DT4ECG: 基于心电图的人体身份识别与人体活动检测的双任务学习框架
信号处理
2025-02-18 v1 机器学习
摘要
本文提出 DT4ECG，一种用于基于心电图（ECG）的人体身份识别与活动检测的创新双任务学习框架。该框架采用鲁棒的一维卷积神经网络（1D-CNN）骨干网络，并结合残差块以提取具有判别性的 ECG 特征。为增强特征表示，我们提出一种新颖的序列通道注意力（SCA）机制，该机制融合通道维度和序列上下文注意力，在时间维度和通道维度上同时优先处理信息性特征。此外，为解决多任务学习中的梯度不平衡问题，我们集成了 GradNorm 技术，该技术根据梯度大小动态调整损失权重，确保各任务间的平衡训练。实验结果表明，我们模型的性能优异，在身份分类任务上达到 99.12% 的准确率，在活动分类任务上达到 90.11% 的准确率。这些发现强调了 DT4ECG 框架在提升健身监测和个性化医疗等各类应用中的安全性与用户体验方面的潜力，从而为将基于心电图的生物特征识别融入日常技术提供了一种变革性的方法。
引用
@article{arxiv.2502.11023,
title = {DT4ECG: A Dual-Task Learning Framework for ECG-Based Human Identity Recognition and Human Activity Detection},
author = {Siyu You and Boyuan Gu and Yanhui Yang and Shiyu Yu and Shisheng Guo},
journal= {arXiv preprint arXiv:2502.11023},
year = {2025}
}