CN107273726A - 基于加速度周期变化规律的设备机主身份实时识别方法及其装置 - Google Patents

基于加速度周期变化规律的设备机主身份实时识别方法及其装置 Download PDF

Info

Publication number
CN107273726A
CN107273726A CN201710409764.XA CN201710409764A CN107273726A CN 107273726 A CN107273726 A CN 107273726A CN 201710409764 A CN201710409764 A CN 201710409764A CN 107273726 A CN107273726 A CN 107273726A
Authority
CN
China
Prior art keywords
acceleration
point
owner
identity
real
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.)
Granted
Application number
CN201710409764.XA
Other languages
English (en)
Other versions
CN107273726B (zh
Inventor
王衡军
司念文
尹衡
杨舜宇
武伟
简南方
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.)
PLA Information Engineering University
Original Assignee
PLA Information Engineering University
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 PLA Information Engineering University filed Critical PLA Information Engineering University
Priority to CN201710409764.XA priority Critical patent/CN107273726B/zh
Publication of CN107273726A publication Critical patent/CN107273726A/zh
Application granted granted Critical
Publication of CN107273726B publication Critical patent/CN107273726B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds

Landscapes

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

Abstract

本发明涉及一种基于加速度周期变化规律的设备机主身份实时识别方法及其装置，设备中内置有加速度传感器，设备处理器接收加速度传感器数据并进行身份识别，具体包含如下内容：利用加速度传感器在XYZ三个轴的加速度投影，实时获取其加速度幅度值；并根据周期内加速度幅度值，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域；在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算其对应加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份。本发明在不过多干扰用户使用习惯的情况下，实现持续的实时身份监控，并减少被冒充的可能性，从而提高安全性，对信息安全具有重要指导意义。

