аспирант с 01.01.2024 по настоящее время
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
УДК 004 Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
УДК 62 Инженерное дело. Техника в целом. Транспорт
Биометрия на основе электрокардиограммы (ЭКГ) предлагает перспективное решение для безопасной и надежной аутентификации, используя уникальные и внутренние характеристики ЭКГ сигналов. В отличие от внешних признаков, таких как отпечатки пальцев или распознавание лиц, ЭКГ сигналы являются внутренними для тела, что делает их высокоустойчивыми к подделке и гарантирует, что только живые люди могут быть проверены и аутентифицированы. Хотя существующие исследования в основном сосредоточены на системах с закрытым множеством, которые работают в пределах заранее определенных наборов данных, реальные приложения требуют возможностей распознавания с открытым множеством. Распознавание с открытым множеством означает, что системы должны уметь распознавать зарегистрированных пользователей и одновременно отклонять неизвестных лиц, что приводит к следующим вызовам: вариабельность сигналов, ограниченная обобщаемость классификаторов и недостаток богатых наборов данных. В этом обзоре рассматриваются особенности проектирования, вызовы и решения для реализации биометрии на основе ЭКГ в условиях открытого множества. Обсуждаются передовые методы классификации, включая модели глубокого обучения, техники классификации и новые модели, ориентированные на открытые множества, такие как OpenMax и EVMs. Кроме того, анализируется роль извлечения признаков, увеличения данных и метрик оценки в повышении производительности систем. Решение этих задач может сделать биометрию на основе ЭКГ основой для безопасной аутентификации в здравоохранении, Интернете вещей (IoT) и финансовых системах. Эта статья направлена на то, чтобы направить будущие исследования на разработку надежных и масштабируемых биометрических систем на основе ЭКГ.
Биометрия на основе ЭКГ, распознавание с открытым множеством, распознавание с закрытым множеством, системы аутентификации, вариабельность сигналов, модели классификации, глубокое обучение, OpenMax, экстремальные машины значений (EVMs).
1. М. Дж. Ахмед и др. «CardioGuard: гибридная нейронная сеть на основе ЭКГ для прогнозирующего мониторинга здоровья в телемедицинских системах,» SLAS Technology, т. 29, № 5, с. 100193, сент. 2024 г., doi:https://doi.org/10.1016/j.slast.2024.100193.
2. К. Лупу, В. Лупу и В.-Г. Гейтан. «Усиление безопасности интернет-банковских приложений с использованием мультимодальной биометрии,» SAMI 2015, янв. 2015 г., с. 47–52, doi:https://doi.org/10.1109/sami.2015.7061904.
3. М. Абухамад, Д. Ньянг, Д. Мохайзен и А. Абуснаина. «Непрерывная аутентификация пользователей смартфонов на основе сенсоров и поведенческой биометрии: современный обзор,» IEEE Internet of Things Journal, т. 8, № 1, с. 65–84, сент. 2020 г., doi:https://doi.org/10.1109/jiot.2020.3020076.
4. У. А. Хаммуд, С. Мохамад Асмара, М. А. Аль-Шарафи, О. А. Хаммуд, Р. Абдулла и А. Муталеб Хасан. «Обзор модели аутентификации пользователей для онлайн-банкинга на основе IMEI мобильных устройств,» IOP Conference Series: Materials Science and Engineering, т. 769, № 1, с. 012061, февр. 2020 г., doi:https://doi.org/10.1088/1757-899x/769/1/012061.
5. А. Пал, А. К. Гаутам и Й. Н. Сингх. «Оценка биоэлектрических сигналов для идентификации личности,» Procedia Computer Science, т. 48, с. 746–752, янв. 2015 г., doi:https://doi.org/10.1016/j.procs.2015.04.211.
6. Дж.-А. Ли и К.-С. Квак. «Идентификация личности с использованием ансамблевого подхода 1D-LSTM и 2D-CNN с электрокардиограммами,» Applied Sciences, т. 12, № 5, с. 2692, март 2022 г., doi:https://doi.org/10.3390/app12052692.
7. С. Линь, У. Янг, Ч. Чианг, Ч. Линь и Ч. Чен. «Идентификация личности на основе хаотичных сигналов ЭКГ во время мышечных упражнений,» IET Biometrics, т. 3, № 4, с. 257–266, дек. 2014 г., doi:https://doi.org/10.1049/iet-bmt.2013.0014.
