小波变换和支持向量机相融合的ECG身份识别

吕刚，陈立

1.金华广播电视大学理工学院，浙江金华 321000

2.杭州电子科技大学，杭州 310018

小波变换和支持向量机相融合的ECG身份识别

吕刚1，陈立2

1.金华广播电视大学理工学院，浙江金华 321000

2.杭州电子科技大学，杭州 310018

1 引言

ECG（Electrocardiography，ECG）是从人体体表采集的反映心脏跳动的电位信号，由于人体的生理条件差异使得ECG具有许多个体特征。相较指纹、语音、掌纹等，ECG是一种活体生物信号，具备易检测、难复制的特点，可以较好满足身份识别的唯一性、普通性、可采集性和不变性等条件，成为信息安全中的重要研究方向[1-2]。

基于ECG的身份识别实际上是模式识别的二分类问题，主要包括ECG特征提取和身份分类器构建两个关键内容[3]。ECG信号十分微弱，信噪比小，能量集中在5～45 Hz，采集过程中易受到基线漂移、肌电干扰和50 Hz工频干扰等，导致ECG信号常常淹没于噪声中，会影响到后继ECG特征提取和分类器建立，因此，ECG信号降噪处理至关重要[4-5]。目前大多数采用小波变换对ECG信号进行降噪处理，其中Donoho的软阈值和硬阈值方法最为常用[6-9]，但在强噪声背景下，软阈值法易破坏心电弱特征成分的几何特征，硬阈值消噪能力差。当前ECG的身份分类器主要采用神经网络、支持向量机进行设计，ECG信号数据是一种小样本数据，因此，神经网络常出现“过拟合”缺陷[10]。支持向量机（Support Vector Machine，SVM）是一种专门针对小样本、高维的机器学习算法，解决了神经网络的不足，常用于建立ECG身份分类器，因此本研究选择SVM构建ECG身份分类器[11]。

为了提高ECG身份识别的正确率，提出一种小波变换和SVM相融合的ECG身份识别方法（IWT-ABC-SVM）。首先采用改进小波阈值方法对ECG信号进行预处理，提取相应的特征，然后将特征输入到SVM进行学习，并采用人工蜂群（Artificial Bee Colony，ABC）算法优化SVM参数，建立ECG识别模型，最后采用MIT-BIH心电图数据库进行仿真实验，验证IWT-ABC-SVM的ECG身份识别性能。

2 提取ECG信号特征

2.1 改进的小波函数

设f(t)为有效ECG信号，工频、肌电基线漂移等对ECG信号采集过程产生干扰，噪声为e(t)，那么含噪声的ECG信号可以描述为：

式中，σ为噪声水平。

对于含有噪声的ECG数据，采用小波变换对s(t)进行处理，幅值比较大的小波系数与f(t)对应，幅值较小的系数与e(t)对应，则可以选择一个合适的临界阈值λ，若系数小于λ，则表示其由噪声引起的，应该删除该系数，从而保留小波系数[12]。为了克服软、硬阈值方法的缺陷，本研究提出一种新的阈值方法，其阈值函数为：

式中，N为正常数，ωj,k表示小波包系数的大小，是施加阈值后的小波包系数的大小。

根据式（2）可知，该阈值函数是连续的，而且当|ωj,k|≥λ时该函数高阶可导，对应函数为：

2.2 ECG信号噪声的消除过程

（1）采用小波变换对ECG信号进行多尺度分解。

（2）采用新阈值法对多尺度小波系数进行滤波，消除ECG信号中的噪声。

（3）用保留下来的小波系数重构ECG信号，得到不含噪声的ECG信号。具体流程如图1所示。

图1 ECG信号中的去噪声流程

2.3 ECG信号特征提取

首先采用小波对ECG信号进行多尺度小波分解，然后对QRS波特征点进行提取，最后以R波峰值点为关键，以R波峰值点为基准，提取P波和T波的特征点，特征提取具体流程如图2所示。

图2 ECG信号特征提取

3 ECG身份识别的分类器设计

提取到ECG信号特征后，需要将这些特征输入到分类算法中进行学习，建立ECG信号的身份识别模型，由于SVM具有较强的非线性分类能力，且在小样本条件下具有优异的泛化能力，本研究采用SVM构建ECG的身份识别分类器。

