心电图（ECG）蕴含个体特有的波形模式，可用于可靠的身份辨识，构成 ECG 生物识别的核心。除身份验证外，这一特性还能为敏感心脏数据提供安全保障，并在自监督学习中充当前置任务。然而，现有研究大多局限于单次、静息状态的数据，未充分检验随时间和生理状态变化的鲁棒性。为填补空白，我们在包含运动诱导应激和跨会话变化的真实场景下评估 ECG 生物识别性能。采用 Siamese ResNet 结构并在后期进行多导联融合，模型在从心肺运动测试中提取的大规模 ECG 数据集上进行训练。评估采用兼顾运动与时间因素的协议，同时在公开基准上进行对比。实验显示，单次会话内从静息到峰值的等错误率（EER）为 1.7%，在 CYBHi 数据集上实现 3.9% 的最新水平。结果表明，心脏信号中存在对生理和时间漂移具有韧性的内在签名。
点评