[論文レビュー] Gesture-based Continuous Authentication for Wearable Devices: the Google Glass Case

Jagmohan Chauhan, Hassan Jameel Asghar+2 more|arXiv (Cornell University)|Dec 9, 2014

User Authentication and Security Systems参考文献 21被引用数 8

ひとこと要約

本論文では、Google Glass などのウェアラブルデバイスを対象に、タッチジェスチャー行動バイオメトリクスを用いたジェスチャー指向の継続的認証システムを提案する。本研究では、チェビシェフの集中不等式に基づく新しい分類器を導入し、たった75サンプルのトレーニングデータで最大99％の精度を達成した。これは、リソース制限のあるウェアラブルデバイスにおいて、精度と計算効率の両面で実現可能性を示している。

ABSTRACT

We study the feasibility of touch gesture behavioural biometrics for implicit authentication of users on a smartglass (Google Glass) by proposing a continuous authentication system using two classifiers: SVM with RBF kernel, and a new classifier based on Chebyshev's concentration inequality. Based on data collected from 30 volunteers, we show that such authentication is feasible both in terms of classification accuracy and computational load on smartglasses. We achieve a classification accuracy of up to 99% with only 75 training samples using behavioural biometric data from four different types of touch gestures. To show that our system can be generalized, we test its performance on touch data from smartphones and found the accuracy to be similar to smartglasses. Finally, our experiments on the permanence of gestures show that the negative impact of changing user behaviour with time on classification accuracy can be best alleviated by periodically replacing older training samples with new randomly chosen samples.

研究の動機と目的

• CPU、メモリ、バッテリー消費が制限された小型フォームファクタを持つウェアラブルデバイス（例：Google Glass）において、タッチジェスチャーを用いた継続的認証の実現可能性を評価すること。
• CPU、メモリ、バッテリー消費が制限されたハードウェア制約にもかかわらず、高い認証精度を維持する課題に対処すること。
• 統計的集中の原則を活用して、単一のジェスチャー・サンプルでの分類精度を向上させる、計算効率の高い分類器を開発すること。
• タッチジェスチャー・バイオメトリクスの長期的安定性を調査し、時間経過に伴う精度の維持に寄与する適応メカニズムを提案すること。
• スマートフォンでの性能評価を通じて、提案システムの一般化を図り、マルチセンサデータを用いた特徴空間の拡張を検討すること。

提案手法

• Google Glassに継続的認証システムを設計・実装し、RBFカーネルを用いたSVMと、本研究で新たに開発したチェビシェフの集中不等式に基づく分類器の2種類の分類器を用いる。
• 圧力、面積、速度の測定値から得られる時系列特徴を用いてジェスチャーをモデル化し、下方向の力と平面方向の力を別々の時系列特徴として分離する。
• i.i.d.（独立同分布）の確率変数の平均が平均値の周りに集中するという統計的原則に基づき、連続するジェスチャーのシーケンスをブロック単位で集約する特徴抽出手法を適用する。
• チェビシェフの不等式を用いて、ブロックごとのジェスチャー特徴の集中を数学的に形式化し、新しい分類器の基盤を構築する。
• 個々のジェスチャー特徴に対して、2/3の過半数ルールを用いた投票メカニズムをチェビシェフ分類器に実装し、耐障害性を向上させる。
• 30名の被験者を対象に、4種類のジェスチャーを用いてシステムの性能を評価し、長期的な精度安定性を評価するために適応的再トレーニングを実施する。

実験結果

リサーチクエスチョン

• RQ1 CPU、メモリ、バッテリー消費が制限されたウェアラブルデバイス（例：Google Glass）において、タッチジェスチャーを用いた継続的認証が、高い精度と低い計算オーバーヘッドを達成できるか。

主な発見

• 提案されたチェビシェフに基づく分類器は、RBFカーネルを用いたSVMと同等の分類精度を達成し、ユーザー1人あたりたった75サンプルのトレーニングデータで最大99％の精度に到達した。
• システムはGoogle Glass上でも計算的に実現可能であり、CPU、メモリ、バッテリーが制限されたデバイスに適した低リソースオーバーヘッドを示した。
• 適応的再トレーニングは長期的な精度を顕著に向上させ、特にチェビシェフ分類器において、ユーザー行動の変化に伴う性能劣化を低減した。
• スマートフォン上でのチェビシェフ分類器およびSVM分類器の性能は、Glass上での性能と類似しており、訓練データが少ない状況下でも、プラットフォーム間での一般化が可能であることを示した。
• ジェスチャー・ブロック（連続する複数のジェスチャー）の使用は分類精度を向上させ、その効果はチェビシェフの不等式を含む集中不等式によって数学的に裏付けられた。
• 本研究では、タッチジェスチャー・バイオメトリクスが継続的認証に十分な安定性を有していることが示されたが、長期的な精度は新しいデータを用いた定期的な再トレーニングによって向上することがわかった。