Head-Centric Inertial Biometrics: Learning Human Identity from Helmet-Mounted Motion

Abstract

Behavioral biometric identification with inertial measurement units (IMUs) has largely relied on sensors placed on the lower body or wrists, implicitly treating the task as gait recognition. This study investigates a complementary, head-centric configuration in which three IMU clusters (NXP FXOS8700CQ accelerometer and FXAS21002C gyroscope, Teensy Prop Shield design) are rigidly co-mounted on a safety helmet at the crown (IMU0) and at left and right ear level over the mastoid region (IMU1 and IMU2). Raw measurements are combined with pairwise differential (Δ) and summation (Σ) cross-IMU channels to represent both common-mode head motion and spatially heterogeneous residual motion. Twelve classifiers spanning feature-based, recurrent, attention-based, and convolutional paradigms were evaluated on data from 48 participants. The evaluation used non-overlapping 60 s groups, stratified group 10-fold cross-validation, and fold-specific scaling and feature selection to control temporal and preprocessing leakage. A residual 1D CNN with squeeze-and-excitation channel attention achieved 99.46 ± 0.5 % accuracy (macro-F1 = 99.47 %) at the 4 s window level and perfect segment-level classification under the adopted protocol. It significantly outperformed every non-convolutional baseline (Wilcoxon signed-rank, p = 0.002), whereas the tested convolutional variants were statistically indistinguishable. Ablation experiments clarify what the system requires. No tested CNN channel subset differed significantly from the full 54-channel representation after correction for multiple comparisons: a single IMU was sufficient (99.35–99.51 % versus 99.48 %), and crown and ear-level placements were indistinguishable. Identity was recoverable from either signal component: Σ-only achieved 99.36 %, while Δ-only achieved 99.18 % with the CNN but only 79.45 % with a Random Forest on the same 18 channels. The differential residual therefore contains substantial identity information, although the present experiments do not establish its physical mechanism or show that it is independent of gait. A 1 s observation produced 98.53 % accuracy, with performance saturating near 4 s. In the three participants with repeated recordings, holding out an entire recording collected on another day and in another environment reduced accuracy by only 0.24 percentage points (Δ-only: 0.18 points), providing preliminary evidence of cross-session stability. The same architecture achieved 99.27 ± 1.0 % accuracy on the independent HelmetPoser dataset using a single six-channel IMU. Finally, the full, uncompressed 54-channel network was exported to a dependency-free C++ implementation and evaluated on a Teensy 4.1 (Cortex-M7, 600 MHz). The implementation required 558 ms per 4 s window, corresponding to a 13.9% duty cycle, and used 792 KB of flash and 269 KB of RAM. These results position helmet-mounted inertial sensing as a practical and underexplored modality for closed-set wearable identification and verification.

Keywords

• IMU
• person identification
• convolutional neural network
• embedded inference;
• wearable sensing

Baş Merkezli Ataletsel Biyometri: Baret Üzerinden Ölçülen Hareket Verileriyle Kişi Kimliklendirme

