基于混合机器学习的无线心电图信号智能篡改检测技术

随着无线心电图（ECG）系统在健康监测和身份认证中的普及，保护信号完整性免受篡改变得日益重要。本文分析了CNN、ResNet和混合Transformer-CNN模型在篡改检测中的性能，并评估了基于Siamese网络的ECG身份验证性能。

研究方法

研究模拟了六种篡改策略，包括结构化片段替换和随机插入，以模仿真实世界攻击。通过连续小波变换（CWT）将一维ECG信号转换为时频域的二维表示。模型使用2019年至2025年间记录的54名受试者在四种非临床环境下执行七种日常活动时的ECG数据进行训练和评估。

实验结果显示：

在高度碎片化篡改场景中，CNN、FeatCNN-TranCNN、FeatCNN-Tran和ResNet模型的准确率均超过99.5%
对于细微篡改（例如50%来自A和50%来自B，以及75%来自A和25%来自B的替换），FeatCNN-TranCNN模型表现出持续可靠的性能，平均准确率达到98%
在身份验证方面，纯Transformer-Siamese网络实现了98.30%的平均准确率
混合CNN-Transformer Siamese模型实现了完美的验证性能，准确率达到100%

本研究通过混合机器学习方法，为无线ECG信号的完整性保护和身份验证提供了有效的解决方案，在真实场景中展示了卓越的检测性能。