析

2.2.1 性能指標(biāo)

為了從多角度分析本文提出的基于SVM的ECG質(zhì)量評估算法，本文引入準(zhǔn)確性（Accuracy，ACC）、特異性（Specificity，Sp）和靈敏度（Sensitive，Se）3項指標(biāo)來衡量模型性能。分別定義如下：

式中：TP、TN分別是正確預(yù)測的質(zhì)量為可接受和不可接受的ECG信號個數(shù)；FP、FN則分別為錯誤預(yù)測的質(zhì)量為可接受和不可接受的ECG信號個數(shù)。

2.2.2 訓(xùn)練模型

本節(jié)采用MIT-BIH數(shù)據(jù)庫D2對質(zhì)量評估模型進行訓(xùn)練，首先從數(shù)據(jù)庫D2中的47名受測者中截取到長度為10 s的干凈心電信號；其次利用文獻[10]中提出的信號加噪算法，給這些干凈的心電片段分別加上不同信噪比的真實心電信號噪聲，制造有噪聲的心電數(shù)據(jù)庫，并根據(jù)噪聲含量將心電信號的質(zhì)量等級分為合格、可疑、較差3種類型，如圖6所示，最終可以獲得47×3個心電信號片段。

圖6 MIT-BIH數(shù)據(jù)庫質(zhì)量評估效果

將141組心電數(shù)據(jù)集分成訓(xùn)練集93組和測試集48組，然后分別對訓(xùn)練集和測試集提取8個質(zhì)量指數(shù)特征量評估指數(shù)特征，作為SVM分類器的輸入對其質(zhì)量等級進行分類，實驗結(jié)果如表2 所示。

由表2可看出SQI7的識別準(zhǔn)確度最高，SQI6的表現(xiàn)最差。于是將特征表現(xiàn)較差的SQI6質(zhì)量評估指數(shù)剔除，最終確定7個質(zhì)量評估指數(shù)為SQI1（QRS波形清晰指數(shù)）、SQI2（偏度）、SQI3（峰度）、SQI4（功率譜分布指數(shù)）、SQI5（基線偏移指數(shù)）、SQI7（RR間期穩(wěn)定指數(shù)）、SQI8（純度）用于模型的特征輸入。

2.2.3 實驗結(jié)果

采用PhysioNet/Cinc Challenge 2017數(shù)據(jù)庫D3中250組不同質(zhì)量的ECG信號，結(jié)合上節(jié)中得到的7個質(zhì)量評估指數(shù)S={SQI1,SQI2,SQI3,SQI4,SQI5,SQI7,SQI8}，對訓(xùn)練好的質(zhì)量評估模型進行測試，運行結(jié)果如表3所示。

表3 PhysioNet/Cinc Challenge 2017數(shù)據(jù)集質(zhì)量評估結(jié)果

綜上分析，本文所研究的基于SVM的ECG質(zhì)量評估模型，結(jié)合選取7個質(zhì)量指數(shù)特征，在數(shù)據(jù)集總共有250組不同質(zhì)量心電信號的情況下，得到的合格心電信號數(shù)量為150組，可直接用于后續(xù)的識別模型和分類器的輸入；可疑信號為75組，將進行后續(xù)的消噪處理；較差的有25組，這些信號將直接剔除數(shù)據(jù)集。

對單導(dǎo)聯(lián)心電信號質(zhì)量評估之后，再利用基于軟閾值的小波變換去噪法對75組可疑心電信號進行消噪處理，去噪效果前后對比如圖7所示。

圖7 心電信號去噪前后對比

2.3 身份識別模型結(jié)果分析

2.3.1 實驗數(shù)據(jù)劃分

分別截取ECG-ID數(shù)據(jù)集D1和MIT-BIH數(shù)據(jù)集D2中500個樣本點作為實驗數(shù)據(jù)，將其經(jīng)過廣義S變換轉(zhuǎn)換成二維ECG軌跡作為深度遷移學(xué)習(xí)模型的輸入。其中，數(shù)據(jù)集D1作為第一次遷移學(xué)習(xí)模型的輸入，數(shù)據(jù)集D2作為第二次遷移學(xué)習(xí)模型的輸入，ECG軌跡如圖8所示。

圖8 ECG頻譜軌跡

兩次遷移學(xué)習(xí)模型的訓(xùn)練集和測試集樣本都按照8∶2的比例進行分配，具體如表4所示。

表4 實驗數(shù)據(jù)劃分

2.3.2 模型性能指標(biāo)

為了更全面地評估出識別模型的性能優(yōu)劣，本節(jié)提出了以下3個性能指標(biāo)。

（1）識別時間

識別時間（T/s）是指在進行識別任務(wù)中對一組未知數(shù)據(jù)從輸入到識別結(jié)束所花費的時間。

（2）等錯誤率

在識別任務(wù)中采用等錯誤率（Equal Error Rate，EER）可以很好地評估識別模型的性能，當(dāng)EER值越低時，說明該模型的性能較好，定義為：

