Jul, 2019

基于多模态生物识别的可穿戴设备用户隐式认证

PDF
TL;DR本文提出了一种基于行为、生理和混合粗粒度分钟级生物识别数据的隐式可穿戴设备用户认证机制，并在超过 400 名 Fitbit 用户的健康研究中进行了分析。经我们分析，使用该机制，用户的平均准确率可达 93％，具有相等的错误率为 0.05。同时，混合生物识别比其他生物识别数据表现更好，而行为生物识别在非久坐阶段也没有显着影响。
internet of thingswearablesauthenticationbiometric datafitbit
发现论文，激发创造
  • 可穿戴设备用户的上下文依赖隐式认证

    本文提出了基于心率、步态和呼吸音信号的上下文相关的软生物识别可穿戴身份验证系统，使用具有径向基函数内核的二元支持向量机（SVM）可以实现高达 0.94 的平均精度。

    Aug, 2020

  • 基于智能手表的智能手机用户隐含式传感器认证

    提出了一种利用智能手机传感器数据和机器学习对终端用户进行基于行为特征的隐式、持续认证的新系统 iAuth，并实现 92.1% 的认证准确性，系统开销极小，电池消耗不到 2%。

    Mar, 2017

  • 蓝牙可穿戴设备识别

    介绍了一种利用机器学习对可穿戴设备进行身份验证的技术，并在蓝牙协议上进行了演示，有望为识别可穿戴设备提供可靠的网络威胁情报。

    Sep, 2018

  • 使用行为生物特征和机器学习评估用户认证模式

    本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

    May, 2022

  • 运动 ID：人类身份验证方法

    介绍了一种称为 Motion ID 的用户认证新方法，该方法利用惯性测量单元 (IMUs) 提供的运动感应来验证个人身份。通过数据预处理和机器学习，该方法展示了高精度的用户认证，可与现有方法结合使用，也有望作为一种独立的解决方案。

    Jan, 2023

  • 极简可穿戴设备的时限性上下文生物特征生成

    Proteus 通过时间限定的上下文生物识别 ID 实现了动态与上下文设备协作以及健壮的人机交互。

    Mar, 2024

  • 面向工业物联网设备的自适应射频指纹认证

    该研究论文介绍了一种基于人工智能自适应射频指纹技术选择和调谐的物联网设备认证方法，可在具有挑战性射频环境下实现强大而灵活的设备认证。

    Nov, 2023

  • 行为生物特征认证中常用的机器学习分类模型探究

    讨论了现有行为生物识别移动认证中使用的关键机器学习算法，重点关注使用触摸动态和手机移动的算法。

    Apr, 2022

  • 您的设备可能比您自己更了解您 —— 使用机器学习在新数据集上进行连续认证

    本研究旨在进一步研究利用行为生物特征进行连续身份验证的领域。我们贡献了一个创新的数据集，该数据集涵盖了 15 名用户使用三星平板电脑玩 Minecraft 的手势数据，每个用户游戏时间为 15 分钟。利用这个数据集，我们使用了机器学习二元分类器，包括随机森林、K 最近邻和支持向量分类器，来确定特定用户行为的真实性。我们最强大的模型是支持向量分类器，其平均准确率达到了约 90%，表明触摸动态可以有效区分用户。然而，还需要进一步研究使其成为身份验证系统的可行选择。

    Mar, 2024

  • 利用手机传感器对人机交互进行建模：用户身份认证的研究数据集和概述

    该研究总结了现代智能手机上常见的传感器，并提出了一个利用这些传感器模拟人与智能手机之间交互的维度分类法。其应用包括神经运动技能、认知功能和行为或例行程序，尤其关注用户认证方面的应用。通过使用人类移动交互的新型多模式数据库（HuMIdb 数据库），以深度学习中的连体神经网络为基础，该研究还检验了一个基于简单线性触摸手势的生物识别认证系统，达到了 87% 的准确率。

    Jun, 2020