最后更新:2022/1/9
Robust Deep Identification using ECG and Multimodal Biometrics for Industrial Internet of Things 基于ECG和多模态生物特征的工业物联网鲁棒深度识别 |
这篇文章,上来一句: 在工业物联网中使用心电图(ECG)数据进行个人身份识别可以在理想条件下达到近乎完美的准确度。 查相关文献。 这项工作提出了一种基于多模态生物特征的鲁棒可靠的新识别技术,该技术利用深度学习将指纹、心电图和面部图像数据结合起来,特别适用于识别和性别分类。 据我们所知,本文提出的关键概念是结合多模态、多任务和不同融合方法的开创性工作。 数据的预处理: 人脸数据和指纹数据:旋转、平移、裁剪;采用预训练模型 心电数据:低通滤波和高通滤波。Pan-Tompkins QRS检测算法进行R波峰值检测。峰值若为负值,设置为0。 他们做了9个实验: 第一个实验考虑了使用单一模态和多模态的多任务学习(识别用户和分类性别)。 第二个实验比较了基于多模态生物特征的多任务和单任务学习,多模态生物特征包括来自ECG-ID[59,60],PTB[59,61]的ECG数据,面部图像(Face95[62])和指纹(FVC205[63]). 第三个实验使用两个距离度量测试用户身份验证。 第四个实验在数据中加入了噪声,以验证模型的鲁棒性。第五个实验研究了当三个生物特征数据集中的一个或两个丢失时对性能的影响。 第六个实验比较了特征级融合和分数级融合的性能,分数级融合基于总和、最大值或乘积规则。 第七个实验修改了关节损失,给出了不同的权重。 第八个实验研究了数据扩充如何影响多模态/多任务模型的性能。 最后的第九个实验改变了融合模型的超参数,以找到最优的结构。更改节点数以比较每个任务的准确性(用户标识和性别分类)。 。 |
数据集: 心电数据集: ECG-ID 90人,310条,20s,500Hz,单导 PTB ECG 290人,549条,2min左右,1KHz,12+3导 面部图像: Faces95 72人,*20=1440,180*200像素 指纹图像: FVC206 150人,7200图(电场+光学+热扫描+SFinGe) 虚拟数据集: 根据年龄和性别随机分配心电和指纹 实验结果: 单模态与多模态比较 单任务与多任务比较 数据增强前后的欧氏距离和余弦距离 噪声下的多模型表现 有模态缺失时的准确率 特征级别融合和分数级别融合 有无数据增强的模型表现 |