CN109815655B - 身份识别及验证系统、方法、装置和计算机可读存储介质 - Google Patents

Abstract

本公开一种基于击键动力学的身份识别及验证系统、方法、装置和计算机可读存储介质。该基于击键动力学的身份识别及验证系统，包括：击键信息采集模块，包括：N粒按键，这些按键接受用户敲击而输出连续电压信号，N≥1；模数转换模块，用于接收击键信息采集模块中N粒按键所输出的连续电压信号，对连续电压信号进行模数转换，将其转换为数字信号；特征提取模块，用于对模数转换模块输出的数字信号进行处理，提取特征信息；以及模式识别模块，用于利用特征提取模块提取的特征信息进行用户身份识别及验证。本公开中，通过对连续模拟信号进行处理，可以获得更为丰富的用户特征信息，这些用户特征信息保证了训练的有效性和用户识别的准确性。

Description

身份识别及验证系统、方法、装置和计算机可读存储介质

技术领域

本公开涉及网络安全技术领域，尤其涉及一种基于击键动力学的身份识别及验证系统、方法、装置和计算机可读存储介质。

背景技术

在高速发展的信息时代，网络安全已经成为人们的一大顾虑，这使得人机交互界面需要有一个有效并持续的解决方案。需要至少两个认证因素的多因素认证可以提供比常用的仅密码方案高得多的安全级别。它不仅要求私人信息的知识，例如密码，还要求用户与自己相关的东西，例如安全令牌或生物特征。

击键动力学是基于人们的打字属性的行为生物识别，例如按键延迟和按键保持时间。当使用诸如数字键盘或键盘的输入设备记录信息时，它会是一种理想的认证因素。然而，类似于其他行为生物特征，击键动力学的打字属性有时会有大的统计上的波动，而如果能从击键行为里提取更多的打字属性，将会有利于减少这种波动对于最终验证结果的影响。

公开内容

(一)要解决的技术问题

本公开提供了一种基于击键动力学的身份识别及验证系统、方法、装置和计算机可读存储介质，以至少部分解决以上所提出的技术问题。

(二)技术方案

根据本公开的一个方面，提供了一种基于击键动力学的身份识别及验证系统，包括：击键信息采集模块，包括：N粒按键，这些按键接受用户敲击而输出连续电压信号，N≥1；模数转换模块，与击键信息采集模块电性耦接，用于接收击键信息采集模块中N粒按键所输出的连续电压信号，对连续电压信号进行模数转换，将其转换为数字信号；特征提取模块，与模数转换模块电性耦接，用于对模数转换模块输出的数字信号进行处理，提取特征信息；以及模式识别模块，与特征提取模块电性耦接，用于利用特征提取模块提取的特征信息进行用户身份识别及验证。

在本公开的一些实施例中，特征提取模块提取的特征信息包括：一阶特征信息和/或二阶特征信息；一阶特征信息包括以下信息的至少一种：峰值大小、峰值间隔、按键时间；二阶特征信息包括以下信息的至少一种：频域特征信息、小波变换域特征信息、离散余弦变换域信息。

在本公开的一些实施例中，特征提取模块提取的二阶特征信息中：频域特征信息包括以下信息中的一种或多种：峰值大小、峰值位置；和/或小波变换域特征信息包括以下信息中的一种或多种：频率突变性、小波能量分布；和/或离散余弦变换域信息包括以下信息中的一种或多种：频率分布、能量分布。

在本公开的一些实施例中，特征提取模块包括：数字滤波模块，用于将数字信号进行时域滤波，滤除噪声信号，得到有效的数字电压信号；归一化模块，用于对有效的数字电压信号进行归一化；时域特征提取模块，用于对归一化后的数字电压信号进行峰值检测、上升沿检测和下降沿检测，获取按键信号的时域特征信息；频域特征提取模块，用于对归一化后的数字电压信号进行时频转换，将其转换为频域，对频域信号进行峰值检测，得到按键信号的频域特征信息；小波变换域特征提取模块，用于将归一化后的数字电压信号进行小波变换，对小波变换后的信号进行检测，得到小波变换域特征信息；离散余弦域特征提取模块，将归一化后的数字电压信号进行离散余弦变换，对离散余弦变换后的信号进行检测，得到离散余弦变换域信息。

