Recognizing user emotion based on keystroke dynamics

• Autorzy: Malinowski Michał , Krawczyk-Borysiak Zuzanna

Identyfikatory

DOI

10.15199/48.2024.06.03

Warianty tytułu

PL

Rozpoznawanie emocji użytkownika na podstawie dynamiki naciśnięć klawiszy

• Języki publikacji: EN

Abstrakty

EN

The paper presents a study concerning recognizing user emotion based on keystroke dynamics of the written text. At first, the analysis of the dataset used in the task is performed. Followed by the training and the effectiveness assessment of classical methods: Naive Bayes, K-Nearest Neighbours, Random Forest, and Multilayer Perceptron applied to the classification of provided samples to one of four emotions: anger, calm, happiness, sadness. The precision, recall, F1-score and time performance are evaluated. The Random Forest and MLP classifiers performed best, with an overall F1 measure of 84.83% and 80.47%, respectively. The scenario for extending the data set is proposed, along with the analysis of classification results of new data.

PL

Artykuł przedstawia badania dotyczące rozpoznawania emocji użytkownika na podstawie dynamiki naciśnięć klawiszy wpisywanego tekstu. W pracy przeprowadzono analizę wykorzystywanego zbioru danych, wytrenowano oraz dokonano oceny skuteczności klasycznych metod takich jak: naiwny klasyfikator Bayesa, metoda najbliższych sąsiadów, las losowy oraz perceptron wielowarstwowy, zastosowanych do przyporządkowania danych do jednej z czterech emocji: złości, spokoju, radości lub smutku. Uzyskane wyniki zostały ewaluowane z wykorzystaniem miar precyzji, czułości oraz F1, oceniono również wydajność czasową. Las losowy oraz perceptron wielowarstwowy osiągnęły najlepsze wyniki, z wynikiem F1 równym odpowiednio 84.83% i 80.47%. Zaprezentowano również scenariusz rozszerzenia zbioru danych, razem z analizą wyników klasyfikacji nowych danych.

Słowa kluczowe

EN

keystroke dynamics; emotion recognition; MLP; decision tree; machine learning

PL

dynamika naciśnięć klawiszy; rozpoznawanie emocji; perceptron wielowarstwowy; drzewo decyzyjne; uczenie maszynowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 6
• Strony: 19--22
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Malinowski Michał

• Warsaw University of Technology, Faculty of Electrical Enigneering

autor

Krawczyk-Borysiak Zuzanna

• Warsaw University of Technology, Faculty of Electrical Enigneering

Bibliografia

• [1] https://github.com/jatanloya/KeystrokeAnalysis, accessed 21.05.2023
• [2] Xiaofeng Lu et al., Continuous authentication by free text keystroke based on CNN and RNN, Computers Security, Volume 96, 2020, 101861, ISSN 0167-4048, https://doi.org/10.1016/j.cose.2020.101861.
• [3] https://ieee-dataport.org/open-access/emosurv-typing-biometric-keystroke-dynamics-dataset-emotion-labels-created-using, accessed 21.05.2023
• [4] Maalej, Aicha et al. Investigating Keystroke Dynamics and Their Relevance for Real-Time Emotion Recognition. http://dx.doi.org/10.2139/ssrn.4250964
• [5] Johannes Niklas, Vuorre Matti and Przybylski Andrew K. 2021Video game play is positively correlated with well-beingR. Soc. open sci.8202049202049
• [6] Fernandez, Ephrem, et al. "Social Desirability Bias Against Admitting Anger: Bias in the Test-Taker or Bias in the Test?" Journal of Personality Assessment 101.6 (2019): 644-52. Web.
• [7] Berrios R, Totterdell P, Kellett S. Eliciting mixed emotions: a meta-analysis comparing models, types, and measures. Front Psychol. 2015 Apr 15;6:428. doi: 10.3389/fpsyg.2015.00428.
• [8] Hamann, Stephan B, et al. "Recognizing Facial Emotion." Nature (London) 379.6565 (1996): 497. Web.
• [9] Schindler, Konrad, Luc Van Gool, and Beatrice De Gelder. "Recognizing Emotions Expressed by Body Pose: A Biologically Inspired Neural Model." Neural Networks 21.9 (2008): 1238-246. Web.
• [10] Tsui, Wei-Hsuan, Poming Lee, and Tzu-Chien Hsiao. "The Effect of Emotion on Keystroke: An Experimental Study Using Facial Feedback Hypothesis." 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (2013): 2870-873. Web.
• [11] Nahin, A.F.M. Nazmul Haque, Jawad Mohammad Alam, Hasan Mahmud, and Kamrul Hasan. "Identifying Emotion by Keystroke Dynamics and Text Pattern Analysis." Behaviour & Information Technology 33.9 (2014): 987-96. Web.
• [12] Hippe, Zdzisław S, Juliusz L Kulikowski, and Teresa Mroczek. "Usefulness of Keystroke Dynamics Features in User Authentication and Emotion Recognition." Human-Computer Systems Interaction. Vol. 551. Switzerland: Springer International AG, 2018. 42-52. Advances in Intelligent Systems and Computing. Web.
• [13] Jia, Weichen, et. al. "High Security User Authentication Based on Piezoelectric Keystroke Dynamics Applying to Multiple Emotional Responses." IEEE Sensors Journal 22.3 (2022): 2814- 822. Web.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).