愛知県⽴⼤学 情報科学研究科 神⾕幸宏研究室 † ⼩久保 律樹‡ Rev. Driver Authentication for Smart Car Using Wireless Sensing I LAB PR 21S1 4 2021/6/9, 6/16 スマートカーのための無線センシングを⽤いたドライバー認証 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 1 ⽬次（Rev.3：2021/6/16） 研究背景 モニタリング/認証 ⼈の認証⼿法 電波バイオメトリクス システムの概要 本研究の貢献 電波バイオメトリクス 概念 実体：CSI ⽐較：TRRS 問題点 予備実験 ⾞内環境の変化 外部環境の影響 受信機と送信機の位置 提案システム 時間反転原理 訳対応 p2 p10 p37 ⽬次 参考⽂献 付録 p1 実験 被験者・計測・実験環境 実験内容 p24 全体構成 学習データの前処理 機械学習 p46 p65 p67 実験結果および検討 ⼆者識別 複数⼈識別 各種検討 展望 p50 https://wallpapercave.com/w/wp2006547 https://www.wall paperuse.com/vij a/hTihww/ 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 2 研究背景 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 3 ドライバーのモニタリング ⾃動⾞に実装される機能の⾼度化と共にドライバーのモニタリングが重要に 1 例：⾃動運転 緊急時にはドライバーが 運転を代わる ドライバーが 運転できない事を検知 停⾞等の措置が必要 直ちに 2 例：安全運転⽀援 より「安全」な移動⼿段を⽬指す 居眠りしていたら 事故に繋がる ドライバーが 居眠りしている事を検知 警告を促して事故抑制 直ちに 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 4 ドライバーの認証 ドライバーのモニタリングと共にドライバーの認証でさらに⾼度な⾃動⾞を実現 より「安全」より「快適」な移動⼿段を⽬指す 1 例：キーの代わり 2 例：⾞内装置の個⼈最適化 ⾞のキーの変わりに ドライバーの⽣体認証を使う ⼦ども等のいたずらを防⽌ ⾞の盗難を防⽌ キーを持ち歩く必要なし ドライバーを認識して ⾞内装置を⾃動で調整 座席の位置の調整 ハンドルの⾼さの調整 乗⾞したらすぐ出発できる 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 5 ⼈の認証⼿法 知識による認証 ⽣体の特徴による認証 ⽣体の物理的特徴 ⽣体の⾏動の特徴 物体による認証 PIN パスワード 鍵 カードキー 指紋 光彩 筆跡 ⾜取り 紛失・盗難のリスクがある 忘却・盗み⾒られるリスクがある 時間が経つと変化する可能性 国籍や年齢で偏りが出る可能性 紛失・盗難のリスクは低い 時間が経っても変化しにくい 個⼈ごとに⼤きく異なる 

2021/6/9, 6/16 電波バイオメトリクス 知識による認証 ⽣体の特徴による認証 ⽣体の物理的特徴 ⽣体の⾏動の特徴 物体による認証 PIN パスワード 鍵 カードキー 筆跡 ⾜取り 紛失・盗難のリスクがある 忘却・盗み⾒られるリスクがある 時間が経つと変化する可能性 国籍や年齢で偏りが出る可能性 紛失・盗難のリスクは低い 時間が経っても変化しにくい 個⼈ごとに⼤きく異なる 6 Driver Authentication for Smart Car Using Wireless Sensing "電波バイオメトリクス" 安全性の根拠：⽣体の物理的特徴 電波で捉える プライバシー セーフ 低コスト Radio biometrics 本研究では電波バイオメトリクスによる認証システムを提案 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 7 本研究が提案するシステムの概要 市販のWiFiデバイス 機械学習による識別 事前に学習した データのDB DB内の誰かを出⼒ 各種応⽤へ CSI MIMO＋ 周波数ホッピング 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 8 本研究の貢献 CSIによる電波バイオメトリクス を⽤いた⾞内でのドライバ認証 システムを初めて提案したこと ⾞内の環境の変化という問題に 対処したこと "我々の知⾒では電波バイオメトリクスを⻑期 にわたって記録した初の研究である" アンテナ数・使⽤周波数帯域数 の変化がCSIによる⼈の認証に与 える影響を明らかにしたこと MIMOおよび周波数ホッピングを利⽤して認証 システムの性能への影響を評価した データセットの規模・CSIの類似 度・学習と推論の⽇数差がCSIに よる⼈の認証に与える影響を明 らかにしたこと 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 9 本論⽂[1]の内容 本資料の内容 Introduction Ⅰ Challenges Ⅱ In-Car Driver Authentication System Ⅲ Learning Methodologies Ⅳ Experimental Results Ⅴ 研究背景 1 電波バイオメトリクス 2 提案システム 4 実験 5 実験結果及び検討 6 Discussion Ⅵ Future Work Ⅶ 予備実験 3 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 10 電波バイオメトリクス https://wallpapercave.com/w/wp2006547 

