随着网络的飞速普及与信息化的高速发展,基于生物识别技术的个人身份识别已在资料保密、医疗保险及金融安全等众多领域得到了广泛的发展和应用。相对于传统的生物特征识别技术,心电身份识别技术具有“活体”识别的高防伪能力。近年来,随着低功耗、小体积、易采集和无需导电胶的心电采集芯片的出现,为心电身份识别开辟了极具潜力的应用前景。本文围绕便携式采集的心电信号(Electrocardiogram,ECG)的质量评估、预处理、身份识别三方面做了研究,提出基于简单启发式融合和模糊综合评价的ECG质量评估方法,实现ECG信号质量的评估;设计了无需峰值点定位、全频域表征的预处理技术,构建了基于LeNet-5的卷积神经网络模型,实现了个体身份的有效识别。本文主要工作如下:(1)系统地阐述了心电信号处理的理论基础,包括产生机理、采集方式、波形特征及噪声特点,以及在模型训练中所采用的数据库及模型训练的方式,为后续的研究工作提供理论基础。(2)提出了一种基于简单启发式融合和模糊综合评价的ECG质量评估方法。首先引入6个信号质量指数(Signal quality indices,SQI)量化ECG质量,后采用简单启发式融合技术提取了仅4个SQI参数(qSQI,pSQI,kSQI,basSQI)全面反映ECG信号的质量,避免了传统多个SQI指标在计算上的复杂性和特征高冗余性问题,通过模糊综合评价实现精确度量。以Physionet/Cinc Challenge 2011 和 Physionet/Cinc Challenge 2017 两大数据库 600 组数据进行 10 次 10 折交叉验证,取得了 94.67%的精准度。(3)设计了一个无需峰值点定位、全频域表征的心电信号预处理技术。提出了基于小波硬阈值的循环平移消噪处理算法,并对消噪后信号进行无需特征点提取的盲分割;采用广义S变换和getframe技术,将ECG信号从时域转换到频域,捕获在频域中每个时间点的频谱特征图和ECG轨迹图,全面反映连续时间段内心电信号频谱特征的变化趋势。(4)构建了基于LeNet-5的卷积神经网络ECG身份识别系统。构建卷积神经网络,将ECG轨迹图(频域中)作为输入层,优化卷积神经网络的结构,通过卷积神经网络的特征自学习,有效降低了算法工程量,实现了心电内在特征模式的有效捕捉。采用Physionet/Cinc Challenge 2017和ECG-ID Database两大数据库的150组正常、房颤患者、含噪数据进行性能评估,分别取得了 96.63%、96.23%和96.18%的识别率。本文的研究工作,实现了心电信号的高精度质量评估和身份识别,为信息安全等领域提供了一种鲁棒性强、防伪能力高的生物识别新途径,为心电身份识别技术的规模化应用提供了理论基础和技术支撑。