Geçmişteki bilişsel psikoloji araştırması; göz hareketlerinin bir kişiden diğerine büyük ölçüde farklı olabileceğini göstermektedir. İlginçtir ki, göz hareketlerindeki bu bireysel özelliklerin zaman içinde nispeten kararlı olduğu ve büyük ölçüde kişinin bakışlarından tamamen bağımsız olduğu bulunmuştur. Başka bir deyişle, insanlar gözlerini hareket ettirme şekillerinde farklı modeller sunarlar ve bu benzersiz ‘göz hareketleri’ tanımlama için kullanılabilir.
Bu gözlemlerden etkilenen Almanya, Potsdam Üniversitesi’ndeki araştırmacılar; son zamanlarda gözün mikro hareketlerini işleyerek çalışan yeni bir biyometrik tanımlama yöntemi geliştirdiler. ArXiv’de yayınlanan çalışmalarında; insanların istemsiz göz hareketleri hakkında kapsamlı bir araştırma yaptılar ve bulgularını, göz izleme sinyallerini analiz ederek insanları tanımlayabilen derin bir öğrenme mimarisi olan DeepEyedentification’ı geliştirmek için kullandılar.
Bireyleri göz hareketlerine göre belirleme fikri on yıldan fazla bir süredir var, ancak şimdiye kadar önerilen yöntemler önemli kısıtlamalar getirdi. Örneğin, bu yöntemlerin çoğu çok doğru değildir veya bir sonuca ulaşmak için çok uzun sürmektedir (Yaklaşık bir dakikalık uzun göz hareketi kayıtları gerektirir.)
Araştırmacı Lena Jäger: “Psikolojik araştırmalarda, göz hareketi verilerini farklı göz hareketi türlerine önceden işlemek standart bir uygulama… Önceki biyometrik yöntemler bu uygulamayı; gözün yüksek frekanslı titremesi gibi ham göz hareketi verilerinde mevcut olan büyük bir bilgi kaybı pahasına benimsemiştir. Temel fikrimiz bu yüksek frekans özelliklerinden yararlanmaktı ve işlem öncesi verilerinden çok; girdi olarak saniyede 1000 karede toplanan ham örnekleri kullanarak uçtan uca derin bir evrişimli ağı eğitmek. ”
Jäger ve meslektaşları, çalışmalarında; önceden işlenmemiş göz izleme verilerinin mevcut yaklaşımların elde ettiğinden çok daha yüksek doğruluğa yol açtığını ve aynı zamanda daha kısa video yayınları gerektirdiğini gösterdi. DeepEyedentication ağının hata oranı daha düşüktür ve tanımlama daha önce en iyi performans gösteren yöntemden iki büyüklük sırasına göre daha hızlıdır.
Göz hareketi verilerinin yalnızca bir saniyesini kaydettikten sonra, model; daha önce 100 saniyelik kayıttan sonra en iyi performans gösteren model tarafından elde edilen aynı kesinliği elde etmişti. Ayrıca, beş saniyelik göz hareketi kaydının ardından, hata oranı 10 kat daha küçüktü.
Araştırmacılar ağlarını; kullanıcıların çeşitli metinleri okudukları önceki bir çalışmada topladıkları ve katılımcılar bilgisayar ekranında rasgele atlama yapan bir nokta izlediklerinde toplanan iki farklı veri kümesi üzerinde eğitmişlerdir.
Jäger: “Bir bilgisayar ekranında bazı uyarıları görüntülerken (verilerimizde bir metin veya atlama noktası belirliyor) kamera tabanlı bir tarama cihazı, kullanıcının nerede olduğunu ölçer. Bu veri; ekrandaki göze çarpma davranışından bağımsız olarak, kullanıcının ekran üzerindeki belirli uyarıcılardan bağımsız, kendi kendine özgü bir temsiline dönüştüren derin bir sinir ağına verildi.”
Temel olarak, Jäger ve meslektaşları, farklı bireyler arasında ayrım yapmak için özellikle yararlı olan göz hareketi verilerinin özelliklerini belirlemek için modellerini eğitti. Modelleri; kendisine verilen giriş verilerinin kendine özgü bir gösterimini, sistemde depolanan diğer kullanıcı verilerinin yanı sıra bir kullanıcıyı tanımlamak veya reddetmek için kullanır.
Jäger: “Göz hareketlerine dayanan biyometrik tanımlamanın, parmak izi, iris taraması veya yüz tanıma veya bu teknikleri tamamlama gibi yaygın olarak kullanılan diğer biyometrik tanımlama yöntemleri için ciddi bir rakip olma potansiyeli olduğunu gösteriyoruz. En önemlisi, göz hareketlerinden biyometrik tanıma sahtekarlık saldırılarına karşı daha az hassastır. İris taramaları yaparken, yüz tanıma ve parmak izleri 2D veya 3D kopyalarla (Örneğin görüntüler, basılı kontakt lensler veya 3D kopyalar gibi) taklit edilebilir. Yapay bir göz, bir yüz maskesi veya sahte bir parmak izi gibi, göz yumma hareketleri; kızılötesi spektrumda saniyede 1.000 kare hızında bir video dizisi gösterebilen bir cihaz gerektirecektir. ”
Şimdiye kadar Jäger ve meslektaşları tarafından geliştirilen yeni biyometrik tanımlama yöntemi çok umut verici sonuçlar elde etti. Gelecekte; akıllı telefonlar, dizüstü bilgisayarlar ve tabletler de dahil olmak üzere çok çeşitli cihazların güvenliğini arttırmaya yardımcı olabilir. Bu yeni yaklaşım, kullanıcının neye baktığından bağımsız olarak çalıştığından, araştırmacılar güvenliğini daha da artıracak ‘canlılık tespit modülü’nü oluşturdular. Böyle bir modül, kullanıcının göz hareketlerinin ekranda sunulan görsel bir uyarıcıyla uyuşup uyuşmadığını otomatik olarak kontrol eder.
Jäger: “Şu anda laboratuvar koşullarında yüksek çözünürlüklü ve yüksek örnekleme frekanslı göz takip cihazlarıyla çalışıyoruz. Bir sonraki adımımız, gerçekçi koşullar altında daha gürültülü verilerle ve düşük örnekleme oranlarıyla da başa çıkabilen bir algoritma geliştirmek olacak. Bu, göz hareketlerinden biyometrik tanımlamayı uygun ve geniş bir yelpazedeki gerçek dünya uygulamalarına, uygulanabilir kılmak için gerekli.”
