DOI: https://doi.org/10.62110/sciencein.jist.2026.v14.1612
تاريخ النشر: 2026-06-22
المؤلف: T G Keshavamurthy وآخرون
الموضوع الرئيسي: التعرف البيومتري والأمان
نظرة عامة
تقدم ورقة المراجعة تحليلًا شاملاً للمصادقة البيومترية المعتمدة على تخطيط القلب الكهربائي (ECG)، مع تسليط الضوء على المزايا الفريدة لهذه الطريقة بسبب ميزتها الفطرية في الكشف عن الحياة والتخصص الفردي. تناقش الورقة تقنيات التعلم الآلي التقليدية (ML)، مثل آلات الدعم الناقل (SVM)، وأقرب الجيران (k-NN)، والغابات العشوائية، بالإضافة إلى الأساليب المتقدمة في التعلم العميق (DL)، بما في ذلك الشبكات العصبية التلافيفية (CNN)، والشبكات العصبية المتكررة (RNN)، والنماذج الهجينة. تقوم الورقة بتقييم نقدي لمجموعات البيانات المتاحة للجمهور، مثل قاعدة بيانات MIT-BIH لعدم انتظام ضربات القلب وقاعدة بيانات ECG التشخيصية PTB، في سياق فائدتها في تدريب ونمذجة نماذج المصادقة.
تشير النتائج إلى أنه بينما تؤدي طرق ML التقليدية بشكل جيد مع الميزات المصممة بعناية، إلا أنها محدودة باختيار الميزات اليدوي وقابلية التعرض للضوضاء. في المقابل، تتفوق نماذج DL، وخاصة CNNs وRNNs، في استخراج الميزات تلقائيًا من إشارات ECG الخام والتكيف مع مجموعات بيانات أكبر. ومع ذلك، لا تزال التحديات قائمة، بما في ذلك تنوع مجموعات البيانات، وتكاليف الحوسبة، والتكيف الزائد، وقابلية التفسير. تؤكد اتجاهات البحث المستقبلية على الحاجة إلى مجموعات بيانات موحدة، وأساليب متعددة الوسائط، وأطر تحافظ على الخصوصية، ودمج الذكاء الاصطناعي القابل للتفسير لتعزيز موثوقية وقابلية تطبيق الأنظمة المعتمدة على ECG في الإعدادات السريرية والبيومترية. تعتبر المراجعة مصدرًا قيمًا للباحثين والممارسين الذين يسعون لتطوير تقنيات البيومترية المعتمدة على ECG.
مقدمة
تسلط مقدمة الورقة الضوء على الأهمية المتزايدة لتقنيات المصادقة البيومترية، لا سيما في سياق التحقق الآمن من الهوية. يتم استبدال الطرق التقليدية، مثل كلمات المرور ورموز PIN، بشكل متزايد بالوسائط البيومترية مثل بصمة الإصبع، وقزحية العين، والتعرف على الوجه بسبب أمانها المعزز وراحتها. ومع ذلك، فإن هذه الطرق عرضة لهجمات التزوير والتغيرات البيئية، مما يحفز البحث في الوسائط البديلة. لقد ظهرت إشارات تخطيط القلب الكهربائي (ECG) كصفة بيومترية واعدة بسبب أنماطها الفريدة والثابتة وقدرات الكشف عن الحياة الفطرية، مما يقلل بشكل كبير من خطر الانتحال.
تناقش الورقة التقدم في تقنيات التعلم الآلي (ML) والتعلم العميق (DL) للمصادقة المعتمدة على ECG. بينما كانت طرق ML التقليدية، مثل آلات الدعم الناقل (SVM) وأقرب الجيران (k-NN)، فعالة، إلا أنها غالبًا ما تتطلب هندسة ميزات واسعة النطاق ومحدودة بحجم البيانات وتنوعها. في المقابل، يمكن لأساليب DL، وخاصة الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs)، استخراج الميزات الهرمية تلقائيًا من إشارات ECG الخام، مما يحسن الدقة والتعميم، خاصة مع مجموعات البيانات الكبيرة. ومع ذلك، لا تزال التحديات قائمة، بما في ذلك الحاجة إلى بيانات موثقة عالية الجودة وموارد حوسبة. تمهد المقدمة الطريق لاستطلاع منهجي يهدف إلى سد الفجوات في البحث الحالي من خلال مقارنة طرق ML وDL، ومعالجة مؤشرات الأداء، واستكشاف الاتجاهات المستقبلية لأنظمة المصادقة البيومترية المعتمدة على ECG.
