基于模糊化深度学习的医疗任务记录中签名伪造检测

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Fuzzified Deep Learning based Forgery Detection of Signatures in the Healthcare Mission Records

在数字化时代，手写签名作为生物特征验证手段在医疗等领域仍具重要性。传统线下验证效率低，本研究提出融合模糊逻辑与CNN的混合模型，通过28轮训练实现训练精度91.29%和测试精度88.47%，有效提升医疗文档安全。

　　

摘要

在数字化解决方案盛行的时代，手写签名在身份验证和文件认证中仍然发挥着至关重要的作用。作为一种生物特征验证方式，手写签名对每个人来说都是独一无二的，是确认身份和保障个人安全的基本手段。除了作为个人身份验证的工具外，签名还常常被视为关键文件和流程验证的基石，尤其是在医疗领域。在医疗行业中，特别是在欠发达地区，手写记录仍然是主要的文档记录方式。这些手写文件的可信度取决于其签名的真实性，因此签名验证成为保护医疗信息完整性和安全性的关键措施。然而，传统的离线签名识别方法往往耗时且效率低下，尤其是在处理大量文件时。这凸显了自动化签名验证系统的迫切需求。我们的研究提出了一种创新的签名验证系统，该系统结合了模糊逻辑（Fuzzy Logic）和卷积神经网络（CNN）的优势，实现了精确高效的签名验证。通过利用模糊逻辑进行特征表示以及CNN进行判别学习，我们提出的混合模型提供了一个有效的解决方案。经过仅28个训练周期的严格训练，该模型取得了91.29%的训练准确率和88.47%的测试准确率，展现了其强大的泛化能力。在安全需求不断演变、手写签名持续重要的背景下，我们的研究揭示了传统与现代之间的差距。