CN107153780B - 基于手腕穿戴电子设备的书写行为特征认证方法 - Google Patents

基于手腕穿戴电子设备的书写行为特征认证方法 Download PDF

Info

Publication number
CN107153780B
CN107153780B CN201710313542.8A CN201710313542A CN107153780B CN 107153780 B CN107153780 B CN 107153780B CN 201710313542 A CN201710313542 A CN 201710313542A CN 107153780 B CN107153780 B CN 107153780B
Authority
CN
China
Prior art keywords
writing
user
behavior
data
authentication
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710313542.8A
Other languages
English (en)
Other versions
CN107153780A (zh
Inventor
沈超
陈宇飞
王诏
吕启
管晓宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XI'AN JIAOTONG UNIVERSITY SUZHOU ACADEMY
Original Assignee
XI'AN JIAOTONG UNIVERSITY SUZHOU ACADEMY
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by XI'AN JIAOTONG UNIVERSITY SUZHOU ACADEMY filed Critical XI'AN JIAOTONG UNIVERSITY SUZHOU ACADEMY
Priority to CN201710313542.8A priority Critical patent/CN107153780B/zh
Publication of CN107153780A publication Critical patent/CN107153780A/zh
Application granted granted Critical
Publication of CN107153780B publication Critical patent/CN107153780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于手腕穿戴电子设备的书写行为特征认证方法，分析用户的书写行为，根据加速度仪和陀螺仪所得到的加速度和角速度数据，提取书写的特征并找到其中区分度显著的特征，利用单分类器进行分类判断。同时，计算训练数据之间的动态时间序列距离(DTW)并与输入样本相对照，综合以上两个判断，决定用户是否合法。本发明方法行为数据的采集十分方便，在用户穿戴智能手环、智能手表等设备时提笔书写即可完成；此外，采用两种不同方法分别进行建模及认证的方法可保证认证模型的稳定性，能更好地体现用户的书写行为，并显著地提高身份认证的鲁棒性和容错性；并且此认证方法经过攻击测试，很难被攻击。

