小波變換和支持向量機相融合的ECG身份識別

呂剛，陳立

1.金華廣播電視大學理工學院，浙江金華 321000

2.杭州電子科技大學，杭州 310018

小波變換和支持向量機相融合的ECG身份識別

呂剛1，陳立2

1.金華廣播電視大學理工學院，浙江金華 321000

2.杭州電子科技大學，杭州 310018

1 引言

ECG（Electrocardiography，ECG）是從人體體表采集的反映心臟跳動的電位信號，由于人體的生理條件差異使得ECG具有許多個體特征。相較指紋、語音、掌紋等，ECG是一種活體生物信號，具備易檢測、難復制的特點，可以較好滿足身份識別的唯一性、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的身份識別實際上是模式識別的二分類問題，主要包括ECG特征提取和身份分類器構建兩個關鍵內容[3]。ECG信號十分微弱，信噪比小，能量集中在5～45 Hz，采集過程中易受到基線漂移、肌電干擾和50 Hz工頻干擾等，導致ECG信號常常淹沒于噪聲中，會影響到后繼ECG特征提取和分類器建立，因此，ECG信號降噪處理至關重要[4-5]。目前大多數采用小波變換對ECG信號進行降噪處理，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。當前ECG的身份分類器主要采用神經網絡、支持向量機進行設計，ECG信號數據是一種小樣本數據，因此，神經網絡常出現“過擬合”缺陷[10]。支持向量機（Support Vector Machine，SVM）是一種專門針對小樣本、高維的機器學習算法，解決了神經網絡的不足，常用于建立ECG身份分類器，因此本研究選擇SVM構建ECG身份分類器[11]。

為了提高ECG身份識別的正確率，提出一種小波變換和SVM相融合的ECG身份識別方法（IWT-ABC-SVM）。首先采用改進小波閾值方法對ECG信號進行預處理，提取相應的特征，然后將特征輸入到SVM進行學習，并采用人工蜂群（Artificial Bee Colony，ABC）算法優化SVM參數，建立ECG識別模型，最后采用MIT-BIH心電圖數據庫進行仿真實驗，驗證IWT-ABC-SVM的ECG身份識別性能。

2 提取ECG信號特征

2.1 改進的小波函數

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

式中，σ為噪聲水平。

對于含有噪聲的ECG數據，采用小波變換對s(t)進行處理，幅值比較大的小波系數與f(t)對應，幅值較小的系數與e(t)對應，則可以選擇一個合適的臨界閾值λ，若系數小于λ，則表示其由噪聲引起的，應該刪除該系數，從而保留小波系數[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，其閾值函數為：

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

根據式（2）可知，該閾值函數是連續的，而且當|ωj,k|≥λ時該函數高階可導，對應函數為：

2.2 ECG信號噪聲的消除過程

（1）采用小波變換對ECG信號進行多尺度分解。

（2）采用新閾值法對多尺度小波系數進行濾波，消除ECG信號中的噪聲。

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

圖1 ECG信號中的去噪聲流程

2.3 ECG信號特征提取

首先采用小波對ECG信號進行多尺度小波分解，然后對QRS波特征點進行提取，最后以R波峰值點為關鍵，以R波峰值點為基準，提取P波和T波的特征點，特征提取具體流程如圖2所示。

圖2 ECG信號特征提取

3 ECG身份識別的分類器設計

提取到ECG信號特征后，需要將這些特征輸入到分類算法中進行學習，建立ECG信號的身份識別模型，由于SVM具有較強的非線性分類能力，且在小樣本條件下具有優異的泛化能力，本研究采用SVM構建ECG的身份識別分類器。

根據結構化最小化的原則，SVM分類目標就是找到一個最優超平面，該最優超平面的描述為：

式中，ω和b分別為權值和偏移向量[13]。

找到最優超平面就是要對ω和b進行求解，引入非負的松弛因子將其轉變成二次優化問題，即有：

引入Lagrange乘子將式（5）轉化為對偶問題進行求解，則變為：

式中，αi表示Lagrange乘子。

對式（6）進行求解得到αi值，那么，ω計算公式為：

最后，SVM分類函數為：

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

（1）確定人工蜂群的群體數量，確定偵查蜂占群體數量的比例。

（2）開始時刻，所有蜜蜂均成為偵查蜂，在給定范圍內隨機確定B個蜜源，即隨機選擇B個（C，γ）的組合參數。

（3）計算這B個蜜源的品質。對于蜜源品質低的情況，偵查蜂可以繼續作為偵查蜂繼續搜索蜜源，也可以作為跟隨蜂去較高品質的蜜源進行采蜜；根據蜜源品質，跟隨蜂按照一定的比例跟隨到各個蜜源進行采蜜。

（4）跟隨蜂到達各個蜜源后，在蜜源附近的連續區域進行采蜜，以確定在這一蜜源的最優品質點。

（5）蜂群回到蜂巢后，計算各個蜜源的品質，重新分配各個蜜源的采蜜蜂數量。

（6）重復上述步驟，最終得到最優的蜜源點，即得到最優的SVM參數（C，γ）。

4 仿真實驗

4.1 數據來源

數據來源于MIT-BIH心電圖數據庫，共有30個人，其中21個為正常心電圖，9個為不正常心電圖，隨機選20個作為訓練數據，其余作為測試數據，仿真實驗在AMD Athlon II X4 631 2.7 GHz CPU，RAM 2 GB，Windows 2000的操作系統，Matlab 2012的平臺上實現。

