使用自主监督学习进行ECG生物识别验证,用于IoT边缘传感器

科学领域:

• 计算机科学 计算机科学
• 生物医学工程 生物医学工程
• 网络安全 网络安全

背景情况:

• 可穿戴的物联网 (IoT) 设备能够持续收集生理数据,用于健康监测.
• 物理信号,如心电图 (ECG),在安全应用中提供了被动的,持续的用户身份验证的潜力.
• 现有的身份验证方法往往缺乏方便性和持续的安全性.

研究的目的:

• 研究一种基于心电图的生物识别用户认证系统,利用卷积神经网络 (CNN) 和自我监督的对比学习.
• 开发一个强大的系统,用于可穿戴物联网设备的持续身份验证.
• 为了优化模型在资源受限的嵌入式设备上部署.

主要方法:

• 利用CNN架构与自我监督的对比学习相结合,提取可区分的ECG特征.
• 在PTB ECG数据库 (290名受试者) 上训练和评估模型.
• 在MIT-BIH心律失常和ECG-ID数据库上评估模型的概括性.
• 应用模型优化技术,包括用于嵌入式部署的量化和修剪.

主要成果:

• 在PTB ECG数据库上实现了99.15%的认证准确性.
• 在未经再培训的情况下,在未见的数据集 (MIT-BIH心律失常,ECG-ID) 上显示出高概括性,准确度超过98.5%.
• 通过三次重复身份验证,PTBDB和ECGIDDB的准确度提高到近100%.
• 优化的模型在PTBDB上保持了98.67%的准确性,同时将CPU周期减少了62.6%.

结论:

• 基于心电图的生物识别与CNN和对比学习提供了一个非常准确和可通用的解决方案,用于持续的用户身份验证.
• 拟议的系统适合在可穿戴物联网设备上实际部署,即使在对嵌入式系统进行优化后也是如此.
• 模型优化技术有效平衡物联网边缘传感器的准确性和计算效率.