在本公开的一些实施例中，模式识别模块，用于利用特征提取模块提取的一阶特征信息和二阶特征信息，基于机器学习算法进行用户身份识别及验证；机器学习算法为监督式深度学习算法或非监督式学习算法；监督式学习算法包括以下算法中的一种或多种：决策树方法、朴素贝叶斯方法、最小二乘法或支持向量机法；非监督式学习算法包括以下算法中的一种或多种：聚类算法或主成分分析法。

在本公开的一些实施例中，模式识别模块用于：在训练阶段，将多个用户的标签及每一用户对应的四组特征信息作为输入，经过深度学习算法学习后获得系统用户模型参数；在识别阶段，将通过击键信息采集模块输入的密码及在输入过程中采集的连续电压信号通过处理获取的时域特征信息、频域特征信息、小波变换域特征信息、离散余弦变换域信息的四组特征信息作为输入，利用深度学习算法和系统用户模型参数进行判定，获得对目标用户标签的估计，作为输出。

在本公开的一些实施例中，按键为电容式按键、电阻式按键、基于摩擦纳米发电机的按键。

在本公开的一些实施例中，基于摩擦纳米发电机的按键为单电极按键或双电极按键，包括：软体框架；上摩擦组件和下摩擦组件，位于软体框架内；其中，上摩擦组件和下摩擦组件相对表面的材料为处于摩擦电极序上不同位置的材料，在敲击力的作用下，上摩擦组件和下摩擦组件的相对表面在分离状态和接触状态之间切换，从而产生连续电压信号。

在本公开的一些实施例中，按键还包括：屏蔽电极，设置于软体框架的承力面和上摩擦组件之间，用于屏蔽手指所带电荷对连续电压信号的干扰。

在本公开的一些实施例中，上摩擦组件自上而下包括：上电极基底；依次形成于上电极基底上的上电极和内表层；下摩擦组件自下而上包括：下电极基底和形成于下电极基底上的下电极；其中，上摩擦组件的内表层和下摩擦组件的下电极由处于摩擦电极序上不同位置的材料制成。

在本公开的一些实施例中，屏蔽电极设置于软体框架的承力面和上电极基底之间；和/或屏蔽电极的外围边缘相比于上电极的外围边缘向外侧延伸0.5～2mm；且屏蔽电极的外围边缘向下方倾斜，呈向下盖住上电极的形状。

在本公开的一些实施例中，上电极、下电极和屏蔽电极均由ITO材料制备；软体框架采用硅胶材料制备；上电极基底、下电极基底采用PET薄膜制备。

基于同一发明构思，本公开还提供了基于击键动力学的身份识别及验证方法，包括：对数字信号进行处理，提取特征信息，其中，数字信号为由用户敲击按键而输出的连续电压信号经模数转换而来；以及利用特征信息进行用户身份识别及验证。

在本公开的一些实施例中，特征信息包括：一阶特征信息和/或二阶特征信息；一阶特征信息包括以下信息的至少一种：峰值大小、峰值间隔、按键时间；二阶特征信息包括以下信息的至少一种：频域特征信息、小波变换域特征信息、离散余弦变换域信息。

在本公开的一些实施例中，二阶特征信息中：频域特征信息包括以下信息中的一种或多种：峰值大小、峰值位置；和/或小波变换域特征信息包括以下信息中的一种或多种：频率突变性、小波能量分布；和/或离散余弦变换域信息包括以下信息中的一种或多种：频率分布、能量分布。

在本公开的一些实施例中，利用特征信息进行用户身份识别及验证的步骤具体包括：利用一阶特征信息和二阶特征信息，基于机器学习算法进行用户身份识别及验证；其中，机器学习算法为监督式深度学习算法或非监督式学习算法；监督式学习算法包括以下算法中的一种或多种：决策树方法、朴素贝叶斯方法、最小二乘法或支持向量机法；非监督式学习算法包括以下算法中的一种或多种：聚类算法或主成分分析法。

