现如今科学技术改变了我们的生活方式,尤其对信息安全有着严格要求,需要发展新型身份鉴别技术提高信息安全可靠性。新型生物识别技术安全便捷,为人们提供了极大的便利,并在市场上得到了广泛的应用。心电信号(electrocardiogram,ECG)属于生物特征之一,之前在医学临床领域运用,由于它得天独厚的优势,逐渐应用在身份识别技术当中。ECG特征表现的独特优势主要包括以下两点:第一心电信号属于体内特征,难以窃取特征,而且心电采集技术历史悠久、技术成熟;第二心电信号属于一维信号,相对其他生物特征处理更方便。目前关于ECG身份识别的研究已经取得许多进展,但在特征冗余、准确率和时效性等方面存在不足。我们针对以上问题进行了以下相关研究:1.构建了一种基于ICA-CatBoost的ECG身份识别方案。梯度提升算法(Gradient Boosting,GB)具有良好的兼容性,在预测和分类中显示出巨大的优势,并为建立安全可靠的ECG身份识别模型提供了技术支持。鉴于目前国内外存在特征冗余和准确率不高的问题,本文构建了基于ICA-CatBoost的ECG身份识别算法,其中CatBoost是基于梯度提升决策树的机器学习框架。原始心电信号含有噪声,信噪比较低,因此在预处理阶段需进行去噪处理。首先通过滤波器或小波变换对ECG信号进行滤噪处理,再利用差分定位法定位R点分割出单周期的心电信号。将预处理后的ECG信号采用独立成分分析(Independent Component Correlation Algorithm,ICA),对高阶分量进行有效信息提取后将多维数据转化为低维数据,最后使用CatBoost分类器进行识别。该方案有效的解决了ECG信号的冗余性,同时和CatBoost分类器结合,大大提高分类的准确性和实用性。实验结果表明,采用CatBoost算法能够大幅提升系统的准确率,与支持向量机(Support Vector Machine,SVM)、KNN、线性判别式分析(Linear Discriminant Analysis,LDA)和随机森林等方法相比,该方法的准确率达到了98.05%。2.构建了一种基于Light GBM算法的ECG身份识别方案。针对上述方案对所有特征进行热编码的耗时问题,解决在大样本、高维度数据下为寻找最佳分割点需扫描所有的样本点的效率问题,引入了Light GBM算法构建分类模型。Light GBM算法使用了对样本采样计算梯度和互斥特征捆绑的方式避免使用所有样本。采用独立成分分析算法对其进行降维处理后再导入Light GBM算法模型中,该算法模型的目标函数采用直方图做差加速的方法,具有更快的训练效率和低内存使用,更适用于工业实践。其中采用ECG-ID和PTB数据库中的ECG数据验证所提出的方法。实验表明,Light GBM算法提高了识别精度和速度,识别率提高到99.02%,因此,该算法更适应实际工程。综上所述,近年来神经网络算法的应用得到广泛推广,但在训练样本数量有限,需要短时训练,缺乏有关参数调整等情况下提升算法的作用更为明显,梯度提升算法是利用弱预测模型,并且通过可微分的损失函数构建模型。本论文的研究对于改善ECG身份识别模型的识别精度和速度方面有一定优势,使ECG身份识别趋于实用化。