Journal of Technical Research

Журнал технических исследований

2500-3313

91964

Информационные технологии и телекоммуникации

Information technology and telecommunication

Информационные технологии и телекоммуникации

ECG Biometrics for Open-Set Recognition: Design Considerations and Challenges

Биометрия на основе ЭКГ для распознавания с открытым множеством: особенности проектирования и вызовы

https://orcid.org/0009-0000-1748-0029

Азаб

Мохамед Абдалла Эльсайед

Azab

Mohamed Abdalla Elsayed

mohamed.a.azab@itmo.ru

аспирант технических наук;

graduate student of technical sciences;

Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики Saint-Petersburg National Research University of Information Technologies, Mechanics and Optics

25 12 2024

10 3 19 37 02 08 2024 16 08 2024

https://naukaru.ru/en/nauka/article/91964/view

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.

Electrocardiogram (ECG)-based biometrics offer a promising solution for secure and reliable authentication, leveraging the unique and intrinsic characteristics of ECG signals. Unlike external traits such as fingerprints or facial recognition, ECG signals are internal to the body, making them highly resistant to spoofing and ensuring that only live persons can be verified and authenticated. While existing research has largely focused on closed-set recognition environments, where systems operate within predefined datasets, real-world applications demand open-set recognition capabilities. Open-set recognition means that the systems must recognize the enrolled users and at the same time reject the unknown individuals, which poses the following challenges: variability of signals, limited generalization of classifiers, and lack of rich datasets. This review examines the design considerations, challenges, and solutions for implementing ECG biometrics in open-set environments. Advanced classification methodologies that include deep learning models, classification techniques, and new open-set specific models including OpenMax and EVMs are discussed. Additionally, the role of feature extraction, data augmentation, and evaluation metrics in improving system performance is analyzed. By addressing these challenges, ECG biometrics can become the basis for secure authentication in health care, IoT and financial systems. This paper aims to guide future research toward developing robust and scalable ECG-based biometric systems.

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).

ECG Biometrics Open-Set Recognition Closed-Set Recognition Authentication Systems Signal Variability Classification Models Deep Learning OpenMax Extreme Value Machines (EVMs).

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: 10.1016/j.slast.2024.100193.

M. J. Ahmed et al., “CardioGuard: AI-driven ECG authentication hybrid neural network for predictive health monitoring in telehealth systems,” SLAS Technology, vol. 29, no. 5, p. 100193, Sep. 2024, doi: 10.1016/j.slast.2024.100193.

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: 10.1109/sami.2015.7061904.

C. Lupu, V. Lupu, and V.-G. Gaitan, “Security enhancement of internet banking applications by using multimodal biometrics,” Jan. 2015, pp. 47–52. doi: 10.1109/sami.2015.7061904.

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: 10.1109/jiot.2020.3020076.

M. Abuhamad, D. Nyang, D. Mohaisen, and A. Abusnaina, “Sensor-Based Continuous Authentication of Smartphones’ Users Using Behavioral Biometrics: A Contemporary Survey,” IEEE Internet of Things Journal, vol. 8, no. 1, pp. 65–84, Sep. 2020, doi: 10.1109/jiot.2020.3020076.

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: 10.1088/1757-899x/769/1/012061.

W. A. Hammood, S. Mohamad Asmara, M. A. Al-Sharafi, O. A. Hammood, R. Abdullah, and A. Muttaleb Hasan, “A Review of User Authentication Model for Online Banking System based on Mobile IMEI Number,” IOP Conference Series: Materials Science and Engineering, vol. 769, no. 1, p. 012061, Feb. 2020, doi: 10.1088/1757-899x/769/1/012061.

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: 10.1016/j.procs.2015.04.211.

A. Pal, A. K. Gautam, and Y. N. Singh, “Evaluation of Bioelectric Signals for Human Recognition,” Procedia Computer Science, vol. 48, pp. 746–752, Jan. 2015, doi: 10.1016/j.procs.2015.04.211.

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: 10.3390/app12052692.

J.-A. Lee and K.-C. Kwak, “Personal Identification Using an Ensemble Approach of 1D-LSTM and 2D-CNN with Electrocardiogram Signals,” Applied Sciences, vol. 12, no. 5, p. 2692, Mar. 2022, doi: 10.3390/app12052692.

