基于單導聯的心電信號身份識別技術

王雪婷，張燁菲，張顯飛，趙治棟

（杭州電子科技大學，浙江 杭州 310018）

0 引言

物聯網和人工智能技術的飛速發展，為高安全性、高隱私性的新型識別技術提供了必要的技術支持。生物特征識別技術（Biometric Identification Technology，BIT）是利用個體生物特征進行身份識別認證的技術，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提高了個人或者企業信息的安全性，但是同樣存在一定的安全隱患問題，例如AI換臉技術、假指紋、指紋信息還原技術等增加了個人信息被盜的風險，對信息安全系統帶來了較大的威脅。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。

隨著國內外研究學者在生物特征識別技術領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的研究熱點，被很多國內外學者認為是最具高安全性潛力的生物識別技術[1]。

2001年，Biel等人[2]首次提出了將ECG信號的基準點信息作為特征提取實現個體的身份識別。在此之后，得益于深度學習技術的飛速發展，2017年，Zhang等人[3]提出了一種基于卷積神經網絡（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]提出了從單導聯或多導聯的心電信號中，提取一組含有m個QRS復合波的特征信息作為CNN網絡層輸入，獲得了95%的識別率。2019年，Hou等人[5]聯合長短期記憶神經網絡（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確率達到了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。

深度學習依靠其自身強大的特征自學習能力，在對心電波形質量要求相對不高的情況下，仍然能夠保證較高的識別準確率，更適用于實驗數據量較大的情況。

本文針對噪聲干擾較大的單導聯心電信號的身份識別技術展開研究，分別從心電信號的質量評估、信號去噪、生成ECG軌跡圖、基于卷積神經網絡的身份識別模型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聯心電信號進行質量評估，對質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變換對質量評估合格的一維ECG信號進行時頻域分析，將其轉換為二維的ECG軌跡圖片作為網絡層的輸入；最后提出基于卷積神經網絡的深度遷移識別算法，對ECG軌跡圖進行特征自學習，實現基于心電信號個體身份識別。

1 模型構建

1.1 質量評估模型

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量等級的質量評估指數（Signal Quality Index，SQI）作為評價標準；其次依據這些SQI對心電數據集進行質量指數特征提取；最后利用訓練好的SVM模型對測試集進行不同質量等級的分類。質量評估算法的具體流程如 圖2所示。

圖2 質量評估算法流程

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

（1）QRS波形清晰指數SQI1。當一段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Ne和Nw。將SQI1定義為兩者檢測出的心拍個數的比值，表達式為：

（2）偏度SQI2。當心電信號含噪較多，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的標準差；N為心電信號的采樣點數。

（3）峰度SQI3。含噪越多的信號波形形態表現越不穩定，極端值出現的概率也就越大，對應的峰度也就越大。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波形能量指數作為衡量ECG質量等級的一個指標，定義為指數SQI6，表達式為：

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間期穩定指數SQI7。定義了RR間期穩定指數SQI7，用來衡量ECG信號波形在周期內的穩定程度，表達式為：

式中：和分別為心電信號在RR間期內的標準差和均值。RR間期越不穩定，SQI7值越大時，信號質量越差；反之，信號質量越好。

（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指數作為對原始心電信號質量的評判依據，然后利用SVM分類器對采集到的原始單導聯心電信號分別進行合格、可疑、較差3種不同質量等級的分類。其中，質量表現為合格的心電信號不需要進行去噪處理，質量表現為可疑的心電信號需要進行下面的去噪處理，質量表現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信號轉化為頻域上的二維ECG軌跡圖作為深度學習模型的輸入，從而進行特征自學習。

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

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

經過廣義S變換后輸出為一個包含實部和虛部的復數矩陣，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。對矩陣中的每個數據進行處理，其中以每個數據的實部為橫坐標、虛部為縱坐標，繪制出每個時間點的ECG軌跡圖作為網絡層的輸入。

1.3 基于卷積神經網絡的深度遷移識別模型

卷積神經網絡主要由輸入層、卷積層、激活層、池化層、全連接層構成。目前使用最為廣泛的CNN網絡模型主要包括AlexNet、VGG-Net、GoogLeNet等模型，模型結構對比如表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網絡擁有比VGGNet和AlexNet更深的網絡結構，但是其參數量只有750萬個，相比于前兩個網絡結構而言，GoogLeNet網絡在保證計算復雜度不高的同時又提高了準確度，解決了當下為了提高準確率，不斷堆疊CNN卷積層，造成參數量過大、計算資源損耗嚴重等問題。

基于深度學習獲得的特征具有很強的遷移能力。本節構建了基于GoogleNet網絡的深度遷移識別模型。基于心電信號的個體身份識別的訓練過程可分為第一次遷移和第二次遷移兩個階段。

基于單導聯心電信號的第一次遷移識別學習對原始GoogLeNet模型中的Inception模塊進行優化。如圖3所示，原始的Inception模塊采用5×5大卷積層的網絡結構，將其換成兩個3×3的小卷積層，如圖4所示。改進后的GoogleNet網絡模型不僅減少了計算參數量，而且增加了網絡深度，從而提高了身份識別的準確率，并將改進后的模型命名為GoogleNet-T1，用來完成第一次遷移學習訓練。

