使用可穿戴表面EMG带进行手写签名验证

科学领域:

• 生物识别和人机交互的人机交互
• 机器学习和信号处理

背景情况:

• 远程认证需要可靠的签名验证.
• 手写的签名具有显著的类内变异性,挑战了传统的系统.
• 表面电肌图 (sEMG) 通过可穿戴设备提供了一个潜在的生物识别模式.

研究的目的:

• 调查可穿戴腕带捕获的sEMG信号的有效性,以验证签名.
• 开发和评估双模型深度学习框架,用于增强签名验证.
• 用sEMG数据解决手写签名在类内变化的挑战.

主要方法:

• 收集了20个人使用可穿戴腕带签署中文字符的4通道sEMG数据.
• 开发了一个双模型深度学习框架,集成肌肉协同激活模式和原始sEMG波形.
• 该框架包括用于肌肉激活序列的CNN-LSTM和用于原始sEMG信号的多分支CNN,具有决策级融合.

主要成果:

• 传统的基于特征的方法实现了80.90%的准确性和12.82%的等错率 (EER).
• 拟议的双模型深度学习框架实现了91.65%的准确性和5.25%的EER.
• 与传统技术相比,证明了10.75%的精度提高和EER显著减少.

结论:

• 拟议的基于sEMG的双模型深度学习框架有效地减少了签名验证的类内变化.
• 这种方法提供了一个实用且安全的生物识别身份验证解决方案,利用可穿戴技术.
• 这些发现突显了sEMG在强大且可用的远程身份验证系统中的潜力.