编辑推荐：
声学步态识别是一种新兴的无源生物特征识别模态，通过独特的行走声音模式识别个体身份。本研究提出了一个可复现的卷积神经网络（Convolutional Neural Network, CNN）声学步态识别基准框架，提供了在不同身份池规模下的系统评估方法。研究人员将
声学步态识别是一种新兴的无源生物特征识别模态，通过独特的行走声音模式识别个体身份。本研究提出了一个可复现的卷积神经网络（Convolutional Neural Network, CNN）声学步态识别基准框架，提供了在不同身份池规模下的系统评估方法。研究人员将AFPILD数据集中的原始足音 recordings 转换为128-bin梅尔频谱图（Mel-spectrogram），并在10至40名受试者的身份池规模上训练了一个紧凑的CNN模型。为确保统计可靠性，研究采用了三次重复的五折分层交叉验证（stratified cross-validation）协议。实验结果表明，该系统具有强大的判别能力，在40名受试者配置下验证准确率达到94.92%，等错误率（Equal Error Rate, EER）仅为1.31%。多种子子集验证实验针对每个身份池规模进行了五次独立随机受试者抽取，确认了观察到的规模趋势在不同子集组合中保持一致，而非单次受试者选择的人为产物。进一步分析证实了该框架对中等环境噪声的鲁棒性，以及其相对于经典梅尔频率倒谱系数结合支持向量机（Mel-Frequency Cepstral Coefficients-Support Vector Machine, MFCC-SVM）和卷积循环神经网络（Convolutional Recurrent Neural Network, CRNN）基线方法的优越性，支持了声学步态识别作为无源生物特征识别模态的可行性。
声学步态识别作为一种无源、非接触式的生物特征识别技术，近年来受到研究者越来越多的关注。与传统的指纹识别、虹膜识别、人脸识别和声纹识别等需要近距离 sensing、专用硬件或主动用户配合的模态不同，声学步态识别通过分析个体行走时产生的足音信号实现身份识别，具有不需要视线接触、可在低光照或视觉遮挡环境中正常工作的独特优势。足音声学反映了个体独特的生物力学特性，包括步长、体重分布以及与行走表面的相互作用，这些信号中包含丰富的身份相关信息。然而，现有研究在评估协议、受试者池规模以及报告指标方面存在较大差异，导致跨研究直接比较困难；许多研究仅报告多分类准确率，忽略了等错误率（EER）和受试者工作特征曲线（Receiver Operating Characteristic, ROC）分析等标准生物特征验证指标，这种缺乏标准化的状况制约了该领域客观评估进展的能力。正是为了填补这一空白，研究人员开展了本项研究，旨在建立一个系统化、可复现的CNN声学步态识别基准评估框架，为声学步态识别作为可行的无源生物特征模态提供统计严谨的验证。
研究人员采用AFPILD数据集开展研究，该数据集是目前公开的规模最大的专用声学足步分析数据集，包含40名受试者在受控室内环境中采集的约62,000个标记行走事件。研究将原始音频信号转换为128-bin梅尔频谱图表示，训练了一个三层紧凑CNN架构，并在10、20、30、35和40名受试者的身份池规模上进行系统评估。为确保统计可靠性，研究实施了三倍重复的五折分层交叉验证协议，每次配置共进行15次独立模型运行，报告均值±标准差指标，并辅以Welch's t检验和Cohen's d效应量进行显著性检验。性能评估涵盖多分类验证准确率，以及基于one-vs-rest框架的生物特征验证指标，包括错误接受率（False Acceptance Rate, FAR）、错误拒绝率（False Rejection Rate, FRR）、EER和ROC曲线下面积（Area Under the Curve, AUC）。研究还进行了多种子子集验证实验，针对每个身份池规模进行五次独立随机受试者抽取，以确认规模趋势的一致性。此外，研究设置了MFCC-SVM经典机器学习方法以及CRNN基线进行对照比较，并开展了环境鲁棒性测试（添加20 dB、10 dB和5 dB信噪比的白噪声）以及基于128维嵌入特征的相似度验证分析。