Description

基于加速度周期变化规律的设备机主身份实时识别方法及其 装置
技术领域
本发明属于信息安全技术领域，特别涉及一种基于加速度周期变化规律的设备机主身份实时识别方法及其装置。
背景技术
在信息化高度发展的当今社会，如何准确识别一个人的身份，保护信息安全是当今信息时代必须解决的一个关键社会问题，这就需要身份识别系统。身份识别系统已经被应用到各行各业，并且得到越来越广泛的使用。目前有许多通过手机利用运动特征进行身份识别的方案，与本发明较为接近的包括两类方案：一种方案是利用短时运动(手势)特征实现对手机使用者身份的识别。在学习机主身份特征时，将加速度数值大小从传感器提取出来后，直接利用拉格朗日插值法和最小二乘法得到一条拟合曲线，称为学习曲线。在身份认证时，用同样的方法得到一条曲线并将之与学习曲线相比较，根据两条曲线的匹配情况来对使用者的身份做出判断。另一种方案是基于加速度传感器数据分析步态特征，对人体活动或者机主身份进行识别，整个流程与本发明大体类似，但是有以下几点不同：(1)方案二中也有研究基于智能手机的用户身份识别，但其需要专门利用无监督特征学习技术，如主成分分析PCA方法，对传感器数据压缩降维来提取特征，然后再将身份识别当作分类问题，采用C4.5算法、朴素贝叶斯方法和支持向量机SVM算法，对机主身份进行判别。现有基于手机传感器实现身份认证的方法存在以下缺点：(1)需要用户主动配合，过多的验证操作会降低用户的满意度。(2)属于一次性认证，不能实现持续的身份监控。(3)安全性不高。指纹、虹膜等身体特征已经能够伪造。在空中做出指定手势的方法，容易被他人看见并被模仿。
发明内容
针对现有技术中的不足，本发明提供一种基于加速度周期变化规律的设备机主身份实时识别方法及其装置，实现在指定时间段内持续监控并实时识别机主身份，既可以独立作为设备机主身份鉴别手段，又可与口令等一次性身份鉴别手段相配合，实现全程身份识别监控，有效减少设备机主身份被冒充的可能性，信息安全性得到进一步保障。
按照本发明所提供的设计方案，一种基于加速度周期变化规律的设备机主身份实时识别方法，设备中内置有加速度传感器，设备处理器接收加速度传感器数据并进行身份识别，具体包含如下内容：利用加速度传感器在XYZ三个轴的加速度投影，实时获取其加速度幅度值；并根据周期内加速度幅度值，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，聚焦区域包含簇中心C及边界范围r；在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算其对应加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份。
上述的，实时获取其加速度幅度值，包含：根据加速度传感器在时间T内采集到的XYZ三轴投影数据，并通过公式计算时间T内的加速度幅度值，其中，x、y、z分别为加速度传感器对应在X、Y、Z三轴上的投影数据。
上述的，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，包含：对周期内实时获取的加速度幅度值进行周期序列划分，每一周期序列对应多维空间中的一个点；并根据序列长度进行分类，将数据点划分到相应维数空间中；剔除孤立点；确定簇中心和边界范围，将剔除后剩余所有数据点的中心点作为簇中心C，将离簇中心最大距离作为边界半径r。
优选的，通过设定长度为L的滑窗对周期内实时获取的加速度幅度值进行周期序列划分。
优选的，剔除孤立点，包含：1)在多维空间中计算每类数据点的中心点，2)计算每个点与中心点的欧氏距离及它们的均值，3)将距离大于均值N倍的点剔除，N为预设值；迭代执行M次，M大于1的整数，并计算剔除数据点点数与所有数据点点数的比值K。
优选的，在多维空间中计算每类数据点的中心点，包含如下内容：将对应空间中所有点按维度取均值，作为中心点在该维度上的值。
优选的，在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份，包含：a)根据预设时间间隔内实时采集的设备加速度传感器三轴数据，通过公式计算在该预设时间间隔内的加速度幅度值，并通过设定滑窗方式进行周期序列划分，每一周期序列对应相应多维空间中的一个点；计算每点与同维度簇中心C的欧氏距离d，若d＜r，则判定对应周期序列正常，否则判定其异常，并统计异常序列数量占总序列数量的比值k，若k小于nK，则判定其为设备机主身份，否则判定其为非设备机主身份，其中，n为预先设定值。
一种基于加速度周期变化规律的设备机主身份实时识别装置，包含：统计模块、学习模块和身份识别模块，其中，
统计模块，用于根据设备中内置的加速度传感器，实时采集在XYZ三个轴的加速度投影，并计算对应的加速度幅度值；
学习模块，用于根据周期内加速度幅度值，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，聚焦区域包含簇中心C及边界范围r；
身份识别模块，用于在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算其对应加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份。
上述的装置，所述的学习模块包含：数据划分单元，数据剔除单元及聚集区域确定单元，其中，
数据划分单元，用于对周期内实时获取的加速度幅度值进行周期序列划分，每一周期序列对应多维空间中的一个点，并根据序列长度进行分类，将数据点划分到相应维数空间中；
数据剔除单元，用于剔除每类数据点对应空间中的孤立点，并计算剔除数据点点数与所有数据点点数的比值K；
