小波变换和支持向量机相融合的ECG身份识别

为了提高心电图（ECG）信号的身份识别正确率,提出一种小波变换和支持向量机相融合的ECG身份识别方法（IWT-ABC-SVM）。采用一种小波阈值函数对ECG进行去噪处理,提取ECG特征,将ECG特征输入到支持向量机中进行学习,采用人工蜂群算法优化支持向量机参数,建立ECG的身份识别模型,采用MIT-BIH心电图数据进行仿真测试。仿真结果表明,相对于其他识别方法,IWT-ABC-SVM提高了ECG身份识别的正确率和可靠性。     

多特征和多视角信息融合的步态识别

提出了一种基于多特征和多视角信息融合的步态识别方法。应用背景差分和阴影消除获得人体步态轮廓,对人体轮廓使用伪Zernike矩、小波描述子和Procrustes形状分析法进行了特征提取。通过多特征和多视角步态信息融合,完成了基于人体步态特征的身份识别。该方法在CASIA步态数据库上进行了实验,取得了较高的正确识别率,实验结果表明本文所提出的识别方法具有较高的识别性能。     

基于SVM特征层融合的集成性身份识别模型

多生物特征融合识别是提高身份识别性能的有效方法,提出一种基于特征层融合的识别模型。以人脸与虹膜为例,首先对这两种图像分别进行预处理,然后对人脸采用PCA、Fisherface方法,对虹膜采用小波变换、多通道Gabor滤波方法,进行特征提取得到各自的初始特征向量,由此生成融合特征向量,最后利用SVM对融合特征向量进行分类,实现特征层融合识别。仿真实验结果表明,同等条件下,该融合方法的识别效果优于常见识别方法。     

基于心电图的身份识别方法

针对当前心电图(ECG)身份识别中存在的小样本、多特征点检测问题,提出基于小波变换和动态时间规整(DTW)相结合的方法.利用小波变换对ECG信号进行预处理并提取R波峰值点,提取并保存肢导联QRS波及心拍模板,根据QRS波测试数据与各QRS波模板间的相关性分析以及阈值条件缩小身份识别范围,采用 DTW算法确定心拍测试数据...     

基于特征点融合小波能量特征的手背静脉识别

手背静脉识别是生物识别领域的新兴课题,针对单一手背静脉识别方法在大量样本情况下正确识别率识较低的问题,提出了一种空间域特征融合小波域特征的识别方法,对预处理后的样本提取了空间域中的特征点以及在小波域中构造了小波能特征,并分别用改进的豪斯多夫距离以及加权城区距离进行度量,最后将两种方法进行加权融合,采用最近邻分类器进行识别;在具有100个样本的数据库上对该方法进行了测试,在最近邻分类阈值为9.46时识别率达到97.2%,表明了该方法的优越性.     

基于小波模极大值的脉搏信号特征点识别方法

传统的脉搏信号时域特征点识别方法未考虑脉搏形态的多样性,缺乏与脉搏波形成机制之间的联系,从而限制了其识别准确性。为此,引入小波变换模极大值曲线及其奇异点检测理论,结合脉搏波形成机制和脉搏特征点释义,提出一种脉搏时域特征点识别方法。运用小波变换模极大值曲线检测脉搏信号中的奇异点,根据奇异点的性质与位置关系,确定各时域特征点所在的位置范围,利用差分法确定各个时域特征点的位置。实验结果表明,该方法不仅能避免脉搏频率不稳定性对特征点识别的干扰,而且能适应脉搏形态的多样性,其时域特征点识别准确率优于滑动窗口法、香农包络线法以及经验划分法。     

基于形状特征的小波神经网络目标识别方法

利用小波神经网络整合小波分析提取信号局部奇异特征和人工神经网络自适应学习分类的优点,提出了一种基于目标边界形状特征的时频特性可调的小波神经网络识别方法.该方法根据目标边界曲率连续小波变换的模极值在多尺度下幅值及分布情况,确定边界奇异点,利用小波神经网络自动提取、调整奇异点的特征信息并完成分类.实验结果表明,与时频特性固定的小波神经网络,普通人工神经网络和传统的基于Fourier描述子的最近邻分类器相比,时频特性可调的小波神经网络具有更好的分类性能和抗噪能力.     