多分类分类性能结果显示，CNN模型在所有身份池规模上均保持高准确率，均值交叉验证准确率从N=10时的88.83%±4.52%提升至N=40时的94.92%±1.33%，表明模型能够有效利用更大身份池中的额外声学多样性。MFCC-SVM基线仅达到68.75%±6.73%的准确率，显著低于CNN方法。
ROC曲线分析表明，所有配置均显著优于随机基线，N=35和N=40配置接近ROC空间左上角，显示近乎理想的判别能力。高AUC值和大效应量（d=2.39）证实了模型产生良好分离的真试者和冒名顶替者分数分布。
生物特征错误指标分析显示，EER随身份池规模扩大而降低，从N=10时的5.13%±2.04%降至N=40时的1.31%±0.97%，AUC值超过0.95并在较大身份池中接近0.998。Welch's t检验确认EER从N=10到N=40的降低具有统计显著性（p<0.001）。
嵌入验证分析提取128维特征向量进行基于余弦相似度的验证，发现嵌入基EER始终高于softmax基EER（N=40时：1.85% vs. 1.31%），这是因为softmax分类器针对固定受试者队列优化，而嵌入方法更具通用性但更 challenging。Pearson相关分析显示身份池规模与嵌入基EER之间存在强负相关（r=?0.996），尽管数据点有限（k=5），该趋势表明模型学习到的表示在任务复杂度增加时保持判别稳定性。
混淆矩阵分析显示，N=10时呈现强烈的对角主导模式，N=40时非对角元素适度增加但错误分类分散于多对受试者间而非集中于特定个体，证实性能随规模扩大而逐渐退化而非灾难性下降。
环境噪声鲁棒性分析表明，模型在20 dB噪声下保持与清洁基线几乎相同的性能，10 dB时出现显著性能衰减，5 dB时准确率降至39.33%，识别出判别特征被环境干扰显著掩盖的信噪比阈值。
讨论部分深入分析了三个核心发现。关于规模行为，研究观察到与典型生物特征系统相反的现象：误差率随身份池增大而降低。多种子子集验证实验证实这一趋势在不同随机抽取中一致存在，而非单一受试者选择的产物。研究者推测较大身份池提供更丰富的声学特征多样性，可能促进更鲁棒决策边界的形成，同时训练数据总量增加也可能有所贡献。关于子集组成分析，基于梅尔频谱图的受试者间余弦距离分析显示，平均距离从N=10时的0.00157小幅增加至N=35时的0.00194，这种差异幅度 modest，应被视为性能提升的一致但可能非结论性驱动因素。关于环境鲁棒性，模型在20 dB和10 dB信噪比条件下可靠运行（符合办公楼走廊和大厅等典型室内环境），但5 dB时严重退化，表明在嘈杂公共场所或户外部署需要额外的噪声感知训练策略，建议实际部署时最低信噪比阈值约为10 dB。音频位深影响分析证实，16 bit与8 bit量化的WAV文件在N=40时准确率（94.81% vs. 94.92%）和EER（0.92% vs. 1.31%）均无显著差异，因为梅尔频谱图预处理已将所有音频归一化为8 bit灰度像素值。
研究结论指出：本研究提出了一个可复现的声学步态识别基准评估框架，通过将原始足音音频转换为梅尔频谱图表示并采用紧凑CNN架构，实现了高多分类分类和生物特征验证性能。三倍重复五折分层交叉验证确保了统计可靠的估计。结果展示了持续的高判别能力，AUC值超过0.95，N=40配置下EER降至1.31%。尽管性能随身份池增大而改善的反直观趋势未被子集间距离分析完全解释，但多种子子集验证实验确认了该趋势在不同子集组成中的一致性，表明受试者多样性和学习特征表示即使在身份池扩大时仍保持稳定性。总体而言，本研究推进了声学步态识别的评估方法学，为未来研究建立了统计严谨的基准框架。该论文发表在《Electronics》。
