专利摘要

本发明提供一种基于振动信号的智能手表身份验证方法。该方法包括：利用智能手表中的振动马达产生增量式振动信号；将采集的振动信号进行基于频率段的分级端点切断，获得多个频率段的振动信号；针对多个频率段的振动信号进行频域特征提取；将多个频率段的振动信号作为训练数据集，训练动态时间规整模型，将提取的频域特征作为训练数据，训练最近邻模型；采集待进行身份验证的振动信号经处理后作为测试数据信号；通过动态时间规整模型判别测试数据信号与相应的训练数据信号的相似度，通过最近邻模型给出分类结果，对动态时间规整模型的判别结果和最近邻模型的判别结果进行加权，得出身份验证结果。本发明的身份验证方法安全实用，可靠性高。

权利要求

1.一种基于振动信号的智能手表身份验证方法，包括以下步骤：

步骤S1，利用智能手表中的振动马达产生增量式振动并采集三轴加速度和三轴角速度共六轴振动信号；

步骤S2，将采集到的振动信号进行滤波降噪处理并进行基于频率段的分级端点切断，获得多个频率段的振动信号；

步骤S3，针对所述多个频率段的振动信号进行频域特征的提取；

步骤S4，将所述多个频率段的振动信号作为训练数据集，训练动态时间规整模型，将提取到的频域特征作为训练数据，训练最近邻模型；

步骤S5，采集待进行身份验证的振动信号并进行步骤S2和步骤S3的处理后形成测试数据信号；

步骤S6，通过所述动态时间规整模型判别测试数据信号与相应的训练数据信号的相似度，通过所述最近邻模型给出分类结果，对所述动态时间规整模型的判别结果和所述最近邻模型的判别结果进行加权计算，得出身份验证结果；

其中，根据以下步骤获得所述六轴振动信号：

将智能手表正常佩戴在手腕位置，与手腕肌肤紧贴，并且手臂处于静止平稳状态；

利用智能手表中的振动马达产生振动幅度随时间由弱至强，振动频率随时间由弱至强的增量式振动；

通过智能手表中的加速度计采集三轴加速度振动信号，通过陀螺仪采集三轴角速度振动信号，获得共六轴的振动信号；

其中步骤S6包括：

所述动态时间规整模型对每个频率段分级切断信号进行对应的匹配，计算出每个频率段下测试数据信号与训练数据信号之间的相似度，通过计算算数平均得到第一重相似度；

所述最近邻模型对经过频域特征提取的测试数据信号与训练数据信号进行判别，得出第二重相似度；

将所述第一重相似度和所述第二重相似度进行加权平均获得身份验证结果。

2.根据权利要求1所述的方法，其特征在于，还包括，对于身份验证结果是合法的振动信号，将其作为一个样本存储在数据库，当样本数量超过预设阈值时，重新训练所述动态时间规整模型和所述最近邻模型。

3.根据权利要求1所述的方法，其特征在于，所述将采集到的振动信号进行滤波降噪处理包括，对于增量式振动中的振动频率随时间由弱至强的每个间隔频点，使用陷波滤波器滤除该频点的振动信息。

4.根据权利要求1所述的方法，其特征在于，所述基于频率段的分级端点切断包括：对于振动频率随时间由弱至强的增量式振动，按照各频点振动持续时间为划分界限，划分为多段，每段中的主振动频率保持平稳一致。

5.根据权利要求1所述的方法，其特征在于，所述第一重相似度和所述第二重相似度各占身份验证结果的50％权重。

6.一种可读存储介质，其上存储有计算程序，其中，该程序被处理器执行时实现根据权利要求1至5中任一项所述方法的步骤。

7.一种电子设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5中任一项所述的方法的步骤。

说明书

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于振动信号的智能手表身份验证方法。

背景技术

目前，可穿戴设备的流行度在显著增长，根据Gartner咨询公司预测，可穿戴设备的市场销售额将在2020年超过智能手机，达到61.7亿美元。而智能手表和智能腕带代表了可穿戴生态系统中的主导力量，广泛用作身体健康数据跟踪，也有用于移动支付，交通票务等趋势。随着这些设备越来越私人化，它们给用户的隐私和安全带来了严重的威胁。人们可能会质疑保护这些设备的必要性，这些设备通常会产生不敏感的隐私数据。然而，原始传感器数据已经被可穿戴应用程序用于推断个人活动，健康状况等，并且许多可穿戴设备可以执行SMS消息传递和在线支付功能。为确保安全性，可穿戴设备本身必须能够对用户进行身份验证并实施访问控制。

传统智能终端的身份验证方法通常依赖于重量级的硬件和用户界面，这些界面不适合可穿戴设备。例如，密码键盘通常需要触摸屏，需要用户记忆，并且易被窥探泄露，不真正具备用户身份验证功能。指纹和人脸识别，语音识别等也可能会遭受非法攻击，并且需要专门的硬件，这些硬件与可穿戴设备的成本和外形尺寸限制也不匹配，难以得到应用。