基于组合特征的步态识别

基于步态的身份识别是近几年出现的一种新的生物识别技术。提出了一种融合静态特征与动态特征的步态识别方法,该算法使用小波矩描述步态序列图像的静态特征,接着使用主元分析法对小波矩进行降维,而图像的动态特征则用人体轮廓的3个宽度特征来描述。最后,通过实验证明了该算法的有效性。     

一种社会网络用户身份特征识别方法

社会网络是现代信息社会重要的组成部分.社会网络用户身份不透明、不可见的特性带来一系列社会安全问题.提出了一种社会网络身份特征识别方法,分别利用基于位置的社会网络和社交关系进行社会网络用户的身份特征识别,融合2种识别结果推测社会网络用户真实身份.提出了一种基于位置的社会网络用户身份识别方法,通过计算中文分词和二元组分词的基本匹配权重和完全匹配权重得到近似度权重,并用它衡量实体为用户所属实体的可能性;通过实体名称聚合算法,对近似度权重计算结果进行优化.根据好友之间倾向于拥有相似的身份特征和相同的兴趣爱好的观察,提出了一种基于社交关系的多数投票的身份识别方法,对社交关系中的用户身份特征进行统计,推测当前用户的地址信息、实体信息和用户兴趣.基于微博数据,进行了样本数为1 000名用户和10 000名用户的2组实验,涵盖了超过250万条社交关系.实验结果表明,提出的虚实映射方法有很高的准确率和覆盖率,与现有方法相比,该方法着眼于推测个人用户细粒度的身份特征,具有较高的实际应用价值.     

基于SVM的ECG传感器信号身份识别方法

通过心电图（ECG）传感器采集的信号在身份识别中得到了越来越广泛的应用.但小波滤噪结果往往通过主观判断,没有量化指标,滤波效果不理想;同时,对于ECG特征的提取没有考虑心率变化的影响,鲁棒性不佳.针对这2个问题,提出了一种通过信噪比和相关系数衡量预处理结果的办法,并且在特征的提取上只采用QRS波形,避开了易受心率影响的间期特征.最后使用了多种分类识别方法进行测试,得到了小样本下支持向量机（SVM）最适用于ECG识别的结论.     

Fiducial feature reduction analysis for electrocardiogram (ECG) based biometric recognition

Although the electrocardiogram (ECG) has been a reliable diagnostic tool for decades, its deployment in the context of biometrics is relatively recent. Its robustness to falsification, the evidence it carries about aliveness and its rich feature space has rendered the deployment of ECG based biometrics an interesting prospect. The rich feature space contains fiducial based information such as characteristic peaks which reflect the underlying physiological properties of the heart. The principal goal of this study is to quantitatively evaluate the information content of the fiducial based feature set in terms of their effect on subject and heart beat classification accuracy (ECG data acquired from the PhysioNet ECG repository). To this end, a comprehensive set of fiducial based features was extracted from a collection of ECG records. This feature set was subsequently reduced using a variety of feature extraction/selection methods such as principle component analysis (PCA), linear discriminant analysis (LDA), information-gain ratio (IGR), and rough sets (in conjunction with the PASH algorithm). The performance of the reduced feature set was examined and the results evaluated with respect to the full feature set in terms of the overall classification accuracy and false (acceptance/rejection) ratios (FAR/FRR). The results of this study indicate that the PASH algorithm, deployed within the context of rough sets, reduced the dimensionality of the feature space maximally, while maintaining maximal classification accuracy.     

Quantitative evaluation of a wavelet-based method in ventricular late potential detection

Ventricular late potentials (VLPs) are low-amplitude, high-frequency waveforms appearing in the terminal part of the QRS complex in electrocardiogram (ECG) of patients who are susceptible to ventricular tachycardia and sudden cardiac death, after surviving myocardial infarction. Accordingly, VLP detection presents a prominent non-invasive marker for some cardiac diseases clinically. This paper proposes a VLP detection method based on the wavelet transform and investigates its performance. In this method, a modified vector magnitude waveform is formed using discrete wavelet transform for each high-resolution ECG (HRECG) record; then, by applying the continuous wavelet transform to the QRS complex end part in this waveform, a feature vector is extracted from the resultant time-scale plot. This wavelet-based feature vector is processed by principle component analysis to reduce its dimensionality. Finally, a supervised feedforward artificial neural network, trained by a proper set of these feature vectors, is employed as a classifier. To evaluate the proposed method performance, a HRECG database consisting of the real VLP-negative and simulated VLP-positive patterns is used. In a comparative approach, different VLP detection techniques including the conventional time-domain method, developed by Simson, and some methods utilizing distinct diagnostic features are also applied to this database to investigate the capability of the proposed method in VLP analysis more completely. The results show the proposed method, employing the wavelet transform in both pre-processing and feature extraction stages, reveals high evaluation criteria (accuracy, sensitivity, and specificity) and is qualified to detect VLPs.     

