[论文解读] 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 24

一句话总结

本文提出一种基于智能手表加速度计和陀螺仪捕捉的手臂运动模式的连续用户身份认证方法。通过在特征层面融合加速度与旋转特征，并采用k-NN分类器，该方法在会话间测试中实现了2.2%的平均动态误接受率（DFAR）和4.2%的动态误拒绝率（DFRR），展现出在实际部署中优异的性能与鲁棒性。

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.

研究动机与目标

• 探究行走过程中手臂运动模式是否可作为可靠的生物行为特征用于连续用户身份认证。
• 评估使用智能手表传感器（特别是加速度计和陀螺仪）捕捉区分性运动特征的有效性。
• 比较不同融合策略（特征级与评分级）及分类器类型，以优化身份认证的准确率与鲁棒性。
• 评估系统在不同时间间隔（会话内、会话间、阶段间）的表现，以评估长期可靠性。
• 提供公开共享的数据集与代码库，以支持行为生物识别领域的可复现性及未来对比研究。

提出的方法

• 在两个相隔三个月的阶段中，从40名用户处采集了自然行走时的手臂运动数据，利用智能手表传感器记录加速度与旋转信息。
• 从加速度计数据中提取32个特征，从陀螺仪数据中提取44个特征，采用时域与频域分析方法。
• 通过信息增益特征排序（IGFR）与相关性特征子集选择（CFSS）进行特征选择，以降低维度并提升分类器性能。
• 设计了四种身份认证系统：(1) 仅加速度，(2) 仅旋转，(3) 两者特征级融合，(4) 两者评分级融合。
• 使用四种分类器对所有系统进行评估：k-NN（欧氏距离）、逻辑回归、多层感知机与随机森林。
• 对特征提取的窗口大小（Wsize）与滑动间隔（Sinterval）进行优化，确定8–12秒与2–4秒为实现及时且可靠决策的最优设置。

实验结果

研究问题

• RQ1 行走过程中的手臂运动模式是否可作为稳定且具有区分性的生物行为特征，用于连续身份认证？
• RQ2 与单独使用任一模态相比，智能手表传感器中加速度与旋转数据的融合如何提升身份认证性能？
• RQ3 在实时连续身份认证中，窗口大小与滑动间隔的最优配置为何？该配置需在最小延迟与高可靠性之间取得平衡。
• RQ4 当用户在三个月后重新评估时，系统性能在阶段间（inter-phase）如何退化？模板更新能否缓解此问题？
• RQ5 在应对时间变化方面，特征级融合是否在准确率与鲁棒性上优于评分级融合？

主要发现

• 使用k-NN分类器进行加速度与旋转数据的特征级融合，在会话间测试中表现最佳，平均动态误接受率（DFAR）为2.2%，动态误拒绝率（DFRR）为4.2%。
• 会话内身份认证在全部16种配置下均达到完美表现，DFAR与DFRR均为0%，表明在短期条件下具有极高可靠性。
• 在阶段间设置（三个月间隔）下，性能显著下降，最佳系统的DFAR升至15.03%，DFRR升至14.62%，凸显长期稳定性的挑战。
• 特征选择使特征数量减少超过25%，并提升了分类器性能，证明了区分性特征提取的重要性。
• 特征提取的最优窗口大小为8至12秒，滑动间隔为2至4秒，该设置在响应速度与准确率之间实现了良好平衡。
• 使用后期阶段数据（P2S2）进行模板更新后，大多数配置的准确率保持在90%以上，表明定期微调可有效维持系统长期性能。