因此，需要对现有技术进行改进，提供新型的智能手表身份验证方法。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种基于振动信号的智能手表身份验证方法。

根据本发明的第一方面，提供一种基于振动信号的智能手表身份验证方法。该方法包括以下步骤：

步骤S1，利用智能手表中的振动马达产生增量式振动并采集三轴加速度和三轴角速度共六轴振动信号；

步骤S2，将采集到的振动信号进行滤波降噪处理并进行基于频率段的分级端点切断，获得多个频率段的振动信号；

步骤S3，针对所述多个频率段的振动信号进行频域特征的提取；

步骤S4，将所述多个频率段的振动信号作为训练数据集，训练动态时间归整模型，将提取到的频域特征作为训练数据，训练最近邻模型；

步骤S5，采集待进行身份验证的振动信号并进行步骤S2和步骤S3的处理后形成测试数据信号；

步骤S6，通过所述动态时间规整模型判别测试数据信号与相应的训练数据信号的相似度，通过所述最近邻模型给出分类结果，对所述动态时间规整模型的判别结果和所述最近邻模型的判别结果进行加权计算，得出身份验证结果。

在一个实施例中，本发明的方法还包括，对于身份验证结果是合法的振动信号，将其作为一个样本存储在数据库，当样本数量超过预设阈值时，重新训练所述动态时间规整模型和所述最近邻模型。

在一个实施例中，根据以下步骤获得六轴振动信号：

将智能手表正常佩戴在手腕位置，与手腕肌肤紧贴，并且手臂处于静止平稳状态；

利用智能手表中的振动马达产生振动幅度随时间由弱至强，振动频率随时间由弱至强的增量式振动；

通过智能手表中的加速度计采集三轴加速度振动信号，通过陀螺仪采集三轴角速度振动信号，获得共六轴的振动信号。

在一个实施例中，所述对采集到的振动信号进行滤波降噪处理包括，对于增量式振动中的振动频率随时间由弱至强的每个间隔频点，使用陷波滤波器滤除该频点的振动信息。

在一个实施例中，所述基于频率段的分级端点切断包括：对于振动频率随时间由弱至强的增量式振动，按照各频点振动持续时间为划分界限，划分为多段，每段中的主振动频率保持平稳一致。

在一个实施例中，步骤S6包括：

所述动态时间归整模型对每个频率段分级切断信号进行对应的匹配，计算出每个频率段下测试数据信号与训练数据信号之间的相似度，通过计算算数平均得到第一重相似度；

所述最近邻模型对经过频域特征提取的测试数据信号与训练数据信号进行判别，得出第二重相似度；

将所述第一重相似度和所述第二重相似度进行加权平均获得身份验证结果。

在一个实施例中，所述第一重相似度和所述第二重相似度各占身份验证结果的50％权重。

与现有技术相比，本发明的有益效果在于：基于振动信号，利用现有的绝大多数商用智能手表都支持的硬件设备，即振动马达与惯性传感器单元，并结合机器学习的动态时间归整算法以及最近邻算法组合成双因子判别，对用户身份进行合法性的判断。本发明成本低廉，能够保证智能手表设备的安全性。此外，本发明的验证方式新颖可靠，适用人群广泛，能够满足日常生活中智能手表相关应用对身份验证的需求。

附图说明

以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：

图1是根据本发明一个实施例的基于振动信号的智能手表身份验证方法的流程图。

具体实施方式

为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

在本文示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

本发明提供一种基于振动信号的智能手表身份验证方法，参见图1所示，该方法包括以下步骤：

步骤S110，利用智能手表中的振动马达产生增量式振动并采集振动信号数据。

智能手表的振动马达产生的振动将会在手臂腔体传播过程中经历反射、衍射、衰减、滤波等过程，对于合法用户来说，该过程在短时间内不会发生改变。而对于其他的非法用户来说，由于人体的复杂生理构造，该过程不可能与合法用户一致，因此无法获得授权通过设备安全认证系统。本发明利用这一原理，采集振动信号，通过对振动信号进行分析、特征提取等来识别合法用户和非法用户。

具体地，手表正常佩戴在手腕位置，且与手腕肌肤紧贴，利用智能手表中的振动马达产生增量式振动，振动马达的增量式振动是指振动幅度随时间由弱至强，振动频率随时间由弱至强，在振动过程中使手臂处于静止平稳状态。

智能手表中通常设有惯性传感器，例如加速度计和陀螺仪等，在增量式振动过程中，通过智能手表中的加速度计采集三轴加速度信息，通过陀螺仪采集三轴角速度信息，利用采集到的加速度与角速度共六轴的振动信号来表征三维空间中振动马达的运动，即表征振动信号特征。