根据结构化最小化的原则，SVM分类目标就是找到一个最优超平面，该最优超平面的描述为：

式中，ω和b分别为权值和偏移向量[13]。

找到最优超平面就是要对ω和b进行求解，引入非负的松弛因子将其转变成二次优化问题，即有：

引入Lagrange乘子将式（5）转化为对偶问题进行求解，则变为：

式中，αi表示Lagrange乘子。

对式（6）进行求解得到αi值，那么，ω计算公式为：

最后，SVM分类函数为：

由于RBF核函数待优化参数少（只有核函数宽度γ），因此选择其作为SVM的核类函数，通过上述方式建立基于SVM的ECG的身份分类器，分类器性能与参数C和γ密切相关，因此本文采用人工蜂群算法（ABC）[14]优化参数C和γ，以提高ECG身份识别的正确率，具体步骤如下：

（1）确定人工蜂群的群体数量，确定侦查蜂占群体数量的比例。

（2）开始时刻，所有蜜蜂均成为侦查蜂，在给定范围内随机确定B个蜜源，即随机选择B个（C，γ）的组合参数。

（3）计算这B个蜜源的品质。对于蜜源品质低的情况，侦查蜂可以继续作为侦查蜂继续搜索蜜源，也可以作为跟随蜂去较高品质的蜜源进行采蜜；根据蜜源品质，跟随蜂按照一定的比例跟随到各个蜜源进行采蜜。

（4）跟随蜂到达各个蜜源后，在蜜源附近的连续区域进行采蜜，以确定在这一蜜源的最优品质点。

（5）蜂群回到蜂巢后，计算各个蜜源的品质，重新分配各个蜜源的采蜜蜂数量。

（6）重复上述步骤，最终得到最优的蜜源点，即得到最优的SVM参数（C，γ）。

4 仿真实验

4.1 数据来源

数据来源于MIT-BIH心电图数据库，共有30个人，其中21个为正常心电图，9个为不正常心电图，随机选20个作为训练数据，其余作为测试数据，仿真实验在AMD Athlon II X4 631 2.7 GHz CPU，RAM 2 GB，Windows 2000的操作系统，Matlab 2012的平台上实现。

图4 ECG信号的小波分解

4.2 ECG信号的去噪效果

利用小波变换阈值法对一段含噪的心电信号进行处理，该信号取自MIT-BIH中的103号信号，如图3所示。从图3中可以看出，该信号不够平滑，尤其在P、S和T段含有大量高频噪声，这将直接影响波形特征的提取。

图3 原始ECG信号

选取sym8小波进行8层分解，分解后的低频、高频细节图如图4所示。

对图4的ECG信号小波分解结果进行分析可知，心电信号低频部分的主要能量集中在第1～5层上，如果进行更大的尺度分解，心电信号则出现较大幅度衰减，因此对于6尺度（含6尺度）以上的分解系数直接置零，即可消除基线漂移。高频信号主要包括心电信号的峰信号、50 Hz的工频干扰以及来自肌体动作等引起的肌电干扰等。工频干扰主要由50 Hz及其谐波组成，它与心电信号的频带相重叠，因此，可以采用阈值法对50 Hz对应的小波系数进行抑制，从而消除噪声。肌电干扰的频率分布范围虽广，但主要分布在低尺度上，因此对1～3尺度上的小波系数进行大幅度的衰减即可达到消除高频噪声的目的，分别采用三种阈值法对图3中的ECG信号进行去噪，结果如图5所示。对图5进行对比分析，可以得到如下结论：

（1）采用软阈值法去噪的重构ECG信号比较光滑，但是损失了大量有用信息，波形的边缘出现了严重失真。

（2）经过硬阈值法去噪处理后，ECG信号光滑性较差，在噪声水平较高的地方出现明显震荡。

（3）改进小波阈值法对ECG信号去噪，较好地保持了EEG信号的几何特征，有效地抑制了噪声，而且重构后的信号很光滑，便于后继ECG信号特征的提取。

图5 各种去噪法的结果对比

三种去噪效果方法的信噪比（SNR）、均方根误差（RMSE）见表1。根据表1可知，相对于软、硬阈值方法，改进小波阈值方法的SNR分别提高了0.751 2和1.201 7，并且RMSE分别降低了0.001 8和0.003 3，对比结果表明，采用改进阈值去噪法可以取得更好的ECG去噪效果。

