使用基于图像的复杂特征和多分类卷积神经网络，在能够识别 148 个用户的数据集上取得了 0.78 的准确性；然而，将同一特征的稍作修改后，使用随机森林分类器则可以获得 0.93 的准确性。

Jul, 2023

该研究基于一个公共的按键数据集，探讨了通过对齐预处理算法，使用不同的异常检测方法进行击键生物识别，对检测准确性的影响，结果表明：通过预处理和评分归一化技术，可以显著提高检测性能。

Jun, 2016

本文采用三种机器学习和深度学习算法，评估了 40 名用户使用鼠标动态作为生物特征的连续身份验证方案，其中包括二元分类器和多元分类器，并获得了在数据集上最高的准确度。

May, 2022

本文提出了一种新技术 DEEPSERVICE 来识别移动用户，该技术基于用户的击键信息进行识别，准确率高达 93％以上，并且只需不到 1 毫秒的时间。

Nov, 2017

这篇论文提出了一种基于 RNN 的按键动态生物识别方法，通过对两个相邻按键的输入序列和实际打字时间的目标序列进行处理，获得了比短文本和固定长度文本更好的认证性能和稳定性。

Jun, 2018

本研究提出一种数据驱动的学习模型，用于合成按键生物特征数据，并与基于通用和用户相关模型的两种统计方法进行比较。通过合成生物特征数据，本研究改进了基于按键的机器人检测系统的训练过程，并通过定量和定性实验验证了三种方法的表现。实验结果表明，在有大量标记数据的情况下，这些合成样本可以被高精度地检测出来，但在少样本学习的情况下则是一个重要的挑战。此外，这些结果显示了所提出模型的巨大潜力。

Jul, 2022

本研究旨在探讨利用神经网络、极端梯度提升和支持向量机三种不同算法在移动触摸动力学方面实现连续认证的可行性，研究结果表明，移动触摸动力学在连续认证方面有很大的潜力用于增强安全性和减少未经授权的使用个人设备的风险，并且使用不同的算法可以在不同的任务中获得不同的性能表现。

Apr, 2023

该论文研究了基于敲击行为的生物特征识别与验证方法，提出了一种基于 Transformer 的网络模型，通过自注意机制从敲击序列中提取信息特征，超越了传统的循环神经网络的性能。该研究探索了两种不同的网络架构，分别是双编码器和交叉编码器，并比较了它们在敲击身份验证中的效果。同时，作者还研究了不同的损失函数和距离度量方法，通过一系列实验优化了训练过程，提高了模型性能。通过使用 Aalto 桌面敲击数据集进行评估，结果表明采用批量全三元组损失和余弦距离的双编码器架构取得了最佳性能，等错误率仅为 0.0186%。此外，通过尝试使用一类支持向量机等替代算法计算相似度得分，进一步提高了准确性，使等错误率达到 0.0163%。研究结果表明，该模型超越了自由文本敲击身份验证领域的最新技术水平，为进一步发展敲击身份验证领域并提供安全的用户验证系统提供了实际意义。

Oct, 2023

该研究使用生物特征识别对个人进行身份认证，其中鼠标动力学是一种行为生物特征，可以用于进行连续身份验证以防止安全漏洞。该论文通过对鼠标动力学数据集 Balabit Mouse Challenge 数据集进行了不同分类技术的实证评估，使用鼠标移动、点选和拖放三种动作进行用户识别，并使用决策树分类器、K 最近邻分类器和随机森林分类器进行验证和认证。结果显示，这三种分类器可以以相对较高的准确率区分真实用户和冒名顶替者。在验证模式下，所有分类器的准确率达到 100%。在认证模式下，三种分类器在使用点选操作数据的情景 B 中实现了最高准确率（决策树准确率：87.6%，AUC：90.3%），（K 最近邻准确率：99.3%，AUC：99.9%）和（随机森林准确率：89.9%，AUC：92.5%）。

Nov, 2023

该研究提出了一种基于击键动态的方法，以区分学术环境中真实和辅助写作，并利用改进的 TypeNet 架构训练检测器。研究结果突显了真实和辅助写作之间击键动态的显著差异，并对提高数字教育平台的可靠性产生影响。

Jun, 2024