专利摘要
本发明提供了一种用于可穿戴设备的身份验证方法，包括：在用户敲击手背时，记录内置于可穿戴设备中加速度计和陀螺仪所检测到的三轴加速度数据和三轴角速度数据；对采集到的信号进行处理得到频域上的数据，拼接在原来的数据上；将处理完的信号数据作为训练数据集储存在可穿戴设备数据库里；用户敲击新的解锁信号数据作为测试数据，先检验测试数据是否为一次有效的敲击，然后用处理训练数据的方法来处理测试数据；处理完的测试数据可以与训练集的数据通过机器学习分类方法进行分类，从而进行身份验证的识别。本发明硬件成本低，用户只需要敲击手背即可解锁可穿戴设备，学习成本低，使用方便。本发明的交互方式新颖有趣且方便快捷，应用广泛。
权利要求
1.一种用于可穿戴设备的新型身份验证方法，其特征在于：所述方法包括以下步骤：
S1、可穿戴设备在用户敲击手背时，记录内置于可穿戴设备中加速度计和陀螺仪所检测到的三轴加速度数据和三轴角速度数据；
S2、对采集到的加速度信号和角速度信号进行滤波降噪和端点切断处理；
S3、对端点切断后的加速度信号和角速度信号进行对齐处理；
S4、将对齐后的加速度数据和角速度数据进行快速傅里叶变换得到频域上的数据，拼接在原来的数据上；将处理完的信号数据作为训练数据集储存在可穿戴设备的数据库里；
S5、用户敲击新的解锁信号数据作为测试数据，先检验测试数据是否为一次有效的敲击，然后用处理训练数据的方法来处理测试数据；
S6、处理完的测试数据与训练集的数据通过机器学习分类方法进行分类，从而进行身份验证的识别；
其中，所述的敲击动作是指用户另外一只手手指敲击佩戴所述可穿戴设备的那只手手背短暂而快速的运动；
所述步骤S6包括：
S61、多键组合身份验证：用户敲击除了大拇指外的4手指的关节骨的加速度数据和角速度数据作为训练数据，处理后将其保存在数据库里；
并且将多键敲击的位置顺序作为组合密码也一并保存起来；
S62、用户进行身份验证时，每一次的敲击信号与数据库原有的所有敲击信号通过机器学习算法KNN进行对比分类，从而确定用户每一次敲击所对应的手背键位；多个键敲击组合密码与数据库原密码对比，从而进行验证；
S63、单键敲击身份验证：用户只需重复敲击手背某一个位置作为训练数据保存在数据库里；
S64、用户进行身份验证时，只需敲击手背一下，所产生的敲击信号与数据库保存的训练数据进行比较，从而进行验证。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：
S21、分别对所述加速度计和陀螺仪检测到的数据进行滤波处理，获得加速度数据和角速度数据；
S22、将获得滤波后的加速度数据和角速度数据进行切片处理，只取出等长的峰值及其附近的加速度数据和角速度数据，去掉没有振动信号的数据。
3.根据权利要求2所述的方法，其特征在于，所述步骤S3包括：
S31、通过总体互相关法对端点切断后的振动信号进行对齐处理，所述对齐处理的具体操作是计算两个振动信号之间的偏移量，然后对当前的振动信号进行移动，移动完之后只取两个振动信号之间共有的完整部分；
S32、对齐处理通过公式
以及O(A,B)＝P(A,B)-n计算两个振动信号之间的偏移量O(A,B)，其中，a和b代表两个信号长度为n的振动信号，a(i)表示振动信号a的第i个点的振幅大小，b(i)表示振动信号b的第i个点的振幅大小，C(a,b)表示振动信号a和振动信号b的相关度；A表示对振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；B表示长度n的振动信号b；P(A,B)表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A,B)为计算所得的第一信号A与第二信号B之间的偏移量。
4.根据权利要求3所述的方法，其特征在于，所述步骤S4中，提取对齐处理后的振动信号的功率谱密度特征，并将所述功率谱密度特征与对齐处理前振动信号的振幅特征共同作为提取的信号特征。
5.根据权利要求4所述的方法，其特征在于，所述步骤S4中，通过公式
6.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：
S51、用户敲击新的解锁信号数据作为测试数据，滤波降噪后的测试数据是否为一次有效的敲击，有效的敲击信号先是一段平缓的信号，接着是信号峰，最后是一段平缓的信号；只要检测信号前后若干个信号点的值是否超过设定的阈值，如果超过阈值，则丢弃本次采集的信号；
