Как поведенческая биометрия помогает измерить использование мобильных устройств у детей

Введение

Современные данные о влиянии использования мобильных устройств на здоровье и развитие детей в значительной степени зависят от самоотчетов и отчетов родителей (Domoff et al., 2019a, b; GirelaSerrano et al., 2022). Однако субъективные оценки использования мобильных устройств проблематичны из-за предвзятости воспоминаний и социальной желательности (Kabali et al., 2015), а также их неспособности точно фиксировать короткие сеансы взаимодействия с устройством (Radesky et al., 2020). Дети также используют мобильные устройства независимо от родителей (Domoff et al., 2019a, b), что дополнительно ограничивает точность родительских оценок. Учитывая портативность и постоянную доступность мобильных устройств, объективные методы измерения необходимы для более точной оценки времени их использования (Byrne et al., 2021).

Пассивные сенсорные приложения

Пассивные сенсорные приложения представляют собой новое решение для преодоления ограничений субъективных отчетов (Domoff et al., 2021). Помимо времени и частоты использования устройств, эти приложения также предоставляют данные о типах приложений и контента, с которыми взаимодействуют пользователи (Barr et al., 2020). Хотя пассивные сенсоры являются важным шагом вперед в измерении использования мобильных устройств, их ключевое ограничение — отсутствие информации о том, кто именно использует устройство (Byrne et al., 2021; Milkovich & Madigan, 2020; Radesky et al., 2020).

Поведенческая биометрия

Недавние исследования подчеркивают потенциал поведенческой биометрии — области кибербезопасности — для решения этой проблемы (Finnegan et al., 2024a, b). Поведенческая биометрия использует данные сенсоров мобильных устройств для аутентификации пользователей на основе их уникального способа взаимодействия с устройством (Meng et al., 2015). Акселерометр, гироскоп и сенсоры касания часто применяются в этой области (Finnegan et al., 2024a, b). В отличие от физиологической биометрии, которая использует статические характеристики пользователя (например, отпечатки пальцев, распознавание лица), поведенческая биометрия сохраняет конфиденциальность и позволяет непрерывную аутентификацию.

Методы

Протокол исследования

Данные для этого исследования были собраны в рамках полуструктурированного протокола физической активности исследования Wearables for Kids (W4K), целью которого была разработка и валидация уравнений для оценки энергозатрат детей с использованием носимых устройств. Дети в возрасте от 5 до 12 лет взаимодействовали с iPad в положении лежа (10 минут) и сидя (5 минут), выбирая видео на YouTube или игры (Candy Crush, Subway Surfers, Crossy Road).

Сенсоры и устройства

Для записи данных сенсоров использовалось приложение SensorLog, установленное на iPad (9-го поколения с iOS 16.5.1). Приложение фиксировало данные акселерометра и гироскопа с частотой 100 Гц. Эти сенсоры были выбраны из-за их широкого применения в исследованиях поведенческой биометрии (Corpus et al., 2016; Li & Bours, 2018).

Методы машинного обучения

В исследовании использовались четыре модели машинного обучения:

• Нейронная сеть (NN): архитектура прямого распространения с несколькими слоями нейронов.
• k-ближайших соседей (kNN): метод классификации, основанный на близости данных.
• Случайный лес (RF): ансамбль решающих деревьев для повышения точности прогнозирования.
• SwipeFormer: трансформерная архитектура для обработки временных данных сенсоров.

Результаты

Производительность моделей

Модели продемонстрировали сопоставимую производительность, при этом SwipeFormer показал наилучшие результаты (F1-мера > 0.9). Ключевые факторы, влияющие на точность:

• Положение пользователя: модели лучше работают, когда тренировочные и тестовые данные соответствуют одной позе (лежа или сидя).
• Временная близость: производительность улучшается, если тренировочные данные близки к тестовым по времени.
• Длина тренировочных данных: не оказывает значительного влияния на точность.

Обсуждение

Исследование подтвердило, что поведенческая биометрия может улучшить объективное измерение использования мобильных устройств у детей. Однако для применения в реальных условиях необходимо:

• Собирать тренировочные данные в тех же позах, в которых ожидается использование устройства.
• Учитывать временную близость данных для повышения точности моделей.
• Использовать продвинутые методы, такие как LSTM, для учета долгосрочных зависимостей.

«Поведенческая биометрия открывает новые возможности для точного мониторинга использования устройств, но требует тщательной настройки тренировочных данных»