59、基于行为生物特征的连续认证及在线评论垃圾检测研究

基于行为生物特征的连续认证及在线评论垃圾检测研究

基于行为生物特征的连续认证

在当今数字化时代，身份认证的准确性和可靠性至关重要。基于行为生物特征的连续认证，尤其是利用加速度计进行步态认证，成为了研究的热点。

分类算法比较

研究人员比较了不同机器学习分类器在步态认证中的等错误率（EER）。实验数据显示，支持向量机（SVM）由于训练样本数量与特征空间维度的不匹配，表现不佳。而集成方法，如AdaBoosting、随机森林、Bagging和梯度提升树（GBT）则表现出色。由于梯度提升树在处理异常值方面的鲁棒性以及处理异构特征的能力，研究人员选择了它作为后续实验的模型。以下是不同分类器的EER比较表格：
| 分类器 | EER |
| — | — |
| SVM（sigmoid核） | 0.511 |
| SVM（rbf核） | 0.488 |
| kNN | 0.198 |
| GBT | 0.068 |
| Bagging | 0.094 |
| AdaBoost | 0.047 |
| 随机森林 | 0.036 |

最佳传感器位置

研究人员利用REALDISP数据集，评估了不同身体位置传感器对认证的相关性。考虑了9个身体位置，包括背部、左右上臂、左右下臂、左右小腿和左右大腿。实验结果表明，在理想传感器放置情况下，EER非常低，最坏情况下约为8%，最好情况下可降至约2%。而且，下半身似乎比上半身更适合用于认证。以下是理想放置传感器时不同活动的EER表格：
| 位置 | 步行 | 慢跑 | 跑步 | 骑行 |
| — | — |