[論文レビュー] DeepKey: An EEG and Gait Based Dual-Authentication System

Xiang Zhang, Lina Yao+4 more|arXiv (Cornell University)|Jun 6, 2017

User Authentication and Security Systems参考文献 50被引用数 19

ひとこと要約

DeepKeyは、深層学習を用いてEEGと歩行信号を組み合わせるマルチモーダルバイオメトリック認証システムを提案し、スプーフィングに対するセキュリティを強化する。並列同定のためのアテンションベースのRNNと、不正ユーザーをブロックする不正IDフィルタを採用し、実環境での導入で0%のFARと1.0%のFRRを達成した。

ABSTRACT

Biometric authentication involves various technologies to identify individuals by exploiting their unique, measurable physiological and behavioral characteristics. However, traditional biometric authentication systems (e.g., face recognition, iris, retina, voice, and fingerprint) are facing an increasing risk of being tricked by biometric tools such as anti-surveillance masks, contact lenses, vocoder, or fingerprint films. In this paper, we design a multimodal biometric authentication system named Deepkey, which uses both Electroencephalography (EEG) and gait signals to better protect against such risk. Deepkey consists of two key components: an Invalid ID Filter Model to block unauthorized subjects and an identification model based on attention-based Recurrent Neural Network (RNN) to identify a subject`s EEG IDs and gait IDs in parallel. The subject can only be granted access while all the components produce consistent evidence to match the user`s proclaimed identity. We implement Deepkey with a live deployment in our university and conduct extensive empirical experiments to study its technical feasibility in practice. DeepKey achieves the False Acceptance Rate (FAR) and the False Rejection Rate (FRR) of 0 and 1.0%, respectively. The preliminary results demonstrate that Deepkey is feasible, show consistent superior performance compared to a set of methods, and has the potential to be applied to the authentication deployment in real world settings.

研究の動機と目的

• 偽物のマスク、フィルム、音声合成などによる偽装攻撃の増加する脅威に対処する（例：指紋、顔認識など従来のバイオメトリクスシステムの問題）
• EEGおよび歩行バイオメトリクスの本質的な偽装耐性を活用し、システムの耐障害性を向上させる
• ユーザー認証にEEGおよび歩行モダリティの両方からの一貫した証拠を必要とする二重モダリティシステムを設計する
• セッション間および環境的要因の変動を含む実環境でのEEGおよび歩行データの変動を処理できる深層学習フレームワークを開発する
• ライブな大学環境での導入状況において、技術的妥当性と優れた性能を実証する

提案手法

• 完全な認証の前に、EEGおよび歩行信号に基づいて不正な被験者を検出・拒否するための不正IDフィルターモデルを用いる
• アテンションベースの再帰的ニューラルネットワーク（RNN）を採用し、EEGおよび歩行シーケンスから特徴を並列に抽出・分類する
• アテンション-RNNモデルからの埋め込みを用いて、最終分類にK-近傍法（KNN）を適用する
• 14チャネルのEPOC+ヘッドセットで128HzでEEGデータを処理し、3つのIMU（加速度計、ジャイロスコープ、磁気センサー）で80Hzで歩行データを処理する
• 3日間の3回のセッションにわたりデータ収集を行い、機器の配置、気分、疲労、環境要因の変動を含む実環境の変動を再現する
• ディルタ帯EEG特徴量および時間的歩行パターンを、深層学習モデルの入力として用い、識別能を向上させる

実験結果

リサーチクエスチョン

• RQ1 EEGと歩行信号を組み合わせたマルチモーダルバイオメトリクスシステムは、単一モダリティのシステムと比較して、スプーフィングのリスクを顕著に低減できるか？
• RQ2 実環境の変動下でも、EEGおよび歩行信号の時間的パターンをモデル化するにあたり、アテンションベースのRNNは、身元識別にどの程度有効であるか？
• RQ3 複数のセッションおよび変動する環境条件下で実環境に導入した場合、システムの性能はFARおよびFRRの観点でどのようになるか？
• RQ4 EEGおよび歩行モダリティの融合は、個々のモダリティと比較して、認証の正確性および耐障害性をどの程度向上させるか？
• RQ5 不正IDフィルターは、完全な認証の前段階で不正ユーザーを効果的にブロックでき、システムのセキュリティを強化できるか？

主な発見

• DeepKeyは0%の偽受容率（FAR）を達成し、不正ユーザーがアクセスを許可された事例が一切なかった
• システムは1.0%の偽拒否率（FRR）を記録し、正当なユーザーのうちたった1%が誤って拒否されたにとどまった
• EEGおよび歩行モダリティの融合により、複数セッションデータセットで99.57%の正確性を達成し、全被験者においてF1スコアが常に99.6%以上を維持した
• アテンションベースのRNNモデルは、EEGおよび歩行識別タスクの両方で、複数セッションにわたり99%以上の精度、再現率、F1スコアを達成した
• システムは、機器の配置の変更、気分の変化、疲労、環境ノイズの変動など、実環境の変動に対して高い耐性を示した
• EEGベースのコンponentは高い一意性とスプーフィングに対する耐性を示した一方、歩行ベースのコンponentは、セッション間で高い安定性と一貫性を示した