論文の概要: Lightweight MobileNetV1+GRU for ECG Biometric Authentication: Federated and Adversarial Evaluation

• arxiv url: http://arxiv.org/abs/2509.20382v1
• Date: Sun, 21 Sep 2025 06:46:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.484914
• Title: Lightweight MobileNetV1+GRU for ECG Biometric Authentication: Federated and Adversarial Evaluation
• Title（参考訳）: ECGバイオメトリック認証のための軽量MobileNetV1+GRU:Federated and Adversarial Evaluation
• Authors: Dilli Hang Rai, Sabin Kafley,
• Abstract要約: 本稿では,ECGに基づく認証のための軽量ディープラーニングモデル(MobileNetV1+GRU)を提案する。 我々は、ECGID、MIT-BIH、CYBHi、TBデータセットを用いて、ウェアラブル条件とエッジデプロイメントをシミュレートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: ECG biometrics offer a unique, secure authentication method, yet their deployment on wearable devices faces real-time processing, privacy, and spoofing vulnerability challenges. This paper proposes a lightweight deep learning model (MobileNetV1+GRU) for ECG-based authentication, injection of 20dB Gaussian noise & custom preprocessing. We simulate wearable conditions and edge deployment using the ECGID, MIT-BIH, CYBHi, and PTB datasets, achieving accuracies of 99.34%, 99.31%, 91.74%, and 98.49%, F1-scores of 0.9869, 0.9923, 0.9125, and 0.9771, Precision of 0.9866, 0.9924, 0.9180 and 0.9845, Recall of 0.9878, 0.9923, 0.9129, and 0.9756, equal error rates (EER) of 0.0009, 0.00013, 0.0091, and 0.0009, and ROC-AUC values of 0.9999, 0.9999, 0.9985, and 0.9998, while under FGSM adversarial attacks, accuracy drops from 96.82% to as low as 0.80%. This paper highlights federated learning, adversarial testing, and the need for diverse wearable physiological datasets to ensure secure and scalable biometrics.
• Abstract（参考訳）: ECGバイオメトリックスは、ユニークなセキュアな認証方法を提供するが、ウェアラブルデバイスへのデプロイメントは、リアルタイム処理、プライバシ、偽装による脆弱性問題に直面している。 本稿では,ECGに基づく認証,20dBガウスノイズ注入,カスタム前処理のための軽量ディープラーニングモデル(MobileNetV1+GRU)を提案する。 我々は、ECGID、MIT-BIH、CYBHi、TBデータセットを使用してウェアラブル条件とエッジデプロイメントをシミュレートし、99.34%、99.31%、91.74%、98.49%、F1スコア0.9869、0.9923、0.9125、0.9771、精度0.9866、0.9924、0.9180、0.9845、リコール0.9878、0.9923、0.9129、0.9756、エラーエラー率0.0009、0.00013、0.0091、0.0009、ROC-AUC値0.99、0.99、0.99、0.99、0.99、0.99、0.99、0.9945、FSMを96パーセントから96パーセントに下げた。 本稿では, フェデレーション学習, 対角テスト, 安全でスケーラブルなバイオメトリックスを確保するために, 多様なウェアラブルな生理的データセットの必要性を強調した。

関連論文リスト

• Comparison of Multiple Classifiers for Android Malware Detection with Emphasis on Feature Insights Using CICMalDroid 2020 Dataset [0.0]
  署名スキャナーは、パブリックアプリストアでリリースサイクルの速さに遅れを取っている。 私たちはCICMalDroid PCA2020を使用しました。 オリジナル機能のグラデーション向上が 最善を尽くした
  論文  参考訳（メタデータ） (2026-01-20T04:50:58Z)
• I Detect What I Don't Know: Incremental Anomaly Learning with Stochastic Weight Averaging-Gaussian for Oracle-Free Medical Imaging [2.384534878752428]
  異常ラベルを使わずに,信頼度の高い正規サンプル群を漸進的に拡張する,教師なしのオラクルフリーフレームワークを導入する。 凍結した事前訓練された視覚バックボーンは、小さな畳み込みアダプタで拡張され、無視できる計算オーバーヘッドを伴う高速なドメイン適応が保証される。 COVID-CXRでは、ROC-AUCは0.9489から0.9982に改善され、肺炎CXRでは0.6834から0.8968に上昇し、脳MRIではND-5では0.6041から0.7269に上昇する。
  論文  参考訳（メタデータ） (2025-11-05T23:28:14Z)
• MSRANetV2: An Explainable Deep Learning Architecture for Multi-class Classification of Colorectal Histopathological Images [3.4859776888706233]
  大腸癌(CRC)は、世界中のがん関連死亡率の高い疾患である。 ディープラーニングアルゴリズムは、診断精度と効率を高めるための強力なアプローチとなっている。 大腸組織像の分類に最適化されたMSRANetV2という畳み込みニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-28T07:22:34Z)
• Handling Extreme Class Imbalance: Using GANs in Data Augmentation for Suicide Prediction [0.0]
  十分な正のサンプルを持つ実データはまれであり、極端なクラス不均衡を引き起こす。 我々は機械学習(ML)を利用して、Geneversarative Adrial Networks(GAN)のようなモデルとディープラーニング(DL)技術を構築しました。 GANは自殺防止モデリングを支援するために合成データを生成する上で重要な役割を果たした。
  論文  参考訳（メタデータ） (2025-10-20T15:35:39Z)
• Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models [0.0]
  糖尿病は世界中で5億3700万人を超え、2045年までに7億8300万人に達すると予測されている。 2つのハイブリッド分類器を比較し、外部コホート上での一般化性を評価する。
  論文  参考訳（メタデータ） (2025-09-24T21:18:52Z)
• Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning [46.232038247686745]
  フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。 複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
  論文  参考訳（メタデータ） (2025-09-08T11:07:47Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• C-FBI: A Combinatorial method using Convolutions for Circle Fitting in Blurry Images [0.0]
  本稿では、円検出と正確なパラメトリックフィッティングのギャップを埋めるアルゴリズムであるBlurry Images(3C-FBI)のY Combinatorial Convolutionに基づくCircle Fittingを紹介する。 我々は,パーキンソン病の評価から得られた実世界の医療データ,制御された合成データ,系統的分析の3つの実験フレームワークで3C-FBIを評価した。 その結果,3C-FBIはリアルタイム性能(40.3fps)を維持しながら最先端の精度(Jaccard index 0.896)を達成することがわかった。
  論文  参考訳（メタデータ） (2025-07-15T16:47:44Z)
• An Automated Classifier of Harmful Brain Activities for Clinical Usage Based on a Vision-Inspired Pre-trained Framework [4.264452248986976]
  VIPEEGNetはマサチューセッツ総合病院/ハーバード医科大学から記録された脳波を用いて開発された。 多重分類では、6つのカテゴリに対するVIPEEGNETの感度は36.8%から88.2%である。
  論文  参考訳（メタデータ） (2025-07-10T02:22:13Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• Enhancing IoT Cyber Attack Detection in the Presence of Highly Imbalanced Data [0.0]
  本研究では、ハイブリッドサンプリング技術を用いて、IoT領域のデータ不均衡検出精度を向上させる。 サイバー攻撃の分類に関して,複数の機械学習モデルの性能を評価する。 全体として、この研究は、ハイブリッドサンプリングの価値と堅牢なモデルと機能選択を組み合わせることで、IoTセキュリティを著しく改善することを示している。
  論文  参考訳（メタデータ） (2025-05-15T14:02:48Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)

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。