[논문 리뷰] Authenticating Users Through Their Arm Movement Patterns

Rajesh Kumar, Vir V. Phoha외 1명|arXiv (Cornell University)|2016. 01. 01.

User Authentication and Security Systems참고 문헌 33인용 수 24

한 줄 요약

이 논문은 스마트워치의 가속도계와 자이로스코프로 캡처한 팔 움직임 패턴을 이용한 연속적 사용자 인증을 제안한다. k-NN를 사용해 가속도 및 회전 특징을 특징 수준에서 융합함으로써, 세션 간 테스트에서 평균 동적 거짓 수락률(DFAR)이 2.2%이고 동적 거짓 기각률(DFRR)이 4.2%를 기록하여 실생활 구현에 있어 뛰어난 성능과 강건성을 입증한다.

ABSTRACT

In this paper, we propose four continuous authentication designs by using the characteristics of arm movements while individuals walk. The first design uses acceleration of arms captured by a smartwatch's accelerometer sensor, the second design uses the rotation of arms captured by a smartwatch's gyroscope sensor, third uses the fusion of both acceleration and rotation at the feature-level and fourth uses the fusion at score-level. Each of these designs is implemented by using four classifiers, namely, k nearest neighbors (k-NN) with Euclidean distance, Logistic Regression, Multilayer Perceptrons, and Random Forest resulting in a total of sixteen authentication mechanisms. These authentication mechanisms are tested under three different environments, namely an intra-session, inter-session on a dataset of 40 users and an inter-phase on a dataset of 12 users. The sessions of data collection were separated by at least ten minutes, whereas the phases of data collection were separated by at least three months. Under the intra-session environment, all of the twelve authentication mechanisms achieve a mean dynamic false accept rate (DFAR) of 0% and dynamic false reject rate (DFRR) of 0%. For the inter-session environment, feature level fusion-based design with classifier k-NN achieves the best error rates that are a mean DFAR of 2.2% and DFRR of 4.2%. The DFAR and DFRR increased from 5.68% and 4.23% to 15.03% and 14.62% respectively when feature level fusion-based design with classifier k-NN was tested under the inter-phase environment on a dataset of 12 users.

연구 동기 및 목표

• 걷기 중 팔 움직임 패턴이 연속적 사용자 인증을 위한 신뢰할 수 있는 행동 생체정보로 기능할 수 있는지 조사하기.
• 스마트워치 센서—특히 가속도계와 자이로스코프—를 사용해 구분 가능한 운동 특징을 캡처하는 데 효과적인지 평가하기.
• 특징 수준 융합 대비 점수 수준 융합 전략과 분류기 유형을 비교하여 정확도와 강건성을 최적화하기.
• 시간 간격(내세션, 세션 간, 단계 간)에 따라 시스템 성능을 평가하여 장기적 신뢰성 평가하기.
• 재현 가능성을 높이고 향후 행동 생체정보 분야의 비교 연구를 지원하기 위해 공개된 데이터셋과 코드베이스 제공하기.

제안 방법

• 스마트워치 센서를 사용해 자연스러운 걷기 동안 40명의 사용자로부터 팔 움직임 데이터를 두 단계(3개월 간격)에 걸쳐 캡처.
• 시간 도메인 및 주파수 도메인 분석을 통해 가속도계 데이터에서 32개, 자이로스코프 데이터에서 44개의 특징을 추출.
• 차원 수를 줄이고 분류기 성능을 향상시키기 위해 정보 이득 기반 특징 순위 매기기(IGFR) 및 상관 기반 특징 부분집합 선택(CFSS)을 적용.
• 네 가지 인증 시스템 설계: (1) 가속도만, (2) 회전만, (3) 둘 다의 특징 수준 융합, (4) 둘 다의 점수 수준 융합.
• 네 가지 분류기(k-NN(Euclidean 거리), 로지스틱 회귀, 다층 퍼셉트론, 랜덤 포레스트)를 사용해 모든 시스템 평가.
• 특징 추출을 위한 윈도우 크기(Wsize)와 슬라이딩 간격(Sinterval) 최적화를 수행하여, 실시간 및 신뢰성 있는 결정을 위해 8–12초와 2–4초를 최적 설정으로 확인.

실험 결과

연구 질문

• RQ1 걷기 중 팔 움직임 패턴은 연속적 인증을 위한 안정적이고 구분 가능한 행동 생체정보로 기능할 수 있는가?
• RQ2 스마트워치 센서의 가속도 및 회전 데이터 융합이 단일 모odal리티를 사용할 때보다 인증 성능을 어떻게 향상시키는가?
• RQ3 실시간 연속적 인증에서 최소 지연와 높은 신뢰성 확보를 위해 윈도우 크기와 슬라이딩 간격의 최적 설정은 무엇인가?
• RQ4 사용자가 3개월 후 재평가될 경우 성능이 어떻게 저하되는가? 템플릿 업데이트로 이러한 저하를 완화할 수 있는가?
• RQ5 시간에 따른 변동성에 대해 특징 수준 융합이 점수 수준 융합보다 정확도와 강건성 측면에서 뛰어난가?

주요 결과

• k-NN를 사용한 가속도 및 회전 데이터의 특징 수준 융합이 세션 간 테스트에서 최고 성능을 보였으며, 평균 동적 거짓 수락률(DFAR)은 2.2%, 동적 거짓 기각률(DFRR)은 4.2%를 기록했다.
• 내세션 인증에서는 모든 16개 구성에서 0%의 DFAR 및 0%의 DFRR를 기록하여 단기 조건 하에서 매우 높은 신뢰성을 입증했다.
• 단계 간 설정(3개월 간격)에서는 성능이 크게 저하되었으며, 최고 성능 시스템의 경우 DFAR가 15.03%로 상승하고 DFRR가 14.62%로 증가하여 장기적 안정성의 과제를 드러냈다.
• 특징 선택을 통해 특징 수를 25% 이상 감소시켰고, 이는 분류기 성능 향상에 기여하여 구분 가능한 특징 추출의 중요성을 입증했다.
• 특징 추출을 위한 최적 윈도우 크기는 8~12초 사이로 확인되었으며, 슬라이딩 간격은 2~4초 사이로, 반응성과 정확성의 균형을 잘 맞추었다.
• 후기 단계 데이터(P2S2)를 사용한 템플릿 업데이트가 대부분의 구성에서 높은 정확도(90% 이상)를 유지했으며, 이는 주기적 재학습이 장기적인 시스템 성능 유지에 기여할 수 있음을 시사한다.