個人認証

1. 個人認証を念頭に置いた表面筋電位を
用いたジェスチャ判別
1
長岡技術科学大学 情報・経営システム専攻 芝田 龍正

2. 研究の背景
パスワード認証
 利点：認証誤差がない
 欠点：覗き見・録画攻撃の危険性
生体認証（顔,指紋など）
 利点：覗き見・録画攻撃への耐性
 欠点：偽装の危険性、環境条件による本人拒否
2
認証の状況によって適した生体認証が異なる

3. ジェスチャ動作時の筋電位を
個人認証に用いるメリット
 覗き見を防ぐことができる
 人に見えないところでジェスチャを行うことで覗き見防止
 他人がパスワードのジェスチャを再現しても認証されない
 筋電位から得られる特徴が異なるため
 パスワード（ジェスチャ）の変更が行える
 行動的特徴を利用しているため
3

4. 筋電位を用いた個人認証モデル
4
(i) ジェスチャの選択
筋電位センサを搭載した
ウェアラブル端末
(ii) 選択したジェスチャの
筋電位信号データを登録
(iii) 登録したジェスチャ
モバイル端末
(iv) 測定した筋電位
信号データを送信
(v) 特徴抽出
(vi) 特徴の比較
(vii) 特徴が一致：認証
特徴が不一致：拒否

5. 筋電位の測定実験
目的
ジェスチャ動作時の筋電位信号が個人認証に利用可能か
を確認する
測定条件
 筋電計を利き手の前腕部に装着
 椅子に座り肘を90度に曲げる
被験者数：5人
5

6. 実験方法
測定の手順
① 初期状態(力を抜いて軽く拳を握る)
② ジェスチャ動作を1つ行う
③ 初期状態に戻す
④ ①から③をそれぞれ６種類の
ジェスチャに関して10回ずつ行う
6

7. ジェスチャ動作時の筋電図
筋電図
7
センサ1
センサ8
センサ2
センサ3
センサ4
センサ5
センサ6
センサ7
センサ1 センサ2
センサ3 センサ4
センサ5 センサ6
センサ7 センサ8
サンプル数

8. 8
1回目 2回目
ジェスチャ動作時の筋電図の比較(1)
同一被験者の再現性 (被験者A、ジェスチャd)

9. 被験者間の非類似性(ジェスチャd)
9
被験者E
被験者C
ジェスチャ動作時の筋電図の比較(2)

10. 被験者間の非類似性(ジェスチャd)
10
被験者E
被験者C
ジェスチャ動作時の筋電図の比較(2)
・同一被験者間の同じジェスチャでは類似した波形が現れる
・異なる被験者間では同じジェスチャでも異なる波形が現れる
・同一被験者間では類似した波形の現れるタイミングが類似している
・センサ8に特徴が表れやすい

11. ジェスチャ識別
目的
ジェスチャ動作時の筋電位信号を利用したジェスチャ識別（個人判
別）とジェスチャ識別率の向上（本人拒否率の減少）
内容
 4つの特徴量を用いたジェスチャ識別
 特徴量を20に増やした場合のジェスチャ識別
 分散分析による特徴量選択を行った場合のジェスチャ識別
 ランダムフォレストによる特徴量選択を行った場合のジェスチャ識別
11

12. 個人認証の評価方法
 本人拒否率（FR rate：False Rejection rate）
 本人の正しいパスワード(ジェスチャ)を誤って拒否してしまいう割合
 他人受入れ率（FA rate：False Acceptance rate）
 他人のジェスチャを誤って受け入れてしまう割合
12
どちらも低い方が望ましい値

13. ジェスチャ識別器
 SVM
 入力したジェスチャ（筋電位の特徴量）に対して、１つのジェスチャを出力する
 入力したジェスチャと出力されたジェスチャが一致した場合に認証する
 被験者ごとに学習器を作成し、学習器ごとにパラメータを最適化した
（カーネルはRBFカーネルで固定）
 本人拒否率
 各被験者の６０データの内、検証用データを６（各ジェスチャにつき１）、学習用データを５４
として交差検証を行った平均値
 他人受け入れ率
 ある被験者の６０データ全てで学習した学習器にその被験者以外のデータを入力
 ジェスチャが一致した場合に他人を受け入れたとする
13

