CN115935314A - 一种基于可穿戴设备运动传感器的用户身份认证方法 - Google Patents

Abstract

本发明涉及一种基于可穿戴设备运动传感器的用户身份认证方法，属于移动计算应用技术领域。本方法使用智能腕带设备中的运动传感器采集用户敲击脸部时腕部产生的运动信号，并去除其他运动片段，只保留存在敲脸动作的时间段，用于后续认证。通过去除发生敲脸动作时同时存在的其他噪音，得到纯净的敲脸信号。然后，从纯净的敲脸信号中提取特征并建立认证模型，由此利用智能腕带设备中的运动传感器采集手指敲击脸部时的腕部运动信号，实现用户身份认证。对比现有技术，本发明仅依靠智能腕带设备中常见的运动传感器即可实现低成本的、不显眼的、方便安全的身份认证，准确率高。

Description

一种基于可穿戴设备运动传感器的用户身份认证方法

技术领域

本发明涉及一种用户身份认证方法，尤其涉及一种利用智能腕带设备运动传感器的基于手指敲击脸部所产生的腕部运动信号的身份认证方法，属于移动计算应用技术领域。

背景技术

随着全球可穿戴设备市场的逐渐兴起，可穿戴设备在人们的生活中越来越普遍。在使用过程中，这些设备不可避免地会包含一些私人信息和敏感信息，比如通讯录、电子邮件、信用卡号码等。在这种条件下，如果这些设备没有经过授权就被访问，大量的敏感信息可能面临着被滥用的风险。因此，为了对个人隐私数据进行保护，研究一种安全有效的可穿戴设备安全认证方案至关重要。

传统的身份认证方法如密码、PIN码和手势密码是目前最常见的认证手段。然而，这类方法安全性较低，容易被窃取而导致隐私泄密。相比之下，基于生物特征的方案具有不易被盗和对用户友好的优点，为可穿戴设备的安全开辟了新的途径，吸引了广泛的关注。现有的一些工作基于指纹、语音、虹膜、脑电图和肌电图来认证用户。但是，这些方法都需要特殊的传感器和硬件，存在定价偏高等问题，不适合大规模推广应用。

近年来，由于具有成本低、集成性好、便于推广等优点，利用商用可穿戴设备中的内置传感器(如麦克风、扬声器、光电容积脉搏波传感器和心电图传感器等)对用户进行认证的方法引起了广泛的研究兴趣。但是，这些方法对测试环境的要求较高，例如只能在安静的环境中使用或者要求佩戴者避免运动，不便于在日常生活中使用。

在众多的内置传感器中，运动传感器具有较强的对细微身体运动的精确感知能力。目前，基于运动传感器的认证方案已经通过捕捉步态、手写签名和敲击节奏等实现了高精度的用户身份认证。然而，这些认证方案受限于苛刻的场景要求，并且未考虑攻击者刻意模仿用户行为的情况(也叫做模仿攻击)，具有明显的安全漏洞。

综上所述，现有的身份认证方法均存在各种不足，亟需新方法来克服其局限性。

发明内容

本发明的目的是为了克服现有技术存在造价高、使用不便、容易受到模仿攻击等技术缺陷，创造性地提出一种基于可穿戴设备运动传感器的用户身份认证方法。本方法利用智能腕带设备采集手指敲击脸部所产生的腕部运动信息，并建立该运动信息与敲脸过程中独特的腕部运动和腕部振动的联系，从而实现用户身份认证。

本发明的创新点在于：使用智能腕带设备中的运动传感器(如加速度计和陀螺仪)采集用户敲击脸部时腕部产生的运动信号(包括加速度和角速度信号)。去除其他运动片段(如拾取物体、抓脸、行走等)，只保留存在敲脸动作的时间段用于后续认证。通过去除发生敲脸动作时同时存在的其他噪音，得到纯净的敲脸信号。然后，从纯净的敲脸信号中提取特征并建立认证模型，由此利用智能腕带设备中的运动传感器采集手指敲击脸部时的腕部运动信号，实现用户身份认证。

