一种心电异常状态下基于ECG多模板匹配的身份识别方法.pdf

本发明涉及一种心电异常状态下基于ECG的多模板匹配身份识别方法，属于生物特征身份识别技术领域，将待识别用户的心电数据与模板库中注册用户的数据进行比较，获得身份识别结果。该方法的关键技术包括：心电信号预处理，用于消除噪声干扰；心电信号分解，分离出每个周期的心电波形；标准化处理，分别在时间和幅值尺度上标准化；特征提取，利用小波变换提取特征，ISODATA算法进行聚类分析，进而构建ECG模板库；相关性分析，计算ECG测试数据与各模板的相关性，选择最佳匹配模板，最终获得身份识别结果。本发明提出的多模板匹配身份识别方法，利用人体内蕴的心电信号识别身份，并且将异常状态下的ECG数据考虑在内。

1.  一种心电异常状态下基于ECG的多模板匹配身份识别方法，其特征在于，包括如下步骤：
步骤1：原始ECG数据获取，预处理；
步骤2：心电信号分解及标准化处理；
步骤3：小波变换提取心电信号的典型特征，主成分分析对特征空间进行降维，得到表征ECG信号的特征向量；
步骤4：利用ISODATA算法对ECG数据聚类，进而构建注册用户ECG模板库；
步骤5：将待识别用户的ECG测试数据逐一与模板库中的心电模板进行匹配，采用相关系数作为相似度准则，得到身份识别结果。

