Concurrent Biometric Identification and Control Using Handclaps
(2025) In Master’s Theses in Mathematical Sciences FMAM05 20251Mathematics (Faculty of Engineering)
- Abstract
- This thesis explores the feasibility of using handclaps as a means of biometric identification and control in the context of home appliances. Utilizing the acoustic properties of handclaps, the study proposes a machine learning-based solution capable of identifying the individual performing the handclap as well as distinguishing between single, double, and triple claps. The solution utilizes well established audio descriptors in combination with classification models including random forest, support vector machines, K-number neighbours, and linear discriminant analysis. Results demonstrate that the linear discriminant analysis classifier in combination with the Mel-frequency cepstral coefficients, spectral density, cepstral density and... (More)
- This thesis explores the feasibility of using handclaps as a means of biometric identification and control in the context of home appliances. Utilizing the acoustic properties of handclaps, the study proposes a machine learning-based solution capable of identifying the individual performing the handclap as well as distinguishing between single, double, and triple claps. The solution utilizes well established audio descriptors in combination with classification models including random forest, support vector machines, K-number neighbours, and linear discriminant analysis. Results demonstrate that the linear discriminant analysis classifier in combination with the Mel-frequency cepstral coefficients, spectral density, cepstral density and spectral contrast features achieve the highest performance. Additionally, results show that handclap-based biometric identification is viable under controlled conditions and that a real-time implementation of the proposed predictor is feasible. However, further research is needed regarding the robustness in more diverse environments. (Less)
- Popular Abstract (Swedish)
- I dagens smarta hem är kraven på 'snabbt och smidigt' höga. Det har blivit för omständigt att resa sig från soffan för att släcka i taket, eller att gräva fram bilnyckeln ur fickan. Samtidigt är det viktigare än någonsin att det bara är du som blir igenkänd och kan komma åt dina enheter. Att styra smarta enheter genom en enkel, dubbel eller trippel handklapp hade varit ett snabbt och smidigt alternativ till traditionella knappar och fjärrkontroller i ett smart hem.
I vårt arbete har vi undersökt om handklappar går att använda för att på ett säkert sätt styra smarta enheter. Det kluriga med detta är att skillnaderna mellan olika personer kan vara små, och att det dessutom finns många andra ljud i ett hem som av misstag kan uppfattas som... (More) - I dagens smarta hem är kraven på 'snabbt och smidigt' höga. Det har blivit för omständigt att resa sig från soffan för att släcka i taket, eller att gräva fram bilnyckeln ur fickan. Samtidigt är det viktigare än någonsin att det bara är du som blir igenkänd och kan komma åt dina enheter. Att styra smarta enheter genom en enkel, dubbel eller trippel handklapp hade varit ett snabbt och smidigt alternativ till traditionella knappar och fjärrkontroller i ett smart hem.
I vårt arbete har vi undersökt om handklappar går att använda för att på ett säkert sätt styra smarta enheter. Det kluriga med detta är att skillnaderna mellan olika personer kan vara små, och att det dessutom finns många andra ljud i ett hem som av misstag kan uppfattas som en handklapp. Vi tar reda på om ljudet från en persons handklappar är unikt, och om det på så vis går att använda för att känna igen ägaren till den smarta enheten.
I dagsläget finns det ingen lösning som gör detta. Genom att bygga maskininlärningsmodeller som tränas på inspelade handklappar, undersöker vi om dagens AI-teknik går att använda till att känna igen handklappar i inomhusmiljöer. Modellerna vi skapar kan sedan användas av, till exempel, en AI assistent som kopplats ihop med övriga smarta enheter i ditt hem. Allt som behövs är att enheten först konfigureras till användaren genom att hen klappar händerna några gånger och att enheten lyssnar.
Resultaten i rapporten visar att modellerna är bra på att känna igen flera olika personer och hur många gånger de klappade, men bara i en kontrollerad miljö. Modellerna hade behövt förbättras för att kunna användas i system med högre krav på säkerhet eller i miljöer som den inte lärt sig känna igen sedan tidigare.
Allt som allt hade modellerna kunnat styra taklamporna eller liknande i ditt smarta hem, men för att du skulle vilja ha dem i bildörren krävs mer arbete. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9192763
- author
- Anderberg, Andreas LU and Nilsson, Albin LU
- supervisor
- organization
- alternative title
- Samtidig biometrisk identifiering och styrning med handklappar
- course
- FMAM05 20251
- year
- 2025
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Handclaps, Machine Learning, K-number Neighbours, Support Vector Machines, Random Forest, Linear Discriminant Analysis, Biometric Identification, Audio-signal processing, Feature Engineering
- publication/series
- Master’s Theses in Mathematical Sciences
- report number
- LUTFMA-3575-2025
- ISSN
- 1404-6342
- other publication id
- 2025:E24
- language
- English
- id
- 9192763
- date added to LUP
- 2025-08-26 18:30:08
- date last changed
- 2025-08-26 18:30:08
@misc{9192763,
abstract = {{This thesis explores the feasibility of using handclaps as a means of biometric identification and control in the context of home appliances. Utilizing the acoustic properties of handclaps, the study proposes a machine learning-based solution capable of identifying the individual performing the handclap as well as distinguishing between single, double, and triple claps. The solution utilizes well established audio descriptors in combination with classification models including random forest, support vector machines, K-number neighbours, and linear discriminant analysis. Results demonstrate that the linear discriminant analysis classifier in combination with the Mel-frequency cepstral coefficients, spectral density, cepstral density and spectral contrast features achieve the highest performance. Additionally, results show that handclap-based biometric identification is viable under controlled conditions and that a real-time implementation of the proposed predictor is feasible. However, further research is needed regarding the robustness in more diverse environments.}},
author = {{Anderberg, Andreas and Nilsson, Albin}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master’s Theses in Mathematical Sciences}},
title = {{Concurrent Biometric Identification and Control Using Handclaps}},
year = {{2025}},
}