аспирант с 01.01.2024 по настоящее время
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
сотрудник с 01.01.2020 по 01.01.2024
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
УДК 62 Инженерное дело. Техника в целом. Транспорт
Сегодня мы все чаще обращаемся к биометрическим системам аутентификации для защиты важной информации и ресурсов. Наш вклад в данной работе заключается в разработке надежной и инновационной системы биометрической аутентификации на основе сигналов ЭКГ, усиленной с использованием методов глубокого обучения. В предложенной системе применяется комплексная методология, включающая обработку сигналов, извлечение признаков, вейвлет-декомпозицию, детектирование QRS-комплекса, внутреннее моделирование, расчет расстояний и отклонений, усреднение пороговых значений, а также классификатор на основе искусственной нейронной сети (ИНС). Качество сигналов ЭКГ улучшается за счет предварительной обработки, после чего сигналы регистрируются. Уникальные характеристики формы сигнала ЭКГ извлекаются, а сам сигнал декомпозируется во временной и частотной областях с использованием вейвлет-преобразования. С помощью детектирования QRS-комплекса идентифицируются ключевые компоненты для биометрической аутентификации. Система строит внутреннее представление волн ЭКГ, вычисляет параметры, такие как расстояние и отклонение, и уточняет набор признаков для повышения устойчивости. Для повышения устойчивости к шуму и вариативности применяется усреднение пороговых значений. Наконец, классификатор на основе ИНС, обученный на извлеченных признаках, выполняет аутентификацию. Система выводит результат аутентификации и подтвержденную личность индивидуума. Экстенсивное тестирование проводилось на известном наборе данных ЭКГ, достигнута точность 98%, что демонстрирует эффективность системы. Значение True Positive Rate (чувствительность) составило 95%, что указывает на высокую производительность в идентификации подлинных пользователей. При времени обработки 10 секунд система подходит для использования в реальном времени. Анализ ROC-кривой также показал отличную производительность в различении подлинных и неподлинных пользователей с площадью под кривой (AUC) 0,98. Предложенная система обеспечивает безопасную, надежную и адаптивную биометрическую аутентификацию на основе ЭКГ за счет интеграции сложных методов обработки сигналов и глубокого обучения для работы с реальными вариациями паттернов ЭКГ, что улучшает предыдущие разработки. Несмотря на высокую чувствительность и точность системы, в будущих исследованиях планируется улучшить селективность и снизить количество ложных срабатываний для повышения общей производительности.
Глубокое обучение, сигнал ЭКГ, искусственная нейронная сеть (ИНС), безопасность, биометрическая аутентификация, обработка сигналов, QRS-комплекс, вейвлет-декомпозиция
1. Ингале М. и др. Биометрическая аутентификация на основе ЭКГ: Сравнительный анализ // IEEE Access. IEEE Institute of Electrical Electronics Engineers, 2020. Т. 8. С. 117853–117866.
2. Ахмед М.Дж. и др. CardioGuard: Гибридная нейронная сеть для аутентификации на основе ЭКГ с использованием ИИ для прогнозирующего мониторинга здоровья в телемедицинских системах // SLAS Technology. Sage, 2024. Т. 29, № 5. С. 100193.
3. Лю Дж. и др. Новый метод локализации волн P-QRS-T в сигналах ЭКГ на основе гибридных нейронных сетей // Computers in Biology and Medicine. Pergamon, 2022. Т. 150. С. 106110.
4. Швердтфегер А.Р. и др. Вариабельность сердечного ритма (ВСР): От смерти мозга до резонансного дыхания с частотой 6 вдохов в минуту // Clinical Neurophysiology. Elsevier Ireland, 2019. Т. 131, № 3. С. 676–693.
5. Сон Дж. и др. Реконструкция 12-канальной электрокардиограммы из трехканального устройства типа патч с использованием сети LSTM // Sensors. Molecular Diversity Preservation, 2020. Т. 20, № 11. С. 3278.
6. Цюй Х., Панг Л., Гао Х. Классификация умственной нагрузки на основе множественных признаков сигналов ЭКГ // Informatics in Medicine Unlocked. Elsevier, 2021. Т. 24. С. 100575.
7. Сюн П. и др. Обнаружение кратковременной пароксизмальной фибрилляции предсердий на основе парадигмы внутри- и межпациентного анализа интервалов R-R // Biomedical Signal Processing and Control. American Geophysical Union, 2023. Т. 89. С. 105750.
8. Да Силва Х.П. и др. Сигнал ЭКГ пальца для аутентификации пользователей: Удобство использования и производительность // Institute of Electrical Electronics Engineers, 2013. Т. 2. С. 1–8.
9. Эль Бужнуни И. и др. Капсульная нейронная сеть на основе вейвлетов для биометрической идентификации по ЭКГ // Biomedical Signal Processing and Control. American Geophysical Union, 2022. Т. 76. С. 103692.
10. Мельцер Д., Луэнго Д. Эффективная биометрическая идентификация на основе кластеризации электрокардиографических данных // Expert Systems with Applications. Elsevier, 2023. Т. 219. С. 119609. DOI: https://doi.org/10.1016/j.eswa.2023.119609; EDN: https://elibrary.ru/WMBGTB
11. Вагнер П. и др. Объяснение глубокого обучения для анализа ЭКГ: Базовые элементы для аудита и обнаружения знаний // Computers in Biology and Medicine. Pergamon, 2024. Т. 176. С. 108525.
12. М С., Гупта Н. Обзор биометрической аутентификации с использованием электрокардиограммы // SSRN Electronic Journal. Elsevier, 2020.
13. Ян В., Ван С. Система аутентификации на основе ЭКГ с сохранением конфиденциальности для защиты беспроводных сетей датчиков тела // IEEE Internet of Things Journal. Institute of Electrical Electronics Engineers, 2022. Т. 9, № 8. С. 6148–6158.
14. Хан М.У. и др. Система биометрической аутентификации на основе электрокардиограммы (ЭКГ) // Institute of Electrical Electronics Engineers, 2019. С. 1–6.
15. Исса М.Ф. и др. Классификация сердечных сокращений на основе одноканальной ЭКГ (отведение II) с использованием глубокого обучения // Heliyon. Elsevier BV, 2023. Т. 9, № 7. С. e17974.
16. Ван Дам П.М. и др. Связь 12-канальной ЭКГ с анатомией сердца: Нормальная CineECG // Journal of Electrocardiology. Elsevier, 2021. Т. 69. С. 67–74.
17. Уваечиа А.Н., Рамли Д.А. Всесторонний обзор использования сигналов ЭКГ как новой биометрической модальности для аутентификации человека: Современные достижения и будущие вызовы // IEEE Access. IEEE Institute of Electrical Electronics Engineers, 2021. Т. 9. С. 97760–97802.
18. Ван Д. и др. Новый метод биометрической идентификации на основе электрокардиограммы с использованием временно-частотного автоэнкодинга // Electronics. MDPI AG, 2019. Т. 8, № 6. С. 667.
