研究目的
提出一种基于卷积网络、利用PPG生物传感器进行生物认证的端到端架构,并在Troika和PulseID两个不同数据库中评估其性能。
研究成果
所提出的端到端认证方法和自动学习的生物标志物显示出作为认证生物识别方法的显著潜力。该系统在PulseID数据集上实现了78.2%至86.4%的AUC值,在Troika数据集上达到73.8%至83.2%,证明了其在现实场景中实现连续认证的可行性。
研究不足
研究指出,需要进一步的研究来解释和理解某些受试者中发现的变异性来源。与PulseID相比,Troika的性能下降表明存在运动伪影带来的挑战。
1:实验设计与方法选择:
本研究采用卷积神经网络(CNN)架构,通过原始光电容积脉搏波(PPG)信号实现端到端的用户验证。该CNN架构包含三个并行的1维卷积层,后接全局最大池化操作和用于分类的密集神经网络。
2:样本选择与数据来源:
使用两个数据集——在安静办公室环境中采集的PulseID数据集(含43名受试者),以及在跑步机上采集的Troika数据集(含20名受试者)。
3:实验设备与材料清单:
采用配备绿色LED和光电探测器的心率传感器、树莓派3代开发板及模数转换器MCP3008进行数据采集。
4:实验流程与操作步骤:
PulseID数据采样率为200Hz,Troika为125Hz。将信号分割为1秒、2秒或3秒片段用于训练和测试。
5:1秒、2秒或3秒片段用于训练和测试。
数据分析方法:
5. 数据分析方法:通过AUC(曲线下面积)指标评估验证集、开发集和测试集性能,网络训练采用随机梯度下降法(SGD),损失函数为二元交叉熵。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容