生物特征识别系统在安全应用中扮演着重要的角色,在过去的几十年里已经在世界各地得到了广泛的应用。目前,在实际应用中常用的生物特征识别技术有人脸识别、指纹识别、虹膜识别等。然而,这些生物特征识别技术既不能有效地避免盗用,也没有足够的能力防止伪造。近年来,心电身份识别技术越来越受到产业界和学术界的关注。其原因主要有两个方面:首先,心电信号具有身份识别应满足的基本生物属性,如普遍性、特殊性、永久性、可采集性等;其次,非法使用伪造和复制的心电图并不容易,心电信号具有很高的防伪能力。随着基于手指的心电采集设备越来越普及,心电信号的采集也越来越方便。因此,心电身份识别将是一个有前途的研究领域。随着当今技术的发展,机器学习等技术应用越来越广泛。传统基于基准点和频域特征的心电身份识别方法,当心电信号质量较低时其识别性能差强人意,无法满足实际应用的需要。针对这些问题,本文以子空间学习为主要的技术手段,提出了两种心电身份识别方法,有效提升了识别性能。(1)基于子空间融合的心电身份识别方法。心电特征属性分为局部特征和全局特征,其中全局特征主要描述心电整体属性,局部特征主要描述心电细节变化。分别提取两种特征变量后,通过典型相关分析(CCA)方法融合心电信号的局部特征和整体特征,利用全局特征和局部特征间的互补关系,使得其对心电信号的突变、外界的干扰等局部变化获得较高的稳定性。最后,采用投票决策机制,使得局部变化被控制在个别区域,提高了心电身份识别性能和鲁棒性。经实验发现,本方法可以取得较好的心电身份识别效果。(2)基于多尺度像素差异矢量(PDV)的判别表示的心电信号学习方法。该方法首次尝试将二维PDV向量转换为的一维多尺度PDV特征向量并应用于心电身份识别中。利用所提取的特征,提高了识别率,减少了计算时间。通过学习到的目标函数,可以将多尺度PDV特征投影到低维的空间中并捕获心电信号的判别信息,并采用词袋模型(BoW)来表示每个心跳的低维特征并采用直方图的形式进行直观表示。在公开数据库上进行实验,实验结果表明本方法可以提取出表示身份本质的特征,提高身份识别性能。为了把心电身份识别应用在实际生活中,结合提出基于的多尺度PDV特征判别表示的心电身份识别方法,研发了心电身份识别原型系统。前端程序负责用户的交互,后端程序负责心电信号的特征提取、心电信号的存储、心电信号预处理、特征学习,心电信号的识别和用户逻辑处理等,为将来的实际应用打下了较坚实的基础。