Глубокое обучение для адаптивной аутентификации на основе электрокардиограммы в системе телемедицины с поддержкой интернета вещей

Телемедицинские услуги стали неотъемлемой частью медицинских приложений, надежные механизмы аутентификации имеют решающее значение для защиты конфиденциальных данных пациентов и предоставляемых сервисов. Традиционные методы аутентификации, такие как пароли и токены, подвержены кражам и нарушениям безопасности. Эта уязвимость подчеркивает необходимость альтернативных методов, которые обеспечивают более высокий уровень безопасности и удобство использования. Биометрическая аутентификация, использующая уникальные физические и поведенческие характеристики, стала перспективной альтернативой. Среди различных биометрических методов сигналы электрокардиограммы (ЭКГ) выделяются своей уникальностью, стабильностью и неинвазивным характером. В данном исследовании представлен инновационный метод аутентификации на основе глубокого обучения, использующий ЭКГ-сигналы для повышения уровня безопасности в телемедицинских системах, работающих на базе интернета вещей (IoT). Предложенная модель использует гибридную архитектуру: сначала применяется сиамская нейронная сеть (SNN) для динамической верификации, затем сверточная нейронная сеть (CNN) для извлечения признаков с использованием оптимизированного метода последовательной агрегации сердечных циклов для надежной аутентификации на основе ЭКГ. Система функционирует безопасно и адаптивно, выполняя аутентификацию в реальном времени без вмешательства человека. В рамках исследования была проведена обработка данных ЭКГ из набора данных ECG-ID, включающего 310 ЭКГ-сигналов от 90 различных участников. Этот набор данных предоставил обширную выборку для обучения и оценки. Модель достигла высокой точности аутентификации (98,5–99,5 %) и показателя ложного допуска на уровне 0,1 % при минимальной вычислительной нагрузке, что подтверждает ее применимость для задач в реальном времени. Настоящее исследование интегрирует аутентификацию на основе ЭКГ в телемедицинские системы, создавая надежную основу для защиты данных пациентов. Инновационное использование ЭКГ-сигналов способствует созданию безопасной, адаптивной и персонализированной системы удаленного мониторинга здоровья.

1. Suran Melissa. Increased use of medicare telehealth during the pandemic // JAMA.2022. V. 327. N4. P. 313. https://doi.org/10.1001/jama.2021.23332
2. Marquez G., Astudillo H., Taramasco C. Security in telehealth systems from a software engineering viewpoint: asystematic mapping study // IEEE Access. 2020. V. 8 .P. 10933–10950. https://doi.org/10.1109/access.2020.2964988
3. Watzlaf V.J.M., Zhou L., DeAlmeida D., Hartman L.M. A systematic review of research studies examining telehealth privacy and security practices used by healthcare providers // International Journal of Telerehabilitation. 2017. V. 9. N 2 .P. 39–59. https://doi.org/10.5195/IJT.2017.6231
4. Yousuf T., Mahmoud R., Aloul F., Zualkernan I. Internet of Things (IoT) Security: current status, challenges and countermeasures // International Journal for Information Security Research. 2015. V. 5. N 4. P. 608–616. https://doi.org/10.20533/ijisr.2042.4639.2015.0070
5. Zhou L., Thieret R., Watzlaf V., Fahima., Dealmeida D., Parmanto B.A telehealth privacy and security self-assessment questionnaire for telehealth providers: development and validation // International Journal of Telerehabilitation. 2019. V. 11. N 1. P. 3–14. https://doi.org/10.5195/ijt.2019.6276
6. Sodhro A.H., Sennersten C., Ahmad A.Towards cognitive authentication for smart healthcare applications // Sensors. 2022.V. 22. N 6. P. 2101. https://doi.org/10.3390/s22062101
7. Khan H., Jan Z.H., Ullah I., Alwabli A., Alharbi F., Habib S., Islam M., Shin B.J., Lee M.Y., Koo J. A deep dive into AI integration and advanced nanobiosensor technologies for enhanced bacterial infection monitoring // Nanotechnology Reviews. 2024. V. 13. N 1. P. 20240056. https://doi.org/10.1515/ntrev-2024-0056
8. Barros A.,Rosário D., Resque P., Cerqueira E. Heart of IoT: ECG as biometric sign for authentication and identification // Proc. of the 15^th International Wireless Communications & Mobile Computing Conference (IWCMC). 2019. P. 307–312. https://doi.org/10.1109/iwcmc.2019.8766495
