运动签名：虚拟现实中基于运动的用户识别系统研究

文献标题

Kinetic Signatures: A Systematic Investigation of Movement-Based User Identification in Virtual Reality

文献信息

• 主题领域: 虚拟现实中的行为生物识别与用户身份识别
• 关键词: 用户识别, 虚拟现实, 动态签名, 可用安全性, 任务驱动生物识别

研究背景与问题

• 问题或挑战: 虚拟现实中的行为生物识别技术日益受到关注，其核心的动态签名能够从用户的头部和手部动作数据中提取个性化信息。然而，现有研究主要集中于特定活动或应用，而未系统性地探索动态签名的静态及动态运动成分对其识别能力的影响。
• 重要性: 通过明确动态签名的本质，能够优化虚拟现实中的隐式身份识别协议，为用户消除当前认证方法的负担（如密码输入），提高系统安全性和用户体验。
• 研究动机与相关工作: 研究动机源于弥补现有关于动态签名在不同运动类型下的识别能力差异的知识空缺。相关工作包括行为生物识别在VR中的应用案例研究以及运动科学领域对人类运动分类的研究。

解决方案

• 提出的方法或解决方案:
  • 作者借鉴运动科学的分类方法，将运动分为静态成分（保持关节位置所需的肌肉活动）和动态成分（改变身体位置的肌肉活动）。
  • 通过设计实验，测试不同类型运动（静态与动态组合）对用户识别能力的影响。
  • 采用深度学习算法对用户数据进行训练和评估，探讨其生物识别性能。
• 创新之处:
  • 首次系统性地研究动态签名中的静态和动态成分对用户识别准确性的影响。
  • 提供组合运动分类表，并设计实验对其进行验证。
  • 数据集和实验工具公开，为科研社区提供进一步探索的基础。
• 实施步骤与关键技术:
  1. 分类模型设计: 设计静态（LS: 低静态；HS: 高静态）与动态（LD: 低动态；HD: 高动态）的组合。
  2. 实验设计与数据采集: 选取24名参与者，在一周内进行两次实验；实验包括虚拟运动（如网球、攀岩）和自律练习（如身体操）的互动过程数据收集。
  3. 数据处理与分析: 使用深度学习算法训练模型，进行实验数据分割与预处理（如位置标准化与归一化），评估识别性能。
  4. 定量统计分析: 使用重复测量方差分析（RM-ANOVA）探索静态与动态成分的主要影响及交互影响。

研究成果

• 具体成果:
  • 最大识别准确率达90.91%，中位召回率达95.45%，表明动态签名是可靠的隐式识别方法。
  • 动态成分对识别能力的影响显著，尤其是高动态（HD）运动比低动态（LD）运动表现更高的识别能力。
  • 在静态运动方面，高静态（HS）活动通常表现出较低的识别能力，尤其是在模拟体育运动场景中。
• 优势:
  • 与现有用户识别研究相比，本研究提供了系统性框架和分类模型，并明确不同运动特征对识别性能的影响。
  • 数据集公开，有助于科研社区复现和进一步研究。
• 实验或评估结果:
  • 在实验中，多种深度学习架构（如Inception、FCN等）对数据进行训练和测试，FCN在体育运动中表现最佳，平均识别准确率为74.93%。
  • 统计分析中验证了动态成分（HD > LD）和静态成分（LS > HS）的显著主效应，以及两者交互效应的特定影响。
• 局限性与未来方向:
  • 局限性：
    1. 生理因素不可完全排除，如用户身高和手臂长度对数据影响。
    2. VR中缺乏外部重量和力的模拟，这限制了高静态运动的真实表现。
  • 未来方向：
    1. 探索其他变量对动态签名识别性能的影响，如运动环境或视觉反馈。
    2. 在现实环境中验证动态签名模型，比较VR与现实条件下的识别能力。

总结

本文通过系统性研究动态签名中的静态和动态成分，显著提高了对虚拟现实用户进行隐式身份识别的能力，并为下一代基于动作的用户认证系统提供设计指导。数据集与分类模型的公开使用进一步推动了行为生物识别领域的科学探索。