2.1 概念 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 11 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 12 電波バイオメトリクス[1][2] 指紋 ⾝⻑ 体重 etc (可視光) 画像 光 CSI 電波 カメラ 通信端末 電波伝搬環境 ⽣体 ⽣体の特徴 (物理的特徴) 媒体 (物理的現象) センサ 数値 ⼈間の持つ物理的特徴の違いによりその影響の仕⽅が違う ⼈間の存在が電波伝搬環境に変化を与える 電波伝搬環境への影響の仕⽅を⼈間と対応づける 指紋のように個⼈を識別する特徴と捉える 「電波バイオメトリクス」 個⼈を識別する特徴といっても ⽣体の違いそのものを如実に表せるわけではない ❶⽣体の特徴の違いが物理的現象にどれくらい現れる？ 認証：精度が必要：個⼈の違いを明確に出す必要 ❷物理的現象を数値としてどれくらい正確に表せる？ ⇒⽣体の違いが電波伝搬環境の与える影響の先⾏研究を依り代に ⇒電波伝搬の仕⽅はCSIに数値として明確に現れる ⇒電波による室内位置推定の先⾏研究などで使われ実績がある 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 13 ラジオショット ⾝⻑ 体重 etc CSI 電波 ⽣体 ⽣体の特徴 (物理的特徴) 媒体 (物理的現象) センサ 数値 電波バイオメトリクス これを記録すること：「ラジオショット」 具体的な操作：CSIを記録すること 

2.2 電波バイオメトリクスの実体 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 14 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 15 Channel State Information（CSI）[1][5][6] h j j h e e A h j Ð = = ある周波数の 振幅と位相 伝搬状況とは この値は使う周波数・アンテナの数に応じて増加：特徴量の増加 電⼒の減衰 A A 周波数フラットフェージング 振幅が変化 1 2 1 2 反射波の⼲渉 周波数選択性フェージング 位相が変化 j j j 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 16 周波数ホッピング 使⽤する周波数の数の増加：特徴量の増加 周波数ホッピング：周波数帯域を逐次切り替えてCSIを取得 アクション フレーム 周波数帯1 CSI計測 フレーム アクション フレーム 周波数帯2 CSI計測 フレーム アクション フレーム 周波数帯3 CSI計測 フレーム アクション フレーム 周波数帯1 CSI計測 フレーム ･･･ CSI計測⽤ 周波数 切り替え指⽰ 周波数帯1 周波数帯1 周波数帯2 𝑡 𝑡 𝑡 周波数帯1CSI 周波数帯1CSI 周波数帯2CSI 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 17 周波数ホッピング 時刻 CSI計測フレーム受信時刻 A) アクションフレームの損失により次チャ ンネルへの切り替えに1周分待機となる。 B) 次チャンネルへの切り替えの直前に階段 形状がアクションフレームにより発⽣する。 この時間の間はCSI計測フレームは受信され ない。 [1] Fig.6 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 18 CSIの要素数 ･･･ MIMO等により増加させている 時間 通信パス 2×3 チャンネル数 4 サブキャリア数 114 OFDM 周波数ホッピング MIMO Ch1 Ch2 Ch3 Ch4 合計 2736 次元 それぞれについて CSIが得られるので CSI ･･･ 

