基于多模态脑电与击键动力学的生物识别系统及机器学习算法
密码学与安全
2022-04-12 v2 信号处理
摘要
随着技术的快速发展，不同的生物特征用户认证与识别系统不断涌现。传统的生物识别系统如人脸、指纹和虹膜识别、击键动力学等易受网络攻击且存在不同缺点。基于脑电图（EEG）的认证已显示出克服这些局限性的前景。然而，由于在不同心理与生理条件下信号的变异性，基于 EEG 的认证准确性较低。另一方面，基于击键动力学的识别提供高准确性但遭受不同欺骗攻击。为克服这些挑战，我们提出了一种结合 EEG 与击键动力学的新型多模态生物识别系统。首先，通过从 10 名用户处采集击键动力学与 EEG 信号构建数据集，每名用户 10 个不同会话各 500 次试验。从 EEG 信号中提取并排序了不同的统计、时域与频域特征，并从击键动力学中提取了关键特征。针对个性化与泛化两种不同分类策略，对单独与组合模态训练、验证并测试了不同分类器。结果表明，在泛化与个性化情形下，EEG 与击键动力学的组合均可达到极高准确率。识别与认证准确率分别为 99.80%（极端梯度提升（XGBoost））与 99.68%（随机森林分类器），以显著优势（约 5 个百分点）优于单独模态。我们还开发了一种基于二值模板匹配的算法，以 6 倍速度给出 93.64% 的准确率。所提方法对任何生物识别认证都是安全可靠的。
引用
@article{arxiv.2103.07274,
title = {Multimodal EEG and Keystroke Dynamics Based Biometric System Using Machine Learning Algorithms},
author = {Arafat Rahman and Muhammad E. H. Chowdhury and Amith Khandakar and Serkan Kiranyaz and Kh Shahriya Zaman and Mamun Bin Ibne Reaz and Mohammad Tariqul Islam and Muhammad Abdul Kadir},
journal= {arXiv preprint arXiv:2103.07274},
year = {2022}
}
备注
16 pages, 11 Figures, 7 tables