基于注意力引导的 1D 和 2D CNN 混合融合用于稳健的 ECG 生物识别
计算机视觉与模式识别
2026-05-19 v1 人工智能
密码学与安全
系统与控制
信号处理
系统与控制
摘要
电生理图（ECG）基于生物识别已成为实现安全认证和活体检测的有前景方案。然而，大多数现有方法依赖单模态深度学习架构，分别独立处理 1D 时间序列信号或 2D 时间频率表示，限制了其鲁健性和泛化能力。为此，本文提出一种集成 1D 和 2D 卷积神经网络（CNN）的混合框架，构建于统一的端到端架构之中。1D 分支从原始 ECG 信号中提取时序和形态特征，而 2D 分支从时间频率表示中捕获判别性频谱信息。注意力引导的融合机制根据输入特征动态加权两种模态，克服了传统静态融合策略的局限性。该框架在三个基准数据集（ECG-ID、MIT-BIH 和 PTB）上进行评估，包括健康受试者和心脏病患者，分别实现了 99.56%、100.00% 和 99.89% 的识别准确率。为评估长期生物识别稳定性，还在跨越十年的多 session Heartprint 数据集上进行实验。该方法在单 session 评估中实现了 98.54%（S1）、99.09%（S2）、94.93%（S3R）和 96.08%（S3L）的同 session 准确率，而跨 session 评估达到 56.33%（S1-S2）和 53.27%（S2-S3R），表明其能够捕获稳定的生物识别特征。最佳配置组合为 1D 处理采用 InceptionTime，2D 分析采用 ResNet-34，以及注意力融合。消融研究表明，所提注意力机制持续优于传统融合方法。总体而言，所提框架提供了一个稳健、可扩展且高性能的 ECG 生物识别解决方案。
引用
@article{arxiv.2605.17685,
title = {Attention-Guided Fusion of 1D and 2D CNNs for Robust ECG-Based Biometric Recognition},
author = {Arioua and Islameddine and Benzaoui and Amir and Zeroual and Abdelhafid and Houam and Lotfi},
journal= {arXiv preprint arXiv:2605.17685},
year = {2026}
}