《Pattern Recognition Letters》：Federated Acquisition-Robust Representation Learning for Cross-Protocol ECG Biometric Authentication
编辑推荐：
•减少对采集协议依赖的联邦心电图认证。•特定心电图共享保持不兼容的身份头部和批量归一化状态本地化。•原始心电图保持客户端本地化；仅聚合 0.12M 参数编码器和判别器。•直接的 FedWon、FedSR 和 FedOMG 比较使用三个独立种子。•7,201 名受试者规模的测试
- •
减少对采集协议依赖的联邦心电图认证。
- •
特定心电图共享保持不兼容的身份头部和批量归一化状态本地化。
- •
原始心电图保持客户端本地化；仅聚合 0.12M 参数编码器和判别器。
- •
直接的 FedWon、FedSR 和 FedOMG 比较使用三个独立种子。
- •
7,201 名受试者规模的测试增加了 200 个完全未见过的 LUDB 身份。
引言
可穿戴心电图 (ECG) 传感器、移动健康应用和远程监控平台需要可靠的身份验证，以将生理测量与正确的个体关联，并限制对敏感记录的访问。密码和令牌可能会丢失或共享，而指纹和面部识别可能被欺骗，且无法确定生理信号是否来自活体用户。心电图提供了一种不同的生物特征源，因为它由心脏活动产生，难以伪造，与活体受试者相关，并且已被许多临床和消费设备捕获 [1], [2], [3], [4], [5]。这些特性使心电图适用于医疗物联网环境中的持续、低负担认证。
心电图生物特征识别已从 R 峰时机、P-QRS-T 形态、振幅、间隔和光谱内容的手工特征描述，发展到直接从心跳中导出身份表示的深度编码器。HeartID 引入了多分辨率一维 CNN [1]，Deep-ECG 学习了基于模板的深度特征 [2]。后续研究采用级联 CNN、孪生和对比嵌入以及基于图的多导联模型，以在其评估条件下提高验证性能 [4], [6], [7], [8]。与此同时，联邦学习已使得在没有转移原始记录的情况下，能够跨医院和设备进行协作训练 [9], [10], [11]，包括应用于分布式心电图分类和异常检测 [12], [13]。
三个未解决的问题限制了在匹配实验室环境之外的部署。大多数心电图生物特征研究在固定采样率和固定导联集下评估单个数据库。如果不明确约束采集依赖性，编码器可能会利用设备滤波、特定导联形态或特征噪声作为身份证据。此类与采集相关的捷径在数据库、导联或通道质量发生变化时可能会失效，然而跨采集行为很少被量化。联邦心电图方法面临相关局限性，因为通用聚合并未直接约束身份嵌入中保留的采集信息。FedAvg 在非独立同分布客户端之间可能不稳定 [9]；FedProx 限制客户端漂移 [14]；FedBN 保留本地归一化统计量 [15]。这些机制都没有明确优化采集域的可预测性。当同一受试者认证（即在后来的记录中识别同一个人）与跨受试者迁移到新数据库混淆时，会产生单独评估歧义。混合这些设置会掩盖所测量的生物特征问题，并可能夸大真正认证的表面难度。
此处检验的假设是，心电图编码器应减少依赖与采集相关的捷径，同时保留受试者信息。这一目标有意弱于严格不变性。用于认证的有用表示可能仍然编码协议信息，过度抑制可能同时移除身份结构。因此，术语 采集鲁棒性 表示实验支持的属性，而在第 4.9 节中分别测量采集可预测性和身份保留。
FedAIR-ECG 的设计旨在检验这一假设。在评估的配置中，每个客户端对应一个观察到的数据库、心电图导联和本机采样率组合。噪声通过训练增强和电极运动压力测试引入，而不是作为第六个域标签处理。心电图编码器和梯度反转采集判别器在客户端之间共享，而身份头部和批量归一化参数及统计量保持本地化。监督对比学习组织身份嵌入，扰动一致性项约束增强视图的表示。在认证期间，余弦相似度将生成的紧凑嵌入与注册模板进行比较。
本文的主要贡献是：
- •
