基于心电图的生物特征认证机器学习框架
密码学与安全
2019-08-06 v3 机器学习
摘要
本文介绍了一个框架，说明如何恰当地采用和调整用于构建基于心电图（ECG）的生物特征认证方案的机器学习（ML）技术。所提框架可帮助研究者和开发者界定基于 ECG 的生物特征认证机制所需数据集的边界，并获得高质量的训练数据。为确定数据集边界，采用了用例分析。基于多种基于 ECG 认证的应用场景，开发了三种不同的用例（或认证类别）。向相应机器学习方案提供更多合格训练数据后，基于 ML 的 ECG 生物特征认证机制的精度随之提高。该框架利用以 R 峰为锚定的 ECG 时间切片技术获取高质量 ML 训练数据。在提出的框架中引入了四种新度量指标来评估 ML 训练与测试数据的质量。此外，开发了一个 Matlab 工具箱，包含所提全部机制、度量指标及使用多种 ML 技术的演示样本数据，并已公开供进一步研究。对于开发基于 ML 的 ECG 生物特征认证，该框架可指导研究者准备恰当的 ML 设置与 ML 训练数据集，以及三种已识别的用户用例场景。对于采用 ML 技术在其他研究领域设计新方案的研究者，该框架仍有助于生成高质量的基于 ML 的训练与测试数据集并利用新度量指标。
引用
@article{arxiv.1903.12340,
title = {A Machine Learning Framework for Biometric Authentication using Electrocardiogram},
author = {Song-Kyoo Kim and Chan Yeob Yeun and Ernesto Damiani and Nai-Wei Lo},
journal= {arXiv preprint arXiv:1903.12340},
year = {2019}
}
备注
This paper has been published in the IEEE Access