HuMIdb

HuMIdb是由马德里自治大学工程学院创建的多模态移动数据库，包含来自600名用户的14种移动传感器数据，如触摸屏、加速度计等，用于研究人类与移动设备的交互行为。数据集通过Android应用在用户自然使用手机时采集，涵盖了多种交互任务，如滑动、点击和语音输入。HuMIdb旨在支持开发新的CAPTCHA系统，通过分析用户的行为模式来区分人类与机器人，解决移动网络安全问题。

HuMIdb is a multimodal mobile database created by the School of Engineering, Autonomous University of Madrid. It includes 14 types of mobile sensor data from 600 users, such as touchscreens and accelerometers, and is used for research into human-mobile device interaction behaviors. The dataset is collected via an Android application during users' natural mobile phone usage, covering a variety of interaction tasks including swiping, tapping and voice input. The core objective of HuMIdb is to support the development of novel CAPTCHA systems that differentiate humans from bots by analyzing user behavioral patterns, thereby addressing mobile cybersecurity issues.

搜集汇总

数据集介绍

构建方式

在移动设备普及的背景下，HuMIdb数据库的构建旨在捕捉人类与智能手机交互的多模态特征。该数据集通过一款安卓应用程序，在无监督环境下采集了600名参与者的数据，每位参与者使用个人设备完成八项预设任务，包括按键输入、点击、滑动、空中手势、手写数字及语音录制等。这些任务模拟了日常人机交互场景，确保了数据的自然性与多样性。数据采集过程覆盖了加速度计、陀螺仪、触摸屏、GPS等14种传感器信号，总计超过10GB的原始数据，为研究提供了丰富的多模态信息源。

使用方法

HuMIdb数据库适用于移动生物识别、用户认证及行为分析等领域的研究。研究者可通过公开的GitHub仓库访问数据，利用其多模态传感器信号进行模型训练与评估。例如，在用户认证任务中，可提取触摸手势的时序特征（如坐标、压力值），结合循环神经网络或支持向量机等算法构建认证系统。数据集的开放获取设计允许跨设备、跨环境的性能测试，支持无监督学习与开集认证范式。此外，研究者可融合不同传感器信号（如加速度计与陀螺仪），探索多模态方法以提升系统鲁棒性，或拓展至机器人检测、健康监测等新兴应用场景。

背景与挑战

背景概述

随着智能手机的普及与传感器技术的飞速发展，人机交互建模成为生物识别与行为分析领域的前沿课题。HuMIdb（Human Mobile Interaction database）由西班牙马德里自治大学BiDA实验室于2020年创建，旨在通过采集多模态移动传感器数据，深入探索人类与智能手机交互中的生物特征与行为模式。该数据集涵盖了600名参与者在非受控环境下产生的14类传感器信号，包括触摸手势、加速度计、陀螺仪等，核心研究问题聚焦于利用这些异构数据实现用户身份认证、机器人检测及行为监测等应用。作为当前规模最大的公开移动交互数据库之一，HuMIdb为移动生物识别、连续认证及人类行为分析提供了丰富的研究资源，显著推动了人机交互领域向更智能、更安全的方向演进。

当前挑战

HuMIdb所针对的移动用户身份认证领域，面临诸多固有挑战：移动交互信号具有高度的个体内变异性与个体间相似性，且易受设备差异、环境噪声及用户状态（如行走、坐立）的影响，导致特征提取与模型泛化难度显著增加。在数据集构建过程中，研究人员需克服大规模数据采集的复杂性，包括确保多设备兼容性、维持数据采集的连续性与一致性，以及处理非受控场景下的信号质量波动问题。此外，如何在保护用户隐私的前提下，实现多模态传感器数据的高效同步与标注，亦是构建高质量、可复现研究基准的关键挑战。

常用场景

经典使用场景

在移动生物识别领域，HuMIdb数据集为研究者提供了一个多模态交互数据的宝贵资源，尤其适用于用户身份认证的模型开发与验证。该数据集通过捕捉600名参与者在自然交互场景下的14种智能手机传感器信号，如触摸手势、加速度计和陀螺仪等，为构建基于行为特征的认证系统奠定了数据基础。其经典应用场景包括利用触摸屏滑动等简单手势，结合循环神经网络架构，实现无监督条件下的身份验证，准确率可达87%，展现了移动设备交互数据在安全认证中的潜力。

解决学术问题

HuMIdb数据集有效解决了移动计算中用户身份连续认证的学术难题，特别是在非受控环境下如何利用多模态传感器数据建模人类交互模式。该数据集通过大规模、多样化的样本采集，支持研究者探索神经运动技能、认知功能和行为习惯等维度的信息嵌入，从而推动生物特征识别算法的发展。其意义在于为学术界提供了一个标准化基准，促进了触摸生物识别、行为分析和异常检测等方向的方法创新，并为跨设备、跨场景的泛化研究提供了实证基础。

实际应用

在实际应用中，HuMIdb数据集支撑了智能手机安全系统的设计与优化，例如透明连续认证机制，可在用户日常操作中实时验证身份，无需额外硬件。该数据集还可用于开发防机器人检测工具，通过分析触摸交互模式区分人类与自动化程序，增强在线平台的安全性。此外，其多模态数据为健康监测应用提供了可能，如通过打字动态评估运动障碍患者的神经运动状态，辅助远程医疗诊断与个性化干预。

数据集最近研究

最新研究方向

在移动人机交互领域，HuMIdb数据集正推动着基于多模态传感器融合的前沿研究。随着智能手机传感器的普及，研究者们正探索如何利用触摸手势、加速度计、陀螺仪等14种传感器信号，结合深度学习架构如孪生循环神经网络，实现高精度的用户身份认证。这一方向不仅关注认证性能的提升，还延伸至神经运动技能分析、认知功能评估及行为模式追踪，为连续认证、健康监测和机器人检测等应用提供数据支撑。数据集的大规模、多设备特性促进了跨场景鲁棒性研究，成为推动移动生物识别与行为分析交叉创新的关键资源。

相关研究论文

• Smartphone Sensors for Modeling Human-Computer Interaction: General Outlook and Research Datasets for User Authentication

  生物识别与数据模式分析实验室(BiDA实验室) · 2020年