心音身份识别系统的构建

心音身份识别系统的构建

近年来，随着社会经济的快速发展，身份认证的准确性和安全性要求不断提高。从传统的特征特征（如户籍）和特定知识（如密码和密码）到新的识别人类行为特征的生物识别技术（如声音识别、人脸识别、脑膜识别、dna识别、识别、视力识别、掌纹识别等）已经成为近年来的研究热点，并已在各个行业应用，但存在一些不足。例如，在声音识别技术方面，个体声音可以很容易地记录和显示。这些缺陷无疑给身份认证的识别系统带来了许多缺陷，因此一些新的生理和行为特征被考虑用于身份识别。心音信号是一种正常的生理信号,因具有独特性、普遍性、稳定性、声源隐藏在人体内和心脏结构复杂很难被复制等特点,使其成为一种高安全性的生物特征.Beritelli等首次对利用心音进行身份识别进行了初步研究,他们通过对心音信号主要成分第一和第二心音进行频谱分析,证实了心音具有独一无二的生理特性,并验证了将由听诊探头提取的心音录音的重放音与重新放置在胸部获得的心音信号相比较,两者的相似程度不到75%.因此,要重构一个人工心脏,并且人工心脏周围的生物属性也必须与该人的身体结构一致,才能以相同方式获取相同心音,这在目前尚难以实现.近年来,已有大量的研究结果证明心音用于身份识别是可行的.此外,在国内外研究人员的共同努力下,心音采集设备越来越多样、预处理部分越来越精细、特征参数提取方法越来越成熟、模式匹配技术也越来越高效.更加有意义的工作是,Beritelli与重庆大学和南京邮电大学等研究单位逐步建立了比较丰富的心音数据库,可为研究者提供一个参考与比较的信源平台.基于心音的身份识别系统已经逐步走向了实际应用.例如:苹果手机已经能实现心音的实时采集,许多智能手机将心率(心音)传感器嵌入在手机内,把监测到的用户心率作为一种生物识别依据来辨别手机主人.随着心音识别技术的发展,它的应用将越来越广,如可以应用到考勤系统、门禁系统、电子商务身份认证等众多应用中.本文整理了近年来的研究成果,对现有的心音身份识别主要方法与技术进行了综述,并提出了未来可能发展趋势,以俟来者.1心音身份识别分析心音身份识别系统主要由心音信号采集、心音信号预处理、特征参数提取和模式识别4部分组成.1.1接触传导式心音传感器心音传感器是心音采集系统的重要组成部分,其作用是将胸壁的机械振动转换成电信号,以方便对信号进行放大以及后续的分析与处理.心音传感器的类型主要包括加速度式、接触传导式和空气传导式等种类.加速度式心音传感器是将低量程高灵敏度的加速度传感器置于胸壁上进行心音信号检测的.加速度传感器质量轻、尺寸小、抗干扰能力强,频率响应范围可达10~800Hz,甚至更高,是目前应用较广的心音传感器类型之一.接触传导式心音传感器的原理是将胸壁传导出来的心音波动信号直接通过敏感元件传递到换能元件,并转换为电信号,实现心音信号检测.该类型传感器由于结构上没有采用空气作为传递心音信号的媒介,抵抗外界声波干扰的能力比空气传导式传感器要好.空气传导式心音传感器是利用心脏搏动时通过胸壁传递出的音波再经空气传到与换能器相连的传感器敏感振动膜上的,因而空气振动则膜片产生振动,从而产生与心音强度成比例的输出信号.空气传导型心音传感器又可采用电磁感应式、压电式和电容式等原理设计制作.电磁感应式传感器对微弱的心音信号难以发挥作用,并容易受到外界电磁场的影响;电容式传感器机械强度和防潮性能较差,但其频率范围宽而平直,灵敏度高,且它的体积可以做得很小,可以测量低到20~30dB的声压级,上限可测量到150dB或更高的声压级,非常适合应用于心音采集.驻极体心音传感器,在心音采集中使用非常方便,价格低,效果与电容式传感器相近,但它和动圈式声电传感器一样,容易受到周围环境噪声及电磁噪声的影响.1.2心音的预处理尽管采集心音信号的设备与技术已经得到了很大的发展,但由于呼吸、人的移动、皮肤的擦音、放置位置的变化等不确定因素的存在,对心音采集结果的影响仍然是不可忽视的.因此,对心音进行预处理操作显得非常重要.在心音身份识别系统中预处理过程主要包括心音去噪、数据分段等部分.1.3特征集的选择和应用特征提取的目标是找到一种变换,这种变换可以将原始的心音信号转换成相对低维状态特征空间,而且可以保存所有的原始信息以在身份识别中作有意义的比较.