TWI708205B - 用於監測使用者之神經變性疾病、飲酒和心率變異性之方法、系統及電子裝置 - Google Patents

用於監測使用者之神經變性疾病、飲酒和心率變異性之方法、系統及電子裝置 Download PDF

Info

Publication number
TWI708205B
TWI708205B TW105103826A TW105103826A TWI708205B TW I708205 B TWI708205 B TW I708205B TW 105103826 A TW105103826 A TW 105103826A TW 105103826 A TW105103826 A TW 105103826A TW I708205 B TWI708205 B TW I708205B
Authority
TW
Taiwan
Prior art keywords
user
micro
data
nfp
motion
Prior art date
Application number
TW105103826A
Other languages
English (en)
Other versions
TW201643805A (zh
Inventor
馬丁 齊齊
修 沙奇
Original Assignee
美商艾瑞迪爾通信有限公司
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 美商艾瑞迪爾通信有限公司 filed Critical 美商艾瑞迪爾通信有限公司
Publication of TW201643805A publication Critical patent/TW201643805A/zh
Application granted granted Critical
Publication of TWI708205B publication Critical patent/TWI708205B/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1101—Detecting tremor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6897—Computer input devices, e.g. mice or keyboards
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Cardiology (AREA)
  • Developmental Disabilities (AREA)
  • Collating Specific Patterns (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)

Abstract

根據一項實施例，揭示一種用於判定一使用者之健康之改變之方法。該方法包含：在一第一時間及日期感測一使用者之一身體部分之多維動作以產生一第一多維動作信號；回應於該第一多維動作信號，產生一第一神經力學指紋；回應於該第一NFP，產生一第一健康度量；在另一時間及日期感測該使用者之該身體部分之多維動作以產生另一多維動作信號；回應於該另一多維動作信號，產生另一神經力學指紋；回應於該另一NFP，產生另一健康度量；及比較該第一健康度量與該另一健康度量以判定表示該使用者之健康退化之一差。