基于同一发明构思，本公开还提供了一种计算机装置，包括：存储器；以及处理器，电性耦接至存储器，其被配置为基于存储在存储器中的指令，执行如上的身份识别及验证方法。

基于同一发明构思，本公开还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上的身份识别及验证方法。

(三)有益效果

从上述技术方案可以看出，本公开基于击键动力学的身份识别及验证系统、方法、装置和计算机可读存储介质至少具有以下有益效果其中之一：

(1)击键信息采集模块获得连续电压信号，该电压信号为连续模拟信号，而并非离散的数字信号。通过对连续模拟信号进行处理，可以获得更为丰富的用户特征信息，这些用户特征信息保证了训练的有效性和用户识别的准确性。

(2)采用基于摩擦纳米发电机的按键，实现了自供电，减小了电力消耗，同时为自供电的无线传输提供了可能。

(3)在不同的击键力度下，按键会产生不同大小的电压信号，从而能够体现打字力和手指大小等对电信号的影响，实现压强增强的击键动力学分析。

(4)在按键上方，手指和两摩擦组件之间设置屏蔽电极，屏蔽了带电物体，例如手指，在按键上方的移动以及接触并不会对下方的接触分离式摩擦纳米发电机的电极产生太大影响，提高了信号的信噪比。

(5)增加了频域特征信息、小波变换域特征信息、离散余弦变换域信息。而这三种特征信息属于二阶特征信息，具有更好的鲁棒性，能够大大降低统计上的波动对最终验证结构的影响。

(6)通过基于监督式深度学习算法的模式识别模块，对系统用户模型进行训练和识别，可以有效降低训练样本所需的数量，加快模型训练速度，降低训练复杂度，同时保障模型的有效性和精度，提高识别率。

附图说明

图1为根据本公开实施例基于击键动力学的身份识别及验证系统的结构示意图。

图2为图1所示身份识别及验证系统的击键信息采集模块中按键的结构示意图。

图3为图2所示按键的物理模型示意图。

图4A为由无屏蔽电极按键和有屏蔽电极按键所获得的击键信号的波形图。

图4B为有屏蔽电极按键在不同击键力度下电压信号的曲线图。

图5为图1所示身份识别及验证系统的特征提取模块对按键输出的连续电压信号进行处理的示意图。

图6为图5所示特征提取模块对归一化后的数字电压信号中的前两个波形进行峰值检测的结果。

图7为本公开实施例基于击键动力学的身份识别及验证方法的流程图。

图8为根据本公开另一实施例基于击键动力学的身份识别及验证装置的示意图。

图9为根据本公开另一实施例基于击键动力学的身份识别及验证的计算机可读存储介质的示意图。

【附图中本公开实施例主要元件符号说明】

100-击键信息采集模块

110-软体框架；

120-上摩擦组件；

121-上电极基底； 122-上电极； 123-内表层；

130-下摩擦组件；

131下电极基底； 132下电极；

140-屏蔽电极；

200-模数转换模块；

300-特征提取模块；

310-数字滤波模块； 320-归一化模块； 330-时域特征提取模块；

340-频域特征提取模块； 350-小波变换域特征提取模块；

360-离散余弦域特征提取模块；

400-模式识别模块。

具体实施方式

本公开提出了一套基于击键动力学的身份验证和识别的技术方案，其结构新颖、复杂度和成本均较低，能够切实减小统计上的波动对最终验证结果的影响。

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

在本公开的一个示例性实施例中，提供了一种基于击键动力学的身份识别及验证系统。

图1为根据本公开实施例基于击键动力学的身份识别及验证系统的结构示意图。如图1所示，本实施例基于击键动力学的身份识别及验证系统包括：

击键信息采集模块100，包括：N粒按键，这些按键接受用户敲击而输出连续电压信号，N≥1；

模数转换模块200，与击键信息采集模块100电性耦接，用于接收击键信息采集模块中N粒按键所输出的连续电压信号，对连续电压信号进行模数转换，将其转换为数字信号；

特征提取模块300，与模数转换模块200电性耦接，用于对模数转换模块输出的数字信号进行处理，提取特征信息；

模式识别模块400，与特征提取模块300电性耦接，用于利用特征提取模块提取的特征信息，进行用户身份识别及验证。

本实施例中，击键信息采集模块获得连续电压信号，该电压信号为连续信号，而并非离散的数字信号。通过对连续信号进行处理，可以获得更为丰富的用户特征信息，更为丰富的用户特征信息保证了训练的有效性和用户识别的准确性。

