[論文レビュー] Authenticating Users Through Their Arm Movement Patterns

Rajesh Kumar, Vir V. Phoha+1 more|arXiv (Cornell University)|Jan 1, 2016

User Authentication and Security Systems参考文献 33被引用数 24

ひとこと要約

本論文では、スマートウォッチの加速度計とジャイロスコープが捉えた腕の動きのパターンを用いた連続的ユーザー認証を提案する。k-NNを用いて加速度と回転の特徴を特徴レベルで統合することで、セッション間テストにおいて平均動的誤認可率（DFAR）が2.2%、動的誤拒否率（DFRR）が4.2%に達し、実世界への導入に向けた高い性能と頑健性を示している。

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.

研究の動機と目的

• 歩行中の腕の動きのパターンが、連続的ユーザー認証のための信頼性のある行動バイオメトリクスとして機能するかを調査すること。
• スマートウォッチのセンサー（特に加速度計とジャイロスコープ）を用いて、識別可能な動きの特徴を捉える有効性を評価すること。
• 特徴レベル統合とスコアレベル統合の異なる統合戦略、および分類器の種類を比較し、認証の正確性と頑健性を最適化すること。
• 時間的インターバル（セッション内、セッション間、フェーズ間）を変化させた際のシステム性能を評価し、長期的な信頼性を検証すること。
• 再現可能性と今後の行動バイオメトリクス分野における比較研究を支援するため、公開可能なデータセットとコードベースを提供すること。

提案手法

• スマートウォッチのセンサーを用いて、40名の被験者から2フェーズ（3か月の間隔をあけて）の歩行中の腕の動きデータを収集した。
• 時間領域および周波数領域解析を用いて、加速度計データから32の特徴、ジャイロスコープデータから44の特徴を抽出した。
• 次元削減と分類器性能の向上を目的として、情報ゲインに基づく特徴選択（IGFR）および相関に基づく特徴サブセット選択（CFSS）を適用した。
• 4つの認証システムを設計した：(1) 加速度のみ、(2) 回転のみ、(3) 両者の特徴レベル統合、(4) 両モダリティのスコアレベル統合。
• 4種類の分類器（k-NN（ユークリッド距離）、ロジスティック回帰、マルチレイヤーパーセプトロン、ランダムフォレスト）を用いて全システムを評価した。
• 特徴抽出のためのウインドウサイズ（Wsize）とスライディングインターバル（Sinterval）を最適化し、タイムリーかつ信頼性のある意思決定に適した8〜12秒と2〜4秒が最適な設定であると特定した。

実験結果

リサーチクエスチョン

• RQ1 歩行中の腕の動きのパターンは、連続的ユーザー認証のための安定的かつ識別可能な行動バイオメトリクスとして機能するか？
• RQ2 スマートウォッチのセンサーから得られる加速度と回転データの統合は、単独で使用する場合と比較して認証性能をどのように向上させるか？
• RQ3 リアルタイムで連続的認証を実現するにあたり、遅延を最小限に抑えつつ高い信頼性を確保するための最適なウインドウサイズとスライディングインターバルの設定は何か？
• RQ4 被験者が3か月後に再評価された際のシステム性能は、どのように低下するか？また、テンプレートの更新はその低下を緩和できるか？
• RQ5 時間的変動に対して、特徴レベル統合がスコアレベル統合を上回る正確性と頑健性を示すか？

主な発見

• k-NNを用いた加速度と回転データの特徴レベル統合が、セッション間テストで最も優れた性能を示し、平均動的誤認可率（DFAR）は2.2%、動的誤拒否率（DFRR）は4.2%であった。
• セッション内認証では、全16の設定で0%のDFARと0%のDFRRを達成し、短期間の条件下でも高い信頼性を示した。
• フェーズ間設定（3か月のギャップ）では性能が著しく低下し、最も優れたシステムでもDFARが15.03%、DFRRが14.62%に上昇した。これは長期的な安定性の課題を示している。
• 特徴選択により、特徴数を25%以上削減し、分類器の性能向上を達成した。これは識別可能な特徴抽出の重要性を示している。
• 特徴抽出の最適なウインドウサイズは8〜12秒、スライディングインターバルは2〜4秒であった。これは応答性と正確性のバランスを取るのに適していた。
• 後期フェーズのデータ（P2S2）を用いたテンプレート更新により、ほとんどの設定で90%以上の高い正確性が維持された。これは、定期的な再トレーニングが長期にわたりシステム性能を維持可能であることを示唆している。