[论文解读] DeepKey: An EEG and Gait Based Dual-Authentication System

Xiang Zhang, Lina Yao+4 more|arXiv (Cornell University)|Jun 6, 2017

User Authentication and Security Systems参考文献 50被引用 19

一句话总结

DeepKey 提出了一种结合脑电图（EEG）和步态信号的多模态生物识别认证系统，利用深度学习提升对欺骗攻击的防御能力。该系统采用基于注意力机制的循环神经网络（RNN）实现并行识别，并引入无效ID过滤器以阻止冒名顶替者，实测部署中实现0%的FAR和1.0%的FRR。

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.

研究动机与目标

• 应对传统生物识别系统（如指纹、人脸）面临的欺骗威胁，例如使用假面、薄膜或语音合成技术进行欺骗。
• 利用EEG和步态生物识别固有的抗伪造特性，提升系统的鲁棒性。
• 设计一种双模态系统，要求EEG和步态两种模态均提供一致的证据才能完成用户认证。
• 开发一种深度学习框架，能够处理跨会话及不同环境条件下EEG和步态数据的实际变异性。
• 在真实大学部署环境中展示技术可行性与卓越性能。

提出的方法

• 使用无效ID过滤器模型，基于EEG和步态信号在完整认证前检测并拒绝未经授权的用户。
• 采用基于注意力机制的循环神经网络（RNN），并行提取和分类EEG与步态序列中的判别性特征。
• 利用注意力-RNN模型生成的嵌入向量，通过K近邻（KNN）算法进行最终分类。
• 处理14导联EPOC+脑电图头戴设备采集的EEG数据（采样频率128Hz），以及三组惯性测量单元（IMU，含加速度计、陀螺仪、磁力计）采集的步态数据（采样频率80Hz）。
• 在三天内分三个会话收集数据，以模拟设备佩戴位置、情绪、疲劳程度及环境因素带来的实际变异性。
• 将δ波段EEG特征和时序步态模式作为深度学习模型的输入，以增强判别能力。

实验结果

研究问题

• RQ1 与单模态系统相比，结合EEG和步态信号的多模态生物识别系统是否能显著降低欺骗风险？
• RQ2 基于注意力机制的RNN在建模EEG和步态信号中的时序模式方面，对身份识别的性能如何，尤其是在实际环境变异性条件下？
• RQ3 在包含多会话及不同条件的真实环境中部署时，该系统的FAR和FRR表现如何？
• RQ4 EEG与步态模态的融合相比单一模态，如何提升认证的准确性和鲁棒性？
• RQ5 无效ID过滤器是否能有效在完整认证前拦截冒名顶替者，从而增强系统安全性？

主要发现

• DeepKey实现了0%的错误接受率（FAR），表明无任何未经授权用户被授予访问权限。
• 系统记录的错误拒绝率为1.0%，即仅有1%的合法用户被错误拒绝。
• EEG与步态模态的融合在多会话数据集上实现了99.57%的准确率，所有受试者的F1分数均保持在99.6%以上。
• 基于注意力机制的RNN模型在EEG和步态识别任务中，各项指标（精确率、召回率、F1分数）均超过99%，即使在多会话场景下也表现稳定。
• 系统对实际环境中的变异性表现出强鲁棒性，包括设备佩戴位置变化、情绪波动、疲劳状态及环境噪声。
• 基于EEG的组件表现出高度独特性与抗欺骗能力，而基于步态的组件则展现出跨会话的强稳定性和一致性。