CrossStateECG：用于休息-运动 ECG 生物识别的多尺度深度卷积网络与注意力机制
机器学习
2025-10-21 v1
摘要
当前 ECG 生物识别研究主要侧重休息状态，对休息-运动情景下的性能下降问题处理不力。本文引入 CrossStateECG，一个专为跨状态(休息-运动)条件下的 ECG 基于身份的认证模型而设计。该模型创造性地将多尺度深度卷积特征提取与注意力机制相结合，以确保在不同生理状态下的强识别能力。实验结果表明，在运动-ECGID 数据集上验证了 CrossStateECG 的有效性，在休息到运动情景(在休息 ECG 上训练、在运动后 ECG 上测试)的识别准确率达到 92.50%，在运动到休息情景(在运动后 ECG 上训练、在休息 ECG 上测试)的准确率达到 94.72%。此外，CrossStateECG 在两种状态组合情景下均表现出色，休息到休息情景下的准确率达到 99.94%，混合到混合情景下的准确率达到 97.85%。在 ECG-ID 和 MIT-BIH 数据集上的额外验证进一步确认了 CrossStateECG 的泛化能力，凸显其作为动态真实场景下基于运动后 ECG 认证解决方案的潜在价值。
引用
@article{arxiv.2510.17467,
title = {CrossStateECG: Multi-Scale Deep Convolutional Network with Attention for Rest-Exercise ECG Biometrics},
author = {Dan Zheng and Jing Feng and Juan Liu},
journal= {arXiv preprint arXiv:2510.17467},
year = {2025}
}