式中：FAR為誤識率，代表識別過程中應(yīng)該拒絕通過，但是實際卻通過的概率大小；FRR為拒識率，代表應(yīng)該被允許通過，但是實際卻沒有通過識別的概率大小。

（3）識別準(zhǔn)確率

識別分類模型一般都是圍繞模型的準(zhǔn)確率進行的，定義ACC為：

2.3.3 實驗結(jié)果

基于以上提出的3種性能指標(biāo)，分別采用數(shù)據(jù)集D1和數(shù)據(jù)集D2對兩次遷移學(xué)習(xí)模型進行性能測試，實驗結(jié)果如圖9、圖10所示。

圖9 第一次遷移學(xué)習(xí)結(jié)果

圖10 第二次遷移學(xué)習(xí)結(jié)果

由圖9和圖10可以看出，第二次遷移學(xué)習(xí)后的EER明顯小于第一次遷移學(xué)習(xí)后的EER值。由此可知，第二次遷移學(xué)習(xí)相比于第一次遷移學(xué)習(xí)，在模型的性能上有很大的提升，這主要歸功于第二次遷移學(xué)習(xí)中本文對傳統(tǒng)GoogleNet模型的輸出層進行了優(yōu)化。此外，實驗結(jié)果表明，可以將訓(xùn)練好的第一次遷移學(xué)習(xí)模型作為第二次遷移學(xué)習(xí)訓(xùn)練過程中心電信號相同特征的提取器。

接著本文又分別利用兩個數(shù)據(jù)庫對模型的識別準(zhǔn)確率和識別過程所花費的時間進行了實驗測試，結(jié)果匯總?cè)绫?所示。

表5 識別實驗結(jié)果

由表5可看出，在訓(xùn)練集上，第一次遷移學(xué)習(xí)模型獲得了97.22%的識別準(zhǔn)確率和8.62 s的識別時間，而第二次遷移學(xué)習(xí)模型獲得了98.40%的識別準(zhǔn)確率，但是識別時間僅為4.36 s，相比于第一次遷移學(xué)習(xí)的時間縮短了將近一倍。

在測試集上，第一次遷移學(xué)習(xí)模型獲得了94.44%的準(zhǔn)確率和8.28 s的識別時間，第二次遷移學(xué)習(xí)模型獲得了97.87%的準(zhǔn)確率和僅3.16 s的識別時間。分析可知，經(jīng)過兩次遷移學(xué)習(xí)后的模型不僅準(zhǔn)確率有一定的提升，而且大大縮短了識別時間，這主要是因為第二次遷移學(xué)習(xí)模型將第一次遷移學(xué)習(xí)模型作為相同特征的特征提取器，只更新3層網(wǎng)絡(luò)用于提取心電信號的細(xì)節(jié)特征，這樣使得第二次遷移學(xué)習(xí)的識別時間大大縮短了。

為了更全面地測試出本文所提出模型的廣泛性和準(zhǔn)確性，將本文所提出的基于GoogleNet遷移學(xué)習(xí)模型與參考文獻中提出的其他網(wǎng)絡(luò)模型進行了對比分析，如表6所示。

表6 實驗結(jié)果對比分析

綜上可知，相比于其他文獻中提到的方法，本文所提出的基于GoogleNet遷移學(xué)習(xí)的ECG身份識別模型在識別準(zhǔn)確率上明顯高于其他方法，這主要歸功于在識別模型的設(shè)計上對GoogleNet網(wǎng)絡(luò)模型進行了兩次遷移學(xué)習(xí)過程。

3 結(jié)語

本文研究了基于單導(dǎo)聯(lián)心電信號的身份識別技術(shù)。圍繞低信噪比、噪聲干擾大的單導(dǎo)聯(lián)心電信號，并分別從心電信號的質(zhì)量評估模型、去噪處理、生成ECG軌跡圖和身份識別4個方面進行深入研究。本文提出的心電信號質(zhì)量評估算法能有效篩選出合格的ECG信號，從而降低了計算量，減少了資源損耗。本文還構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)的深度遷移識別模型，該模型在花費較短識別時間的同時，又保證了較高的識別準(zhǔn)確率，為金融、公安、安防等信息安全領(lǐng)域提供了一種魯棒性強、防偽能力高的生物識別新途徑。

然而，本文也存在一定的不足，一方面盡管本文所構(gòu)建的識別模型在兩個網(wǎng)絡(luò)數(shù)據(jù)庫中的大量樣本中，均取得了較高的識別準(zhǔn)確率，但是單單兩個網(wǎng)絡(luò)數(shù)據(jù)集的結(jié)果很難體現(xiàn)出模型強大的泛化能力，并且與經(jīng)過大量實測數(shù)據(jù)集訓(xùn)練過的模型相比，還存在一定的差距；另一方面應(yīng)該不斷深入研究優(yōu)化深度學(xué)習(xí)算法，不斷提高識別率，在適當(dāng)增加輸入層數(shù)量的同時，獲得更高的識別率。