АВТЕНТИФІКАЦІЯ КОРИСТУВАЧА В ІНФОРМАЦІЙНИХ СИСТЕМАХ НА ОСНОВІ БІОМЕТРИЧНИХ СИГНАЛІВ МОБІЛЬНИХ ПРИСТРОЇВ
DOI: 10.31673/2409-7292.2025.041211
Анотація
Досліджено використання фізіологічних біометричних сигналів, отриманих за допомогою мобільних
пристроїв, для підвищення ефективності та надійності автентифікації в інформаційних системах. Встановлено,
що динамічні параметри – частота серцевих скорочень (HR), варіабельність серцевого ритму (HRV), насиченість
крові киснем (SpO₂), температура шкіри та частота дихання – здатні формувати індивідуальний біометричний
профіль користувача, який можна застосовувати для безперервної автентифікації. Проведено порівняння
результатів біометричної автентифікації за допомогою мобільних пристроїв з класичними методами, що
базуються на відбитках пальців та розпізнаванні обличчя, визначено їх переваги: динамічність, адаптивність і
підвищена стійкість до атак типу спуфінг. Запропоновано методику побудови біометричної матриці користувача
з періодичним оновленням кожні 5 хвилин, яка демонструє стабільні результати автентифікації та підтверджує
доцільність застосування такого підходу навіть без використання складних моделей машинного навчання.
Проаналізовано вплив змін фізіологічного стану користувача (стрес, фізичне навантаження, період відновлення)
на стабільність процесу автентифікації, а також досліджено ефективність підходів, що поєднують кілька типів
біометричних даних для підвищення надійності розпізнавання. Визначено перспективні напрями інтеграції
мобільних пристроїв з технологіями машинного навчання, блокчейну та квантово-стійкого шифрування з метою
створення безпечних, адаптивних і енергоефективних систем ідентифікації. Показано, що фізіологічні сигнали
мобільних пристроїв є ключовим елементом майбутніх систем безперервної автентифікації в інформаційній
безпеці.
Ключові слова: фізіологічні біометричні сигнали, мобільні пристрої, автентифікація, блокчейн,
безперервна автентифікація, інформаційна безпека, захист інформації, ідентифікація користувача.
Перелік посилань
1. Manta, C., Jain, S. S., Coravos, A., Mendelsohn, D., & Izmailova, E. S. (2020). An Evaluation of Biometric
Monitoring Technologies for Vital Signs in the Era of COVID-19 // Clinical and Translational Science, 13(6), 1034–
1044. https://doi.org/10.1111/cts.12874.
2. Sun, W., Guo, Z., Yang, Z., Wu, Y., Lan, W., Liao, Y., Wu, X., & Liu, Y. (2022). A Review of Recent
Advances in Vital Signals Monitoring of Sports and Health via Flexible Wearable Sensors // Sensors, 22(20), 7784.
https://doi.org/10.3390/s22207784.
3. Chhibbar, L. D., Patni, S., Todi, S., Bhatia, A., & Tiwari, K. (2024). Enhancing security through continuous
biometric authentication using wearable sensors // Internet of Things, 28, 101374. https://doi.org/10.1016/j.iot.
2024.101374.
4. Shao, W., Liang, Z., Zhang, R., Fang, R., Miao, N., Kourkchi, E., Rafatirad, S., Homayoun, H., & Fang, C.
(2025). Know Me by My Pulse: Toward Practical Continuous Authentication on Wearable Devices via Wrist-Worn PPG
// arXiv preprint arXiv:2508.13690. https://doi.org/10.48550/arXiv.2508.13690.
5. Журавель Ю.І., Лісовський Б.В. (2025). Аналіз моделей та алгоритмів автентифікації на основі
біометричних даних. Сучасний захист інформації, №2(62), 51–58. https://doi.org/10.31673/2409-7292.2025.022701
6. O’Grady, B., Lambe, R., Baldwin, M., Acheson, T., & Doherty, C. (2024). The Validity of Apple Watch
Series 9 and Ultra 2 for Serial Measurements of Heart Rate Variability and Resting Heart Rate // Sensors, 24(19), 6220.
https://doi.org/10.3390/s24196220.
