[논문 리뷰] DeepKey: An EEG and Gait Based Dual-Authentication System

Xiang Zhang, Lina Yao외 4명|arXiv (Cornell University)|2017. 06. 06.

User Authentication and Security Systems참고 문헌 50인용 수 19

한 줄 요약

DeepKey는 스푸핑에 대한 보안성을 향상시키기 위해 딥러닝을 활용해 뇌파(EEG)와 걸음걸이 신호를 융합하는 다중모달 생체인식 인증 시스템을 제안한다. 병렬 식별을 위한 어텐션 기반 RNN과 위조자 차단을 위한 비유효 ID 필터를 도입하여 실생활 배치에서 0%의 FAR와 1.0%의 FRR를 달성하였다.

ABSTRACT

Biometric authentication involves various technologies to identify individuals by exploiting their unique, measurable physiological and behavioral characteristics. However, traditional biometric authentication systems (e.g., face recognition, iris, retina, voice, and fingerprint) are facing an increasing risk of being tricked by biometric tools such as anti-surveillance masks, contact lenses, vocoder, or fingerprint films. In this paper, we design a multimodal biometric authentication system named Deepkey, which uses both Electroencephalography (EEG) and gait signals to better protect against such risk. Deepkey consists of two key components: an Invalid ID Filter Model to block unauthorized subjects and an identification model based on attention-based Recurrent Neural Network (RNN) to identify a subject`s EEG IDs and gait IDs in parallel. The subject can only be granted access while all the components produce consistent evidence to match the user`s proclaimed identity. We implement Deepkey with a live deployment in our university and conduct extensive empirical experiments to study its technical feasibility in practice. DeepKey achieves the False Acceptance Rate (FAR) and the False Rejection Rate (FRR) of 0 and 1.0%, respectively. The preliminary results demonstrate that Deepkey is feasible, show consistent superior performance compared to a set of methods, and has the potential to be applied to the authentication deployment in real world settings.

연구 동기 및 목표

• 가짜 마스크, 필름, 음성 합성 등으로 인한 전통적 생체인식 시스템(예: 지문, 얼굴)의 스푸핑 위협 증가에 대응한다.
• EEG와 걸음걸이 생체인식의 본질적 스푸핑 저항성을 활용해 시스템의 강건성을 향상시킨다.
• 사용자를 인증하기 위해 EEG와 걸음걸이 양 모odal에서 일관된 증거가 필요하도록 이중모달 시스템을 설계한다.
• 세션 및 환경 조건 변화에 따른 실생활 EEG 및 걸음걸이 데이터의 변동성을 다룰 수 있는 딥러닝 프레임워크를 개발한다.
• 실생활 대학 환경에서의 실현 가능성과 뛰어난 성능을 입증한다.

제안 방법

• 전체 인증 이전에 EEG와 걸음걸이 신호를 기반으로 비유효 사용자를 탐지하고 거부하기 위해 비유효 ID 필터 모델을 사용한다.
• EEG 및 걸음걸이 시퀀스에서 분류 가능한 특징을 동시에 추출하기 위해 어텐션 기반 순환신경망(RNN)을 구현한다.
• 어 attention-RNN 모델의 임bedding을 사용해 최종 분류를 위해 K-최근접 이웃(KNN)을 적용한다.
• 14채널 EPOC+ 헤드셋으로 128Hz에서 EEG 데이터를 처리하고, 3개의 IMU(가속도계, 자이로스코프, 자석계)를 80Hz에서 걸음걸이 데이터를 수집한다.
• 장비 위치, 기분, 피로도, 환경 요인 등의 실생활 변동성을 시뮬레이션하기 위해 3일 동안 3회에 걸쳐 데이터를 수집한다.
• 심파형 EEG 특징과 시간적 걸음걸이 패턴을 딥러닝 모델의 입력으로 사용해 분류 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 EEG와 걸음걸이 신호를 융합한 다중모달 생체인식 시스템은 단일모달 시스템에 비해 스푸핑 위험을 크게 감소시킬 수 있는가?
• RQ2 실생활의 변동성 조건에서도 EEG 및 걸음걸이 신호의 시간적 패턴을 모델링하기 위해 어텐션 기반 RNN이 얼마나 효과적인가?
• RQ3 다양한 세션과 조건에서 실생활 환경에 배치했을 때 시스템의 성능은 FAR 및 FRR 측면에서 어떻게 평가되는가?
• RQ4 EEG와 걸음걸이 모달의 융합은 개별 모달에 비해 인증 정확도와 강건성을 얼마나 향상시키는가?
• RQ5 비유효 ID 필터는 전체 인증 이전에 위조자들을 효과적으로 차단하여 시스템 보안을 향상시킬 수 있는가?

주요 결과

• DeepKey는 0%의 가짜 수락률(FAR)을 기록하여 스푸핑된 사용자가 접근를 허용하지 않았다.
• 시스템은 1.0%의 가짜 거부률(FRR)을 기록하여 유료 사용자 중 1%만이 잘못된 거부를 당했다.
• EEG와 걸음걸이 모달의 융합은 다중세션 데이터셋에서 99.57%의 정확도를 달성했으며, 모든 사용자에서 F1 점수가 일관되게 99.6% 이상을 기록했다.
• 어 attention 기반 RNN 모델은 여러 세션을 거쳐도 EEG 및 걸음걸이 식별 작업에서 모두 99% 이상의 정밀도, 재현율, F1 점수를 확보했다.
• 장비 위치 변화, 기분, 피로도, 환경 노이즈 등의 실생활 변동성에 대해 뛰어난 강건성을 보였다.
• EEG 기반 구성 요소는 높은 고유성과 스푸핑 저항성을 보였고, 걸음걸이 기반 구성 요소는 세션 간 높은 안정성과 일관성을 기여했다.