طرق
في قسم الطرق، تناقش الورقة تقنيات استخراج الميزات المختلفة الضرورية للمصادقة البيومترية المعتمدة على ECG والتشخيص. تسلط الضوء على أهمية تحويل إشارات ECG المعالجة مسبقًا إلى تمثيلات مضغوطة ومميزة تلتقط الخصائص الفسيولوجية الفردية. يتم تصنيف الطرق إلى ميزات في مجال الزمن، وميزات في مجال التردد، وميزات في مجال الزمن-التردد. الميزات في مجال الزمن، مثل فترة RR وتغير معدل ضربات القلب، سهلة الحساب والتفسير ولكن يمكن أن تكون حساسة للضوضاء وتنوع الأفراد. توفر ميزات مجال التردد، المستمدة من تقنيات مثل تحويل فورييه السريع (FFT)، رؤى حول الخصائص الطيفية ولكن تفتقر إلى التوطين الزمني، وهو أمر ضروري لالتقاط التغيرات العابرة في ECG. تجمع ميزات الزمن-التردد، وخاصة تلك التي تم الحصول عليها عبر تحويل الموجة المنفصلة (DWT)، بين مزايا الطريقتين السابقتين، مما يوفر مقاومة محسنة للضوضاء ودقة تصنيف محسنة في نماذج التعلم الآلي (ML) والتعلم العميق (DL).
تناقش الورقة أيضًا طرق دمج الميزات في المصادقة البيومترية المعتمدة على ECG، مع التأكيد على دورها في تعزيز أداء أنظمة ML وDL الهجينة. يدمج الدمج المبكر الميزات الخام أو ذات المستوى المنخفض قبل إدخالها في شبكة عميقة، بينما يدمج الدمج المتأخر التوقعات من نماذج مختلفة بعد التحليل. يستفيد الدمج الهجين من كلا النهجين لإنشاء تمثيلات ميزات أغنى، مما يحسن من المتانة ضد الضوضاء والتنوع. تشير النتائج إلى أن الأنظمة الهجينة تتفوق على نماذج ML أو DL المستقلة، مع تحسينات في الدقة تصل إلى 21% عند دمج الميزات من كلا المنهجين. بالإضافة إلى ذلك، تُلاحظ الهياكل الهجينة لفعاليتها في التطبيقات الزمنية الحقيقية، على الرغم من أنها تتطلب تصميمًا دقيقًا وضبطًا لضمان التوافق بين طرق استخراج الميزات المختلفة وطرق التصنيف. تختتم الورقة بتسليط الضوء على الاتجاهات الناشئة في الهياكل الهجينة متعددة الوسائط والذكاء الاصطناعي القابل للتفسير، والتي تهدف إلى تعزيز قابلية التفسير السريرية والشفافية في تحليل ECG.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على المراحل الحرجة المعنية في اكتساب إشارة ECG، والمعالجة المسبقة، وطرق التصنيف للمصادقة البيومترية وكشف اضطرابات القلب. يعد اكتساب إشارة ECG أساسيًا، حيث يستخدم الأجهزة السريرية، وأجهزة الاستشعار القابلة للارتداء، والأجهزة المدعومة بالهاتف المحمول، كل منها له مزايا وتحديات مميزة، مثل آثار الحركة وضوضاء الإشارة. تعتبر تقنيات المعالجة المسبقة الفعالة، بما في ذلك التصفية، والتجزئة، والتطبيع، ضرورية لتحسين جودة الإشارة وتسهيل استخراج الميزات بدقة، وهو أمر محوري لأداء كل من طرق التعلم الآلي التقليدية (ML) وطرق التعلم العميق (DL).
تصنف الورقة طرق التصنيف إلى طرق ML التقليدية وطرق DL المعاصرة. تعتمد طرق ML التقليدية على هندسة الميزات، واستخراج ميزات في مجال الزمن، وميزات في مجال التردد، وميزات هجينة، وتستخدم مصنفات مثل آلات الدعم الناقل (SVM) وأقرب الجيران (k-NN). بينما تعتبر هذه الطرق قابلة للتفسير وفعالة حسابيًا، إلا أنها تواجه صعوبة في التكيف وقابلية التوسع. في المقابل، تقوم طرق DL، وخاصة الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs)، بأتمتة استخراج الميزات وتؤدي بشكل جيد على مجموعات البيانات الكبيرة ولكنها تتطلب موارد حوسبة كبيرة ويمكن أن تتكيف بشكل زائد على مجموعات البيانات الصغيرة. تظهر الأساليب الهجينة التي تجمع بين مزايا ML وDL كحل واعد، حيث تستفيد من التعلم العميق لاستخراج الميزات بينما تستخدم مصنفات تقليدية لاتخاذ القرار، مما يعزز الدقة والصلابة في أنظمة البيومترية المعتمدة على ECG. تختتم القسم بالتأكيد على أهمية مجموعات البيانات الموثقة عالية الجودة والتحديات التي تطرحها أحجام مجموعات البيانات المحدودة، مما يستلزم استراتيجيات مبتكرة مثل زيادة البيانات والتعلم الانتقالي لتحسين أداء النموذج.
