[論文レビュー] Person Recognition using Smartphones' Accelerometer Data

Thingom Bishal Singha, Rajsekhar Kumar Nath+1 more|arXiv (Cornell University)|Nov 13, 2017

Video Surveillance and Tracking Methods参考文献 8被引用数 14

ひとこと要約

本稿では、歩行中のスマートフォンの加速度計データを用いた、受動的で目立たないユーザ認証システムを提案する。2秒間の歩行サンプルから時間領域および周波数領域の特徴量31個を抽出し、ランダムフォレスト分類器を用いることで、96.79%の正確性と0.9822のAUCを達成し、継続的で低コストなバイオメトリクス認証の強力な可能性を示している。

ABSTRACT

Smartphones have become quite pervasive in various aspects of our daily lives. They have become important links to a host of important data and applications, which if compromised, can lead to disastrous results. Due to this, today's smartphones are equipped with multiple layers of authentication modules. However, there still lies the need for a viable and unobtrusive layer of security which can perform the task of user authentication using resources which are cost-efficient and widely available on smartphones. In this work, we propose a method to recognize users using data from a phone's embedded accelerometer sensors. Features encapsulating information from both time and frequency domains are extracted from walking data samples, and are used to build a Random Forest ensemble classification model. Based on the experimental results, the resultant model delivers an accuracy of 0.9679 and Area under Curve (AUC) of 0.9822.

研究の動機と目的

• ユーザの操作を必要とせず、既存のスマートフォンセンサーを活用する継続的で目立たないユーザ認証手法の開発を目的とする。
• パスワードや指紋など、意図的な入力を必要とするアクティブ認証手法の限界を克服し、常に有効な認証を実現することを目的とする。
• 加速度計データからの歩行パターンをバイオメトリクス的特徴として用いることで、人物識別の可能性を検討することを目的とする。
• 強力な特徴量と分類器を用いてモデル性能を最適化することで、認証における誤検出（偽陽性）と見逃し（偽陰性）を最小限に抑えること。
• 複数の分類モデル（ランダムフォレスト、SVM、ロジスティック回帰、決定木）を同じ特徴量セットで評価・比較し、最適な識別性能を達成すること。

提案手法

• Samsung Galaxy J-1を用いて、10名の被験者から側ポケットに保持した状態で50Hzで三軸加速度計データを収集した。
• 2秒間の歩行セグメントから、時間領域（例：平均、分散、尖度、相関）および周波数領域（例：DFTピーク振幅と周波数）の特性を組み合わせた31の特徴量を抽出した。
• 抽出された特徴量ベクトルを用いて、バギングとランダムに特徴量を選択する手法を活用したランダムフォレストアンサンブル分類器を訓練し、汎化性能を向上させ、過学習を低減した。
• ランダムフォレストモデルにおける木の数を最適化し、64本の木で性能が頭打ちになることが判明し、それ以上の増加には顕著な向上が見られなかった。
• 10分割交差検証を用いてモデルを検証し、ランダムフォレスト、決定木、ロジスティック回帰、SVMの複数の分類器間での性能を比較した。
• 誤分類を最小限に抑える能力を評価するための主要指標として、受容器操作特性曲線（AUC）を用いた。

実験結果

リサーチクエスチョン

• RQ1 歩行中のスマートフォンの加速度計データを用いて、歩行パターンに基づき異なる個人を信頼性高く区別できるか？
• RQ2 ランダムフォレスト、SVM、ロジスティック回帰、決定木といった異なる機械学習モデルは、抽出された加速度計特徴量に基づくユーザ分類において、どのように性能を発揮するか？
• RQ3 認識正確性とAUCを最大化しつつ、無駄な計算コストを回避するための最適なランダムフォレストの木の数は何か？
• RQ4 時間領域特徴量と周波数領域特徴量は、低遅延でリアルタイム認証システムにおいて、正確な人物識別にどの程度寄与するか？
• RQ5 本手法は、誤検出と見逃しを最小限に抑えるという観点から、先行研究と比較して正確性とAUCにおいて優れているか？

主な発見

• ランダムフォレスト分類器が96.79%の最高正確性と0.9822のAUCを達成し、SVM、ロジスティック回帰、決定木を含む他の全モデルを上回った。
• モデル性能は64本の木で頭打ちとなり、それ以上の木の数の増加には正確性の向上が見られず、計算コストの観点からも非効率であることが示された。
• ロジスティック回帰とSVMは顕著に低い性能を示し、SVMは71.58%の正確性と84.22%のAUCにとどまり、高次元で多クラスかつ不均衡なデータを扱う際の制限が原因と考えられる。
• 個々のユーザごとの正確性にはばらつきがあり、最高の個別正確性（99.7%）はユーザ6で達成され、最低（45.24%）はユーザ3であった。これは歩行パターンの特徴の明確さに差があることを示している。
• ランダムフォレストモデルは99.66%のリコールを達成しており、真のユーザを正しく同定する性能が高く、認証における偽陰性を最小限に抑える上で極めて重要である。
• 本手法は、ユーザの操作を一切不要とし、広く利用可能な低コストのスマートフォンセンサーを用いるため、継続的で受動的な認証の強力な可能性を示している。