随着人们对信息安全和可靠性要求的日益提高,身份识别成为一个关键的问题。传统的证件、钥匙、口令、密码身份识别存在易被复制、窃取、遗忘或丢失等缺陷,已经远远不能满足人们的要求。因此,可靠性更高的生物特征识别技术应运而生。心电图(ECG)作为生物特征用于身份识别,因其独特的优点,逐渐引起了国内外研究人员的兴趣。ECG特征产生机理复杂而不易被仿制,安全系数高,比较适用于医疗和保险领域。ECG身份识别对于当前的生物特征(签名、语音等行为特征,指纹、视网膜、虹膜、脸型、DNA等生理特征)识别体系是一个有效的补充,并且可以与其他生物特征融合形成多模态识别系统,进一步提高生物特征身份识别的可靠性。本文在查阅国内外研究人员关于ECG身份识别研究的基础上,对ECG信号预处理、特征点提取、特征权重分析和最优特征选择等问题进行了较深入的研究,设计并优化神经网络分类器实现了ECG身份识别。具体内容如下：(1)ECG信号预处理和特征点提取。分析ECG信号及其包含噪声的频域特点,分别用小波分解与重构法和小波阈值法滤除ECG信号的低频和高频噪声；根据小波变换的信号奇异性检测原理,采用二次样条小波对ECG信号按atrous算法分解。根据R波与小波分解模极值对的对应关系提取出其峰值点位置,进而利用直线拟合误差最小法确定QRS波的起点和终点；以R波峰值点为基准点,设置搜索窗口,采用与R波峰值点提取相同的策略提取P、T波峰值点；再次利用直线拟合误差最小法提取起点和终点。(2)ECG特征权重分析和最优特征子集选择。根据提取的特征点组合成不同的ECG幅值和间期特征。由于冗余特征的存在会增加计算量并致使识别准确率降低,因此利用线性判别分析对提取的ECG特征进行权重分析,确定各特征对分类的贡献大小并形成一个有序队列。按照前向序贯原则选择有序队列的特征,以BP神经网络分类准确率为评价指标,确定用于身份识别的最优特征子集。(3)设计并优化神经网络分类器。采用三层BP神经网络作为ECG身份识别分类器,以最优特征子集作为分类器的输入,输出层由实验的样本的个数决定。由于BP神经网络存在易陷入局部极小值、不收敛的问题,所以分别采用GA算法和DNA算法对其进行优化,并用临床ECG数据检验所设计的分类器性能。