S52、用处理训练数据的方法来处理测试数据，也就是切断，端点对齐处理，然后与训练数据进行对齐处理，最后快速傅里叶变换和计算功率谱密度。
7.根据权利要求1或2所述的方法，其特征在于，所述步骤S2中：采用巴特沃兹滤波器对采集的振动信号进行滤波降噪处理，使用截止频率为20Hz的高通滤波滤除直流分量和低频噪音，使用截止频率为300Hz的低通滤波滤除高频噪音。
8.根据权利要求1或2所述的方法，其特征在于：所述步骤S2中：所述端点切断处理中，使用固定长度来遍历整一段振动信号，当该段信号的能量最大时，则认为敲击信号出现，取该段长度前后一定长度的信号作为端点切断后的振动信号。
说明书
技术领域
本发明涉及信息处理技术领域，尤其涉及一种移动设备的新型身份验证方式。
背景技术
目前，可穿戴智能感知设备迅速发展，其中智能手环和智能手表等手戴式设备也颇为流行，但由于其大小，成本等限制，可穿戴设备的身份识别却很依赖于手机，电脑。可穿戴设备的身份识别的目的在于区分合法用户与非法用户、从而保护合法用户的相关权益，如保障财产安全、保护隐私信息。在如今移动支付技术盛行、信息交换便利的时代背景下，身份识别具有更加重要的意义。
传统智能终端的身份识别方式有文本密码识别、网格锁识别等，均要求用户记住长串密码或网格形状，且存在容易泄密等安全问题，在可穿戴设备的小屏幕上很容易误触，用户体验不佳。语音认证利用用户声音特征进行识别，这容易受到环境噪声的影响。而基于生物信息图像识别的身份认证方案如指纹识别、人脸识别、虹膜识别，因为可穿戴设备的体积过小，成本等原因受到限制。
发明内容
为了解决现有技术中的问题，本发明提供了一种用于可穿戴设备的新型身份验证方法，基于骨传导振动与机器学习，利用可穿戴设备现有的加速度计和陀螺仪，提供一种智能的身份识别方法，硬件成本低，设备和系统简单，使用方便，适用于目前市面上绝大部分的可穿戴设备。
本发明具体通过如下技术方案实现：
一种用于可穿戴设备的新型身份验证方法，包括以下步骤：
S1、可穿戴设备在用户敲击手背时，记录内置于可穿戴设备中加速度计和陀螺仪所检测到的三轴加速度数据和三轴角速度数据；
S2、对采集到的加速度信号和角速度信号进行滤波降噪和端点切段处理；
S3、对端点切断后的加速度信号和角速度信号进行对齐处理；
S4、将对齐后的加速度数据和角速度数据进行快速傅里叶变换得到频域上的数据，拼接在原来的数据上；将处理完的信号数据作为训练数据集储存在可穿戴设备的数据库里；
S5、用户敲击新的解锁信号数据作为测试数据，检验测试数据是否为一次有效的敲击，然后用处理训练数据的方法来处理测试数据；
S6、处理完的测试数据可以与训练集的数据通过机器学习分类方法进行分类，从而进行身份验证的识别。
作为本发明的进一步改进，在步骤S1中，可穿戴设备的使用者敲击的是佩戴可穿戴设备的那只手；所述的敲击动作是指另外一只手手指敲击手背短暂而快速的运动。
作为本发明的进一步改进，在步骤S1中，所述的智能表使用者多次敲击手背；相邻两次敲击留有时间间隔。相邻两次留有时间间隔可以使加速度计和陀螺仪记录的值更准确。
作为本发明的进一步改进，所述步骤S2包括：S21、分别对所述加速度计和陀螺仪检测到的数据进行滤波处理，获得加速度数据和角速度数据。 S22、将获得滤波后的加速度数据和角速度数据进行切片处理，只取出等长的峰值及其附近的加速度数据和角速度数据，去掉没有振动信号的数据。
作为本发明的进一步改进，所述步骤S3包括：S31、通过总体互相关法对端点切段后的振动信号进行对齐处理，所述对齐处理的具体操作是计算两个振动信号之间的偏移量，然后对当前的振动信号进行移动，移动完之后只取两个振动信号之间共有的完整部分；
S32、对齐处理通过公式
以及O(A,B)＝P(A,B)-n计算两个振动信号之间的偏移量O(A,B)，其中，a和 b代表两个信号长度为n的振动信号，a(i)表示振动信号a的第i个点的振幅大小，b(i)表示振动信号b的第i个点的振幅大小，C(a,b)表示振动信号a和振动信号b的相关度；A表示对振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；B表示长度n的振动信号b；P(A,B) 表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A,B)为计算所得的第一信号A与第二信号B之间的偏移量。
