基于深度学习的生物指标身份验证系统,使用高时间/频率分辨率变换

科学领域:

• 生物识别信息 生物识别信息
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 身份验证在现代社会中至关重要,推动了对强大的身份验证系统的需求.
• 生物识别方式提供高准确性和抗伪造性,获得了大量的关注.
• 心电图 (ECG) 信号具有独特的,个性化的特征,适合生物识别应用.

研究的目的:

• 提出和评估一种使用心电图 (ECG) 信号的新型身份验证框架.
• 通过基准数据集 (NSRDB和MITDB) 和深度学习技术来评估框架的性能.

主要方法:

• 一个两步框架,涉及信号清理和频域转换,使用维格纳-维尔分布.
• 将心电图信号转换为图像数据以提取特征,捕获独特的心脏信号信息.
• 深度学习的应用,特别是GoogleNet架构 (一种卷积神经网络 - CNN),用于识别.

主要成果:

• 在NSRDB数据集上实现了99.3%的准确性和0.8%的等错率 (EER).
• 在MITDB数据集上证明了99.004%的准确性和0.8%的EER.
• 在准确性和稳定性方面,其性能优于其他生物识别身份验证方法.

结论:

• 电脑心电图信号是有效的身份验证,提供高精度和耐噪声.
• 拟议的框架结合了维格纳-维尔分布和谷歌网,显示了生物识别领域深度学习的潜力.
• 该方法显示出高可靠性和低错误率,具有扩展和与其他安全层集成的潜力.