基于表示为图像的运动传感器信号的卷积神经网络用户识别
机器学习
2020-03-24 v2 机器学习
摘要
本文提出一种深度学习方法，用于智能手机用户识别，该方法基于分析用户在屏幕上执行单次点触手势时由加速度计和陀螺仪记录的运动信号。我们将运动传感器的离散三轴信号转换为灰度图像表示，并将其作为输入提供给为多类用户分类预训练的卷积神经网络（CNN）。在预训练阶段，我们利用不同用户及每用户多个样本。预训练后，我们将 CNN 用作特征提取器，生成与每次屏幕点触相关联的嵌入。所得嵌入用于在少样本用户识别设定下训练支持向量机（SVM）模型，即在注册阶段仅需在屏幕上点触 20 次。我们将基于 CNN 特征的识别系统与两个基线系统比较，一个采用手工特征，另一个采用循环神经网络（RNN）特征。所有系统均基于相同分类器，即 SVM。为预训练 CNN 与 RNN 模型进行多类用户分类，我们使用与少样本用户识别所用不同的用户集合，以确保真实场景。实证结果表明，我们的 CNN 模型在多类用户分类中达到 89.75% 的最高准确率，在少样本用户识别中达到 96.72% 的最高准确率。总之，我们认为我们的系统已可用于实际，且具有优于两个基线的泛化能力。
引用
@article{arxiv.1912.03760,
title = {Convolutional Neural Networks for User Identificationbased on Motion Sensors Represented as Image},
author = {Cezara Benegui and Radu Tudor Ionescu},
journal= {arXiv preprint arXiv:1912.03760},
year = {2020}
}
备注
Under review