以下分别对本实施例基于击键动力学的身份识别及验证系统的各个组成部分进行详细描述。

本实施例中，击键信息采集模块100中包括多粒按键。但本公开并不依次为限，在本公开的一个实施例中，击键信息采集模块也可以只包含一粒按键。在这种情况下，可以采用多次按压同一粒按键的情况下进行连续电压信号提取。

本实施例中，按键包括摩擦纳米发电机。图2为图1所示身份识别及验证系统的击键信息采集模块中按键的结构示意图。如图2所示，该按键包括：

软体框架110，至少包括一接收用户敲击的承力面111和下固定面；

上摩擦组件120和下摩擦组件130，位于软体框架110内，分别靠近于承力面111和固定面设置；

其中，上摩擦组件120和下摩擦组件130相对表面的材料为处于摩擦电极序上不同位置的材料。在敲击力的作用下，该上摩擦组件和下摩擦组件在分离状态和接触状态之间切换，从而产生连续电压信号。

本实施例中，采用基于摩擦纳米发电机的按键，实现了自供电，减小了电力消耗，同时为自供电的无线传输提供了可能。

请参照图2，软体框架110由硅胶或其他软性材料形成，并且，在软体框架内形成一封闭或半封闭或开放的空间，供上摩擦组件120和下摩擦组件130设置。

请继续参照图2，上摩擦组件120自上而下包括：上电极基底121、形成于上电极基底上的上电极122和内表层123。下摩擦组件自下而上包括：下电极基底131和形成于下电极基底上的下电极132。

在实际测试中，由按键输出的信号信噪比很差，大概只有2dB。经过大量的实验和分析，申请人发现：在敲击按键时，手指上所带的电荷对按键的上摩擦组件的上电极上的电荷输运产生干扰作用，故在软体框架的承压面111和上摩擦组件120之间，设置了屏蔽电极140，用于防止误触和提高信号与干扰加噪声比。

其中，屏蔽电极140的形状与上电极的形状大致相同，其外围边缘相比于上电极的外围边缘向外侧延伸0.5～2mm，并且，屏蔽电极140的外围边缘向下方倾斜，呈向下盖住上电极的形状。并且，在保证不相通的情况下尽可能靠近上电极，以实现更好的屏蔽效果。

图3为图2所示按键的物理模型示意图。如图3所示，按键的物理模型可简化为一个屏蔽电极和一个接触分离式摩擦纳米发电机。理想情况下有屏蔽电极时，带电物体比如手指在按键上方的移动以及接触并不会对下方的接触分离式摩擦纳米发电机的电极产生太大影响，电压表示数保持为0，如图3中①和②所示。只有当按键被按下之后，按键内部间隙发生变化，造成摩擦纳米发电机两电极间电势不同，电压表才会有读数，如图3中③所示。手指抬起，按键恢复，上摩擦组件和下摩擦组件分离，电压表示数恢复0，如图3中④所示。

图4A为由无屏蔽电极按键和有屏蔽电极按键所获得的击键信号的波形图。如图4A所示，新的屏蔽电极能将信号与干扰加噪声比从2db提高到10dB，如图4A中(a)图和(b)图所示。由图4A还可以看出，屏蔽电极无法完全屏蔽装置上方的电场，轻微接触装置依旧会有少量输出，如图4A里(b)图中波形所示。

图4B为有屏蔽电极按键在不同击键力度下电压信号的曲线图。图4B中，(a)～(c)图分别为间隙开放、间隙闭合和饱和情况下按键所获得的电压信号。如图4B所示，在不同的击键力度下，所公开的击键装置会产生不同大小的电压信号，从而使得在没有传统压力传感器的情况下也能够体现打字力和手指大小等对电信号的影响，实现压强增强的击键动力学分析。

本实施例中，上电极、下电极和屏蔽电极都是以ITO(氧化铟锡)为导体。并且，上电极基底和下电极基底都是采用PET(聚对苯二甲酸乙二醇酯)薄膜。本领域技术人员应当清楚，还可以选择其他的电极材料和基底材料，并不影响本公开的实现。

需要说明的是，采用基于摩擦纳米发电机的按键仅是本公开的一种实现方式，在本公开的其他实施例中，还可以采用其他类型的主动感测式按键，如电容式或者电阻式按键，来实现本公开。

