融合小波变换与CNN-Transformer的心电图生物特征识别框架ConvWaveFormer

《Scientific Reports》：ConvWaveFormer: a hybrid wavelet and CNN-transformer framework for ECG biometric identification

　　

摘要

基于心电图（ECG）的生物特征识别因其信号中包含个体特异性的心脏形态信息且具有内在的活性检测能力，已展现出作为替代认证模态的巨大潜力。然而，其识别性能仍然对信号噪声、形态变异以及依赖检测器的R峰定位误差高度敏感，这些误差可能导致分割后的心跳波形不对齐，从而降低特征一致性。本研究提出了ConvWaveFormer，一种融合小波变换与CNN-Transformer的混合框架，用于心电图生物特征识别。在进行形态保持预处理后，固定长度的以R峰为中心的心跳片段被输入两个分支进行处理：Daubechies-4小波分支捕获多分辨率时频信息，残差1D-CNN-Transformer分支学习局部ECG形态及心搏内的时序依赖关系。深层特征表示与小波表示及其逐元素交互共同融合，生成紧凑的生物特征嵌入。采用基于边距的监督方法（ArcFace和CosFace）进一步提升类内紧致性和类间可分性。该框架在ECG-ID、Heartprint、MIT-BIH心律失常及MIT-BIH正常窦性心律数据集上进行评估，并使用了三种R峰检测与心跳分割方法：NeuroKit2、SciPy FindPeaks和XQRS。尽管各检测器在不同数据集上的相对表现有所差异，但XQRS在多数情况下取得了最强或相当的整体性能，因此被选用于最终的五行交叉验证。ConvWaveFormer在四个数据集上的平均识别准确率分别为92.99%、76.47%、97.70%和99.63%，对应的等错误率（EER）分别为5.84%、11.11%、1.72%和0.34%。在跨数据集评估中，基于三源分数的级联融合在未重新训练目标域模型的情况下，在ECG-ID上实现了87.35%的Rank-1准确率、6.09%的EER和0.9808的ROC-AUC。这些结果表明，ConvWaveFormer能够学习到具有区分能力且可迁移的心电图表示，并跨异构离线数据集表现良好。尽管如此，严格的会话独立、跨设备以及连续可穿戴场景评估仍然必不可少，以验证其在无约束真实世界条件下的鲁棒性。