Данилов Евгений Александрович, кандидат технических наук, доцент кафедры программирования
Researcher ID: OUI-0415-2025
пр. Байдукова / ул. Гагарина, д. 1а / 11, г. Пенза 440039
Evgeny A. Danilov, Candidate of Sciences (Engineering), Associate Professor at the Department of Programming
Researcher ID: OUI-0415-2025
1a/11 Baidukova Pass. / Gagarina Str., Penza 440039
Танцеров Александр Хабибуллоевич, аспирант кафедры программирования
Researcher ID: O-0537-2025
пр. Байдукова / ул. Гагарина, д. 1а / 11, г. Пенза 440039
Alexander K. Tantserov, Postgraduate at the Department of Programming
Researcher ID: O-0537-2025
1a/11 Baidukova Pass. / Gagarina Str., Penza 440039
Цель исследования. Целью работы является повышение достоверности биометрической идентификации пользователя по динамической подписи за счёт построения нейросетевых моделей, ориентированных на работу в пространстве вторичных признаков, полученных из многомерных динамических кривых. В центре внимания ‒ структурный и параметрический синтез архитектуры классифицирующей нейронной сети на основе анализа статистических, гармонических и вейвлет-преобразованных характеристик динамической подписи.
Методы. Предлагается модель идентификации, реализующая параллельное распознавание многомерных фрагментов кривой различными методами ‒ статистическими, метрическими и нейросетевыми. Исследование опирается на выборку параметров динамической подписи, включая координаты, давление, скорость, ускорение и производные от них признаки. Используются математические ожидания, дисперсии, коэффициенты вариации, энтропии и эквивокации, а также ДПФ-, ДКП- и ДВП-преобразования для формирования информативного признакового пространства. На основе этих признаков проводится синтез MLPклассификатора с адаптацией его структуры под входные данные.
Результаты. Экспериментально подтверждена возможность повышения достоверности идентификации пользователя при использовании вторичных признаков по сравнению с традиционными подходами. Использование 3–5 ключевых параметров и их спектральных признаков обеспечивает точность идентификации на уровне 0,8–0,95 в условиях ограниченного количества пользователей и удерживает её около 0,7 при масштабировании. Средний прирост точности составил 25–35% по сравнению со статистическими алгоритмами и 5–15% по сравнению с метрическими.
Заключение. Для достижения заданных показателей достоверности рекомендуется использовать многоуровневый подход к идентификации, предполагающий раздельную обработку параметров динамической подписи с последующим комплексированием результатов. Наиболее эффективными оказались нейросетевые модели в сочетании с метрическими и корреляционными методами в пространстве спектральных и статистических признаков.
Purpose of research. The study aims to improve the reliability of biometric user identification based on dynamic signatures by developing neural network models operating in the feature space of multidimensional dynamic curves. The focus is on the structural and parametric synthesis of a classification neural network architecture using statistical, harmonic, and wavelet-transformed features extracted from the dynamic signature.
Methods. The proposed identification model performs parallel recognition of multidimensional curve fragments using various methods, including statistical, metric, and neural classifiers. The analysis is based on a set of dynamic signature parameters, such as pen coordinates, pressure, velocity, acceleration, and their derived features. Statistical metrics – mean values, standard deviations, coefficients of variation, entropy, and equivocation – are combined with Discrete Fourier Transform (DFT), Discrete Cosine Transform (DCT), and Discrete Wavelet Transform (DWT) to form an informative feature space. These features are then used to synthesize an MLP classifier whose architecture is adapted to the input data.
Results. Experimental results confirm that using secondary features significantly increases identification accuracy compared to traditional methods. A set of 3–5 key parameters along with their spectral derivatives allows for accuracy levels of 0,8 to 0,95 with a limited number of users, maintaining around 0,7 when scaling. The average improvement in identification accuracy was 25–35% over statistical methods and 5–15% over metric-based algorithms.
Conclusion. To ensure the required level of identification reliability, it is recommended to apply a multi-level approach involving separate processing of dynamic signature parameters followed by result integration. The most effective configurations were based on neural network models combined with metric and correlation methods operating in the space of spectral and statistical features.
The authors declare that there are no conflicts of interest present.