TransECG：基于 Transformer 的可解释 ECG 重识别风险分析
信号处理
2025-03-19 v1 机器学习
摘要
电生理图 (ECG) 信号在诊断、健康监测和生物识别身份验证等多个临床应用中广泛使用。虽然对医疗保健有价值，但它们也携带独特的生物识别标识符，构成隐私风险，尤其是在 ECG 数据在多个实体之间共享时。这些风险在共享环境中被放大，重识别威胁可能侵犯患者隐私。现有的深度学习重识别模型侧重准确率，却缺乏可解释性，难以理解 ECG 信号中编码的独特生物特征如何被识别和用于识别。缺乏这些见解，尽管准确率高，但开发安全可信的 ECG 数据共享框架仍然困难，尤其是在多样化、多来源环境下。在本工作中，我们引入 TransECG，一种基于视觉 Transformer (ViT) 的方法，使用注意力机制定位与重识别任务（如性别、年龄和参与者 ID）相关的关键 ECG 段落。我们的 метод 表现出高准确率（性别重识别为 89.9%，年龄重识别为 89.9%，ID 重识别为 88.6%），并在四个由 87 名参与者组成的真实世界数据集上进行验证。重要的是，我们提供了关于 ECG 组成部分（如 R 波、QRS 复合物和 P-Q 间期）在重识别中的关键见解。例如，在性别分类中，R 波贡献了模型注意力的 58.29%，而在年龄分类中，P-R 间期贡献了 46.29%。通过将高预测性能与增强的可解释性相结合，TransECG 为隐私导师的 ECG 数据共享提供了稳健的解决方案，支持开发安全可信的医疗保健数据环境。
引用
@article{arxiv.2503.13495,
title = {TransECG: Leveraging Transformers for Explainable ECG Re-identification Risk Analysis},
author = {Ziyu Wang and Elahe Khatibi and Kianoosh Kazemi and Iman Azimi and Sanaz Mousavi and Shaista Malik and Amir M. Rahmani},
journal= {arXiv preprint arXiv:2503.13495},
year = {2025}
}