心音信号特征提取的常规方法可分为:时域、频域和时频域,而根据具体的特征矢量又可以分为如下几类.(1)短时傅里叶变换谱特征集.短时傅里叶变换是一种应用较为广泛的时频分析方法,它假设非平稳信号为短时平稳的,采用滑动窗截取信号,对截取的信号作傅里叶变换得到信号的谱图.Beritelli等首次将心音信号用于身份识别的研究,并指出短时内心音信号是平稳的.因此,本文采用由该方法获得信号的频率特征作为特征集.但是,在实际情况中心音信号是非平稳信号,这就要求窗函数有较高的时间分辨率,而这是短时傅里叶变换所达不到的.(2)小波变换谱特征集.基于小波变换的特征集,进行小波变换必须要提前确定一个小波基函数,不同的小波基有不同的表征结果.心音信号是一种具有先验知识的信号,可以根据心音信号的特点,构造出专门针对心音的小波.这为心音特征提取和身份识别的深入研究提供了一种新方法,在表征心音个体特征的细节方面具有积极的意义.(3)希尔伯特黄变换(HHT)谱特征集.HHT具有自适应性,即不需要像小波分析方法中那样必须要提前有一个小波基函数.这种自适应性可以很好地表征信号的特征,从而保证分解的准确性.此外,HHT分解的每一个固有模态函数(IMF)分量都有一个很清楚的物理意义,并且保证了信号频率的连续性.对比边际谱作为特征集与傅里叶谱作为特征集的识别率,结果表明同等条件下,边际谱作为特征集的识别系统识别率较高.(4)Mel频率倒谱系数(MFCC)特征集.MFCC以往主要应用于语音识别,但近几年MFCC特征集被广泛地应用于心音身份识别中.与语音信号不同,心音频谱集中在20~150Hz内,在这种窄带情况下,为了在心音信号频谱中获得更多信息,需要突出该频段信号.利用MFCC作为特征矢量再结合一定的匹配算法虽能较好地完成识别任务,但是MFCC仍然不能完整地反映心音信号的动态特性.因此,融合MFCC与小波变换谱两者的优点,将Mel倒频系数提取方法中的Mel滤波器组用小波变换后的信号频谱拼接来替代,以此提取新的参数集离散小波变换Mel倒谱系数(DWTM-FC),并通过实验验证了其性能确实要优于一般的MFCC参数.(5)线性预测倒谱系数(LPCC)特征集.线性预测特征集即是将滤波器的数量、倒谱的数量、倒谱的形式(正常、一阶求导、二阶求导)三者以线性方式结合而形成的特征集.而LPCC是线性预测系数(LPC)在倒谱域中的表示.该特征集是基于心音信号为自回归信号的值时,利用线性预测分析获得倒谱系数.采用LPCC作为识别的特征参数,参数求解简单运算量小,可以满足系统的实时性要求.但是LPCC在噪声环境下性能很差.因此,在预处理中必须严格要求心音信号的去噪效果,以保证系统的识别性能.(6)多数据融合特征集及其他方法.除了以上介绍的几种常见的特征集以外,还有香浓能量熵(SEE)特征集、心音线性频带倒谱(HS-LBFC)特征集、最大熵谱系数特征集等,这些特征都只包含了心音信号的部分特征.为了尽可能充分地表征心音信号,有些研究人员同时提取心音的多种特征矢量作为特征集以提高识别率.例如,文献中提出了一种新的基于多特征提取的心音身份识别技术.该文在分析心音信号特性的基础上,采用独立子波函数表征个体心音特征信息,通过建立第一心音(S1)、第二心音(S2)和周期-功率-频率(T-P-F)的三段式识别模型,以及采用单路心音信号多周期段的数据层融合和改进的D-S数据决策层融合算法,有效地实现了单路心音信号多特征提取的身份识别.另外,文献中融合时域与频域的特征,提取频域特征集LFCC与时域特征集S1与S2的比率(FSR),实验结果表明:在相同的识别方法下,LFCC+FSR特征集的误差率要比只使用LFCC特征集低.1.4gmm方法的应用心音识别系统中,模式识别方法可以大致分为以下几类.(1)欧氏距离法.文献[3,5]中较早采用欧氏距离作为心音身份识别分类器来度量两个信号谱之间的距离.该算法的具体步骤为:设已知心音信号A的频谱为X,待识别者心音的频谱为Y,单条谱线的总频点数为N,第i个频点的幅值分别是Xi和Yi,则有若d(X,Y)的值小于阈值T则认为该待识别者为A,否则认为不是.