7. Bonneval, L., Wing, D., Sharp, S., Parra, M. T., Moran, R., LaCroix, A., & Godino, J. (2025). Validity of
Heart Rate Variability Measured with Apple Watch Series 6 Compared to Laboratory Measures // Sensors, 25(8), 2380.
https://doi.org/10.3390/s25082380.
8. Windisch, P., Schröder, C., Förster, R., Cihoric, N., & Zwahlen, D. R. (2023). Accuracy of the Apple Watch
Oxygen Saturation Measurement in Adults: A Systematic Review // Cureus, 15(2), e35355. https://doi.org/10.7759/
cureus.35355.
9. Browne, S. H., Bernstein, M., & Bickler, P. E. (2025). Evaluation of Pulse Oximetry Accuracy in a
Commercial Smartphone and Smartwatch Device During Human Hypoxia Laboratory Testing // Sensors, 25(5), 1286.
https://doi.org/10.3390/s25051286.
10. Alzueta, E., Gombert-Labedens, M., Javitz, H., Yuksel, D., Perez-Amparan, E., Camacho, L., Kiss, O.,
Zambotti, M., Sattari, N., Alejandro-Pena, A., Zhang, J., Shuster, A., Morehouse, A., Simon, K., Mednick, S., & Baker,
F. C. (2024). Menstrual Cycle Variations in Wearable-detected Finger Temperature and Heart Rate, but not in Sleep
Metrics, in Young and Midlife Individuals // Journal of Biological Rhythms, 39(5), 395–412. https://doi.org/10.1177/
07487304241265018.
11. Muratyan, A., Cheung, W., Dibbo, S. V., & Vhaduri, S. (2021). Opportunistic Multi-Modal User
Authentication for Health-Tracking IoT Wearables // arXiv preprint arXiv:2109.13705. https://doi.org/10.48550/
arXiv.2109.13705.
12. Sancho, J., Alesanco, Á., & García, J. (2018). Biometric Authentication Using the PPG: A Long-Term
Feasibility Study // Sensors, 18(5), 1525. https://doi.org/10.3390/s18051525.
13. Davoodi, M., Soker, A., Behar, J., & Yaniv, Y. (2023). Using Beat-to-Beat Heart Signals for AgeIndependent Biometric Verification // Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-42841-4.
14. Ashtiyani, M., Iavasani, S. N., Alvar, A. A., & Deevband, M. R. (2018). Heart Rate Variability Classification
Using Support Vector Machine and Genetic Algorithm // Journal of Biomedical Physics and Engineering, 8(4).
https://doi.org/10.31661/jbpe.v0i0.614.
15. Wittenberg, T., Koch, R., Pfeiffer, N., & Eskofier, B. (2020). Evaluation of HRV Estimation Algorithms
from PPG Data Using Neural Networks // Current Directions in Biomedical Engineering, 6(3), 505–509. https://doi.org/
10.1515/cdbme-2020-3130.
16. Ding, J., Liu, Q., Ling, B. W.-K., & Li, W. (2026). Heart Rate Estimation Based on Joint Convolutional
Neural Network and Conditional Generative Adversarial Network via Heart Rate Variabilities and Other Features
Extracted from Photoplethysmograms // Biomedical Signal Processing and Control, 112(C), 108831. https://doi.org/10.
1016/j.bspc.2025.108831.
17. Ólafsdóttir G. B., Larsson J. Deep Learning Approach for Extracting Heart Rate Variability from a
Photoplethysmographic Signal // Bachelor Thesis, Kristianstad University, Sweden. 2020. Режим доступу: https://
researchportal.hkr.se/ws/portalfiles/portal/35216086/FULLTEXT01.pdf.