Description

基于手腕穿戴电子设备的书写行为特征认证方法
技术领域
本发明涉及设备安全认证领域，特别涉及一种手腕穿戴电子设备使用者的安全身份认证方法。
背景技术
随着社会信息化和智能化大潮的推进，越来越多的个人信息(如短信、电子邮件、图片等)和敏感信息(如银行账号、办公资料等)被存储于电子设备之中。此外，个人隐私信息泄露事件的频频发生，使得电子设备的安全防护问题逐渐进入大众的视野。同时，随着电子穿戴设备(智能手环、智能手表等)的普及，我们可以通过其进行更为方便的身份认证过程。
现有的电子设备的身份认证方式主要包括记忆密码(比如数字密码)、生物静态特征(比如指纹和虹膜)、生物行为特征三种。然而，第一种方式容易受到观察攻击和猜测攻击，从而被攻击者盗取解锁方式；指纹、虹膜等认证方式需要特殊的硬件支持；并且第二种方式也不是完全安全，有报道称从一个人挥手的照片上就可以在电脑上复原出该人的指纹。现有可穿戴设备的使用越来越广泛，实有必要研究一种基于可穿戴设备的生物行为特征认证方法，以实现更加快捷方便的认证。
发明内容
本发明的目的是提供一种基于手腕穿戴电子设备的书写行为特征认证方法，以解决上述技术问题。
为达到以上目的，本发明是采取如下技术方案实现的：
基于手腕穿戴电子设备的书写行为特征认证方法，包括以下步骤：
S1、用户身份模型构建：
S1.1、用户戴上手腕电子设备采集并记录用户多次书写同一个单词、汉字、签名或者图案得到的传感器数据，形成用户特定书写习惯的训练数据集；传感器数据分别为x、y、z轴加速度和x、y、z轴角速度；
S1.2、对训练数据集进行滤波处理；
S1.3、针对滤波处理之后的数据集，提取特征向量以及选出显著特征，获得合法用户的训练特征集合；
S1.4、将合法用户的训练特征集合标记为正类，采用单类分类器对书写行为构建合法用户的身份模型，并得到合法用户在书写时的身份判定阈值；
S1.5、计算训练数据之间的DTW距离并取其中的下四分位数作为理想距离；
S2、用户身份认证：
S2.1、在用户想要通过认证时，让用户戴上电子设备并书写之前记录的那个特定的单词、汉字、签名或者图案，得到传感器数据，作为测试数据；
S2.2、对测试数据进行滤波；
S2.3、用户身份合法性认证；
S2.4、计算测试数据与训练数据的DTW距离，从低到高排列，按照泊松分布前n位加权得到权重，并计算得到最终距离；将最终距离与理想距离的比值作为最终得分，将得分与设定的阈值相比较，判断合法性；
S2.5、如果按照S2.3和S2.4的判定均合法，则通过认证；否则拒绝认证。
进一步的，步骤S1.1和步骤S2.1中传感器数据的基本格式为：{时间,x、y、z轴加速度，x、y、z轴角速度}，其中坐标轴是相对于穿戴设备的坐标轴。
进一步的，步骤S1.2和步骤S2.2中滤波具体为采用Savitzky-Golay滤波。
进一步的，步骤S1.3具体包括：
S1.3.1、针对一次书写，提取书写行为特征向量，具体为书写时加速度仪和陀螺仪得到的手腕移动数据所衍生出的一系列行为测量量，包括整体性特征和过程性特征两类；
其中，过程性特征是对一次书写行为的细粒度描述，包括x、y、z轴加速度，x、y、z轴角速度六个方向的平均值、最小值、最大值、极差、方差、峰度值、偏度值、频域能量和频域熵；整体性特征是对一次书写行为的整体描述，包括以下两项：
A、对于六个方向中的每一个方向，随机取两个时间点A和B，使得A在B之前，计算时间B对应的值与时间A对应值的差；将该过程重复多次，对于每一个方向得到一个分布列，将此分布列中每一个值都除以该方向的极差，即得到区间标准化的一个分布列；将得到的六个分布列作为书写行为的一个特征；