8. А. Аль-Джибрин, С. Аль-Ахмади, С. Ислам и А. М. Артоли. «Идентификация личности по аритмическим сигналам ЭКГ с использованием глубокой сверточной нейронной сети,» Scientific Reports, т. 14, № 1, февр. 2024 г., doi:https://doi.org/10.1038/s41598-024-55066-w.
9. У. Чжан, Дж. Лин, С. Ван, М. Чжоу и Д. Хуанг. «Распознавание сигналов в условиях открытого множества на основе трансформера и расстояния Васерштейна,» Applied Sciences, т. 13, № 4, с. 2151, февр. 2023 г., doi:https://doi.org/10.3390/app13042151.
10. С. К. Иствуд, Д. О. Городничий, В. П. Шмерко, С. Н. Янушкевич и М. Драханский. «Машины аутентификации с поддержкой биометрии: обзор приложений для реального мира в условиях открытого множества,» IEEE Transactions on Human-Machine Systems, т. 46, № 2, с. 231–242, апр. 2016 г., doi:https://doi.org/10.1109/thms.2015.2412944.
11. Д. Ван, Г. Чжан, Ю. Си, Т. Лю и У. Янг. «Новый метод биометрической идентификации на основе короткосрочных ЭКГ с устойчивостью к частоте сердечных сокращений,» Applied Sciences, т. 9, № 1, с. 201, янв. 2019 г., doi:https://doi.org/10.3390/app9010201.
12. Ю. Ян, Н. Цзян, Д.-К. Чжан и Ю. Сюй. «Устойчивая полу-контролируемая модель обучения с использованием данных открытого множества,» IEEE Transactions on Pattern Analysis and Machine Intelligence, т. 46, № 12, с. 8334–8347, дек. 2024 г., doi:https://doi.org/10.1109/tpami.2024.3403994.
13. Ц. Гэн и С. Чэнь. «Коллективное решение для распознавания в условиях открытого множества,» IEEE Transactions on Knowledge and Data Engineering, т. 34, № 1, с. 192–204, март 2020 г., doi:https://doi.org/10.1109/tkde.2020.2978199.
14. Н. Аммур, Р. М. Джомаа, Н. Аладжлан, М. С. Ислам, Х. Альхичри и Ю. Бази. «Модель для биометрии ЭКГ на основе глубокого контрастного обучения,» Applied Sciences, т. 13, № 5, с. 3070, февр. 2023 г., doi:https://doi.org/10.3390/app13053070.
15. Ж. Рибейро Пинту, А. Лоуренсу и Ж. С. Кардозу. «Эволюция, текущие вызовы и будущие перспективы в биометрии ЭКГ,» IEEE Access, т. 6, с. 34746–34776, янв. 2018 г., doi:https://doi.org/10.1109/access.2018.2849870.
16. М. Або-Заххад, С. Н. Аббас и С. М. Ахмед. «Биометрическая аутентификация на основе сигналов PCG и ЭКГ: текущее состояние и будущие направления,» Signal, Image and Video Processing, т. 8, № 4, с. 739–751, дек. 2013 г., doi:https://doi.org/10.1007/s11760-013-0593-4.
17. С. Шанд и Р. Рахул. «Важность анализа походки человека в биометрическом распознавании с использованием машинного обучения: обзор,» апр. 2022 г., с. 1431–1436, doi:https://doi.org/10.1109/icoei53556.2022.9776760.
18. Н. Тасним, К. Намудури, Г. Мехта, А. Сидарс, Д. Кота и И. Махбуб. «Датчик ЭКГ на основе сухого электрода с подавлением артефактов движения и анализом сигналов для обнаружения нарушений сердечного ритма,» окт. 2020 г., с. 1–4, doi:https://doi.org/10.1109/sensors47125.2020.9278739.
19. П. Дилаверис, К.-К. Антониу, К. Гатзулис и Д. Тусулис. «Отклонение оси волны Т и угол QRS-T – спорные индикаторы инцидентов коронарных сердечных событий,» Journal of Electrocardiology, т. 50, № 4, с. 466–475, февр. 2017 г., doi:https://doi.org/10.1016/j.jelectrocard.2017.02.008.
20. М. Сепахванд и Ф. Абдали-Мохаммади. «Новая многоотводная персональная идентификация на основе функциональной и структурной зависимости сигналов ЭКГ с использованием временно-частотного представления и эволюционного морфологического CNN,» Biomedical Signal Processing and Control, т. 68, с. 102766, май 2021 г., doi:https://doi.org/10.1016/j.bspc.2021.102766.
21. С.-К. Ву, П.-Л. Хунг и А. Л. Свиндлхерст. «Биометрическая идентификация на основе ЭКГ: непривязываемость, необратимость и безопасность,» IEEE Internet of Things Journal, т. 8, № 1, с. 487–500, июнь 2020 г., doi:https://doi.org/10.1109/jiot.2020.3004362.
22. А. Эдуардо, Х. Айдос и А. Фред. «Биометрия на основе ЭКГ с использованием глубокого автоэнкодера для извлечения признаков – эмпирическое исследование трансферабельности,» янв. 2017 г., с. 463–470, doi:https://doi.org/10.5220/0006195404630470.
23. А. Р. Юниарти, С. Ризал и Ф. А. Манурунг. «Применение нейронных сетей для биометрической системы на основе ЭКГ с использованием характеристик QRS,» Journal of Computer Engineering, Electronics and Information Technology, т. 1, № 2, с. 91–102, окт. 2022 г., doi:https://doi.org/10.17509/coelite.v1i2.43823.
24. Ц. Гэн, С.-Дж. Хуанг и С. Чэнь. «Недавние достижения в распознавании в условиях открытого множества: обзор,» IEEE Transactions on Pattern Analysis and Machine Intelligence, т. 43, № 10, с. 3614–3631, март 2020 г., doi:https://doi.org/10.1109/tpami.2020.2981604.
25. С. Мукерджи. «Метод извлечения признаков на основе t-SNE для классификатора многослойной нейронной сети,» июль 2017 г., т. 15, с. 660–664, doi:https://doi.org/10.1109/icicict1.2017.8342641.
26. С. Чэнь, С.-Дж. Хуанг и Ц. Гэн. «Недавние достижения в распознавании в условиях открытого множества: обзор,» нояб. 2018 г., doi:https://doi.org/10.48550/arxiv.1811.08581.
27. У. Паницца. «Финансовое развитие и экономический рост: известные известности, известные неизвестности и неизвестные неизвестности,» Revue d’économie du développement, т. 22, № HS02, с. 35–65, нояб. 2014 г., doi:https://doi.org/10.3917/edd.hs02.0035.
28. Р. Йошихаши, Т. Наэмура и др. «Обучение классификации и реконструкции для распознавания в условиях открытого множества,» июнь 2019 г., с. 4011–4020, doi:https://doi.org/10.1109/cvpr.2019.00414.
29. Ф. Элахи и др. «Сравнительное исследование биометрической аутентификации на основе глубокого обучения для вен пальцев,» нояб. 2020 г., т. 11, с. 444–448, doi:https://doi.org/10.1109/icaict51780.2020.9333515.
30. Ю. Хуанг, Г. Янг, К. Ванг и Ю. Инь. «Многовидовой дискриминантный анализ с учетом разнообразия образцов для биометрии на основе ЭКГ,» Pattern Recognition Letters, т. 145, с. 110–117, февр. 2021 г., doi:https://doi.org/10.1016/j.patrec.2021.01.027.
31. С. Дарган, М. Кумар, А. Гарг и К. Тхакур. «Система идентификации автора для предварительно сегментированных офлайн рукописных символов деванагари с использованием k-NN и SVM,» Soft Computing, т. 24, № 13, с. 10111–10122, нояб. 2019 г., doi:https://doi.org/10.1007/s00500-019-04525-y.
32. Р. Фалех и А. Качури. «Гибридный глубокий сверточный нейронный электронный нос для обнаружения загрязнений,» Chemometrics and Intelligent Laboratory Systems, т. 237, с. 104825, апр. 2023 г., doi:https://doi.org/10.1016/j.chemolab.2023.104825.
33. Дж. Лу, Ч. Чэн, Ю. Ню, Х. Ли и Ю. Сюй. «PMAL: Распознавание в условиях открытого множества через устойчивое прототипное обучение,» Proceedings of the AAAI Conference on Artificial Intelligence, т. 36, № 2, с. 1872–1880, июнь 2022 г., doi:https://doi.org/10.1609/aaai.v36i2.20081.
34. Г. Чэнь и др. «Обучение сетей для открытого множества с дискриминационными взаимными точками,» Springer, 2020 г., с. 507–522, doi:https://doi.org/10.1007/978-3-030-58580-8_30.
35. Д.-В. Чжоу, Д.-К. Чжан и Х.-Дж. Йе. «Обучение заполнителей для распознавания в условиях открытого множества,» июнь 2021 г., с. 4399–4408, doi:https://doi.org/10.1109/cvpr46437.2021.00438.
36. Р. Д. Лабати, Р. Сасси и Ф. Скотти. «Распознавание личности на основе ЭКГ: анализ долговечности сигналов QRS для непрерывной аутентификации в течение 24 часов,» нояб. 2013 г., т. 7667, с. 31–36, doi:https://doi.org/10.1109/wifs.2013.6707790.
37. Д. Белу, Н. Бенту, Х. Гамбоа, А. Фред и Х. Силва. «Биометрия ЭКГ с использованием глубокого обучения и классификации на основе относительных порогов,» Sensors, т. 20, № 15, с. 4078, июль 2020 г., doi:https://doi.org/10.3390/s20154078.
38. Л. Чернуззи и Дж. Пейн. «К открытому правительству в Парагвае,» IT Professional, т. 16, № 5, с. 62–64, сент. 2014 г., doi:https://doi.org/10.1109/mitp.2014.71.
39. Н. Д. Бинь. «Онлайн-многозадачное одноразовое обучение категорий объектов и видение,» дек. 2011 г., с. 131–138, doi:https://doi.org/10.1145/2095697.2095722.
40. Л. Фей-Фей, П. Перона и Р. Фергус. «Одноразовое обучение категорий объектов,» IEEE Transactions on Pattern Analysis and Machine Intelligence, т. 28, № 4, с. 594–611, апр. 2006 г., doi:https://doi.org/10.1109/tpami.2006.79.
41. А. Бендале и Т. Е. Боулт. «К глубоким сетям для открытого множества,» июнь 2016 г., doi:https://doi.org/10.1109/cvpr.2016.173.
42. А. Роза, Т. Боулт и М. Гюнтер. «Устойчивость к атакам: Softmax против Openmax,» янв. 2017 г., doi:https://doi.org/10.5244/c.31.156.
43. Г. Чэнь, Ю. Тянь, Х. Ван и П. Пэн. «Обучение взаимным точкам для распознавания в условиях открытого множества,» IEEE Transactions on Pattern Analysis and Machine Intelligence, т. 44, № 11, с. 1, янв. 2021 г., doi:https://doi.org/10.1109/tpami.2021.3106743.
44. Ю. Лю, Х. Гао, Дж. Хан, Л. Лю и Л. Шао. «Обучение без примеров через ранговый автоэнкодер с управляемыми семантическими характеристиками,» Pattern Recognition, т. 122, с. 108237, авг. 2021 г., doi:https://doi.org/10.1016/j.patcog.2021.108237.
45. П. Ма и С. Ху. «Вариационный автоэнкодер с глубокой встроенной моделью для обобщенного обучения без примеров,» Proceedings of the AAAI Conference on Artificial Intelligence, т. 34, № 07, с. 11733–11740, апр. 2020 г., doi:https://doi.org/10.1609/aaai.v34i07.6844.
46. А. Маас и С. Кемп. «Одноразовое обучение с использованием байесовских сетей,» т. 31, № 31, июнь 2018 г., doi:https://doi.org/10.1184/r1/6617375.v1.
47. Ю. Чжан, Ч. Сяо, Ч. Го и Ч. Ван. «Личная идентификация на основе ЭКГ с использованием сверточной нейронной сети,» Pattern Recognition Letters, т. 125, с. 668–676, июль 2019 г., doi:https://doi.org/10.1016/j.patrec.2019.07.009.
48. М. Дж. Пейдж и др. «Заявление PRISMA 2020: обновленное руководство по отчетности систематических обзоров,» International Journal of Surgery, т. 88, с. 105906, апр. 2021 г., doi:https://doi.org/10.1016/j.ijsu.202.
49. Дж. Хелбах, Ф. Хоффманн, Д. Пайпер и К. Аллерс. «Отчетность в соответствии с PRISMA-A для абстрактов зависит от длины абстракта,» Journal of Clinical Epidemiology, т. 154, с. 167–177, дек. 2022 г., doi:https://doi.org/10.1016/j.jclinepi.2022.12.019.
50. С.-К. Ву, А. Л. Свиндлхерст, С.-Ю. Вэй, Дж.-К. Чиу и Ч.-С. Чан. «Масштабируемая система идентификации ЭКГ для открытого множества на основе сжатых CNN,» IEEE Transactions on Neural Networks and Learning Systems, т. 34, № 8, с. 4966–4980, авг. 2023 г., doi:https://doi.org/10.1109/tnnls.2021.3127497.
51. К. Су и др. «Идентификация личности с использованием вен пальцев и сигналов ЭКГ,» Neurocomputing, т. 332, с. 111–118, дек. 2018 г., doi:https://doi.org/10.1016/j.neucom.2018.12.015.
52. С. С. Табризи и Н. Чавус. «Гибридная модель KNN-SVM для распознавания иранских номерных знаков,» Procedia Computer Science, т. 102, с. 588–594, янв. 2016 г., doi:https://doi.org/10.1016/j.procs.2016.09.447.
53. Э. Й. Боатенг, Д. А. Абайе и Дж. Оту. «Основные положения алгоритмов классификации: K-ближайший сосед, машины опорных векторов, случайный лес и нейронные сети: обзор,» Journal of Data Analysis and Information Processing, т. 08, № 04, с. 341–357, янв. 2020 г., doi:https://doi.org/10.4236/jdaip.2020.84020.
54. Э. М. Рудд, Т. Е. Боулт, Л. П. Джайн и У. Дж. Шайрер. «Машина экстремальных значений,» IEEE Transactions on Pattern Analysis and Machine Intelligence, т. 40, № 3, с. 762–768, май 2017 г., doi:https://doi.org/10.1109/tpami.2017.2707495.
55. Ф. Шорнбаум и У. Рюде. «Адаптивное блочное уточнение сетки для экстремальных масштабов,» SIAM Journal on Scientific Computing, т. 40, № 3, с. C358–C387, янв. 2018 г., doi:https://doi.org/10.1137/17m1128411.
56. У. Коломб, Дж. Д. Сау, С. К. Саркар и Дж. Чзерски. «Оценка смещения микроскопа с использованием флуоресцентных нанодемондов в качестве фидукциальных маркеров,» Journal of Microscopy, т. 266, № 3, с. 298–306, март 2017 г., doi:https://doi.org/10.1111/jmi.12539.
57. М. А. Эльшахед. «Верификация личности на основе биометрии ЭКГ с использованием нефидуциальных характеристик,» International Journal of Electrical and Computer Engineering (IJECE), т. 10, № 3, с. 3007, июнь 2020 г., doi:https://doi.org/10.11591/ijece.v10i3.pp3007-3013.
58. Д. Ван, Х. Чжан, М. Лин, Ю. Чжу и Ю. Хуан. «Классификация модуляции на основе графовых нейронных сетей CNN-Transformer,» Sensors, т. 23, № 16, с. 7281, авг. 2023 г., doi:https://doi.org/10.3390/s23167281.
59. Дж. М. Шрейн. «Классификация отпечатков пальцев с использованием сверточных нейронных сетей и изображений ориентации гребней,» нояб. 2017 г., doi:https://doi.org/10.1109/ssci.2017.8285375.
60. П. Димитракопулос, Г. Сфикас и Ч. Нику. «ISING-GAN: дополнение данных с пространственно ограниченной генеративной соревновательной сетью,» апр. 2020 г., с. 1600–1603, doi:https://doi.org/10.1109/isbi45749.2020.9098618.
61. М. С. Меор Яхая и Дж. Тео. «Дополнение данных с использованием генеративных соревновательных сетей для изображений и биомаркеров в медицине и нейронауке,» Frontiers in Applied Mathematics and Statistics, т. 9, май 2023 г., doi:https://doi.org/10.3389/fams.2023.1162760.
62. Д. Р. Бува и С. Кумар. «Новый метод непрерывной аутентификации с использованием биометрии для устройств IoT,» Internet of Things, т. 24, с. 100927, сент. 2023 г., doi:https://doi.org/10.1016/j.iot.2023.100927.
63. Н. Каримиан, Ф. Тегранипур и П. А. Уортман. «Эволюция концепций проектирования аутентификации для интернета биометрических вещей (IoBT),» окт. 2016 г., т. 50, с. 1–10, doi:https://doi.org/10.1145/2968456.2973748.
64. Х. Ким и С. Ю. Чун. «Отменяемая биометрия ЭКГ с использованием компрессии чувствительности и обобщенного теста отношения правдоподобия,» IEEE Access, т. 7, с. 9232–9242, янв. 2019 г., doi:https://doi.org/10.1109/access.2019.28918.