现有技术基于击键动力学的身份识别及验证系统中，依赖的是离散数字信号，因此获得的信号特征有限，局限于停留时间、跨键时间、击键力度等特征。而在本公开中，通过接触分离式摩擦纳米发电机或电容式按键，不需要额外增加硬件，且输出信号为模拟信号，通过对模拟信号进行处理，可以获得更为丰富的用户特征信息，对于用户身份识别和验证非常有利。

请继续参照图1，模数转换模块200与击键信息采集模块100电性耦接，用于接收击键信息采集模块中N粒按键所输出的连续电压信号，对连续电压信号进行模数转换，将其转换为数字信号。

请继续参照图1，特征提取模块300与模数转换模块200电性耦接，用于对模数转换模块输出的数字信号进行处理，提取特征信息。此处的特征信息包括但不限于几种：时域特征信息、频域特征信息、小波变换域特征信息、离散余弦域特征信息，和其他变换域特征信息。

图5为图1所示基于击键动力学的身份识别及验证系统中特征提取模块对按键输出的连续电压信号进行处理的示意图。请参照图5，特征提取模块300包括：

数字滤波模块310，用于将数字信号进行时域滤波，滤除噪声信号，得到有效的数字电压信号；

归一化模块320，用于对有效的数字电压信号进行归一化；

时域特征提取模块330，用于对归一化后的数字电压信号进行峰值检测、上升沿检测和下降沿检测，获取按键信号的时域特征信息，包括但不限于：峰值大小M、峰值间隔L、按键时间H。

图6为图5所示特征提取模块对归一化后的数字电压信号中的前两个波形进行峰值检测的结果。如图6所示，通过检测，第一个波形的峰值为M(1)，按键时间为H(1)；第一个波形和第二个波形之间的峰值间隔为L(1)。

频域特征提取模块340，用于对归一化后的数字电压信号进行时频转换，将其转换为频域，对频域信号进行峰值检测，得到按键信号的频域特征信息，包括但不限于：峰值大小、峰值位置；

小波变换域特征提取模块350，用于将归一化后的数字电压信号进行小波变换，对小波变换后的信号进行检测，得到小波变换域特征信息，其中，该小波变换域特征信息包括但不限于：频率突变性、小波能量分布等；

离散余弦域特征提取模块360，将归一化后的数字电压信号进行离散余弦变换，对离散余弦变换后的信号进行检测，得到离散余弦变换域信息，该离散余弦变换域信息包括但不限于：频率分布、能量分布等。

至此，特征提取模块提取了至少四组特征信息：时域特征信息、频域特征信息、小波变换域特征信息、离散余弦变换域信息。相比于现有技术中的基于击键动力学的身份识别和验证系统，增加了频域特征信息、小波变换域特征信息、离散余弦变换域信息。而这三种特征信息属于二阶特征信息，具有更好的鲁棒性，能够大大降低统计上的波动对最终验证结构的影响。

需要说明的是，为了保证识别结果的准确性，本实施例中提取了四组特征信息进行后期的算法训练和识别。但本领域技术人员能够理解的是，如果样本量足够庞大，能够保证算法训练和识别的情况下，也可以选择性地提取部分特征信息，而不用提取全部的四组特征信息，换句话说，特征提取模块300也可以仅包含上述四个模块中的一个、两个或者多个，同样可以实现本公开。

本实施例中，模式识别模块400采用支持向量机的监督式深度学习算法对提取的用户特征信息进行训练和识别。其中，该监督式深度学习算法可以为：决策树方法、朴素贝叶斯方法、最小二乘法或支持向量机法。

具体来讲，本实施例中，该模式识别模块，用于：

在训练阶段，将多个用户的标签及每一用户对应的四组特征信息作为输入，经过深度学习算法学习后获得系统用户模型参数。

在识别阶段，将通过击键信息采集模块输入的密码及在输入过程中采集的连续电压信号通过处理获取的时域特征信息、频域特征信息、小波变换域特征信息、离散余弦变换域信息的四组特征信息作为输入，利用深度学习算法和系统用户模型参数进行判定，获得对目标用户标签的估计，作为输出。

本实施例中，通过基于监督式深度学习算法的模式识别模块，对系统用户模型进行训练和识别，可以有效降低训练样本所需的数量，加快模型训练速度，降低训练复杂度，同时保障模型的有效性和精度，提高识别率。