2.  根据权利要求1所述的心电异常状态下基于ECG的多模板匹配身份识别方法，其特征在于，所述身份识别方法包括如下五个模块：

2.  1心电信号预处理模块；

2.  2信号分解及标准化模块；

2.  3心电信号特征提取模块；

2.  4心电模板数据库构建模块；

2.  5模板匹配及身份识别模块。

3.  根据权利要求2所述的基于ECG的身份识别方法包含的心电信号预处理模块，其特征在于，包含如下步骤：

3.  1获取用户稳定状态下具有一定时长的多段心电数据；

3.  2对每段心电数据进行预处理，设计合适的滤波器，滤除工频干扰、基线漂移及肌电干扰等噪声。

4.  根据权利要求2所述的基于ECG的身份识别方法包含的信号分解及标准化模块，其特征在于，包含如下步骤：

4.  1对用户的ECG数据，检测R波峰位置；

4.  2采用基于R波峰位置及相邻RR间期的方法，分离出每个心电周期的波形；

4.  3标准化处理，在时间尺度上使之具有相同的长度，在幅值尺度上使之具有相等的最大电压值。

5.  根据权利要求2所述的基于ECG的身份识别方法包含的心电信号特征提取模块，其特征在于，包含如下步骤：

5.  1利用R波峰位置及RR间期的信息，提取每拍心电波形的QRS复合波；

5.  2基于小波变换提取心电波形的原始特征；

5.  3采用主成分分析对心电特征空间进行降维，得到能够表征心电波形的特征向量。

6.  根据权利要求2所述的基于ECG的身份识别方法包含的心电特征模板库构建模块，其特征在于，包含如下步骤：

6.  1采用ISODATA算法将同一用户的ECG数据聚类，得到c类数据；

6.  2将QRS复合波作为每类ECG数据的待选模板；

6.  3采用相关阈值法，从每类待选模板中选取合适数目的典型QRS复合波，作为该类ECG数据的匹配模板；

6.  4对每个注册用户做相同处理，从而构建心电模板数据库。

7.  根据权利要求2所述的基于ECG的身份识别方法包含的模板匹配及身份识别模块，其特征在于，包含如下步骤：

7.  1获取待识别用户稳定状态下一段具有一定时长的心电数据，完成数据预处理、心电信号分解、标准化处理及QRS复合波提取等步骤；

7.  2采用相关阈值法，选取合适数目并且能够表征待识别用户的QRS复合波作为ECG测试数据；

7.  3将待识别用户的每个测试数据与ECG模板库中的所有模板进行匹配；

7.  4采用相关系数作为模板匹配相似度准则，寻找最佳匹配模板，综合考虑每个测试数据的匹配情况，确定待识别用户的身份。

一种心电异常状态下基于ECG多模板匹配的身份识别方法
技术领域
本发明涉及一种心电异常状态下基于ECG(Electrocardiogram)的多模板匹配身份识别方法，属于生物特征身份识别技术领域，利用人体内蕴的心电信号识别身份，不但针对健康人群，而且也适用于具有心律失常的个体。 
背景技术
现代社会中，身份识别在很多领域都有重要应用。伴随着当今社会对安全性需求的不断增强，传统身份识别方式的弊端逐渐显现，比如证件容易丢失、密码容易破解等。在这种背景下，基于生物特征的身份识别技术逐渐引起人们的广泛关注，成为研究的热点之一。 
基于生物特征的身份识别是指利用人体的生理特征或行为特性，来鉴别个人身份的一项技术。用于身份识别的生物特征或行为特性需满足普遍性、唯一性、稳定性和可测量性等特性。凭借着独特的便携性和可靠性等优点，诸如指纹识别、人脸识别和语音识别等生物特征身份识别技术取得了快速发展，并获得了广泛应用。 
ECG中的PQRST波形态在一段时期内保持相对稳定，即使在压力和运动等易导致心率变化的条件下，QRS复合波群仍然稳定。另外，受体型、年龄、性别、心脏位置、尺寸、解剖结构、胸腔构造和心脏生理特性等影响，ECG信号因人而异。同一个体正常心搏之间、同种心律失常心搏之间存在很大的相似性，内部差异小于个体心搏间的差异，因此，ECG可作为一种生物特征用于身份识别。 
与传统的生物特征身份识别方法相比，借助于人体内蕴的ECG信号进行身份识别逐渐受到学者的关注，它具有许多独特优点：1.防伪性，ECG信号来自于用户的心脏，是一种活体生物特征，与指纹、人脸及语音等特征相比，消除了被轻易模仿或窃取的隐患；2.易处理，ECG是一维信号，数据量小，处理简单，节省存储空间。 
很多学者对ECG信号用于身份识别进行了探讨，早期的研究工作主要围绕健康人群开展，依据正常ECG信号识别身份，并且取得了很高的识别准确率。然而，现实生活中具有心律失常的个体普遍存在，以上这些方法在心电异常状态下的效果并不好；近期的一些研究工作将异常ECG信号考虑在内，很多方法只涉及某一种或几种心律失常类型，实际应用中具有很大的局限性。 
发明内容
