大规模ECG生物识别中的验证与识别

Scagnetto Arjuna

大规模ECG生物识别中的验证与识别

机器学习 2026-02-05 v2

作者: Scagnetto Arjuna

摘要

本文研究了在大规模数据上的电生理图(ECG)生物识别，直接解决文献中存在的关键性问题：缺乏具备操作性指标和协议的大规模评估，这些评估能够实现跨研究的有意义的标准化和比较。我们表明，身份信息已存在于表格化表示( fiducial特征)中：即使采用简单的基于多层感知器(MLP)的嵌入网络，便可实现非平凡的性能，奠定了波形建模之前的强基准。随后我们采用基于嵌入的深度学习模型(ArcFace)，分别对特征和ECG波形进行建模，发现从表格输入转向波形输入可显著提升性能，同时更大规模的训练集和跨训练/验证/测试集的一致归一化进一步带来提升。在大规模测试集上，验证任务在严格的假阳性阈值下实现高TAR值(TAR=0.908 @ FAR=1e-3; TAR=0.820 @ FAR=1e-4)，EER为2.53%(all-vs-all)；闭集识别实现Rank@1=0.812和Rank@10=0.910。在开放集场景下，采用两阶段管线(基于嵌入的top-K短列表+重排序)可达到DIR@FAR最高可达0.976 @ FAR=1e-3和1e-4。总体而言，结果表明ECG携带可衡量的个人身份特征，大规模测试对于获得真实、可比较的指标至关重要。本研究提供了以操作性为导向的基准，帮助在不同协议下实现评估标准化。

关键词

ECG生物识别大规模评估验证识别 ArcFace TAR FAR EER

引用

@article{arxiv.2602.02776,
  title  = {Verification and Identification in ECG biometric on large-scale},
  author = {Scagnetto Arjuna},
  journal= {arXiv preprint arXiv:2602.02776},
  year   = {2026}
}

大规模ECG生物识别中的验证与识别

摘要

关键词

引用

相关论文