論文の概要: VerIde ECG Biometrics: Verification and Identification

• arxiv url: http://arxiv.org/abs/2602.02776v1
• Date: Mon, 02 Feb 2026 20:30:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.0726
• Title: VerIde ECG Biometrics: Verification and Identification
• Title（参考訳）: VerIde ECGバイオメトリックス:検証と同定
• Authors: Scagnetto Arjuna,
• Abstract要約: 本研究は心電図(ECG)バイオメトリックスを大規模に研究する。 我々は、ECGがいかに個人と結びつくかを評価し、その結果、その匿名化がいかに損なわれるかを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work studies electrocardiogram (ECG) biometrics at large scale, evaluating how strongly an ECG can be linked to an individual and, consequently, how its anonymization may be compromised. We show that identity information is already present in tabular representations (fiducial features): even a simple MLP-based embedding network yields non-trivial performance, indicating that anonymization based solely on releasing features does not guarantee privacy. We then adopt embedding-based deep learning models (ArcFace), first on features and then on ECG waveforms, showing a performance jump when moving from tabular inputs to waveforms, and a further gain with larger training sets and consistent normalization across train/val/test. On a large-scale test set, verification achieves high TAR at strict FAR thresholds (TAR=0.908 @ FAR=1e-3; TAR=0.820 @ FAR=1e-4) with EER=2.53% (all-vs-all); closed-set identification yields Rank@1=0.812 and Rank@10=0.910. In open-set, a two-stage pipeline (top-K shortlist on embeddings + re-ranking) reaches DIR@FAR up to 0.976 at FAR=1e-3 and 1e-4. Overall, the results show that ECG carries a measurable individual signature: re-identification is already possible with tabular features and is further amplified by embedding-based models, making privacy implications and realistic operational protocols essential to consider.
• Abstract（参考訳）: 本研究は、心電図(ECG)のバイオメトリックスを大規模に研究し、心電図が個人とどれだけ強く結びつくかを評価し、その結果、その匿名化がいかに損なわれるかを評価する。 単純なMLPベースの埋め込みネットワークでさえ,機能のリリースのみに基づく匿名化がプライバシを保証していないことを示す。 次に,組込み型ディープラーニングモデル(ArcFace)を導入し,まず特徴と次にECG波形を用いて,表型入力から波形への移動時の性能向上を示し,さらにトレーニングセットを大きくし,列車/バルブ/テスト間で一貫した正規化を実現した。 大規模なテストセットでは、検証は厳密なFAR閾値(TAR=0.908 @ FAR=1e-3; TAR=0.820 @ FAR=1e-4)で高いTARを達成する。 オープンセットでは、DIR@FARはFAR=1e-3と1e-4で最大0.976に達する。 全体として、ECGには測定可能な個々の署名があることを示している。再識別は表形式で既に可能であり、埋め込みベースのモデルによってさらに増幅され、プライバシ含意と現実的な運用プロトコルを考えることが不可欠である。

関連論文リスト

• ECG Latent Feature Extraction with Autoencoders for Downstream Prediction Tasks [2.2616169634370076]
  心電図(Electrocardiogram、ECG)は、安価で広く用いられる心臓評価用ツールである。 標準化されたフォーマットと小さなファイルサイズにもかかわらず、ECG信号の複雑さと個人間変動は、ディープラーニングモデルでの使用を困難にしている。 本研究は,代表的ビート心電図から特徴生成手法を探索することにより,これらの課題に対処する。 本稿では,3つの新しい変分自動エンコーダ(VAE)-Stochastic Autoencoder (SAE), Annealed beta-VAE (A beta-VAE), Cyclical beta VAE (C beta-VAE)を導入し,それらの維持効果を比較した。
  論文  参考訳（メタデータ） (2025-07-31T19:37:05Z)
• Deep Learning-Based Digitization of Overlapping ECG Images with Open-Source Python Code [2.7498981662768536]
  本稿では,信号重複による単一リード処理の限界を克服する2段階パイプラインを提案する。 最初のステージではU-Netベースのセグメンテーションネットワークを採用し、重なり合う信号で強化されたデータセットでトレーニングされている。 その後の段階では、この洗練された二項マスクを確立されたデジタル化技術を用いて時系列信号に変換する。
  論文  参考訳（メタデータ） (2025-06-12T12:00:34Z)
• Person Recognition at Altitude and Range: Fusion of Face, Body Shape and Gait [70.00430652562012]
  FarSightは、顔認識のためのエンドツーエンドシステムで、顔、歩行、体形を横断する生体計測の手がかりを統合する。 FarSightは、4つのコアモジュールにまたがる新しいアルゴリズムを組み込んでいる。
  論文  参考訳（メタデータ） (2025-05-07T17:58:25Z)
• ECG Identity Authentication in Open-set with Multi-model Pretraining and Self-constraint Center & Irrelevant Sample Repulsion Learning [6.106335826823355]
  オープンセット設定でも高い性能を維持する頑健なECG認証システムを提案する。 本手法は,99.83%の認証精度を達成し,False Accept Rateを5.39%まで低く維持する。
  論文  参考訳（メタデータ） (2025-04-25T12:18:51Z)
• Tokenizing Single-Channel EEG with Time-Frequency Motif Learning [16.732494632599934]
  本稿では,新しいトークン化フレームワークであるFM-Tokenizerを提案する。 単一チャネルのEEG信号から時間周波数モチーフの語彙を学び、それらを離散トークンにエンコードする。 信号形式, チャネル構成, 記録装置, タスクの事前学習データと異なる耳-EEG睡眠ステージング実験により, トークン化装置がベースラインを14%上回ることを示す。
  論文  参考訳（メタデータ） (2025-02-22T03:32:36Z)
• Uncertainty-Aware Label Refinement on Hypergraphs for Personalized Federated Facial Expression Recognition [58.98052764581606]
  我々はhYpergraphs (AMY) 法に基づく新しい不確実性認識ラベルリファレントを開発する。 ローカルトレーニングでは、各ローカルモデルは、バックボーン、不確実性推定(UE)ブロック、および式分類(EC)ブロックで構成される。 次に、ローカルクライアントにおける標本の不確実性重みを推定するために、パーソナライズされた不確実性推定器を導入する。
  論文  参考訳（メタデータ） (2025-01-03T13:59:21Z)
• Single-Pass Contrastive Learning Can Work for Both Homophilic and Heterophilic Graph [60.28340453547902]
  グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。 既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。 我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。 経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
  論文  参考訳（メタデータ） (2022-11-20T07:18:56Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
  ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。 我々は,マルチリード信号を2次元行列として扱うことを提案する。 提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
  論文  参考訳（メタデータ） (2020-12-10T08:37:44Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。