基于以上原则,重复记录同一个人的数据5次,记录不同人的数据为10次.该算法用于小数据库时,误识率为0,拒识率也为0,可以得到很高的识别率.(2)高斯混合模型(GMM)和矢量量化(VQ)法.GMM是语音识别中典型的一种统计学方法.如文献中所述,GMM可以被认为是只有1个状态量的连续隐性马尔科夫链(CHMM).文献[10,19-20]中指出识别的目的就是在N个人中找到某个目标人物,换言之,就是确定被测心音信号与心音库中的原信号能否对应.对于这一问题,文献中还研究了当GMM中的混合数量变化时,该系统是如何改变的.结果表明:混合数量的增加并不一定会提高系统的性能,当增加到256个时,等误差率(EER)不再变化.而VQ算法中,心音信号的识别可表示为寻找最小的平均失真.针对GMM和VQ方法,文献中专门建立了一个10人心音信号数据库来比较GMM与VQ的分类效果,结果表明,基于GMM的识别系统比基于VQ识别系统的准确率要高,但后者的计算速度明显快于前者.(3)相似距离法.文献[4,9]中定义了一种相似距离来辨识2个心音信号.设标准组的心音信号为ck(t),被识别信号为sk(t),则相似距离:dk值越小,则ck(t)与sk(t)越相似;当dk=0时,ck(t)=sk(t),表明是其自身.因此,将被识别心音信号与样本数据库的心音信号一一对应进行模式匹配,可找出心音间的相似距离,从而找到待识别目标.(4)神经网络识别法.人工神经网络具有非线性、非局域性、非定常性和非凸性等特点,被广泛应用于信号处理与模式识别中.在心音身份认证中,常用的有后向传播(BP)网络和小波神经网络(WNN)等.文献中将该方法应用到心音识别系统,并提出了基于隐性马尔科夫链(HMM)和WNN的心音身份识别方法,尤其在同等情况下,基于HMM和WNN的心音身份识别系统性能比基于GMM的识别系统更优.除了这些主要的方法外,还有文献中介绍的基于均方误差(MSE)和K邻近(KNN)的方法,文献中提出了一种改进的支持向量机(SVM)算法———基于最小粒子群算法的最小二乘支持向量机算法(CPSO-LSSVM).2心音系统面临的挑战现阶段,基于心音的身份识别还处于实验室研究阶段,还没有面向实际应用.在信息采集系统、心音信号预处理、特征提取、模式识别、心音数据库和未来应用等方面都面临一系列的挑战,如表1所示.3心音身份识别技术的展望根据当前研究的现状和难点分析,可以对心音身份识别的发展趋势概括如下:(1)进一步提高识别准确率和识别系统的鲁棒性,并且结合其他生物特征的优点,与其他生物特征识别融合,建立一个集多特征矢量融合的身份识别系统,从而达到一个更高的识别率.(2)建立大规模的心音数据库.由于受心音数据库规模较小的局限性使得当前的研究成果还不具有绝对说服力,故需要建立更大规模数据库以使得心音身份识别技术得到更加广泛的研究.此外,一个被心音信号研究人员认可的统一的数据库的建立也是非常必要的.(3)研究新型心音检测设备,包括设计非接触式心音传感器,通常可考虑利用电极间电容变化效应、麦克斯韦磁感应原理和多普勒雷达效应等技术来实现心音的非接触式检测.(4)进一步研究年龄增长、健康状态的变化对心音信号的改变程度,通过什么方法可以减少这些因素对识别率的影响.(5)加快心音识别技术的推广应用.例如:用户可以用手机检测心音来识别手机主人;利用穿戴式心音传感器实现老人在家庭的健康监护;在汽车到达车库时,通过心音身份识别,自动打开车库门;在汽车上监测驾驶员的心音,实现汽车的自动安全,避免因心脏病猝死引发的汽车事故;通过识别运动者运动前后的心音变化情况,对运动者的运动强度进行评估,减少过度运动带来的危害.总之,随着科学技术的快速发展,心音识别技术将应用到更加广泛的领域,获得更加快速的发展.4心音身份识别的展望心音身份识别技术以心音的惟一性、普遍性、稳定性、难复制性迅速成为生物特征识别家族中备受关注的新成员.本文通过系统分析心音身份识别4个主要步骤,总结对比了各种方法之间的优缺点,并提出了未来这一课题发展的新思路,为后来研究者提供了参考.心