圖4 ECG信號的小波分解

4.2 ECG信號的去噪效果

利用小波變換閾值法對一段含噪的心電信號進行處理，該信號取自MIT-BIH中的103號信號，如圖3所示。從圖3中可以看出，該信號不夠平滑，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

選取sym8小波進行8層分解，分解后的低頻、高頻細節圖如圖4所示。

對圖4的ECG信號小波分解結果進行分析可知，心電信號低頻部分的主要能量集中在第1～5層上，如果進行更大的尺度分解，心電信號則出現較大幅度衰減，因此對于6尺度（含6尺度）以上的分解系數直接置零，即可消除基線漂移。高頻信號主要包括心電信號的峰信號、50 Hz的工頻干擾以及來自肌體動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，它與心電信號的頻帶相重疊，因此，可以采用閾值法對50 Hz對應的小波系數進行抑制，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1～3尺度上的小波系數進行大幅度的衰減即可達到消除高頻噪聲的目的，分別采用三種閾值法對圖3中的ECG信號進行去噪，結果如圖5所示。對圖5進行對比分析，可以得到如下結論：

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

（2）經過硬閾值法去噪處理后，ECG信號光滑性較差，在噪聲水平較高的地方出現明顯震蕩。

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

圖5 各種去噪法的結果對比

三種去噪效果方法的信噪比（SNR）、均方根誤差（RMSE）見表1。根據表1可知，相對于軟、硬閾值方法，改進小波閾值方法的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，對比結果表明，采用改進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比

4.3 身份識別結果對比

為了使IWT-ABC-SVM的ECG身份識別結果具有說服力，采用原始ECG信號+SVM方法（SVM），小波軟閾值+ SVM方法（WT-SVM1），小波硬閾值+SVM方法（WT-SVM2），改進小波去噪+網格算法優化SVM[15]方法（IWT-SVM）進行對比實驗，它們的SVM（C，γ）參數具體見表2，IWT-ABC-SVM與對比方法的識別結果見表3。

表2 各種方法的SVM參數

表3 各種方法的ECG信號身份識別結果對比

對表3的結果進行分析，可以得到如下結論：

（1）在所有識別方法中，SVM的識別正確率最低，這主要是由于采集的ECG信號含有大量噪聲，這些噪聲數據對身份識別產生了不利影響，這表明消除噪聲有利于提高身份識別正確率。

（2）相對于WT-SVM1、WT-SVM2，IWT-SVM的身份識別正確率分別提高了4.72%和3.15%，這表明傳統小波軟、硬閾值方法存在不同程度的缺陷，不能有效、準確消除噪聲，而改進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信號特征提取，進一步提高了身份識別正確率。

（3）在所有方法中，IWT-ABC-SVM的身份識別正確率最高，減少了個體識別時間，對比結果表明采用改進小波閾值法對ECG信號進行去噪，更加有利于ECG特征提取，同時采用ABC算法可以獲得更優的SVM參數，建立更優的身份識別模型，從而提高了身份識別正確率和效率，實現了快速、準確的ECG身份識別。

5 結束語

針對ECG信號的信噪比低、小樣本等特點，結合小波變換和SVM優點，提出一種基于IWT-ABC-SVM的ECG身份識別方法。實驗結果表明，IWT-ABC-SVM不僅有效消除了ECG信號中的噪聲，而且提高了身份識別正確率和效率，是一種快速、正確率高的心電圖身份識別方法。

[1]汪莉.基于ECG信號的身份識別技術研究[D].濟南：山東大學，2005.

[2]李巍巍，成謝鋒.應用主成分分析法的ECG身份識別方法[J].蘇州科技學院學報：自然科學版，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的信號去噪[J].西北師范大學學報：自然科學版，2010，46（1）：51-54.

[7]高清維，李海鷹，莊鎮泉，等.基于平穩小波變換的心電信號噪聲消除方法[J].電子學報，2003，32（2）：235-240.

[8]萬相奎，徐杜.自適應閾值小波濾波及其在ECG消噪中的應用[J].計算機工程與應用，2008，44（18）：139-140.

[9]張愛華，孔令杰.應用小波包變換和主成分分析識別亞健康狀態[J].計算機工程與應用，2011，47（26）：238-241.

[10]師黎，朱民杰.基于遺傳算法優化BP神經網絡在心電圖身份識別中的應用[J].中國組織工程研究與臨床康復，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參數優化及應用[J].光電子·激光，2012，23（2）：374-398.

[12]田絮資，楊建，黃力宇.心電信號去噪的數學形態學濾波器[J].計算機工程與應用，2012，48（2）：124-126.

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

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

[15]李兵，姚全珠，羅作民，等.基于網格模式搜索的支持向量機模型選擇[J].計算機工程與應用，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）信號的身份識別正確率，提出一種小波變換和支持向量機相融合的ECG身份識別方法（IWT-ABC-SVM）。采用一種小波閾值函數對ECG進行去噪處理，提取ECG特征，將ECG特征輸入到支持向量機中進行學習，采用人工蜂群算法優化支持向量機參數，建立ECG的身份識別模型，采用MIT-BIH心電圖數據進行仿真測試。仿真結果表明，相對于其他識別方法，IWT-ABC-SVM提高了ECG身份識別的正確率和可靠性。

心電圖信號；身份識別；小波去噪；人工蜂群算法；支持向量機

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，研究方向為圖像處理，模式識別，神經網絡；陳立（1964—），男，博士，副教授，研究方向為圖像處理。

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