小波变换人体目标特征提取方法效果对比

Haar小波和Gabor小波变换是常用的特征提取方法,前者广泛用于目标检测,后者则常用于人脸识别。针对人体目标检测,提出采用Gabor小波变换进行特征提取,并采用三个主要的行人库与Haar小波方法进行对比实验,实验显示：由于二维Gabor小波变换响应能够在多个尺度的多个方向上对目标的局部区域像素值变化进行描述,所以相比只能在水平、垂直和对角线三个方向上描述目标的Haar小波,其优势明显。     

基于局部显著边缘特征的快速图像配准算法

针对尺度不变的特征变换(SIFT)算法提取的特征点数目多、匹配耗时长、匹配精度不高等问题,提出了一种基于局部显著边缘特征的快速图像配准算法。该算法利用SIFT算法提取待选特征点,同时用小波边缘检测提取图像边缘,建立特征点周围邻域的边缘特征,筛选出具有显著边缘特征的特征点,结合Shape-context算子和边缘特征形成特征描述向量,采用欧氏距离作为匹配度量函数对筛选出的特征点进行初步匹配,然后用随机一致性检验(RANSAC)算法消除误匹配点对。实验结果表明,该算法有效控制了特征点的数量,提高了特征点的质量,缩小了特征搜索空间,提高了特征匹配的效率。     

基于有限长脉冲响应滤波器和aTrous算法的小波心电信号去噪

微弱低频的心电信号采集中容易受到外界环境的干扰,必须先对其进行预处理才能用于心脏疾病的诊断。Mallat算法的小波分解重构法不能有效滤除心电信号中的工频和肌电干扰;小波阈值法不能有效滤除心电信号中的工频和基线漂移,重构的心电信号会产生伪吉布斯现象。针对以上情况,提出了一种基于有限长脉冲响应滤波器(FIR)和aTrous算法的小波去噪方法。该方法综合运用了50Hz陷波器、aTrous算法小波分解重构法和小波阈值法。仿真郑州大学第二附属医院和MIT-BIH心率失常数据库的心电信号表明,该方法能够有效去除心电信号中的工频和基线漂移,大幅度衰减肌电干扰,同时有效消除伪吉布斯现象。     

基于小波变换的优化LDA人脸特征提取

运用小波进行图像分解提取低频子带图,并利用优化的线性判别分析(LDA)算法寻找最优投影子空间,从而映射提取人脸特征,实现人脸的分类识别。该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求,解决了边缘类重叠问题,具有更广泛的应用空间。实验表明:该方法优于传统的LDA方法和主分量分析(PCA)方法。     

基于二元树复小波特征表示的人脸识别方法

二元树复小波变换（DTCWT）具备近似平移不变、多方向选择、完全重构和高效计算等优点，适合于人脸特征提取。提出了一种新的基于二元树复小波变换的人脸特征表示方法，用二维DTCWT提取了人脸图像不同尺度、位置和方向的局部特征，并用多尺度多方向的信息生成DTCWT人脸特征图。实验证明了DTCWT人脸特征表示方法提取了最具可判别性的人脸特征，获取了高识别率和泛化能力，优于其他特征表示方法。     

应用小波包变换和主成分分析识别亚健康状态

为了评估亚健康状态,提出一种基于心电信号小波包变换和主成分分析的亚健康状态识别新方法。采用小波包变换对心电信号进行特征提取;再利用主成分分析（PCA）对所提特征进行降维处理,以剔除特征之间的冗余信息;最后应用线性判别式分析（LDA）对亚健康状态进行分类识别。研究结果显示,该方法能获得较高的识别率,对于实现亚健康状态的评估具有一定的参考价值。     

基于形态学与不完全树形小波分解的图像纹理特征提取算法

针对不完全小波树形结构分解提取纹理特征仅对清晰度高的图像效果佳,运算速度慢的问题,提出基于形态学预处理的不完全小波树形分解快速提取图像纹理特征的算法。首先采用形态学高帽—低帽变换对图像进行预处理,去除图像噪声,增强对比度;在提取纹理特征时,采用一致性判别;对于一致性强的图像,只利用图像的一部分进行不完全小波树形结构分解提取出能量、方向性等纹理特征,提高了运算速度;最后使用双概率神经网络(DPNN)的方法自适应地对纹理图像进行识别。利用Brodatz纹理库进行了仿真实验,并将该算法应用到了现场拍摄的海水中藻类细胞图像的识别。实验结果表明,该算法特征提取和识别速度快,尤其对于清晰度不高、现场拍摄的纹理图像具有较好的效果。