作为本发明的进一步改进，所述步骤S4中，提取对齐处理后的振动信号的功率谱密度特征，并将所述功率谱密度特征与对齐处理前振动信号的振幅特征共同作为提取的信号特征。
作为本发明的进一步改进，所述步骤S5包括：S51、用户敲击新的解锁信号数据作为测试数据，检验测试数据是否为一次有效的敲击，有效的敲击信号应该先是一段平缓的信号，接着是信号峰，最后是一段平缓的信号。检测信号前后若干个信号点的值是否超过设定的阈值，如果超过阈值，则丢弃该次采集的信号；S52、用处理训练数据的方法来处理测试数据，也就是对测试数据进行系统的滤波降噪和端点切段处理，然后与训练数据进行对齐处理，最后对切段处理的训练数据进行快速傅里叶变换。
作为本发明的进一步改进，所述步骤S6包括：S61、多键组合身份验证：用户敲击除了大拇指外的4手指的关节骨的敲击信号数据作为训练数据，将其保存在数据库里。并且将多键敲击的位置作为组合密码也一并保存起来。S62、用户进行身份验证时的，每一次的敲击信号与数据库原有的所有敲击信号通过机器学习算法KNN进行对比分类，从而确定用户每一次敲击所对应的手背键位。多个键敲击组合密码与数据库原密码对比，从而进行验证。S63、单键敲击身份验证：用户只需重复敲击手背某一个位置作为训练数据保存在数据库里。S64、用户进行身份验证时，只需敲击手背一下，所产生的敲击信号与数据库保存的训练数据进行比较。计算测试数据与训练数据的欧氏距离，若所得距离不超过所设定的阈值则判定为合法敲击，从而进行验证。
上述两种身份识别方法的原理在于在不同的人体，或者相同人体不同位置上敲击所产生的振动信号是不同的，而利用不同的振动信号，可以用于区分不同使用者的敲击，从而实现身份验证。
作为本发明的进一步改进，所述步骤S2中：采用巴特沃兹滤波器对采集的振动信号进行滤波降噪处理，使用截止频率为20Hz的高通滤波滤除直流分量和低频噪音，使用截止频率为300Hz的低通滤波滤除高频噪音。
作为本发明的进一步改进，所述步骤S2中：S2、所述端点切段处理中，使用固定长度来遍历整一段振动信号，当该段信号的能量最大时，则认为敲击信号出现，取该段长度及其前后一定长度的信号作为端点切段后的振动信号。
本发明的有益效果是：相比于现有技术，本发明提供一种新型的可穿戴设备身份验证方式。通过利用智能手机内置加速度计和陀螺仪，将敲击手背产生的振动信号转化为数字信号，保存在手表中。在进行身份验证时利用机器学习算法进行分类判断。本发明的有益效果在于硬件成本低，设备和系统简单，使用方便。由于可穿戴设备有广泛的适用人群，相比于现有技术具有重要的改进意义。
附图说明
图1是本发明的可穿戴设备的新型身份验证方法流程示意图；
图2是敲击手背时振动在手背上传递的等效图；
图3是本发明实现对齐处理前的效果仿真示意图；
图4是本发明实现对齐处理后的效果仿真示意图；
图5是本发明的虚拟键位的效果示意图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
本发明的可穿戴设备的基于骨传导振动与机器学习的身份验证方法，如图1所示，包括以下步骤：
S1、可穿戴设备在用户敲击手背时，记录内置于可穿戴设备中加速度计和陀螺仪所检测到的三轴加速度数据和三轴角速度数据；
S2、对采集到的加速度信号和角速度信号进行滤波降噪和端点切断处理；
S3、对端点切断后的加速度信号和角速度信号进行对齐处理；
S4、将对齐后的加速度数据和角速度数据进行快速傅里叶变换得到频域上的数据，拼接在原来的数据上；将处理完的信号数据作为训练数据集储存在可穿戴设备的数据库里；
S5、用户敲击新的解锁信号数据作为测试数据，检验测试数据是否为一次有效的敲击，然后以处理训练数据的方法处理测试数据；
S6、处理完的测试数据可以与训练集的数据通过机器学习分类方法进行分类，从而进行身份验证的识别。
如图5所示，本实施例通过骨传导振动原理实现在手背上进行输入，即把手背当作一个输入设备(该虚拟按键可以是手背的任意一个位置)来实现用户的输入功能，而敲击手背锁产生的振动信号就是解锁密码。利用振动来实现身份识别是非常便捷的。
具体地，在步骤S1中，可穿戴设备的使用者敲击的是佩戴可穿戴设备的那只手；所述的敲击动作是指另外一只手手指敲击手背短暂而快速的运动。可穿戴设备检测用户敲击手背的振动信号并将该信号转化为可供处理的数字信号。相邻两次敲击留有时间间隔。相邻两次留有时间间隔可以使加速度计和陀螺仪记录的值更准确.