B、对于六个方向经过滤波后的数据，定义峰值点：这个点的值比该点采样时间左边和右边的三个相邻采样点的值都大或者都小；找到其中所有的峰值位置，按照峰值的取值范围区分为四个区间：最小值至最小值一半，最小值一半至零，零至最大值一半，最大值一半至最大值；最终能得到一个分布列作为书写行为的一个特征；
S1.3.2、对于六个方向的过程性特征，一起使用Lasso或者Ridge算法提取区分度显著的特征，并删除其余的过程性特征；这些区分度显著的特征与整体性特征一起构成了特征向量。
进一步的，单类分类器为单分类支持向量机、单分类神经网络或单分类最近邻分类器。
进一步的，选取泊松分布、指数分布或其它离散分布函数来加权。
基于手腕穿戴电子设备的书写行为特征认证方法，包括两大步骤：
第一步，用户身份模型构建：
(1)在用户刚开始使用该系统时，让用户戴上手腕电子设备采集并记录用户多次书写同一个单词、汉字、签名或者图案得到的传感器数据，形成用户特定书写习惯的训练数据集。传感器数据分别为x、y、z轴加速度和x、y、z轴角速度。所得数据需经去噪处理；
(2)针对训练数据中的每次书写操作，提取其中的特征向量。称x轴加速度为第一方向，y轴加速度为第二方向，z轴加速度为第三方向，x、y、z轴角速度分别为第四、五、六方向。对每个方向提取特征，形成书写行为训练特征集合；
(3)从得到的特征向量中提取最显著的特征，将合法用户的训练特征集合标记为正类，采用单类分类器对书写行为构建合法用户的身份模型，并得到书写行为对应的合法用户的身份判定阈值。
(4)定义DTW距离，计算样本之间的DTW距离并取其中的下四分位数作为理想距离(总共有六个方向)。
第二步，身份认证：
(1)在用户想要通过认证系统时，让用户戴上电子设备并书写他之前记录的那个特定的单词、汉字、签名或者图案，得到传感器数据，所得数据需经去噪处理；
(2)提取书写输入的特征向量，通过单分类器判定用户身份是否合法；
(3)对于输入数据，计算输入数据与每个训练数据的DTW距离，并赋予根据距离的大小赋予不同的权值得到输入数据与训练数据组的距离；计算该距离与理想距离的比值得到最终得分，判定用户身份是否合法。
(4)对于以上两个结果，若均通过，则判定用户身份合法；若仅有一个通过，则要求用户再次书写；若均不通过，则判定用户非法，并在多次判定非法之后锁定系统。
所述第一步(1)，第二步(1)中的用户书写数据为手腕移动事件所组成的序列，基本格式为：{时间,x、y、z轴加速度，x、y、z轴角速度}。其中坐标轴是相对于穿戴设备的坐标轴。
所述第一步(1)，第二步(1)中的去噪处理，使用的是Savitzky-Golay滤波，旨在平滑曲线的同时保留曲线的基本特征。
所述第一步(2)，第二步(2)中的书写特征向量是指由书写时手腕的移动，加速度仪和陀螺仪得到的数据所衍生出的一系列行为测量量，包括整体性特征和过程性特征，具体如下：
首先说明，以下“六个方向”意为分别对x轴加速度、y轴加速度、z轴加速度、x轴角速度、y轴角速度、z轴角速度数据做六次，得到六个向量。
整体性特征包括：
对于六个方向，随机取两个时间点A和B，使得A在B之前，计算时间B对应的值与时间A对应值的差。将该过程重复多次(比如一千次)，得到一个分布列，将此分布列中每一个值都除以极差，即得到区间标准化的一个分布列(在-1到1之间)。将此分布列作为书写行为的一个特征。
对于六个方向，定义一个点为峰值，如果这个点的值比时间点左边和右边的三个值都大或者都小。找到其中所有的峰值位置，按照峰值的位置区分为四个区间：最小值至最小值一半，最小值一半至零，零至最大值一半，最大值一半至最大值。最终也能得到一个分布列，分布列的横坐标为其时间点占本次书写总时间的百分比，纵坐标为四种不同峰值的数量。
过程性特征包括：
六个方向的平均值、最小值、最大值、极差、方差、峰度值、偏度值、频域能量和频域熵。