聚集区域确定单元，用于确定簇中心和边界范围，将剔除后剩余所有数据点的中心点作为簇中心C，将离簇中心最大距离作为边界半径r。
上述的装置，所述的身份识别模块包含：实时数据采集计算单元和设备机主身份判别单元，其中，
实时数据采集计算单元，用于根据预设时间间隔内实时采集的设备加速度传感器三轴数据，计算在该预设时间间隔内的加速度幅度值，并通过设定滑窗方式进行周期序列划分，每一周期序列对应相应多维空间中的一个点；
设备机主身份判别单元，用于计算每个点与学习模块获取的同维度簇中心C的欧氏距离d，若d＜r，则判定对应周期序列正常，否则判定其异常，并统计异常序列数量占总序列数量的比值k，若k小于nK，则判定其为设备机主身份，否则判定其为非设备机主身份，其中，n为预先设定值。
本发明的有益效果：
本发明利用聚类算法确认设备加速度幅度值的周期统计规律，通过计算加速度幅度值、划分周期序列、删除孤立点，确定簇心和边界范围，通过计算加速度幅度值、划分周期序列、比较与簇心的距离、比较异常序列的比例，作出最终判定；在不过多干扰用户使用习惯的情况下，实现持续的实时身份监控，并减少被冒充的可能性，从而提高安全性；利用设备内置的加速度传感器实时测量数据周期统计规律，解决设备机主身份持续识别问题，分为学习和识别两个阶段，在学习阶段需要用户配合，之后则无需用户主动配合，并在识别阶段进行持续的身份监控；如果要冒充机主，则需要伪装者持续模仿机主行动特征，难度较大，安全性较高，对信息安全具有重要指导意义。
附图说明：
图1为本发明的方法流程示意图；
图2为实施例中设备加速度传感器在XYZ测量轴示意图；
图3为实施例中W将屏幕朝内手持手机走路时测试的加速度分量及幅度值；
图4为实施例中W将屏幕朝外手持手机走路时测试的加速度分量及幅度值；
图5为实施例中W将屏幕朝下手持手机走路时测试的加速度分量及幅度值；
图6为实施例中YS持手机走路时测试的加速度分量及幅度值；
图7为实施例中YH持手机走路时测试的加速度分量及幅度值；
图8为实施例中滑窗划分周期序列示意图；
图9为实施例中装置示意图；
图10为实施例中学习模块示意图；
图11为实施例中身份识别模块示意图。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
与口令、虹膜、指纹、手势等一次性识别方法不同，通过观察发现同一人在携带手机进行走路和跑步等运动时，手机加速度的幅度值呈现相似的周期(每步)变化规律。而由不同人携带手机时，该值的周期变化规律则呈现出一定的差异性。
为解决机主身份实时识别问题，实施例提供一种基于加速度周期变化规律的设备机主身份实时识别方法，参见图1所示，设备中内置有加速度传感器，设备处理器接收加速度传感器数据并进行身份识别，具体包含如下内容：利用加速度传感器在XYZ三个轴的加速度投影，实时获取其加速度幅度值；并根据周期内加速度幅度值，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，聚焦区域包含簇中心C及边界范围r；在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算其对应加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份。
设备中内置的加速度传感器可以将测点的加速度信号转换为相应的电信号，经处理得到数字信号，由手机处理器读取并进行相应计算和处理。加速度传感器可以测量XYZ三轴的加速度分量，如图2所示；设在N维空间中的两点I,J坐标分别为(xi1，xi2，…，xiN)，(xj1，xj2，…，xjN)，由欧几里得公式算得两点间的距离称为欧式距离，如下：
聚类(Clustering)，又叫分簇，是一种机器学习方法，是把物理或抽象对象的集合分组为彼此相似的对象组成的多个簇的分析过程。K-Means算法是基于向量对象间的距离来做聚类的算法，即将距离上相近的对象划分到同一簇中，在多维空间中常采用欧氏距离。算法主要步骤如下：
1.从n个对象中任意选择k个作为初始聚类中心。
2.计算每个对象与这k个中心对象各自的距离。
3.把每个对象与距离它最近的中心对象归并到一个簇中。
4.重新计算每个簇的中心对象。
5.重复3，4两个步骤，直到对象归类变化极少为止。
通过利用设备内置加速度传感器实时测量数据的周期统计规律，解决设备机主身份识别问题，实现了持续、动态的机主身份识别，可以用于是否机主本人携带设备等需要持续监控的场合。
利用加速度传感器实时测量数据的周期统计规律性来解决设备用户身份的持续识别问题，可分为学习和识别两个阶段，在本发明的另一个实施例中，实时获取其加速度幅度值，包含：根据加速度传感器在时间T内采集到的XYZ三轴投影数据，并通过公式计算时间T内的加速度幅度值，其中，x、y、z分别为加速度传感器对应在X、Y、Z三轴上的投影数据。
图3、图4、图5分别为同一人以不同姿式手持手机时以10Hz频率测量得到的三轴投影值和计算得到的幅度值，其中，圆形点为X轴投影值，方形点为Y轴投影值，三角形点为Z轴投影值，星形点为计算得到的幅度值。虽然三轴的投影值变化较大，但计算后的幅度值变化规律有一定的相似性。图6、图7为另两人的测量值和计算值。直观来看，三人的加速度幅度值变化规律有一定的差异性。通过机器学习中的聚类方法对多人测量数据进行实验从定量的角度验证设备加速度幅度值的周期变化规律，从概率统计的角度，同一人携带手机运动时手机加速度幅度值的周期变化具有相似的统计规律性，而不同人携带手机运动时手机加速度幅度值的周期变化具有相异的统计规律性。先学习这个统计规律，然后利用它来识别身份，大大提高其信息安全指数。
