基于多码生物认证的肌电图的开放访问数据集

 

摘要

近年来，表面肌电图（EMG）被提议作为一种新的生物识别特征，以解决目前生物识别技术的一些关键限制，如欺骗（Spoofing）和活性。肌电图信号具有一个独特的特征：它们对个体而言具有本质上的不同(生物识别)，且它们可以被自定义为实现多倍长度的代码或密码(例如，通过摆弄不同的手势)。这样一个多码EMG框架已被证明可以提高安全水平。然而，目前基于EMG的生物识别研究有两个关键的限制：1）与其他更成熟的生物识别特征相比，受试者人数较少；2）仅限于单次或单日数据集。在这项研究中，43名参与者进行了长时间的分离，并于三个不同的日子中（第1天、第8天和第29天），在他们执行静态的手和腕部手势时，收集了前臂和手腕的EMG数据。对这样的数据集进行多日生物识别认证，前臂设置的EER中值为0.017，手腕设置的EER中值为0.025，与公认的生物识别特征相当。其交叉日的高性能在多日内是一致的，这是实际应用中生物识别认证的一个必要特征。本文所提出的大样本多日数据集和研究发现可以促进对基于EMG的生物识别技术和其他基于手势识别应用的进一步研究。

 

I.序言

生物识别技术已经成为当前认证系统的一个组成部分，并在消费电子、公共安全和私人安全领域得到了应用。这些生物性和行为特征被用来识别某个人或验证某个人的身份。传统的生物识别技术，如指纹和面部扫描，已经广泛应用于我们日常生活中的智能手机和笔记本电脑。然而，随着技术的进步，生物识别数据的泄漏以及人工再生（也称为欺骗）的风险越来越大，这可能会导致个人身份被盗。近年来，基于生物信号的新型生物识别特征，如心电图（ECG）、脑电图（EEG）和肌电图（EMG），已被证明比传统的生物识别特征[1]更具有抗欺骗性。其中，表面肌电图历来被用于基于手势识别的研究，特别是用于假肢控制，大量研究表明基于EMG手势控制的交叉用户的转移性能[2]很差。事实上，在肌电控制文献中，不需要新用户训练的基于EMG的免校准手势识别系统一直是一个难以实现的目标，这表明表面EMG信号存在固有的个体差异。而这恰恰是一种生物识别特征。事实上，最近的多项研究已经证实了EMG是一个准确的生物识别特征[3-6]。在这种情况下，EMG具有固有的双重属性：手势识别和生物识别，使它比其他生物识别特征具有明显和重要优势。一方面，它比指纹等传统特征更加隐蔽，不容易被破坏和欺骗。另一方面，它使用户能够将自定义的手势设置为密码，以增强安全性，就像用户定义的密码一样，这在脑电图和心电图中是不可能实现的。我们最近对多码EMG生物识别技术的研究为这些代码的融合/组合提供了一个框架，并促进这种双模式（密码和生物识别技术）认证系统[7]的发展。最近的另一项研究使用了一个多代码框架来整合基于密码的安全，并在生物识别认证方面取得了类似的结果[8]。

A.基于EMG的生物识别认证的最新进展

通常有两种常见的生物识别模式：验证和识别[9]。在验证模式中，生物识别系统通过将提交的生物识别数据与存储在数据库中的模板进行比较，来批准或拒绝提交用户（申请人）的访问请求。在这种情况下，申请人的假定身份是先验的。然而，在识别模式中，申请人的假定身份是未知的，生物识别系统必须根据提交的生物识别信息从数据库中识别出最可能的身份。在目前的研究中，我们重点关注的是验证模式，也就是通常所说的认证模式，因为它在日常生活中被广泛使用。一些研究报告表明了生物识别认证性能很高（>95%）[5, 6, 8, 10, 11]。这些研究中手势的数量从1到34不等。肌电图通道的数量从低至一个通道到高至256个通道不等。虽然大多数研究的受试者少于25人，只有三项研究的受试者人数较多（>40人）[5, 12, 13]，这在生物识别方面更合适。此外，研究生物识别特征的多时段和多天数的稳健性具有重要意义。然而，这些研究仅限于在一定时间段内或一天内获得的数据。少数研究的受试者人数较少(<22人)，数据来自为期两天的方案[3,8,14,15]。只有一项研究有五个受试者，采用了为期四天的数据收集协议[16]。在EMG处理文献中已经确定，在一个隔日的多重区段方案中，包括电极移位、汗水和皮肤干燥以及物理条件在内的非稳定因素将影响EMG处理系统的准确性和一致性[17]。因此，拥有足够大的受试者库的多日表现，是验证EMG作为生物识别特征的有效性的关键一步。

B.开放获取的EMG数据集

一部分开放访问的前臂肌肉肌电图记录数据库，可以为多日表现调查提供便利[18-22]。两个具有大型受试者（>40）的数据库，数据收集时间为两天[20，21]。一些研究使用了低至6个电极通道[21]，而另一些则则利用了高密度（HD）EMG设置[18, 19, 22]。3项研究数据收集天数（>2天）较多，但受试者的数量较少（<11）[18，23，24]。为了进一步探索EMG生物识别技术作为一种准确和稳健的工业应用的适用性，必须有一个具有更大的受试者规模的数据库，并在多天内记录。

在目前的研究中，我们提供了一个开放访问的手势识别和生物识别的肌电图（GrabMyo）数据集。本文所提交的数据集是记录会话总数最大的EMG数据集（43名受试者×3天=129个记录会话）。使用了一个2048赫兹的生物信号放大器。除了基于EMG的生物特征识别研究，该数据集还为基于EMG的手势识别研究提供了宝贵的资源，特别是在多天记录的情况下改善算法的稳健性。此外，目前的数据库有两个电极位置：前臂和手腕。这种配置将有助于研发用于生物识别认证和手势识别应用的工业级可穿戴腕带和手环[13]。本文对GrabMyo数据集进行了标准生物特征识别分析，并报告了生物识别认证的基准结果。

 

参考文献

[1]G. Dahia, L. Jesus, and M. Pamplona Segundo, “Continuous authentication using biometrics: An advanced review,” Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 10, no. 4, p. e1365, 2020.

