論文の概要: CardioID: Mitigating the Effects of Irregular Cardiac Signals for Biometric Identification

• arxiv url: http://arxiv.org/abs/2203.16381v1
• Date: Wed, 30 Mar 2022 15:07:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 19:03:39.746066
• Title: CardioID: Mitigating the Effects of Irregular Cardiac Signals for Biometric Identification
• Title（参考訳）: 心臓ID : 生体認証における不規則心信号の影響の軽減
• Authors: Weizheng Wang, Marco Zuniga and Qing Wang
• Abstract要約: 我々は、より現実的な(制御されていない)シナリオで収集された心臓信号を解析する。 本フレームワークは,各ユーザに対してフィルタスペクトルを調整することにより,安定かつ異なる特徴を実現する。 評価の結果,SoAの平均平衡精度(BAC)は制御シナリオの90%以上から制御されていないシナリオの75%に低下した。
• 参考スコア（独自算出の注目度）: 5.142315382800959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac patterns are being used to obtain hard-to-forge biometric signatures and have led to high accuracy in state-of-the-art (SoA) identification applications. However, this performance is obtained under controlled scenarios where cardiac signals maintain a relatively uniform pattern, facilitating the identification process. In this work, we analyze cardiac signals collected in more realistic (uncontrolled) scenarios and show that their high signal variability (i.e., irregularity) makes it harder to obtain stable and distinct user features. Furthermore, SoA usually fails to identify specific groups of users, rendering existing identification methods futile in uncontrolled scenarios. To solve these problems, we propose a framework with three novel properties. First, we design an adaptive method that achieves stable and distinct features by tailoring the filtering spectrum to each user. Second, we show that users can have multiple cardiac morphologies, offering us a much bigger pool of cardiac signals and users compared to SoA. Third, we overcome other distortion effects present in authentication applications with a multi-cluster approach and the Mahalanobis distance. Our evaluation shows that the average balanced accuracy (BAC) of SoA drops from above 90% in controlled scenarios to 75% in uncontrolled ones, while our method maintains an average BAC above 90% in uncontrolled scenarios.
• Abstract（参考訳）: 心臓パターンは、生体認証の難易度を得るために使われており、最先端(SoA)識別アプリケーションにおいて高い精度を導いている。 しかし、この性能は、心臓信号が比較的均一なパターンを維持し、識別プロセスを容易にする制御シナリオで得られる。 本研究では,より現実的な(制御不能)シナリオで収集された心信号を分析し,その高い信号変動性(不規則性)が安定かつ異なるユーザ特性を得ることを困難にしていることを示す。 さらに、soaは通常、特定のユーザーグループを特定することに失敗し、制御されていないシナリオで既存の識別メソッドを無駄にします。 これらの問題を解決するために,3つの新しい性質を持つフレームワークを提案する。 まず,各ユーザに対してフィルタスペクトルを調整することで,安定した特徴と異なる特徴を実現する適応手法を設計する。 第二に、ユーザーは複数の心臓形態を持つことができ、SoAに比べてはるかに大きな心臓信号と使用者のプールを提供する。 第3に,マルチクラスタアプローチとマハラノビス距離を用いた認証アプリケーションにおける他の歪み効果を克服する。 評価の結果,SoAの平均平衡精度(BAC)は制御されたシナリオでは90%以上から制御されていないシナリオでは75%に低下し,制御されていないシナリオでは90%以上に低下した。

関連論文リスト

• DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography [37.32413956117856]
  本研究では,End-Diastolic (ED) フレームとEnd-Systolic (ES) フレームを識別するための教師なしおよびトレーニング不要な手法を提案する。 アンカー点の同定と方向変形解析により,初期セグメンテーション画像の精度への依存性を効果的に低減する。 本手法は,学習モデルと同等の精度を,関連する欠点を伴わずに達成する。
  論文  参考訳（メタデータ） (2024-03-19T14:51:01Z)
• ProtoASNet: Dynamic Prototypes for Inherently Interpretable and Uncertainty-Aware Aortic Stenosis Classification in Echocardiography [4.908455453888849]
  大動脈狭窄症(Aortic stenosis、AS)は、心臓弁弁疾患の1つで、適切な治療のために正確かつタイムリーな診断を必要とする。 現在の自動検出法のほとんどは、信頼性の低いブラックボックスモデルに依存しており、臨床応用を妨げている。 本稿では,Bmode心エコービデオから直接ASを検出するネットワークであるProtoASを提案する。 ProtoASNetは、それぞれの予測に対する解釈可能性と不確実性を提供する。
  論文  参考訳（メタデータ） (2023-07-26T18:06:25Z)
• Personalized Anomaly Detection in PPG Data using Representation Learning and Biometric Identification [3.8036939971290007]
  光胸腺造影信号は、継続的なフィットネス・ヘルスモニタリングに有意な可能性を秘めている。 Photoplethysmography信号は、一般的にウェアラブルデバイスから取得され、継続的なフィットネスと健康のモニタリングに重要な可能性を秘めている。 本稿では、表現学習とパーソナライズを利用した2段階のフレームワークを導入し、PSGデータの異常検出性能を改善する。
  論文  参考訳（メタデータ） (2023-07-12T18:05:05Z)
• A Causal Intervention Scheme for Semantic Segmentation of Quasi-periodic Cardiovascular Signals [7.182731690965173]
  フレームレベルのコントラスト的枠組みの下で,新たなトレーニングパラダイムを形成するために,コントラスト的因果介入(CCI)を提案する。 この介入は、単一の属性によってもたらされる暗黙の統計的バイアスを排除し、より客観的な表現につながる。
  論文  参考訳（メタデータ） (2022-09-19T13:54:51Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Sleep Stage Scoring Using Joint Frequency-Temporal and Unsupervised Features [5.104181562775778]
  多くの自動睡眠ステージ認識法が提案されている。 これらの手法のほとんどは、バイタル信号から抽出された時間周波数の特徴を用いる。 近年,教師なし特徴抽出にディープニューラルネットワークを用いるASSR法が提案されている。 本稿では,この2つのアイデアを組み合わせて,時間周波数と教師なしの特徴を同時に利用することを提案する。
  論文  参考訳（メタデータ） (2020-04-10T02:00:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。