CN116127365A - 一种基于振动的应用于智能头戴式设备的认证方法 - Google Patents

一种基于振动的应用于智能头戴式设备的认证方法 Download PDF

Info

Publication number
CN116127365A
CN116127365A CN202310394944.0A CN202310394944A CN116127365A CN 116127365 A CN116127365 A CN 116127365A CN 202310394944 A CN202310394944 A CN 202310394944A CN 116127365 A CN116127365 A CN 116127365A
Authority
CN
China
Prior art keywords
user
authentication
vibration
classifier
legal
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
CN202310394944.0A
Other languages
English (en)
Other versions
CN116127365B (zh
Inventor
李峰
沈益冉
周元峰
于东晓
赵佳艺
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202310394944.0A priority Critical patent/CN116127365B/zh
Publication of CN116127365A publication Critical patent/CN116127365A/zh
Application granted granted Critical
Publication of CN116127365B publication Critical patent/CN116127365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于智能设备用户认证技术领域，具体涉及一种基于振动的应用于智能头戴式设备的认证方法，包括以下步骤：S1.采集合法用户的振动响应信号；S2.对采集到的振动相应信号进行特征提取；S3.训练一组基于卷积神经网络的合法用户分类器；S4.当出现登录尝试时触发认证服务；S5.通过两段认证机制判断登录用户是否合法。本发明使用卷积神经网络训练用户分类模型，提出了两段认证机制以判断登录用户的合法性，在微软HoloLens上实现了VibHead，来解决真实场景下的用户认证问题，在振动信号较短的情况下具有出色的认证精度。