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: 10.1049/iet-bmt.2013.0014.

S. Lin, W. Yang, C. Chiang, C. Lin, and C. Chen, “Individual identification based on chaotic electrocardiogram signals during muscular exercise,” IET Biometrics, vol. 3, no. 4, pp. 257–266, Dec. 2014, doi: 10.1049/iet-bmt.2013.0014.

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: 10.1038/s41598-024-55066-w.

A. Al-Jibreen, S. Al-Ahmadi, S. Islam, and A. M. Artoli, “Person identification with arrhythmic ECG signals using deep convolution neural network,” Scientific Reports, vol. 14, no. 1, Feb. 2024, doi: 10.1038/s41598-024-55066-w.

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: 10.3390/app13042151.

W. Zhang, J. Lin, X. Wang, M. Zhou, and D. Huang, “Open-Set Signal Recognition Based on Transformer and Wasserstein Distance,” Applied Sciences, vol. 13, no. 4, p. 2151, Feb. 2023, doi: 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: 10.1109/thms.2015.2412944.

S. C. Eastwood, D. O. Gorodnichy, V. P. Shmerko, S. N. Yanushkevich, and M. Drahansky, “Biometric-Enabled Authentication Machines: A Survey of Open-Set Real-World Applications,” IEEE Transactions on Human-Machine Systems, vol. 46, no. 2, pp. 231–242, Apr. 2016, doi: 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: 10.3390/app9010201.

D. Wang, G. Zhang, Y. Si, T. Liu, and W. Yang, “A Novel Heart Rate Robust Method for Short-Term Electrocardiogram Biometric Identification,” Applied Sciences, vol. 9, no. 1, p. 201, Jan. 2019, doi: 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: 10.1109/tpami.2024.3403994.

Y. Yang, N. Jiang, D.-C. Zhan, and Y. Xu, “Robust Semi-Supervised Learning by Wisely Leveraging Open-Set Data.,” IEEE transactions on pattern analysis and machine intelligence, vol. 46, no. 12, pp. 8334–8347, Dec. 2024, doi: 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: 10.1109/tkde.2020.2978199.

C. Geng and S. Chen, “Collective Decision for Open Set Recognition,” IEEE Transactions on Knowledge and Data Engineering, vol. 34, no. 1, pp. 192–204, Mar. 2020, doi: 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: 10.3390/app13053070.

N. Ammour, R. M. Jomaa, N. Alajlan, M. S. Islam, H. Alhichri, and Y. Bazi, “Deep Contrastive Learning-Based Model for ECG Biometrics,” Applied Sciences, vol. 13, no. 5, p. 3070, Feb. 2023, doi: 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: 10.1109/access.2018.2849870.

J. Ribeiro Pinto, A. Lourenco, and J. S. Cardoso, “Evolution, Current Challenges, and Future Possibilities in ECG Biometrics,” IEEE Access, vol. 6, pp. 34746–34776, Jan. 2018, doi: 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: 10.1007/s11760-013-0593-4.

M. Abo-Zahhad, S. N. Abbas, and S. M. Ahmed, “Biometric authentication based on PCG and ECG signals: present status and future directions,” Signal, Image and Video Processing, vol. 8, no. 4, pp. 739–751, Dec. 2013, doi: 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: 10.1109/icoei53556.2022.9776760.

S. Shand and R. Rahul, “Importance of Human Gait Analysis in Biometric Recognition using Machine Learning: A Review,” Apr. 2022, pp. 1431–1436. doi: 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: 10.1109/sensors47125.2020.9278739.

N. Tasneem, K. Namuduri, G. Mehta, A. Cedars, D. Kota, and I. Mahbub, “A Dry Electrode-Based ECG Sensor with Motion Artifacts Cancellation and Signal Analysis for Heart Irregularity Detection,” Oct. 2020, pp. 1–4. doi: 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: 10.1016/j.jelectrocard.2017.02.008.

P. Dilaveris, C.-K. Antoniou, K. Gatzoulis, and D. Tousoulis, “T wave axis deviation and QRS-T angle – Controversial indicators of incident coronary heart events,” Journal of Electrocardiology, vol. 50, no. 4, pp. 466–475, Feb. 2017, doi: 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: 10.1016/j.bspc.2021.102766.