本发明综台考虑正常与异常ECG信号，提出一种准确率高且适用于心电异常状态的身份 识别算法。总体流程如图1所示，关键技术包括心电信号预处理、信号分解及标准化处理、心电特征提取、ECG数据聚类、心电模板数据库构建及身份识别。具体可分为以下五个模块： 
1.心电信号预处理模块 
1.1获取用户稳定状态下具有一定时长的多段心电数据，以数据文件的形式存储，对应头文件包含该用户的身份信息及心电数据格式； 
1.2对每段心电数据进行预处理，通过设计合适的滤波器实现，滤除工频干扰、基线漂移及肌电干扰等噪声。 
2.信号分解及标准化模块 
2.1对用户的ECG数据，检测R波峰位置； 
2.2采用基于R波峰位置及相邻RR间期的方法，分割连续心电波形，也就是将每周期心电波形逐次分离出来； 
2.3标准化处理，使同一个体的所有心电波形在时间尺度上具有相同的长度，在幅值尺度上具有相等的最大电压值。 
3.心电信号特征提取模块 
3.1利用R波峰位置及平均RR间期信息，提取每拍心电波形的QRS复合波； 
3.2基于小波变换(Wavelet Transform)提取ECG信号的特征； 
3.3采用主成分分析(Principal Component Analysis，PCA)对特征空间进行降维。 
4.心电模板数据库构建模块 
4.1采用ISODATA(Iterative Self-Organization Data Analysis Techniques)算法对同一用户的ECG数据聚类； 
4.2对每类ECG数据，以相应的QRS复合波作为待选ECG模板； 
4.3对每类待选模板，采用相关阈值法，选取合适数目的典型模板作为该类数据的匹配模板； 
4.4对所有注册用户做相同的处理，从而构建心电模板数据库。 
5.模板匹配及身份识别模块 
5.1获取待识别用户稳定状态下具有一定时长的一段心电数据，执行数据预处理、信号分解、标准化处理及QRS复合波提取等操作； 
5.2采用相关阈值法，选取合适数目并且能够表征该用户的QRS复合波作为ECG测试数据； 
5.3将每个测试数据与ECG模板库中的所有模板进行匹配； 
5.4把测试数据与模板数据之间的相关系数作为模板匹配准则，寻找测试数据的最佳匹 配模板，综合考虑同一待识别用户全部ECG测试数据的模板匹配结果，确定该用户的最终身份。 
本发明的优点在于： 
1.算法对分离出的每周期心电波形进行标准化处理，这样就很好地消除了由于压力、运动等外在因素导致的心率变化反映在心电波形时间尺度上的不一致性； 
2.算法在提取QRS复合波时，利用了成熟的R波检测算法，增加了提取的可靠性及精度；而在借助小波变换提取特征时，无需检测P波、Q波及T波位置，又极大地降低了算法的时间复杂度； 
3.算法在构建心电模板库时，不但利用正常ECG数据，而且对于具有心律失常的用户，把异常ECG数据也考虑在内，将正常和各类心律失常数据统一用ISODATA算法聚类，既提高了身份识别精度，也扩大了应用范围； 
4.在模板匹配及身份识别时，为了消除用户心电奇异值对算法的影响，增加系统健壮性，选取多个测试数据进行判别，综合考虑用户每个测试数据的最佳匹配模板及对应的相关系数，得到最终的身份识别结果。 
附图说明
图1为本发明技术方案总体流程图； 
图2为本发明技术方案模块结构示意图； 
图3为心电信号预处理模块流程图； 
图4为信号分解及标准化模块流程图； 
图5为心电信号特征提取模块流程图； 
图6为心电模板数据库构建模块流程图； 
图7为模板匹配及身份识别模块流程图。 
具体实施方式
为使本发明的实施步骤、效果和优点更为清楚，下面将结合附图对本发明的实施方式作进一步详细描述。 
本发明涉及一种心电异常状态下基于ECG的多模板匹配身份识别方法，参见图2，该方法包括： 
201：心电信号预处理模块； 
202：信号分解及标准化模块； 
203：心电信号特征提取模块； 
204：心电模板数据库构建模块； 
205：模板匹配及身份识别模块。 
其中，心电信号预处理模块用于获取用户的原始ECG数据，存储在数据文件中，经滤波处理，消除信号中的工频干扰、基线漂移及采集过程中的肌电干扰等噪声。心电信号预处理模块的流程图参见图3，具体包括： 
301：获取用户的原始ECG数据。本发明以MIT-BIH心律失常数据库(MIT-BIH Arrhythmia Database，MITDB)中的心电数据作为实验数据，选取其中44个心电数据文件，每个文件的时长大约30分钟，分别表征每个用户，记为User_i i＝1，2，...，44，前20分钟作为训练数据集，后10分钟作为测试数据集。 
302：数据滤波处理。人体心电是微弱信号，并且在采集过程中易受各种噪声干扰，因此，滤波处理是必不可少的步骤。 
