CN112990261A - 一种基于敲击节奏的智能手表用户识别方法 - Google Patents

Abstract

本发明公开了一种基于敲击节奏的智能手表用户识别方法，从敲击节奏训练数据中提取特征，构造特征向量；利用One‑class DBSCAN算法来训练模型，得出核心对象集；计算新样本特征向量与每个核心对象之间的欧氏距离，以识别该新样本是否属于核心向量的类。本发明针对智能手表缺乏合适的用户识别导致的隐私问题，提出了一种新的基于敲击节奏的智能手表用户识别方法，并提出了一种新的一类分类算法One‑class DBSCAN，本发明适用于智能手表较小的屏幕以及低功耗的设定，新的一类分类算法One‑class DBSCAN可以在训练数据只有一类的情况下准确地判断新样本是否属于当前类。

Description

一种基于敲击节奏的智能手表用户识别方法

技术领域

本发明涉及可穿戴设备隐私保护技术领域，尤其涉及一种基于敲击节奏的智能手表用户识别方法。

背景技术

可穿戴设备有各种类型，如智能眼镜、耳机、健身腕带和智能手表。自2014年3月摩托罗拉发布以AndroidWear为操作系统的Moto 360以来，健身腕带和智能手表受到越来越多人的欢迎。根据思科虚拟网络指数(Cisco Virtual Networking Index)，2020年有6亿台可穿戴设备被使用，比2015年的数量多6倍。此外，智能手表的更多功能已经被开发出来，如苹果手表可以发送电子邮件。

智能手表所具备的传感器测量的生理数据是大多数用户的个人信息，这些信息比手机号码和电子邮件地址更加隐私，更加敏感。恶意的人可以从数据中推断出高价值的情报，例如用户的身份、位置和健康状况等。因此，随着智能手表市场的快速增长，对智能手表隐私安全的保护将至关重要。然而，技术和法律之间仍然存在差距，我们缺乏保护设备隐私的标准法案。据美国食品和药物管理局报道，来自40家制造商的300多种可穿戴设备存在隐私安全风险。

植入式医疗设备(Implantable Medical Devices，IMD)和可穿戴设备隐私安全的调查将攻击分为三类，即通信通道攻击(如蓝牙嗅探攻击)、硬件攻击(如通过硬件地址访问数据引起的攻击)和软件攻击(如恶意程序)。此外，如果没有锁屏或识别功能的设备丢失，其中的数据将被他人窃取，很容易泄露个人隐私。惠普(HP)研究人员评估了十款最先进的智能手表，但发现其中只有50％具有锁屏功能。因此，长期被忽视的智能手表用户识别应该得到更大的重视。

在一些已经提出的智能手表用户识别方案中，都或多或少存在一些不足。例如，对于传统输入密码的用户识别方案，不适用于较小屏幕的智能手表；对于基于心电图等身体数据的可穿戴设备用户识别方案，通常智能手表不具备这些传感器；对于基于用户动作实时识别的方案，需要每时每刻获取用户数据，会造成不必要的电量消耗，同时，用户的佩戴位置必须和初始佩戴位置相同，这会对用户造成困扰。敲击节奏是一种可以用户自己定义密码，且适应于较小屏幕的智能手表的用户识别方案。

现有技术的方案及其缺点具体如下：

专利CN106255972A所述方案，提供了一种用于移动健康系统中的用户识别的生物辨识。该方案基于生物信息来识别用户。通过可穿戴设备的传感器系统，获取用户的第一生物数据(包括指纹数据、语音数据、视网膜数据、毛囊数据、毛孔数据等)。基于第一生物数据，确定第一生物认证信息。同时，该方案还支持进一步的认证，根据第二生物信息(包括温度数据、呼吸速率、血糖数据等)确定第二生物认证。该方案提供了基于生物信息的认证，每个人都具备生物信息，方便快捷。然而，通常的智能手表中，不具备这些传感器。因此，该方案存在局限性。

专利CN111599426A所述方案，提供了一种用户身份识别方法、装置、电子设备和存储介质。该方案通过人体对外界激励电流产生反应的特征来识别用户。该方案通过用户在至少三个频点的激励电流作用下，测量用户的人体阻抗相位角，与预先存储的参考特征序列计算相关度，以此来识别用户。每个人人体特征不同，因此对激励电流产生的反应也不同，该方案具备可行性。然而，智能手表不具备激励电流的发射器，也不具备测量阻抗的传感器。该方案存在局限性。

专利CN112016405A所述方案，提供了一种基于可穿戴设备的心电图身份认证方法。该方案根据用户的心电图数据来识别用户。首先，可穿戴设备获取用户的心电图信息；接着，应用混合三层降噪预处理心电图信息；最后，提速特征，使用支持向量机构建分类器。根据用户的心电图信息，分类器会自动识别用户。由于每个人人体结构的不同，造成心电图信息不相同，该方案具备可行性。然而，常用的商用智能手表中不具备获取心电图信息的传感器。因此，该方案存在局限性。