M. Sepahvand and F. Abdali-Mohammadi, “A novel multi-lead ECG personal recognition based on signals functional and structural dependencies using time-frequency representation and evolutionary morphological CNN,” Biomedical Signal Processing and Control, vol. 68, p. 102766, May 2021, doi: 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: 10.1109/jiot.2020.3004362.

S.-C. Wu, P.-L. Hung, and A. L. Swindlehurst, “ECG Biometric Recognition: Unlinkability, Irreversibility, and Security,” IEEE Internet of Things Journal, vol. 8, no. 1, pp. 487–500, Jun. 2020, doi: 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: 10.5220/0006195404630470.

A. Eduardo, H. Aidos, and A. Fred, “ECG-based Biometrics using a Deep Autoencoder for Feature Learning - An Empirical Study on Transferability,” Jan. 2017, pp. 463–470. doi: 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: 10.17509/coelite.v1i2.43823.

A. R. Yuniarti, S. Rizal, and F. A. Manurung, “Application of Neural Network for ECG-based Biometrics System Using QRS Features,” Journal of Computer Engineering, Electronics and Information Technology, vol. 1, no. 2, pp. 91–102, Oct. 2022, doi: 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: 10.1109/tpami.2020.2981604.

C. Geng, S.-J. Huang, and S. Chen, “Recent Advances in Open Set Recognition: A Survey.,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 43, no. 10, pp. 3614–3631, Mar. 2020, doi: 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: 10.1109/icicict1.2017.8342641.

S. Mukherjee, “t-SNE based feature extraction technique for multi-layer perceptron neural network classifier,” Jul. 2017, vol. 15, pp. 660–664. doi: 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: 10.48550/arxiv.1811.08581.

S. Chen, S.-J. Huang, and C. Geng, “Recent Advances in Open Set Recognition: A Survey.” Nov. 21, 2018. doi: 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: 10.3917/edd.hs02.0035.

U. Panizza, “Financial Development and Economic Growth: Known Knowns, Known Unknowns, and Unknown Unknowns,” Revue d’économie du développement, vol. Vol. 22, no. HS02, pp. 35–65, Nov. 2014, doi: 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: 10.1109/cvpr.2019.00414.

R. Yoshihashi, T. Naemura, S. You, W. Shao, M. Iida, and R. Kawakami, “Classification-Reconstruction Learning for Open-Set Recognition,” Jun. 2019, pp. 4011–4020. doi: 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: 10.1109/icaict51780.2020.9333515.

F. Elahee, K. A. Kalpoma, F. Mim, S. Tabassom, F. B. Naquib, and T. Hossain, “Comparative Study of Deep Learning based Finger Vein Biometric Authentication Systems,” Nov. 2020, vol. 11, pp. 444–448. doi: 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: 10.1016/j.patrec.2021.01.027.

Y. Huang, G. Yang, K. Wang, and Y. Yin, “Multi-view discriminant analysis with sample diversity for ECG biometric recognition,” Pattern Recognition Letters, vol. 145, pp. 110–117, Feb. 2021, doi: 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: 10.1007/s00500-019-04525-y.

S. Dargan, M. Kumar, A. Garg, and K. Thakur, “Writer identification system for pre-segmented offline handwritten Devanagari characters using k-NN and SVM,” Soft Computing, vol. 24, no. 13, pp. 10111–10122, Nov. 2019, doi: 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: 10.1016/j.chemolab.2023.104825.

R. Faleh and A. Kachouri, “A hybrid deep convolutional neural network-based electronic nose for pollution detection purposes,” Chemometrics and Intelligent Laboratory Systems, vol. 237, p. 104825, Apr. 2023, doi: 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: 10.1609/aaai.v36i2.20081.

J. Lu, Z. Cheng, Y. Niu, H. Li, and Y. Xu, “PMAL: Open Set Recognition via Robust Prototype Mining,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 36, no. 2, pp. 1872–1880, Jun. 2022, doi: 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: 10.1007/978-3-030-58580-8_30.

G. Chen et al., “Learning Open Set Network with Discriminative Reciprocal Points,” springer, 2020, pp. 507–522. doi: 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: 10.1109/cvpr46437.2021.00438.