2.3 電波バイオメトリクスの⽐較 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 19 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 20 CSIの⽐較 サブキャリア1 j Ae j サブキャリア𝐿 j Ae j … サブキャリア1 j Ae j … サブキャリア𝐿 j Ae j ⽐較 これが類似：同⼀⼈物と識別 類似度を測る指標を定義しその値を⽐較する 

( ) 2 1 * 1 2 0 1 2 1 1 2 2 1 2 0 0 max [ ] [ ] TRRS , [ ] [ ] L jk k L L l l h k h k e h l h l f f - = - - = = = æ öæ ö ç ÷ç ÷ è øè ø å å å h h 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 21 Time-Reversal Resonating Strength（TRRS） [ ] [1] [ ] i i i h h L = h ! L サブキャリアの数 CSIベクトル 周波数 あるチャンネルにおける 2つのCSIの類似度 Time-Reversal Technique 整合フィルタ：類似するほど⼤ 周波数間の位相の差を⼀定にした ときの総和の最⼤値 OFDMのサブキャリア間の位相を 補正 振幅の絶対値で正規化 スケールを合わせる 

2.3 問題点 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 22 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 23 CSIを個⼈識別に使う事への問題点 環境の変化に敏感に反応する ⼈間以外の⽣物や物の変化でも当然CSIは変化 ⇒ 今回はドライバ1⼈だけが⾞の中に居るものとする ⼈の体動でもCSIは変化 ⇒ 今回は静⽌してもらう ⽇が変わると⾞内のような閉じた環境でもCSIが変化 ⇒ 機械学習を⽤いて対策する ⻑期間で不変なのかが明らかでない CSI CSI CSI 同⼀ 同⼀？ ⼈体の特徴がCSIの変化に対応する事は先⾏研究で明らか だが, ごく短い期間（1⽇とか）での観測結果にすぎない ⇒ 認証に使うためには⻑期間にわたっての観測が必要 ⇒ 今回は2か⽉間毎⽇CSIを記録してデータベースを構築した 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 24 予備実験 https://www.wallpaperuse.com/vija/hTihww/ 

3.1 ⾞内環境の変化 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 25 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 26 実験の⽬的・概要 CSI CSI ⽬的 概要 ⾞内環境について時間経過で CSIが変化するのかを調べる 別々の⽇で⾞内のCSIを計測し TRRSで類似度を⽐較する 類似？ 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 27 結果1 ‒ 空の⾞内 ⽇数 [1] Fig.1 1⽇⽬の空の⾞内のCSIとのTRRSの遷移 得られたTRRS TRRSの移動平均 1⽇⽬から類似度は下降傾向 ⇒ ⾞内に何もなくても電波伝搬環境は変化し続ける 類似 類似してない 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 28 結果2 ‒ ドライバーがいる状況 類似 類似してない ⽇程A ⽇程B 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 ほぼ1 [1] Fig.2 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 29 結果2 ‒ ドライバーがいる状況 類似 類似してない ⽇程A ⽇程B 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 ほぼ1 同じ⽇なら⼈が違うとTRRSが下がる [1] Fig.2 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 30 結果2 ‒ ドライバーがいる状況 類似 類似してない ⽇程A ⽇程B 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 空 ⼈ #1 ⼈ #2 ほぼ1 ⽇が違うと同じ⼈でもTRRSが低下 むしろ別の⼈とのTRRSの⽅が⼤きい場合がある 単純にTRRSを⽐較するだけではダメ 機械学習によりこの問題に対処 [1] Fig.2 

3.2 外部環境の影響 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 31 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 32 実験の⽬的・概要 CSI CSI ⽬的 概要 ⾞内環境が同じでも⾞の外の 環境が違うとCSIに影響があ るのか調べる ⾞を駐⾞する位置を変えて空の ⾞内のCSIのTRRSを⽐較する 類似？ 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 33 ⾞の位置 基準位置 Tx [1] Fig.3 駐⾞場の中で⾞の位置を このように変える 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 34 結果 類似 類似してない 場所を変えてもCSIは類似 ⾞外の環境は影響が少ない ⾞外の環境は影響しないのを 本研究の前提とする [1] Fig.4 