泄漏控制协议区分了同一受试者跨会话、跨采样率和跨导联认证与两个留出导联设置，并明确说明留出的导联、记录和受试者身份（第 4.1 节）。
- •
技术贡献是特定任务的集成和参数划分，而不是新的损失函数或优化器。非批量归一化编码器权重和采集判别器是共享的，而客户端特定的身份头部和批量归一化状态保持本地化。这种设计适应了在数据库之间未全局对齐的身份标签命名空间，并在每个本地批次仅包含一个域标签时协调判别器更新（第 3 节）。
- •
评估涵盖 Local-only、池化数据参考、FedAvg、FedProx、FedBN、FedAvg+SupCon、FedAvg+Adv、FedWon、FedSR 和 FedOMG，报告三个种子上的均值 ± 标准差（表 2，表 3，表 4，表 5，表 6）。
- •
7,201 名受试者规模的实验和完全身份不相交的 LUDB 测试确立了评估范围并暴露了方法的边界：部分抑制、身份结构减少、共享判别器无益、依赖于直推式批量归一化校准，以及不相似导联之间的弱迁移。
本文其余部分组织如下。第 2 节回顾相关工作；第 3 节介绍 FedAIR-ECG；第 4 节报告实验；第 5 节讨论优势和局限性；第 6 节总结。
章节摘要
心电图生物特征认证
心电图生物特征认证假设心脏结构、电信号和生理状态在波形中留下特定于受试者的模式。早期系统通过 P-QRS-T 参考点、振幅、间隔和光谱特征描述这些模式，然后应用传统分类器。虽然对清晰记录有效，但这些管道对 R 峰检测错误、噪声和导联放置变化敏感。深度学习减少了这种依赖性
方法论
FedAIR-ECG 旨在保留受试者判别信息，同时减少心电图嵌入对数据库来源、采样率、导联和信号扰动的依赖。该框架运行时无需从任何客户端转移原始心电图。
实验结果
评估考察当训练和认证之间的采样率、导联或噪声水平不同时，FedAIR-ECG 是否保留受试者判别信息。所有报告的训练运行均在 Ubuntu 22.04、Python 3.12.3、PyTorch 2.8.0+cu128 和 CUDA 12.8 下远程执行。四个 NVIDIA RTX 6000D GPU 并发调度，每个独立运行分配给一个 GPU。没有报告的结果是通过本地笔记本电脑训练获得的。
讨论
实验识别了有限的鲁棒性增益，而不是统一优越的认证模型或单一验证的因果机制。在受控队列中，FedAIR-ECG 在电极运动噪声下获得最高平均低误报率真接受率，但在大多数清晰协议上不如 FedAvg+SupCon 或 FedWon。使用 7,201 个训练身份，它在 200 个完全未见的 LUDB 身份上与 FedAvg+SupCon 保持竞争力，并在两个跨导联测试中给出更低的等错误率。那些跨导联等错误率
结论
FedAIR-ECG 实现了特定心电图的联邦参数划分，其中非批量归一化编码器和采集判别器是共享的，而身份头部和批量归一化状态保持客户端本地化。在三个种子上的评估识别出对电极运动噪声的低误报率鲁棒性是其最一致的优势。使用 7,201 个训练身份，该模型还能竞争性地迁移到 200 个未见的 LUDB 身份，并降低评估跨导联协议上的等错误率，尽管剩余的
伦理声明
无需人类受试者伦理批准：本研究仅使用已去标识化的公开发布数据。所有实验均按照数据使用协议进行。
资助
本工作部分由海南省健康科学技术创新联合计划 (WSJK2024MS182) 和中国海南省自然科学基金项目（编号 823QN229）资助。
生成式人工智能使用声明
生成式人工智能仅用于校对；没有生成、编辑或以其他方式制作任何图形。所有图形均使用 Python 的 matplotlib 创建，可从补充代码中复现。
CRediT 作者贡献声明
Jiantao Xu: 方法论，软件。 Dexing Zhou: 数据整理，验证。 Jianbo Xu: 概念化，写作 – 审查和编辑，资金获取。 Tianruo Wang: 调查，写作 – 初稿。
竞争利益声明
作者声明没有可能影响此处报告工作的竞争财务或个人利益。
Jiantao Xu|Dexing Zhou|Jianbo Xu|Tianruo Wang
