近年来,随着信息技术的不断发展,互联网成为了人们生活中必不可少的部分。与此同时,人们对网络信息安全的重视程度也在不断的提高。然而,传统的身份识别方法诸如口令、密码、证件等因存在容易被窃取、复制和破解的问题而受到了新兴技术的巨大挑战。为提高身份识别的可靠性,基于生物特征的身份识别技术应运而生。心电信号(electrocardiogram,ECG)作为一种人体生理特征可被应用于身份识别技术中。将ECG作为身份识别的生物特征有着一定程度的优势。一方面,ECG是人体内部的弱电信号,不容易被窃取、复制和破解;另一方面,ECG是一维信号,相较于指纹、虹膜、人脸等二维信号有着节省存储空间、更易处理等优势。在这样的背景下,本文分析了目前ECG身份识别算法存在的一些优缺点,针对其中的特征冗余问题展开了研究,并提出了相应的解决办法。旨在降低ECG身份识别特征的冗余度,从而提高身份识别的效率和准确率。主要创新工作分为以下几个部分:1.面对特征冗余问题,本文首先提出了一种能够去除特征冗余、降低特征维度的特征提取方法:即结合奇异值分解(Singular Value Decomposition,SVD)和线性判别式分析(Linear Discriminant Analysis,LDA)两种算法处理特征。首先对原始心电信号进行预处理,得到去除噪声并已分割的心拍特征,然后采用奇异值分解去除特征冗余,并通过线性判别式分析对心拍特征进行降维处理,在特征维度从452降至32时,识别率达到最高(96.6%)。新的特征消除了特征冗余,增强了不同个体心拍特征之间的差异性。最后将预处理完成后的心拍特征分为训练集和测试集,将其通过广义回归神经网络(General Regression Neural Network,GRNN)进行训练和测试,并通过心拍投票的原则获得结果。实验结果表明,本方法特征提取简单,识别率达到96.6%,系统平均耗时16s。2.考虑到上述系统包括SVD、LDA、GRNN三个模块,每个模块都需要对参数进行设置,尤其LDA算法的参数设置是基于数据的类别标签,类别增多会导致LDA参数的可调范围变大,从而受到主观性的影响。因此,面对数据量大的问题,可以通过深度学习来解决。于是,进一步提出了基于深度置信网络(Deep Belief Networks,DBN)的ECG身份识别方案。以受限玻尔兹曼机为基本单元,构建深度置信网络。利用深度学习模型的特征处理层达到去除数据冗余的目的,同时解决了上述方法系统模块较多,参数设置主观性较强的问题。实验结果表明,心拍识别的准确率提升明显,达到了97.7%,系统的稳定性相较于GRNN身份识别算法有所提升。通过对不同的实验方案进行对比,结果表明:结合SVD和LDA的特征提取方法能够有效的去除特征冗余,在特征维度从452降至32时,识别率达到最高(96.6%)。最后结合广义回归神经网络,构成完整的身份识别系统。与内存资源消耗严重的神经网络模型对比,本方法优于传统BP神经网络和RBF神经网络。同时,基于DBN的ECG身份识别方法在准确率方面有所提升,达到了97.7%。且在其特征处理层完成了对特征的去冗余。识别速度方面,奇异值分解和线性判别式分析结合的方法大幅度降低了特征维度,使得系统的平均识别时间为16s,但基于DBN的ECG身份识别方法的训练时间较长,实时性较低。本文结果均采用心拍投票的方法获得,保证了系统具有一定的容错能力。