高效隐私保护掌静脉认证模型EPVM：精准性与安全性的双重突破

本研究针对生物特征认证中精度与隐私难以兼顾的问题，提出基于PLS回归（Partial Least Square-Regression）和距离矩阵计算的掌静脉认证模型EPVM。通过ROI提取、改进自适应滤波等预处理技术组合，在VERA数据集上实现98.7%准确率，同时通过可撤销模板保障生物特征隐私。该成果为金融、医疗等敏感场景提供了兼具高安全性（unlinkable模板）与用户体验（非接触式采集）的解决方案。

　　

在数字化身份认证需求爆发的时代，传统密码和指纹识别正面临严峻挑战——前者容易被暴力破解，后者存在伪造风险且受表面污染影响。更令人担忧的是，虹膜识别需要用户将眼睛贴近传感器，既带来不适感又涉及隐私争议。相比之下，掌静脉认证因其活体检测特性（必须通过近红外光NIR成像皮下血管形态）和"非接触式"优势，逐渐成为生物识别领域的新宠。然而现有技术仍存在两难困境：提升识别准确率往往需要完整保留生物特征，但这又可能导致模板泄露风险。

为解决这一矛盾，研究人员开发了名为EPVM的创新模型。该研究首先通过多阶段预处理提升特征质量：采用感兴趣区域（ROI）定位技术锁定掌静脉核心区域，结合改进的自适应滤波器消除噪声干扰，再通过直方图均衡化增强对比度，最终骨架化提取血管拓扑结构。在分类器选择上，系统比较了决策树（15%准确率）、随机森林等传统算法后，发现偏最小二乘回归（PLS-R）在720个主成分时达到98.7%的峰值性能。为实现隐私保护，创新性地在训练阶段计算距离矩阵并生成可撤销模板，使得攻击者既无法逆向还原原始特征，也不能关联不同系统的模板。

关键技术方法包括：基于VERA和FYO两个公开掌静脉数据集的交叉验证；ROI定位与改进自适应滤波结合的预处理流程；PLS-R模型的主成分迭代优化（测试70%-80%训练集比例）；距离矩阵模板保护机制设计。

【Results】部分显示：决策树和随机森林在相同数据集上仅获得15%-23%的准确率，而经过优化的PLS-R模型将性能提升至98.7%。统计测试表明，该模型在70:30和80:20的训练测试集划分下均保持稳定，F1分数达0.987。

【Privacy analysis】证实：EPVM模板满足不可链接性（unlinkable）和可撤销性（revocable）两大隐私标准。与现有技术相比，其距离矩阵设计能有效抵抗特征重建攻击，即使模板数据库泄露也不会危及用户原始生物特征。

这项发表于《Biomedical Journal》的研究具有三重意义：技术上，首次将PLS-R与距离矩阵计算结合，突破生物识别"精度-隐私"权衡困境；应用上，为金融支付、医疗信息系统等高安全场景提供合规解决方案；方法论上，建立的多阶段处理框架（预处理-特征选择-隐私保护）可扩展至其他生物特征领域。未来研究可探索深度学习与模板保护机制的融合，并扩大跨种族数据验证。正如作者Divya Singla和Neetu Verma强调的，EPVM模型为实现"既精准又温柔"的生物认证开辟了新路径——不用记密码、不必按指纹，只需优雅地挥手，系统就能在保护隐私的前提下确认你是你。