3.3 送信機と受信機の位置 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 35 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 36 送信機と受信機の位置 [1] Fig.5 (a) ハンドルの背⾯ (b) カーオーディオの近く (a)の⽅が通信路がドライバーを貫通するので良い これは先⾏研究及び筆者らの経験による知識 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 37 提案システム 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 38 全体構成 CSI 2736次元 MIMO＋ 周波数ホッピング ⼈物ラベル CSI 2736次元 位相 補正 k-NN SVM NN ハイパー パラメータ 学習済み モデル 主成分 分析† CSI 270次元 教師データ CSI 270次元 推定クラス 推定クラス 推定クラス 推定クラス グループ 分け技術 推定クラス 推定クラス 各種応⽤へ NN NN k-NN SVM DB 市販のWiFiデバイス †主成分分析につ いては割愛します 

4.1 学習データの前処理 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 39 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 40 位相補正 縦軸：アンラップされたCSIの偏⾓ [8] 横軸：サブキャリアのインデックス (4ch * 114サブキャリア) ⾊の違い：各ラジオショット？ 補正前 線形位相オフセット補正後 初期位相オフセット補正後 サブキャリア間での位相の誤差？ サブキャリア全体にかかっている位相の誤差？ ラジオショット間での位相の誤差？ 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 41 位相補正 2 ( ) ˆ sinc( ( )) i i j k k k i i h k h e p b a p h + = D + D 𝑘番⽬のサブキャリアの𝑖番⽬サンプルの受信CFR【時間領域】 位相調整を表す項 周波数の誤差を表す項【無視】 D h D チャンネル周波数オフセットの残存誤差 サンプリング周波数オフセットの残存誤差 i b 線形位相オフセット i a 初期位相オフセット 1 1 2 2 2 ( ) 1 1 2 ( ) 2 2 * 2 1 2 ˆ ˆ ˆ ˆ argmax j k k k j k k k k k j k k h h e h h e h h e p b a p b a p db + + F F = = = S 数式の理解できず サブキャリア間で⼀定の位相の差を持たせて合わ せたときに絶対値が最⼤となるように調整？ 

