論文の概要: Heart Signal (ECG) as Vibration Signature for Human Authentication Using TinyML

• arxiv url: http://arxiv.org/abs/2610.24761v1
• Date: Sat, 17 Oct 2026 16:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:30:42.712121
• Title: Heart Signal (ECG) as Vibration Signature for Human Authentication Using TinyML
• Title（参考訳）: TinyMLを用いたヒト認証のための振動信号としての心信号(ECG)
• Abstract要約: 本研究では,心電図に基づく認証フレームワークについて,フォトプレソグラフィと比較した。 提案手法は連続的な認証が可能であり,デバイス使用中,継続的な検証が可能である。 ECGベースの認証は、ウェアラブルやエッジデバイス上での個人識別をセキュアでリアルタイムかつ継続的に行う方法として、強力な可能性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring data security in the era of Artificial Intelligence (AI) and deepfake technology requires robust biometric systems. Conventional methods such as facial recognition, iris scans, fingerprints, and voice recognition are increasingly vulnerable to spoofing and provide only one-time authentication at login. This study introduces an Electrocardiogram (ECG) based authentication framework, compared with Photoplethysmography (PPG), leveraging Tiny Machine Learning (TinyML) for deployment on resource-constrained microcontroller units (MCUs). The proposed method enables continuous authentication, offering ongoing verification throughout device usage, which conventional biometrics cannot achieve. It also serves as a password-free solution, reducing risks of credential loss, theft, or reuse. However, ECG signals vary with physical activity, health conditions, age, and emotional states, requiring robust signal processing and learning algorithms. To address this, efficient TinyML models were designed to mitigate recognition errors from noisy real-time data. Experiments used single-lead ECG signals (Lead I) from UofTDB, MIT-BIH Arrhythmia, MIT-BIH Noise Stress Test, and PTB databases. Spectrograms and spectral features were extracted to train Deep Neural Network (DNN), 1D CNN, and 2D CNN models within the Edge Impulse platform, achieving 98% accuracy. The trained model was converted into TinyML format and deployed on an Espressif ESP-EYE (ESP32, 240 MHz). Support Vector Machine (SVM) models were also applied for benchmarking. By analyzing the number of heartbeats required for reliable recognition, the results show that averaging multiple signals improves tolerance to noise and enhances accuracy. Overall, ECG-based authentication demonstrates strong potential as a secure, real-time, and continuously verifiable method for personal identification on wearable and edge devices.
• Abstract（参考訳）: 人工知能(AI)とディープフェイク技術の時代におけるデータのセキュリティを確保するには、堅牢な生体認証システムが必要である。 顔認識、虹彩スキャン、指紋、音声認識といった従来の手法は、偽造に対してますます脆弱になり、ログイン時にワンタイム認証のみを提供する。 本研究では,資源制約マイクロコントローラユニット (MCU) への展開にTiny Machine Learning (TinyML) を利用している Photoplethysmography (PPG) と比較して,心電図ベースの認証フレームワークを提案する。 提案手法は,従来の生体認証では達成できないデバイス使用中,連続的な認証を可能にする。 パスワードのないソリューションとしても機能し、クレデンシャル損失や盗難、再利用のリスクを低減する。 しかし、ECG信号は身体活動、健康状態、年齢、感情状態によって異なり、堅牢な信号処理と学習アルゴリズムを必要とする。 これを解決するために、高効率なTinyMLモデルは、ノイズの多いリアルタイムデータからの認識エラーを軽減するように設計された。 実験では、UofTDB、MIT-BIH Arrhythmia、MIT-BIH Noise Stress Test、TBデータベースからシングルリードECG信号(Lead I)を使用した。 Edge Impulseプラットフォーム内のDeep Neural Network(DNN)、1D CNN、および2D CNNモデルをトレーニングするために、スペクトルとスペクトルの特徴を抽出し、98%の精度を実現した。 トレーニングされたモデルはTinyMLフォーマットに変換され、Espressif ESP-EYE (ESP32, 240MHz)にデプロイされた。 ベンチマークにはSVM(Support Vector Machine)モデルも適用された。 信頼性認知に必要な心拍数を解析することにより、複数の信号の平均化によりノイズ耐性が向上し、精度が向上することを示す。 全体として、ECGベースの認証は、ウェアラブルやエッジデバイス上での個人識別のための、セキュアでリアルタイムで継続的な検証が可能な方法として、強力な可能性を示している。

関連論文リスト

• HEART: A High-Efficiency Adaptive Real-Time Telemonitoring Framework for Secure Electrocardiogram Signal Transmission Using Chaotic Encryption [0.0]
  心電図心電図信号のリアルタイム解析と安全な送信は,遠隔医療における患者のプライバシの正確な診断と保護に重要である。 本研究では,各患者のECG信号特性から学習可能な鍵生成器LKGを用いて,独自の暗号鍵を動的に生成する新しいリアルタイムECGモニタリングシステムを提案する。
  論文  参考訳（メタデータ） (2026-05-08T20:25:53Z)
• Can Cross-Layer Design Bridge Security and Efficiency? A Robust Authentication Framework for Healthcare Information Exchange Systems [0.1529342790344802]
  本稿では、健康情報交換(HIE)ネットワークのための新しい層間認証方式を提案する。 暗号化機構を物理(PHY)層ベースの認証と統合し、信頼性の高い通信を保証する。 Burrows-Abadi-Needham (BAN) 論理を用いた公式なセキュリティ分析は、様々な脅威に対するスキームの堅牢性を示している。
  論文  参考訳（メタデータ） (2026-04-29T06:44:15Z)
• Decoding Listeners Identity: Person Identification from EEG Signals Using a Lightweight Spiking Transformer [31.66487449656124]
  スパイキングニューラルネットワーク(SNN)を用いた新しい脳波人物識別手法を提案する。 提案したSNNモデルは、脳波信号に固有の時間的複雑さを扱うことができる。 EEG-Music Emotion Recognition Challengeデータセットでは,10%未満のエネルギー消費で100%の分類精度を実現する。
  論文  参考訳（メタデータ） (2025-10-17T08:20:01Z)
• Neural Codecs as Biosignal Tokenizers [45.09508896488561]
  ニューラルコーデックにインスパイアされた代替表現学習フレームワークであるBioCodecを導入し、離散トークンの形で低レベル信号特性をキャプチャする。 提案手法は、最先端のモデルと競合するバイオシグナルトークン化のための汎用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-10T07:47:20Z)
• Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
  低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。 心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。 これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
  論文  参考訳（メタデータ） (2025-05-28T12:45:39Z)
• Support Vector Machine for Person Classification Using the EEG Signals [0.4419843514606336]
  本稿では,この課題に対処するために,脳波信号を用いた個人識別を提案する。 脳波信号は、有望な認証可能性を提供し、活力検出のための新しい手段を提供し、それによって偽造攻撃を緩和する。 本研究では8チャンネルのOpenBCIヘルメットを用いて記録された12人の被験者の脳波データを特徴付ける疲労解析のために最初にコンパイルされたパブリックデータセットを用いる。
  論文  参考訳（メタデータ） (2024-11-26T14:03:58Z)
• Enhancing Electrocardiogram Signal Analysis Using NLP-Inspired Techniques: A Novel Approach with Embedding and Self-Attention [2.7651063843287718]
  埋め込みと自己注意に基づく新しい心電図解析手法を提案し,心電図データの空間的および時間的依存性を捉える。 91%の精度でF1スコアが得られた。
  論文  参考訳（メタデータ） (2024-07-15T12:20:15Z)
• 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)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。