本发明的目的是通过以下技术方案实现的：

一种基于可穿戴设备运动传感器的用户身份认证方法，包括以下步骤：

步骤1：使用运动传感器采集用户腕部的运动信号，包括三轴加速度计和三轴陀螺仪数据，并对该信号进行预处理，消除硬件噪声、规范化数据和分割腕部运动信号。

其中，预处理可以采用以下方法实现：

首先，去除采集的运动信号中由硬件带来的噪声成分，并对运动信号进行归一化处理。

然后，计算加速度计Z轴信号的短时能量，并利用两个不同的阈值来识别腕部运动的开始和结束状态。

步骤2：去除腕部运动信号中的无意义片段和运动噪声，提取出干净的敲脸信号。

具体地，步骤2包括以下步骤：

由于步骤1得到的腕部运动信号片段可能捕捉的是敲脸认证行为或其它无意义腕部运动，根据加速度计Z轴信号10-20Hz与0-10Hz成分的能量比，以及腕部运动片段的持续时间，筛选出真正的敲脸动作片段，用于后续分析和认证。

然后，使用基于卷积神经网络的方法，从得到的敲脸动作片段中进一步消除与敲脸动作同时存在的运动噪音(例如行走引起的噪音)，提取出干净的敲脸信号。

步骤3：提取表示敲脸动作行为的三类特征。

从步骤2得到的干净的敲脸信号中，提取独特的运动特征、振动特征和整体特征，并将三类特征向量合并构建为特征模板。

步骤4：验证用户身份信息。

使用步骤3构建的特征模板，针对单用户设备和多用户设备，分别训练单类和多类支持向量机分类器。

当进行用户身份验证时，采集用户的敲脸信号，利用步骤1至步骤3，得到用户生物特征模板，利用预先训练好的支持向量机分类器进行用于身份验证。

有益效果

本发明方法，与现有技术相比，具有以下优点：

1.本发明仅依靠智能腕带设备中常见的运动传感器即可实现低成本的、不显眼的、方便且安全的身份认证。本发明对敲脸时腕部的运动信号进行分析，并证明与敲脸相关的腕部运动和腕部振动信息可用于识别佩戴者身份。本发明在身份验证过程中只需要一次敲脸动作就可以实现高精度的认证结果，且因腕部结构复杂，攻击者难以实施模仿攻击；

2.本发明通过利用运动信号不同频段成分的能量比和信号段的持续时间来去除其他身体运动片段，将敲脸动作与日常生活中的其他行为进行区分；并设计了一个基于卷积神经网络的去噪模型来过滤敲脸信号中同时存在的身体运动噪音，提升本发明的鲁棒性和可靠性；

3.本发明探索一种基于敲击行为和腕部结构的新特征集，将运动特征、振动特征和整体特征结合起来，全面可靠地分析敲脸时的腕部运动和腕部振动；

4.本发明的身份认证具有鲁棒性和有效性，在24个志愿者参与的身份验证试验中取得了97.28％的平均准确率。

附图说明

图1为本发明实施例的示意图；

图2为本发明基于可穿戴设备运动传感器的认证方法原理图；

图3为本发明实施例提出的分割腕部动作片段的示意图；

图4为本发明实施例提出的来自两个用户发生敲脸动作的不同频带信号能量比的示意图；其中，(a)为用户1的敲脸信号在不同频带下的能量比；(b)为用户2的敲脸信号在不同频带下的能量比；

图5为本发明实施例进行身份验证的性能；

图6为本发明实施例在不同敲脸次数下进行身份验证的性能；

图7为本发明实施例在不同场景下进行身份验证的性能；

具体实施方式

下面结合实施例和附图，对本发明的原理和特征做进一步详细说明。

图1展示了本发明实施例的示意图。当用户用手指敲击脸部时，产生的运动信号通过手骨架传输到手腕，并由内置在智能腕带设备中的运动传感器捕捉。由于敲击习惯(即轨迹、速度和力)和腕部结构(即骨骼、肌肉和关节)对个体来说是独一无二的，运动传感器的读数会显示出个体差异。因此，本发明使用运动传感器读数的唯一性来认证用户。

如图2所示，一种基于可穿戴设备运动传感器的认证方法，包括以下步骤：

步骤1：使用运动传感器采集用户腕部的运动信号，包括三轴加速度计和三轴陀螺仪数据，并对该信号进行预处理。预处理的目的是消除硬件噪声、规范化数据和分割腕部运动信号。

其中，预处理的具体方法如下：

步骤1.1：去除采集的运动信号中硬件带来的噪声成分，并对信号进行归一化处理。

由于智能腕带设备中的运动传感器采集的腕部运动信号不可避免地受到硬件本身噪声的影响，本实施例中，使用Savitzky-Golay滤波器来平滑信号，从而去除硬件噪声。

