Physiological Synchrony: A New Approach Toward Identifying Unknown Presentation Attacks on Biometric Systems
Notice bibliographique
Résumé
Presentation attacks are falsified biometric traits presented on biometric systems to deceive them. While biometric systems can be tuned and modified to reliably detect known presentation attacks, their performance significantly degrades when encountering unknown presentation attacks. In this article, we propose a new approach toward detecting unknown presentation attacks based on the measurement and characterization of synchrony between multiple physiological signals obtained from contact and contactless sensors. Synchrony between two physiological signals was captured by analyzing the blood flow dynamics and respiration patterns. The instantaneous phase difference between two physiological signals was represented as a phase vector using the Hilbert transform and the degree of phase coherence defined as the absolute mean of phase vectors over the analysis period was used as a measure of synchrony. A weighted k-nearest neighbors (k-NN) classifier was then designed to detect valid and invalid biometric presentations based on the degree of phase coherence. The proposed method was validated on the detection of synchrony between two respiration patterns obtained through the measurement of chest movements using an ultrawideband (UWB) radar and respiratory sinus arrhythmia (RSA) using a finger photoplethysmogram sensor on data collected from 50 individuals. It achieved a high accuracy of 95.3%, a sensitivity of 96%, and a specificity of 94% in detecting corrupted and nonsynchronous patterns that did not contain valid respiration signatures. The proposed method shows promise toward improving the reliability of biometric systems in the detection of unknown and sophisticated attacks that may spoof one or more of the presented biometrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».