4.2 機械学習 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 42 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 43 今回使⽤する⼿法 Ｋ最近傍法 (k-NN) 教師データのうち距離が最も 近いK個のデータのうち多数派のラベ ルに分類する⽅法。クラス分類の⼿ 法としてよく⽤いられる。本研究で も基準となる⼿法として扱う。 最近傍数𝐾：ドライバー毎に変える 概要 ハイパーパラメータ サポートベクトルマシン (SVM) 各データとの距離が最⼤とな るような超平⾯を⾒つける⽅法。超 平⾯を境にして2クラスに分ける。 多クラスの場合は例えば「1クラス対 その他のクラス」と考えて適⽤する。 概要 正則化パラメータ𝐶 ：1 カーネル：あり, RBFカーネル ハイパーパラメータ ニューラルネットワーク (NN) ⼊⼒に対して重みをかけた値 を出⼒する「ニューロン」でネット ワークを構築する。K-NN等と違い⾮ 線形で複雑な決定境界に対応でき、 推定クラスラベルの確率も出せる。 概要 学習エポック数𝐾：160 隠れノード数：9？ 隠れレイヤ数：2 活性化関数：ReLU 損失関数：Adam ハイパーパラメータ 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 44 ハイパーパラメータによる違い / NNの構造 全結合層 活性化関数 ソフトマックス関数（スケール調整） 推定クラスの確率 出⼒層 ⼊⼒層 展開 CSI⾏列 [1] Fig.10 [1] Fig.8 [1] Fig.9 最近傍数 精 度 k-NN NN NN エポック数 精 度 エポック数 精度 160 93.33% 最近傍数 精度 3 90.66% 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 45 グループ分け技術（Grouping Technique） CSI ① 270次元 CSI ② 270次元 CSI ③ 270次元 CSI ④ 270次元 NN NN NN NN Σ クラスA Σ! 𝑃"! 推定クラス クラスB Σ! 𝑃#! Σ クラスA クラスB 𝑃"$ 𝑃#$ クラスA クラスB 𝑃"% 𝑃#% クラスA クラスB 𝑃"& 𝑃#& クラスA クラスB 𝑃"' 𝑃#' 単純に合計が⼤きい⽅を採⽤ 全く同じ値の場合は “推定不 可 ” ラジオショットの過程でドライバーの着席位置のわずか なズレがCSIに変化を及ぼし誤分類につながることがある このような僅かな変化を補⾜して補償するために同⼀の ⾞内環境に対して複数のラジオショットを集め、組み合 わせて決定を⾏った 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 46 実験 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 47 被験者 被験者 # 性別 年齢 ⾝⻑ [cm] 体重 [kg] 1 ⼥性 25 163 56.2 2 ⼥性 28 165 58.5 3 男性 30 168 82.5 4 男性 23 172 85 5 男性 25 180 73 0 5 10 15 20 25 30 35 3 2 [歳] 平均 26.2 150 160 170 180 190 [cm] 平均 169.6 35 45 55 65 75 85 95 [kg] 平均 71.04 7 ⼈ ※残り2⼈の詳細は不明 [1] Table.1 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 48 計測・実験環境 駐⾞場 実験時間帯 朝･夜 各4回計測 実験⽇数 40⽇間 1⽇あたりのラジオショット 8回/⽇ 【実験期間】実験期間は2ヶ⽉ 間だがその内計測したのは40 ⽇間。連続しているのかいな いのかは不明。 【実験時間帯・場所】実験環 境、すなわち場所や時間帯の 組み合わせについて合計で60 の異なる組み合わせを⽤意し たとのこと。これより駐⾞場 内でも30箇所違う場所を選ん で実験したと思われる。ただ、 どのように場所を選んでいっ たのかの詳細は不明。 また、予備実験で外部環境の 影響は考慮しないとしておき ながら、なぜわざわざ背部環 境を変化させるのか意図がよ く分からない。 被験者の状態 1⼈ ⾞内の⼈数 静⽌ 実験場所 

39⽇分 | 教師データ 1⽇分 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 49 実験内容 DB 市販のWiFiデバイス ⼈物ラベル CSI CSI CSI ⼈物ラベル 学習済み モデル ⼈物ラベル 推定クラス 精度 ①DB構築：全ページの条件で40⽇分のCSIを集める。 ②学習と推論：40⽇分のCSIのうち39⽇を教師データにし、1⽇をテストデータとして交差分割検証を⾏う。 ③各⼿法の精度を⽐較する。 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 50 実験結果および検討 

6.1 ⼆者識別 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 51 

ベース 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 52 ⼆者識別 クラス K-NN(%) SVM(%) SVM- RBF(%) NN(%) A-B 88.93 92.52 90.22 96.55 A-C 91.88 90.87 93.03 98.27 A-D 90.37 94.39 93.1 99.13 A-E 88.5 94.39 90.44 93.1 B-C 89.79 89.15 90.51 96.55 B-D 85.7 88.93 90.08 93.67 B-E 75.71 84.69 85.48 87.06 C-D 65.8 70.83 72.12 60.63 C-E 83.11 86.99 85.77 91.37 D-E 82.68 86.99 88.36 90.22 55 60 65 70 75 80 85 90 95 100 K-NN SVM SVM- RBF NN [1] Table.2 精 度 84.2 90.6 最⼩値 Q1 Q2 Q3 ＊ 最⼤値 平均値 最⼤ 平均 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 53 ⼆者識別 クラス TRRS- based(%) Learning- based(%) TRRS → Learning(%) A-B 76.51 96.55 20.04 A-C 83.09 98.27 15.18 A-D 87.73 99.13 11.4 A-E 82.18 93.1 10.92 B-C 80.88 96.55 15.67 B-D 81.58 93.67 12.09 B-E 76.13 87.06 10.93 C-D 64.93 72.12 7.19 C-E 74.6 91.37 16.77 D-E 73.41 90.22 16.81 55 60 65 70 75 80 85 90 95 100 TRRS Learning [1] Table.3 精 度 最⼤ 最⼩ 最⼩値 Q1 Q2 Q3 ＊ 最⼤値 平均値 

