[论文解读] Person Identification using Seismic Signals generated from Footfalls

Bodhibrata Mukhopadhyay, Sahil Anchal+1 more|arXiv (Cornell University)|Sep 24, 2018

Gait Recognition and Analysis参考文献 3被引用 3

一句话总结

本文提出了一种基于雾计算的人员识别系统，利用脚步引起的地震信号，通过一种新型基于匹配追踪的压缩技术（DS8BP），将8 kHz信号压缩108倍，同时提升分类准确率。在包含46,000个事件的8人数据集上，系统分别使用5步和10步/样本时实现了90%和95%的识别准确率，证明了其在隐私保护访问控制中的高度可行性。

ABSTRACT

Footfall based biometric system is perhaps the only person identification technique which does not hinder the natural movement of an individual. This is a clear edge over all other biometric systems which require a formidable amount of human intervention and encroach upon an individual's privacy to some extent or the other. This paper presents a Fog computing architecture for implementing footfall based biometric system using widespread geographically distributed geophones (vibration sensor). Results were stored in an Internet of Things (IoT) cloud. We have tested our biometric system on an indigenous database (created by us) containing 46000 footfall events from 8 individuals and achieved an accuracy of 73%, 90% and 95% in case of 1, 5 and 10 footsteps per sample. We also proposed a basis pursuit based data compression technique DS8BP for wireless transmission of footfall events to the Fog. DS8BP compresses the original footfall events (sampled at 8 kHz) by a factor of 108 and also acts as a smoothing filter. These experimental results depict the high viability of our technique in the realm of person identification and access control systems.

研究动机与目标

• 开发一种基于脚步地震信号的隐私保护型、非侵入式人员识别系统。
• 通过高效压缩技术降低原始地震信号无线传输中的带宽与能耗。
• 实施雾计算架构，将计算任务靠近传感器部署，实现实时处理。
• 评估每样本脚步数、采样频率及分类器选择对识别准确率的影响。
• 设计一种安全的去噪压缩技术，在保留分类性能的同时实现高效压缩。

提出的方法

• 部署由地震检波器（振动传感器）组成的网络，以8 kHz采样率捕获脚步引起的地震信号。
• 提出DS8BP——一种基于匹配追踪的压缩技术，利用学习得到的Gabor字典，通过少量基函数表示脚步信号。
• 设定压缩阈值（L_GC 和 H_GC），以剔除压缩效果差或过高的信号，确保信号完整性。
• 在压缩与解压后的信号上使用SVM-RBF、SVM-Lin和逻辑回归作为分类器，评估性能表现。
• 将系统与物联网云平台集成用于数据存储，并使用XBee 868LR实现80 kbps的无线传输。
• 通过稀疏编码算法实现事件检测与信号恢复，从压缩测量值中重建原始信号。

实验结果

研究问题

• RQ1 为在最大化识别准确率的同时最小化计算负载，每样本的最佳脚步数是多少？
• RQ2 从8 kHz下采样至500 Hz对分类准确率与特征提取时间有何影响？
• RQ3 基于匹配追踪的压缩方法（DS8BP）能否在实现高比率压缩的同时保持信号保真度以支持分类？
• RQ4 与传统抽取法（DS16）相比，DS8BP在压缩比、信号恢复质量及分类准确率方面表现如何？
• RQ5 为实现目标分类准确率，每人所需的最少训练脚步数是多少？

主要发现

• 在46,000个事件的数据集上，使用SVM-RBF分类器，系统在每样本5步和10步时分别实现了90%和95%的识别准确率。
• DS8BP将原始8 kHz信号压缩了108.32倍，显著降低了传输带宽与能耗。
• 由于其内在的去噪与平滑效应，使用DS8BP压缩信号的分类器准确率比DS16高出2%至4.3%。
• 下采样至500 Hz（DS16）并未降低分类准确率，但显著缩短了特征提取与事件检测时间。
• 平均每段压缩后的脚步事件长度为18.51个样本，每步的平均压缩因子为13.54。
• DS8BP提升了系统安全性，因为若无Gabor字典（D）的知识，压缩信号无法被解码。