S120，对采集到的加速度与角速度共六轴的振动信号进行滤波降噪。

为了消除振动信号中的噪声干扰，对采集到的加速度和角速度共六轴的振动信号进行滤波降噪处理。例如，对于增量式振动中的振动频率随时间由弱至强的每个间隔频点，使用陷波滤波器滤除该频点的振动信息。

S130，对滤波降噪后的振动信号进行基于频率段的分级端点切断。

对滤波降噪后的振动信号进行基于频率段的分级端点切断，将频率增量式振动按照某频点振动持续时间为划分界限，划分为多段，每段中的主要振动频率基本保持平稳一致。通过这种方式，能够将振动过程划分为多段，每段振动信号可用主振动频率和振动持续时间来表示。

S140，对端点切断的信号进行频域特征的提取。

端点切断后的振动信号进行频域特征提取，提取的频域特征包括但不限于幅频特性、相频特性等。频域特征提取过程属于现有技术，在此不再赘述。

S150，训练动态时间规整模型和最近邻模型。

在此步骤中，将采集到的振动信号数据集合存储到智能手表中，并进行匹配模型训练。具体地，用端点切断后的原始信号(即未进行频域特征提取的振动信号)作为训练数据，训练动态时间归整模型(DTW)，将提取到的特征信号作为训练数据，训练最近邻模型(KNN)。

动态时间规整模型能够计算两个时间序列之间的相似性。在本发明中利用滤波降噪和端点切断之后的振动信号(即未经特征提取的原始信号)用于动态时间规整模型匹配。

将频域特征信号集合用于最近邻(KNN)模型匹配。KNN的工作原理是：存在训练样本集，样本集中每个数据都存在标签，即知道样本集中每一样本与所属分类对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后提取样本集中特征最相似数据(最近邻)的分类标签，作为判断新数据的分类标签的依据。例如，计算新数据与训练数据的距离；将距离按照递增的顺序排序；选取距离最小的k个点；确定前k个点所在类别出现的频率(或称为新数据与训练数据的相似度)。

S160，处理用户实际使用时的振动信号，作为测试数据。

以实际使用时的振动信号作为测试数据，处理测试数据的过程与步骤S110至S140类似，即对于实际使用的振动信号，通过智能手表中的加速度计与陀螺仪采集振动信号数据；对采集到的加速度与角速度共六轴的振动信号进行滤波降噪；对滤波降噪后的振动信号进行基于频率段的分级端点切断；对端点切断的信号进行频域特征的提取等。

S170，利用训练的动态时间规整模型和最近邻模型对测试数据进行双因子判别。

动态时间规整模型给出判别，得出测试数据与训练集信号的相似度；最近邻模型给出分类结果，对两个模型给出结果进行加权计算，得出身份验证结果。

具体地，动态时间归整模型将对每个频率段的分级切断信号进行对应的匹配，计算出每个频率段下测试信号与训练信号之间的相似度，并对它们取算数平均得出最终的相似度，该相似度又称第一重相似度，例如可占最终判别的50％判别权；最近邻模型对经过特征提取的测试信号与训练信号进行判别，得出第二重相似度，例如，也占最终判别的50％判别权，如果最终获得的相似度大于一定阈值，例如超过70％(或其他值)，则判断为合法用户，否则判别为非法用户。在本文中，将这种综合动态时间规整模型的判别和最近邻模型的判别而获得最终验证结果的方法称为双因子判别。

S180，获得身份验证结果，将通过身份验证的测试数据录入数据集合用于更新动态时间规整模型和最近邻模型。

在通过双因子判别获得身份验证结果之后，即合法用户和非法用户，将最终判别为合法用户对应的测试数据作为一个样本存储在数据库，当样本数量超过一定数量时，更新动态时间规整和最近邻两个训练模型。

通过更新两个训练模型，能够避免时间不稳定性导致的判别误差大的问题，这是由于即使对于合法用户，振动过程长时间来看也可能会发生改变，因此，当样本数量达到一定程度时，将这些样本作为训练数据重新训练动态时间规整模型和最近邻模型。

综上所述，本发明实施例中利用智能手表中的振动马达产生振动，并用智能手表内部的惯性传感器单元采集经人体吸收的振动信号，通过信息技术处理实现更加安全、便捷实用、无隐私风险的智能手表身份识别方法。本发明可直接部署在现有的嵌入了振动马达与惯性传感器的商用智能手表或智能手环，无论有无屏幕，具有极高的普及性，且相较于传统的智能手表身份验证方式，更加安全实用。

需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。

本发明可以是系统、方法和/或电子产品。电子产品可以包括可读存储介质，其上载有用于使处理器实现本发明的各个方面的可读程序指令。

可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

一种基于振动信号的智能手表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》。