学习心脏特征：跨时间与运动的 ECG 生物特征识别

心电图（ECG）包含个体特异性模式，可实现可靠的个体区分，构成 ECG 生物特征识别的基础。除身份认证之外，这一范式在保护敏感心脏数据以及作为自监督学习中的前置任务方面也具有巨大潜力。然而，大多数研究仍局限于单次会话、静息状态下的数据，对时间变化和生理变化下的鲁棒性几乎未进行检验。为弥补这一不足，我们在涉及运动诱发应激和跨会话变化的真实条件下，对 ECG 生物特征识别进行了评估。我们基于从心肺运动试验中提取的大型 ECG 数据集，训练了采用后期多导联融合策略的 Siamese ResNet，并使用兼顾运动和时间的评估协议，以及公开基准数据集进行评估。这项首次针对生理变化与时间变化共同作用下 ECG 生物特征识别的广泛评估，在会话内从静息到峰值的 EER 达到 1.7%，并在 CYBHi 数据集上取得了 3.9%的业界最佳结果。研究结果支持这样一种观点：人体存在一种能够抵御生理和时间漂移的内在心脏特征。