D.-W. Zhou, D.-C. Zhan, and H.-J. Ye, “Learning Placeholders for Open-Set Recognition,” Jun. 2021, pp. 4399–4408. doi: 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: 10.1109/wifs.2013.6707790.

R. D. Labati, R. Sassi, and F. Scotti, “ECG biometric recognition: Permanence analysis of QRS signals for 24 hours continuous authentication,” Nov. 2013, vol. 7667, pp. 31–36. doi: 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: 10.3390/s20154078.

D. Belo, N. Bento, H. Gamboa, A. Fred, and H. Silva, “ECG Biometrics Using Deep Learning and Relative Score Threshold Classification.,” Sensors, vol. 20, no. 15, p. 4078, Jul. 2020, doi: 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: 10.1109/mitp.2014.71.

L. Cernuzzi and J. Pane, “Toward Open Government in Paraguay,” IT Professional, vol. 16, no. 5, pp. 62–64, Sep. 2014, doi: 10.1109/mitp.2014.71.

39.

Н. Д. Бинь. «Онлайн-многозадачное одноразовое обучение категорий объектов и видение,» дек. 2011 г., с. 131–138, doi: 10.1145/2095697.2095722.

N. D. Binh, “Online multiple tasks one-shot learning of object categories and vision,” Dec. 2011, pp. 131–138. doi: 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: 10.1109/tpami.2006.79.

L. Fei-Fei, P. Perona, and R. Fergus, “One-shot learning of object categories,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 28, no. 4, pp. 594–611, Apr. 2006, doi: 10.1109/tpami.2006.79.

41.

А. Бендале и Т. Е. Боулт. «К глубоким сетям для открытого множества,» июнь 2016 г., doi: 10.1109/cvpr.2016.173.

A. Bendale and T. E. Boult, “Towards Open Set Deep Networks,” Jun. 2016. doi: 10.1109/cvpr.2016.173.

42.

А. Роза, Т. Боулт и М. Гюнтер. «Устойчивость к атакам: Softmax против Openmax,» янв. 2017 г., doi: 10.5244/c.31.156.

A. Rozsa, T. Boult, and M. Gunther, “Adversarial Robustness: Softmax versus Openmax,” Jan. 2017. doi: 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: 10.1109/tpami.2021.3106743.

G. Chen, Y. Tian, X. Wang, and P. Peng, “Adversarial Reciprocal Points Learning for Open Set Recognition.,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, no. 11, p. 1, Jan. 2021, doi: 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: 10.1016/j.patcog.2021.108237.

Y. Liu, X. Gao, J. Han, L. Liu, and L. Shao, “Zero-shot learning via a specific rank-controlled semantic autoencoder,” Pattern Recognition, vol. 122, p. 108237, Aug. 2021, doi: 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: 10.1609/aaai.v34i07.6844.

P. Ma and X. Hu, “A Variational Autoencoder with Deep Embedding Model for Generalized Zero-Shot Learning,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 34, no. 07, pp. 11733–11740, Apr. 2020, doi: 10.1609/aaai.v34i07.6844.

46.

А. Маас и С. Кемп. «Одноразовое обучение с использованием байесовских сетей,» т. 31, № 31, июнь 2018 г., doi: 10.1184/r1/6617375.v1.

A. Maas and C. Kemp, “One-Shot Learning with Bayesian Networks,” vol. 31, no. 31, Jun. 2018, doi: 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: 10.1016/j.patrec.2019.07.009.

Y. Zhang, Z. Xiao, Z. Guo, and Z. Wang, “ECG-based personal recognition using a convolutional neural network,” Pattern Recognition Letters, vol. 125, pp. 668–676, Jul. 2019, doi: 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: 10.1016/j.ijsu.202.

M. J. Page et al., “The PRISMA 2020 statement: An updated guideline for reporting systematic reviews.,” International Journal of Surgery, vol. 88, p. 105906, Apr. 2021, doi: 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: 10.1016/j.jclinepi.2022.12.019.

J. Helbach, F. Hoffmann, D. Pieper, and K. Allers, “Reporting according to the preferred reporting items for systematic reviews and meta-analyses for abstracts (PRISMA-A) depends on abstract length,” Journal of Clinical Epidemiology, vol. 154, pp. 167–177, Dec. 2022, doi: 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: 10.1109/tnnls.2021.3127497.

