[論文レビュー] Person Identification using Seismic Signals generated from Footfalls

Bodhibrata Mukhopadhyay, Sahil Anchal+1 more|arXiv (Cornell University)|Sep 24, 2018

Gait Recognition and Analysis参考文献 3被引用数 3

ひとこと要約

本稿では、歩行からの地震波を用いたFogコンピューティングベースの人物識別システムを提案する。新規の基底追跡に基づく圧縮技術（DS8BP）を活用し、8 kHzの信号を108倍に圧縮しながら分類精度を向上させる。8人の被験者からなる46,000件のイベントデータセットを用いて、1サンプルあたり5歩および10歩の入力でそれぞれ90%および95%の識別精度を達成し、プライバシー保護型アクセス制御としての高い実用性を示している。

ABSTRACT

Footfall based biometric system is perhaps the only person identification technique which does not hinder the natural movement of an individual. This is a clear edge over all other biometric systems which require a formidable amount of human intervention and encroach upon an individual's privacy to some extent or the other. This paper presents a Fog computing architecture for implementing footfall based biometric system using widespread geographically distributed geophones (vibration sensor). Results were stored in an Internet of Things (IoT) cloud. We have tested our biometric system on an indigenous database (created by us) containing 46000 footfall events from 8 individuals and achieved an accuracy of 73%, 90% and 95% in case of 1, 5 and 10 footsteps per sample. We also proposed a basis pursuit based data compression technique DS8BP for wireless transmission of footfall events to the Fog. DS8BP compresses the original footfall events (sampled at 8 kHz) by a factor of 108 and also acts as a smoothing filter. These experimental results depict the high viability of our technique in the realm of person identification and access control systems.

研究の動機と目的

• 歩行からの地震波を用いた、プライバシー保護型で侵入性のない人物識別システムの開発。
• 生の地震波信号の無線送信における帯域幅およびエネルギー消費を効率的な圧縮によって低減すること。
• センサーに近い計算処理を実現するため、Fogコンピューティングアーキテクチャの実装。
• 1サンプルあたりの歩行回数、サンプリング周波数、分類器の選択が識別精度に与える影響の評価。
• 分類性能を保持しつつ、安全でノイズ除去効果のある圧縮技術の設計。

提案手法

• 8 kHzのサンプリングレートで歩行からの地震波をキャプチャするため、ジオフォン（振動センサー）のネットワークを設置。
• DS8BPを提案する。これは、学習されたガボール辞書を用いて歩行信号を少数の基本関数で表現する、基底追跡に基づく圧縮技術。
• 信号の整合性を保つために、圧縮が不十分または過剰な信号を除外するための圧縮しきい値（L_GCおよびH_GC）を設定。
• 圧縮および再構成された信号を用いて、SVM-RBF、SVM-Lin、ロジスティック回帰を分類器として使用し、性能を評価。
• データ保存のためのIoTクラウドと統合し、80 kbpsで無線送信するXBee 868LRを用いた。
• イベント検出および信号回復に、スパースコーディングを用いたアルゴリズムを適用し、圧縮測定値から元の信号を再構成。

実験結果

リサーチクエスチョン

• RQ1 計算負荷を最小限に抑えつつ識別精度を最大化するための、1サンプルあたりの最適な歩行回数は何か？
• RQ2 8 kHzから500 Hzにダウンサンプリングすることで、分類精度および特徴抽出時間にどのような影響があるか？
• RQ3 基底追跡に基づく圧縮法（DS8BP）は、分類に適した信号忠実度を保持しつつ、高い圧縮比を達成できるか？
• RQ4 従来のデシメーション法（DS16）と比較して、DS8BPは圧縮比、信号回復品質、分類器精度の点で優れているか？
• RQ5 目標となる分類精度に到達するための、1人あたりのトレーニング用歩行回数の最小値は何か？

主な発見

• SVM-RBFを用いて、46,000件のイベントデータセットで、1サンプルあたり5歩および10歩の入力でそれぞれ90%および95%の識別精度を達成。
• DS8BPは元の8 kHz信号を108.32倍に圧縮し、送信帯域幅およびエネルギー消費を顕著に削減。
• DS16と比較して、DS8BP圧縮信号を用いた分類器は2–4.3%高い精度を示した。これは、DS8BPが内蔵されたノイズ除去および平滑化効果によるもの。
• 500 Hzにダウンサンプリング（DS16）しても分類精度に悪影響はなく、特徴抽出およびイベント検出時間の短縮が達成された。
• 平均して、圧縮された歩行イベント長は18.51サンプルで、1ステップあたり平均圧縮比は13.54であった。
• DS8BPは、Gabor辞書（D）の知識がなければ圧縮信号を復号できないため、システムのセキュリティが向上した。