Description

用於監測使用者之神經變性疾病、飲酒和心率變異性之方法、系統及電子裝置 相關申請案之交叉參考
本美國(U.S.)專利申請案主張由發明者Martin Zizi等人在2015年2月04日申請、標題為「LOCAL USER AUTHENTICATION WITH NEURO-MECHANICAL FINGERPRINTS」之美國專利申請案第62/112,153號之權利。
本實施例大體上係關於一使用者之健康分析及診斷。
透過網際網路之廣域網路連接使諸多電子裝置(諸如電腦及行動智慧型手機)與遠端伺服器及遠端儲存裝置互連，使得可提供雲端電腦服務。更多的電子裝置隨著無線電傳輸器/接收器添加至其等而隨時準備透過網際網路互連。
由一使用者對一些電子裝置及資料庫之存取通常藉由一登入名稱及密碼進行。隨著更多可攜式電子裝置被使用(諸如膝上型電腦及行動智慧型手機)，在一高度行動運算環境中，人們及裝置之正確鑑認對確證經授權使用及降低有關資料誤傳的風險變得十分重要。例如，隨著更多行動健康電子裝置被引入，由行動健康裝置捕獲之健康資料之隱私變得十分重要。隨著更多銀行業務及付款係使用行動電子裝置而進行，經授權使用變得十分重要。
通常由一遠端伺服器執行對使用一本機電子裝置之一使用者之鑑認。由該本機電子裝置執行之軟體應用程式通常保存該使用者之登入名稱及密碼以使一電子裝置及其軟體應用程式更容易使用。保護該使用者之電子裝置之本機存取已對在一電子裝置丟失或失竊時保護該使用者及他/她的登入名稱及密碼變得越來越重要。隨著電子裝置現在被用來進行如信用卡交易之付款之情況下，對一使用者之電子裝置之本機存取之保護已變得甚至更重要。
現參考圖1，圖中繪示各種已知的行為識別方法及解剖識別方法。行為識別方法與使用者的動作或他/她的習慣有關。已知的解剖識別方法與使用者之實體特徵有關，諸如指紋、眼睛虹膜掃描、靜脈、面部掃描及DNA。
使用生物統計以更佳地鑑認一使用者以便對行動電子裝置提供更多保護。生物統計一直追求基於解剖之方法(即，實體特徵，諸如指紋、眼睛虹膜掃描、靜脈、面部掃描、DNA等)及習慣(行為)方法(打字或敲鍵、手寫簽名、語音或語調變化)。例如，使用該使用者之一解剖態樣(諸如一指紋)以本機鑑認一使用者且限制對該電子裝置之存取。作為另一實例，可結合一影像分析使用手形態或靜脈位置以本機鑑認一使用者且限制對該電子裝置之存取。
亦可使用一使用者之行為態樣以更佳地鑑認一使用者以便對行動電子裝置提供更多保護。行為態樣涉及一使用者之獨特習慣、品味及行為之一個人設定檔。例如，一使用者簽名之方式係可用來驗證一使用者之身份之一獨特行為態樣。
然而，使用者識別之已知解剖態樣及已知行為態樣皆並非萬無一失。例如，用於比較之已知使用者資料可從一伺服器失竊且在使用者未知之情況下被使用。通常需要額外硬體以從使用者捕獲生物統計，其導致成本增加。在已知添加硬體之情況下，風險可增大，其中 一使用者可被另一使用者強迫來不情願地捕獲生物統計資料。行為態樣可係有點侵入性的且引發隱私問題。通常，使用軟體執行對行為態樣之感測，其需要一系統保持開啟，從而消耗通常儲存於可再充電電池中之能量。此外，使用行為態樣之生物統計通常需要增加維護遠端集中式資料庫之費用。
將具有一使用者之已知解剖態樣及/或已知行為態樣之生物統計用於識別可具有一些缺點。
需要一種使用者鑑認解決方案，該使用者鑑認解決方案係容易使用的、非集中式的，因此其可在本機使用；對掠奪者大致上係故障安全的、針對電池應用消耗低電力、且藉由保護一使用者之資料來保全一使用者之隱私使得其可容易被採用。
本文中所揭示之使用者鑑認解決方案在一非集中式行動環境中提供故障安全鑑認，同時保護一使用者之隱私及資料。本文中所揭示之使用者鑑認解決方案採用一不同形式之抗干預生物統計。
本文中所揭示之使用者鑑認解決方案可採用3D感測器及信號處理來捕獲表示轉譯成明確定義的微動作之一使用者之神經肌肉微功能之信號(「微動作信號」)。接著使用信號處理演算法及特徵擷取來捕獲微動作信號中之唯一信號特徵。可使用與一使用者之神經肌肉微動作相關聯的此等唯一信號特徵以唯一地識別一使用者，其有點類似於一指紋。據此，與一使用者之神經肌肉微動作相關聯的此等唯一信號特徵在本文中被稱為「神經力學指紋」(NFP)。神經力學指紋可在一行動電子裝置處(諸如一膝上型電腦或智慧型手機)或在其他類型之電子裝置處用於本機使用者鑑認。使用由感測器捕獲且藉由演算法擷取之一使用者之NFP，避免了剖析及儲存一使用者之習慣或模式化行為。
藉由本文中之隨圖及詳細描述揭示採用感測器及信號處理演算法來產生及再生一經授權使用者之神經力學指紋(NFP)之使用者鑑認解決方案之實施例。