14. 4つの特徴量を用いた
ジェスチャ識別
14
時間領域
最大値（max）
最小値（min）
最大値の時刻（t_max）
最小値の時刻（t_min）
センサ1 センサ2
センサ3 センサ4
センサ5 センサ6
センサ7 センサ8
サンプル数
max
min
t_max
t_min
[1] 黒木 聡舜，山場 久昭，久保田 真一郎，片山 徹郎， 朴 美娘，岡崎 直宣:表面筋電位を用いた個人認証システムの実現
に向けた検討，情報処理学会研究報告，Vol. 2015-IOT-31，No. 5，2015
使用した特徴量[1]

15. 4つの特徴量を用いたジェスチャ識別
本人拒否率
 各被験者の６０データの内、検証用データを６（各ジェスチャにつき
１）、学習用データを５４として交差検証を行った平均値
 被験者ごとに学習器を作成し、学習器ごとにパラメータを最適化した
15
Subject A B C D E Ave.
FR rate 0.417 0.417 0.550 0.250 0.400 0.407
全被験者の本人拒否率の平均は40.7%

16.  特徴量の追加(センサ8のみ)
16
時間領域 周波数領域
平均値 平均値
最大値 最大値
最小値 最小値
最大値の時刻 最大値の周波数
最小値の時刻 最小値の周波数
中央値 中央値
分散 分散
歪度 歪度
尖度 尖度
二乗平均平方根 周波数領域エントロピー
20種類の特徴量
特徴量を20に増やした場合のジェスチャ識別

17. 17
Subject A B C D E Ave.
FR rate 0.283 0.367 0.383 0.300 0.367 0.340
特徴量を20に増やした場合のジェスチャ識別
全被験者の本人拒否率の平均は34.0%
本人拒否率
 各被験者の６０データの内、検証用データを６（各ジェスチャにつき
１）、学習用データを５４として交差検証を行った平均値
 被験者ごとに学習器を作成し、学習器ごとにパラメータを最適化した

18. 本人拒否率の比較
18
Subject A B C D E Ave.
FR rate 0.283 0.367 0.383 0.300 0.367 0.340
＜２０の特徴量を用いた場合＞
Subject A B C D E Ave.
FR rate 0.417 0.417 0.550 0.250 0.400 0.407
＜４つの特徴量を用いた場合＞
６.7％の減少

19. 分散分析による特徴量選択を行った場合
 分散分析（ANOVA）
19
𝑆 =
𝑎(𝑛−1) 𝑖=1
𝑎
𝑛(𝑥𝑖−𝑥)2
(𝑎−1) 𝑖=1
𝑎
𝑗=1
𝑛
(𝑥𝑖𝑗−𝑥𝑖)2
𝑎: 水準 ジェスチャ 数 , 𝑛: 水準内データ数(計測回数) , 𝑥𝑖 ∶ 水準𝑖の平均 ,
𝑥𝑖𝑗 ∶ 水準𝑖の𝑗個目のデータ , 𝑥 ∶ 総平均
𝑆はある特徴量に対して目的変数（ジェスチャ）間のデータの差がどれだけあるかを表し
ている
𝑆が大きい特徴量を重要度の高い特徴量とする

20. 最も重要度の高い特徴量
分散分析による特徴量選択を行った場合
 特徴量の重要度（被験者A）
20

21. 分散分析による特徴量選択を行った場合
21
■ 特徴量を重要度の高い
順に1つずつ増やした
場合のジェスチャ識別
率（被験者A）
0.733

22. 分散分析による特徴量選択を行った場合
 本人拒否率が最小のときの特徴量数と本人拒否率
22
Subject A B C D E Ave.
特徴量数 10 8 17 16 16 13.2
FR rate 0.267 0.350 0.317 0.217 0.333 0.297
全被験者の本人拒否率の平均は29.7%