本实施例所述步骤S2中，通过加速器和陀螺仪采集到的原始数据包含了人体移动等原因产生的噪声干扰，因此首先需要进行去噪处理，以使得信号更为有效。与射频信号或声音信号需要经过空间传播的信号特性不同，振动信号受到周围环境噪声的影响很小，因此，选用合理的滤波器去除振动信号所在频率之外的低频和高频噪声，即可达到所需目的。敲击人体产生的振动信号频率一般为20～300Hz。因此，本实施例采用巴特沃斯高通滤波器来滤除信号中的直流分量和人体本身移动产生的低频噪声(该噪声的频率通常低于5HZ)，然后采用巴特沃斯低通滤波器来滤除高频成分。经过滤波之后的信号将会用于提取有效的敲击信号。
本实施例所述步骤S2中，所述端点切段处理也称为端点检测处理，其处理过程使用固定长度来遍历整一段振动信号，当该段信号的能量最大时，则认为敲击信号出现，取该段长度及其前后一定长度的信号作为端点切段后的振动信号。端点切段后的振动信号也称为敲击信号。
本实施例所述步骤S3中，通过总体互相关法(general cross correlation， GCC)对端点切段后的振动信号进行对齐处理，所述对齐处理的具体操作是计算两个振动信号之间的偏移量，然后对当前的振动信号进行移动，移动完之后只取两个振动信号之间共有的完整部分。本实施例所述对齐处理处理能够将所有振动信号对齐，有利于机器学习算法分类精度的提升，其对齐处理前和对齐处理后的仿真效果图如图3和图4所示。
本实施例所述的步骤S3中，除第一次敲击外，其它敲击信号都是与第一次敲击信号进行对齐，从而保证所有敲击信号相应维度上的振动数据都是一一对应。
本实施例所述步骤S3中，通过公式
以及O(A,B)＝P(A,B)-n计算两个振动信号之间的偏移量O(A,B)，其中，a和 b代表两个信号长度为n的振动信号，a(i)表示振动信号a的第i个点的振幅大小，b(i)表示振动信号b的第i个点的振幅大小，C(a,b)表示振动信号a和振动信号b的相关度；A表示对振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；B表示长度n的振动信号b；P(A,B) 表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A,B)为计算所得的第一信号A与第二信号B之间的偏移量。
本实施例所述步骤S4中，提取对齐处理后的振动信号的功率谱密度特征(powerspectral density,PSD)，并将所述功率谱密度特征与对齐处理前振动信号的振幅特征共同作为提取的信号特征。优选的，所述步骤S4 中，通过公式 提取对齐处理后的振动信号的功率谱密度特征PSD，其中，fs为振动信号的采样频率，n为信号长度，k表示信号长度为n的信号，FFT(k)表示对信号k的傅里叶变换，abs(FFT(k))表示对FFT(k)取绝对值。
本实施例所述步骤S4中，功率谱密度描绘的是振动信号在一系列频点上的信号功率特征，通过对位置敏感频点或位置相关频点进行区别于其他频点的加权操作，可放大振动信号特征，提高特征识别准备度。加权操作后的PSD称为加权PSD。在键盘输入等需要获取多个振动位置信息的交互场景中，位置敏感频点及位置相关频点均可以提供有价值的参考。在本实施例中，利用fisher score技术可将这两种频点归为一类进行识别，其计算公式为：
其中，r表示频点位置，ni表示第i类的样本个数，ui和δi
在本实施例身份验证等交互场景中，系统只需要识别出是不是某个固定位置敲击产生的振动，位置相关频点将会展现更好的特性。我们可以为每个频点设置一个权重， 其中E(·)是方差。通过该权重设计，方差小的频点代表位置相关、可以获得更大的权重；反之，方差大的维度频点被认为是不好的描述特征而被乘以较小的权重。
本实施例所述步骤S4中，每个手背位置采集预定数量的训练样本，提取对应的信号特征，将训练样本的信号特征及其标签作为训练集保存在数据库里。所述预定数量可以根据用户的需求进行自定义设置和调整，本实施例所述每个位置预定数量优选为30。