所述第一步(3)中有效特征的提取，使用的是Lasso算法和Ridge算法，提取其中区分度显著的向量。
所述第一步(3)中的单类分类器包括单分类支持向量机、单分类神经网络、单分类最近邻分类器。
所述中DTW(Dynamic time warping)距离的计算，定义如下：由于两次书写之间可能存在着时间错位的问题，传统的欧氏距离在此处已经不再有效。我们采用动态规划的方法计算两个不等长时间序列之间的距离，可以将矫正时间上的错位。
加权处理，应当距离越近的权重越高。所以选取泊松分布、指数分布等离散分布函数来加权(只提取过程性特征)。
相对于现有技术，本发明具有以下有益效果：首先由于穿戴设备总是在用户的手腕上，用户需要解锁时只需提笔书写，不需要其他的操作；其次，用户的身份认证是基于用户书写时的生物特征，很难进行模仿和伪造；另外，在特定的场合，该认证方法是较为方便的，比如在办公室或者课堂上；本发明方法还可用于类似于保险箱等需要严格加密保护的实体上，作为密码的一环而使用。此外，本发明把六个方向的传感器数值全部纳入考虑(x轴、y轴、z轴的加速度和角速度)，并且采用了单分类器和动态距离规划两种方法，使得本发明的模型更具有鲁棒性和容错性。
附图说明
下面结合附图及具体实施方式对本发明做进一步的详细描述。
图1是本发明方法的总体流程示意图。
图2是图1书写特征向量生成的具体流程示意图。
图3是采用本发明进行用户身份认证的实验结果图。
具体实施方式
参见图1，本发明一种基于手腕穿戴电子设备的书写行为特征认证方法，可用于解锁电子设备，实现对电子设备或者实体(比如保险箱)的安全防护。本发明包含用户身份模型构建和用户身份认证两个部分，具体的实施步骤如下：
S1、用户身份模型构建部分包括下述步骤：
S1.1、在用户刚开始训练该系统时，让该用户一直以同种习惯写同一个单词、汉子、签名或者图案，使用加速度仪和陀螺仪采集并记录用户的书写数据，形成身份模型构建所需的书写行为训练数据集；书写数据的格式为：{时间,x轴加速度,y轴加速度，z轴加速度，x轴角速度，y轴角速度，z轴角速度}(以下将x、y、z轴的加速度和角速度简称为六个方向)；
S1.2、针对训练数据集，对六个方向均进行Savitzky-Golay滤波，在平滑曲线的同时保留曲线的基本特征；
S1.3、针对滤波处理之后的数据集，提取书写行为特征向量以及选出显著特征(参见图2)。
具体为：
S1.3.1、针对某一次书写，提取书写行为特征向量，具体为书写时加速度仪和陀螺仪得到的手腕移动数据所衍生出的一系列行为测量量，包括整体性特征和过程性特征两类。其中，过程性特征是对一次书写行为的细粒度描述，包括六个方向的平均值、最小值、最大值、极差、方差、峰度值、偏度值、频域能量和频域熵；整体性特征是对一次书写行为的整体描述，包括以下两项：
1、对于六个方向中的每一个方向，随机取两个时间点A和B，使得A在B之前，计算时间B对应的值与时间A对应值的差。将该过程重复多次(比如一千次)，对于每一个方向得到一个分布列，将此分布列中每一个值都除以该方向的极差，即得到区间标准化的一个分布列(在-1到1之间)。将得到的六个分布列作为书写行为的一个特征。
2、对于六个方向经过步骤S1.2滤波后的数据，定义峰值点：这个点的值比该点采样时间左边和右边的三个相邻采样点的值都大或者都小。找到其中所有的峰值位置，按照峰值点的取值范围将其区分为四类：峰值点处于输入数据最小值至最小值的一半，最小值一半至零，零至最大值一半，最大值一半至最大值。最终也能得到一个分布列，分布列的横坐标为其时间点占本次书写总时间的百分比，纵坐标为四种不同峰值的数量。
