Bilim adamları, göz hareketlerini, başka bir deyişle gözlerini nasıl hareket ettirdiklerini belirleyerek insanları tanımlayabilen yeni bir derin öğrenme algoritması geliştirdiler.
Geçmişteki bilimsel psikoloji araştırmasıyla göz hareketlerinin bir kişiden diğerine büyük ölçüde farklı olduğu, sadece bir parmak izinine bağladığı bilinmektedir.
İlginç olan, bu göz hareketlerinin bireysel özelliklerinin bir insanın neye baktığından bağımsız olduğu ve nasıl istikrarlı olduğu. Bu, bilim adamlarının bu göz hareketlerini bir tanımlama yöntemi olarak kullanabilecekleri anlamına gelir.
Almanya, Potsdam Üniversitesi’nden araştırmacılar, gözün mikro hareketlerini işleyen, biyometrik tanımlama için yeni bir yöntem geliştirdiler. ArXiv’de yayınlanan çalışma, ekibin insanların istemsiz göz hareketlerini incelemek için bir deney yaptıkları deneyini ve bulguların DeepEyententification geliştirmek için nasıl kullanıldığını açıkladı. DeepEyedentification, insanları tanımlamak için göz izleme sinyallerini analiz eden derin bir öğrenme mimarisidir.
Bilim adamları, araştırmaları için 1000 kişinin gözüne baktılar ve sadece istemsiz seğirmelerinin benzersiz olmadığını, aynı kaldıklarını keşfettiler. Mevcut sistemler insanların tanımlanması için 100 saniyelik bir kayıt gerektirse de, yeni algoritma sadece bir saniye süren kayıtlarla iyi çalışarak teknolojinin çok daha uygulanabilir olmasına yol açabilir.
Bir Potsdam bilimcisi Lena Jäger, Tech Xplore ile yaptığı röportajda, “Psikolojik araştırmalarda, göz hareketi verilerini farklı göz hareketi türlerine önceden hazırlamak standart bir yöntem. Önceki biyometrik yöntemler, bu uygulamayı büyük bir maliyet karşılığında kabul etti. Gözün yüksek frekanslı titremesi gibi ham göz hareketi verilerinde mevcut olan bilgi kaybı: Temel düşüncemiz, bu yüksek frekans özelliklerinden yararlanmak, işlem öncesi verileri kullanmak değil, daha çok derin bir evrişim ağı oluşturmaktı. Girdi olarak saniyede 1000 karede toplanan ham örnekleri kullanarak uçtan uca bir biçimde erişim sağlandı.”
Ardından, “Bir sonraki adımımız, daha gürültülü verilerle de başa çıkabilen ve gerçekçi koşullar altında örnekleme oranlarını düşüren bir algoritma geliştirmek. Bu, göz hareketlerinden biyometrik tanımlamayı uygun maliyetli ve çok çeşitli gerçek dünya uygulamalarına uygulanabilir hale getirmek için gereklidir.