Description

一种基于振动的应用于智能头戴式设备的认证方法
技术领域
本发明属于智能设备用户认证技术领域，具体涉及一种基于振动的应用于智能头戴式设备的认证方法。
背景技术
近年来，虚拟现实(VR)和增强现实(AR)系统迅速渗透到我们的日常生活中，VR/AR应用程序的安全和隐私问题引起了相当大的关注。大多数VR/AR系统采用头戴式设备(即智能头戴式设备)与用户交互，设备通常存储用户的私人数据。因此，需要为头戴式设备提供认证方案。针对一般个人设备的传统基于知识的认证方案已被证明容易受到肩窥攻击，特别是考虑到头戴式设备可能会挡住用户的视线。虽然在虚拟空间中设计复杂的秘密码可以提高基于知识的认证的鲁棒性，但这种方法在可用性方面存在一定的折衷。另一种选择是利用用户的生物识别技术，然而，它要么依赖于高度先进的设备，而这些设备在商用头戴式设备中可能并不总是可用的，要么给用户带来沉重的认知负荷。众所周知，人类头部可以用许多独特的生理特征来描述，如大小、骨骼形状、面部结构、脂肪比例等。因此，一种可能的认证解决方案是通过耳机上的嵌入式传感器充分探索这些生理特征。由于振动信号的传播可以很好地在短距离内进行表征，因此它们已被许多最近的提案应用于为手持设备(例如，移动电话、智能手表或其他由手表面或手指操作的设备)设计认证系统。然而，如何利用振动信号对智能头戴式设备的用户进行认证仍然是一个悬而未决的问题。
发明内容
为弥补现有技术中的缺陷，本发明提出了一种基于振动的应用于智能头戴式设备的认证方法来克服以上障碍，旨在通过学习振动信号来识别不同的人。其技术方案为：
一种基于振动的应用于智能头戴式设备的认证机制，包括注册阶段和认证阶段：
其中注册阶段步骤如下：
S1.采集合法用户的振动响应信号；
S2.对采集到的振动相应信号进行特征提取；
S3.训练基于卷积神经网络的合法用户分类器；
认证阶段步骤如下：
S4.当出现登录尝试时触发认证服务；
S5.通过两段认证机制判断登录用户是否合法。
优选的，步骤S1中，
用户戴上智能头戴式设备，使用直线电机产生振动，振动波穿过耳机和用户的头部被IMU传感器检测到；
考虑到振动信号的传播时延，使用滑动窗口同步电机和IMU传感器，根据频率方差的跳跃和下降来识别振动冲量，使IMU传感器能够正确捕捉到振动信号。
优选的，步骤S2中，IMU传感器的加速度计收集的原始数据样本直接用于训练分类器，并引入Mel-Frequency倒谱系数进行特征提取。
优选的，步骤S3中，训练基于卷积神经网络的合法用户分类器的步骤如下：
（1）基于卷积神经网络的合法用户分类器表示为，用户数据表示为，初始化用户分类模型的参数，指定用户在本地训练的迭代次数，设置迭代轮数；
（2）判断当前轮数是否达到迭代次数；如果小于等于，继续执行；否则结束，得到用户分类模型参数；
（3）分别将从振动信号中提取的原始数据和基于Mel-Frequency倒谱系数提出的特征数据放入两个独立的编码器，得到原始数据的隐含状态和基于Mel-Frequency倒谱系数的特征数据的隐含状态；
（4）将和拼接，作为解码器的输入，并以归一化指数函数作为分类函数，得到概率向量，对于个用户即得到维概率向量和预测结果；
（5）通过计算交叉熵损失函数，计算预测结果与真实值之间的值；
（6）使用计算梯度用于反向传播更新模型参数；
（7）将迭代轮数加1，进入（2）。
优选的，值计算如下：
；
；
式中，，，是解码器在第r-1轮的参数；是编码器在第r-1轮的参数。
优选的，步骤S4中，在认证阶段，当出现登录尝试触发认证服务时，产生振动信号并进行传播和采样，按照与注册阶段相同的方法对该用户的振动响应信号提取特征。
优选的，步骤S5中，通过两段认证机制来判断登录用户是否合法的步骤如下：
（1）对于个合法用户，构造个分类器，其中是由所有个合法用户的数据训练出来的分类器；
（2）设，可得，其中表示可以用来识别用户的分类器的子集，其是由除用户之外的合法用户收集的数据训练出来的分类器；
（3）在验证机制的第一阶段，使用分类器识别登录用户，为用户数据，登录用户的标签为一个维向量，表示登录用户被认定为合法用户的概率；
（4）令表示维用户标签向量中的最大元素的下标，即，令表示中的最大元素的值，即
；
（5）设置阈值，若，系统则暂定登录用户为合法用户，进入验证机制的第二阶段，反之则直接认定其为非法用户；
（6）在验证机制的第二阶段，对分类器计算一个维向量，其中为所有包含的分类器，为对应每一个分类器的预测结果；
（7）验证机制的第二阶段的判定条件1为通过分类器得到预测结果；
（8）在验证机制的第二阶段，令表示分类器的全连接层得到的输出结果，令表示分类器的全连接层得到的输出结果；
（9）令和分别表示和中的最大元素，相应地，令，其中为所有包含的分类器的编号，计算的方差；
（10）设置阈值，验证机制的第二阶段的判定条件2为；
（11）若通过验证机制的第一阶段的登录用户同时满足验证机制的第二阶段的判定条件，系统则认定为合法用户，反之则认定其为非法用户。
