Використання штучного інтелекту в системах біометричної аутентифікації на основі динамічного підпису

Abstract

У статті розглянуто сучасні підходи до використання технологій штучного інтелекту в системах біометричної аутентифікації на основі динамічного підпису. Проаналізовано тенденції розвитку наукових досліджень у цій галузі за даними бази Scopus за 2004–2025 рр. Встановлено зростання наукового інтересу до застосування методів глибинного навчання, зокрема рекурентних (RNN) та згорткових (CNN) нейронних мереж, які забезпечують підвищення точності, швидкості та надійності процесів автентифікації. Визначено провідні наукові центри та джерела фінансування досліджень у сфері біометрії. Проведено систематизацію типів наукових публікацій і галузей, у яких використовують біометричні технології. Показано, що гібридні архітектури нейронних мереж (CNN–LSTM) мають високу ефективність у розпізнаванні динамічного підпису, перевищуючи класичні алгоритми за точністю на 10–15 %. Окреслено основні ризики використання ШІ – питання захисту персональних даних, можливості підробки цифрових шаблонів і етичні аспекти автоматизованого прийняття рішень. Запропоновано напрями подальших досліджень, зокрема створення мультибіометричних систем, адаптивного навчання моделей і поєднання технологій динамічного підпису з блокчейном для підвищення безпеки. Дослідження також враховує біологічну основу формування динамічного підпису, підкреслюючи роль нейрофізіологічних і моторних процесів у формуванні індивідуальних почеркових патернів. Показано, що характеристики динамічного підпису визначаються функціонуванням центральної нервової системи, моторною координацією та м’язовою пам’яттю, які забезпечують унікальність підпису кожної людини. Інтеграція біологічних і поведінкових ознак у моделі штучного інтелекту сприяє підвищенню точності, адаптивності та надійності систем біометричної аутентифікації.

The article explores contemporary approaches to applying artificial intelligence (AI) technologies in biometric authentication systems based on dynamic signatures. A scientometric analysis of research trends in this field was conducted using data from the Scopus database covering the period from 2004 to 2025. The results reveal a steady increase in scientific interest in employing AI methods for behavioral biometric authentication, particularly after 2020. Special emphasis is placed on deep learning techniques, including convolutional neural networks (CNNs) and recurrent neural networks (RNNs), which significantly enhance the accuracy, reliability, and speed of signature verification systems. The study also identifies leading research institutions, authors, and publication sources contributing to advancements in biometric technologies. A classification of scientific publications and the primary subject areas where biometric authentication is applied was performed. The findings indicate that hybrid neural network architectures, especially CNN-LSTM models, demonstrate superior efficiency in dynamic signature recognition, outperforming classical algorithms by approximately 10-15% in accuracy. The paper discusses the role of dynamic signatures as a behavioral biometric characteristic that reflects individual motor and psychological features of handwriting. Integrating AI with biometric authentication systems facilitates the development of adaptive, personalized, and more secure identity verification mechanisms applicable in banking, healthcare, military, and educational information systems. Simultaneously, the study highlights several challenges associated with using AI in biometric authentication, including personal data protection, potential falsification of digital biometric templates, and ethical concerns related to automated decision-making systems. Prospective research directions are proposed, including the development of multibiometric authentication systems, adaptive model training techniques, and the integration of dynamic signature verification with blockchain technologies to enhance security and data integrity. The study also examines the biological basis of dynamic signature formation, emphasizing the role of neurophysiological and motor processes in shaping individual handwriting patterns. It demonstrates that dynamic signature characteristics are determined by the functioning of the central nervous system, motor coordination, and muscle memory, which together ensure the uniqueness of each individual’s signature. Incorporating biological and behavioral features into artificial intelligence models enhances the accuracy, adaptability, and reliability of biometric authentication systems.