23. ランダムフォレストによる
特徴量選択を行った場合
23
𝐼 𝑗 は特徴量𝑗でノードを分割することで、どれだけジニ不純度を下げることができるかを
表している
𝐼 𝑗 が大きい特徴量を重要度の高い特徴量とする
𝐼 𝑗 =
𝑖=1
|𝐹 𝑗 |
𝑁parent 𝑖 × 𝐺parent 𝑖 − {𝑁leftchild 𝑖 × 𝐺leftchild 𝑖 + 𝑁rightchild 𝑖 × 𝐺rightchild 𝑖
𝐺 𝑘 =
𝑖=1
𝑛
𝑃 𝑖|𝑘 1 − 𝑃 𝑖|𝑘
𝑃 𝑖|𝑘 : ノード𝑘 においてジェスチャ 𝑖に分類される確率
𝑛 ∶ ジェスチャ数
|𝐹 𝑗 | ∶ 特徴量𝑗が分割に使われた回数
𝑁parent(𝑖) ：ノード𝑖におけるデータ数
Gparent(𝑖) ：ノード𝑖におけるジニ不純度
𝑁leftchild(𝑖) ：ノード𝑖の左側の子ノードにおけるデータ数
Gleftchild(𝑖) ：ノード𝑖の左側の子ノードにおけるジニ不純度
𝑁rightchild(𝑖) ：ノード𝑖の右側の子ノードにおけるデータ数
Grightchild(𝑖) ：ノード𝑖の右側の子ノードにおけるジニ不純度

24. ランダムフォレストによる
特徴量選択を行った場合
24
弱学習器間の 類似性を削減するため、全ての特徴量からジニ係数を最小化する分岐を求めるの
ではなく、ランダムに選択された４つ（特徴量の総数の平方根）の特徴量の中からジニ係数を
最小化する分岐を決めた。
学習器のオーバーフィッティングを意図的に誘発させるた、ジェスチャを完全に分岐するまで
木の分岐を深くし た.
弱学習器の総数は 1000 とした.

25. ランダムフォレストによる特徴量選択を行った場合
 ノードを分割する際にジニ不純度をより下げることのできる特徴量を重
要な特徴量とする
25
最も重要度の高い特徴量
被験者Aの特徴量重要度

26. 26
■ 特徴量を重要度の高い
順に1つずつ増やした
場合のジェスチャ識別
率（被験者A）
0.733
ランダムフォレストによる特徴量選択を行った場合

27.  本人拒否率が最小のときの特徴量数と本人拒否率
27
Subject A B C D E Ave.
特徴量数 8 7 15 16 13 11.8
FR rate 0.267 0.330 0.350 0.200 0.317 0.293
ランダムフォレストによる特徴量選択を行った場合
全被験者の本人拒否率の平均は29.3%

28. 本人拒否率の比較
28
Subject A B C D E Ave.
特徴量数 10 8 17 16 16 13.2
FR rate 0.267 0.350 0.317 0.217 0.333 0.297
Subject A B C D E Ave.
FR rate 0.283 0.367 0.383 0.300 0.367 0.340
＜２０種類の特徴量を用いた場合＞
＜分散分析による特徴量選択を行った場合＞
４.7％の減少
＜ランダムフォレストによる特徴量選択を行った場合＞
Subject A B C D E Ave.
特徴量数 8 7 15 16 13 11.8
FR rate 0.267 0.330 0.350 0.200 0.317 0.293

29. 使用した特徴量の頻度（ランダムフォレスト）
29
識別率が最大のときに使用した特徴量
時間領域 使用頻度 周波数領域 使用頻度
平均値 0/5 平均値 5/5
最大値 3/5 最大値 4/5
最小値 4/5 最小値 3/5
最大値の時刻 3/5 最大値の周波数 2/5
最小値の時刻 5/5 最小値の周波数 0/5
中央値 ー 中央値 5/5
分散 5/5 分散 4/5
歪度 3/5 歪度 2/5
尖度 3/5 尖度 1/5
二乗平均平方根 5/5 周波数領域エントロピー 2/5
・先行研究[1]では有効でないとされていた周波数領域における特徴量にも有効なものが
存在することがわかった。
[1] 黒木 聡舜，山場 久昭，久保田 真一郎，片山 徹郎， 朴 美娘，岡崎 直宣:表面筋電位を用いた個人認証システムの実現.
に向けた検討，情報処理学会研究報告，Vol. 2015-IOT-31，No. 5，2015

