·460 智能系统学报 第5卷 所含信息量保留的多少，通过实验，η取值为85% 即可. 5)令业=[中1中2A中u]为变换矩阵，ECG信号 的PCA特征为 yg=中(zg-2), 6)构建ECG身份识别模板数据库为Y=[y1y2 Ly.]. 4 68 10 12 7)识别过程，通过验证ECG构建心拍阵列X= PCA特征向量序列 {x}1,利用=(x-z)从ECG心拍中提取 图2模板库中30个试验者的PCA特征 PCA特征，将提取的PCA特征和模板库中的PCA Fig.2 PCA features of 30 subjects in template database 特征进行比较，选择模板库中欧式距离最小的模板 为识别结果 s受试者A心拍的CA特征 e-受试者B、C、D、E心拍的PA特征 8)将X:中的所有心拍采用上述方法进行分类 受试者A不同时刻5个心拍的PCA特征 识别，将C:次分类识别结果的所有模板作为候选模 板.再采用基于融合特征的ECG识别方法在候选模 板库中进行最终分类识别. 1.2基于小波分解融合特征的ECG身份识别方法 不同试验者ECG的波形和小波特征差异较大， 并且特征稳定，对波形特征和小波特征进行融合，融 4 6 1012 PCA特征向量序列 合特征向量的差异显著增强，如图4所示.采用该特 图3ECG的PCA特征 征向量进行身份识别抗噪声能力增强，并且在心率 Fig.3 PCA features of ECG 变异性下仍保持较高的识别率0 8 算法过程如下所述： .试验者A不同时刻4个心拍融合特征 …试险者B心护合特征模板 1)假设训练集Z={Z:,包含C类，每一类 乙=g品中包含C个心拍，总共含有N=2C:心 拍，z为一个心拍，所有心拍都是以R波峰值点为基 准点对齐，心拍长度为N,小于长度N的填零补齐 2)计算训练集的协方差矩阵： 46810 73*10 触合特征向量序列 s=8公4-4-0 CC (a)ECG的融合特征总体图 式中及为NxN方阵，区艺疗5是训练袋样本 0 心拍的平均心拍。 3)计算协方差矩阵S的特征值和特征向量， 并按从大到小顺序对特征值进行排序，得到特征值 序列入：和对应的特征向量序列少，i=1,2,…,N. 4)出于降维目的，取M个主成分，且M<N,定 义前M个主成分的累计贡献率为 2001210 12201230L2401250 融合特征向量序列 (b)(a)中局部放大图 通过设定的累计贡献率选择主成分个数M的取值. 图4ECG的融合特征图 累计贡献率的大小反映了前M个主成分对原数据 Fig.4 Fusion features of ECG