学习心脏特征：跨时间和运动的ECG生物识别
Learning Cardiac Features: ECG Biometrics Across Time and~Exercise
另 3 家 · 查看机构详情
- Aix-Marseille Univ（艾克斯-马赛大学）
- CNRS（法国国家科学研究中心）
- LIS（计算机与系统实验室）
- Inserm-INRAE（法国国家健康与医学研究院-法国国家农业、食品与环境研究院）
- C2VN（神经科学与心血管营养中心）
- University Hospitals of Marseille（马赛大学医院）
机构由 AI 辅助整理，请以论文原文为准。
浏览论文内容
中文总结 AI 辅助
本研究评估了ECG生物识别在运动和跨会话条件下的鲁棒性，采用Siamese ResNet与多导联融合，在CYBHi数据集上达到3.9%的EER，证实了心脏特征的内在稳定性。
中文摘要 AI 辅助
心电图（ECGs）携带特定于个体的模式，能够实现可靠的个体区分，构成ECG生物识别的基础。除身份验证外，这一范式在保护敏感心脏数据及作为自监督学习中的预训练任务方面具有巨大潜力。然而，大多数研究仍局限于单次会话、静息状态的数据，对时间和生理变化的鲁棒性在很大程度上未得到测试。我们通过评估在涉及运动诱发压力和跨会话变异性的现实条件下的ECG生物识别来填补这一空白。一个采用后期多导联融合策略的Siamese ResNet在从心肺运动测试中提取的大型ECG数据集上训练，并通过运动和時間感知协议以及公共基准进行评估。这项首次在生理和时间变异性联合条件下对ECG生物识别进行的广泛评估，在会话内静息至峰值阶段实现了1.7%的等错误率（EER），并在CYBHi数据集上达到了最先进的3.9%的EER。研究结果支持存在一种对生理和时间漂移具有抵抗力的内在心脏特征。
英文摘要
Electrocardiograms (ECGs) carry subject-specific patterns enabling reliable individual discrimination, forming the basis of ECG biometrics. Beyond authentication, this paradigm holds significant potential to secure sensitive cardiac data and to serve as a pretext task in self-supervised learning. Yet, most studies remain confined to singlesession, resting data, leaving robustness to temporal and physiological variations largely untested. We address this gap by evaluating ECG biometrics under realistic conditions involving exercise-induced stress and cross-session variability. A Siamese ResNet with late multi-lead fusion strategy is trained on a large ECG dataset extracted from cardiopulmonary exercise tests and evaluated with a exercise-and time-aware protocol, as well as on public benchmarks. This first extensive assessment of ECG biometrics under combined physiological and temporal variability achieves an intra-session rest-to-peak EER of 1.7% and stateof-the-art 3.9% on the CYBHi dataset. Findings support the presence of an intrinsic cardiac signature resilient to physiological and temporal drift.