为了克服不同坐标轴方向传感器数据幅值范围的差异，本实施例中，分别计算六个运动信号a_x,a_y,a_z,g_x,g_y和g_z的平均值和标准偏差，a_x,a_y,a_z,g_x,g_y和g_z分别指加速度计的X、Y、Z三轴数据和陀螺仪的X、Y、Z三轴数据。使用Z-score归一化方法，对六个运动信号分别进行归一化处理。

步骤1.2：计算加速度计Z轴信号的短时能量，并利用两个不同的阈值来识别腕部运动的开始和结束。

具体地，当用户静止时，Z轴加速度信号a_z的幅值相对较低且稳定，当用户敲击脸部时，a_z信号会剧烈抖动。因此，本发明的目标是使用该特征来检测腕部动作的开始和结束。

首先，使用滑动窗口计算时间t处a_z信号的短时能量E(t)，如式1所示：

其中，a_z(β)是β时刻的a_z信号幅度，h是汉明窗，L是窗口大小。

设置两个阈值H＝γ₁×TE、I＝γ₂×NE，γ₁和γ₂是常数，在本实施例中，γ₁和γ₂取值为2；TE是预先采集的发生敲脸动作a_z信号短时能量的方差，NE是无任何动作时a_z信号的平均短时能量。若当前窗口和后续窗口的E(t)都大于H，则当前窗口被视为腕部运动事件的开始。当某个窗口的E(t)小于I时，则当前窗口被视为腕部运动事件的结束。

图3显示了分割腕部运动的结果。

步骤2：去除腕部运动信号中的无意义片段和运动噪声，提取干净的敲脸信号。

步骤2.1：由于步骤1.2得到的腕部运动信号片段可能捕捉的是敲脸认证行为，或其他无意义腕部运动，因此，根据加速度计Z轴信号10-20Hz与0-10Hz成分的能量比，以及腕部运动片段的持续时间，筛选出真正的敲脸动作片段，用于后续分析和认证用户。

由于其他身体运动(例如拾取物体、抓脸和走路等)也会产生显著的信号抖动，因此，需要过滤掉这种噪声段。通过对a_z信号的分析发现，敲脸和其他身体运动的持续时间分别约为0.7秒和1.5秒。当拾取物体、抓脸、走路和敲脸时，10-20Hz与0-10Hz的信号成分的平均能量比分别为0.18、0.06、0.01和1.62，存在显著差异。因此，可以结合持续时间和能量比来区分不同的身体运动。

具体地，计算a_z信号每个腕部运动段的持续时间和10-20Hz与0-10Hz成分的能量比。当持续时间低于阈值TH_time并且能量比高于阈值TH_energy时，则该片段被识别为敲脸事件，从而被保留，其余片段被视为其他身体运动，被去除。

优选地，本发明实施例中，TH_time设为1秒，需要说明的是，其他属于[0.8s，1.2s]的设定，也在本发明的范围之内；TH_energy设为1，需要说明的是，其他属于[0.5，1.5]的设定，也在本发明的范围之内。

步骤2.2：基于卷积神经网络，从步骤2.1得到的敲脸动作片段中进一步消除与敲脸动作同时存在的运动噪音(例如行走引起的噪音)，提取出干净的敲脸信号。

进一步地，为了实现非静止状态下(例如行走)对用户的认证，本发明提出了一种基于深度学习的方法来过滤身体运动噪声，具体如下：

首先，将带有身体运动噪声的敲脸信号和干净的敲脸信号的振幅谱，分别作为预测变量信号和网络目标信号，一起送入去噪模型。

然后，去噪模型学习两种信号之间的差异，并输出去噪后信号的振幅谱。

最后，利用去噪后信号的幅度谱和噪声信号的相位，通过短时傅立叶逆变换获得一个干净的敲脸时域信号。具体地，降噪模型包括10层，4个卷积层用于提取特征，3个批量归一化层用于解决数值不稳定性问题，3个校正线性单元层用于克服梯度消失问题。

