基于ArcFace-Inception的 ECG 生物识别：在 MIMIC 和 HEEDB 上的外部验证
机器学习
2026-04-07 v1 人工智能
摘要
ECG生物识别主要在小规模队列和短时间间隔内进行研究，留下了在大型队列、外部域漂移以及多年时间间隔下进行识别的开放问题。我们在来自MIMIC-IV-ECG和HEEDB的较大队列中对训练于内部临床语料库（包含164,440个12导联ECG、53,079名患者）的1D Inception-v1模型进行评估。该研究采用统一的封闭式留存协议，使用Rank@K和TAR@FAR指标，包括尺度、时序压力、重排序和置信度分析。在一般可比性测试中，该系统在ASUGI-DB上实现Rank@1为0.9506，在MIMIC-GC上为0.8291，在HEEDB-GC上为0.6884。在时序压力测试中，在保持队列大小恒定的条件下，MIMIC上的Rank@1从0.7853下降到0.6433，HEEDB上从0.6864下降到0.5560。HEEDB的规模分析显示，随着队列大小的增加，检索性能单调下降，但随着每个患者获得的检查次数增加而恢复。在HEEDB-RR上，后处理重排序进一步提高了检索效果，AS-norm达到Rank@1=0.8005，较0.7765的基线提升。因此，ECG身份信息在经外部验证的大规模封闭式条件下仍可被测量，但其操作质量受到域异构性、纵向漂移、队列大小以及第二阶段得分处理的强烈影响。
引用
@article{arxiv.2604.04485,
title = {ECG Biometrics with ArcFace-Inception: External Validation on MIMIC and HEEDB},
author = {Arjuna Scagnetto},
journal= {arXiv preprint arXiv:2604.04485},
year = {2026}
}