本实施例所诉步骤S5中，用户敲击新的解锁信号数据作为测试数据，检验每一次的测试数据是否为一次有效的敲击，因为手臂的摆动等非有意识的敲击振动都有可能触发身份验证算法的执行，对无效的敲击信号过滤能降低程序功耗。如果振动信号为手臂的摆动，振动信号应该为持续的振动波。在滤波后，有效的敲击信号应该先是一段平缓的信号，接着是信号峰，最后是一段平缓的信号。检测信号前后若干个信号点的值是否超过设定的阈值，如果超过阈值，则丢弃该次采集的信号。
本实施例所诉步骤S5中，用处理训练数据的方法来处理测试数据，也就是切段，端点对齐处理，然后与训练数据进行对齐处理，最后快速傅里叶变换和计算功率谱密度计算。
本实施例所述步骤S6中，进行身份验证的方法有两种：多键识别和单键识别。在多键识别中，用户敲击用于解锁的振动信号与原有的4个位置储存的训练数据比较，使用k-NearestNeighbor算法进行分类，从而确定敲击的位置。多个敲击位置组合在一起与数据库储存的解锁密码比较，从而实现身份验证。
在本实施例所述的步骤S6中，在单键识别中，用户敲击一下产生的振动信号与原有的训练数据相比较，计算与每一个训练数据的欧氏距离，如果小于设定的阈值，则认为测试数据与训练数据是相似的。(阈值通过计算训练数据两两之间的距离动态获得)如果训练数据与测试数据相似，可以认为该次敲击是合法的，从而进行身份识别。
上述两种身份识别方法的原理在于在不同的人体，或者相同人体不同位置上敲击所产生的振动信号是不同的。人体本身非常复杂，为了便于分析基本的敲击振动模型，首先构建一个图2所示的单自由度模型。在此模型中，质量单元由一个恒定的m表示，弹性单元被定义为k，而阻尼系数为c。根据牛顿第二运动定律，当外力施加到人体并发生垂直位移时，我们就有了
F(t)＝ma(t)+kx(t)+cv(t)
其中F(t)是外力，v(t)是速度，x(t)是垂直位移，c是阻尼系数，k是弹簧常数，m是质量。等式(1)可以进一步解释为
事实上，手指敲击过程中的振动可分为两个阶段。在第一阶段，手指与人体之间存在瞬时接触△t，这被认为是恒定力F(0)的强迫振动。在最初的瞬变干扰之后，在第二阶段，手指和皮肤表面的接触消失，使系统自行振动，这被称为自由振动。
在强制振动中，对方程的两侧进行傅里叶变换，得到：
即：
其中X(w)是垂直振动的频谱，w是频率。由公式(4)此可见，X(w)由敲击力F(0)、质量m、阻尼系数c以及弹簧常数k共同决定。也就是说，基于人体的敲击产生的初始振动信号x(t)与敲击力度、敲击位置的人体结构强相关，因此，敲击的人、敲击位置的不同均会使得x(t)信号特征不同。
在从手指敲击位置到传感器的传播过程中，振动信号x(t)将遭受衰减。在单一介质情况下该模型可以表述为：
y(t)＝x(t)e
其中y(t)是振动传播到的位置处的垂直位移，d为传播距离，α是与传播介质及频率相关的衰减系数，α＝f(ρ,w)，其中ρ代表传播介质密度。对于人体来说，骨头密度较大，衰减系数α较小，而软组织密度较小，衰减系数α较大。
当敲击人体某个部位时，由于人体复杂的生理构造，振动信号会经由人体内不同密度的物质进行传播，在传感器所在位置形成一个由多条路径组成的合成信号，即：
由于人体每个部位的内部结构均有其特殊性，因此振动信号在不同位置传播时都具备特定的衰减特性，每一次敲击动作在人体各个位置也会展现出特定的信号特征。正是不同位置的敲击信号不一致性，从而可以实现身份验证功能。
相比于现有技术，本发明提供一种新型的可穿戴设备身份验证方式。通过利用智能手机内置加速度计和陀螺仪，将敲击手背产生的振动信号转化为数字信号，保存在手表中。在进行身份验证时利用机器学习算法进行分类判断。本发明可以用于解锁智能穿戴设备，移动支付等。本发明的有益效果在于硬件成本低，设备和系统简单，使用方便。由于可穿戴设备有广泛的适用人群，相比于现有技术具有重要的改进意义。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
一种用于可穿戴设备的新型身份验证方法专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0