与现有技术相比，本申请有益效果如下：本申请采用一种基于振动的应用于智能头戴式设备的认证机制VibHead，首先采用基于卷积神经网络的模型，根据从振动信号中提取的特征对注册合法用户进行分类；设计了一个两步认证方案，利用上述用户分类器来区分合法用户和非法用户；在微软HoloLens上实现了VibHead，该HoloLens配备了线性电机和IMU传感器，这些传感器通常用于COTS个人智能设备；根据大量的实验结果表明，在振动信号较短的情况下，VibHead具有出色的认证精度。
附图说明
图1为本申请流程图。
图2为注册阶段训练基于卷积神经网络的合法用户分类器流程图。
图3为登陆阶段通过两段认证机制判断登录用户合法性流程图。
图4为本申请所提出基于振动的认证机制模型示意图。
图5为本申请所提出的VibHead与基于支持向量机方法和基于随机森林方法的认证错误接受率对比图。
图6为本申请所提出的VibHead与基于支持向量机方法和基于随机森林方法的认证错误接受率对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。本实施例提供的一种基于振动的基于振动的认证机制，流程示意图如图1-图4所示，主要包括以下步骤：
一种基于振动的应用于智能头戴式设备的认证机制，包括注册阶段和认证阶段：
其中注册阶段步骤如下：
S1.采集合法用户的振动响应信号；
用户戴上智能头戴式设备，使用直线电机产生振动，振动波穿过耳机和用户的头部被IMU传感器检测到；
考虑到振动信号的传播时延，使用滑动窗口同步电机和IMU传感器，根据频率方差的跳跃和下降来识别振动冲量，使IMU传感器能够正确捕捉到振动信号。
S2.对采集到的振动相应信号进行特征提取；
IMU传感器的加速度计收集的原始数据样本直接用于训练分类器，并引入Mel-Frequency倒谱系数（MFCC）进行特征提取。
S3.训练基于卷积神经网络的合法用户分类器；
（1）基于卷积神经网络的合法用户分类器表示为，用户数据表示为，初始化用户分类模型的参数，指定用户在本地训练的迭代次数，设置迭代轮数；
（2）判断当前轮数是否达到迭代次数；如果小于等于，继续执行；否则结束，得到用户分类模型参数；
（3）分别将从振动信号中提取的原始数据和基于Mel-Frequency倒谱系数提出的特征数据放入两个独立的编码器，得到原始数据的隐含状态和基于Mel-Frequency倒谱系数的特征数据的隐含状态；
 ，；式中是解码器在第r-1轮的参数；是编码器在第r-1轮的参数。
（4）将和拼接，作为解码器的输入，并以归一化指数函数作为分类函数，得到概率向量，对于个用户即得到维概率向量和预测结果；
；
（5）通过计算交叉熵损失函数，计算预测结果与真实值之间的值；
；
（6）使用计算梯度用于反向传播更新模型参数；
（7）将迭代轮数加1，进入（2）。
在登录阶段，当出现登录尝试触发认证服务时，系统产生振动信号并进行传播和采样，按照与注册阶段相同的方法对该用户的振动响应信号提取特征，并通过两段认证机制判断登录用户合法性。包括步骤S4-S5，具体流程如图3所示：
S4.当出现登录尝试时触发认证服务；
在认证阶段，当出现登录尝试触发认证服务时，产生振动信号并进行传播和采样，按照与注册阶段相同的方法对该用户的振动响应信号提取特征。
S5.通过两段认证机制判断登录用户是否合法。
（1）对于个合法用户，构造个分类器，其中是由所有个合法用户的数据训练出来的分类器；
（2）设，可得，其中表示可以用来识别用户的分类器的子集，其是由除用户之外的合法用户收集的数据训练出来的分类器；
（3）在验证机制的第一阶段，使用分类器识别登录用户，为用户数据，登录用户的标签为一个维向量，表示登录用户被认定为合法用户的概率；
（4）令表示维用户标签向量中的最大元素的下标，即，令表示中的最大元素的值，即
；
（5）设置阈值，若，系统则暂定登录用户为合法用户，进入验证机制的第二阶段，反之则直接认定其为非法用户；
（6）在验证机制的第二阶段，对分类器计算一个维向量，其中为所有包含的分类器，为对应每一个分类器的预测结果；
（7）验证机制的第二阶段的判定条件1为通过分类器得到预测结果；
（8）在验证机制的第二阶段，令表示分类器的全连接层得到的输出结果，令表示分类器的全连接层得到的输出结果；
（9）令和分别表示和中的最大元素，相应地，令，其中为所有包含的分类器的编号，计算的方差；
（10）设置阈值，验证机制的第二阶段的判定条件2为；
（11）若通过验证机制的第一阶段的登录用户同时满足验证机制的第二阶段的判定条件，系统则认定用户为合法用户，反之则认定其为非法用户。
基于振动的认证机制模型示意图如图4所示，系统架构分为注册阶段和认证阶段。在注册阶段，系统将收集到数据样本提取原始数据的特征和基于MFCC的数据的特征，导入基于卷积神经网络的分类模块中，以训练一组用户分类器。在认证阶段，当登录尝试触发认证服务时，系统将产生振动信号并进行传播和采样，然后按照与注册阶段相同的方法提取特征，根据注册阶段训练的用户分类器，设计两步认证方案，通过两步认证来判断登录用户是否合法。