S1.3.2、对于六个方向的过程性特征，一起使用Lasso或者Ridge算法提取区分度显著的特征，并删除其余的过程性特征。这些区分度显著的特征与整体性特征一起构成了特征向量；其中区分度显著特征定义为特征区分度由大到小排列前30％的特征所组成的集合。
S1.4、将合法用户的训练特征集合标记为正类，采用单类分类器对书写行为构建合法用户的身份模型，并得到合法用户在书写时的身份判定阈值。
S1.5、计算训练数据之间的DTW距离并取其中的下四分位数作为理想距离。
S2、用户身份认证部分，包括下述步骤：
S2.1、在用户想要通过认证系统时，让用户戴上电子设备并书写他之前记录的那个特定的单词、汉字、签名或者图案，得到传感器数据；
S2.2、针对传感器数据，对六个方向均进行Savitzky-Golay滤波获得输入数据，在平滑曲线的同时保留曲线的基本特征；
S2.3、按照S1中相同方法，提取输入数据的特征向量(按照S1中已经选好的区分度显著的特征)，再通过单分类器判定用户身份是否合法；
S2.4、对于输入数据，计算输入数据与每个训练数据之间的DTW距离，并根据距离的大小赋予不同的权值得到输入数据与训练数据组的距离。该权值使用泊松分布或者指数分布的前n位的比值进行分配，n为训练总样本数。计算该距离与理想距离的比值得到最终得分，将该得分与用户预先设定的阈值相比较，判定用户身份是否合法。
S2.5、如果按照S2.3和S2.4的判定均合法，则通过认证；否则拒绝认证。
本发明以书写输入解锁为例进行了实验验证，具体步骤如下：
S1、用户身份模型构建：
S1.1、训练数据的生成。实验要求10名用户戴上智能手环，书写解锁用的特定的单词、汉字、签名或者图案，每名用户对相同的内容写10遍。传感器采集到的数据为x轴加速度、y轴加速度、z轴加速度、x轴角速度、y角加速度、z角加速度关于时间的序列。
S1.2、对于每个序列，均进行Savitzky-Golay滤波处理。
S1.3、生成特征向量：针对每个用户，对得到的滤波数据按照前述方法提取书写特征向量；然后进行显著特征向量的筛选。对于得到的10个用户共100组训练数据，对过程性特征进行Lasso或Ridge特征筛选，保留其中区分度显著的过程性特征并剔除其余的过程性特征。
S1.4、用户身份模型构建。针对每个用户，将该用户的训练特征数据标记为正类，采用单分类支持向量机对书写行为构建合法用户的身份模型，并利用训练特征数据对模型进行学习。
S1.5、用户训练数据的理想距离计算。针对每个用户，计算两两训练数据之间六个序列中每个序列的DTW距离，并取其下四分位数作为理想距离。
S2、用户身份认证：
S2.1、测试数据的生成。针对每个用户，要求其写三遍特定的单词、汉字、签名或者图案，作为测试数据；
S2.2、对测试数据进行Savitzky-Golay滤波。
S2.3、用户身份合法性认证。选择某一用户的测试数据，选择某一用户的身份模型，按照筛选过的特征提取相应所需的特征，形成输入的特征向量，放入单分类支持向量机中进行比对并判断用户身份是否合法。
S2.4、再计算该测试数据与训练数据的DTW距离，从低到高排列，按照泊松分布前n位加权得到权重，并计算得到最终距离。将最终距离与理想距离的比值作为最终得分，将得分与设定的阈值相比较，判断合法性。
S2.5、如果两者均通过，则判断用户合法，否则判断用户非法。
选择剩余用户依次作为合法用户，重复上述S2的过程，得到所有的用户认证结果。
针对所有用户，测试本发明方法在用户写单词、汉字、签名或者图案时的准确度。图3是本实施例的结果，左边为假阴性率，右边为真阴性率。可以看出假阴性率的平均值为1.78％，假阳性率的平均值为6.70％，说明该认证方法还是很稳定有效的。
从图示的实验结果可以看出，本发明能够准确且快速地对完成书写认证。该结果验证了本发明的可行性和有效性，表明该方法可作为一种高效的设备使用者的身份安全防护技术。