القيود
تسلط قسم القيود الضوء على عدة تحديات مرتبطة باستخدام إشارات تخطيط القلب الكهربائي (ECG) للمصادقة البيومترية من خلال تقنيات التعلم الآلي (ML) والتعلم العميق (DL). تشمل القضايا الرئيسية أحجام العينات الصغيرة لمجموعات البيانات المرجعية، مثل PhysioNet ECG-ID وINCART، والتي تعيق تدريب نماذج قوية دون المخاطرة بالتكيف الزائد. بالإضافة إلى ذلك، غالبًا ما تظهر مجموعات البيانات المتعلقة بعدم انتظام ضربات القلب اختلالات شديدة في الفئات، مما يستلزم تنفيذ استراتيجيات زيادة أو وزن لضمان أداء عادل عبر الفئات المرضية النادرة. تعقد التباين في معدلات أخذ العينات، وتكوينات الأقطاب، وأجهزة التسجيل من قابلية نقل النماذج عبر مجموعات بيانات مختلفة.
علاوة على ذلك، يشكل التباين داخل الأفراد تحديًا كبيرًا، حيث يمكن أن تؤدي الضغوط الفسيولوجية، والحالات العاطفية، والعوامل البيئية إلى تغيير أنماط ECG. لتعزيز فعالية وقابلية تعميم أنظمة ML وDL المعتمدة على ECG، من الضروري معالجة هذه القيود من خلال اختيار مجموعات بيانات دقيقة، والمعالجة المسبقة، والتجزئة، وزيادة البيانات. تؤكد الاتجاهات البحثية الحالية على الحاجة إلى مجموعات بيانات أكبر وأكثر تنوعًا، وأساليب هجينة من ML وDL، وأطر تقييم صارمة لمعالجة القضايا غير المحلولة مثل اختلال الفئات والتنوع، مما يعزز في النهاية الابتكارات في كشف عدم انتظام ضربات القلب وأنظمة الرعاية الصحية الشخصية.
DOI: https://doi.org/10.62110/sciencein.jist.2026.v14.1612
Publication Date: 2026-06-22
Author(s): T G Keshavamurthy et al.
Primary Topic: Biometric Identification and Security
Overview
The review paper provides a comprehensive analysis of electrocardiogram (ECG)-based biometric authentication, highlighting the unique advantages of this method due to its inherent liveness feature and individual specificity. It discusses both traditional machine learning (ML) techniques, such as support vector machines (SVM), k-nearest neighbors (k-NN), and random forests, as well as advanced deep learning (DL) approaches, including convolutional neural networks (CNN), recurrent neural networks (RNN), and hybrid models. The paper critically evaluates publicly available datasets, such as the MIT-BIH Arrhythmia Database and the PTB Diagnostic ECG Database, in the context of their utility for training and benchmarking authentication models.
The findings indicate that while conventional ML methods perform well with carefully crafted features, they are limited by manual feature selection and noise susceptibility. In contrast, DL models, particularly CNNs and RNNs, excel in automatically extracting features from raw ECG signals and scaling to larger datasets. However, challenges remain, including dataset diversity, computational costs, overfitting, and interpretability. Future research directions emphasize the need for standardized datasets, multimodal approaches, privacy-preserving frameworks, and the integration of explainable AI to enhance the reliability and applicability of ECG-based systems in clinical and biometric settings. The review serves as a valuable resource for researchers and practitioners aiming to advance ECG biometric technologies.
Introduction
The introduction of the paper highlights the growing importance of biometric authentication technologies, particularly in the context of secure identity verification. Traditional methods, such as passwords and PINs, are increasingly being replaced by biometric modalities like fingerprint, iris, and facial recognition due to their enhanced security and convenience. However, these methods are susceptible to spoofing attacks and environmental variations, prompting research into alternative modalities. Electrocardiogram (ECG) signals have emerged as a promising biometric trait due to their unique, stable patterns and inherent liveness detection capabilities, which significantly reduce the risk of impersonation.
