基于心电信号的ResNet-Attention认证模型

本文链接：https://blog.csdn.net/weixin_55121617/article/details/129319735

本文提出了一种使用心电图(ECG)信号的端到端深度神经网络(DNN)身份验证方法，包括卷积神经网络(CNN)和带有注意机制的ResNet模型。研究中，这两种模型在PTB和CYBHi数据库上的表现优秀，ResNet-Attention模型分别达到98.85%和99.27%的准确率，证明了其在实时认证系统的潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.摘要

身份验证是验证用户声称的身份的过程。最近，传统的身份验证方法(如密码、令牌等)不再用于身份验证，因为它们更容易被盗用和不同类型的违规。因此，考虑了基于生物特征模式的新的认证方法，例如从心电图信号中获得的心跳模式。与其他生物识别技术不同的是，心电图可以保证人的活着，被认为是目前最准确的身份验证方法之一。本文提出了两种基于心电图的端到端深度神经网络认证模型。在第一个模型中，开发了卷积神经网络(CNN)，在第二个模型中，设计了带有注意机制的剩余卷积神经网络(ResNet)用于人类身份验证。

我们使用了从两个ECG数据库(Physikalisch-Technische Bundesanstalt [PTB]和Check Your Bio-signals Here initiative [CYBHi])获得的2秒持续心电信号进行验证。我们提出的ResNet-Attention算法使用PTB和CYBHi分别达到了98.85和99.27%的准确率。结果表明，该模型的性能优于现有算法，可以应用于心电数据更加多样化的实时认证系统。

关键词：认证，生物识别，卷积神经网络，DNN, ECG，端到端结构，ResNet

2.研究介绍

心电信号可以用作生物特征。心电图是通用的，因为它是有条件的心脏活动，发生在每一个活着的人。它是独一无二的，因为它的特征因人而异。

3.材料与方法

本研究提出了两种新颖的DNN模型，该模型具有基于心电信号的端到端结构。我们的方法结合了机器学习方法的所有阶段，如预处理、特征提取和分类，而不是为每个阶段开发不同的模型。来自数据库的单个心电信号直接输入到所提出的DNN模型中。然后，我们提出的模型决定这个人是否可以访问系统(Accept)或不能(Reject)。

3.1 数据集

PTB database

•由290个科目的549个记录组成(每个科目1到5个记录)。

•受试者的年龄范围为17岁至87岁(略少于三分之二的受试者为男性，其余为女性)。

•每条记录中有15个测量信号:12个使用传统导联，其余3个使用Frank导联ECG信号。

•信号采样频率保持在1000hz。

本文使用了从PTB数据库中选取的持续时间为2秒的II型导联心电图(2000个样本脉冲)。然后使用标准化Z-score归一化对每条记录进行归一化

CYBHi database

•包括65名志愿者，其中49名男性，16名女性，平均年龄在21至41岁之间。3个月内，两会记录的主体数量为63个。

•使用两个ECG传感器收集数据。第一个传感器用两个干电极收集数据，第二个传感器用电解槽收集数据。这些传感器被设置在手掌和两个手指(食指和中指)上。

•信号采样频率保持在1000hz。

采集了一个持续时间为2秒的导联心电信号(2000个样本脉冲)。数据库使用Z-score归一化进行归一化。

3.2 CNN model

为了获得所提模型的最佳性能，我们比较了5种不同层的CNN网络结构(表1)的认证性能：

上图是使用两种数据库比较不同CNN架构的性能。

上表是所CNN模型的各个层的细节。

3.3 ResNet model

使用ResNet来使用原始心电波形进行人体身份验证。然而，由于心电记录的形态特征复杂且难以表征，仅用ResNet提取心电记录的特征并不有效和高效。因此，我们使用ResNet从原始心电图中提取局部特征，并利用注意力机制等其他网络组件来总结局部特征系列。网络由三部分组成:局部特征学习部分和全局特征学习部分以及认证部分，如下图所示