本发明的又一实施例中，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，包含：对周期内实时获取的加速度幅度值进行周期序列划分，每一周期序列对应多维空间中的一个点；并根据序列长度进行分类，将数据点划分到相应维数空间中；剔除孤立点；确定簇中心和边界范围，将剔除后剩余所有数据点的中心点作为簇中心C，将离簇中心最大距离作为边界半径r。
采用K-Means聚类算法，用欧氏距离作为距离度量手段，对多个人的测量数据进行定量分析，验证了以上分析结论。对图3～7中三人测量的数据进行了实验，发现三人的测量数据点在多维空间中分别聚集在一起，形成三个区域明显的点簇。以用步时1.1秒的数据为例，三个簇中心之间的欧氏距离分别为：18.5，11.6，7.7。每个簇中，90％以上的簇点与簇中心的欧氏距离小于6。
利用加速度幅度值的周期统计规律来识别机主身份，先要找到机主周期数据点在多维空间中聚焦的区域，即簇中心及边界范围。下面以走路时的加速度幅度值的周期统计规律学习为例进行说明，跑步、上楼梯等的方法类似：通过手机加速度传感器采集一段时间内三轴测量数据，并计算加速度的幅值将持续测量计算得到的数值划分为周期序列，每一周期序列对应于一步，也是相应多维空间中的一个点；将不同长度的序列分类。走路时的速度会有变化，因此可能会划分出不同长度的周期序列，按不同长度对序列分类，也就是将数据点划分到相应维数的空间中，为后续操作作好准备；剔除孤立点，孤立点是指与正常走路差异较大的周期数据序列，孤立点可能是因操作手机屏幕、转向等非正常动作采集的数据；确定簇心和边界范围，将剩余所有点的中心点作为簇心C，将离中心点最大距离作为边界半径r。
本发明的又一实施例中，通过设定长度为L的滑窗对周期内实时获取的加速度幅度值进行周期序列划分，如果滑窗中心点为最小值，则将该点确定为下一周期的起始点，如图8所示，当采用10Hz测量频率时，走路每步的周期长度大约在9至12个数据值，滑窗的长度设置为7、9、11较为合适。
本发明的再一实施例中，剔除孤立点的方法包含：1)在多维空间中计算每类数据点的中心点，2)计算每个点与中心点的欧氏距离及它们的均值，3)将距离大于均值N倍的点剔除，N为预设值；迭代执行M次，M大于1的整数，并计算剔除数据点点数与所有数据点点数的比值K，其中，N根据实验或者经验值进行设定，可设定为1.2，M可设定为2～5次。进一步地，在多维空间中计算每类数据点的中心点，包含如下内容：将对应空间中所有点按维度取均值，作为中心点在该维度上的值。
在本发明的其他实施例中，在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份，包含：a)根据预设时间间隔内实时采集的设备加速度传感器三轴数据，通过公式计算在该预设时间间隔内的加速度幅度值，并通过设定滑窗方式进行周期序列划分，每一周期序列对应相应多维空间中的一个点；计算每点与同维度簇中心C的欧氏距离d，若d＜r，则判定对应周期序列正常，否则判定其异常，并统计异常序列数量占总序列数量的比值k，若k小于nK，则判定其为设备机主身份，否则判定其为非设备机主身份，n为预先设定值，可以根据实验或者经验值进行设定，例如可通过实验确定n＝1.2。
与上述方法对应，本发明实施例还提供了一种基于加速度周期变化规律的设备机主身份实时识别装置，如图9所示，包含：统计模块101、学习模块102和身份识别模块103，其中，
统计模块101，用于根据设备中内置的加速度传感器，实时采集在XYZ三个轴的加速度投影，并计算对应的加速度幅度值；
学习模块102，用于根据周期内加速度幅度值，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，聚焦区域包含簇中心C及边界范围r；
身份识别模块103，用于在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算其对应加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份。
进一步地，如图10所示，学习模块102包含：数据划分单元201，数据剔除单元202及聚集区域确定单元203，其中，
数据划分单元201，用于对周期内实时获取的加速度幅度值进行周期序列划分，每一周期序列对应多维空间中的一个点，并根据序列长度进行分类，将数据点划分到相应维数空间中；
数据剔除单元202，用于剔除每类数据点对应空间中的孤立点，并计算剔除数据点点数与所有数据点点数的比值K；
聚集区域确定单元203，用于确定簇中心和边界范围，将剔除后剩余所有数据点的中心点作为簇中心C，将离簇中心最大距离作为边界半径r。
如图11所示，身份识别模块103包含：实时数据采集计算单元301和设备机主身份判别单元302，其中，
实时数据采集计算单元301，用于根据预设时间间隔内实时采集的设备加速度传感器三轴数据，计算在该预设时间间隔内的加速度幅度值，并通过设定滑窗方式进行周期序列划分，每一周期序列对应相应多维空间中的一个点；
设备机主身份判别单元302，用于计算每个点与学习模块获取的同维度簇中心C的欧氏距离d，若d＜r，则判定对应周期序列正常，否则判定其异常，并统计异常序列数量占总序列数量的比值k，若k小于nK，则判定其为设备机主身份，否则判定其为非设备机主身份，其中，n为预先设定值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于加速度周期变化规律的设备机主身份实时识别方法，其特征在于，设备中内置有加速度传感器，设备处理器接收加速度传感器数据并进行身份识别，具体包含如下内容：利用加速度传感器在XYZ三个轴的加速度投影，实时获取其加速度幅度值；并根据周期内加速度幅度值，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，聚焦区域包含簇中心C及边界范围r；在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算其对应加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份。