本领域技术人员应当清楚，除了采用监督式深度学习算法之外，还可以采用如聚类算法或主成分分析法等非监督式学习方法；或其他的机器学习算法；或多种机器学习算法的组合对提取的用户特征信息进行训练和识别，同样可以实现本公开。

需要说明的是，本实施例中，特征提取模块和模式识别模块可以通过计算机软件方式实现，也可以通过硬件的方式实现，本领域技术人员清楚地得知其具体实现方式，此处不再详细说明。

至此，本公开实施例基于击键动力学的身份识别及验证系统介绍完毕。

本领域技术人员应当清楚，上述实施例中除了击键信息采集模块和模数转换模块之外，特征提取模块和模式识别模块还可以采用计算机程序的方式来实现。

据此，根据本公开的另一个方面，还提出了一种基于击键动力学的身份识别及验证方法。

图7为本公开实施例基于击键动力学的身份识别及验证方法的流程图。如图7所示，本实施例包括：

步骤A，对数字信号进行处理，提取特征信息，其中，所述数字信号为由用户敲击按键而输出的连续电压信号经模数转换而来；以及

步骤B，利用特征信息进行用户身份识别及验证。

以下对本实施例中的各个步骤进行详细说明。

本实施例中，采集用户敲击按键而产生的连续电压信号由击键信息采集模块完成，将连续电压信号进行模数转换，得到数字信号由模数转换模块完成。关于击键信息采集模块和模数转换模块两个硬件模块，在上一实施例中已经进行了详细说明，此处不再详细说明。

上述步骤A中，所述特征信息包括：一阶特征信息和/或二阶特征信息。所述一阶特征信息包括以下信息的至少一种：峰值大小、峰值间隔、按键时间。所述二阶特征信息包括以下信息的至少一种：频域特征信息、小波变换域特征信息、离散余弦变换域信息。

其中，所述频域特征信息包括以下信息中的一种或多种：峰值大小、峰值位置。所述小波变换域特征信息包括以下信息中的一种或多种：频率突变性、小波能量分布。所述离散余弦变换域信息包括以下信息中的一种或多种：频率分布、能量分布。

据此，如图7所示，所述步骤A提取特征信息进一步包括：

子步骤A1，将数字信号进行时域滤波，滤除噪声信号，得到有效的数字电压信号；

子步骤A2，对有效的数字电压信号进行归一化；

子步骤A3，对归一化后的数字电压信号进行峰值检测、上升沿检测和下降沿检测，获取按键信号的时域特征信息；

子步骤A4，对归一化后的数字电压信号进行时频转换，将其转换为频域，对频域信号进行峰值检测，得到按键信号的频域特征信息；

子步骤A5，将归一化后的数字电压信号进行小波变换，对小波变换后的信号进行检测，得到小波变换域特征信息；

子步骤A6，归一化后的数字电压信号进行离散余弦变换，对离散余弦变换后的信号进行检测，得到离散余弦变换域信息。

基于上述步骤A，所述步骤B中，利用特征信息进行用户身份识别及验证包括：利用一阶特征信息和二阶特征信息，基于机器学习算法进行用户身份识别及验证。

其中：所述机器学习算法为监督式深度学习算法或非监督式学习算法。所述监督式学习算法包括以下算法中的一种或多种：决策树方法、朴素贝叶斯方法、最小二乘法或支持向量机法。所述非监督式学习算法包括以下算法中的一种或多种：聚类算法或主成分分析法。

具体地，本实施例中，所述机器学习算法为监督式深度学习算法。所述步骤B进一步包括：

在训练阶段，将多个用户的标签及每一用户对应的四组特征信息作为输入，经过深度学习算法学习后获得系统用户模型参数；

在识别阶段，将通过击键信息采集模块输入的密码及在输入过程中采集的连续电压信号通过处理获取的时域特征信息、频域特征信息、小波变换域特征信息、离散余弦变换域信息的四组特征信息作为输入，利用深度学习算法和系统用户模型参数进行判定，获得对目标用户标签的估计，作为输出。