表1 三种去噪方法的去噪效果对比

4.3 身份识别结果对比

为了使IWT-ABC-SVM的ECG身份识别结果具有说服力，采用原始ECG信号+SVM方法（SVM），小波软阈值+ SVM方法（WT-SVM1），小波硬阈值+SVM方法（WT-SVM2），改进小波去噪+网格算法优化SVM[15]方法（IWT-SVM）进行对比实验，它们的SVM（C，γ）参数具体见表2，IWT-ABC-SVM与对比方法的识别结果见表3。

表2 各种方法的SVM参数

表3 各种方法的ECG信号身份识别结果对比

对表3的结果进行分析，可以得到如下结论：

（1）在所有识别方法中，SVM的识别正确率最低，这主要是由于采集的ECG信号含有大量噪声，这些噪声数据对身份识别产生了不利影响，这表明消除噪声有利于提高身份识别正确率。

（2）相对于WT-SVM1、WT-SVM2，IWT-SVM的身份识别正确率分别提高了4.72%和3.15%，这表明传统小波软、硬阈值方法存在不同程度的缺陷，不能有效、准确消除噪声，而改进小波阈值法较好地克服它们存在的缺陷，获得了更好地去噪效果，有利后继ECG信号特征提取，进一步提高了身份识别正确率。

（3）在所有方法中，IWT-ABC-SVM的身份识别正确率最高，减少了个体识别时间，对比结果表明采用改进小波阈值法对ECG信号进行去噪，更加有利于ECG特征提取，同时采用ABC算法可以获得更优的SVM参数，建立更优的身份识别模型，从而提高了身份识别正确率和效率，实现了快速、准确的ECG身份识别。

5 结束语

针对ECG信号的信噪比低、小样本等特点，结合小波变换和SVM优点，提出一种基于IWT-ABC-SVM的ECG身份识别方法。实验结果表明，IWT-ABC-SVM不仅有效消除了ECG信号中的噪声，而且提高了身份识别正确率和效率，是一种快速、正确率高的心电图身份识别方法。

[1]汪莉.基于ECG信号的身份识别技术研究[D].济南：山东大学，2005.

[2]李巍巍，成谢锋.应用主成分分析法的ECG身份识别方法[J].苏州科技学院学报：自然科学版，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]缑新科，郭天圣.基于一种新型小波阈值函数的信号去噪[J].西北师范大学学报：自然科学版，2010，46（1）：51-54.

[7]高清维，李海鹰，庄镇泉，等.基于平稳小波变换的心电信号噪声消除方法[J].电子学报，2003，32（2）：235-240.

[8]万相奎，徐杜.自适应阈值小波滤波及其在ECG消噪中的应用[J].计算机工程与应用，2008，44（18）：139-140.

[9]张爱华，孔令杰.应用小波包变换和主成分分析识别亚健康状态[J].计算机工程与应用，2011，47（26）：238-241.

[10]师黎，朱民杰.基于遗传算法优化BP神经网络在心电图身份识别中的应用[J].中国组织工程研究与临床康复，2010，14（43）：8069-8072.

[11]于明，艾月乔.基于人工蜂群算法的支持向量机参数优化及应用[J].光电子·激光，2012，23（2）：374-398.

[12]田絮资，杨建，黄力宇.心电信号去噪的数学形态学滤波器[J].计算机工程与应用，2012，48（2）：124-126.

[13]师黎，杨岑玉，费敏瑞.基于小波变换的心电信号R波及ST段提取[J].仪器仪表学报，2008，29（4）：804-809.

[14]马苗.人工蜂群算法在图像分割中的应用研究[J].计算机工程与应用，2012，48（8）：194-196.

[15]李兵，姚全珠，罗作民，等.基于网格模式搜索的支持向量机模型选择[J].计算机工程与应用，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）

为了提高心电图（ECG）信号的身份识别正确率，提出一种小波变换和支持向量机相融合的ECG身份识别方法（IWT-ABC-SVM）。采用一种小波阈值函数对ECG进行去噪处理，提取ECG特征，将ECG特征输入到支持向量机中进行学习，采用人工蜂群算法优化支持向量机参数，建立ECG的身份识别模型，采用MIT-BIH心电图数据进行仿真测试。仿真结果表明，相对于其他识别方法，IWT-ABC-SVM提高了ECG身份识别的正确率和可靠性。

心电图信号；身份识别；小波去噪；人工蜂群算法；支持向量机

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.

吕刚（1978—），讲师，研究方向为图像处理，模式识别，神经网络；陈立（1964—），男，博士，副教授，研究方向为图像处理。

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