图5为本申请所提出的VibHead与基于支持向量机方法和基于随机森林方法所训练出来的不同模型在在不同长度的数据样本上的的分类正确率，与基于支持向量机模型和基于随机森林模型相比，VibHead具有更高的分类精度；图6为不同认证机制在不同长度的数据样本上的错误接受率，VibHead的错误接受率比基于支持向量机和基于随机森林的方案要小得多。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种基于振动的应用于智能头戴式设备的认证方法，其特征在于，包括注册阶段和认证阶段：
其中注册阶段步骤如下：
S1.采集合法用户的振动响应信号；
S2.对采集到的振动相应信号进行特征提取；
S3.训练基于卷积神经网络的合法用户分类器；
认证阶段步骤如下：
S4.当出现登录尝试时触发认证服务；
S5.通过两段认证机制判断登录用户是否合法。
2.根据权利要求1所述的一种基于振动的应用于智能头戴式设备的认证方法，其特征在于，步骤S1中，用户戴上智能头戴式设备，使用直线电机产生振动，振动波穿过耳机和用户的头部被IMU传感器检测到；
考虑到振动信号的传播时延，使用滑动窗口同步电机和IMU传感器，根据频率方差的跳跃和下降来识别振动冲量，使IMU传感器能够正确捕捉到振动信号。
3.根据权利要求2所述的一种基于振动的应用于智能头戴式设备的认证方法，其特征在于，步骤S2中，IMU传感器的加速度计收集的原始数据样本直接用于训练分类器，并引入Mel-Frequency倒谱系数进行特征提取。
4.根据权利要求1所述的一种基于振动的应用于智能头戴式设备的认证方法，其特征在于，步骤S3中，训练基于卷积神经网络的合法用户分类器的步骤如下：
（1）基于卷积神经网络的合法用户分类器表示为，用户数据表示为，初始化用户分类模型的参数，指定用户在本地训练的迭代次数，设置迭代轮数；
（2）判断当前轮数是否达到迭代次数；如果小于等于，继续执行；否则结束，得到用户分类模型参数；
（3）分别将从振动信号中提取的原始数据和基于Mel-Frequency倒谱系数提出的特征数据放入两个独立的编码器，得到原始数据的隐含状态和基于Mel-Frequency倒谱系数的特征数据的隐含状态；
（4）将和拼接，作为解码器的输入，并以归一化指数函数作为分类函数，得到概率向量，对于个用户即得到维概率向量和预测结果；
（5）通过计算交叉熵损失函数，计算预测结果与真实值之间的值；
（6）使用计算梯度用于反向传播更新模型参数；
（7）将迭代轮数加1，进入（2）。
5.根据权利要求4所述的一种基于振动的应用于智能头戴式设备的认证方法，其特征在于，值计算如下：
；
；
式中，，；是解码器在第r-1轮的参数；是编码器在第r-1轮的参数。
6.根据权利要求1所述的一种基于振动的应用于智能头戴式设备的认证方法，其特征在于，步骤S4中，在认证阶段，当出现登录尝试触发认证服务时，产生振动信号并进行传播和采样，按照与注册阶段相同的方法对该用户的振动响应信号提取特征数据。
7.根据权利要求1所述的一种基于振动的应用于智能头戴式设备的认证方法，其特征在于，步骤S5中，通过两段认证机制来判断登录用户是否合法的步骤如下：
（1）对于个合法用户，构造个分类器， 其中是由所有个合法用户的数据训练出来的分类器；
（2）设，可得，其中表示可以用来识别用户的分类器的子集，其是由除用户之外的合法用户收集的数据训练出来的分类器；
（3）在验证机制的第一阶段，使用分类器识别登录用户，为用户数据，登录用户的标签为一个维向量，表示登录用户被认定为合法用户的概率；
（4）令表示维用户标签向量中的最大元素的下标，即，令表示中的最大元素的值，即；
（5）设置阈值，若，系统则暂定登录用户为合法用户，进入验证机制的第二阶段，反之则直接认定其为非法用户；
（6）在验证机制的第二阶段，对分类器计算一个维向量，其中为所有包含的分类器，为对应每一个分类器的预测结果；
（7）验证机制的第二阶段的判定条件1为通过分类器得到预测结果；
（8）在验证机制的第二阶段，令表示分类器的全连接层得到的输出结果，令表示分类器的全连接层得到的输出结果；
（9）令和分别表示和中的最大元素，相应地，令，其中为所有包含的分类器的编号，计算的方差；
（10）设置阈值，验证机制的第二阶段的判定条件2为；
（11）若通过验证机制的第一阶段的登录用户同时满足验证机制的第二阶段的判定条件，系统则认定用户合法，反之则认定其为非法用户。
CN202310394944.0A 2023-04-14 2023-04-14 一种基于振动的应用于智能头戴式设备的认证方法 Active CN116127365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310394944.0A CN116127365B (zh) 2023-04-14 2023-04-14 一种基于振动的应用于智能头戴式设备的认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310394944.0A CN116127365B (zh) 2023-04-14 2023-04-14 一种基于振动的应用于智能头戴式设备的认证方法