2.根据权利要求1所述的基于加速度周期变化规律的设备机主身份实时识别方法，其特征在于，实时获取其加速度幅度值，包含：根据加速度传感器在时间T内采集到的XYZ三轴投影数据，并通过公式计算时间T内的加速度幅度值，其中，x、y、z分别为加速度传感器对应在X、Y、Z三轴上的投影数据。
3.根据权利要求1所述的基于加速度周期变化规律的设备机主身份实时识别方法，其特征在于，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，包含：对周期内实时获取的加速度幅度值进行周期序列划分，每一周期序列对应多维空间中的一个点；并根据序列长度进行分类，将数据点划分到相应维数空间中；剔除孤立点；确定簇中心和边界范围，将剔除后剩余所有数据点的中心点作为簇中心C，将离簇中心最大距离作为边界半径r。
4.根据权利要求3所述的基于加速度周期变化规律的设备机主身份实时识别方法，其特征在于，通过设定长度为L的滑窗对周期内实时获取的加速度幅度值进行周期序列划分。
5.根据权利要求3所述的基于加速度周期变化规律的设备机主身份实时识别方法，其特征在于，剔除孤立点，包含：1)在多维空间中计算每类数据点的中心点，2)计算每个点与中心点的欧氏距离及它们的均值，3)将距离大于均值N倍的点剔除，N为预设值；迭代执行M次，M大于1的整数，并计算剔除数据点点数与所有数据点点数的比值K。
6.根据权利要求5所述的基于加速度周期变化规律的设备机主身份实时识别方法，其特征在于，在多维空间中计算每类数据点的中心点，包含如下内容：将对应空间中所有点按维度取均值，作为中心点在该维度上的值。
7.根据权利要求5所述的基于加速度周期变化规律的设备机主身份实时识别方法，其特征在于，在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份，包含：a)根据预设时间间隔内实时采集的设备加速度传感器三轴数据，通过公式计算在该预设时间间隔内的加速度幅度值，并通过设定滑窗方式进行周期序列划分，每一周期序列对应相应多维空间中的一个点；计算每点与同维度簇中心C的欧氏距离d，若d＜r，则判定对应周期序列正常，否则判定其异常，并统计异常序列数量占总序列数量的比值k，若k小于nK，n为预先设定值，则判定其为设备机主身份，否则判定其为非设备机主身份。
8.一种基于加速度周期变化规律的设备机主身份实时识别装置，其特征在于，包含：统计模块、学习模块和身份识别模块，其中，
统计模块，用于根据设备中内置的加速度传感器，实时采集在XYZ三个轴的加速度投影，并计算对应的加速度幅度值；
学习模块，用于根据周期内加速度幅度值，利用聚类算法统计其周期变化规律，确定机主周期数据点在多维空间中聚焦区域，聚焦区域包含簇中心C及边界范围r；
身份识别模块，用于在预设时间间隔内，实时采集设备加速度传感器三轴数据，计算其对应加速度幅度值，并依据机主周期数据点在多维空间中聚焦区域来判别机主身份。
9.根据权利要求8所述的基于加速度周期变化规律的设备机主身份实时识别装置，其特征在于，所述的学习模块包含：数据划分单元，数据剔除单元及聚集区域确定单元，其中，
数据划分单元，用于对周期内实时获取的加速度幅度值进行周期序列划分，每一周期序列对应多维空间中的一个点，并根据序列长度进行分类，将数据点划分到相应维数空间中；
数据剔除单元，用于剔除每类数据点对应空间中的孤立点，并计算剔除数据点点数与所有数据点点数的比值K；
聚集区域确定单元，用于确定簇中心和边界范围，将剔除后剩余所有数据点的中心点作为簇中心C，将离簇中心最大距离作为边界半径r。
10.根据权利要求8所述的基于加速度周期变化规律的设备机主身份实时识别装置，其特征在于，所述的身份识别模块包含：实时数据采集计算单元和设备机主身份判别单元，其中，
实时数据采集计算单元，用于根据预设时间间隔内实时采集的设备加速度传感器三轴数据，计算在该预设时间间隔内的加速度幅度值，并通过设定滑窗方式进行周期序列划分，每一周期序列对应相应多维空间中的一个点；
设备机主身份判别单元，用于计算每个点与学习模块获取的同维度簇中心C的欧氏距离d，若d＜r，则判定对应周期序列正常，否则判定其异常，并统计异常序列数量占总序列数量的比值k，若k小于nK，则判定其为设备机主身份，否则判定其为非设备机主身份，其中，n为预先设定值。
CN201710409764.XA 2017-06-02 2017-06-02 基于加速度周期变化规律的设备机主身份实时识别方法及其装置 Expired - Fee Related CN107273726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710409764.XA CN107273726B (zh) 2017-06-02 2017-06-02 基于加速度周期变化规律的设备机主身份实时识别方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710409764.XA CN107273726B (zh) 2017-06-02 2017-06-02 基于加速度周期变化规律的设备机主身份实时识别方法及其装置

