[论文解读] Person Recognition using Smartphones' Accelerometer Data

Thingom Bishal Singha, Rajsekhar Kumar Nath+1 more|arXiv (Cornell University)|Nov 13, 2017

Video Surveillance and Tracking Methods参考文献 8被引用 14

一句话总结

本文提出了一种基于智能手机加速度计数据的被动、无感用户认证系统，用于行走过程中的用户身份识别。从2秒的行走样本中提取了31个时域与频域特征，并采用随机森林分类器，实现了96.79%的准确率和0.9822的AUC，表明其在持续、低成本生物特征认证方面具有强大潜力。

ABSTRACT

Smartphones have become quite pervasive in various aspects of our daily lives. They have become important links to a host of important data and applications, which if compromised, can lead to disastrous results. Due to this, today's smartphones are equipped with multiple layers of authentication modules. However, there still lies the need for a viable and unobtrusive layer of security which can perform the task of user authentication using resources which are cost-efficient and widely available on smartphones. In this work, we propose a method to recognize users using data from a phone's embedded accelerometer sensors. Features encapsulating information from both time and frequency domains are extracted from walking data samples, and are used to build a Random Forest ensemble classification model. Based on the experimental results, the resultant model delivers an accuracy of 0.9679 and Area under Curve (AUC) of 0.9822.

研究动机与目标

• 开发一种连续、无感的用户认证方法，利用现有智能手机传感器，无需用户交互。
• 解决主动认证方法（如密码、指纹）需要刻意输入且无法持续运行的局限性。
• 探索利用加速度计数据中的步态模式作为生物特征签名进行人员识别的可行性。
• 通过优化鲁棒特征与分类器，最小化误报与漏报。
• 在相同特征集上评估并比较多种分类模型（随机森林、SVM、逻辑回归、决策树）的性能，以实现最优识别效果。

提出的方法

• 使用三星Galaxy J-1智能手机以50Hz采样率，从10名用户处采集三轴加速度计数据，设备置于侧袋位置。
• 从2秒的行走片段中提取31个特征，结合时域特征（如均值、方差、峰度、相关性）与频域特征（如DFT峰值振幅与频率）。
• 使用提取的特征向量训练随机森林集成分类器，通过自助采样（bagging）与随机特征选择提升泛化能力并减少过拟合。
• 优化随机森林模型中的树的数量，发现性能在64棵树时趋于稳定，进一步增加树数不再带来显著提升。
• 采用10折交叉验证验证模型性能，并在相同特征集上比较随机森林、决策树、逻辑回归与SVM的性能表现。
• 将曲线下面积（AUC）作为关键性能指标，评估模型在减少误分类（尤其是误报）方面的能力。

实验结果

研究问题

• RQ1 智能手机在行走过程中采集的加速度计数据能否可靠地区分不同个体的步态模式？
• RQ2 不同机器学习模型（随机森林、SVM、逻辑回归、决策树）在基于提取的加速度计特征分类用户时表现如何比较？
• RQ3 在随机森林模型中，为最大化识别准确率与AUC并避免不必要的计算开销，最优树的数量是多少？
• RQ4 时域特征与频域特征在低延迟、实时认证系统中的贡献程度如何？
• RQ5 与以往工作相比，所提系统在准确率与AUC方面表现如何，特别是在最小化误报与漏报以实现安全认证方面？

主要发现

• 随机森林分类器实现了最高的准确率96.79%与AUC 0.9822，优于所有其他测试模型，包括SVM、逻辑回归与决策树。
• 模型性能在64棵树时达到平台期，表明继续增加树的数量无法提升准确率，且计算成本不具合理性。
• 逻辑回归与SVM表现显著较差，SVM仅达到71.58%准确率与84.22% AUC，可能因其在高维、多分类与类别不平衡数据上的局限性。
• 按用户划分的准确率存在差异，最高个体准确率（99.7%）由用户6实现，最低为用户3（45.24%），表明步态独特性存在个体差异。
• 随机森林模型实现了99.66%的召回率，表明其在正确识别真实用户方面表现优异，这对减少认证中的漏报至关重要。
• 所提方法在持续、被动认证方面展现出强大潜力，因其可在后台无用户输入下运行，并利用广泛可用、低成本的智能手机传感器。