步骤3：提取表示敲脸动作行为的三类特征。

从步骤2得到的干净的敲脸信号中提取三类特征，包括运动特征、振动特征和整体特征，将三类特征向量合并构建为特征模板。

具体地，所述运动特征，是指与行为习惯和腕部结构相对应的独特敲脸行为。本实施例中，选择敲脸持续时间作为一个特征，分别提取线加速度和线角速度的平均值、平均偏差、标准偏差、最小值和最大值作为基本特征。此外，还可以选用线加速度和线角速度的峰峰值、方根幅值等常用时域特征来辅助表示腕部运动。最后，得到特征向量FV₁作为运动特征。

所述振动特征，时域特征描述信号的振幅水平及其在时间上的相似性，而频域特征描述信号中各种频率分量的大小。本实施例中，提取目前广泛使用的统计特征表征腕部振动，并使用基于随机森林的特征选择算法来探索关键特征，以尽可能少的特征实现快速认证。最后，根据特征排序结果选择与个体唯一性最相关的前15种特征，包括最大值、最小值、方差、标准差、峰度、偏度、整流器平均值、均方根、波形因子、峰值因子、脉冲因子、采样点、振幅最大值、振幅最小值和振幅中值。对于每个敲脸信号段，获得特征向量FV₂作为振动特征。

所述整体特征，首先，使用连续小波变换依次分解6组运动信号：

其中，W_f(s,τ)表示分解后得到的小波系数序列，f依次指代六组运动信号a_x,a_y,a_z,g_x,g_y和g_z，

是具有比例因子s和平移因子τ的小波基函数，dt表示对时间t的积分。本实施例中，使用Mexican Hat小波和三级分解，因此会产生2³＝8个频带。需要说明的是，其它利用不同小波基和分解层数的设定，也在本发明的范围之内。然后，计算不同频带中信号的能量比例，构造为特征向量FV₃：

FV₃＝{e_1,1,e_1,2,…,e_i,j},i∈[1,6],j∈[1,8] (3)

其中，e_i,j是第i轴的第j频带的能量比例，i取1到6，分别表示a_x,a_y,a_z,g_x,g_y和g_z；j取1到8，分别表示频率范围最低的频带到频率范围最高的频带。图4显示了用户1和用户2的敲脸信号在48组频带下的能量比，可以看出，不同用户之间的能量比存在明显差异。

最终，将整个特征模板表示为FV＝{FV₁,FV₂,FV₃}。

步骤4：验证用户身份信息。

使用步骤3构建的特征模板，针对单用户设备和多用户设备，分别训练单类和多类支持向量机分类器。当进行用户身份验证时，采集用户的敲脸信号，利用步骤1至步骤3，得到用户生物特征模板，利用预先训练好的支持向量机分类器进行身份验证。

在单用户设备条件下，设备只绑定一个用户，存在两种身份认证结果：是/不是合法用户，训练单类支持向量机模型(OC-SVM)。

在多用户设备条件下，设备由多个用户共享，存在多个身份验证结果：是某个合法用户/攻击者。多类支持向量机模型(OVO-SVM)由多个二进制分类器组成。

至此，从步骤1到步骤4，实现了用户身份认证。

实施例验证

为了验证本发明的性能，将本发明开发成一个腕带式原型。原型中的运动传感器包括一个三轴加速度计和一个三轴陀螺仪。此原型等同于智能手表或智能手环。此外，原型中的运动传感器的采样率设置为150Hz。

共招募24名志愿者(12名男性和12名女性，年龄在21到50岁之间)参与实验。数据采集过程中，24名志愿者以自然舒适的方式坐在椅子上，将原型戴在惯用手上，并根据自己的习惯用手指反复敲击脸部30次。然后，分别在一个月后和两个月后采集了每个志愿者以同样的方式敲脸数据，共计收集了2160个样本进行分析与训练。收集的样本由人工进行标注。

准确率(Accuracy)、错误接受率(FAR)和错误拒绝率(FRR)被用来进行系统性能评价。其中，准确率定义为：用本发明正确验证身份的样本个数和总样本个数的比值；错误接受率定义为：本发明错误地将攻击者识别为合法用户的样本个数与所有攻击者样本个数的比值；错误拒绝率定义为：本发明错误地将合法用户识别为攻击者的样本个数与所有合法用户的样本个数的比值。

首先，测试本发明的总体性能。图5展示了本发明在单类支持向量机和多类支持向量机两种模型条件下对24名志愿者进行身份验证的表现。对于单类支持向量机模型，从24名志愿者中依次选择一名用户作为合法用户，同时将所有其他用户视为攻击者。训练集由所选合法用户80％的注册数据组成，测试集由合法用户的20％注册数据和其余23名志愿者的所有数据组成。通过计算24名志愿者的平均值得出本发明的准确度，错误接受率，错误拒绝率分别为97.02％、2.67％和3.24％；对于多类支持向量机模型，从24名志愿者中依次选择6名用户作为合法用户，同时将所有其他用户视为攻击者，共进行四轮实验。训练集包括来自所有合法用户80％的注册数据，测试集包括所有合法用户20％的注册数据和所有攻击者的数据。通过计算四轮实验的平均值得出本发明分别达到了97.54％的准确率、1.7％的错误接受率和3.16％的错误拒绝率的结论。结合这两种认证模型，本发明的平均准确率为97.28％，平均错误接受率为2.19％，平均错误拒绝率为3.2％。结果表明，本发明能够准确地对用户进行验证。

然后测试本发明应用不同敲脸次数时的性能表现，证明本发明在较少的敲击次数时便可以达到较高的认证准确率。全部志愿者分别以1至4次敲击进行测试阶段的认证。图6显示了随着敲脸次数的增加，本发明的准确率增加，错误接受率和错误拒绝率降低。这是因为敲脸次数越多，用户提供的特征就越多。然而，用户只需敲脸一次，本发明便可以到达97％的高精度。因此，本发明利用少量数据足以提取用户稳定的个人特征。

最后测试本发明在实际应用中的稳健性，证明本发明可以在不同场景下都达到较高的认证准确率。图7显示了5名志愿者分别在坐着，站着和行走三种场景下轻敲脸部20次时本发明的准确率，错误接受率和错误拒绝率。当用户行走时，准确率、错误接受率和错误拒绝率分别为95.72％、3.62％和4.15％。结果表明，本发明虽然在用户行走时的准确率最低，但仍能保持良好的性能。原因是，尽管行走的移动性引入了不可避免的噪声，会影响脸部敲击信号，但本发明在运动噪声去除模块中应用深度学习成功地去除了它。证实本发明在不同场景下都可以可靠的认证用户。

以上所述的具体描述，对发明的目的、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，以上所述仅为本发明的具体实施例，用于解释本发明，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于可穿戴设备运动传感器的用户身份认证方法，其特征在于，包括以下步骤：

步骤1：使用运动传感器采集用户腕部的运动信号，包括三轴加速度计和三轴陀螺仪数据，并对该信号进行预处理，消除硬件噪声、规范化数据和分割腕部运动信号；

步骤2：去除腕部运动信号中的无意义片段和运动噪声，提取出干净的敲脸信号；

首先，根据加速度计Z轴信号10-20Hz与0-10Hz成分的能量比，以及腕部运动片段的持续时间，筛选出真正的敲脸动作片段，用于后续分析和认证；

然后，使用基于卷积神经网络的方法，从得到的敲脸动作片段中进一步消除与敲脸动作同时存在的运动噪音，提取出干净的敲脸信号；

步骤3：提取表示敲脸动作行为的三类特征；

从步骤2得到的干净的敲脸信号中，提取运动特征、振动特征和整体特征，并将三类特征向量合并构建为特征模板；

步骤4：验证用户身份信息；

使用步骤3构建的特征模板，针对单用户设备和多用户设备，分别训练单类和多类支持向量机分类器；

当进行用户身份验证时，采集用户的敲脸信号，利用步骤1至步骤3，得到用户生物特征模板，利用预先训练好的支持向量机分类器进行用于身份验证。

2.如权利要求1所述的一种基于可穿戴设备运动传感器的用户身份认证方法，其特征在于，步骤1中，预处理采用以下方法实现：

首先，去除采集的运动信号中由硬件带来的噪声成分，并对运动信号进行归一化处理；

然后，计算加速度计Z轴信号的短时能量，并利用两个不同的阈值来识别腕部运动的开始和结束状态。

3.如权利要求2所述的一种基于可穿戴设备运动传感器的用户身份认证方法，其特征在于，步骤1.1中，分别计算六个运动信号a_x,a_y,a_z,g_x,g_y和g_z的平均值和标准偏差，a_x,a_y,a_z,g_x,g_y和g_z分别指加速度计的X、Y、Z三轴数据和陀螺仪的X、Y、Z三轴数据；使用Z-score归一化方法，对六个运动信号分别进行归一化处理；

步骤1.2中，使用滑动窗口计算时间t处a_z信号的短时能量E(t)，如式1所示：

其中，a_z(β)是β时刻的a_z信号幅度，h是汉明窗，L是窗口大小；

设置两个阈值H＝γ₁×TE、I＝γ₂×NE，γ₁和γ₂是常数，在本实施例中，γ₁和γ₂取值为2；TE是预先采集的发生敲脸动作a_z信号短时能量的方差，NE是无任何动作时a_z信号的平均短时能量；若当前窗口和后续窗口的E(t)都大于H，则当前窗口被视为腕部运动事件的开始；当某个窗口的E(t)小于I时，则当前窗口被视为腕部运动事件的结束。

4.如权利要求1所述的一种基于可穿戴设备运动传感器的用户身份认证方法，其特征在于，步骤2中，计算a_z信号每个腕部运动段的持续时间和10-20Hz与0-10Hz成分的能量比，当持续时间低于阈值TH_time并且能量比高于阈值TH_energy时，则该片段被识别为敲脸事件，从而被保留，其余片段被视为其他身体运动，被去除，其中，TH_time范围为[0.8s，1.2s]，TH_energy范围为[0.5，1.5]。

5.如权利要求1所述的一种基于可穿戴设备运动传感器的用户身份认证方法，其特征在于，步骤2中，采用基于深度学习的方法过滤身体运动噪声，实现非静止状态下对用户的认证；

首先，将带有身体运动噪声的敲脸信号和干净的敲脸信号的振幅谱，分别作为预测变量信号和网络目标信号，一起送入去噪模型；

然后，去噪模型学习两种信号之间的差异，并输出去噪后信号的振幅谱；

最后，利用去噪后信号的幅度谱和噪声信号的相位，通过短时傅立叶逆变换获得一个干净的敲脸时域信号。

6.如权利要求1所述的一种基于可穿戴设备运动传感器的用户身份认证方法，其特征在于，步骤3中，选择敲脸持续时间作为一个运动特征，分别提取线加速度和线角速度的平均值、平均偏差、标准偏差、最小值和最大值作为基本特征，最后，得到特征向量FV₁作为运动特征；

振动特征，时域特征描述信号的振幅水平及其在时间上的相似性，而频域特征描述信号中各种频率分量的大小；提取统计特征表征腕部振动，并使用基于随机森林的特征选择算法来探索关键特征，根据特征排序结果选择与个体唯一性最相关的特征，包括最大值、最小值、方差、标准差、峰度、偏度、整流器平均值、均方根、波形因子、峰值因子、脉冲因子、采样点、振幅最大值、振幅最小值和振幅中值；对于每个敲脸信号段，获得特征向量FV₂作为振动特征；

整体特征，首先，使用连续小波变换依次分解6组运动信号：

其中，W_f(s,τ)表示分解后得到的小波系数序列，f依次指代六组运动信号a_x,a_y,a_z,g_x,g_y和g_z，

是具有比例因子s和平移因子τ的小波基函数，dt表示对时间t的积分；然后，计算不同频带中信号的能量比例，构造为特征向量FV₃：

FV₃＝{e_1,1,e_1,2,…,e_i,j},i∈[1,6],j∈[1,8] (3)

其中，e_i,j是第i轴的第j频带的能量比例，i取1到6，分别表示a_x,a_y,a_z,g_x,g_y和g_z；j取1到8，分别表示频率范围最低的频带到频率范围最高的频带；

最终，将整个特征模板表示为FV＝{FV₁,FV₂,FV₃}。

7.如权利要求1所述的一种基于可穿戴设备运动传感器的用户身份认证方法，其特征在于，步骤4中，在单用户设备条件下，设备只绑定一个用户，存在两种身份认证结果：是/不是合法用户，训练单类支持向量机模型；

在多用户设备条件下，设备由多个用户共享，存在多个身份验证结果：是某个合法用户/攻击者；多类支持向量机模型由多个二进制分类器组成。

Images