Imagen de un ojo mostrado en una computadora de seguimiento ocular (SR Research Eyelink). Crédito:Jäger et al.
Las investigaciones anteriores de la psicología cognitiva sugieren que los movimientos oculares pueden diferir sustancialmente de un individuo a otro. Curiosamente, Se ha descubierto que estas características individuales en los movimientos oculares son relativamente estables a lo largo del tiempo y en gran medida independientes de lo que uno está mirando. En otras palabras, las personas presentan diferentes patrones en la forma en que mueven sus ojos y estos 'movimientos oculares' únicos podrían usarse como un medio de identificación.
Fascinado por estas observaciones, investigadores de la Universidad de Potsdam, en Alemania, Recientemente, han desarrollado un nuevo método de identificación biométrica que funciona procesando los micro-movimientos del ojo. En su estudio, prepublicado en arXiv, llevaron a cabo una investigación exhaustiva de los movimientos oculares involuntarios de las personas y utilizaron sus hallazgos para desarrollar DeepEyedentification, una arquitectura de aprendizaje profundo que puede identificar a las personas mediante el análisis de las señales de seguimiento ocular.
La idea de identificar a las personas en función de los movimientos de sus ojos ha existido durante más de una década, sin embargo, los métodos propuestos hasta ahora tienen limitaciones importantes. Por ejemplo, la mayoría de estos métodos no son muy precisos o tardan demasiado en llegar a una conclusión (es decir, requieren grabaciones de movimientos oculares largos de alrededor de un minuto), lo que los hace poco prácticos para aplicaciones del mundo real.
"En la investigación psicológica, es estándar preprocesar los datos del movimiento ocular en diferentes tipos de movimiento ocular, "Lena Jäger, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Los métodos biométricos anteriores han adoptado esta práctica a costa de una gran pérdida de información que está presente en los datos sin procesar del movimiento del ojo, como un temblor de alta frecuencia del ojo. Nuestra idea clave era hacer uso de estas características de alta frecuencia y no preprocesar datos, sino más bien entrenar una red convolucional profunda de un extremo a otro utilizando las muestras sin procesar recolectadas a 1000 cuadros por segundo como entrada ".
Una representación del movimiento horizontal (línea azul) y vertical (línea naranja) de la mirada durante la lectura. Los grandes "pasos" representan movimientos sacádicos, es decir., movimientos rápidos de reubicación del ojo; en la mayoría de los casos, estos movimientos sacádicos son solo en dirección horizontal; esto se debe a que el guión es horizontal:el usuario está moviendo su mirada hacia una palabra siguiente o está regresando a una palabra anterior. Aprox. 200ms y 400ms, hay movimientos sacádicos que también tienen un componente vertical --- el usuario está saltando a la siguiente línea, fija una palabra y vuelve a la línea anterior. Los intervalos entre movimientos sacádicos son una fijación durante la cual se puede observar un movimiento de alta frecuencia muy pequeño (temblor) y un movimiento de deriva lento superpuesto por el ruido de medición. Los enfoques anteriores han filtrado estos micro-movimientos de fijación en su preprocesamiento de los datos, sin embargo, parece ser muy informativo con respecto a la identificación de individuos. Crédito:Jäger et al.
En su estudio, Jäger y sus colegas demostraron que los datos de seguimiento ocular no preprocesados conducen a una precisión mucho mayor que la lograda con los enfoques existentes. al mismo tiempo que requiere transmisiones de video más cortas. La tasa de error de la red DeepEyedentication es menor en un orden de magnitud y la identificación es más rápida en dos órdenes de magnitud que el método de mejor rendimiento anterior.
Después de registrar solo un segundo de datos de movimiento ocular, el modelo ya había alcanzado la misma precisión alcanzada por el modelo de mejor rendimiento anterior después de 100 segundos de grabación. Es más, después de cinco segundos de grabación del movimiento ocular, la tasa de error fue 10 veces menor. Los investigadores entrenaron su red en dos conjuntos de datos diferentes, uno que recopilaron en un estudio anterior donde los usuarios leían varios textos, y otro recopilado mientras los participantes observaban un punto que saltaba al azar en la pantalla de la computadora.
"Mientras ve algún estímulo en la pantalla de una computadora (en nuestros datos establece un texto o un punto de salto), un dispositivo de seguimiento ocular basado en una cámara mide dónde está mirando el usuario, "Jäger explicó." Estos datos se enviaron a una red neuronal profunda que los transforma en una representación idiosincrásica del comportamiento del movimiento ocular del usuario, que es independiente del estímulo específico en la pantalla ".
La arquitectura del modelo presentada en el artículo. Crédito:Jäger et al.
Esencialmente, Jäger y sus colegas entrenaron su modelo para identificar características de los datos del movimiento ocular que son particularmente útiles para distinguir entre diferentes individuos. Su modelo utiliza esta representación idiosincrásica de los datos de entrada que se le suministran, junto con otros datos de usuario almacenados en el sistema, para identificar a un usuario o rechazarlo.
"Demostramos que la identificación biométrica basada en los movimientos oculares tiene el potencial de convertirse en un serio competidor de otros métodos de identificación biométrica ampliamente utilizados, como huellas dactilares, escaneo de iris o reconocimiento facial o complementar estas técnicas, ", Dijo Jäger." Crucialmente, La identificación biométrica de los movimientos oculares es intrínsecamente menos vulnerable a los ataques de suplantación. Mientras escanea el iris, El reconocimiento facial y las huellas dactilares se pueden falsificar mediante réplicas 2-D o 3-D (por ejemplo, imágenes, lentes de contacto impresos, o réplicas tridimensionales, como un ojo artificial, una mascarilla o una huella dactilar falsa), la suplantación de movimientos oculares requeriría un dispositivo que sea capaz de mostrar una secuencia de video en el espectro infrarrojo a una velocidad de 1, 000 fotogramas por segundo ".
Hasta aquí, el nuevo método de identificación biométrica desarrollado por Jäger y sus colegas ha logrado resultados muy prometedores. En el futuro, podría ayudar a aumentar la seguridad de una amplia gama de dispositivos, incluidos los teléfonos inteligentes, computadoras portátiles y tabletas. Como este nuevo enfoque funciona independientemente de lo que esté mirando el usuario, los investigadores podrían agregar fácilmente un módulo de detección de vivacidad, 'lo que aumentaría aún más su seguridad. Dicho módulo verificaría automáticamente si los movimientos oculares de un usuario coinciden con un estímulo visual presentado en la pantalla, que no sería el caso si alguien intentara falsificar el sistema usando un video pregrabado.
"Actualmente estamos trabajando con rastreadores oculares de alta resolución y alta frecuencia de muestreo en condiciones de laboratorio, " Jäger said. "Our next step is to develop an algorithm that can also deal with noisier data and lower sample rates under realistic conditions. This is necessary to make biometric identification from eye movements affordable and applicable to a wide range of real-world applications."
The t-SNE visualization of the idiosyncratic representation of the eye movements of ten different individuals. Credit:Jäger et al.
© 2019 Science X Network