Claims (3)

1.基于手腕穿戴电子设备的书写行为特征认证方法，其特征在于，包括以下步骤：
S1、用户身份模型构建：
S1.1、用户戴上手腕电子设备采集并记录用户多次书写同一个单词、汉字、签名或者图案得到的传感器数据，形成用户特定书写习惯的训练数据集；传感器数据分别为x、y、z轴加速度和x、y、z轴角速度；
S1.2、对训练数据集进行滤波处理；
S1.3、针对滤波处理之后的数据集，提取特征向量以及选出显著特征，获得合法用户的训练特征集合；
S1.4、将合法用户的训练特征集合标记为正类，采用单类分类器对书写行为构建合法用户的身份模型，并得到合法用户在书写时的身份判定阈值；
S1.5、计算训练数据之间的DTW距离并取其中的下四分位数作为理想距离；
S2、用户身份认证：
S2.1、在用户想要通过认证时，让用户戴上电子设备并书写之前记录的那个特定的单词、汉字、签名或者图案，得到传感器数据，作为测试数据；
S2.2、对测试数据进行滤波；
S2.3、用户身份合法性认证；
S2.4、计算测试数据与训练数据的DTW距离，从低到高排列，按照泊松分布前n位加权得到权重，并计算得到最终距离；将最终距离与理想距离的比值作为最终得分，将得分与设定的阈值相比较，判断合法性；
S2.5、如果按照S2.3和S2.4的判定均合法，则通过认证；否则拒绝认证；
S1.1和步骤S2.1中传感器数据的基本格式为：{时间,x、y、z轴加速度，x、y、z轴角速度}，其中坐标轴是相对于穿戴设备的坐标轴；
步骤S1.3具体包括：
S1.3.1、针对一次书写，提取书写行为特征向量，具体为书写时加速度仪和陀螺仪得到的手腕移动数据所衍生出的一系列行为测量量，包括整体性特征和过程性特征两类；
其中，过程性特征是对一次书写行为的细粒度描述，包括x、y、z轴加速度，x、y、z轴角速度六个方向的平均值、最小值、最大值、极差、方差、峰度值、偏度值、频域能量和频域熵；整体性特征是对一次书写行为的整体描述，包括以下两项：
A、对于六个方向中的每一个方向，随机取两个时间点A和B，使得A在B之前，计算时间B对应的值与时间A对应值的差；将该过程重复多次，对于每一个方向得到一个分布列，将此分布列中每一个值都除以该方向的极差，即得到区间标准化的一个分布列；将得到的六个分布列作为书写行为的一个特征；
B、对于六个方向经过滤波后的数据，定义峰值点：这个点的值比该点采样时间左边和右边的三个相邻采样点的值都大或者都小；找到其中所有的峰值位置，按照峰值点的取值范围为四个区间：输入数据最小值至最小值一半，最小值一半至零，零至最大值一半，最大值一半至最大值；最终能得到一个分布列作为书写行为的一个特征；
S1.3.2、对于六个方向的过程性特征，一起使用Lasso或者Ridge算法提取区分度显著的特征，并删除其余的过程性特征；这些区分度显著的特征与整体性特征一起构成了特征向量；
选取泊松分布、指数分布或其它离散分布函数来加权。
2.根据权利要求1所述的基于手腕穿戴电子设备的书写行为特征认证方法，其特征在于，步骤S1.2和步骤S2.2中滤波具体为采用Savitzky-Golay滤波。
3.根据权利要求1所述的基于手腕穿戴电子设备的书写行为特征认证方法，其特征在于，单类分类器为单分类支持向量机、单分类神经网络或单分类最近邻分类器。
CN201710313542.8A 2017-05-05 2017-05-05 基于手腕穿戴电子设备的书写行为特征认证方法 Active CN107153780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710313542.8A CN107153780B (zh) 2017-05-05 2017-05-05 基于手腕穿戴电子设备的书写行为特征认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710313542.8A CN107153780B (zh) 2017-05-05 2017-05-05 基于手腕穿戴电子设备的书写行为特征认证方法