专利CN107103219A所述方案，提供了一种基于步态的可穿戴设备用户识别方案及系统。该方案基于一项研究结论——每个人的步态特征具有唯一性，根据步态特征来识别用户。首先，可穿戴设备内置的三轴加速度传感器会自动收集用户的步态数据；接着，通过预处理和数据平滑去除非步态数据；然后，提速特征值并通过支持向量机方法训练分类器；使得用户在佩戴该可穿戴设备时，分类器可以自动识别用户，完成用户认证，解锁设备。在该方案中，用户无需手动解锁，系统会自动识别用户，解锁设备。然而，该系统始终处于获取数据、验证信息的状态会造成不必要的功耗，对于智能手表这类低功耗设备来说是不太明智的选择。此外，虽然用户的步态特征具有唯一性，但是用户佩戴可穿戴设备的位置(左手、右手)可能会对识别结果造成影响。综上，该方案会造成不必要的功耗，并且识别精度无法保证。

专利CN110968857A所述方案，提供了一种基于抬臂动作的智能手表身份认证方法。该方案通过用户抬臂动作的特征信息来识别用户。该通过智能手表内置的加速度传感器和陀螺仪传感器收集智能手表佩戴者在抬臂时产生的加速度数据和陀螺仪数据，并通过机器学习方法训练分类器。之后将自动获取用户抬臂动作的数据，并通过分类器识别用户。在该方案中，抬臂动作定义为佩戴者手从身侧自然下垂开始，摆动至胸口高度，直到小臂与地面平行。该方案提供了一种自动识别用户的方式。然而，当用户焦虑时，可能抬臂速度会加快，放松时，速度会减慢，从而影响该方案精确率。此外，该方案对抬臂动作有诸多限制，用户必须从佩戴手下垂开始，会对用户造成不必要的麻烦。综上，该方案的精确率无法保证，并且会对用户造成不必要的麻烦。

专利CN112069483A所述方案，提供了一种智能可穿戴设备的用户识别认证方法。该方案根据用户的手势信息来识别用户。系统实时采集用户做手部动作时所佩戴的可穿戴设备传感器的原始信号，运用训练好的由特征提取器和分类器组成的神经网络模型，对手部数据进行识别，以此来识别用户。该方案根据用户手部动作自动识别用户，具备新颖性。然而，自动识别需要每时每刻获取传感器的数据，会造成不必要的大量功耗，而且在智能手表中应用神经网络模型更会消耗大量的计算资源。因此，该方案会产生不必要的功耗。

发明内容

本发明目的就是为了弥补已有技术的缺陷，提供一种基于敲击节奏的智能手表用户识别方法，充分利用敲击节奏的优势，提出了一种新的一类分类算法One-class DBSCAN，用以提高用户识别的精度。

本发明主要分为两个部分，第一个是特征提取，用于从原始的敲击节奏数据中提取特征，构造特征向量。第二个是模型训练，本发明提出了一个新的一类分类算法One-classDBSCAN，用于提高模型分类的精确率。

本发明是通过以下技术方案实现的：

一种基于敲击节奏的智能手表用户识别方法，具体包括以下步骤：

S1、从敲击节奏训练数据中提取特征，构造特征向量；

S2、利用One-classDBSCAN算法来训练模型，得出核心对象集；

S3、计算新样本特征向量与每个核心对象之间的欧氏距离，以识别该新样本是否属于核心向量的类。步骤S1具体步骤如下：

建立敲击节奏数据的坐标轴，其中x轴表示时间，y轴表示是否被敲击过；对于N次敲击的节奏数据，其特征向量的维数为2N-1；

敲击节奏数据转换至特征向量后，每个元素代表一次敲击持续时间或敲击间隔，敲击节奏的总持续时间与每次敲击持续时间或敲击间隔之间是正相关，将特征向量转换成每次敲击持续时间或敲击间隔与总持续时间的比例；

特征提取公式为：

其中x＝(x₁，x₂，...x_n)表示特征向量，x_i，x_j表示特征值，x′表示提取特征后的向量，D是向量的维数。

步骤S2所述的One-classDBSCAN算法，具体内容如下：

利用所有的训练数据来生成一个类，One-classDBSCAN算法通过训练数据只生成一个簇作为当前类；对于经过特征提取后的训练数据，One-classDBSCAN算法通过计算每个数据的∈邻域数量来计算出所有的核心对象，所有的核心对象均属于同一个簇，即用户输入数据的类别；如果当前训练数据不存在核心对象，则计算所有数据向量的平均值向量，作为唯一的核心对象。