[2] E. Campbell, A. Phinyomark, and E. Scheme, “Deep Cross-User Models Reduce the Training Burden in Myoelectric Control,” Frontiers in Neuroscience, vol. 15, 2021.

[3] X. Jiang et al., “Cancelable HD-sEMG-based Biometrics for CrossApplication Discrepant Personal Identification,” IEEE Journal of Biomedical and Health Informatics, 2020.

[4] Q. Li, P. Dong, and J. Zheng, “Enhancing the Security of Pattern Unlock with Surface EMG-Based Biometrics,” Applied Sciences, vol. 10, no. 2, p. 541, 2020.

[5] S. Said, A. S. Karar, T. Beyrouthy, S. Alkork, and A. Nait-ali, “Biometrics Verification Modality Using Multi-Channel sEMG Wearable Bracelet,” Applied Sciences, vol. 10, no. 19, p. 6960, 2020.

[6] J. He and N. Jiang, “Biometric From Surface Electromyogram (sEMG): Feasibility of User Verification and Identification Based on Gesture Recognition,” Frontiers in Bioengineering and Biotechnology, vol. 8, p. 58, 2020.

[7] A. Pradhan, J. He, and N. Jiang, “Score, Rank, and Decision-Level Fusion Strategies of Multicode Electromyogram-based Verification and Identification Biometrics,” IEEE Journal of Biomedical and Health Informatics, 2021.

[8] X. Jiang et al., “Enhancing IoT Security via Cancelable HD-sEMGbased Biometric Authentication Password, Encoded by Gesture,” IEEE Internet of Things Journal, 2021.

[9] R. M. Bolle, J. H. Connell, S. Pankanti, N. K. Ratha, and A. W. Senior, Guide to biometrics. Springer Science & Business Media, 2013.

[10] L. Lu, J. Mao, W. Wang, G. Ding, and Z. Zhang, “A study of personal recognition method based on EMG signal,” IEEE Transactions on Biomedical Circuits and Systems, vol. 14, no. 4, pp. 681-691, 2020.

[11] A. Pradhan, J. He, and N. Jiang, “Performance Optimization of Surface Electromyography based Biometric Sensing System for both Verification and Identification,” IEEE Sensors Journal, 2021.

[12] B. Fan, X. Su, J. Niu, and P. Hui, “EmgAuth: Unlocking Smartphones with EMG Signals,” arXiv preprint arXiv:2103.12542, 2021.

[13] S. Shin, M. Kang, J. Jung, and Y. T. Kim, “Development of Miniaturized Wearable Wristband Type Surface EMG Measurement System for Biometric Authentication,” Electronics, vol. 10, no. 8, p. 923, 2021.

[14] A. Pradhan, N. Jiang, V. Chester, U. J. B. S. P. Kuruganti, and Control, “Linear regression with frequency division technique for robust simultaneous and proportional myoelectric control during medium and high contraction-level variation,” vol. 61, p. 101984, 2020.

[15] X. Jiang et al., “Cancelable HD-sEMG-Based Biometrics for CrossApplication Discrepant Personal Identification,” IEEE Journal of Biomedical and Health Informatics, vol. 25, no. 4, pp. 1070-1079, 2020.

[16] S. A. Raurale, J. McAllister, and J. M. Del Rincón, “EMG Biometric Systems based on different Wrist-Hand movements,” IEEE Access, vol. 9, pp. 12256-12266, 2021.

[17] S. Benatti, E. Farella, E. Gruppioni, and L. Benini, “Analysis of Robust Implementation of an EMG Pattern Recognition based Control,” in BIOSIGNALS, 2014, pp. 45-54.

[18] C. Amma, T. Krings, J. Böer, and T. Schultz, “Advancing musclecomputer interfaces with high-density electromyography,” in Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems, 2015, pp. 929-938.

[19] J. Chen, S. Bi, G. Zhang, and G. Cao, “High-density surface EMGbased gesture recognition using a 3D convolutional neural network,” Sensors, vol. 20, no. 4, p. 1201, 2020.

[20] P. Kaczmarek, T. Mańkowski, and J. Tomczyński, “putEMG—a surface electromyography hand gesture recognition dataset,” Sensors, vol. 19, no. 16, p. 3548, 2019.

[21] A. Turgunov, K. Zohirov, and B. Muhtorov, “A new dataset for the detection of hand movements based on the SEMG signal,” in 2020 IEEE 14th International Conference on Application of Information and Communication Technologies (AICT), 2020, pp. 1-4: IEEE.

[22] X. Jiang et al., “Open Access Dataset, Toolbox and Benchmark Processing Results of High-Density Surface Electromyogram Recordings,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 29, pp. 1035-1046, 2021.

[23] F. Giordaniello et al., “Megane pro: myo-electricity, visual and gaze tracking data acquisitions to improve hand prosthetics,” in 2017 International Conference on Rehabilitation Robotics (ICORR), 2017, pp. 1148-1153: IEEE.

[24] Y. Fang, X. Zhang, D. Zhou, and H. Liu, “Improve inter-day hand gesture recognition via convolutional neural network based feature fusion,” International Journal of Humanoid Robotics, 2020.