[논문 리뷰] Person Recognition using Smartphones' Accelerometer Data

Thingom Bishal Singha, Rajsekhar Kumar Nath외 1명|arXiv (Cornell University)|2017. 11. 13.

Video Surveillance and Tracking Methods참고 문헌 8인용 수 14

한 줄 요약

이 논문은 걷는 동안 스마트폰 가속도계 데이터를 사용하여 수동적이고 비침습적인 사용자 인증 시스템을 제안한다. 2초 분량의 걷기 샘플에서 시간 도메인 및 주파수 도메인 특징 총 31개를 추출하고, 랜덤 포레스트 분류기를 적용하여 96.79%의 정확도와 0.9822의 AUC를 달성하여 지속적이고 저비용 생체 인증의 강력한 잠재력을 입증한다.

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.

연구 동기 및 목표

• 사용자 상호작용 없이 기존 스마트폰 센서를 활용하여 지속적이고 비침습적인 사용자 인증 방법을 개발하기 위해.
• 비밀번호, 지문 등 수동 인증 방법의 한계를 해결하기 위해 의도적인 입력이 필요하고 지속적으로 작동하지 않는 점을 고려하여.
• 가속도계 데이터에서 유도된 걸음걸이 패턴을 개인 식별을 위한 생체 특징으로 사용할 수 있는지 탐색하기 위해.
• 강력한 특징과 분류기로 모델 성능을 최적화하여 잘못된 양성(false positive)과 잘못된 음성(false negative)을 최소화하기 위해.
• 동일한 특징 세트를 기반으로 여러 분류 모델(RF, SVM, 로지스틱 회귀, 의사결정트리)의 성능을 평가하고 비교하여 최적의 식별 성능를 확보하기 위해.

제안 방법

• 50Hz로 설정된 삼축 가속도계 데이터를 10명의 사용자로부터 삼성 갤럭시 J-1 스마트폰을 사용해 측정하였으며, 기기의 옆 pockets에 보관한 상태에서 측정함.
• 2초 분량의 걷기 세그먼트에서 시간 도메인(예: 평균, 분산, 첨도, 상관계수) 및 주파수 도메인(예: DFT 피크 진폭 및 주파수) 특징을 조합한 총 31개의 특징을 추출함.
• 추출된 특징 벡터를 기반으로 랜덤 포레스트 앙상블 분류기를 훈련시켰으며, 배깅과 무작위 특징 선택을 활용하여 일반화 능력을 향상시키고 과적합을 줄임.
• 랜덤 포레스트 모델의 트리 수를 최적화하였으며, 64개 트리에서 성능이 정점에 도달하여 그 이상 증가해도 유의미한 향상이 없음을 확인함.
• 10겹 교차검증을 사용하여 모델을 검증하고, 랜덤 포레스트, 의사결정트리, 로지스틱 회귀, SVM 등 여러 분류기 간의 성능을 비교함.
• 오차 분류를 최소화할 수 있는 능력을 평가하기 위해 주요 성능 지표로 AUC(ROC 곡선 아래 면적)를 사용함.

실험 결과

연구 질문

• RQ1 걷는 동안 스마트폰의 가속도계 데이터로 걸음걸이 패턴을 기반으로 서로 다른 개인을 신뢰성 있게 구분할 수 있는가?
• RQ2 랜덤 포레스트, SVM, 로지스틱 회귀, 의사결정트리 등의 다양한 기계학습 모델이 추출된 가속도계 특징을 기반으로 사용자를 분류하는 데 어떻게 비교되는가?
• RQ3 랜덤 포레스트 모델에서 정확도와 AUC를 최대화하면서도 불필요한 계산 비용을 유발하지 않는 최적의 트리 수는 얼마인가?
• RQ4 시간 도메인 및 주파수 도메인 특징이 저지연, 실시간 인증 시스템에서 정확한 개인 식별에 얼마나 기여하는가?
• RQ5 안전한 인증을 위해 잘못된 양성과 잘못된 음성을 최소화하는 데 있어, 기존 연구 대비 제안된 시스템의 정확도와 AUC는 어떻게 비교되는가?

주요 결과

• 랜덤 포레스트 분류기가 96.79%의 정확도와 0.9822의 AUC로 테스트된 모든 다른 모델(SVM, 로지스틱 회귀, 의사결정트리)을 앞서 성능이 뛰어남.
• 모델 성능이 64개 트리에서 정점에 도달하여 더 이상 트리 수를 늘려도 정확도 향상이 없음을 확인하였고, 이는 계산 비용 증가에 비해 이득이 없음을 의미함.
• 로지스틱 회귀와 SVM는 유의미하게 낮은 성능를 보였으며, 특히 SVM는 뿐다 71.58%의 정확도와 84.22%의 AUC를 기록함. 이는 고차원, 다중 클래스, 불균형 데이터를 처리하는 데 한계가 있음을 시사함.
• 사용자별 정확도는 다양하게 나타났으며, 가장 높은 개인 정확도(99.7%)는 사용자 6번이 기록했고, 가장 낮은 정확도(45.24%)는 사용자 3번이 기록함. 이는 걸음걸이의 고유성에 차이가 있음을 시사함.
• 랜덤 포레스트 모델은 리콜 99.66%를 달성하여 진짜 사용자를 정확히 식별하는 데 뛰어난 성능를 보였으며, 이는 인증 시 잘못된 음성(false negative)을 최소화하는 데 매우 중요함.
• 제안된 방법은 사용자 입력 없이 배경에서 작동하고 널리 보급된 저비용 스마트폰 센서를 사용하므로 지속적이고 수동적 인증의 강력한 잠재력을 보여줌.