本发明采用的滤波算法主要完成如下几方面的工作：1.对原始ECG信号进行去均值化处理；2.应用移动平均滤波器消除高频噪声干扰；3.消除基线漂移，主要考虑外部信号源的低频信号；4.采用截止频率为30Hz的巴特沃斯滤波器滤除频率高于30Hz的噪声。经如上四步处理，可以有效地去除ECG信号中各种主要噪声干扰。 
信号分解及标准化处理模块。对于预处理后的ECG数据，按照一定的分割规则，将用户每周期心电波形从连续心电信号中分离出来，并做标准化处理。信号分解及标准化模块的流程图参见图4，具体包括： 
401：R波峰位置检测。为提取ECG信号的特征，需检测R波峰位置，为此，本发明采用名为ECGPUWAVE的QRS波检测器来实现，该检测器的输出是一个包含R波峰采样点位置的文件。 
402：心电信号分解。为了将用户的ECG数据聚类，并进而构建心电模板库，需要将每个心动周期的ECG信号从连续心电数据记录中分离出来。本发明采用基于R波峰位置及相邻RR间期的方法实现。MITDB中心电数据的采样频率为360Hz，对用户User_i训练集中的心电数据，计算可得周期数为M，采样点数为n，则该段数据时长为 
t=n360s]]>
平均RR间期为 
tRR=n360*Ms]]>
心电信号分解遵循如下原则： 
1.对当前心电波形，R波峰位置为t_R-position，与前一个相邻R波峰的时间间隔记为t_{RR_}pre，与后一个相邻R波峰的时间间隔记为t_{RR_}next； 
2.选取时间区间为[t_{R_}position-0.4*t_{RR_}pre，t_{R_}position+0.6*t_{RR_}next]的一段数据表征当前心电波形； 
3.对所有用户的心电数据做相同处理，实现心电信号分解。 
403：时间尺度标准化。心率易受外界环境影响，为了消除心率变化对算法精度造成的不利影响，需要对每个心电波形在时间尺度上做标准化处理，具体实现方式如下： 
以当前周期心电R波峰位置为基准，并参考该用户的平均RR间期值t_RR进行调整。 
1.如果当前周期心电波形的时间区间长度大于平均RR间期，即0.4*t_{RR_}pre+0.6*t_{RR_}next＞t_RR，则进行区间压缩，区间压缩系数为 
kcomp=0.4*tRR-per+0.6*tRR-next-tRR0.4*tRR-pre+0.6*tRR-next]]>
2.如果当前周期心电波形的时间区间长度小于平均RR间期，即0.4*t_RR-pre+0.6*t_{RR_}next＜t_RR，则进行区间扩展，区间扩展系数为 
kexpd=tRR-(0.4*tRR-pre+0.6*tRR-next)0.4*tRR-pre+0.6*tRR-next]]>
3.对所有心电波形做上述区间压缩或扩展处理，得到时间尺度上标准化的ECG信号。 
404：幅值尺度标准化。为了消除测量仪器导致的幅值变化，需要对每个心电波形在幅值尺度上进行标准化处理，具体实现方式如下： 
1.记录同一用户所有ECG信号R波峰位置处的幅值，求取平均值
2.如果当前ECG信号R波峰位置处的幅值大于平均值，即则将幅值压缩，压缩系数为 
kcomp=AmpR-AmpR‾AmpR]]>
3.如果当前ECG信号R波峰位置处的幅值小于平均值，即则将幅值拉伸，拉伸系数为 
kexpd=AmpR‾-AmpRAmpR]]>
405：心电数据存储。对用户User_i i＝1，2，...，44的心电数据，经信号分解及标准化处理，用二维矩阵保存，记为ECGⁱ_mn，i＝1，2，...，44，其中m为ECG个数，n为ECG数据的采样点数。 
心电信号特征提取模块。对于ECG标准化数据，一方面提取QRS复合波，作为用户的待选模板集，另一方面用小波变换提取原始特征，主成分分析对特征空间进行降维，也就是消除冗余特征，可降低算法的时间复杂度。心电信号特征提取模块的流程图参见图5，具体 包括： 
501：提取QRS复合波。以R波峰位置为基准提取QRS复合波，对于标准化的ECG数据，只需利用R波峰位置及RR间期平均值t_RR进行提取。假如当前ECG信号R波峰位置为t_R-position，以0.15*t_RR的时长分别向前和向后截取一段心电数据作为QRS复合波。对于用户User_i i＝1，2，...，44，用二维矩阵存储提取的QRS复合波，记为QRSⁱ_mn，i＝1，2，...，44，其中m为QRS波形个数，n为每个QRS波形的采样点数。 
502：小波变换提取特征。采用名为Daubechies的小波函数对ECG信号进行小波变换，Daubechies小波简称dbN，其中N为小波阶数，小波函数ψ(t)和尺度函数φ(t)的支撑区均为2N-1。ψ(t)可由φ(t)求出，是φ(2t)的移位加权和，如下式所示 
ψ(t)=Σkgkφ(2t-k)]]>
