Biometric-based authentication is gaining increasing attention for wearables and mobile applications. Meanwhile, the growing adoption of sensors in wearables also provides opportunities to capture novel wearable biometrics. In this work, we propose EarDynamic, an ear canal deformation-based user authentication using in-ear wearables. EarDynamic provides continuous and passive user authentication and is transparent to users. It leverages ear canal deformation that combines the unique static geometry and dynamic motions of the ear canal when the user is speaking for authentication. It utilizes an acoustic sensing approach to capture the ear canal deformation with the built-in microphone and speaker of the in-ear wearable. Specifically, it first emits well-designed inaudible beep signals and records the reflected signals from the ear canal. It then analyzes the reflected signals and extracts fine-grained acoustic features that correspond to the ear canal deformation for user authentication. Our extensive experimental evaluation shows that EarDynamic can achieve a recall of 97.38% and an F1 score of 96.84%. Results also show that our system works well under different noisy environments with various daily activities.


翻译:生物计量认证正在日益引起对磨损器和移动应用程序的关注。 与此同时,在磨损器中越来越多地采用传感器也为捕捉新式可磨损生物测定仪提供了机会。 在这项工作中,我们提议使用耳磨损器,即耳肺变形用户认证; EarDynamic 提供连续和被动用户认证,对用户透明。它利用耳机变形,将独特的静态几何和耳运河的动态运动结合起来,用户为认证发言时,它使用声学感应法,用内置麦克风和耳磨损器的扬声器捕捉耳罐变形。具体地说,它首先发出精心设计的无法演化的铃声信号,记录耳磨的反射信号;然后分析反射信号,并提取与耳机变形相符的精细声学特征,这些特征与用户认证时的耳机变形相吻合。我们广泛的实验性评估显示,EarDynamic 能够回顾97.38%和96.84%的F.1分。结果还表明,我们的系统在不同的日常环境中运行着不同的高压活动。

0
下载
关闭预览

相关内容

可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互、云端交互来实现强大的功能,可穿戴设备将会对我们的生活、感知带来很大的转变。
专知会员服务
41+阅读 · 2021年1月18日
【KDD 2020】基于互信息最大化的多知识图谱语义融合
专知会员服务
41+阅读 · 2020年9月7日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
已删除
将门创投
11+阅读 · 2019年7月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Arxiv
0+阅读 · 2021年10月9日
Arxiv
0+阅读 · 2021年10月8日
Privacy-Preserving News Recommendation Model Learning
Arxiv
14+阅读 · 2018年4月18日
VIP会员
相关VIP内容
专知会员服务
41+阅读 · 2021年1月18日
【KDD 2020】基于互信息最大化的多知识图谱语义融合
专知会员服务
41+阅读 · 2020年9月7日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
相关资讯
已删除
将门创投
11+阅读 · 2019年7月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Top
微信扫码咨询专知VIP会员