知识卡片：学习心脏特征——跨时间与运动的 ECG 生物特征识别

一句话结论

论文报告：在运动诱发压力与跨会话变化条件下，ECG 仍可支持个体区分；其 Siamese ResNet + late multi-lead fusion 方法在会话内静息到峰值运动条件下达到 EER 1.7%，在 CYBHi 数据集上达到 3.9%（作者称为 state-of-the-art），支持存在对生理与时间漂移有韧性的内在心脏签名。上述数字来自论文报告，尚未独立复现，具体协议与泛化边界待核实。

事件概述或研究问题

ECG 携带受试者特异模式，可用于可靠个体判别，构成 ECG biometrics。除身份认证外，该范式还被认为有潜力保护敏感心脏数据，并作为自监督学习中的 pretext task。现有研究多局限于单会话、静息数据，对时间变化与生理变化的鲁棒性缺少测试。本文针对这一空白，在运动诱发压力与跨会话变异性的现实条件下评估 ECG biometrics。具体数据集规模、受试者构成、采集设备与伦理审批信息，待核实。

方法/产品要点

• 模型：Siamese ResNet。
• 融合策略：late multi-lead fusion，即晚期多导联融合。
• 训练数据：从 cardiopulmonary exercise tests 中提取的大型 ECG 数据集；具体规模、受试者数量、导联配置待核实。
• 评估协议：exercise-and-time-aware protocol，并在公开基准上评估；摘要明确提到 CYBHi 数据集。
• 任务指标：EER（等错误率）。
• 应用方向：个体判别、身份认证、敏感心脏数据保护，以及自监督学习 pretext task。具体产品化路径与安全机制待核实。

主要结果或产业意义

• 论文报告 intra-session rest-to-peak EER 为 1.7%。
• 论文报告在 CYBHi 数据集上达到 3.9%，并称其为 state-of-the-art。
• 作者结论支持存在 intrinsic cardiac signature，且对 physiological and temporal drift 具有韧性。
• 产业意义方面，若结果可复现，ECG biometrics 可能用于可穿戴或临床场景中的连续身份认证、心脏数据访问控制，以及作为心脏基础模型的自监督预训练信号。实际部署可行性、跨设备泛化与隐私安全性待核实。

为什么重要

多数 ECG biometrics 研究停留在单会话静息条件，而真实使用常伴随运动、压力和时间间隔。本文把评估条件推进到运动与跨会话变化，并报告较低 EER，因此对“心脏信号是否携带跨状态稳定个体特征”这一问题提供了新的实证线索。若该线索成立，ECG 不仅是诊断信号，也可能成为安全认证与表征学习资源。与此同时，生物特征误识、模板泄露、撤销与重放攻击等风险仍需验证，待核实。

与既有脉络的关系

已有相关卡片中，QuanTiMedAI 关注心脏骤停死亡预测，Quasi-SVD 关注医学成像实时重建；本条不重复这些事实，主题是 ECG 生物特征识别在运动与跨会话变化下的鲁棒性。增量在于把评估条件从单会话静息扩展到生理与时间扰动，并报告 EER 与 CYBHi 基准结果。

局限与不确定性

• 结果尚未独立复现，EER 与 SOTA 声明均来自论文报告。
• 数据集规模、受试者人口统计、采集设备、导联数量、运动方案、跨设备/跨机构泛化：待核实。
• CYBHi 上的比较基线、评价划分、统计显著性与置信区间：待核实。
• 隐私、安全攻击、模板保护、伦理与监管问题：待核实。
• arXiv v1 与 AIiH 2026 最终版本之间是否存在差异：待核实。
• 代码与数据是否公开：待核实。
• “intrinsic cardiac signature”的生理机制解释：待核实。

可用于图书/PPT/简报的角度

• 从静息到运动：ECG 身份识别的鲁棒性压力测试。
• Siamese ResNet + late multi-lead fusion 的模型与融合流程示意。
• ECG 生物特征作为自监督学习 pretext task 的潜力。
• 可穿戴与远程医疗中的连续认证、心脏数据访问控制。
• 生物特征隐私、安全攻击与伦理边界。
• 与心脏 AI 的预测任务、成像任务形成对照：身份识别与表征学习视角。

原始材料

• 英文标题：Learning Cardiac Features: ECG Biometrics Across Time and~Exercise
• 英文关键词/术语（据材料标题与摘要）：ECG biometrics; Siamese ResNet; late multi-lead fusion; EER; CYBHi; cardiopulmonary exercise tests; self-supervised learning; intrinsic cardiac signature
• arXiv ID：2609.21962v1
• 作者：Luca Thiebaud, Paul Chauchat, Mustapha Ouladsine, Stéphane Delliaux
• Published：2026-09-18T16:22:31Z
• Updated：2026-09-18T16:22:31Z
• Primary category：cs.AI
• Categories：cs.AI, q-bio.TO
• Journal reference：Artificial Intelligence in Healthcare (AIiH 2026), Aug 2026, London, United Kingdom. pp.94-107.
• Abstract URL：https://arxiv.org/abs/2609.21962v1
• PDF URL：https://arxiv.org/pdf/2609.21962v1