申请/专利权人：杭州电子科技大学;杭州电子科技大学平湖数字技术创新研究院有限公司

申请日：2023-12-12

公开（公告）日：2024-03-29

公开（公告）号：CN117786483A

主分类号：G06F18/241

分类号：G06F18/241;A61B5/117;A61B5/346;A61B5/00;G06F18/213;G06F18/10;G06N3/082;G06N3/048;G06N3/0455;G06N3/0464;G06N3/088

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开基于CAE和改进式VGGNet的心电身份识别方法，先结合小波阈值去噪和单心拍分割的预处理方法，得到单周期ECG信号；然后构建CAE模型，基于CAE进行信号模态特征提取与降维处理，经最小化重构误差后学习得到输入数据更小维度的潜在表示；再基于VGGNet优化模型，进一步深入学习特征表示，得到个体识别的结果，并对其进行训练和验证；最后利用训练和测试好的神经网络模型对获取的单周期ECG信号进行身份识别。本发明提出了一种可靠性强、泛化能力高、识别准确率高的ECG身份识别方法，为提升个体身份识别系统的安全性提供了一定的参考价值，具有较好的市场应用价值。

主权项：1.一种基于CAE和改进式VGGNet的心电身份识别方法，其特征在于，包括以下步骤：步骤一：结合小波阈值去噪和单心拍分割的预处理方法，得到单周期ECG信号，对单周期ECG信号赋予标签，并按照一定的比例划分为训练集、验证集和测试集；步骤二：构建CAE模型，基于CAE进行信号模态特征提取与降维处理，经最小化重构误差后学习得到输入数据更小维度的潜在表示；所述CAE模型的输入为分割后的去噪信号，输出为输入数据的特征表示；所述的CAE模型包括编码器网络和解码器网络；所述编码器网络包括输入层、卷积层、激活函数层ReLU和最大池化层，实现输入数据压缩比为8:1的数据压缩并深入提取输入数据的维度特征；所述解码器网络为编码器网络的反向结构，具体由卷积层、上采样层、激活函数层ReLU、Linear和输出层构成；所述卷积层与最大池化层用于提取有效的新特征，实现特征降维；所述批归一化层BN将前一层的激活值重新标准化，确保上方卷积层输出的结果标准差接近1，平均值接近0；步骤三：基于VGGNet优化模型，进一步深入学习特征表示，得到个体识别的结果，其输入为步骤二得到的特征表示，输出为身份识别结果，并对其进行训练和验证；步骤四：利用训练和测试好的神经网络模型对获取的单周期ECG信号进行身份识别。

全文数据：

权利要求：

百度查询： 杭州电子科技大学;杭州电子科技大学平湖数字技术创新研究院有限公司 基于CAE和改进式VGGNet的心电身份识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD