最後更新：2022/1/9
| Robust Deep Identification using ECG and Multimodal Biometrics for Industrial Internet of Things 基于ECG和多模态生物特征的工業物聯網魯棒深度識别 | 這篇文章，上來一句： 在工業物聯網中使用心電圖（ECG）資料進行個人身份識别可以在理想條件下達到近乎完美的準确度。 查相關文獻。 這項工作提出了一種基于多模态生物特征的魯棒可靠的新識别技術，該技術利用深度學習将指紋、心電圖和面部圖像資料結合起來，特别适用于識别和性别分類。 據我們所知，本文提出的關鍵概念是結合多模态、多任務和不同融合方法的開創性工作。   資料的預處理： 人臉資料和指紋資料：旋轉、平移、裁剪；采用預訓練模型 心電資料：低通濾波和高通濾波。Pan-Tompkins QRS檢測算法進行R波峰值檢測。峰值若為負值，設定為0。 他們做了9個實驗： 第一個實驗考慮了使用單一模态和多模态的多任務學習（識别使用者和分類性别）。 第二個實驗比較了基于多模态生物特征的多任務和單任務學習，多模态生物特征包括來自ECG-ID[59,60]，PTB[59,61]的ECG資料，面部圖像（Face95[62]）和指紋（FVC205[63]）. 第三個實驗使用兩個距離度量測試使用者身份驗證。 第四個實驗在資料中加入了噪聲，以驗證模型的魯棒性。第五個實驗研究了當三個生物特征資料集中的一個或兩個丢失時對性能的影響。 第六個實驗比較了特征級融合和分數級融合的性能，分數級融合基于總和、最大值或乘積規則。 第七個實驗修改了關節損失，給出了不同的權重。 第八個實驗研究了資料擴充如何影響多模态/多任務模型的性能。 最後的第九個實驗改變了融合模型的超參數，以找到最優的結構。更改節點數以比較每個任務的準确性（使用者辨別和性别分類）。 。 | 資料集： 心電資料集： ECG-ID 90人，310條，20s，500Hz，單導 PTB ECG 290人，549條，2min左右，1KHz，12+3導 面部圖像： Faces95 72人，*20=1440，180*200像素 指紋圖像： FVC206 150人，7200圖（電場+光學+熱掃描+SFinGe） 虛拟資料集： 根據年齡和性别随機配置設定心電和指紋 實驗結果： 單模态與多模态比較 |
| Smart Human Identification System Based on PPG and ECG Signals in Wearable Devices 可穿戴裝置中基于PPG和ECG信号的智能人體識别系統 | 為可穿戴裝置的使用者提供身份識别、隐私和安全。 沒有用到神經網絡，純特征提取方法。 我們使用了來自兩個公共資料集（MIMIC和CapnoBase）的PPG和ECG信号。所提出的系統建立一個人類ID，然後将其與其他個人進行比較，并測試其準确性。 資料預處理： PPG信号經過低通濾波器； ECG信号采用最大重疊離散小波變換（MODWT）濾波器； 提取峰值（關鍵點）和關鍵點兩側特定長度的信号； 相關平均值提取 媒體和特定波之間的相關性 | 資料集： MIMIC CapnoBase we have applied two independent public datasets, called MIMIC [19] and CapnoBase [20], providing PPG and ECG data from 53 individuals and 42 individuals, respectively. From those data, we extract the segment from the second to the third minute of recording for the evaluation [21]. |
| ECG based biometric identification using one-dimensional local difference pattern 基于一維局部差分模式的心電生物特征識别 | 為了解決這一關鍵問題，我們使用一維局部差分模式（1D-LDP）算子，通過利用相鄰樣本之間的差異來捕獲心跳活動中的微觀和宏觀模式資訊，同時減少ECG随時間發生的局部和全局變化，進而從ECG中提取鑒别統計特征。 為了驗證其魯棒性，本文采用K-最近鄰（KNN）線性支援向量機（SVM）和神經網絡作為分類器模型。 | MIT-BIH正常窦性心律資料庫 （MIT-BIH Normal Sinus Rhythm） ECG-ID資料庫 結果顯示，提出的1D-LDP算子優于1D-LBP算子 |
| 2D ECG Image Based Biometric Identification Using stacked Autoencoders 基于二維ECG圖像的堆疊式自動編碼器生物特征識别 | 通過對每個資料庫使用不同持續時間的盲分割，從整個ECG信号中選擇一個短段，以減少與傳統分割方法相關的時間消耗。 在這項工作中不采用任何預處理步驟（濾波等），減少運算時間，提升魯棒性。 SAE（stacked auto encoder） | MITI-BIH ECG-ID CYBHI PTB |
| ECG signal classification using Convolutional Neural Networks for Biometric Identification 用于生物特征識别的卷積神經網絡心電信号分類 | 最新的安全方法基于生物特征。 心電提供了難以僞造的生物特征。 對ECG信号進行預處理，然後為每個ECG信号生成頻譜圖将頻譜圖輸入Inception-v3、Exception、MobileNet和NasNetLarge等網絡。 | PhysioNet平台上提供的Fantasia資料庫 性能名額分析表明，基于ECG信号和CNN的主題識别方法具有顯著的效果。最佳精度值為99.5%，适用于Inception-v3。 |
| Increased Risks of Re-identification For Patients Posed by Deep Learning-Based ECG Identification Algorithms 基于深度學習的ECG識别算法增加了患者重新識别的風險 | 思想： 神經網絡對有不同心電圖症狀的人，識别準确率不同，這可能對病人的隐私造成損害。 | |
| Segmented ECG Bio Identification using Fréchet Mean Distance and Feature Matrices of Fiducial QRS Features 基于Fréchet平均距離和基準QRS特征矩陣的分段心電生物識别 | 該方法利用Fréchet距離和六個基于基準的QRS波特征的滞後特征矩陣的特征。 | ECG-ID資料庫 |
| A Scalable Extreme Learning Machine (S-ELM) for Class-incremental ECG-based User Identification 基于類增量ECG的使用者識别的可擴充極限學習機（S-ELM） | 首先證明了以類增量方式學習的S-ELM的輸出權重與具有總類數資訊的正則ELM的輸出權重相同。 在我們的實驗中，S-ELM避免了災難性遺忘現象，這是類增量場景中常見的問題。 以更少的推理計算量獲得了更高的推理效率 | MIT-BIH Normal Sinus Rhythm Database |
| Collaborative-Set Measurement for ECG-Based Human Identification 基于ECG的人體識别協同集合測量 | 對于基于ECG的人體識别問題，在合适的資料空間中進行距離測量是一種有效的解決方案。 然而，這種測量機制容易受到資料分布的變化和偏差的影響，這很容易由該問題中的噪聲僞影引起。為了解決這個問題，我們建議在由不同條件下獲得的多個樣本集組成的多集束水準上進行距離測量。更具體地說，我們提出了一種新的方法“協作集度量（CSM）”，該方法創造性地将距離度量從樣本級擴充到集合級，再擴充到束級。 綜上所述，該提案初步提出了“協作集”的新思想這一思想為生物特征識别和一般信号分類的進一步研究提供了啟示。 | 公開的挑戰性資料庫DREAMER 情緒識别 |
| Single beat ECG-based Identification System: development and robustness test in different working conditions 基于單拍心電信号的識别系統：開發和不同工作條件下的魯棒性測試 | 大多數文獻提供了利用臨床儀器進行的采集研究，在結構化環境中，在受試者休息的情況下，先對受試者進行侵入性準備。這些條件對于實際環境中的應用程式來說不是很可行。 是以，我們①提出了一個系統，該系統能夠在非結構化環境下，通過（非侵入性）非臨床儀器采集資料，并對受試者的心理生理狀态變化（即休息或在心理或生理壓力下）具有魯棒性。②為此，我們開發了一個采集協定，然後收集一個新的資料集來評估我們的方法。 實時ECG測量可以通過将每隻手的一個手指放在闆暴露的兩個不鏽鋼幹電極上來執行。 實時PPG測量可通過将一根手指置于PPG子產品上進行。 ECG信号采集協定包括3個不同的程式： 基線檢查（3分鐘，在休息狀态下采集的第一分鐘，第二分鐘分為呼吸暫停30秒和正常呼吸30秒，第三分鐘分為換氣不足30秒和換氣過度30秒） 精神壓力（2分鐘，在向受試者送出音頻視訊曲目時進行采集，以誘發精神壓力狀态） 身體壓力（總持續時間為2分鐘，受試者在第一分鐘進行分步練習，在第二分鐘進行采集） | 自建資料集 The database created in this work involved a total of 25 volunteers, 14 men and 11 women, aged between 18 and 59. |
| Statistical n-Best AFD-Based Sparse Representation for ECG Biometric Identification 基于統計n-Best AFD的心電生物特征稀疏表示 相關文章：CVPR2020 (46條消息) [論文速讀]：CVPR 2020 在傅裡葉域自适應實作語義分割 Fourier Domain Adaptation_u014546828的部落格-CSDN部落格_域自适應 語義分割 | 心電進行生物特征識别的難點在于如何穩定地提取心電信号特征并實作實時驗證。 提出了一種新的稀疏表示學習架構，稱為統計n-最佳自适應傅裡葉分解（SAFD），用于心電生物特征識别。 重要，待細讀 | |
| Human identification driven by deep CNN and transfer learning based on multiview feature representations of ECG 深度CNN驅動的人體識别和基于ECG多視圖特征表示的遷移學習 | 背景：越來越多的僞造人臉和指紋特征的智能技術增加了對資訊安全系統的潛在威脅，對提高安全性以及更好的隐私和身份保護産生了巨大的需求。物聯網（IoT）驅動的指尖心電圖（ECG）采集為基于ECG的身份識别系統提供了廣闊的應用前景。 本研究集中于指尖心電圖的三個主要障礙： ①采集狀态變化的影響 ②傳統卷積神經網絡（CNN）模型的高計算複雜度和模型遷移的可行性 ③缺乏足夠的指尖樣本。 我們的主要貢獻是一個新的指尖心電識别系統，它內建了遷移學習和深度CNN。 不需要手動特征提取，隻需要少量的訓練資料。 | 使用來自600個人的1200個心電圖記錄，我們考慮5個模拟的，但潛在的實際場景。 PhysioNet2017 CYBHi fingertip ECG-ID physionet2011 |
| ECGsound for human identification 用于人類識别的ECGsound | 提出了一種基于心電圖（ECG）和音樂特征（例如，動力學、節奏或音色）的創新識别技術，這些特征通常用于描述音頻檔案。簡言之，在對ECG記錄進行預處理後，我們将其轉換為音頻波檔案，将其分割成片段，将特征提取為五個音樂次元，最後将這些執行個體輸入分類器。 | MIT-BIH正常窦性心律庫 |