BreathRNNet：基于RNN的资源受限IoT设备呼吸认证
密码学与安全
2017-09-25 v1 机器学习
神经与进化计算
摘要
递归神经网络（RNNs）由于其强大的序列数据建模能力，在音频和语音处理应用中展现出了可喜的成果。在许多应用中，RNNs往往优于基于GMM/UBMs和i-vectors的传统模型。IoT设备日益普及，这为在声学认证、语音命令和智能家居边缘分析等应用中实现基于RNN的推理提供了充分理由。然而，在资源受限的IoT设备上实现基于RNN的推理的可行性与性能在很大程度上仍未被探索。在本文中，我们研究了将RNN用于基于呼吸声学的端到端认证系统的可行性。我们在三种类型的设备（智能手机、智能手表和Raspberry Pi）上评估了RNN模型的性能，并表明与CNN模型不同，RNN模型可以轻松移植到资源受限的设备上，而不会显著降低准确率。
引用
@article{arxiv.1709.07626,
title = {BreathRNNet: Breathing Based Authentication on Resource-Constrained IoT Devices using RNNs},
author = {Jagmohan Chauhan and Suranga Seneviratne and Yining Hu and Archan Misra and Aruna Seneviratne and Youngki Lee},
journal= {arXiv preprint arXiv:1709.07626},
year = {2017}
}