ECG bio-identification using Fréchet classifiers: A proposed methodology based on modeling the dynamic change of the ECG features
Notice bibliographique
Résumé
Recently, the use of electrocardiogram (ECG) for human identification has attracted great attention. Generally, most existing ECG based biometric systems relay on extracting the static fiducial or non-fiducial features of the cardiac signal. However, the recorded ECG data is more likely to be different whenever it is measured. Such problem can be addressed by utilizing the dynamic change in ECG features. This paper proposes a new methodology for human identification via ECG, based on tracking the dynamic change in ECG features and utilizing the Fréchet distance measures for multiclass classification of feature matrices. The proposed dynamic feature matrices can be utilized to model nonstationary signals because they provide continues information on feature variability. Technically, we utilize the consecutive change of ECG power spectral density as significant feature. In addition, we use the dynamic change of QRS features as a distinguishable characteristic. At the classification stage, we use equations of Fréchet distances to perform multiclass classification because the covariance matrices of the dynamic feature matrices are symmetric positive definite, and their relative geometric space is not Euclidian. The performance of our methodology was evaluated using the publicly available ECG ID database of 62 subjects. To support real world applicability of our method, we randomized the reference / test data selection using data windowing techniques for examining the stability of our method by changing the datasets. The experimental results show that our methodology was able to achieve an identification accuracy of 97.03% with 0.971 precision, 0.999 specificity, 0.97 recall, 0.029 false rejection rate and 0.00048 false acceptance rate. Furthermore, the findings of our work show that Fréchet distances perform better than the Euclidian distance for ECG data classification in the context of multiclass classification problems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».