أصبح التعرف على الهوية باستخدام تخطيط القلب (ECG) أحد الحلول الواعدة في مجال الأمان الرقمي وكشف الحضور الحقيقي. ومع ذلك، كانت معظم الطرق الحالية تعتمد على هياكل التعلم العميق الأحادية التي تعالج إما الإشارات الزمنية أحادية الأبعاد (1D) أو تمثيلات الزمن-التردد ثنائية الأبعاد (2D)، مما يحد من قوتها العامة وقدرتها على التعرف.

لمعالجة هذه المشكلة، تم اقتراح إطار هجين يجمع بين الشبكات العصبية التلافيفية (CNNs) 1D و2D في بنية موحدة شاملة. الفرع الأحادي (1D) يستخرج الخصائص الزمنية والشكلية من الإشارات الأولية لمخططات تخطيط القلب، بينما الفرع الثنائي (2D) يستنطق المعلومات الطيفية المميزة من تمثيلات الزمن-التردد.

يتميز هذا الإطار بوجود آلية دمج متوجهة تنتبه إلى خصائص المدخلات، مما يسمح بتوزين ديناميكي لكل من الطريقتين، ويتجاوز النماذج التقليدية الثابتة. تم تقييم هذا الإطار على ثلاثة مجموعات بيانات مرجعية (ECG-ID، MIT-BIH وPTB)، بما في ذلك الأشخاص الأصحاء ومرضى القلب، حيث حقق دقة في التعرف بلغت 99.56%، 100.00%، و99.89% على التوالي.

كما أُجريت التجارب لفحص استدامة الهوية البيومترية على مدى سنوات طويلة، حيث أظهرت النتائج على مجموعة بيانات Heartprint دقة مستقرة عبر عدة جلسات. كانت دقة نفس الجلسة 98.54%، 99.09%، 94.93%، و96.08%، في حين وصلت التقييمات بين الجلسات إلى 56.33% و53.27%، مما يبرز قدرة الإطار على التقاط توقيعات بيومترية مستقرة مع مرور الوقت.

التكوين الأمثل يجمع بين InceptionTime لمعالجة البيانات أحادية البعد وResNet-34 للتحليل ثنائي البعد، مع دمج يستند للتركيز. الدراسات المقطعية أثبتت أن الآلية المقترحة تتفوق باستمرار على طرق الدمج التقليدية. بشكل عام، يوفر هذا الإطار حلاً قويًا وقابلًا للتوسع وآداءً عاليًا في التعرف البيومتري باستخدام تخطيط القلب.