Digital Forensics of Wrist-Worn Devices: A Framework to Find Indirect Digital Evidence and Identify Factors Associated with Aggressive Behavior. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF g201902170_Almubairik_eprint.pdf - Accepted Version Restricted to Repository staff only until 25 December 2025. Download (11MB)

Arabic Abstract

أدى الانتشار الواسع للأجهزة القابلة للارتداء على المعصم إلى فتح آفاق جديدة في مجال التحقيقات الجنائية الرقمية، حيث توفر هذه الأجهزة بيانات مهمة حول أنشطة الأفراد. لكن هذا المجال يواجه تحديات كبيرة، حيث تركز الأبحاث الحالية بشكل رئيسي على عدد محدود من الأجهزة القابلة للارتداء من الشركات الكبرى، مما يترك الأجهزة الأقل شهرة دون دراسة كافية. يؤدي هذا النقص في منهجيات التحليل الجنائي إلى احتمالية التفسير الخاطئ أو تجاهل للأدلة الموجودة. بالإضافة إلى ذلك، يفتقر التحليل الجنائي الحالي إلى دمج الرؤى السلوكية، مما يحد من القدرة على فهم حالات المشتبه بهم أو الضحايا أثناء الأحداث الحرجة. لمعالجة هذه الفجوات البحثية، يقدم هذا البحث إطار عمل لتطوير مجال التحليل الجنائي الرقمي للأجهزة القابلة للارتداء على المعصم. يتميز هذا الإطار بحياديته تجاه نوع الجهاز المستخدم، حيث يوفر وسيلة منهجية لاستخراج البيانات الفسيولوجية، مثل معدل ضربات القلب، وتشبع الأكسجين في الدم SpO2 ، ومستويات التوتر، من مجموعة متنوعة من الأجهزة، مما يزوّد المحققين بأدلة ظرفية مهمة ولضمان القبول القانوني لهذه الأدلة، تم تطوير نموذج AdmitSure للتحقق من مقبولية البيانات المستخرجة من هذه الأجهزة كدليل ظرفي. أما بالنسبة للرؤى السلوكية، فيركز البحث على السلوك العدواني، خاصة فيما يتعلق بالحالة النفسية للأفراد في المواقف الحرجة. يمكن للأجهزة القابلة للارتداء على المعصم أن تلتقط إشارات التوتر والغضب لدى الضحايا أو الأفراد في مواقف الضغط العالي، مما يوفر رؤى مهمة لفهم تسلسل الأحداث في مسرح الجريمة. لتحقيق ذلك، تم إنشاء مجموعة بيانات WristSense التي تحتوي على بيانات 40 مشاركاً لمدة ثمانية أيام. ومن خلال استخدام تقنيات التعلم الآلي، تم تحليل هذه البيانات للتنبؤ بالسلوك العدواني. وأظهرت النتائج وجود علاقة قوية بين ميزات معينة في هذه الأجهزة وظهور السلوك العدواني الجسدي والغضب، خاصة عند دمج البيانات الفسيولوجية والديموغرافية. وكشفت التحليلات عن عوامل مترابطة مع السلوك العدواني، مثل ارتفاع مستويات التوتر، التأخر في وقت الاستيقاظ، وزيادة معدل ضربات القلب أثناء الراحة وكلها تساهم بشكل كبير في دقة التنبؤ. يقدم هذا البحث إسهاماً مهماً في مجال التحليل الجنائي الرقمي من خلال توفير إطار عمل شامل، ومجموعة بيانات جديدة، ونماذج تعلم آلي متقدمة، وعملية تحقق قوية، مما يعزز القبول للتحقيقات الجنائية المتعلقة بالأجهزة القابلة للارتداء على المعصم.

English Abstract

The proliferation of wrist-worn devices has created new opportunities for digital forensic investigations, offering valuable data on individuals’ activities. However, this field faces significant challenges. Current research has primarily focused on a limited range of wrist-worn devices from major manufacturers like Apple and Fitbit, leaving devices from lesser-known brands understudied. This lack of standardized forensic approaches can result in misinterpreted or overlooked evidence. Additionally, the absence of behavioral insights in current forensic investigations limits the ability to understand suspects' or victims' states during critical events. To address these gaps, this research advances wrist-worn digital forensics by introducing the WristInsight framework. This device-agnostic framework systematically extracts physiological data, such as heart rate, SpO2, and stress levels, from a variety of wrist devices, providing investigators with valuable indirect evidence. To ensure that this evidence is legally admissible, the AdmitSure model was developed to help validate the data extracted from wrist-worn devices. In exploring behavioral insights, this study focuses on aggressive behavior, specifically in relation to the psychological state of individuals during critical events. Wrist-worn devices can capture signs of physical and emotional stress in victims or individuals involved in high-pressure situations, offering crucial insights for understanding crime scenes. To achieve this, the WristSense dataset was created, containing data from 40 participants using smartwatches over eight days. Machine learning techniques were then employed to predict aggressive behaviors. The results demonstrated a strong relationship between specific features from wrist-worn devices and the occurrence of physical and anger aggression, particularly when combining augmented data with physiological and demographic factors. Feature importance analysis further revealed key predictors, such as high average stress levels, late wake-up time, and high resting heart rate, all significantly contributing to the model's predictive power. This study contributes to digital forensics by introducing a comprehensive framework, a novel dataset, advanced machine learning models, and a robust validation process, thereby enhancing the admissibility and effectiveness of forensic investigations involving wrist-worn devices.

Item Type:	Thesis (PhD)
Subjects:	Computer Research Research > Information Technology
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	Khan, Fakhri
Committee Members:	Sajjad, Mahmood and Jameleddine, Hassine and Mohammad, Alshayeb and Mahmood, Niazi
Depositing User:	NORAH ALMUBAIRIK (g201902170)
Date Deposited:	01 Jan 2025 06:21
Last Modified:	01 Jan 2025 06:21
URI:	http://eprints.kfupm.edu.sa/id/eprint/143190