在社会经济、科技信息迅速发展的当今社会,传统的身份验证方式无法满足人类对安全的日益增长的需求。生物特征识别技术很好的解决了这一难题,虽然现在很多生物特征识别技术(如指纹、语音、人脸识别等)在安防监控、金融安全、医疗等领域得到了广泛的应用,但它们也存在伪造的安全隐患。本文研究了一种动态的生物特征识别技术——心电信号,其活体性、高防伪性等优势得到了生物特征识别领域的广泛关注,因此,将心电信号用于身份识别可以作为对现有生物特征识别技术的一个很好的补充。近十年来,Wang等人在动态模式识别领域展开了多个创新性的研究,并提出一种机器学习新理论——确定学习理论。它是一种利用RBF神经网络对动态未知环境下知识获取、表达、存储和再利用的理论,能够对周期、类周期甚至混沌轨迹的动态系统实现局部准确的辨识,并以时不变的RBF神经网络权值来存储学习到的动态知识。基于确定学习理论,本文提出一种动态心电身份识别框架。主要研究成果如下:1)心电数据的采集和预处理。本文以爱康采集盒为硬件基础,编写上位机程序实现标准12导联心电信号的采集,并研究了一种用于原始心电信号的中值滤波和小波滤波方法,有效地将干扰噪声去除,为后续的识别提供重要的保障。2)心脏动力学特征的提取以及身份识别。心电信号的时、频域特征是有限的,不够全面反映心电模式的动态特性。本文首先将标准12导联ECG数据转换为3维VCG数据,它们之间的转换不会丢失与心脏动力学有关的信息内容,在训练阶段,通过确定学习机制,利用RBF神经网络精确地提取VCG信号的心脏动力学特征,并以时不变的RBF神经网络权值存储,使用提取的动力学特征构造估计器组以表示训练的心电模式。在识别阶段,将待测试模式与该动态估计器的所有模式进行比较,就可以得到一组用于衡量待识别模式和训练模式之间相似度的范数形式的残差,根据最小残差原则,就可以快速识别待测试模式。最后本文通过自行采集的心电数据和PTB数据库的心电数据进行多组实验,并采用四个评价指标验证了该方法的有效性和可行性。3)设计并实现了基于MATLAB GUI的心电身份识别系统。主要包括数据采集、心电模式训练、心电识别三个部分,为本文的研究和实验分析提供了有效的工具平台。