Publications (2)

Publication Number Publication Date
CN116127365A true CN116127365A (zh) 2023-05-16
CN116127365B CN116127365B (zh) 2023-07-25

Family

ID=86312099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310394944.0A Active CN116127365B (zh) 2023-04-14 2023-04-14 一种基于振动的应用于智能头戴式设备的认证方法

Country Status (1)

Country Link
CN (1) CN116127365B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160162807A1 (en) * 2014-12-04 2016-06-09 Carnegie Mellon University, A Pennsylvania Non-Profit Corporation Emotion Recognition System and Method for Modulating the Behavior of Intelligent Systems
CN106529501A (zh) * 2016-11-29 2017-03-22 黑龙江大学 基于加权融合与分层串行结构的指纹与指静脉图像融合方法
CN107784215A (zh) * 2017-10-13 2018-03-09 上海交通大学 基于智能终端的声音装置进行唇读的用户认证方法及系统
US20180277122A1 (en) * 2015-12-30 2018-09-27 Baidu Online Network Technology (Beijing) Co., Ltd. Artificial intelligence-based method and device for voiceprint authentication
CN109413057A (zh) * 2018-10-17 2019-03-01 上海交通大学 基于细粒度手指姿态的智能家居连续用户认证方法及系统
CN110363120A (zh) * 2019-07-01 2019-10-22 上海交通大学 基于振动信号的智能终端触碰认证方法及系统
US20200057858A1 (en) * 2018-08-20 2020-02-20 Veracode, Inc. Open source vulnerability prediction with machine learning ensemble
WO2020042219A1 (zh) * 2018-08-31 2020-03-05 深圳大学 一种用于可穿戴设备的新型身份验证方法
US20200201443A1 (en) * 2018-12-19 2020-06-25 Arizona Board Of Regents On Behalf Of Arizona State University Three-dimensional in-the-air finger motion based user login framework for gesture interface
CN112069483A (zh) * 2020-09-14 2020-12-11 中国科学技术大学 一种智能可穿戴设备的用户识别认证方法
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
US20210240806A1 (en) * 2019-07-29 2021-08-05 Shenzhen University Vibration signal-based smartwatch authentication method

