基于多尺度特征选择融合残差网络的制造技术

本发明专利技术提出了一种基于多尺度特征选择融合残差网络的

【技术实现步骤摘要】
基于多尺度特征选择融合残差网络的ECG身份识别方法


[0001]本专利技术涉及
ECG
身份识别
，特别涉及一种基于多尺度特征选择融合残差网络的
ECG
身份识别方法
。

技术介绍

[0002]近年来，随着信息技术的快速发展和网络的普及，个人身份识别在多个领域得到了广泛应用
。
为了提高身份认证的安全性，当前已经存在将生物特征应用到身份认证领域的技术，目前基于
ECG
的生物特征认证方法通常包含四个过程：数据收集
、
预处理
、
特征提取和识别，特征提取阶段通常采用深度学习模型来进行，然而，目前的
ECG
身份识别技术随着网络体积越大，深度越深，网络模型参数量也越来越大，需要耗费的时间和成本也越来越高，这对于身份识别算法应用于较大的实际场景是不利的
。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一
。
为此，本专利技术提出一种基于多尺度特征选择融合残差网络的
ECG
身份识别方法，可以减少网络模型参数量，实现模型轻量化
。
[0004]第一方面，本专利技术实施例提供了一种基于多尺度特征选择融合残差网络的
ECG
身份识别方法，包括：
[0005]获取样本心电数据，对所述样本心电数据进行预处理得到固定长度心电数据，所述预处理包括小波去噪
、R
点定位r/>、
心拍分割及归一化；
[0006]将所述固定长度心电数据进行划分，得到训练集和测试集；
[0007]将所述训练集输入到预设的
ECG
身份识别网络模型进行训练，将所述测试集输入到训练后的所述
ECG
身份识别网络模型进行测试，根据测试结果确定最终的所述
ECG
身份识别网络模型，所述
ECG
身份识别网络模型包括基础卷积块，残差网络和多尺度特征选择融合模块，所述残差网络包括第一分组卷积块和第二分组卷积块；
[0008]获取待识别心电数据，将所述待识别心电数据输入完成训练的所述
ECG
身份识别网络模型；
[0009]将所述待识别心电数据输入到所述基础卷积块提取基础特征图，通过所述第一分组卷积块对所述基础特征图进行分组特征提取得到分组特征，将所述分组特征输入到所述多尺度特征选择融合模块进行特征融合得到融合特征，将所述融合特征输入到第二分组卷积块进行升维得到目标身份标签，根据所述目标身份标签确定身份识别结果
。
[0010]在本专利技术的一些实施例中，所述获取样本心电数据，对所述样本心电数据进行预处理得到固定长度心电数据，包括：
[0011]通过
Mallet
算法对所述样本心电数据进行小波分解，得到各层的第一小波系数；
[0012]将各层的所述第一小波系数输入到动态软阈值函数进行噪声系数舍弃处理得到第二小波系数；
[0013]根据所述第二小波系数进行小波重建，得到去噪心电数据；
[0014]对所述去噪心电数据进行采样频率归一化，得到重采样心电数据；
[0015]通过
Pan
‑
Tompkins
算法定位所述重采样心电数据中的
R
波顶点；
[0016]以
R
波顶点为基准点对所述重采样心电数据进行心拍分割；
[0017]利用
min
‑
max
标准化公式对进行心拍分割后的所述重采样心电数据进行归一化，得到所述固定长度心电数据
。
[0018]在本专利技术的一些实施例中，所述将各层的所述第一小波系数输入到动态软阈值函数进行噪声系数舍弃处理得到第二小波系数，包括：
[0019]分别将各层的所述第一小波系数与对应层预设的临界阈值进行对比，当所述第一小波系数大于或等于所述临界阈值，则将对应层的所述第一小波系数进行动态软阈值计算，得到所述第二小波系数；
[0020]其中，得到第二小波系数的计算公式为：
[0021]同时，当满足条件
|w
jk
|>T
j
时，
[0022]为所述第二小波系数，
w
jk
为所述第一小波系数，
T
j
为所述临界阈值，
j
为小波分解尺度，
λ
为通用阈值
。
[0023]在本专利技术的一些实施例中，所述通过
Pan
‑
Tompkins
算法定位所述重采样心电数据中的
R
波顶点，包括：
[0024]将所述重采样心电数据输入到带通滤波器进行信号过滤处理；
[0025]通过差分方程增强所述重采样心电数据中
QRS
波群的分量，得到差分信号；
[0026]对所述差分信号进行非线性运算得到积分信号；
[0027]当所述差分信号满足预设的第一信号阈值，且所述积分信号满足预设的第二信号阈值时，将所述
QRS
波群中的极大值确定为
R
波顶点
。
[0028]在本专利技术的一些实施例中，所述第一分组卷积块包括有多个卷积核，所述通过所述第一分组卷积块对所述基础特征图进行分组特征提取得到分组特征，包括：
[0029]将所述基础特征图平均分为多个基础子特征图，其中所述基础子特征图的个数与所述卷积核的个数相同；
[0030]每个所述卷积核分别对对应的所述基础子特征图进行卷积运算，得到多个分组特征图；
[0031]对多个所述分组特征图按照通道维度进行拼接；
[0032]通过通道重排函数对拼接后的所述分组特征图进行信息交融得到分组特征
。
[0033]在本专利技术的一些实施例中，将所述分组特征输入到所述多尺度特征选择融合模块进行特征融合得到融合特征，包括：
[0034]通过不同大小的三个卷积核对所述分组特征进行特征提取得到对应的三个特征向量，对三个特征向量进行元素求和得到第一特征；
[0035]通过全局平均池化层将全局信息嵌入到所述第一特征进行全局信息，得到信道统计量；
[0036]通过全连接层对所述信道统计量进行线性运算得到第二特征；
[0037]通过
softmax
激活函数对所述第二特征进行多分类处理得到三个特征注意力向量；
[0038]分别将三个所述特征注意力向量中的元素进行乘积得到对应的三个融合子特征；
[0039]对三个所述融合子特征进行元素求和得到所述融合特征；
[0040]其中，对三个特征向量进行元素求和得到第一特征的计算公式为：
U
＝
U1+U2+U3
，...