30. 他人受け入れ率
ある被験者の学習器にその被験者以外のデータを入力
ジェスチャが一致した場合に他人を受け入れたとする
30
Subject A B C D E Ave.
FA rate 0.454 0.421 0.513 0.442 0.429 0.452
＜ランダムフォレストによる特徴量選択を行った場合＞
全被験者の他人受け入れ率の平均は45.2%

31. 他人受け入れ率
ジェスチャごとの他人受け入れ率
31
Gesture a b c d e f
FA rate 0.410 0.300 0.220 0.440 0.670 0.685
＜ランダムフォレストによる特徴量選択を行った場合＞
emg8を使用した場合、ジェスチャeとジェスチャf
の他人受け入れ率が高くなる

32. ジェスチャ a
ジェスチャ f
ジェスチャ e
ジェスチャ d
ジェスチャ c
ジェスチャ b
他人受け入れ率（電極別）

33. 結論・考察と今後の課題
結論・考察
 本人拒否率はランダムフォレストを用いて特徴量選択を行った場
合が最も低く29.3%
 他人受け入れ率は平均で45.2%
 ジェスチャーe,f ⇒ 手首を動かす ⇒ 他人受け入れ率が高い
今後の課題
 複数の筋電位信号データを使用する
 使用するジェスチャを検討する
 特徴抽出方法の検討

34. 34

35. 測定機器
筋電計𝑀𝑦𝑜𝑇𝑀
 メーカ：THALMICLABS社
 センサ：8チャネル
 サンプリング周波数：200Hz
 装着方法：LEDが手の甲側
 データ：csv出力
35
センサ1
センサ8
センサ2
センサ3
センサ4
センサ5
センサ6
センサ7

36. 本人拒否率
ジェスチャごとの本人拒否率
36
Gesture a b c d e f
FA rate 0.420 0.240 0.380 0.320 0.240 0.160
＜ランダムフォレストによる特徴量選択を行った場合＞
emg8を使用した場合、ジェスチャeとジェスチャf
の本人拒否率は低くなる

37. 本人拒否率の比較（ランダムフォレストと分散分析）
37
＜分散分析による特徴量選択を行った場合＞
Subject A B C D E Ave.
特徴量数 10 8 17 16 16 13.2
FR rate 0.267 0.350 0.317 0.217 0.333 0.297
＜ランダムフォレストによる特徴量選択を行った場合＞
Subject A B C D E Ave.
特徴量数 8 7 15 16 13 11.8
FR rate 0.267 0.330 0.350 0.200 0.317 0.293
・特徴量の選択を行なった場合、分散分析、ランダムフォレストのどちらの方法でも
本人拒否率は同程度で、３０％以下に下げることができた。
・ランダムフォレストによる特徴量選択の方が使用する特徴量数が少ない結果となった。
特徴量数1.4個減少

38. 使用した特徴量の頻度（分散分析）
38
識別率が最大のときに使用した特徴量
時間領域 使用頻度 周波数領域 使用頻度
平均値 3/5 平均値 5/5
最大値 4/5 最大値 4/5
最小値 5/5 最小値 4/5
最大値の時刻 4/5 最大値の周波数 3/5
最小値の時刻 5/5 最小値の周波数 0/5
中央値 ー 中央値 5/5
分散 5/5 分散 4/5
歪度 1/5 歪度 3/5
尖度 1/5 尖度 3/5
二乗平均平方根 5/5 周波数領域エントロピー 2/5
・先行研究[1]では有効でないとされていた周波数領域における特徴量にも有効なものが
存在することがわかった。
[1] 黒木 聡舜，山場 久昭，久保田 真一郎，片山 徹郎， 朴 美娘，岡崎 直宣:表面筋電位を用いた個人認証システムの実現.
に向けた検討，情報処理学会研究報告，Vol. 2015-IOT-31，No. 5，2015

39. 分散分析（ANOVA）
-6
-5
-4
-3
-2
-1
0
1
2
3
4
mean1
ジ
ェ
ス
チ
ャ
ー
1
ジ
ェ
ス
チ
ャ
ー
2
ジ
ェ
ス
チ
ャ
ー
3
ジ
ェ
ス
チ
ャ
ー
4
ジ
ェ
ス
チ
ャ
ー
5
ジ
ェ
ス
チ
ャ
ー
6
総平均
水準内平均
水準内変動
水準間変動
筋電位