S.-C. Wu, A. L. Swindlehurst, S.-Y. Wei, J.-K. Chiu, and C.-S. Chang, “A Scalable Open-Set ECG Identification System Based on Compressed CNNs.,” IEEE transactions on neural networks and learning systems, vol. 34, no. 8, pp. 4966–4980, Aug. 2023, doi: 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: 10.1016/j.neucom.2018.12.015.

K. Su et al., “Human identification using finger vein and ECG signals,” Neurocomputing, vol. 332, pp. 111–118, Dec. 2018, doi: 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: 10.1016/j.procs.2016.09.447.

S. S. Tabrizi and N. Cavus, “A Hybrid KNN-SVM Model for Iranian License Plate Recognition,” Procedia Computer Science, vol. 102, pp. 588–594, Jan. 2016, doi: 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: 10.4236/jdaip.2020.84020.

E. Y. Boateng, D. A. Abaye, and J. Otoo, “Basic Tenets of Classification Algorithms K-Nearest-Neighbor, Support Vector Machine, Random Forest and Neural Network: A Review,” Journal of Data Analysis and Information Processing, vol. 08, no. 04, pp. 341–357, Jan. 2020, doi: 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: 10.1109/tpami.2017.2707495.

E. M. Rudd, T. E. Boult, L. P. Jain, and W. J. Scheirer, “The Extreme Value Machine.,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 40, no. 3, pp. 762–768, May 2017, doi: 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: 10.1137/17m1128411.

F. Schornbaum and U. Rüde, “Extreme-Scale Block-Structured Adaptive Mesh Refinement,” SIAM Journal on Scientific Computing, vol. 40, no. 3, pp. C358–C387, Jan. 2018, doi: 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: 10.1111/jmi.12539.

W. Colomb, J. D. Sau, S. K. Sarkar, and J. Czerski, “Estimation of microscope drift using fluorescent nanodiamonds as fiducial markers.,” Journal of Microscopy, vol. 266, no. 3, pp. 298–306, Mar. 2017, doi: 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: 10.11591/ijece.v10i3.pp3007-3013.

M. A. Elshahed, “Personal identity verification based ECG biometric using non-fiducial features,” International Journal of Electrical and Computer Engineering (IJECE), vol. 10, no. 3, p. 3007, Jun. 2020, doi: 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: 10.3390/s23167281.

D. Wang, X. Zhang, M. Lin, Y. Zhu, and Y. Huang, “Automatic Modulation Classification Based on CNN-Transformer Graph Neural Network.,” Sensors, vol. 23, no. 16, p. 7281, Aug. 2023, doi: 10.3390/s23167281.

59.

Дж. М. Шрейн. «Классификация отпечатков пальцев с использованием сверточных нейронных сетей и изображений ориентации гребней,» нояб. 2017 г., doi: 10.1109/ssci.2017.8285375.

J. M. Shrein, “Fingerprint classification using convolutional neural networks and ridge orientation images,” Nov. 2017. doi: 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: 10.1109/isbi45749.2020.9098618.

P. Dimitrakopoulos, G. Sfikas, and C. Nikou, “ISING-GAN: Annotated Data Augmentation with a Spatially Constrained Generative Adversarial Network,” Apr. 2020, pp. 1600–1603. doi: 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: 10.3389/fams.2023.1162760.

M. S. Meor Yahaya and J. Teo, “Data augmentation using generative adversarial networks for images and biomarkers in medicine and neuroscience,” Frontiers in Applied Mathematics and Statistics, vol. 9, May 2023, doi: 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: 10.1016/j.iot.2023.100927.

D. R. Bhuva and S. Kumar, “A novel continuous authentication method using biometrics for IOT devices,” Internet of Things, vol. 24, p. 100927, Sep. 2023, doi: 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: 10.1145/2968456.2973748.

N. Karimian, F. Tehranipoor, and P. A. Wortman, “Evolving authentication design considerations for the internet of biometric things (IoBT),” Oct. 2016, vol. 50, pp. 1–10. doi: 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: 10.1109/access.2019.28918.

H. Kim and S. Y. Chun, “Cancelable ECG Biometrics Using Compressive Sensing-Generalized Likelihood Ratio Test,” IEEE Access, vol. 7, pp. 9232–9242, Jan. 2019, doi: 10.1109/access.2019.28918