步骤S3具体步骤如下：

计算新样本特征向量与每个核心对象之间的欧氏距离，只要存在一个核心对象与新样本的特征向量之间的欧氏距离小于等于阈值∈时，则判断该新样本属于当前类。

本发明的优点是：本发明针对智能手表缺乏合适的用户识别导致的隐私问题，提出了一种新的基于敲击节奏的智能手表用户识别方法，并提出了一种新的一类分类算法One-class DBSCAN，本发明适用于智能手表较小的屏幕以及低功耗的设定，新的一类分类算法One-class DBSCAN可以在训练数据只有一类的情况下准确地判断新样本是否属于当前类。

附图说明

图1为本发明的流程图。

图2为本发明敲击节奏示例图。

图3为具体实施例流程图。

具体实施方式

随着智能手表在可穿戴设备中的使用越来越多，隐私比以往任何时候都更加重要。智能手表的用户识别有助于保护用户隐私。然而，以前的识别方法对用户姿势有高功耗或特殊硬件的要求。因此，综上所述，本发明针对用户隐私安全问题——智能手表用户识别，提出了一种轻量级的识别方法，通过用户的敲击节奏来识别用户。此外，为提高识别精度，提出了一种新的一类分类算法One-class DBSCAN。

1.基于敲击节奏的智能手表用户识别方案

基于敲击节奏的方案适用于智能手表较小的屏幕，并且不需要使用外在的传感器，直接使用AndroidWear OS提供的API获取屏幕点击事件，符合低功耗的要求。目前已有的部分研究需要特定的传感器获取数据，而通常智能手表不具备这些传感器，已有的另外部分研究需要实时获取传感器的数据并计算结果，存在不必要的功耗。

2.一类分类算法One-class DBSCAN

在一类分类问题中，训练数据只有一个类别。由于传统的机器学习二分类算法需要训练数据有两个类别，因此无法直接应用于该问题。异常检测算法通常需要数据中存在异常点，而在智能手表用户识别问题中，训练数据均是由用户输入的，可以假设并不存在异常点，因此异常检测算法也不适用。在本发明中，提出的新的一类分类算法One-classDBSCAN可以根据用户输入的只有一个类别的训练集训练模型，判断新的样本是否属于该类别。

如图1所示，一种基于敲击节奏的智能手表用户识别方法，具体包括以下步骤：

S1、从敲击节奏训练数据中提取特征，构造特征向量；

S2、利用One-classDBSCAN算法来训练模型，得出核心对象集；

S3、计算新样本特征向量与每个核心对象之间的欧氏距离，以识别该新样本是否属于核心向量的类。一个敲击节奏数据由许多节拍组成，如图2所示，展示了一个敲击节奏的例子，其中x轴表示时间，y轴表示是否被敲击过。从图2中可以看出，有三个持续时间t₂-t₁、t₄-t₃、t₆-t₅，以及两个间隔t₃-t₂、t₅-t₄。因此，敲击节奏数据可以描述为向量[t₂-t₁，t₃-t₂，t₄-t₃，t₅-t₄，t₆-t₅]。对于N次敲击的节奏数据，其特征向量的维数为2N-1。

敲击节奏转换至特征向量后，每个元素代表一次敲击持续时间或敲击间隔。如果用户在敲击时处于紧急或兴奋的状态，节奏的总持续时间较短，如果用户处于休闲的心情，节奏的总持续时间可能较长。因此，敲击节奏的总持续时间与每次敲击持续时间或敲击间隔之间是正相关。因此，特征向量可以被转换成每次敲击持续时间或敲击间隔与总持续时间的比例。因此，无论用户处于空闲还是紧急状态，向量的特征值可以保持几乎不变，这可以增加相同敲击节奏的每个输入的相似性，从而提高最终判断的准确性。

特征提取公式如下表示，其中x＝(x₁，x₂，...x_n)表示特征向量，x_i，x_j表示特征值，x′表示提取特征后的向量，D是向量的维数。

One-class DBSCAN算法，具体内容如下：

在传统的分类问题中，训练数据集由正类数据集和负类数据集组成。经过训练，该模型可以预测新样本是正还是负。然而，由于用户输入的敲击节奏只有一类，我们的工作集中在一类分类问题上。一类分类是指训练数据集只有一个类，分类器确定一个新的样本是否属于这个类。由于用于监督学习的训练数据集通常有两类，我们很难利用监督学习算法在一类分类问题中对新样本进行分类。此外，异常检测算法也不适合，因为数据集可能没有异常值。由于无监督学习的聚类算法可以对没有标签的数据进行聚类。因此，该方案采用了这一方法。为了便于介绍，分类结果中的“簇”相当于“类别”。根据聚类算法的规则，一个新的实例可以被分类到一个类中。