至此，本公开实施例基于击键动力学的身份识别及验证方法介绍完毕。

根据本公开的又一个方面，还提供了一种计算机装置。图8为根据本公开另一实施例基于击键动力学的身份识别及验证装置的示意图。如图8所示，本实施例基于击键动力学的身份识别及验证装置包括：存储器；以及处理器，电性耦接至所述存储器，其被配置为基于存储在所述存储器中的指令，执行如上实施例所述的身份识别及验证方法。

根据本公开的还一个方面，还提供了一种计算机可读存储介质。图9为根据本公开另一实施例基于击键动力学的身份识别及验证的计算机可读存储介质的示意图。所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上实施例所述的身份识别及验证方法。

至此，已经结合附图对本公开实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换，例如：

(1)接触分离式摩擦按键还可以改为单电极的形式，即仅在上摩擦组件和下摩擦组件其中之一上设置电极；

(2)所用的硅胶和ITO等材料可以用其他柔性高分子材料和导电材料来代替；

依据以上描述，本领域技术人员应当对本公开基于击键动力学的身份识别及验证系统有了清楚的认识。

综上所述，本公开提供一种双因素验证、基于压强增强的击键动力学和摩擦纳米发电机阵列的身份验证和识别系统、方法、装置和计算机可读存储介质，可以实现对于用户身份的实时连续监测和识别，具有成本低廉、识别率高、适用性广等特点，在物联网、智慧城市、赛博网络安全、互联网金融中具有广泛的应用前景，具有较强的推广应用价值。

还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。

并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。

再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。

此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的启示一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的内容，并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。

应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (17)

1.一种基于击键动力学的身份识别及验证系统，包括：

击键信息采集模块，包括：N粒按键，这些按键接受用户敲击而输出连续电压信号，N≥1；

模数转换模块，与所述击键信息采集模块电性耦接，用于接收所述击键信息采集模块中N粒按键所输出的连续电压信号，对连续电压信号进行模数转换，将其转换为数字信号；

特征提取模块，与所述模数转换模块电性耦接，用于对所述模数转换模块输出的数字信号进行处理，提取特征信息；以及

模式识别模块，与所述特征提取模块电性耦接，用于利用特征提取模块提取的特征信息进行用户身份识别及验证；

所述按键还包括：

屏蔽电极，设置于软体框架的承力面和上摩擦组件之间，用于屏蔽手指所带电荷对所述连续电压信号的干扰。

2.根据权利要求1所述的身份识别及验证系统，其中，所述特征提取模块提取的特征信息包括：一阶特征信息和/或二阶特征信息；

所述一阶特征信息包括以下信息的至少一种：峰值大小、峰值间隔、按键时间；

所述二阶特征信息包括以下信息的至少一种：频域特征信息、小波变换域特征信息、离散余弦变换域信息。

3.根据权利要求2所述的身份识别及验证系统，所述特征提取模块提取的二阶特征信息中：

所述频域特征信息包括以下信息中的一种或多种：峰值大小、峰值位置；和/或

所述小波变换域特征信息包括以下信息中的一种或多种：频率突变性、小波能量分布；和/或

所述离散余弦变换域信息包括以下信息中的一种或多种：频率分布、能量分布。

4.根据权利要求3所述的身份识别及验证系统，所述特征提取模块包括：

数字滤波模块，用于将数字信号进行时域滤波，滤除噪声信号，得到有效的数字电压信号；

归一化模块，用于对有效的数字电压信号进行归一化；

时域特征提取模块，用于对归一化后的数字电压信号进行峰值检测、上升沿检测和下降沿检测，获取按键信号的时域特征信息；

频域特征提取模块，用于对归一化后的数字电压信号进行时频转换，将其转换为频域，对频域信号进行峰值检测，得到按键信号的频域特征信息；

小波变换域特征提取模块，用于将归一化后的数字电压信号进行小波变换，对小波变换后的信号进行检测，得到小波变换域特征信息；

离散余弦域特征提取模块，将归一化后的数字电压信号进行离散余弦变换，对离散余弦变换后的信号进行检测，得到离散余弦变换域信息。

5.根据权利要求2至4中任一项所述的身份识别及验证系统，其中：

所述模式识别模块，用于利用特征提取模块提取的一阶特征信息和二阶特征信息，基于机器学习算法进行用户身份识别及验证；

所述机器学习算法为监督式深度学习算法或非监督式学习算法；所述监督式学习算法包括以下算法中的一种或多种：决策树方法、朴素贝叶斯方法、最小二乘法或支持向量机法；所述非监督式学习算法包括以下算法中的一种或多种：聚类算法或主成分分析法。

