Treffer: Prepoznavanje korisnika zasnovano na uzorcima crtanja na dodirnom zaslonu ; User Recognition Based on Touchscreen Drawing Patterns

Title:
Prepoznavanje korisnika zasnovano na uzorcima crtanja na dodirnom zaslonu ; User Recognition Based on Touchscreen Drawing Patterns
Authors:
Contributors:
Ljubić, Sandi
Publisher Information:
Sveučilište u Rijeci. Tehnički fakultet.
University of Rijeka. Faculty of Engineering.
Publication Year:
2025
Collection:
Croatian Digital Theses Repository (National and University Library in Zagreb)
Document Type:
Dissertation master thesis
File Description:
application/pdf
Language:
Croatian
Rights:
http://creativecommons.org/licenses/by/4.0/ ; info:eu-repo/semantics/openAccess
Accession Number:
edsbas.E7C7084
Database:
BASE

Weitere Informationen

Ovaj rad istražuje potencijal ponašajne biometrije zasnovane na uzorcima crtanja na dodirnom zaslonu kao metode identifikacije korisnika. Implementirana je mobilna aplikacija za prikupljanje podataka iz višestrukih senzorskih izvora (sensor dodirnog zaslona, akcelerometar, žiroskop i magnetometar). Eksperiment sa dvadeset sudionika obuhvaćao je ponavljajuće crtanje prstom deset jednostavnih slikovnih uzoraka u dva različita modaliteta (slobodni i precrtavajući), koji se razlikuju po poziciji i vizualizaciji referentne slike. Preliminarnom analizom dobivenih podataka (vremenskih serija) adresirane su međukorisničke i unutarkorisničke varijabilnosti, kao i klasifikacijski potencijal promatranih metrika i senzora. Opisan je postupak predobrade podatkovnog skupa, kao i razvoj modela zasnovanog na višerazinskoj konvolucijskoj neuronskoj mreži (multiscale CNN) za identifikaciju korisnika na temelju višekanalnih vremenskih serija. Prosječna točnost koju pruža model je 0,986, a točnost modela dodatno je analizirana s obzirom na dva glavna faktora – modalitet unosa i slikovni uzorak. ; This thesis investigates the potential of behavioral biometrics based on drawing patterns on touchscreens as a method for user identification. A mobile application was implemented to collect data from multiple sensor sources (touchscreen sensor, accelerometer, gyroscope, and magnetometer). The experiment with twenty participants involved the repeated drawing of ten simple image patterns with the finger in two different modalities (freehand and tracing), which differed in the position and visualization of the reference image. The preliminary analysis of the obtained data (time series) addressed the inter- and intra-user variability and the classification potential of the observed metrics and sensors. The procedure for preprocessing the dataset is described, as well as the development of a model based on a multiscale convolutional neural network (multiscale CNN) for user identification on the basis of multichannel time series. The average ...