Publications (2)

Publication Number Publication Date
CN107273726A true CN107273726A (zh) 2017-10-20
CN107273726B CN107273726B (zh) 2019-10-29

Family

ID=60064431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710409764.XA Expired - Fee Related CN107273726B (zh) 2017-06-02 2017-06-02 基于加速度周期变化规律的设备机主身份实时识别方法及其装置

Country Status (1)

Country Link
CN (1) CN107273726B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107831907A (zh) * 2017-12-07 2018-03-23 深圳先进技术研究院 基于步态识别的身份认证方法及装置
CN109302532A (zh) * 2018-11-02 2019-02-01 北京航空航天大学 一种基于智能手机加速度传感器的身份认证方法
CN109635533A (zh) * 2018-12-07 2019-04-16 中国移动通信集团江苏有限公司 身份识别方法、装置、设备及介质
CN110059794A (zh) * 2018-01-18 2019-07-26 北京京东金融科技控股有限公司 人机识别方法及装置、电子设备、存储介质
CN110774318A (zh) * 2018-07-24 2020-02-11 佳能株式会社 处理装置及处理部分的处理方法
CN111625792A (zh) * 2020-07-28 2020-09-04 杭州大乘智能科技有限公司 一种基于异常行为检测的身份识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695445A (zh) * 2009-10-29 2010-04-21 浙江大学 一种基于加速度传感器的步态身份识别方法
US20130138386A1 (en) * 2011-11-30 2013-05-30 Arbitron Inc. Movement/position monitoring and linking to media consumption
CN106096662A (zh) * 2016-06-24 2016-11-09 深圳市颐通科技有限公司 基于加速度传感器的人体运动状态识别

