Prykhodko, S. B.Trukhov, A. S.Приходько, С. Б.Трухов, А. С.2025-12-162025-12-162025https://eir.zp.edu.ua/handle/123456789/25508Prykhodko S. B. Keystroke dynamics recognition using nine-variate prediction ellipsoid for normalized data / S. B. Prykhodko, A. S. Trukhov // Радіоелектроніка, інформатика, управління. – 2025. – № 1 (72). – C. 96-105.EN: Context. Keystroke dynamics recognition is a crucial element in enhancing security, enabling personalized user authentication, and supporting various identity verification systems. This study investigates the influence of data distribution on the performance of one-class classification models in keystroke dynamics, focusing on the application of a nine-variate prediction ellipsoid. The object of research is the keystroke dynamics recognition process. The subject of the research is a mathematical model for keystroke dynamics recognition. Unlike typical approaches assuming a multivariate normal distribution of data, real-world keystroke datasets often exhibit non-Gaussian distributions, complicating model accuracy and robustness. To address this, the dataset underwent normalization using the multivariate Box-Cox transformation, allowing the construction of a more precise decision boundary based on the prediction ellipsoid for normalized data. The objective of the work is to increase the probability of keystroke dynamics recognition by constructing a nine-variate prediction ellipsoid for normalized data using the Box-Cox transformation. Method. This research involves constructing a nine-variate prediction ellipsoid for data normalized using the Box-Cox transformation to improve keystroke dynamics recognition. The squared Mahalanobis distance is applied to identify and remove outliers, while the Mardia test assesses deviations from normality in the multivariate distribution. Estimates for parameters of multivariate Box-Cox transformation are derived using the maximum likelihood method. Results. The results demonstrate significant performance improvements after normalization, reaching higher accuracy and robustness compared to models built for non-normalized data. The application of the nine-variate Box-Cox transformation successfully accounted for feature correlations, enabling the prediction ellipsoid to better capture underlying data patterns. Conclusions. For keystroke dynamics recognition, a mathematical model in the form of the nine-variate prediction ellipsoid for data normalized using the multivariate Box-Cox transformation has been developed, which enhances the probability of recognition compared to models constructed for non-normalized data. However, challenges remain in determining the optimal normalization technique and selecting the significance level for constructing the prediction ellipsoid. These findings underscore the importance of careful feature selection and advanced data normalization techniques for further research in keystroke dynamics recognition. UK: Актуальність. Розпізнавання клавіатурного почерку є важливим елементом у підвищенні безпеки, що дозволяє реалізувати персоналізовану автентифікацію користувачів та підтримує різні системи перевірки особистості. Це дослідження вивчає вплив розподілу даних на ефективність моделей однокласової класифікації в задачах розпізнавання клавіатурного почерку, зосереджуючи увагу на застосуванні дев’ятивимірного еліпсоїда прогнозування. Об’єктом дослідження є процес розпізнавання клавіатурного почерку. Предметом дослідження є математичні моделі для розпізнавання клавіатурного почерку. На відміну від типових підходів, що передбачають багатовимірний нормальний розподіл даних, реальні набори даних часто відхилається від нього, що ускладнює побудову точних і надійних моделей. Для вирішення цієї проблеми дані були нормалізовані за допомогою багатовимірного перетворення Бокса-Кокса, що дозволило покращити вірогідність розпізнавання клавіатурного почерку за допомогою застосування еліпсоїда прогнозування для нормалізованих даних. Метою роботи є підвищення ймовірності розпізнавання клавіатурного почерку шляхом побудови дев’ятивимірного еліпсоїда прогнозування для нормалізованих даних із використанням багатовимірного перетворення Бокса-Кокса. Метод. Дослідження включає побудову дев’ятивимірного еліпсоїда прогнозування для даних, нормалізованих за допомогою перетворення Бокса-Кокса. Квадрат відстані Махаланобіса застосовується для виявлення та видалення викидів, а тест Мардіа оцінює відхилення багатовимірного розподілу від нормального. Оцінки параметрів багатовимірного перетворення Бокса-Кокса отримані методом максимальної правдоподібності. Результати. Результати показують значне підвищення вірогідності розпізнавання після нормалізації, що полягає у збільшені точності та надійності порівняно з моделями, побудованими для ненормалізованих даних. Застосування дев’яти-вимірного перетворення Бокса-Кокса дозволило краще врахувати кореляції між ознаками, що дозволило еліпсоїду прогнозування краще захоплювати складні закономірності даних. Висновки. Для розпізнавання клавіатурного почерку була розроблена математична модель у формі дев’ятивимірного еліпсоїда прогнозування для даних, нормалізованих із використанням багатовимірного перетворення Бокса-Кокса, що підвищує ймовірність розпізнавання в порівнянні з моделями, побудованими для ненормалізованих даних. Однак залишаються труднощі у визначенні оптимального методу нормалізації та виборі рівня значущості для побудови еліпсоїда прогнозування. Ці висновки підкреслюють важливість ретельного вибору ознак та застосування вдосконалених методів нормалізації даних для подальших досліджень у сфері розпізнавання клавіатурного почерку.enkeystroke dynamics recognition, multivariate Box-Cox transformation, prediction ellipsoid, normalizing transformationрозпізнавання клавіатурного почерку, багатовимірне перетворення Бокса–Кокса, еліпсоїд прогнозування, нормалізуюче перетворенняArticle