N值不同，权值g_k也不同。φ(t)长度有限，支撑域为[0，2N-1]，因此，得到的ψ(t)为有限支撑，支撑域为[1-N，N]。 
理论和经验表明，db3小波与心电波形相似，满足选择的相似性原则，因此，选择db3小波作为小波基，它具有长度为5的支撑域，较短的支撑长度可以有效地降低算法的时间复杂度，有利于ECG信号的特征提取。 
由于不同用户小波分解系数波形比时域波形差异更为明显，而同一用户各心拍小波分解系数波形差异小、较稳定，将ECG时域波形进行6级小波分解，db3作为小波基，变换后的小波系数组成特征向量，记为x＝[x₁，x₂，...，x_p]。 
503：PCA进行特征降维。主成分分析是K.Pearson提出的一种数据分析方法，目的是从原始特征中计算出一组按重要性从大到小排列的新特征，它们是原始特征的线性组合，并且互不相关。 
设新特征为y_i，i＝1，2，...，p，是上述原始特征的线性组合 
yi=Σj=1pαijxj=αiTx]]>
为统一y_i的尺度，不妨设定线性组合系数的模为1，即 
α_i^Tα_i＝1 
用矩阵表示如下 
y＝A^Tx 
其中，y是新特征y_i组成的特征向量，A是特征变换矩阵。需要解出最优的正交变换 矩阵A，使新特征y_i的方差达到极值。 
x的协方差矩阵设为∑，用训练样本估计。 
μ＝E{x} 
∑＝E{(x-μ)(x-μ)^T} 
协方差矩阵∑共有p个本征值λ_i，i＝1，2，...，p(包括可能相等和可能为0的本征值)，从大到小排序为λ₁≥λ₂≥…≥λ_p。 
PCA作为一种特征提取方法，是用较少的主成分来表示数据，取前k个主成分，那么它们代表数据的方差占总方差的比例为 
Σi=1kλiΣi=1pλi]]>
本发明中，将上述比例设为90％，据此可计算上式的k值，进而实现特征降维。 
504：把最终特征存储在二维矩阵中，记为Fⁱ_mk，i＝1，2，...，44，其中，m为用户的心电波形个数，k为采用的主成分个数。 
心电模板数据库构建模块。采用ISODATA算法对用户的ECG数据聚类，在类别评判准则下得到合理的分类结果。借助相关阈值法，在每一类别数据中选择典型ECG信号，进而生成该类别的模板，对所有用户每一类别的心电数据做相同处理，构建注册用户心电模板数据库。心电模板数据库构建模块的流程图参见图6，具体包括： 
601：ISODATA算法聚类。ISODATA(Iterative Self-Organizing Data Analysis Techniques，迭代自组织数据分析技术)可以看作是一种改进的C均值聚类算法。该算法是在把全部样本调整完毕后计箅各类的均值，这样可以提高运算效率，另外，在聚类过程中引入对类别的评判准则，借此可自动将某些类别合并或分裂，从而得到更为合理的聚类结果，也在一定程度上突破了事先给定类别数目的限制。 
对于用户User_i，设由N个ECG数据组成样本集，用各自的特征向量表示，记为 ISODATA算法聚类后，得到c个聚类中心，用m_j，j＝1，2，...，c表示。 
602：相关阈值法选择模板。为了降低算法的时间复杂度，采用相关阈值法在用户的每类ECG数据中选择典型QRS复合波作为该类的匹配模板，具体实现过程如下： 
1.用户User_i类别Г_j的均值m_j为 
mj=1NjΣFi∈ΓjFi,j=1,2,...,c]]>
其中，N_j是第j个聚类的样本数目。 
2.在类别Г_j中选择K个距类别中心m_j最近的样本对应的QRS复合波作为待选模板，按距离从小到大依次排列，记为QRSⁱ_st，i＝1，2，...，44s＝1，2，...，K。 
3.不妨选择QRSⁱ_1t作为基准模板，计算与剩余K-1个待选模板的相关系数 
rs(QRSi1t,QRSist)=Cov(QRSi1t,QRSist)D(QRSi1t)·D(QRSist),s=2,3,...,K]]>
其中，Cov(QRSⁱ_1t，QRSⁱ_st)是待选模板QRSⁱ_1t和QRSⁱ_st的协方差，D(QRSⁱ_1t)和D(QRSⁱ_st)分别是QRSⁱ_1t和QRSⁱ_st的方差。 
Cov(QRSⁱ_1t，QRSⁱ_st)＝E{[QRSⁱ_1t-E(QRSⁱ_1t)][QRSⁱ_st-E(QRSⁱ_st)]} 
D(QRSⁱ_1t)＝E{|QRSⁱ_1t-E(QRSⁱ_1t)|²} 
D(QRSⁱ_st)＝E{|QRSⁱ_st-E(QRSⁱ_st)|²} 
而E(QRSⁱ_1t)和E(QRSⁱ_st)分别是QRSⁱ_1t和QRSⁱ_st的均值。 
603：构建心电模板库。为了构建心电模板数据库，设定类别Γ_j的模板选择阈值为Th^j₁，作为从待选模板中选择典型模板的门限，把相关系数的平均值作为阈值Th^j₁
Thj1=1K-1Σs=2Krs(QRSi1t,QRSist)]]>