Publications (2)

Publication Number Publication Date
CN107153780A CN107153780A (zh) 2017-09-12
CN107153780B true CN107153780B (zh) 2020-06-09

Family

ID=59793082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710313542.8A Active CN107153780B (zh) 2017-05-05 2017-05-05 基于手腕穿戴电子设备的书写行为特征认证方法

Country Status (1)

Country Link
CN (1) CN107153780B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107634960B (zh) * 2017-09-30 2020-07-21 北京梆梆安全科技有限公司 一种基于陀螺仪波动行为的用户身份验证方法、装置及系统
CN107819945B (zh) * 2017-10-30 2020-11-03 同济大学 综合多种因素的手持设备浏览行为认证方法及系统
CN108280332B (zh) * 2017-12-15 2021-08-03 创新先进技术有限公司 移动终端的生物特征认证识别检测方法、装置和设备
CN108509803B (zh) * 2018-03-15 2019-06-07 平安科技（深圳）有限公司 一种应用图标的显示方法及终端设备
CN108600237A (zh) * 2018-04-28 2018-09-28 北京京东金融科技控股有限公司 身份认证方法、装置及介质
CN109508728B (zh) * 2018-08-31 2020-08-25 深圳大学 一种用于可穿戴设备的新型身份验证方法
CN110414196B (zh) * 2019-07-29 2021-09-17 深圳大学 一种基于振动信号的智能手表身份验证方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050402A (zh) * 2014-06-12 2014-09-17 深圳市汇顶科技股份有限公司 移动终端安全认证的方法、系统与移动终端
CN106055088A (zh) * 2015-04-15 2016-10-26 联发科技股份有限公司 交互式穿戴式设备的空气书写和手势系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9274607B2 (en) * 2013-03-15 2016-03-01 Bruno Delean Authenticating a user using hand gesture
CN104408341B (zh) * 2014-11-13 2017-06-27 西安交通大学 基于陀螺仪行为特征的智能手机用户身份认证方法
US10572639B2 (en) * 2015-03-17 2020-02-25 Microsoft Technology Licensing, Llc Selectively providing personal information and access to functionality on lock screen based on biometric user authentication
CN105553665A (zh) * 2015-12-15 2016-05-04 戴林 一种基于书写行为生物特征的智能手机用户身份认证方法
CN105912910A (zh) * 2016-04-21 2016-08-31 武汉理工大学 基于手机传感的在线签名身份认证方法及系统
CN106127188B (zh) * 2016-07-05 2019-05-17 武汉理工大学 一种基于陀螺仪的手写数字识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050402A (zh) * 2014-06-12 2014-09-17 深圳市汇顶科技股份有限公司 移动终端安全认证的方法、系统与移动终端
CN106055088A (zh) * 2015-04-15 2016-10-26 联发科技股份有限公司 交互式穿戴式设备的空气书写和手势系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于加速度传感器的连续动态手势识别;陈鹏展;《传感器与微系统》;20160318;第35卷(第1期);全文 *

Also Published As

Publication number Publication date
CN107153780A (zh) 2017-09-12

Similar Documents

Publication Publication Date Title
CN107153780B (zh) 基于手腕穿戴电子设备的书写行为特征认证方法
Draffin et al. Keysens: Passive user authentication through micro-behavior modeling of soft keyboard interaction
Feng et al. Continuous mobile authentication using touchscreen gestures
Zhu et al. ShakeIn: secure user authentication of smartphones with single-handed shakes
Wu et al. Liveness is not enough: Enhancing fingerprint authentication with behavioral biometrics to defeat puppet attacks
Lu et al. Safeguard: User reauthentication on smartphones via behavioral biometrics
Levy et al. Handwritten signature verification using wrist-worn devices
CN104007929B (zh) 基于手势识别的移动终端解锁方法及移动终端
CN104408341A (zh) 基于陀螺仪行为特征的智能手机用户身份认证方法
JP2010286937A (ja) 生体認証方法、及び、生体認証に用いるクライアント端末、認証サーバ
Ren et al. Signature verification using critical segments for securing mobile transactions
Wang et al. Improving reliability: User authentication on smartphones using keystroke biometrics
Xu et al. Challenge-response authentication using in-air handwriting style verification
Mahadi et al. A survey of machine learning techniques for behavioral-based biometric user authentication
Ren et al. Critical segment based real-time e-signature for securing mobile transactions
Putri et al. A continuous fusion authentication for Android based on keystroke dynamics and touch gesture
Teh et al. Recognizing your touch: Towards strengthening mobile device authentication via touch dynamics integration
Wang et al. Exploring the hand and finger-issued behaviors toward natural authentication
Alwahaishi et al. Biometric authentication security: an overview
Wu et al. It's All in the Touch: Authenticating Users with HOST Gestures on Multi-Touch Screen Devices
Shen et al. Waving gesture analysis for user authentication in the mobile environment
Sujithra et al. Next generation biometric security system: An approach for mobile device security
Burgbacher et al. A behavioral biometric challenge and response approach to user authentication on smartphones
Kutzner et al. User verification using safe handwritten passwords on smartphones
Saini et al. Authenticating mobile phone user using keystroke dynamics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant