最后更新：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业物联网鲁棒深度识别 | 这篇文章，上来一句： 在工业物联网中使用心电图（ECG）数据进行个人身份识别可以在理想条件下达到近乎完美的准确度。 查相关文献。 这项工作提出了一种基于多模态生物特征的鲁棒可靠的新识别技术，该技术利用深度学习将指纹、心电图和面部图像数据结合起来，特别适用于识别和性别分类。 据我们所知，本文提出的关键概念是结合多模态、多任务和不同融合方法的开创性工作。   数据的预处理： 人脸数据和指纹数据：旋转、平移、裁剪；采用预训练模型 心电数据：低通滤波和高通滤波。Pan-Tompkins QRS检测算法进行R波峰值检测。峰值若为负值，设置为0。 他们做了9个实验： 第一个实验考虑了使用单一模态和多模态的多任务学习（识别用户和分类性别）。 第二个实验比较了基于多模态生物特征的多任务和单任务学习，多模态生物特征包括来自ECG-ID[59,60]，PTB[59,61]的ECG数据，面部图像（Face95[62]）和指纹（FVC205[63]）. 第三个实验使用两个距离度量测试用户身份验证。 第四个实验在数据中加入了噪声，以验证模型的鲁棒性。第五个实验研究了当三个生物特征数据集中的一个或两个丢失时对性能的影响。 第六个实验比较了特征级融合和分数级融合的性能，分数级融合基于总和、最大值或乘积规则。 第七个实验修改了关节损失，给出了不同的权重。 第八个实验研究了数据扩充如何影响多模态/多任务模型的性能。 最后的第九个实验改变了融合模型的超参数，以找到最优的结构。更改节点数以比较每个任务的准确性（用户标识和性别分类）。 。 | 数据集： 心电数据集： ECG-ID 90人，310条，20s，500Hz，单导 PTB ECG 290人，549条，2min左右，1KHz，12+3导 面部图像： Faces95 72人，*20=1440，180*200像素 指纹图像： FVC206 150人，7200图（电场+光学+热扫描+SFinGe） 虚拟数据集： 根据年龄和性别随机分配心电和指纹 实验结果： 单模态与多模态比较 |
| Smart Human Identification System Based on PPG and ECG Signals in Wearable Devices 可穿戴设备中基于PPG和ECG信号的智能人体识别系统 | 为可穿戴设备的用户提供身份识别、隐私和安全。 没有用到神经网络，纯特征提取方法。 我们使用了来自两个公共数据集（MIMIC和CapnoBase）的PPG和ECG信号。所提出的系统创建一个人类ID，然后将其与其他个人进行比较，并测试其准确性。 数据预处理： PPG信号经过低通滤波器； ECG信号采用最大重叠离散小波变换（MODWT）滤波器； 提取峰值（关键点）和关键点两侧特定长度的信号； 相关平均值提取 介质和特定波之间的相关性 | 数据集： 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 基于一维局部差分模式的心电生物特征识别 | 为了解决这一关键问题，我们使用一维局部差分模式（1D-LDP）算子，通过利用相邻样本之间的差异来捕获心跳活动中的微观和宏观模式信息，同时减少ECG随时间发生的局部和全局变化，从而从ECG中提取鉴别统计特征。 为了验证其鲁棒性，本文采用K-最近邻（KNN）线性支持向量机（SVM）和神经网络作为分类器模型。 | MIT-BIH正常窦性心律数据库 （MIT-BIH Normal Sinus Rhythm） ECG-ID数据库 结果显示，提出的1D-LDP算子优于1D-LBP算子 |
| 2D ECG Image Based Biometric Identification Using stacked Autoencoders 基于二维ECG图像的堆叠式自动编码器生物特征识别 | 通过对每个数据库使用不同持续时间的盲分割，从整个ECG信号中选择一个短段，以减少与传统分割方法相关的时间消耗。 在这项工作中不采用任何预处理步骤（滤波等），减少运算时间，提升鲁棒性。 SAE（stacked auto encoder） | MITI-BIH ECG-ID CYBHI PTB |
| ECG signal classification using Convolutional Neural Networks for Biometric Identification 用于生物特征识别的卷积神经网络心电信号分类 | 最新的安全方法基于生物特征。 心电提供了难以伪造的生物特征。 对ECG信号进行预处理，然后为每个ECG信号生成频谱图将频谱图输入Inception-v3、Exception、MobileNet和NasNetLarge等网络。 | PhysioNet平台上提供的Fantasia数据库 性能指标分析表明，基于ECG信号和CNN的主题识别方法具有显著的效果。最佳精度值为99.5%，适用于Inception-v3。 |
| Increased Risks of Re-identification For Patients Posed by Deep Learning-Based ECG Identification Algorithms 基于深度学习的ECG识别算法增加了患者重新识别的风险 | 思想： 神经网络对有不同心电图症状的人，识别准确率不同，这可能对病人的隐私造成损害。 | |
| Segmented ECG Bio Identification using Fréchet Mean Distance and Feature Matrices of Fiducial QRS Features 基于Fréchet平均距离和基准QRS特征矩阵的分段心电生物识别 | 该方法利用Fréchet距离和六个基于基准的QRS波特征的滞后特征矩阵的特征。 | ECG-ID数据库 |
| A Scalable Extreme Learning Machine (S-ELM) for Class-incremental ECG-based User Identification 基于类增量ECG的用户识别的可扩展极限学习机（S-ELM） | 首先证明了以类增量方式学习的S-ELM的输出权重与具有总类数信息的正则ELM的输出权重相同。 在我们的实验中，S-ELM避免了灾难性遗忘现象，这是类增量场景中常见的问题。 以更少的推理计算量获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的人体识别协同集合测量 | 对于基于ECG的人体识别问题，在合适的数据空间中进行距离测量是一种有效的解决方案。 然而，这种测量机制容易受到数据分布的变化和偏差的影响，这很容易由该问题中的噪声伪影引起。为了解决这个问题，我们建议在由不同条件下获得的多个样本集组成的多集束水平上进行距离测量。更具体地说，我们提出了一种新的方法“协作集度量（CSM）”，该方法创造性地将距离度量从样本级扩展到集合级，再扩展到束级。 综上所述，该提案初步提出了“协作集”的新思想这一思想为生物特征识别和一般信号分类的进一步研究提供了启示。 | 公开的挑战性数据库DREAMER 情绪识别 |
| Single beat ECG-based Identification System: development and robustness test in different working conditions 基于单拍心电信号的识别系统：开发和不同工作条件下的鲁棒性测试 | 大多数文献提供了利用临床仪器进行的采集研究，在结构化环境中，在受试者休息的情况下，先对受试者进行侵入性准备。这些条件对于实际环境中的应用程序来说不是很可行。 因此，我们①提出了一个系统，该系统能够在非结构化环境下，通过（非侵入性）非临床仪器采集数据，并对受试者的心理生理状态变化（即休息或在心理或生理压力下）具有鲁棒性。②为此，我们开发了一个采集协议，然后收集一个新的数据集来评估我们的方法。 实时ECG测量可以通过将每只手的一个手指放在板暴露的两个不锈钢干电极上来执行。 实时PPG测量可通过将一根手指置于PPG模块上进行。 ECG信号采集协议包括3个不同的程序： 基线检查（3分钟，在休息状态下采集的第一分钟，第二分钟分为呼吸暂停30秒和正常呼吸30秒，第三分钟分为换气不足30秒和换气过度30秒） 精神压力（2分钟，在向受试者提交音频视频曲目时进行采集，以诱发精神压力状态） 身体压力（总持续时间为2分钟，受试者在第一分钟进行分步练习，在第二分钟进行采集） | 自建数据集 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 基于统计n-Best AFD的心电生物特征稀疏表示 相关文章：CVPR2020 (46条消息) [论文速读]：CVPR 2020 在傅里叶域自适应实现语义分割 Fourier Domain Adaptation_u014546828的博客-CSDN博客_域自适应 语义分割 | 心电进行生物特征识别的难点在于如何稳定地提取心电信号特征并实现实时验证。 提出了一种新的稀疏表示学习框架，称为统计n-最佳自适应傅里叶分解（SAFD），用于心电生物特征识别。 重要，待细读 | |
| Human identification driven by deep CNN and transfer learning based on multiview feature representations of ECG 深度CNN驱动的人体识别和基于ECG多视图特征表示的迁移学习 | 背景：越来越多的伪造人脸和指纹特征的智能技术增加了对信息安全系统的潜在威胁，对提高安全性以及更好的隐私和身份保护产生了巨大的需求。物联网（IoT）驱动的指尖心电图（ECG）采集为基于ECG的身份识别系统提供了广阔的应用前景。 本研究集中于指尖心电图的三个主要障碍： ①采集状态变化的影响 ②传统卷积神经网络（CNN）模型的高计算复杂度和模型迁移的可行性 ③缺乏足够的指尖样本。 我们的主要贡献是一个新的指尖心电识别系统，它集成了迁移学习和深度CNN。 不需要手动特征提取，只需要少量的训练数据。 | 使用来自600个人的1200个心电图记录，我们考虑5个模拟的，但潜在的实际场景。 PhysioNet2017 CYBHi fingertip ECG-ID physionet2011 |
| ECGsound for human identification 用于人类识别的ECGsound | 提出了一种基于心电图（ECG）和音乐特征（例如，动力学、节奏或音色）的创新识别技术，这些特征通常用于描述音频文件。简言之，在对ECG记录进行预处理后，我们将其转换为音频波文件，将其分割成片段，将特征提取为五个音乐维度，最后将这些实例输入分类器。 | MIT-BIH正常窦性心律库 |