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101695445A (zh) * 2009-10-29 2010-04-21 浙江大学 一种基于加速度传感器的步态身份识别方法
US20130138386A1 (en) * 2011-11-30 2013-05-30 Arbitron Inc. Movement/position monitoring and linking to media consumption
CN106096662A (zh) * 2016-06-24 2016-11-09 深圳市颐通科技有限公司 基于加速度传感器的人体运动状态识别

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王犇: "基于加速度特征点提取的步态身份认证", 《清华大学学报（自然科学版）》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107831907A (zh) * 2017-12-07 2018-03-23 深圳先进技术研究院 基于步态识别的身份认证方法及装置
WO2019109433A1 (zh) * 2017-12-07 2019-06-13 深圳先进技术研究院 基于步态识别的身份认证方法及装置
CN110059794A (zh) * 2018-01-18 2019-07-26 北京京东金融科技控股有限公司 人机识别方法及装置、电子设备、存储介质
CN110774318A (zh) * 2018-07-24 2020-02-11 佳能株式会社 处理装置及处理部分的处理方法
CN110774318B (zh) * 2018-07-24 2023-09-19 佳能株式会社 处理装置及处理部分的处理方法
US11789437B2 (en) 2018-07-24 2023-10-17 Canon Kabushiki Kaisha Processing apparatus and processing method for processing portion
CN109302532A (zh) * 2018-11-02 2019-02-01 北京航空航天大学 一种基于智能手机加速度传感器的身份认证方法
CN109302532B (zh) * 2018-11-02 2020-02-07 北京航空航天大学 一种基于智能手机加速度传感器的身份认证方法
CN109635533A (zh) * 2018-12-07 2019-04-16 中国移动通信集团江苏有限公司 身份识别方法、装置、设备及介质
CN109635533B (zh) * 2018-12-07 2021-09-03 中国移动通信集团江苏有限公司 身份识别方法、装置、设备及介质
CN111625792A (zh) * 2020-07-28 2020-09-04 杭州大乘智能科技有限公司 一种基于异常行为检测的身份识别方法

Also Published As

Publication number Publication date
CN107273726B (zh) 2019-10-29

Similar Documents

Publication Publication Date Title
CN107273726A (zh) 基于加速度周期变化规律的设备机主身份实时识别方法及其装置
Kose et al. Online human activity recognition on smart phones
Nickel et al. Authentication of smartphone users based on the way they walk using k-NN algorithm
CN104484644B (zh) 一种手势识别方法和装置
CN108244744A (zh) 一种运动状态识别的方法、鞋底及鞋
CN101714209A (zh) 图像处理装置、图像处理方法、程序及记录介质
CN105184254B (zh) 一种身份认证方法及系统
CN106919913A (zh) 基于计算机视觉的疲劳驾驶检测方法及装置
CN108021888A (zh) 一种跌倒检测方法
Chetty et al. Body sensor networks for human activity recognition
CN107688790A (zh) 人体行为识别方法、装置、存储介质及电子设备
Ortega-Anderez et al. A multi-level refinement approach towards the classification of quotidian activities using accelerometer data
CN106991409A (zh) 一种运动想象脑电信号特征提取与分类系统及方法
Deb et al. Gait identification using a new time-warped similarity metric based on smartphone inertial signals
Hausberger et al. IMU-based smart fitness devices for weight training
Beily et al. A sensor based on recognition activities using smartphone
Khatun et al. Human activity recognition using smartphone sensor based on selective classifiers
CN107103219B (zh) 基于步态的可穿戴设备用户识别方法及系统
Li et al. Cognitive load detection from wrist-band sensors
CN107169334A (zh) 用于手部可穿戴设备的基于直拳动作检测的用户认证方法
CN110123280A (zh) 一种基于智能移动终端操作行为识别的手指灵活度检测方法
Faye et al. A two-level approach to characterizing human activities from wearable sensor data
Jiang et al. Fast, accurate event classification on resource-lean embedded sensors
CN108573240A (zh) 一种结合形状序列和线性时间归一化的步态身份识别
Tiba et al. Detecting outlier and poor quality medical images with an ensemble-based deep learning system

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191029