Tidigare kognitiv psykologisk forskning tyder på att ögonrörelser kan skilja sig väsentligt från en individ till en annan. Intressant, dessa individuella egenskaper i ögonrörelser har visat sig vara relativt stabila över tiden och i stort sett oberoende av vad man tittar på. Med andra ord, människor presenterar olika mönster i hur de rör sina ögon och dessa unika "ögonrörelser" kan användas som ett sätt att identifiera.

Fascinerad av dessa observationer, forskare vid University of Potsdam, i Tyskland, har nyligen utvecklat en ny biometrisk identifieringsmetod som fungerar genom att bearbeta mikrorörelser i ögat. I deras studie, förpublicerad på arXiv, de utförde en grundlig undersökning av människors ofrivilliga ögonrörelser och använde sina fynd för att utveckla DeepEyedentification, en djupinlärningsarkitektur som kan identifiera människor genom att analysera ögonspårningssignaler.

Tanken att identifiera individer utifrån deras ögonrörelser har funnits i mer än ett decennium, men de metoder som föreslagits hittills har betydande begränsningar. Till exempel, de flesta av dessa metoder är inte särskilt exakta eller tar för lång tid att nå en slutsats (dvs kräver långa ögonrörelser på cirka en minut), vilket gör dem ganska opraktiska för verkliga applikationer.

"Inom psykologisk forskning, det är standard att förbehandla ögonrörelsedata till olika typer av ögonrörelser, "Lena Jäger, en av forskarna som genomförde studien, berättade TechXplore. "Tidigare biometriska metoder har använt denna praxis på bekostnad av en stor förlust av information som finns i råa ögonrörelsedata, såsom en högfrekvent tremor i ögat. Vår nyckeltanke var att använda dessa högfrekventa egenskaper. och inte förprocessdata, utan träna snarare ett djupt konvolutionsnätverk från ett end-to-end-sätt med hjälp av råproverna som samlats in med 1000 bilder per sekund som input. "

I deras studie, Jäger och hennes kollegor visade att icke-förbehandlad data för ögonspårning leder till mycket högre noggrannhet än vad som uppnås med befintliga tillvägagångssätt, samtidigt som det kräver kortare videoflöden. Felprocenten för DeepEyedentication-nätverket är lägre med en storleksordning och identifieringen är snabbare med två storleksordningar än den tidigare bäst presterande metoden.

Efter att bara ha registrerat en sekund med ögonrörelser, modellen hade redan uppnått samma noggrannhet som den tidigare bäst presterande modellen uppnådde efter 100 sekunders inspelning. Dessutom, efter fem sekunders ögonrörelseinspelning, felfrekvensen var 10 gånger mindre. Forskarna utbildade sitt nätverk i två olika datamängder, en som de samlade i en tidigare studie där användare läste olika texter, och en annan samlad när deltagarna såg en prick slumpmässigt hoppa på datorskärmen.

"När du tittar på en stimulans på en datorskärm (i våra datauppsättningar en text eller en hopppunkt) mäter en kamerabaserad eyetracking-enhet var användaren tittar, "Jäger förklarade." Denna data matades till ett djupt neuralt nätverk som förvandlar den till en egenartad framställning av användarens ögonrörelsebeteende, som är oberoende av den specifika stimulansen på skärmen. "

Väsentligen, Jäger och hennes kollegor utbildade sin modell för att identifiera funktioner i ögonrörelsedata som är särskilt användbara för att skilja mellan olika individer. Deras modell använder den här egensinniga representationen av de ingångsdata som matas till den, tillsammans med andra användardata som lagras i systemet, att antingen identifiera en användare eller avvisa honom/henne.

"Vi visar att biometrisk identifiering baserad på ögonrörelser har potential att bli en seriös konkurrent för andra mycket använda biometriska identifieringsmetoder, som fingeravtryck, irisscanning eller ansiktsigenkänning eller komplettera dessa tekniker, "Sa Jäger." Avgörande, biometrisk identifiering från ögonrörelser är i grunden mindre sårbar för spoofing -attacker. Medan iris skannar, ansiktsigenkänning och fingeravtryck kan spoofas av 2-D eller 3-D replikor (t.ex. bilder, tryckta kontaktlinser, eller 3D-kopior som ett artificiellt öga, en ansiktsmask eller ett falskt fingeravtryck), förfalskning av ögonrörelser skulle kräva en enhet som kan visa en videosekvens i det infraröda spektrumet med en hastighet av 1, 000 bilder per sekund. "

Än så länge, den nya biometriska identifieringsmetoden som utvecklats av Jäger och hennes kollegor har uppnått mycket lovande resultat. I framtiden, det kan bidra till att öka säkerheten för ett stort antal enheter, inklusive smartphones, bärbara datorer och surfplattor. Eftersom detta nya tillvägagångssätt fungerar oberoende av vad en användare tittar på, forskarna kunde enkelt lägga till en så kallad 'livlighetsdetekteringsmodul, 'vilket skulle öka dess säkerhet ytterligare. En sådan modul skulle automatiskt kontrollera om en användares ögonrörelser matchar en visuell stimulans som visas på skärmen, vilket inte skulle vara fallet om någon försökte förfalska systemet med en förinspelad video.

"Vi arbetar för närvarande med högupplösta och högt samplingsfrekventa ögonspårare under laboratorieförhållanden, " Jäger said. "Our next step is to develop an algorithm that can also deal with noisier data and lower sample rates under realistic conditions. This is necessary to make biometric identification from eye movements affordable and applicable to a wide range of real-world applications."

© 2019 Science X Network