Análisis de Características Locales y Globales de Firmas Dinámicas.

Resumen

El presente estudio realizó un análisis exploratorio de firmas dinámicas y propuso un enfoque de dos etapas con el objetivo de evaluar el potencial de los datos biométricos para la clasificación de simulaciones y disfraces en comparación con patrones naturales de firma. Inicialmente se analizaron los datos globales (valores promedio) y posteriormente se evaluaron los datos locales (mediciones punto a punto de coordenadas x e y, velocidad, aceleración, jerk y gradiente de presión). Treinta participantes contribuyeron voluntariamente con un conjunto de datos compuesto por 1.800 muestras naturales de sus firmas habituales (incluyendo firmas legibles, mixtas y estilizadas), 60 firmas disfrazadas y 870 firmas simuladas. Se utilizaron herramientas de análisis de datos como Análisis de Componentes Principales (PCA), diagramas de caja (boxplots), prueba de distancia y prueba de hipótesis de Kolmogorov-Smirnov (KS) para analizar 62 características globales (valores promedio). El análisis PCA fue capaz de agrupar correctamente el 97,8% de las firmas simuladas. El estudio de las características locales utilizó análisis visual, Dynamic Time Warping (DTW) y la prueba de hipótesis KS. El rendimiento de clasificación utilizando características locales fue evaluado para determinar cuáles de ellas son más relevantes para el examen pericial. El enfoque propuesto produjo resultados prometedores para la clasificación de firmas simuladas. Las firmas disfrazadas no pudieron diferenciarse satisfactoriamente de las simuladas utilizando el método propuesto, de manera similar a lo observado en la grafoscopía tradicional. Los disfraces formales (autosimulación) presentaron una menor tasa de error en comparación con los disfraces realizados libremente. Las características locales que demostraron mayor robustez en la clasificación de muestras fueron la presión y la velocidad, justificando futuras investigaciones más profundas sobre posibles correlaciones entre ellas.

Palabras clave

grafoscopia
assinatura biodinâmica
DTW
simulação
disfarce
Forensic Handwriting Examination
Dynamic Signature
Simulation
Disguise
DTW
Grafoscopía
Firma Dinámica
Simulación
Disfraz
DTW

Citas

  1. M. Angel.; J. S. Kelly. Forensic Document Examination in the 21st Century. CRC Press, United States of America. 157-303 (2021).
  2. H. H. Harralson. Developments in Handwriting and Signature Identification in the Digital Age. Routledge, United Kingdom. (2013).
  3. H. Harralson; L. Miller. Huber and Headrick’s Handwriting Identification. CRC press, United States of America. (2017).
  4. J. Linden; R. Marquis; S. Bozza; F. Taroni. Dynamic signatures: A review of dynamic feature variation and forensic methodology, Forensic Sci Int., 291, 216–229 (2018)
  5. J. Linden; R. Marquis; W. Mazzella. Forensic Analysis of Digital Dynamic Signatures: New Methods for Data Treatment and Feature Evaluation. J Forensic Sci., 62, 382–391 (2017).
  6. J. Heckeroth; E. Kupferschmid; T. Dziedzic; N. Kalantzis; B. G. Čakovská; C. Fernandes; P. Schmidt. Features of digitally captured signatures vs. pen and paper signatures: Similar or completely different?. Forensic Sci. Int., 318, 110587 (2021).
  7. M. Caligiuri, L. Mohammed. The neuroscience of handwriting. EPUB format, CRC Press, ISBN 9781466559189 (2012)..
  8. J.B. Okado, M.C. Diana, Análise de assinaturas estáticas produzidas em tela, Rev. Bras. Crimin. 12 (2), 41-46 (2023). Retirado em 14/06/23, de https://doi.org/10.15260/rbc.v12i2.695.
  9. European Network of Forensic Science Institutes (ENFSI). Best Practice Manual for the Forensic Handwriting Examination- Appendix 6 (2022). Retirado em 11/04/2023, de https://enfsi.eu/wp-content/uploads/2023/02/BPM-Handwriting-Ed.-4.pdf.
  10. W. J. Flynn. Conducting a forensic examination of electronically captured signatures. D-ABFDE, 15(1) (2012).
  11. R. Doroz, P. Porwik, T. Para, K. Wrobel. Dynamic signature recognition based on velocity changes of some features. Int. J. Biom., 1(1), 47-62 (2008).
  12. S. N. Srihari, S. H. Cha, H. Arora., S. Lee. Individuality of handwriting. J Forensic Sci., 47(4), 856-872 (2002).
  13. I. W. Evett, C. E. H. Berger, J. S. Buckleton, C. Champod, G. Jackson. Finding the way forward for forensic science in the US—A commentary on the PCAST report. Forensic Sci. Int., 278, 16-23 (2017).
  14. Aitken, C., & Taroni, F. Statistics and the evaluation of evidence for forensic scientists. John Wiley & Sons, United States of America. (2004).
  15. Suporte Wacom. Manual do usuário - Definições de Medidas SignatureScope. (2022).
  16. K. Ahmed; I.M. El-Henawy, M. Z. Rashad; O. Nomir. On-line signature verification based on PCA feature reduction and statistical analysis. International Conference on Computer Engineering & Systems. 3–8 (2010).
  17. L.C. Lee; A.A. Jemain. On overview of PCA application strategy in processing high dimensionality forensic data. Microchem. J., 169, 106608 (2021).
  18. T. Lelore; H. Mouchère; E.M. Moussa. Point to segment distance DTW for online handwriting signals matching, ICPRAM 2023. 1–7 (2023).
  19. K. A. Nicolaides. Using acceleration/deceleration plots in the forensic analysis of electronically captured signatures. D-ABFDE, 15(2). (2012).
  20. M.P. Caligiuri; L.A. Mohammed; B. Found; D. Rogers. Nonadherence to the isochrony principle in forged signatures, Forensic Sci Int. 223, 228–232 (2012).
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Derechos de autor 2024 Revista Brasileña de Criminalística

Compartir

Descargar

pdf (Português (Brasil))

Autor(es)

Artículos más leídos del mismo autor/a