Ідентифікація окуло-моторної системи людини на основі ряду Вольтерри: застосування в системі захисту інформації
DOI:
https://doi.org/10.32626/2308-5916.2022-23.91-106Анотація
Отримала подальший розвиток інформаційна технологія біометричної ідентифікації особистості за рахунок використання в якості джерела первинних даних інформаційних моделей окуло-моторної системи (ОМС) типу «вхід-вихід» на основі рядів Вольтерри. Для побудови моделей застосовується технологія айтрекінгу. Здійснено експериментальні дослідження ОМС двох респондентів. На основі даних, отриманих за допомогою айтрекера Tobii Pro TX300, визначено перехідні функції першого, другого та третього порядків ОМС при застосуванні моделі у вигляді ряду Вольтерри. Це дозволяє підвищити точність моделювання ОМС і, як наслідок, підвищити достовірність розпізнавання в просторі запропонованих евристичних ознак, які визначаються за допомогою інтегральних і диференціальних перетворень багатовимірних перехідних функцій ОМС, що значно спрощує визначення ознак та практичну реалізацію байєсівського класифікатора.
Виявлено високу варіативність перехідних функцій другого та третього порядків для двох респондентів. Таким чином, представляється доцільнім використовувати багатовимірні перехідні функції для біометричної ідентифікації.
Запропоновано множину евристичних ознак, які визначаються на основі отриманих за даними айтрекінгу багатовимірних перехідних функцій. Досліджено інформативність окремих ознак та їх комбінацій в парах. Знайдено двовимірні простори ознак з максимальним значенням показника імовірність правильного розпізнавання при вирішенні задачі біометричної ідентифікації особистості (Pmax = 0,974). Результати досліджень отримано за допомогою побудови байєсівських класифікаторів у різних просторах запропонованих ознак засобами машинного навчання на основі даних сформованих навчальних вибірок.
Завантаження
Посилання
Lohr D., Griffith H., Komogortsev O. V. Eye Know You: Metric Learning for End-to-end Biometric Authentication Using Eye Movements from a Longitudinal Dataset. IEEE Transactions on Biometrics, Behavior and Identity Science. 2022. P. 1-18.
Brasil A. R. A., Andrade J. O., Komati K. S. Eye Movements Biometrics: A Bibliometric Analysis from 2004 to 2019. International Journal of Computer Applications. 2020. Vol. 176, № 24. P. 1-9.
Friedman L., Rigas I., Abdulin E., Komogortsev O. V. A novel evaluation of two related and two independent algorithms for eye movement classification during reading. Behavior Research Methods. 2018. Vol. 50, № 4. P. 1374-1397.
Cantoni V., Galdi C., Nappi M., Porta M., Riccio D. Gant: gaze analysis technique for human identification. Pattern Recognition. 2015. Vol. 48, № 4. P. 1027-1038.
Yoon H.-J., Carmichael T. R., Tourassi G. Gaze as a biometric. SPIE Medical Imaging, San Diego, California, USA / ed. by C. R. Mello-Thoms, M. A. Kupinski. 2014.
Матвійчук Я. М. Математичне макромоделювання динамічних систем: теорія та практика. Львів: ЛНУ ім. І. Франка, 2000. 236 с.
Doyle F. J. I., Pearson R. K., Ogunnaike B. A. Identification and Control Using Volterra Models (Communications and Control Engineering). Springer, 2001. 314 p.
Суворов С. Г. Аппроксимация нелинейных операторов рядами Вольтерра в многомерном случае. Український математичний вісник. 2005. Т. 2. № 3. С. 418-441.
Apartsyn A. S., Solodusha S. V., Spiryaev V. A. Modeling of Nonlinear Dynamic Systems with Volterra Polynomials. International Journal of Energy Optimization and Engineering. 2013. Vol. 2, № 4. P. 16-43.
Pavlenko V. D., Shamanina T. V., Chori V. V. Nonlinear Dynamics Identification of the Oculo-Motor System based on Eye Tracking Data. International Journal of Circuits, Systems and Signal Processing. 2021. Vol. 15. P. 569–577.
Pavlenko V., Pavlenko S. Deterministic identification methods for nonlinear dynamical systems based on the Volterra model. Applied Aspects оf Information Technology. 2018. Vol. 1. № 1. P. 9-29.
Pavlenko V. D., Milosz M., Dzienkowski M. Identification of the oculo-motor system based on the Volterra model using eye tracking technology. Journal of Physics: Conference Series. 2020. Vol. 1603.
Vapnik V. N. Complete Statistical Theory of Learning. Automation and Remote Control. 2019. Vol. 80, № 11. P. 1949-1975.
Файнзильберг Л. С. Математические методы оценки полезности диагностических признаков. Киев: Освита Украины, 2010. 152 с.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
Автори зберігають авторські права та надають журналу право першої публікації роботи, одночасно ліцензованої за ліцензією Creative Commons Attribution License, яка дозволяє іншим поширювати роботу з посиланням на авторство роботи та її першу публікацію в цьому журналі.
Автори можуть укладати окремі додаткові договірні угоди щодо неексклюзивного розповсюдження опублікованої в журналі версії роботи (наприклад, розміщувати її в інституційному репозиторії або публікувати в книзі) з посиланням на її першу публікацію в цьому журналі.
Авторам дозволяється та заохочується публікувати свої роботи онлайн (наприклад, в інституційних репозиторіях або на своєму вебсайті) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш раннього та більшого цитування опублікованих робіт (див. The Effect of Open Access).