The paper discusses the advancements in machine learning (ML) and deep learning (DL) techniques for ECG-based authentication. While traditional ML methods, such as Support Vector Machines (SVM) and k-Nearest Neighbors (k-NN), have been effective, they often require extensive feature engineering and are limited by dataset size and variability. In contrast, DL approaches, particularly Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs), can automatically extract hierarchical features from raw ECG signals, improving accuracy and generalization, especially with large datasets. However, challenges remain, including the need for high-quality annotated data and computational resources. The introduction sets the stage for a systematic survey that aims to bridge the gaps in current research by comparing ML and DL methods, addressing performance indicators, and exploring future directions for ECG-based biometric authentication systems.
Methods
In the section on Methods, the paper discusses various feature extraction techniques crucial for ECG-based biometric authentication and diagnostics. It highlights the importance of transforming preprocessed ECG signals into compact, discriminative representations that capture individual physiological characteristics. The methods are categorized into time-domain, frequency-domain, and time-frequency features. Time-domain features, such as the RR interval and heart rate variability, are straightforward to compute and interpret but can be sensitive to noise and inter-subject variability. Frequency-domain features, derived through techniques like Fast Fourier Transform (FFT), provide insights into spectral properties but lack temporal localization, which is essential for capturing transient ECG variations. Time-frequency features, particularly those obtained via Discrete Wavelet Transform (DWT), combine the strengths of both previous methods, offering enhanced resistance to noise and improved classification accuracy in machine learning (ML) and deep learning (DL) models.
The paper also addresses feature fusion methods in ECG biometric authentication, emphasizing their role in enhancing the performance of hybrid ML and DL systems. Early fusion combines raw or low-level features before inputting them into a deep network, while late fusion integrates predictions from different models post-analysis. Hybrid fusion leverages both approaches to create richer feature representations, improving robustness against noise and variability. The findings indicate that hybrid systems outperform standalone ML or DL models, with accuracy improvements of up to 21% when combining features from both methodologies. Additionally, hybrid architectures are noted for their efficiency in real-time applications, although they require careful design and tuning to ensure compatibility between different feature extraction and classification methods. The paper concludes by highlighting emerging trends in multimodal hybrid architectures and explainable AI, which aim to enhance clinical interpretability and transparency in ECG analysis.
Discussion
The discussion section of the research paper highlights the critical stages involved in ECG signal acquisition, preprocessing, and classification methods for biometric authentication and cardiac disorder detection. ECG signal acquisition is fundamental, utilizing clinical devices, wearable sensors, and mobile-enabled devices, each with distinct advantages and challenges, such as motion artifacts and signal noise. Effective preprocessing techniques, including filtering, segmentation, and normalization, are essential to enhance signal quality and facilitate accurate feature extraction, which is pivotal for the performance of both traditional machine learning (ML) and deep learning (DL) approaches.
The paper categorizes classification methods into traditional ML and contemporary DL approaches. Traditional ML relies on feature engineering, extracting time-domain, frequency-domain, and hybrid features, and employs classifiers like Support Vector Machines (SVM) and k-Nearest Neighbors (k-NN). While these methods are interpretable and computationally efficient, they struggle with adaptability and scalability. In contrast, DL methods, particularly Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs), automate feature extraction and perform well on large datasets but require significant computational resources and can overfit on smaller datasets. Hybrid approaches that combine the strengths of ML and DL are emerging as a promising solution, leveraging deep learning for feature extraction while utilizing traditional classifiers for decision-making, thereby enhancing accuracy and robustness in ECG-based biometric systems. The section concludes by emphasizing the importance of high-quality annotated datasets and the challenges posed by limited dataset sizes, which necessitate innovative strategies like data augmentation and transfer learning to improve model performance.
Limitations
The section on limitations highlights several challenges associated with the use of electrocardiogram (ECG) signals for biometric authentication through machine learning (ML) and deep learning (DL) techniques. Key issues include the small sample sizes of benchmark datasets, such as PhysioNet ECG-ID and INCART, which hinder the training of robust models without risking overfitting. Additionally, datasets related to arrhythmias often exhibit severe class imbalances, necessitating the implementation of augmentation or weighting strategies to ensure equitable performance across rare pathological classes. The heterogeneity in sampling rates, lead configurations, and recording devices further complicates the transferability of models across different datasets.
Moreover, intra-subject variability poses a significant challenge, as physiological stress, emotional states, and environmental factors can alter ECG patterns. To enhance the effectiveness and generalizability of ECG-based ML and DL systems, it is crucial to address these limitations through careful dataset selection, preprocessing, segmentation, and augmentation. Current research trends emphasize the need for larger and more diverse datasets, hybrid ML and DL approaches, and rigorous evaluation frameworks to tackle unresolved issues such as class imbalance and variability, ultimately advancing innovations in arrhythmia detection and personalized healthcare systems.