Ffinger

Ffinger数据集由北京工业大学与中国北方工业大学联合收集，包含29位用户的触摸动态数据。每位参与者执行了七种结构化的多触点任务和自由形式的动作，记录了所有五个手指的轨迹。数据集用于训练和评估一种新的连续认证方法TouchSeqNet，该方法的目的是提高移动设备用户身份验证的可靠性和有效性。

The Ffinger Dataset was jointly collected by Beijing University of Technology and North China University of Technology. It contains touch dynamics data from 29 participants. Each participant performed seven structured multi-touch tasks and free-form movements, with the trajectories of all five fingers recorded. This dataset is utilized to train and evaluate a novel continuous authentication method named TouchSeqNet, which aims to improve the reliability and effectiveness of user authentication for mobile devices.

搜集汇总

数据集介绍

构建方式

Ffinger数据集构建于29名参与者的触屏交互数据，涵盖了预定义手势和自由手势两种模式。预定义手势包括七种结构化多触任务，每种手势均记录五个手指的轨迹数据，形成7通道时间序列，包含空间坐标、时间戳、压力、接触面积、瞬时速度和移动方向等特征。数据采集过程中，通过时间对齐和一阶差分处理强调运动动态，并采用Z-score标准化消除特征间尺度差异，确保数据的一致性和模型训练的稳定性。

特点

Ffinger数据集的核心特点在于其多模态时序表征能力，每个样本同时捕捉五个手指的7维动态特征，实现了用户行为在时空维度上的细粒度建模。区别于传统静态生物特征，该数据集通过连续记录压力、速度等动态参数，有效保留了用户交互的个性化模式。特别设计的自由手势任务进一步增强了数据的自然性和泛化潜力，为连续认证研究提供了更接近真实场景的基准。数据预处理中采用的一阶差分和窗口切片策略，显著提升了模型对时序依赖关系的捕捉能力。

使用方法

该数据集适用于基于对比学习的连续身份认证研究，需配合论文提出的TouchSeqNet框架使用。典型流程包括：1) 将原始时间序列通过窗口切片转化为子序列；2) 使用Temporal Masked Autoencoder进行自监督预训练；3) 在Siamese网络架构下构建正负样本对进行对比学习。实验阶段建议采用五折交叉验证，评估指标应包含准确率、F1分数和AUC值。注意需保持预处理流程的一致性，特别是时间对齐和Z-score标准化步骤，以确保不同研究间的可比性。

背景与挑战

背景概述

Ffinger数据集由华北理工大学的Mengyu Qiao等人于2025年提出，专注于基于触摸行为的连续用户认证研究。随着智能手机在日常生活中的普及，传统的认证方法如PIN码和静态生物识别技术面临着安全性和便利性的双重挑战。Ffinger数据集通过收集29名用户的多模态触摸交互数据，包括空间坐标、时间戳、压力值等七维特征，旨在为连续认证系统提供细粒度的行为建模基础。该数据集的创新性在于同时捕捉预设手势和自由手势，并采用对比学习框架提取用户特有的时序模式，推动了行为生物识别领域从传统分类方法向自监督表征学习的范式转变。

当前挑战

Ffinger数据集面临的挑战主要体现在两个方面：在领域问题层面，触摸行为的高动态性和个体内差异使得模型需要区分细微的用户特定模式，同时抵御对抗性模仿攻击；在构建过程中，多指触控数据的同步采集与对齐、传感器噪声抑制以及跨设备数据标准化成为技术难点。此外，该数据集还需解决行为生物识别领域的核心矛盾——如何在保证认证实时性的前提下，平衡模型的判别力与计算效率。这些挑战促使研究者开发了时序掩码自编码器和通道注意力机制等创新方法，以提升触摸动态特征的鲁棒表征能力。

常用场景

经典使用场景

Ffinger数据集在连续触摸认证领域具有广泛的应用价值，尤其在移动设备安全认证方面表现突出。该数据集通过记录用户的多指触摸轨迹，包括空间坐标、时间戳、压力、接触面积等七种特征，为研究者提供了丰富的触摸行为数据。这些数据不仅涵盖了预定义的多点触摸任务，还包括自由绘制的手势，使得数据集能够全面反映用户的触摸行为模式。在实验中，Ffinger数据集被用于验证TouchSeqNet框架的性能，证明了其在连续认证任务中的优越性。

解决学术问题

Ffinger数据集解决了移动设备连续认证中的多个关键学术问题。首先，它通过多模态传感器数据流捕捉用户的连续运动和手势动态，弥补了传统静态认证方法的不足。其次，数据集的设计充分考虑了时间序列数据的特性，使得研究者能够更好地建模用户行为中的时序依赖性。此外，Ffinger数据集还支持自监督学习方法的验证，为无标签数据下的表征学习提供了新的研究思路。这些贡献显著提升了移动设备认证系统的准确性和鲁棒性。

衍生相关工作

Ffinger数据集衍生出了一系列重要的研究工作。基于该数据集，研究者提出了Temporal Masked Autoencoder（TMAE）自监督预训练方法，该方法通过掩码表示回归和离散码字预测任务学习时间序列表征。此外，TouchSeqNet框架整合了Temporal-Attentive Convolutional Network（TACN）和对比学习范式，在连续认证任务中取得了state-of-the-art的性能。这些工作不仅推动了触摸生物识别技术的发展，也为时间序列分析领域提供了新的研究方法。