この論文では、安静時のECGバイオメトリクス研究が運動時のパフォーマンス低下に対処できていない問題を解決するために、CrossStateECGというモデルを提案しています。このモデルは、安静状態と運動状態の異なる生理的状態における強力な認証を実現するために、マルチスケールの深層畳み込み特徴抽出と注意機構を組み合わせています。研究は、exercise-ECGIDデータセットを用いた実験結果から、Rest-to-Exerciseシナリオで92.50%、Exercise-to-Restシナリオで94.72%の認識精度を示しました。また、Rest-to-Restで99.94%、Mixed-to-Mixedで97.85%の高精度も確認され、ECG-IDおよびMIT-BIHデータセットでの追加検証によって、CrossStateECGの一般化能力と実用的な応用の可能性が強調されました。