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160162807A1 (en) * 2014-12-04 2016-06-09 Carnegie Mellon University, A Pennsylvania Non-Profit Corporation Emotion Recognition System and Method for Modulating the Behavior of Intelligent Systems
US20180277122A1 (en) * 2015-12-30 2018-09-27 Baidu Online Network Technology (Beijing) Co., Ltd. Artificial intelligence-based method and device for voiceprint authentication
CN106529501A (zh) * 2016-11-29 2017-03-22 黑龙江大学 基于加权融合与分层串行结构的指纹与指静脉图像融合方法
CN107784215A (zh) * 2017-10-13 2018-03-09 上海交通大学 基于智能终端的声音装置进行唇读的用户认证方法及系统
US20200057858A1 (en) * 2018-08-20 2020-02-20 Veracode, Inc. Open source vulnerability prediction with machine learning ensemble
WO2020042219A1 (zh) * 2018-08-31 2020-03-05 深圳大学 一种用于可穿戴设备的新型身份验证方法
CN109413057A (zh) * 2018-10-17 2019-03-01 上海交通大学 基于细粒度手指姿态的智能家居连续用户认证方法及系统
US20200201443A1 (en) * 2018-12-19 2020-06-25 Arizona Board Of Regents On Behalf Of Arizona State University Three-dimensional in-the-air finger motion based user login framework for gesture interface
CN110363120A (zh) * 2019-07-01 2019-10-22 上海交通大学 基于振动信号的智能终端触碰认证方法及系统
US20210240806A1 (en) * 2019-07-29 2021-08-05 Shenzhen University Vibration signal-based smartwatch authentication method
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
CN112069483A (zh) * 2020-09-14 2020-12-11 中国科学技术大学 一种智能可穿戴设备的用户识别认证方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CANYI DU 等: "Misfire Fault Diagnosis of Automobile Engine based on Time Domain Vibration Signal and Probabilistic Neural Network", 《INTERNATIONAL JOURNAL OF PERFORMABILITY ENGINEERING》, vol. 16, no. 9, pages 1488 - 1496 *
黄昕哲: "基于深度学习的机器故障异常声音识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, vol. 2022, no. 1, pages 136 - 477 *

Also Published As

Publication number Publication date
CN116127365B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Liang et al. Behavioral biometrics for continuous authentication in the internet-of-things era: An artificial intelligence perspective
KR102608470B1 (ko) 데이터 인식 장치 및 방법과 트레이닝 장치 및 방법
CN110163611B (zh) 一种身份识别方法、装置以及相关设备
Zhu et al. Sensec: Mobile security through passive sensing
Liu et al. uWave: Accelerometer-based personalized gesture recognition and its applications
Centeno et al. Smartphone continuous authentication using deep learning autoencoders
Liu et al. An MFCC‐based text‐independent speaker identification system for access control
JP4022861B2 (ja) 指紋認証システム、指紋認証方法及び指紋認証プログラム
Dahia et al. Continuous authentication using biometrics: An advanced review
Shi et al. Face-Mic: inferring live speech and speaker identity via subtle facial dynamics captured by AR/VR motion sensors
CN105429969A (zh) 一种用户身份验证方法与设备
US11991169B2 (en) One-shot behavioral biometrics for login authentication using machine learning model
CN114582338A (zh) 通过使用互连语音验证系统实现互操作性的系统和方法
Su et al. Towards device independent eavesdropping on telephone conversations with built-in accelerometer
Li et al. Adaptive deep feature fusion for continuous authentication with data augmentation
Assaad et al. Transformation based score fusion algorithm for multi-modal biometric user authentication through ensemble classification
Chen et al. A behavioral authentication method for mobile based on browsing behaviors
Slater et al. Robust keystroke transcription from the acoustic side-channel
Zhang et al. Multimodal continuous user authentication on mobile devices via interaction patterns
JP5903257B2 (ja) 認証システム、登録装置、及び認証装置
CN116127365B (zh) 一种基于振动的应用于智能头戴式设备的认证方法
CN106714163B (zh) 一种基于姿势变化的手势行为认证模式的构建方法及系统
KR102506123B1 (ko) IoT 장비로부터 수집한 센싱 데이터를 이용한 딥 러닝 기반의 키 생성 매커니즘
CN110414196B (zh) 一种基于振动信号的智能手表身份验证方法
Meteriz-Yıldıran et al. Sia: Smartwatch-enabled inference attacks on physical keyboards using acoustic signals

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