9. Kim S.-K., Yeun C.Y., Damiani E., Lo N.W. A machine learning framework for biometric authentication using electrocardiogram // IEEE Access. 2019. V. 7. P. 94858–94868. https://doi.org/10.1109/access.2019.2927079
10. Rehman I.U., Ullah I., Khan H., Guellil M.S., Koo J., Min J., Habib S., Islam M., Lee M.Y. A comprehensive systematic literature review of ML in nanotechnology for sustainable development // Nanotechnology Reviews. 2024. V. 13. N 1. P. 20240069. https://doi.org/10.1515/ntrev-2024-0069
11. Ibtehaz N., Chowdhury M.E.H., Khandakar A., Kiranyaz S., Rahman M.S., Tahir A., Qiblawey Y., Rahman T. EDITH: ECG biometrics aided by deep learning for reliable individual authentication // IEEE Transactions on Emerging Topics in Computational Intelligence. 2022. V. 6. N 4. P. 928–940. https://doi.org/10.1109/tetci.2021.3131374
12. Asadifam S., Talebi M.J., Nikougoftar E. ECG-based authentication systems: a comprehensive and systematic review // Multimedia Tools and Applications. 2024. V. 82. N 9. P. 27647–27701. https://doi.org/10.1007/s11042-023-16506-3
13. Shdefat, A.Y., Mostafa, N., Saker, I., Topcu, A. A survey study of the current challenges and opportunities of deploying the ECG biometric authentication method in IoT and 5Genvironments // Indonesian Journal of Electrical Engineering and Informatics. 2021. V. 9. N 2. P. 394–416. https://doi.org/10.52549/ijeei.v9i2.2890
14. Li L., Chen C., Pan L., Zhang L.Y., Wang Z.F., Zhang J., Xiang Y. A survey of PPG’s application in authentication // Computers & Security. 2023. V. 135. P. 103488. https://doi.org/10.1016/j.cose.2023.103488
15. Pereira T.M.C, Conceição R.C., Sencadas V., SebastiãoR. Biometric recognition: asystematic review on electrocardiogram data acquisition methods // Sensors. 2023. V. 23. N 3. P. 1507. https://doi.org/10.3390/s23031507
16. Hammad M., Plawiak P., Wang K.Q., Acharya U.R. ResNet-Attention model for human authentication using ECG signals // Expert Systems. 2021. V. 38. N 6. P. e12547. https://doi.org/10.1111/exsy.12547
17. Labati R.D., Muñoz E., Piuri V., Sassi R., Scotti F. Deep-ECG: convolutional neural networks for ECG biometric recognition // Pattern Recognition Letters. 2019. V. 126. P. 78–85. https://doi.org/10.1016/j.patrec.2018.03.028
18. Tirado-Martín P., Sanchez-Rello R. BioEcg: Improving ECG biometrics with deep learning and enhanced datasets // Applied Sciences. 2021. V. 11. N 13. P. 5880. https://doi.org/10.3390/app11135880
19. D'angelis O., Bacco L., Vollero L., Merone M. Advancing ECG biometrics through vision transformers:a confidence-driven approach // IEEE Access. 2023. V. 11. P. 140710–140721. https://doi.org/10.1109/ACCESS.2023.3338191
20. Alduwaile D., Islam M.S. Single heartbeat ECG biometric recognition using convolutional neural network // Proc. of the International Conference on Advanced Science and Engineering (ICOASE). 2020. P. 145–150. https://doi.org/10.1109/ICOASE51841.2020.9436592
21. Ivanciu L., Ivanciu I.A., Farago P., Roman M., Hintea S. An ECG-based authentication system using siamese neural networks // Journal of Medical and Biological Engineering. 2021. V. 41. N 4. P. 558–570. https://doi.org/10.1007/s40846-021-00637-9
22. Albuquerque S.L., Misoso C.J., da Rocha A.F., Gondim P.R.L. Authentication based on electrocardiography signals and machine learning // Engineering Research Express. 2021. V. 3. N 2. P. 023504. https://doi.org/10.1088/2631-8695/abffa6
23. Al Alkeem, E.,Yeun C.Y., Yun J., Yoo P.D., Chae M., Rahman A., Asyhari A.T.Robust deep identification using ECG and multimodal biometrics for industrial internet of things // Ad Hoc Networks. 2021. V. 121. P. 102581. https://doi.org/10.1016/j.adhoc.2021.102581
24. AhmadI., Yao C., Li L., Chen Y., Liu Z., Ullah I., Shabaz M., Wang X., Huang K., Li G., Zhao G., Samuel O.W., Chen S. An efficient feature selection and explainable classification method for EEG-based epileptic seizure detection // Journal of Information Security and Applications. 2024. V. 80. P. 103654. https://doi.org/10.1016/j.jisa.2023.103654
25. Jamin A., Humeau-Heurtier A. (Multiscale) cross-entropy methods: areview // Entropy. 2019. V. 22. N 1. P. 45. https://doi.org/10.3390/e22010045