Abstract

Ataletsel ölçüm birimleri (IMU’lar) kullanılarak yapılan davranışsal biyometrik kimliklendirme, büyük ölçüde alt vücuda veya bileklere yerleştirilen sensörlere dayanmış ve görevi örtük olarak yürüyüş tanıma şeklinde ele almıştır. Bu çalışma, üç IMU kümesinin (NXP FXOS8700CQ ivmeölçer ve FXAS21002C jiroskop, Teensy Prop Shield tasarımı) bir güvenlik baretine, tepe noktasında (IMU0) ve mastoid bölgenin üzerindeki sol ve sağ kulak hizalarında (IMU1 ve IMU2) rijit biçimde birlikte monte edildiği tamamlayıcı, baş merkezli bir yapılandırmayı incelemektedir. Ham ölçümler, hem ortak-mod baş hareketini hem de uzamsal olarak heterojen artık hareketi temsil etmek amacıyla, ikili fark (Δ) ve toplam (Σ) IMU’lar arası kanallarla birleştirilmiştir. Öznitelik tabanlı, yinelemeli, dikkat tabanlı ve evrişimsel paradigmaları kapsayan on iki sınıflandırıcı, 48 katılımcıdan elde edilen veriler üzerinde değerlendirilmiştir. Değerlendirmede, zamansal ve ön işleme kaynaklı veri sızıntısını kontrol etmek amacıyla çakışmayan 60 saniyelik gruplar, tabakalı grup tabanlı 10 katlı çapraz doğrulama ve her kata özgü ölçekleme ile öznitelik seçimi kullanılmıştır. Sıkıştırma ve uyarma kanal dikkat mekanizmasına sahip artık bağlantılı bir 1B CNN, 4 saniyelik pencere düzeyinde %99,46 ± 0,5 doğruluk (makro-F1 = %99,47) elde etmiş ve benimsenen protokol altında segment düzeyinde kusursuz sınıflandırma sağlamıştır. Evrişimsel olmayan tüm temel yöntemlerden anlamlı ölçüde daha iyi performans göstermiştir (Wilcoxon işaretli sıralar testi, p = 0,002); buna karşılık test edilen evrişimsel varyantlar istatistiksel olarak birbirinden ayırt edilememiştir. Ablasyon deneyleri, sistemin neye ihtiyaç duyduğunu açıklığa kavuşturmaktadır. Çoklu karşılaştırmalar için düzeltme yapıldıktan sonra, test edilen hiçbir CNN kanal alt kümesi tam 54 kanallı gösterimden anlamlı biçimde farklı bulunmamıştır: tek bir IMU yeterli olmuştur (%99,35–99,51’e karşı %99,48) ve tepe noktası ile kulak hizasındaki yerleşimler birbirinden ayırt edilememiştir. Kimlik bilgisi her iki sinyal bileşeninden de elde edilebilmiştir: yalnızca Σ kanalları %99,36’ya ulaşırken, yalnızca Δ kanalları CNN ile %99,18’e, aynı 18 kanal üzerinde Rastgele Orman ile ise yalnızca %79,45’e ulaşmıştır. Bu nedenle fark tabanlı artık sinyal önemli miktarda kimlik bilgisi içermektedir; ancak mevcut deneyler bunun fiziksel mekanizmasını ortaya koymamakta veya yürüyüşten bağımsız olduğunu göstermemektedir. Bir saniyelik gözlem %98,53 doğruluk sağlamış ve performans yaklaşık 4 saniyede doygunluğa ulaşmıştır. Tekrarlı kayıtları bulunan üç katılımcıda, farklı bir gün ve farklı bir ortamda toplanan bütün bir kaydın dışarıda bırakılması doğruluğu yalnızca 0,24 yüzde puanı azaltmıştır; yalnızca Δ kanallarında bu azalma 0,18 puan olmuştur. Bu durum, oturumlar arası kararlılığa ilişkin ön kanıt sağlamaktadır. Aynı mimari, tek bir altı kanallı IMU kullanılarak bağımsız HelmetPoser veri kümesinde %99,27 ± 1,0 doğruluk elde etmiştir. Son olarak, tam ve sıkıştırılmamış 54 kanallı ağ, harici bağımlılığı olmayan bir C++ uygulamasına aktarılmış ve Teensy 4.1 üzerinde (Cortex-M7, 600 MHz) değerlendirilmiştir. Uygulama, 4 saniyelik pencere başına 558 ms (%13,9 görev çevrimi) çıkarım süresiyle çalışmış; 792 KB flaş bellek ve 269 KB RAM kullanımıyla ölçülmüştür. Bu sonuçlar, baret üzerine monte edilmiş ataletsel algılamayı, kapalı-küme giyilebilir kimliklendirme ve doğrulama için pratik ve yeterince araştırılmamış bir modalite olarak konumlandırmaktadır.