设定该类Г_j的模板匹配阈值为Th^j₂，作为ECG测试数据模板匹配成功与否的准则，把相关系数的最小值作为阈值Th^j₂
Thj2=minsrs(QRSi1t,QRSist)]]>
对所有用户的ECG数据做上述处理，得到表征每类心电数据的多个模板，记为Tempⁱ_jk，i＝1，2，...，44，其中j为User_i的聚类数，而k为第j类的模板数。 
模板匹配及身份识别模块。把用户User_i i＝1，2，...，44后10分钟的心电数据作为测试数据，经数据预处理模块和信号分解及标准化模块处理后，得到ECG标准化数据，仍然利用R波峰位置信息提取QRS复合波，借助相关阈值法选择ECG测试数据，结合构建的心电模板数据库做相关性分析，进而获取每个测试数据的最佳匹配模板，对应的相关系数如果大于匹配阈值，则表明匹配成功，否则视为非法数据，予以拒绝。当所有测试数据匹配完成后，再 综合考虑同一用户所有测试数据的匹配结果，给出最终的身份识别结果。模板匹配及身份识别模块的流程图参见图7，具体包括： 
701：提取QRS复合波。对于用户User_l l＝1，2，...，44，选取对应心电数据文件后10分钟的数据作为测试数据，经数据预处理模块和信号分解及标准化模块处理后，得到ECG标准化数据。 
以R波峰位置为基准提取ECG信号QRS复合波，由于心电数据已标准化处理，因此，只需利用R波峰位置及RR间期平均值t_RR进行提取。假如当前ECG信号R波峰位置为t_{R_}position，以0.15*t_RR的时长分别向前和向后截取一段数据作为QRS复合波。对于用户User_l l＝1，2，...，44的心电数据，提取的QRS复合波用二维矩阵存储，记为QRS^l_uv，l＝1，2，...，44，其中u为QRS波形个数，v为QRS波形的采样点数。 
702：相关阈值法选择测试数据。对于用户的QRS复合波，随机选取K个波形作为待选测试数据，记为QRS^l_uv，l＝1，2，...，44u＝1，2，...，K，为保证波形的相似性及测试数据的典型性，采用相关系数阈值法得到最终的ECG测试数据。不妨选取QRS^l_1v作为基准数据，计算与剩余K-1个数据的相关系数r_u(QRS^l_1v，QRS^l_uv)，u＝2，3，...，K，把平均值作为测试数据选择的阈值Th^l
Thl=1K-1Σu=2Kru(QRSl1v,QRSluv)]]>
对所有用户的ECG数据做上述处理，得到表征用户身份的ECG测试数据，记为Test^l_uv，l＝1，2，...，44，其中u为User_l的QRS复合波个数。 
703：相关性分析。至此，得到44个用户的ECG模板数据Tempⁱ_jk，i＝1，2，...，44和测试数据Test^l_uv，l＝1，2，...，44。 
对于第l位待识别用户的第u个心电测试数据Test^l_u，计算与所有注册用户各类模板中全部模板数据的相关系数，即r_i，j，k(Test^l_u，Tempⁱ_jk)。 
704：获取最佳匹配模板。采用相关系数准则选择测试数据的最佳匹配模板，首先在用户的同类心电数据中选择相关系数最大的模板，即max_k{r_i，j，k(Test^l_u，Tempⁱ_jk)}，然后在用户每类心电数据中选择，即max_j{max_k{r_i，j，k(Test^l_u，Tempⁱ_jk)}}，最后在所有用户的心电数据中选择最佳匹配模板，即max_i{max_j{max_k{r_i，j，k(Test^l_u，Tempⁱ_jk)}}}。至此，经过上述三步求最大值处理，为待识别用户的每个测试数据找到最佳匹配模板。 
705：综合考虑模板匹配情况得出身份识别结果。为待识别用户的每个测试数据搜索到最佳匹配模板后，如果对应的相关系数大于预设模板匹配阈值，则表明匹配成功，否则算法将该测试数据作为非法数据，予以拒绝。 
待识别用户具有多个ECG测试数据，因此需要综合考虑同一用户全部数据的模板匹配情况，而匹配结果的权重与所对应的相关系数值成正比，据此得到最终的身份识别结果。对用户User_l l＝1，2，...，44的测试数据Test^l_u，对应的最佳匹配模板记为Tempⁱ_j，i＝1，2，...，44。 
如果考虑单个ECG测试数据对模板的匹配，记为 
Iu,i,jmatch(Testlu,Tempij)]]>
如果考虑单个ECG测试数据对注册用户的匹配，记为 
Iu,imatch(Testlu,Tempi)=maxi{maxj{maxk{ri,j,k(Testlu,Tempijk)}}}]]>
如果考虑待识别用户对注册用户的匹配，则记为 
Il,imatch(Testl,Tempi)=maxi{i*Iu,imatch(Testlu,Tempi)}]]>
最后，算法输出最终的身份识别结果。