26. Domínguez-Bolaño T., Campos O., Barral V., Escudero C.J., García-Naya J.A. An overview of IoT architectures, technologies, and existing open-source projects // Internet of Things. 2022. V. 20. P. 100626. https://doi.org/10.1016/j.iot.2022.100626
27. Pourghebleh B., Wakil K., Navimipour N.J.A comprehensive study on the trust management techniques in the Internet of Things // IEEE Internet of Things Journal. 2019. V. 6. N 6. P. 9626–9337. https://doi.org/10.1109/jiot.2019.2933518
28. Sharma P., Jain S., Gupta S., Chamola V. Role of machine learning and deep learning in securing 5G-driven industrial IoT applications // Ad Hoc Networks. 2021. V. 123. P. 102685. https://doi.org/10.1016/j.adhoc.2021.102685
29. Dogo E.M., Afolabi O.J., Nwulu N.I., Twala B.,Aigbavboa C.O. A comparative analysis of gradient descent-based optimization algorithms on convolutional neural networks // Proc. of the International Conference on Computational Techniques, Electronics and Mechanical Systems (CTEMS). 2018. P. 92–99. https://doi.org/10.1109/ctems.2018.8769211
30. Tyagi P.K., Agrawal D. Automatic detection of sleep apnea from single-lead ECG signal using enhanced-deep belief network model // Biomedical Signal Processing and Control. 2023. V. 80. Part 2. P. 104401. https://doi.org/10.1016/j.bspc.2022.104401
31. Bento N., Belo D., Gamboa H. ECG biometrics using spectrograms and deep neural networks // International Journal of Machine Learning and Computing. 2020. V. 10. N 2. P. 259–264. https://doi.org/10.18178/ijmlc.2020.10.2.929
32. Zhou D.-X. Deep distributed convolutional neural networks: Universality // Analysis and Applications. 2018. V. 16. N 6. P. 895–919. https://doi.org/10.1142/s0219530518500124
33. Sainath T.N., Kingsbury B., Saon G., Soltau H., Mohamed A.R., Dahl G., Ramabhadran B. Deep convolutional neural networks for Large-scale speech tasks // Neural Networks. 2015.V. 64.P. 39–48. https://doi.org/10.1016/j.neunet.2014.08.005
34. Khan A., Sohail A., Zahoora U., Qureshi A.S. A survey of the recent architectures of deep convolutional neural networks // Artificial Intelligence Review. 2020. V. 53. N 8. P. 5455–5516. https://doi.org/10.1007/s10462-020-09825-6
35. Lodhi B., Kang J. Multipath-DenseNet: A Supervised ensemble architecture of densely connected convolutional networks // Information Sciences. 2019. V. 482. P. 63–72. https://doi.org/10.1016/j.ins.2019.01.012
36. Kanatov M.,Atymtayeva L., Mendes M. Improved Facial Expression Recognition with xception deep net and preprocessed images // Applied Mathematics & Information Sciences. 2019. V. 13. N 5. P. 859–865. https://doi.org/10.18576/amis/130520
37. Zhang Y., Wu J. Practical human authentication method based on piecewise corrected Electrocardiogram // Proc. of the 7^th IEEE International Conference on Software Engineering and Service Sciences (ICSESS). 2016. P. 300–303. https://doi.org/10.1109/icsess.2016.7883071
38. Nwankpa C., Ijomah W., Gachagan A., Marshall S.Activation Functions: Comparison of Trends in Practice and Research for Deep Learning // arXiv. 2018. arxiv.org/abs/1811.03378v1. https://doi.org/10.48550/arXiv.1811.03378
39. Barros A., Resque P., Almeida J., Mota R., Oliveira H., Rosário D., Cerqueira E. Data improvement model based on ECG biometric for user authentication and identification // Sensors. 2020. V. 20. N 10. P. 2920. https://doi.org/10.3390/s20102920
40. Su K., Yang G., Wu B., Yang L., Li D., Su P., Yin Y. Human identification using finger vein and ECG signals // Neurocomputing. 2019. V. 332. P. 111–118. https://doi.org/10.1016/j.neucom.2018.12.015
41. Zhao Z., Zhang Y., Deng Y., Zhang X. ECG authentication system design incorporating a convolutional neural network and generalized S-Transformation // Computers in Biology and Medicine. 2018. V. 102. P. 168–179. https://doi.org/10.1016/j.compbiomed.2018.09.027
42. Blasco J., Peris-Lopez P. On the feasibility of low-cost wearable Sensors for multi-modal biometric verification // Sensors. 2018. V. 18. N 9. P. 2782. https://doi.org/10.3390/s18092782
43. Agrawal V., Hazratifard M., Elmiligi H., Gebali F. Electrocardiogram (ECG)-based user authentication using deep learning algorithms // Diagnostics. 2023. V. 13. N 3. P. 439. https://doi.org/10.3390/diagnostics13030439

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License