DE-PADA：跨生理状态心电生物识别的个性化增强与领域自适应
机器学习
2025-02-10 v1
摘要
基于心电图（ECG）的生物识别提供了一种有前景的用户识别方法，它结合了内在的活体检测与形态学独特性。然而，心率升高会引入显著的生理变异性，给模式识别系统带来挑战，并导致静息状态与运动后状态之间存在显著的性能差距。解决这一差距对于推进基于 ECG 的生物识别系统在实际应用中的发展至关重要。我们提出了 DE-PADA，一种具有个性化增强和领域自适应的双专家模型，旨在增强跨不同生理状态的鲁棒性。该模型主要在评估数据集的静息状态数据上进行训练，不直接接触其运动数据。为了解决变异性问题，DE-PADA 融合了 ECG 特定的创新，包括将心跳分割为以其相对时间一致性著称的 PQRS 间期，以及对心率敏感的 ST 间期，从而能够针对每个区域的独特特征进行有针对性的特征提取。个性化增强利用个体 T 波峰值预测来调整增强范围，从而模拟跨心率的主体特异性 T 波变异性。领域自适应通过利用专门用于训练的辅助受试者的辅助数据（包括静息和运动状态）来进一步提高泛化能力。在多伦多大学 ECG 数据库上的实验证明了该模型的有效性。DE-PADA 在运动后识别率上取得了相对提升，在初始恢复阶段为 26.75%，在后期恢复阶段为 11.72%，同时在坐姿下保持了 98.12% 的识别率。这些结果凸显了 DE-PADA 处理主体内变异性并增强基于 ECG 的生物识别系统跨不同生理状态鲁棒性的能力。
引用
@article{arxiv.2502.04973,
title = {DE-PADA: Personalized Augmentation and Domain Adaptation for ECG Biometrics Across Physiological States},
author = {Amro Abu Saleh and Elliot Sprecher and Kfir Y. Levy and Daniel H. Lange},
journal= {arXiv preprint arXiv:2502.04973},
year = {2025}
}