基于多模型预训练和自约束中心学习的开放场景心电图身份认证
广义相对论与量子宇宙学
2025-04-29 v1 高能物理 - 理论
摘要
心电图（ECG）信号具有固有的唯一性，使其成为身份认证的有前景生物识别模态。因此，ECG 身份认证近年来受到广泛关注。然而，大多数现有方法主要致力于提高封闭集环境下的认证准确率，对面对开放集场景挑战的研究有限。在实际应用中，身份认证系统常会遇到大量未见数据，可能导致安全漏洞和性能下降。为此，我们提出了一个在开放集环境下仍能保持高性能的健壮 ECG 身份认证系统。首先，我们采用多模态预训练框架，将 ECG 信号与其相应 fiducial 特征派生的文本报告配对，以增强信号编码器的表征能力。在微调期间，我们引入自约束中心学习和无关样本排斥学习以约束特征分布，确保编码表示为分类提供清晰的决策边界。我们的方法在开放集样本存在下实现了 99.83% 的认证准确率，将虚假接受率控制在 5.39% 以下。此外，在 various 开放集比例下，我们的方法表现出色，将开放集分类率保持在 95% 以上。
引用
@article{arxiv.2504.18607,
title = {Implications of Complexity Factor on Evolution of New Dynamical and Static Wormholes in $f(R, T)$ Gravity},
author = {M. Zubair and Hina Azmat and Quratulien Muneer and Saira Waheed and M. B. Cruz},
journal= {arXiv preprint arXiv:2504.18607},
year = {2025}
}
备注
30 pages, 18 figures