通过行为生物特征识别虚拟现实中的用户身份及身体标准化的影响

文献标题

Understanding User Identification in Virtual Reality Through Behavioral Biometrics and the Effect of Body Normalization

文献信息

• 主题领域: 虚拟现实中基于行为生物特征的用户身份识别
• 关键词: 身份识别, 虚拟现实, 行为生物特征, 身体归一化, 可用安全, 数据采集, 深度学习, 用户体验, 实验研究, 连续认证

研究背景与问题

• 问题与挑战:

  1. 当前虚拟现实系统的用户身份识别通常依赖传统方法，如密码和PIN码，这些方法存在用户体验不佳（中断沉浸感）以及不安全（易受肩窥攻击）的问题。
  2. 虚拟现实中的行为生物特征识别面临两个核心瓶颈：如何通过真实任务进行识别而非人工任务，以及用户生理特征（如身高和臂长）如何影响模型的识别准确性。

• 重要性:

  • 多用户VR场景中需要快速、无缝和安全地识别用户身份，这样可以自适应用户界面，加载个性化设置，或提供身份验证支持。
  • 提升隐式认证（即无需用户主动输入）的准确性可以减少用户负担，提升用户体验。

• 研究动机与相关工作:

  • 先前研究表明，可以通过头部/控制器运动等行为生物特征在VR中进行身份认证，但其相对较低的准确性限制了实际应用。
  • 一些研究探讨了VR中的虚拟身体表现对用户体验和行为的影响，但尚未系统地评估其在用户身份识别中的作用。
  • 对行为生物特征的验证特别依赖用户生理特征的差异，本研究通过对用户高度和臂长的归一化来研究这一变量对精准度的影响。

解决方案

• 方法与解决方案:

  • 提出一种基于任务驱动行为数据的用户身份隐式识别系统，用户通过完成日常 VR 任务（如保龄球、射箭）收集行为数据。
  • 在物理控制器与虚拟身体之间引入“身体归一化”，通过调整用户的虚拟身高和臂长创建一致的虚拟身体比例，从而研究用户生理特性的影响。

• 创新点:

  1. 研究了对用户虚拟身体归一化的影响，这在现有基于行为生物特征的识别研究中尚属首次。
  2. 提出一种跨天的用户识别方法，加强了数据的现实适用性和稳定性。
  3. 使用深度学习模型（LSTM 和多层感知器（MLP））进行高效数据分类，并对比了不同特征组合的效果。

• 实施步骤:

  1. 设计了满足真实任务需求的保龄球和射箭场景，并实现了空间运动数据采集。
  2. 应用两种身体归一化方法：
     • 臂长归一化（统一设置虚拟手臂长度）。
     • 高度归一化（虚拟高度设置为某一固定值）。
  3. 组织实验：
     • 办公实验招募16名参与者，数据采集分为两天实验。
     • 每种任务（保龄球和射箭）测试4种归一化条件，共收集了全面的行为数据。
  4. 使用深度学习模型对数据进行训练和验证，针对日间数据差异进行验证。

研究成果

• 具体成果:

  1. 应用高度归一化时的用户身份识别准确率最高，射箭场景达到90%，比无归一化提升27个百分点。
  2. 归一化后模型更关注参与者的行为差异，而不是生理噪声。
  3. 利用了多种特征组合，发现只使用控制器与头戴设备之间位置向量（F3特征集）即可达到最佳识别结果。

• 优势:

  1. 与非归一化方法相比，模型性能显著提升，尤其是体现在长时间间隔（跨天）数据验证上。
  2. 用户无需主动参与身份认证，大幅提高了系统的无缝体验。

• 实验与评估结果:

  • 射箭场景的最高准确率为90%，而保龄球场景的最高为68%。
  • 实施高度归一化后，识别准确率在大部分情况下显著提高。
  • 虽然绝大多数参与者未察觉归一化操作，但极少数用户报告了任务中虚拟身体比例的不自然感。

• 局限性与未来方向:

  1. 局限性：
     • 样本数量较少，仅限16人实验，且实验时间较短（两天）。
     • 当前结果在保龄球场景中准确率尚需进一步提升。
     • 对虚拟仿生效果的潜在影响还未与更复杂的任务和环境进行结合研究。
  2. 未来方向：
     • 扩展实验规模至更多用户和场景。
     • 探索其他类型的虚拟身体调整对识别性能的影响。
     • 在更高沉浸感的VR应用中测试身体归一化的隐蔽性和用户接受度。