基于混合机器学习的无线心电图信号智能篡改检测
机器学习
2025-08-06 v2 密码学与安全
信号处理
摘要
随着无线心电图(ECG)系统在健康监测和身份验证中广泛应用，保护信号完整性以抵御篡改正在变得越来越重要。本文分析了 CNN、ResNet 和混合 Transformer-CNN 模型用于篡改检测的性能。还评估了基于 ECG 的 Siamese 网络进行身份验证的性能。模拟了六种篡改策略，包括结构化段落替换和随机插入，以模仿现实世界的攻击。将一维 ECG 信号转换为以连续小波变换(CWT)为基础的二维时频域表示。模型使用 2019 年至 2025 年间来自 54 名受试者的 ECG 数据进行训练和评估，受试者在七种不同日常活动下进行记录。实验结果表明，在高度碎片化的操纵场景中，CNN、FeatCNN-TranCNN、FeatCNN-Tran 和 ResNet 模型实现了超过 99.5% 的准确率。同样地，对于微妙的操纵(例如，50% 来自 A 和 50% 来自 B 的替换，或 75% 来自 A 和 25% 来自 B 的替换)，我们的 FeatCNN-TranCNN 模型始终可靠地实现了 98% 的平均准确率。对于身份验证，纯 Transformer-Siamese 网络实现了 98.30% 的平均准确率。相比之下，混合 CNN-Transformer Siamese 模型实现了完美的验证性能，达到 100% 的准确率。
引用
@article{arxiv.2507.06402,
title = {Detection of Intelligent Tampering in Wireless Electrocardiogram Signals Using Hybrid Machine Learning},
author = {Siddhant Deshpande and Yalemzerf Getnet and Waltenegus Dargie},
journal= {arXiv preprint arXiv:2507.06402},
year = {2025}
}