基于Ornstein-Uhlenbeck过程与RNN-XGBoost多模型融合的眼动模式生物特征识别研究

本期推荐：本研究创新性地将觅食理论引入生物识别领域，通过Ornstein-Uhlenbeck（O-U）随机过程建模视觉探索-开发动态，结合贝叶斯估计的随机微分方程提取个性化眼动特征，并采用循环神经网络（RNN）与XGBoost混合模型实现分类。在FIFA眼动数据集验证中取得94%准确率、98.97% AUC值，为动态生物认证提供了新范式。

　　

Highlight

相关研究

生物识别技术通过人类独特可量化的特征进行身份验证，过去十年已深度融入日常生活。指纹、人脸识别在智能设备中的普及印证了这一点。传统方法主要依赖生理特征...

创新方法

本节详述技术路线：原始信号经Levy飞行算法降采样预处理，通过NSLR-HMM分类器获取注视点与扫视路径，构建全局-局部复合O-U过程模型。该模型参数作为生物特征输入RNN-XGBoost融合架构，其中RNN捕捉时间序列依赖，XGBoost增强判别性能。

实验结果

图2展示原始扫描路径到特征向量的完整转化流程。图3显示受试者眼动轨迹与注视时长分布，横纵坐标分别表示标准化屏幕坐标与时间维度。模型在10折交叉验证中保持稳定性能，最佳参数组合下F₁-score达94.03%，ROC曲线下面积（AUC）逼近99%阈值。

讨论局限

当前样本量限制模型泛化能力，未来可整合DOVES、GazeBase等公开数据集。刺激类型单一（仅2秒场景自由浏览）可能影响行为模式多样性，后续拟引入阅读、视觉搜索等多任务范式。

结论展望

本研究通过贝叶斯框架量化眼动行为不确定性，结合混合机器学习模型开辟了动态生物认证新路径。下一步将探索多模态融合（如瞳孔振荡特征）及跨文化群体验证，推动该技术向实际应用转化。