论文阅读笔记一(Recognizing Keystrokes Using WiFi Devices)
2017-06-13 22:08
627 查看
Recognizing Keystrokes Using WiFi Devices
Kamran Ali Alex X. Liu Wei Wang Muhammad Shahzad
本篇文章是Alex x liu 团队的文章,主要是利用WiFi信号进行击键识别的,是利用csi信号的更新粒度的识别,通过对手和手指的细微动作对csi信号产生的影响来识别。
根据无线信号CSI会受到衰减、多径传播、多普勒效应的影响,来进行判断识别
面临三个挑战:
1、找到活动的开始和结束时间点。
2、提取有明显辨别性的特征,以为37个键做分类模型(传统方法的feature在WiKey不适用),本文采用DWT离散小波变换
3、比较区分任意2个键的特征,标准的衡量参数有相关系数和欧氏距离,本文解决办法 采用DTW动态时间调整
(1) RSS based, (2) CSI based and (3) Software Defined Radio (SDR) based
击键识别归纳为以下三种方法:
(1)Acoustics Based (2)Electromagnetic Emissions Based (3)Video Camera Based
(2)Principal Component Analysis (PCA) 提取只是由手部动作造成信号变化的信息
1、降低维度,减少计算复杂度
2、去除不相关的噪声
第六部分、FEATUREEXTRACTION
Lenovo X200 laptop 5300NIC、Ubuntu 14.04 、
TP-Link TLWR1043ND 、AP mode at
2.4GHz
MT= 2、MR= 3
ICMP ping packets 2500 packets/s
2、收集数据:实验样本人数10人、5个句子、击键间隔1s
3、键盘提取准确度评估
4、分类准确度评估 10-fold cross validation ,KNN(k=5)
(1)准确度与样本数的关系(30 sample)
(2)准确度与训练集training set 的关系(30-80)正比提升。
(3)采样率和训练样本的影响分析,采用高采样滤2500sample/s, X-fold验证分析(2<=x<=10)
(4) 现实句子击键识别评估
2、实验会受到周围环境无干扰,如其他人活动,改变距离和方向、击键速度、键盘大小等因素
3、实验者只有手部动作,无头部或其他身体活动
未来可能工作:
1、发现提出自动更改系统参数的系统以适应环境变化对识别的影响
2、增加训练样本的数量,足够多的样本数消除个体差异性以及同一个体的不同时间活动差异性
3、高采样率可以提取更多的信息,解决敲击键盘间隔更短的问题
Kamran Ali Alex X. Liu Wei Wang Muhammad Shahzad
本篇文章是Alex x liu 团队的文章,主要是利用WiFi信号进行击键识别的,是利用csi信号的更新粒度的识别,通过对手和手指的细微动作对csi信号产生的影响来识别。
第一部分INTRODUCTION
对文章的主要做的事情进行介绍,提出击键识别系统---WiKey根据无线信号CSI会受到衰减、多径传播、多普勒效应的影响,来进行判断识别
面临三个挑战:
1、找到活动的开始和结束时间点。
2、提取有明显辨别性的特征,以为37个键做分类模型(传统方法的feature在WiKey不适用),本文采用DWT离散小波变换
3、比较区分任意2个键的特征,标准的衡量参数有相关系数和欧氏距离,本文解决办法 采用DTW动态时间调整
第二部分,相关工作
无设备活动识别归纳为三种方法:(1) RSS based, (2) CSI based and (3) Software Defined Radio (SDR) based
击键识别归纳为以下三种方法:
(1)Acoustics Based (2)Electromagnetic Emissions Based (3)Video Camera Based
第三部分,CSI介绍
关键词:MIMO、Channel Frequency Response(CFR) 、OFDMWiKey整体overview
1、remove noise 去噪
(1)low-pass filter 低频滤波过滤高频噪声(2)Principal Component Analysis (PCA) 提取只是由手部动作造成信号变化的信息
2、检测活动的开始和结束点
3、提取合适的特征值--DWT
4、产生分类模型---kNN、DWT
第四部分 noise removal
A. Low Pass Filtering--Butterworth filter
B. PCA Based Filtering
两个优点:1、降低维度,减少计算复杂度
2、去除不相关的噪声
我五部分、KEYSTROKEEXTRACTION
A. PCA on Normalized Stream
B. Keystroke Detection
C. Combining Results from Antenna Pairs
D. Extracting Keystroke Waveforms
第六部分、FEATUREEXTRACTION
第七部分、CLASSIFICATION
A. Dynamic Time Warping
B. Classifier Training--KNN
C. Behavioral Clustering of User Data
第八部分、实验及评估
1、实验设备和环境:Lenovo X200 laptop 5300NIC、Ubuntu 14.04 、
TP-Link TLWR1043ND 、AP mode at
2.4GHz
MT= 2、MR= 3
ICMP ping packets 2500 packets/s
2、收集数据:实验样本人数10人、5个句子、击键间隔1s
3、键盘提取准确度评估
4、分类准确度评估 10-fold cross validation ,KNN(k=5)
(1)准确度与样本数的关系(30 sample)
(2)准确度与训练集training set 的关系(30-80)正比提升。
(3)采样率和训练样本的影响分析,采用高采样滤2500sample/s, X-fold验证分析(2<=x<=10)
(4) 现实句子击键识别评估
第九部分 局限性分析
1、实验环境相对稳定,设备及人的位置相对固定2、实验会受到周围环境无干扰,如其他人活动,改变距离和方向、击键速度、键盘大小等因素
3、实验者只有手部动作,无头部或其他身体活动
未来可能工作:
1、发现提出自动更改系统参数的系统以适应环境变化对识别的影响
2、增加训练样本的数量,足够多的样本数消除个体差异性以及同一个体的不同时间活动差异性
3、高采样率可以提取更多的信息,解决敲击键盘间隔更短的问题
第十部分,结论总结
相关文章推荐
- ICCV2017论文“Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks” 阅读笔记
- 论文阅读笔记-Segmentation-Aware Convolutional Networks Using Local Attention Masks
- 图割论文阅读笔记:“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts
- 【论文阅读笔记】RETAIN: An Interpretable Predictive Model for Healthcare using Reverse Time Attention Mechan
- 论文阅读笔记:ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
- 【转】论文阅读笔记-Segmentation-Aware Convolutional Networks Using Local Attention Masks
- 论文阅读笔记: 2017 cvpr Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
- 论文阅读笔记 - Chubby: The Chubby lock service for loosely-coupled distributed systems
- 论文阅读笔记(六)
- 论文阅读笔记(六)
- 论文阅读笔记 - Paxos made simple
- [论文阅读笔记]DyTa: dynamic symbolic execution guided with static verification results
- 论文阅读——译文:Enhancing Dynamic Cloud-based Services using Network Virtualization
- 论文阅读笔记(一)
- 论文阅读笔记1
- 论文阅读笔记3
- 中文推荐相关论文阅读笔记
- 论文阅读笔记(三)
- [论文笔记] Budget-optimal crowdsourcing using low-rank matrix approximations (Allerton, 2011)
- Fielding 博士论文阅读笔记(一)