6.2 複数⼈識別 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 54 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 55 複数⼈識別 正 解 予測 [1] Fig.12 平均識別率 3⼈ 84.33 [%] 7⼈ 53.8 [%] 平均False Alarm 3 ▸ 7⼈ 46.14 [%] 15.33 [%] 

6.3 各種検討 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 56 各種条件がNNによる識別精度に与える影響を調査 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 57 A. 学習データセットの⼤きさ [1] Fig.13 13⽇ 90% 継続的な学習で 精度改善 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 58 B. ラジオショットの類似性 [1] Table.4 クラス 平均 TRRS クラス分類精度 A-D 0.7094 99.36% C-D 0.7773 84.19% ラジオショットの類似度：⾼ 精度：低 分類が難しい 現実には⼈体そのもの以外の要素によるCSIの変化がありうる 1 着席位置や姿勢の違い 2 3 時間経過による⾞内環境の変化 服装など⼈が⾝につけている物の違い 毎回似たような位置・姿勢で座っていても微 妙な違いがある。 予備実験で⾒たとおり時間が経過すると⾞内 環境が変化し空の⾞内でもCSIが変化。 例えば、被験者が分厚いジャケットを学習中 に着ていて、テスト中には着ていなければ、 クラス分類精度は低下。 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 59 C. 学習データとテストデータのギャップの増加 [1] Fig.14 学習 推論 学習と推論の⽇数差：⻑ 精度：低 精度が短調低下でないのは 服装などの要素もある為 学習と推論の⽇数差が短くなるよう 学習を繰り返し⾏う必要あり 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 60 D. グループ化の効果 クラス K-NN K-NN(G) NN NN(G) A-B 88.93 88.93 A-C 91.88 92.81 A-D 90.37 94.18 A-E 88.5 87.42 B-C 89.79 90.22 B-D 85.7 87.93 B-E 75.71 80.45 C-D 65.8 57.75 C-E 83.11 84.77 D-E 82.68 82.39 55 60 65 70 75 80 85 90 95 100 K-NN K-NN(G) NN NN(G) 精 度 [1] Table.5 最⼩値 Q1 Q2 Q3 ＊ 最⼤値 平均値 84.24 平均 84.68 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 61 E. 通信路数の効果 [1] Fig.15 通信路数：多 精度：⾼ 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 62 F. チャンネル数の効果 クラス 1 ch 2 ch 3 ch 4 ch A-B 77.95 78.69 81.63 82.51 A-C 92.39 92.39 92.39 92.39 A-D 78.14 82.58 88.26 88.26 A-E 68.37 79.97 83.37 83.37 B-C 90.53 92.18 92.18 92.18 B-D 83.64 83.64 83.64 83.64 B-E 64.13 73.8 79.04 80.65 C-D 73.65 76.06 76.06 76.06 C-E 88.97 88.97 88.97 88.97 D-E 77.9 83.5 83.5 83.5 [1] Table.6 チャンネル数：多 精度：⾼ 79.56 平均 84.90 