圖3 原始Inception模塊

圖4 改進后的Inception模塊

第二次遷移訓練采用凍結和微調的技術。首先將第一次遷移學習后的GoogleNet-T1網絡前9層凍結，用于提取樣本中的相同特征，保留后面的網絡層數，搭配微調技術，用于提取目標領域樣本中的細節特征。另外為了防止過擬合現象發生，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 第二次遷移學習模型

通過凍結加微調部分網絡層操作的二次遷移學習模型，不僅減少了模型訓練時間，而且實現了遷移學習過程中目標領域對源領域模型的充分適應。

2 實驗結果與分析

2.1 實驗數據集

2.1.1 ECG-ID心電數據集

該數據庫來源于年齡在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。本文利用該數據庫中90條心電信號作為身份識別實驗數據，并將其記為數據庫D1。

2.1.2 MIT-BIH心電數據集

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

2.1.3 PhysioNet/Cinc Challenge 2017 training數據集

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

2.2 質量評估模型結果分析

2.2.1 性能指標

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

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

2.2.2 訓練模型

本節采用MIT-BIH數據庫D2對質量評估模型進行訓練，首先從數據庫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據庫，并根據噪聲含量將心電信號的質量等級分為合格、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數據庫質量評估效果

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

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

2.2.3 實驗結果

采用PhysioNet/Cinc Challenge 2017數據庫D3中250組不同質量的ECG信號，結合上節中得到的7個質量評估指數S={SQI1,SQI2,SQI3,SQI4,SQI5,SQI7,SQI8}，對訓練好的質量評估模型進行測試，運行結果如表3所示。

表3 PhysioNet/Cinc Challenge 2017數據集質量評估結果

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

對單導聯心電信號質量評估之后，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 身份識別模型結果分析

2.3.1 實驗數據劃分

分別截取ECG-ID數據集D1和MIT-BIH數據集D2中500個樣本點作為實驗數據，將其經過廣義S變換轉換成二維ECG軌跡作為深度遷移學習模型的輸入。其中，數據集D1作為第一次遷移學習模型的輸入，數據集D2作為第二次遷移學習模型的輸入，ECG軌跡如圖8所示。

圖8 ECG頻譜軌跡

兩次遷移學習模型的訓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 實驗數據劃分

2.3.2 模型性能指標

為了更全面地評估出識別模型的性能優劣，本節提出了以下3個性能指標。

（1）識別時間

識別時間（T/s）是指在進行識別任務中對一組未知數據從輸入到識別結束所花費的時間。

（2）等錯誤率

在識別任務中采用等錯誤率（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）識別準確率

識別分類模型一般都是圍繞模型的準確率進行的，定義ACC為：

2.3.3 實驗結果

基于以上提出的3種性能指標，分別采用數據集D1和數據集D2對兩次遷移學習模型進行性能測試，實驗結果如圖9、圖10所示。

圖9 第一次遷移學習結果

圖10 第二次遷移學習結果

由圖9和圖10可以看出，第二次遷移學習后的EER明顯小于第一次遷移學習后的EER值。由此可知，第二次遷移學習相比于第一次遷移學習，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習中本文對傳統GoogleNet模型的輸出層進行了優化。此外，實驗結果表明，可以將訓練好的第一次遷移學習模型作為第二次遷移學習訓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據庫對模型的識別準確率和識別過程所花費的時間進行了實驗測試，結果匯總如表5所示。

表5 識別實驗結果

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

在測試集上，第一次遷移學習模型獲得了94.44%的準確率和8.28 s的識別時間，第二次遷移學習模型獲得了97.87%的準確率和僅3.16 s的識別時間。分析可知，經過兩次遷移學習后的模型不僅準確率有一定的提升，而且大大縮短了識別時間，這主要是因為第二次遷移學習模型將第一次遷移學習模型作為相同特征的特征提取器，只更新3層網絡用于提取心電信號的細節特征，這樣使得第二次遷移學習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確性，將本文所提出的基于GoogleNet遷移學習模型與參考文獻中提出的其他網絡模型進行了對比分析，如表6所示。

表6 實驗結果對比分析

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遷移學習的ECG身份識別模型在識別準確率上明顯高于其他方法，這主要歸功于在識別模型的設計上對GoogleNet網絡模型進行了兩次遷移學習過程。

3 結語

本文研究了基于單導聯心電信號的身份識別技術。圍繞低信噪比、噪聲干擾大的單導聯心電信號，并分別從心電信號的質量評估模型、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。本文還構建了基于卷積神經網絡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確率，為金融、公安、安防等信息安全領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建的識別模型在兩個網絡數據庫中的大量樣本中，均取得了較高的識別準確率，但是單單兩個網絡數據集的結果很難體現出模型強大的泛化能力，并且與經過大量實測數據集訓練過的模型相比，還存在一定的差距；另一方面應該不斷深入研究優化深度學習算法，不斷提高識別率，在適當增加輸入層數量的同時，獲得更高的識別率。