DBSCAN是一种传统的聚类算法。与向量u在∈距离内的数据向量构成向量u的邻域N_∈(u)。如果|N_∈(u)|≥MinPts，向量u确定为核心对象。每个核心对象代表一个簇的中心。与核心向量在∈内的向量属于这个核心对象的簇。如果核心对象u与核心对象v的距离小于∈，则这两个核心对象属于同一个簇。因此，DBSCAN通过参数MinPts和∈来确定核心对象和簇。通过计算，DBSCAN算法可以找到所有核心对象和所有簇。

本发明提出一个基于DBSCAN修改而成的新的一类分类算法One-class DBSCAN。因为训练数据是由用户输入的，所以可以安全地假设几乎没有异常数据。因此，可以利用所有的训练数据来生成一个类。One-class DBSCAN通过训练数据只生成一个簇作为当前类。对于经过特征提取后的训练数据，该算法通过计算每个数据的∈邻域数量来计算出所有的核心对象，所有的核心对象均属于同一个簇，即用户输入数据的类别，所有的核心对象作为新样本。如果当前训练数据不存在核心对象，则计算所有数据向量的平均值向量，作为唯一的核心对象。新样本分类步骤如下：

通过上述提出的特征提取方法，提取新的敲击节奏样本的特征向量。根据训练得出的核心对象集，计算新样本特征向量与每个核心对象的距离，当存在一个核心对象与新样本特征向量的距离小于等于∈时，模型判断该新样本属于当前类。

具体实施例如下：

实施例如图3所示。上排代表特征提取以及模型训练，下排代表对新样本的判断。首先，根据特征提取的公式提取5个训练数据的特征向量。特征提取后，一个向量的所有值之和为1。然后，利用One-classDBSCAN来训练模型。在训练中，我们使用MinPts＝2和∈＝0.0973(这是经过我们测试后，在我们的数据集上的最佳参数)。因此，经过训练后，只有4个向量被视为核心向量，我们只使用这4个核心向量来识别新样本。

同样，首先对新样本进行特征提取。之后，我们计算每个核心向量与样本之间的欧氏距离，以识别样本是否属于核心向量的类。如果到这个核向量的欧氏距离小于0.0973，说明样本属于这个核心向量的簇。从图3中，前两个核心对象和样本之间的距离都大于0.0973，表示为false，而最后两个核心对象与样本之间的距离都小于0.0973，表示为true。根据One-class DBSCAN，只要存在一个核心向量与样本的欧氏距离小于0.0973，则样本属于核心向量的类，即样本被判断为正类。

Claims (8)

1.一种基于敲击节奏的智能手表用户识别方法，其特征在于：包括以下步骤：

S1、从敲击节奏训练数据中提取特征，构造特征向量；

S2、利用One-class DBSCAN算法来训练模型，得出核心对象集；

S3、计算新样本特征向量与每个核心对象之间的欧氏距离，以识别该新样本是否属于核心向量的类。

2.根据权利要求1所述的基于敲击节奏的智能手表用户识别方法，其特征在于：步骤S1具体步骤如下：

建立敲击节奏数据的坐标轴，其中x轴表示时间，y轴表示是否被敲击过；对于N次敲击的节奏数据，其特征向量的维数为2N-1；

敲击节奏数据转换至特征向量后，每个元素代表一次敲击持续时间或敲击间隔，敲击节奏的总持续时间与每次敲击持续时间或敲击间隔之间是正相关。

3.根据权利要求2所述的基于敲击节奏的智能手表用户识别方法，其特征在于，将特征向量转换成每次敲击持续时间或敲击间隔与总持续时间的比例。

4.根据权利要求2所述的基于敲击节奏的智能手表用户识别方法，其特征在于，特征提取公式为：

其中x＝(x₁，x₂，...x_n)表示特征向量，x_i，x_j表示特征值，x′表示提取特征后的向量，D是向量的维数。

5.根据权利要求1所述的基于敲击节奏的智能手表用户识别方法，其特征在于：步骤S2所述的One-class DBSCAN算法，具体内容如下：

利用所有的训练数据来生成一个类，One-class DBSCAN算法通过训练数据只生成一个簇作为当前类；对于经过特征提取后的训练数据，One-class DBSCAN算法通过计算每个数据的∈邻域数量来计算出所有的核心对象。

6.根据权利要求5所述的基于敲击节奏的智能手表用户识别方法，其特征在于，所有的核心对象均属于同一个簇，即用户输入数据的类别。

7.根据权利要求6所述的基于敲击节奏的智能手表用户识别方法，其特征在于，如果当前训练数据不存在核心对象，则计算所有数据向量的平均值向量，作为唯一的核心对象。

8.根据权利要求1所述的基于敲击节奏的智能手表用户识别方法，其特征在于：步骤S3具体步骤如下：

计算新样本特征向量与每个核心对象之间的欧氏距离，只要存在一个核心对象与新样本的特征向量之间的欧氏距离小于等于阈值∈时，则判断该新样本属于当前类。

Images