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
使用智能手机的惯性传感器,以无约束状态采集步态数据,通过深度学习技术学习建模,提出了一种有效的步态识别方法,使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。
Nov, 2018
该论文主要针对移动设备中的难点 - 传感器方向的不稳定性提出了解决方案并提出了一种基于统计分析和监督学习的新型步态识别方法,使用 PCA+SVM 构建步态模型,取得了优异的表现。
Feb, 2016
使用智能手机的加速度计和陀螺仪信号识别用户的步态,实现基于步态的用户身份认证,最小化认证错误率,并且技术与现有方法相比显著优越。
Jun, 2016
本文提出了一种新颖且数据驱动的方法,利用智能手机中的惯性测量单元(IMU)学习估算自然人类运动轨迹。通过回归速率向量,通过历史线性加速度和角速度,纠正低频偏差,对估算位置进行两次积分,从而实现了人体运动的准确估算。此外,文中还展示了该算法与视觉惯性导航的可比性,并公开了代码和数据以便进一步研究。
Dec, 2017
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。
Jul, 2019
本研究介绍了一种基于模拟的方法和主体特定数据集,用于生成合成视频帧和序列以进行数据增强,由此生成了多模态数据集,其结果表明身份信息在合成生成的示例中得以保留,此数据集和方法可对完全不变式身份识别的研究提供支持。
Oct, 2016
该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法,通过建立一个随机森林分类模型,从步行数据样本中提取时间和频率信息特征。实验结果表明,该模型具有 0.9679 的准确率和 0.9822 的曲线下面积(AUC),可为智能手机提供一种低成本、高效的用户身份认证方法。
Nov, 2017
通过深度学习和层次相关性传播 (LRP),识别重要变量以确定与年龄和性别相关的用户特征的方法,可以用于解释惯性信号识别用户年龄和性别的非线性机器学习模型。
Feb, 2024
基于 SVM 多类分类的步态相位分类方法准确识别七个相位,使用 IMU 传感器数据作为特征。该技术可成功分类不同步态相位,准确度达到 90.3%,对于外骨骼和假肢领域至关重要,可实现与辅助装置的无缝集成,提高行动能力、稳定性和能量效益。该研究扩展了步态学研究,提供了一种有效的方法,能从 Shank IMU 传感器数据中准确识别步态相位,并在生物力学研究、外骨骼、康复和假肢等领域有潜在应用。
Oct, 2023