【技术保护点】

【技术特征摘要】
1.
一种基于多尺度特征选择融合残差网络的
ECG
身份识别方法，其特征在于，包括：获取样本心电数据，对所述样本心电数据进行预处理得到固定长度心电数据，所述预处理包括小波去噪
、R
点定位
、
心拍分割及归一化；将所述固定长度心电数据进行划分，得到训练集和测试集；将所述训练集输入到预设的
ECG
身份识别网络模型进行训练，将所述测试集输入到训练后的所述
ECG
身份识别网络模型进行测试，根据测试结果确定最终的所述
ECG
身份识别网络模型，所述
ECG
身份识别网络模型包括基础卷积块，残差网络和多尺度特征选择融合模块，所述残差网络包括第一分组卷积块和第二分组卷积块；获取待识别心电数据，将所述待识别心电数据输入完成训练的所述
ECG
身份识别网络模型；将所述待识别心电数据输入到所述基础卷积块提取基础特征图，通过所述第一分组卷积块对所述基础特征图进行分组特征提取得到分组特征，将所述分组特征输入到所述多尺度特征选择融合模块进行特征融合得到融合特征，将所述融合特征输入到第二分组卷积块进行升维得到目标身份标签，根据所述目标身份标签确定身份识别结果
。2.
根据权利要求1所述的基于多尺度特征选择融合残差网络的
ECG
身份识别方法，其特征在于，所述获取样本心电数据，对所述样本心电数据进行预处理得到固定长度心电数据，包括：通过
Mallet
算法对所述样本心电数据进行小波分解，得到各层的第一小波系数；将各层的所述第一小波系数输入到动态软阈值函数进行噪声系数舍弃处理得到第二小波系数；根据所述第二小波系数进行小波重建，得到去噪心电数据；对所述去噪心电数据进行采样频率归一化，得到重采样心电数据；通过
Pan
‑
Tompkins
算法定位所述重采样心电数据中的
R
波顶点；以
R
波顶点为基准点对所述重采样心电数据进行心拍分割；利用
min
‑
max
标准化公式对进行心拍分割后的所述重采样心电数据进行归一化，得到所述固定长度心电数据
。3.
根据权利要求2所述的基于多尺度特征选择融合残差网络的
ECG
身份识别方法，其特征在于，所述将各层的所述第一小波系数输入到动态软阈值函数进行噪声系数舍弃处理得到第二小波系数，包括：分别将各层的所述第一小波系数与对应层预设的临界阈值进行对比，当所述第一小波系数大于或等于所述临界阈值，则将对应层的所述第一小波系数进行动态软阈值计算，得到所述第二小波系数；其中，得到第二小波系数的计算公式为：同时，当满足条件
|w
jk
|
＞
T
j
时，时，为所述第二小波系数，
w
jk
为所述第一小波系数，
T
j
为所述临界阈值，
j
为小波分解尺度，
λ
为通用阈值
。4.
根据权利要求2所述的基于多尺度特征选择融合残差网络的
ECG
身份识别方法，其特征在于，所述通过
Pan
‑
Tompkins
算法定位所述重采样心电数据中的
R
波顶点，包括：将所述重采样心电数据输入到带通滤波器进行信号过滤处理；通过差分方程增强所述重采样心电数据中
QRS
波群的分量，得到差分信号；对所述差分信号进行非线性运算得到积分信号；当所述差分信号满足预设的第一信号阈值，且所述积分信号满足预设的第二信号阈值时，将所述
QRS
波群中的极大值确定为
R
波顶点
。5.
根据权利要求1所述的基于多尺度特征选择融合残差网络的
ECG
身份识别方法，其特征在于，所述第一分组卷积块包括有多个卷积核，所述通过所述第一分组卷积块对所述基础特征图进行分组特征提取得到分组特征，包括：将所述基础特征图平均分为多个基础子特征图，其中所述基础子特征图的个数与所述卷积核的个数相同；每个所述卷积核分别对对应的所述基础子特征图进行卷积运算，得到多个分组特征图；对多个所述分组特征图按照通道维度进行拼接；通过通道重排函数对拼接后的所述分组特征图进行信息交融得到分组特征
。6.
根据权利要求1所述的基于多尺度特征选择融合残差网络的
ECG
身份识别方法，其特征在于，将所述分组特征输入到所述多尺度特征选择融合模块进行特征融合得到融合特征，包括：通过不同大小的三个卷积核对所述分组特征进行特征提取得到对应的三个特征向量，对三个特征向量进行元素求和得到第一特征；通过全局平均池化层将全局信息嵌入到所述第一特征进行全局信息，得到信道统计量；通过全连接层对所述信道统计量进行线性运算得到第二特征；通过
softmax
激活函数对所述第二特征进行多分类处理得到三个特征注意力向量；分别将三个所述特征注意力向量中的元素进行乘积得到对应的三个融合子特征；对三个所述融合子特征进行元...

【专利技术属性】
技术研发人员：司玉娟，乔菱，张阳，易攀，武俊杰，
申请(专利权)人：珠海科技学院，
类型：发明
国别省市：