对生理信号进行可解释的评估,用于生物识别
Vithurabiman Senthuran1, Uthayasanker Thayasivam1, Iynkaran Natgunanathan2
1Department of Computer Science and Engineering, University of Moratuwa, Moratuwa, 10400, Sri Lanka.
Computers in biology and medicine
|March 11, 2026
概括
本研究引入了一个框架,用于分析使用生理信号的生物识别系统,如ECG,EEG和PPG. 它揭示了关键的信号特征和影响安全,现实世界的应用程序的性能因素.
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:
- 使用生理信号的生物识别系统实现了高识别准确度 (IA) 和低等错率 (EER).
- 现有的研究往往优先考虑性能指标而不是模型特征.
- 了解信号特征,人口规模和样本可用性如何影响生物识别系统可靠性至关重要.
研究的目的:
- 开发一个统一的框架来分析生物识别系统中的ECG,EEG和PPG信号.
- 调查信号特征,种群大小和样本可用性对生物识别性能和可靠性的影响.
- 提高可解释性,并为生物识别系统的开发提供信息,以便在现实世界中部署.
主要方法:
- 提出了一个统一的框架来分析ECG,EEG和PPG信号.
- 采用机器学习模型进行性能评估和可解释性.
- 使用夏普利添加式扩展 (SHAP) 来量化特征的重要性.
- 对人口规模和样本可用性进行了敏感性分析.
主要成果:
- 在大多数数据集中始终超过96%的识别准确性 (IA).
- 与现有的基于深度学习的研究相比,证明了较低的等错率 (EER).
- 在SHAP分析中,波形系数和PPG缩特征被认为是高度歧视性的.
- 灵敏度分析提供了对随着人口规模和样本可用性而变化的性能差异的见解.
结论:
- 拟议的框架使人们能够更深入地了解生物识别系统的行为,超出了传统的指标.
- 确定了强大的生物识别系统设计的关键区分特征和影响因素.
- 支持开发安全,隐私意识的生物识别系统,用于各种部署场景,包括资源有限的边缘环境.
