通过双层特征通过ECG生物识别与协作嵌入和维度注意力重量学习.

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:

• 电心电图 (ECG) 生物识别正在获得个人识别的吸引力.
• 目前的方法通常仅依赖于1D时间序列特征,限制识别精度.
• 增强的特征提取对于优化心电图生物识别性能至关重要.

研究的目的:

• 通过整合双层特征 (1D和2D) 提出ECG生物识别的新框架.
• 提高个人识别在ECG生物识别中的可辨别性.
• 为拟议框架开发一个有效的优化算法.

主要方法:

• 整合1D (时间序列) 和2D (相对位置矩阵) 的心电图表示.
• 使用协作嵌入,维度注意力重量学习和投影矩阵学习.
• 采用集体矩阵因子化用于共享隐藏表示学习.

主要成果:

• 拟议的方法有效地整合了双层特征,增强了代表性歧视性.
• 维度注意力学习可以在潜在表示维度中保存多样化的信息.
• 在基准数据集上的实验结果表明,与最先进的方法相比,性能优越.

结论:

• 新的双层功能集成框架显著改善了ECG生物识别.
• 该方法为个人识别提供了更高的准确性和可辨别性.
• 开发的优化算法在实际应用中是有效和高效的.