基于单导联心电的生物特征识别：深度学习与质量优化

本篇硕士学位论文主要探讨的是基于单导联的心电信号身份识别技术，该技术在当前网络信息安全领域的应用日益受到关注。心电信号作为一种具有高度防伪性的生物特征，因其"活体"识别特性，能提升身份识别系统的安全性，展现出巨大的发展潜力。 论文首先明确了研究背景和意义，强调了心电信号身份识别在全球范围内的发展趋势，同时概述了相关理论知识，包括心电信号的特性和常用数据库，如ECG-IDDatabase（包含90名个体的数据）和MIT-BIH Arrhythmia Database（47名个体的数据），以及验证方法，以便于后续实验的顺利进行。 接下来，论文提出了一种预处理策略，结合支持向量机（SVM）进行心电信号的质量评估，通过分析信号波形特征和噪声含量，实现了多参数融合的质量控制。此外，还采用了小波自适应阈值去噪算法，对低质量信号进行处理，提高了心电图信号的纯净度。 特征提取部分是论文的核心内容，研究者改良了Pan-Tompkins算法用于R波检测，确保了定位的精确性。随后，通过遗传算法优化SVM，实现了心电信号的特征识别分类，分别在两个数据库上达到了较高的识别准确率，分别为95.56%和94.68%。 最后，论文探索了深度学习的应用，特别是卷积神经网络（CNN）。通过对一维心电信号进行广义S变换，转化为二维频谱轨迹图，作为深度学习网络的输入。通过优化原始的GoogLeNet网络，构建出针对正常和异常心电信号的迁移识别模型GoogleNet-T1和GoogleNet-T2，在ECG-ID和MIT-BIH数据集上分别取得了94.44%和97.87%的高识别精度。 这篇论文深入研究了单导联心电信号的身份识别技术，涵盖了信号处理、预处理、特征提取和深度学习等多个方面，旨在提升心电信号识别系统的准确性和鲁棒性，为网络安全和个人身份认证提供了新的可能性。