6.4 展望 2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 63 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 64 展望 ⼈体以外の要素の影響 ⾞内ですら⼈体以外の要素（服や着席位置） の影響を受けてしまうので、屋外でこの技術 を使う事を考えるとより⾼度な技術が必要に なる。 NNモデルの複雑さ 今回⽤いた⽤いたもの以上にもっと複雑なNN モデルを使う場合には学習に必要なデータ 量・計算量共に⼤きくなるが、無線バイオメ トリクスへの理解が深まるかもしれない。 未登録のドライバー 今回提案したシステムは事前にドライバーの 無線バイオメトリクスを学習している必要が ある。未登録のドライバーは識別できない。 そのようなドライバーは従来の認証⽅式 （鍵・パスワード）を使⽤する必要がある。 ⾊々な⼈の組み合わせ 今回は⾝体的特徴が似ていない⼈同⼠での組 み合わせを試したが、双⼦のように⾝体的特 徴が似ている⼈同⼠だとどうなるか。他にも ⾊々なペアで精度を検証する必要がある。 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 65 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 66 参考⽂献 [1] S. D. Regani, Q. Xu, B. Wang, M. Wu and K. J. R. Liu, "Driver Authentication for Smart Car Using Wireless S ensing," in IEEE Internet of Things Journal, vol. 7, no. 3, pp. 2235-2246, March 2020, doi: 10.1109/JIOT.2019.295 8692. [2] Q. Xu, Y. Chen, B. Wang and K. J. R. Liu, "Radio Bio metrics: Human Recognition Through a Wall," in IEEE Transactions on Information Forensics and Security, vol. 1 2, no. 5, pp. 1141-1155, May 2017, doi: 10.1109/TIFS.20 16.2647224. [3] 志村拓也. 時間反転波 (位相共役波) の海洋⾳響技術へ の応⽤. ⽇本⾳響学会誌, 2009, 65.12: 613-618. [4] 黒⽥和男, et al. ⽣研公開講演: 時を遡る波: 位相共役光 学. ⽣産研究, 48.10: 491-501. [5] C. Chen, Y. Chen, Y. Han, H. Lai and K. J. R. Liu, "Ac hieving Centimeter-Accuracy Indoor Localization on WiFi Platforms: A Frequency Hopping Approach," in I EEE Internet of Things Journal, vol. 4, no. 1, pp. 111-121, Feb. 2017, doi: 10.1109/JIOT.2016.2628701. [6] ⽔⾕優秀, et al. モバイル端末の Wi-Fi チャネル状態情 報を⽤いた混雑状況推定の検討. 研究報告⾼度交通システ ムとスマートコミュニティ (ITS), 2018, 2018.2: 1-4. [7] “Channel State Information,”(Webページ), Wikipedia, https://en.wikipedia.org/wiki/Channel_state_information [8] “位相⾓のシフト - unwrap,”(Webページ), MathWorks, https://jp.mathworks.com/help/matlab/ref/unwrap.html [9] Y. Chen et al., "Time-Reversal Wireless Paradigm fo r Green Internet of Things: An Overview," in IEEE Inter net of Things Journal, vol. 1, no. 1, pp. 81-98, Feb. 2014, doi: 10.1109/JIOT.2014.2308838. ★おすすめ（分かりやすい, ⾯⽩い） 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 67 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 68 Time-Reversal Technique（時間反転原理）[3][4][9] 時間反転 複素共役を取る† † 複素共役を取るという事は位相を反転させる；つまり時間が逆転する [4] インパルス応答 (時間軸) “整合フィルタ” ( ) h t *( ) h t - ( ) H w * ( ) H w “Matched Filter” 2 * ( ) ( ) ( ) H H H w w w = * ( ) ( ) h t h t - チャンネル ( ) h t ( ) H w t t トランシーバA トランシーバB 時間反転した波をフィードバックすることで反射波のエネルギーを集める これは同じ波を時間反転しないと成⽴しない：波の類似度が集めたエネルギーの⼤きさに対応 [9] 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 69 訳対応 論⽂における英語での表記 本資料における⽇本語での表記 Radio Biometrics 電波バイオメトリクス Radio Shot ラジオショット Grouping Technique グループ化法 Channel State Information チャンネル状態情報 Link 通信路 本資料では以下の単語についてこのように訳しています。必ずしも⼀般的な訳とは限りません。 理解しやすさを優先し論⽂の表記のままではなく意訳している箇所もあります。 

2021/6/9, 6/16 Driver Authentication for Smart Car Using Wireless Sensing 70