Keywords

• ataletsel ölçüm birimi
• kişi kimliklendirme
• evrişimsel sinir ağı
• gömülü çıkarım
• giyilebilir algılama

References

1. Connor, P., & Ross, A. (2018). Biometric recognition by gait: A survey of modalities and features. Computer Vision and Image Understanding, 167, 1–27.
2. Thang, H. M., Viet, V. Q., Thuc, N. D., & Choi, D. (2012). Gait identification using accelerometer on mobile phone. Proceedings of the 2012 International Conference on Control, Automation and Information Sciences (ICCAIS), 344–348. https://doi.org/10.1109/ICCAIS.2012.6466615
3. Woodman, O. J. (2007). An introduction to inertial navigation. University of Cambridge, UCAM-CL-TR-696.
4. Dehzangi, O., Taherisadr, M., & ChangalVala, R. (2017). IMU-based gait recognition using convolutional neural networks and multi-sensor fusion. Sensors, 17(12), 2735. https://doi.org/10.3390/s17122735
5. Deb, S., Yang, Y. O., Chua, M. C. H., & Tian, J. (2020). Gait identification using a new time-warped similarity metric based on smartphone inertial signals. Journal of Ambient Intelligence and Humanized Computing, 11(10), 4221–4230. DOI: 10.1007/s12652-019-01659-7
6. Andersson, R., Bermejo-García, J., Agujetas, R., Cronhjort, M., & Chilo, J. (2024). Smartphone IMU sensors for human identification through hip joint angle analysis. Sensors, 24(15), 4769. https://doi.org/10.3390/s24154769
7. Abdulrahman, L. S., Sabir, A. T., & Maghdid, H. S. (2026). A biometric dataset for unconditioned gait identification using onboard smartphone sensors. Frontiers in Computer Science, 8, 1752141. DOI: 10.3389/fcomp.2026.1752141
8. Semwal, V. B., Gaud, N., Lalwani, P., Bijalwan, V., & Alok, A. K. (2022). Pattern identification of different human joints for different human walking styles using inertial measurement unit (IMU) sensor. Artificial Intelligence Review, 55(2), 1149–1169. DOI: 10.1007/s10462-021-09979-x

9. Sitová, Z., Šeděnka, J., Yang, Q., Peng, G., Zhou, G., Gasti, P., & Balagani, K. S. (2016). HMOG: New behavioral biometric features for continuous authentication of smartphone users. IEEE Transactions on Information Forensics and Security, 11(5), 877–892. DOI: 10.1109/TIFS.2015.2506542
10. Baniasad, M., Martin, R., Crevoisier, X., Pichonnaz, C., Becce, F., & Aminian, K. (2023). Automatic body segment and side recognition of an inertial measurement unit sensor during gait. Sensors, 23(7), 3587. https://doi.org/10.3390/s23073587
11. Camomilla, V., Bergamini, E., Fantozzi, S., & Vannozzi, G. (2018). Trends supporting the in-field use of wearable inertial sensors for sport performance evaluation: A systematic review. Sensors, 18(3), 873. https://doi.org/10.3390/s18030873
12. Liu, Z., Wang, Y., Vaidya, S., Ruehle, F., Halverson, J., Soljačić, M., Hou, T. Y., & Tegmark, M. (2024). KAN: Kolmogorov-Arnold Networks. arXiv preprint arXiv:2404.19756. https://doi.org/10.48550/arXiv.2404.19756
13. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
14. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.
15. Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27.
16. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.
17. Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507.
18. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
19. Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE Transactions on Signal Processing, 45(11), 2673–2681.
20. Kiranyaz, S., Avci, O., Abdeljaber, O., Ince, T., Gabbouj, M., & Inman, D. J. (2021). 1D convolutional neural networks and applications: A survey. Mechanical Systems and Signal Processing, 151, 107398.
21. Kabsch, W. (1976). A solution for the best rotation to relate two sets of vectors. Acta Crystallographica Section A, 32(5), 922–923.
22. Cullen, K. E. (2012). The vestibular system: multimodal integration and encoding of self-motion for motor control. Trends in Neurosciences, 35(3), 185–196.
23. Van der Maaten, L., & Hinton, G. (2008). Visualizing data using t-SNE. Journal of Machine Learning Research, 9, 2579–2605.
24. Li, J., Leng, Q., Liu, J., Xu, X., Jin, T., Cao, M., Nguyen, T.-M., Yuan, S., Cao, K., & Xie, L. (2024). HelmetPoser: A helmet-mounted IMU dataset for data-driven estimation of human head motion in diverse conditions. arXiv preprint arXiv:2409.05006. https://doi.org/10.48550/arXiv.2409.05006