[论文解读] Gesture-based Continuous Authentication for Wearable Devices: the Google Glass Case

Jagmohan Chauhan, Hassan Jameel Asghar+2 more|arXiv (Cornell University)|Dec 9, 2014

User Authentication and Security Systems参考文献 21被引用 8

一句话总结

本文提出了一种基于手势的可穿戴设备连续认证系统，适用于谷歌玻璃等可穿戴设备，利用触觉手势行为生物识别技术。该研究提出了一种基于切比雪夫集中不等式的新型分类器，仅需75个训练样本即可实现高达99%的准确率，证明了在资源受限的可穿戴设备上实现高准确率与计算效率的可行性。

ABSTRACT

We study the feasibility of touch gesture behavioural biometrics for implicit authentication of users on a smartglass (Google Glass) by proposing a continuous authentication system using two classifiers: SVM with RBF kernel, and a new classifier based on Chebyshev's concentration inequality. Based on data collected from 30 volunteers, we show that such authentication is feasible both in terms of classification accuracy and computational load on smartglasses. We achieve a classification accuracy of up to 99% with only 75 training samples using behavioural biometric data from four different types of touch gestures. To show that our system can be generalized, we test its performance on touch data from smartphones and found the accuracy to be similar to smartglasses. Finally, our experiments on the permanence of gestures show that the negative impact of changing user behaviour with time on classification accuracy can be best alleviated by periodically replacing older training samples with new randomly chosen samples.

研究动机与目标

• 评估在计算资源有限且外形小巧的可穿戴设备（如谷歌玻璃）上，基于触觉手势的连续认证的可行性。
• 解决在CPU、内存和电池寿命等硬件资源受限条件下，仍保持高认证准确率的挑战。
• 开发一种计算高效的分类器，利用统计集中原理，以提升单个手势样本上的分类准确率。
• 研究触觉手势生物识别的长期稳定性，并提出自适应机制以维持随时间推移的准确率。
• 通过在智能手机上评估性能，并探索利用多传感器数据增强特征空间的方法，实现所提系统的可扩展性。

提出的方法

• 在谷歌玻璃上设计并实现一个连续认证系统，采用两种分类器：RBF核支持向量机（SVM）和一种基于切比雪夫集中不等式的新型分类器。
• 使用从压力、面积和速度读数中提取的时间序列特征对触觉手势进行建模，将向下力和平面力分别作为独立的时间特征。
• 基于统计原理——独立同分布随机变量的平均值会向其均值集中——采用基于块的特征聚合方法，分析连续手势序列。
• 利用切比雪夫不等式对块内手势特征的集中性进行数学形式化，构成新分类器的基础。
• 在切比雪夫分类器中引入投票机制，采用三分之二多数规则对单个手势特征进行整合，以提升鲁棒性。
• 通过30名志愿者参与的实验评估系统性能，使用4种手势类型，并采用自适应再训练机制以评估长期准确率的稳定性。

实验结果

研究问题

• RQ1 基于触觉手势的连续认证是否能在计算资源受限的可穿戴设备（如谷歌玻璃）上实现高准确率与低计算开销？

主要发现

• 所提出的基于切比雪夫的分类器在仅使用每位用户75个训练样本的情况下，分类准确率可达到99%，与RBF核SVM相当。
• 该系统在谷歌玻璃上表现出计算可行性，资源开销极低，适用于CPU、内存和电池受限的设备。
• 自适应再训练显著提升了长期准确率，尤其对切比雪夫分类器而言，有效减少了因用户行为随时间变化导致的性能下降。
• 在智能手机上，切比雪夫分类器与SVM的性能与在谷歌玻璃上的表现相似，表明该系统在不同平台间具有良好的可移植性，即使训练数据量较小。
• 使用手势块（多个连续手势）可提升分类准确率，且该效应可通过切比雪夫等集中不等式得到数学上的合理解释。
• 研究结果表明，触觉手势生物识别具有足够的稳定性，可支持连续认证，但通过使用新数据定期再训练可进一步提升长期准确率。