欧恩斯坦-乌伦贝克工艺和RNN-XGBoost的多模型融合,用于使用眼动模式进行生物识别

科学领域:

• 生物识别信息 生物识别信息
• 计算机视觉 计算机视觉
• 计算神经科学是一种神经科学.

背景情况:

• 生物识别对安全至关重要.
• 现有的方法在独特性和稳定性方面面临挑战.
• 眼动模式提供了独特的,个体特定的行为生物识别.

研究的目的:

• 引入一种新的生物识别框架,用于使用眼动模式识别人.
• 通过采集理论和奥恩斯坦-乌伦贝克过程来模拟视线动态.
• 开发一个强大的分类系统,以提高识别准确度.

主要方法:

• 使用贝叶斯对随机微分方程的估计分析眼睛运动数据 (固定,跳动).
• 从凝视行为中提取个体特征.
• 用混合循环神经网络 (RNN) 和XGBoost模型对特征进行分类.

主要成果:

• 在FIFA眼球追踪数据集上实现了94%的平均准确性.
• 获得了94.03%的F1得分和98.97%的ROC曲线下的面积 (AUC).
• 显示了4.0%的低等错率 (EER),表明了高的辨别能力.

结论:

• 拟议的框架有效地利用眼动模式进行生物识别.
• 奥恩斯坦-乌伦贝克工艺和混合RNN-XGBoost分类的整合产生了卓越的性能.
• 这种新的方法显示了安全和准确的人身识别系统的巨大潜力.