Системы биометрической аутентификации на основе электрокардиограммы (ЭКГ) обладают высокой степенью защиты от подделки благодаря физиологической уникальности сердечного сигнала. Однако их эффективность в динамических условиях реального мира — таких как носимые устройства или состояния, вызванные стрессом — часто снижается из-за шума, смещения электродов и внутрисубъектной вариативности сигналов. В данной работе предложена новая гибридная архитектура, направленная на повышение устойчивости системы и обеспечение высокой точности и надежности аутентификации в неблагоприятных условиях. Метод основан на интеграции вейвлет-анализа для подавления шума и глубокой нейронной сети для адаптивного распознавания признаков. Система включает этапы предварительной обработки сигнала, детекции комплекса QRS, моделирования отклонений и статистического сравнения, которое количественно оценивает морфологическое сходство между ЭКГ-шаблонами по амплитудным и формным характеристикам. Для классификации используется многоуровневая нейронная сеть прямого распространения (MLP), обученная на извлечённых признаках ЭКГ для выявления сложных нелинейных взаимосвязей между морфологией сигнала и личностью пользователя. Это обеспечивает адаптацию модели к изменяющимся условиям регистрации сигнала. Экспериментальная проверка на базе датасета ECG-ID показала точность 98,8 %, чувствительность 95 %, площадь под кривой (AUC) – 0,98 и низкий уровень ложных срабатываний. Предложенная система превосходит типичные решения для носимых ЭКГ-устройств, где точность обычно находится в диапазоне 90–95 %. Среднее время обработки одного цикла составляет около 8 секунд, что позволяет использовать метод для почти реального времени аутентификации в медицинских информационных системах, телемедицине и IoT-средах управления доступом. Результаты исследования формируют масштабируемую, адаптивную и устойчивую к шумам основу для биометрической аутентификации следующего поколения в реальных условиях эксплуатации.

Ключевые слова: биометрия на основе электрокардиограммы, вейвлет-разложение, детекция QRS-комплекса, нейронная сеть прямого распространения, классификация с глубоким обучением, устойчивая к шуму аутентификация, биометрическая безопасность

2.3.6 - Методы и системы защиты информации, информационная безопасность

В статье представлена система биометрической идентификации на основе электрокардиограммы с использованием глубокого обучения. Предложена архитектура из двух моделей: сиамской нейронной сети для верификации и сверточной нейронной сети (CNN) для классификации. Методология включает предобработку сигналов, аугментацию данных и извлечение признаков. Эксперименты на эталонных наборах данных показали высокую точность: сиамская сеть обеспечила надежную верификацию, а CNN достигла точности идентификации более 98%. Результаты подтверждают эффективность подхода для реальных приложений. Обсуждаются вызовы, такие как шумы сигнала и межсессионные изменения, а также перспективы развития, включая непрерывную аутентификацию и мультимодальные системы.

Ключевые слова: биометрическая аутентификация, электрокардиограмма, сиамская нейронная сеть, сверточная нейронная сеть, qrs-комплекс, обработка сигналов

2.3.6 - Методы и системы защиты информации, информационная безопасность , 3.1.20 - Кардиология