6.根据权利要求5所述的身份识别及验证系统，其中，所述模式识别模块用于：

在训练阶段，将多个用户的标签及每一用户对应的四组特征信息作为输入，经过深度学习算法学习后获得系统用户模型参数；

在识别阶段，将通过击键信息采集模块输入的密码及在输入过程中采集的连续电压信号通过处理获取的时域特征信息、频域特征信息、小波变换域特征信息、离散余弦变换域信息的四组特征信息作为输入，利用深度学习算法和系统用户模型参数进行判定，获得对目标用户标签的估计，作为输出。

7.根据权利要求6所述的身份识别及验证系统，其中，所述按键为电容式按键、电阻式按键、基于摩擦纳米发电机的按键。

8.根据权利要求7所述的身份识别及验证系统，其中，所述基于摩擦纳米发电机的按键为单电极按键或双电极按键，包括：

软体框架；

上摩擦组件和下摩擦组件，位于所述软体框架内；

其中，所述上摩擦组件和下摩擦组件相对表面的材料为处于摩擦电极序上不同位置的材料，在敲击力的作用下，所述上摩擦组件和下摩擦组件的相对表面在分离状态和接触状态之间切换，从而产生连续电压信号。

9.根据权利要求8所述的身份识别及验证系统，其中：

所述上摩擦组件自上而下包括：上电极基底；依次形成于上电极基底上的上电极和内表层；

所述下摩擦组件自下而上包括：下电极基底和形成于下电极基底上的下电极；

其中，所述上摩擦组件的内表层和下摩擦组件的下电极由处于摩擦电极序上不同位置的材料制成。

10.根据权利要求9所述的身份识别及验证系统，其中：

所述屏蔽电极的外围边缘相比于上电极的外围边缘向外侧延伸0.5～2mm；且所述屏蔽电极的外围边缘向下方倾斜，呈向下盖住上电极的形状。

11.根据权利要求9所述的身份识别及验证系统，其中：

所述上电极、下电极和屏蔽电极均由ITO材料制备；

所述软体框架采用硅胶材料制备；

所述上电极基底、下电极基底采用PET薄膜制备。

12.一种基于击键动力学的身份识别及验证方法，采用权利要求1～11任一项所述的基于击键动力学的身份识别及验证系统，包括：

对数字信号进行处理，提取特征信息，其中，所述数字信号为由用户敲击按键而输出的连续电压信号经模数转换而来；以及

利用特征信息进行用户身份识别及验证；

还包括采用屏蔽电极屏蔽手指所带电荷对所述连续电压信号的干扰。

13.根据权利要求12所述的身份识别及验证方法，所述特征信息包括：一阶特征信息和/或二阶特征信息；

所述一阶特征信息包括以下信息的至少一种：峰值大小、峰值间隔、按键时间；

所述二阶特征信息包括以下信息的至少一种：频域特征信息、小波变换域特征信息、离散余弦变换域信息。

14.根据权利要求13所述的身份识别及验证方法，所述二阶特征信息中：

所述频域特征信息包括以下信息中的一种或多种：峰值大小、峰值位置；和/或

所述小波变换域特征信息包括以下信息中的一种或多种：频率突变性、小波能量分布；和/或

所述离散余弦变换域信息包括以下信息中的一种或多种：频率分布、能量分布。

15.根据权利要求14所述的身份识别及验证方法，所述利用特征信息进行用户身份识别及验证的步骤具体包括：

利用一阶特征信息和二阶特征信息，基于机器学习算法进行用户身份识别及验证；

其中，所述机器学习算法为监督式深度学习算法或非监督式学习算法；所述监督式学习算法包括以下算法中的一种或多种：决策树方法、朴素贝叶斯方法、最小二乘法或支持向量机法；所述非监督式学习算法包括以下算法中的一种或多种：聚类算法或主成分分析法。

16.一种计算机装置，包括：

存储器；以及

处理器，电性耦接至所述存储器，其被配置为基于存储在所述存储器中的指令，执行如权利要求12至15中任一项所述的身份识别及验证方法。

17.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求12至15中任一项所述的身份识别及验证方法。

Images