Deep Physiological–Behavioral Representation Learning for Dynamic Hand Gesture Authentication

Wenwei Song

doi:10.1109/tifs.2026.3729521

Deep Physiological–Behavioral Representation Learning for Dynamic Hand Gesture Authentication

2026-09-01

0

PRE

AI

DOI：10.1109/tifs.2026.3729521

原文链接

原文求助

摘要

En 中文

动态手部手势编码丰富的生理和行为特征，为可靠认证提供了有前景的生物特征。现有研究主要通过设计网络架构、构建行为伪模态和优化损失函数来提升手势认证性能。遵循此范式，PB-Net对两种特征采用解耦分析与互补融合策略，实现了有竞争力的性能。然而，其在细粒度身份特征建模方面仍有限制。本研究重新审视PB-Net，通过重新思考生理和行为特征的建模需求，提出PB-Net v2。具体而言，我们优化了数据定制策略，包括行为伪模态设计，以减少冗余并保留更丰富的身份信息。随后，我们增强生理和行为分支，分别提取更多互补的时空生理特征和更稳定的行为表征。此外，我们改进特征融合模块以减轻分支特定偏差并促进可靠性感知的特征融合。在SCUT-DHGA、SCUT-DHGA-br和SCUT-RealDHGA数据集上的大量实验证明了所提改进的有效性和泛化性。特别是在四种评估协议下，PB-Net v2在22种最新模型中始终实现最低等错误率。此外，其在三种模仿导向协议下的优异性能进一步证明了其对此类欺骗攻击的鲁棒性提升。代码公开可访问：https://github.com/SWJTU-GDS/PB-Net-v2

Keyword:

Biometrics

hand gesture authentication

physiological–behavioral modeling

behavioral representation learning

Deep Physiological–Behavioral Representation Learning for Dynamic Hand Gesture Authentication

摘要

期刊

机构

引用论文