将行为生物识别应用于儿童移动设备使用测量:评估训练数据大小,近距离和类型对模型性能的影响
Olivia L Finnegan1, Hongpeng Yang2, Bridget Armstrong1
1Department of Exercise Science, University of South Carolina, 921 Assembly Street, Columbia, SC 29201, USA.
Journal of technology in behavioral science
|January 12, 2026
概括
这项研究发现,训练数据的接近对于使用行为生物识别来准确识别儿童用户至关重要. 最佳的性能需要最新的数据,突出显示了对时间差距强大的模型的需求.
科学领域:
- 人与计算机的交互
- 儿童移动设备使用研究 儿童移动设备使用研究
- 行为生物识别技术
背景情况:
- 被动传感在识别个人用户方面是有限的,特别是在儿童移动设备使用的研究中,设备是共享的.
- 以前的工作使用行为生物识别来识别儿童用户,但最佳训练数据特征仍然不清楚.
研究的目的:
- 评估不同训练数据特征如何影响机器学习模型的性能,以识别儿童用户.
- 确定训练数据中最关键的因素,以优化用户识别准确度.
主要方法:
- 三十六名儿童与iPad互动,生成通过SensorLog捕获的加速度计和陀螺仪数据.
- 应用了机器学习算法 (NN,RF,k-NN,SwipeFormer) 来分析基于训练数据长度,用户位置 (坐着/躺着) 和时间距离的数据.
- 模型性能使用F1评分进行评估.
主要成果:
- 当训练数据与测试数据最接近时,SwipeFormer获得了最高的F1分数 (0.91对于1分钟前的数据).
- 在预测同一位置的用户时,性能最高 (从躺到躺:0.97;从坐到坐:0.94),在不同位置 (0) 中最低.
- 训练数据的长度对SwipeFormer性能的影响很小 (0.91以1分钟对比0.94以12分钟).
结论:
- 模型性能对训练和测试数据之间的时间距离非常敏感.
- 未来的研究应该优先开发可以准确识别用户的模型,无论培训和测试数据之间的时间差距.
