The Feasibility of Human Identification from Multiple ECGs using Maximal Overlap Discrete Wavelet Transform (MODWT) and Weighted Majority Voting Method (WMVM)
Notice bibliographique
Résumé
Electrocardiography (ECG) has been a subject of research interest in human identification because it is a promising biometric trait that is believed to have discriminatory characteristics. However, features of ECGs that are recorded at different times are often likely to vary significantly. To address the variability of ECG features over multiple records, we propose a new methodology for human identification using ECGs recorded on different days. To demonstrate the applicability of our method, we use the publicly available ECG ID dataset. The main goal of this work is to extract the most significant and discriminative wavelet components of the ECG signal, followed by utilizing the ECG spectral change for human identification using multi-level filtering technique. Our proposed multi-channel identification system is based on using the Maximal Overlap Discrete Wavelet Transform (MODWT) and its inverse (the IMODWT) to create multiple filtered ECG signals. The discriminative feature that we utilize for human identification is based on modeling the dynamic change of the frequency components in these multiple filtered signals. To reach the best possible identification performance, we use the Weighted Majority Voting Method (WMVM) for ECG classification. We evaluated the robustness of our proposed method over several random experiments and obtained 92.29% average identification accuracy, 0.9495 precision, 0.9229 recall, 0.0771 FRR and 0.0013 FAR. These results indicate that filtering some of the ECG wavelet components along with performing data fusion technique can be utilized for human identification.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».