200A:型樣/龐加萊散點
200B:型樣/龐加萊散點
200C:型樣/龐加萊散點
200D:型樣/龐加萊散點
202A:質心
202B:質心
202C:質心
202D:質心
700:電子裝置
701:處理器
702:儲存裝置(SD)
703:電源
704:按鈕/板
705:小鍵盤
706:三維(3D)加速度計
707:顯示裝置
708:無線電收音機
709:天線
712:軟體應用程式指令/軟體/韌體
714:神經力學指紋(NFP)指令及神經力學指紋(NFP)資料
716:使用者塗鴉板資料
722:組合式電源/通信連接器
724:網路介面控制器及連接器
801:三維(3D)觸控感測器
801AA-801MN:三維(3D)觸控感測器
810A:神經力學指紋(NFP)鑑認控制器
810B:神經力學指紋(NFP)鑑認控制器
810C:神經力學指紋(NFP)鑑認控制器
814:功能按鈕開關
850:微動作
852:微動作
890:使用者手指/手指
899:使用者手
900:手加速度波形
900T:波形
901:手加速度波形900之一部分
902:大加速度擺動/大擺動/大幅度信號擺動
905:預定取樣時間週期
1010A:本徵向量
1010B:本徵向量
1011A:三維(3D)點/點
1011B:點
1311:微動作信號波形
1312:微動作信號波形
1313:微動作信號波形
1401:信號處理及特徵擷取模組/模組
1402:分類器/神經力學指紋(NFP)鑑認分類器模組/神經力學指紋(NFP)鑑認分類器
1404:鑑認控制器
1406:可選二次鑑認模組
1449:存取授予(AG)信號
1450:經取樣微動作信號/微動作資料樣本
1452:單列神經力學指紋(NFP)矩陣/一列矩陣
1454:非揮發性儲存裝置/儲存裝置/單行校準矩陣/一行矩陣/使用者校準參數
1455:鑑認啟用位元(EN)/啟用位元(EN)
1456A:存取匹配(AM)位準
1456B:強制性重新校準(MR)位準
1456C:自主重新校準(VR)位準
1457:校準位準
1460:神經力學指紋(NFP)/神經力學指紋(NFP)信號/校準神經力學指紋(NFP)
1460A:經添加維(AD)
1460x:經擷取特徵/校準神經力學指紋(NFP)資訊/微動作信號
1460y:經擷取特徵/校準神經力學指紋(NFP)資訊/微動作信號
1460z:經擷取特徵/校準神經力學指紋(NFP)資訊/微動作信號
1465:匹配百分比(MP)信號輸出/匹配百分比信號/匹配百分比值/匹配百分比/匹配百分比輸出
1466:使用者校準參數/初始使用者校準參數/經授權使用者校準參數
1468:二次匹配(SM)信號
1471:自主重新校準信號
1472:強制性重新校準信號
1499:存取授予(AG)信號
1700:三維倒譜波形信號/波形信號/倒譜波形信號
1701:倒譜信號波形
1702:倒譜信號波形
1703:倒譜信號波形
2000:狀態機
2001:接受狀態
2002:重新校準狀態
2003:拒絕狀態
2004:重設/初始化狀態
2100A:醫療或健康診斷裝置
2100B:醫療或健康診斷裝置
2102:伺服器
2104:分類器
2106:比較器
2108:報告產生器
2110A:控制器
2110B:控制器
2111A:三維加速度計/加速度計
2111B:多維觸控感測器
2112:時鐘
2114:儲存裝置
a1-a4:狀態轉變
ADP1-ADPN:三維(3D)加速度資料點
CG:重心
F1 2010A-Fn 2010N:經擷取特徵/特徵
Oa1-Oan:概率
Od1-Odn:概率
Or1-Orn:概率
P1-P5:峰值
T1-T5:時間
W:世界
XD:裝置軸
Xw:世界軸
YD:裝置軸
Yw:世界軸
ZD:裝置軸
Zw:世界軸
圖1係繪示各種行為及生理識別方法之一背景圖。
圖2A至圖2D繪示龐加萊(Poincare)相位散點圖之實例，其展示從不同使用者捕獲之重力校正三維加速度計資料。
圖3A係繪示使用一伺服器及一儲存區域網路之一儲存裝置(雲儲存設備)以透過網際網路進行一使用者之遠端鑑認之圖。
圖3B繪示在一本機電子裝置處進行一使用者之本機鑑認之圖。
圖4係繪示可結合NFP鑑認用來提供多因素鑑認之鑑認技術之一圖表。
圖5係用來比較各種生物統計識別技術與NFP鑑認之一圖表。
圖6係震顫類型以及相關聯頻率及條件之一表格。
圖7係一電子裝置之一實例之一功能方塊圖，該電子裝置包含用來從一使用者捕獲微動作信號之感測器及用來回應於該等微動作信號控制存取之一NFP鑑認系統。
圖8A至圖8C係具有用來從一手指或從一手感測微動作之不同感測器之NFP鑑認系統。
圖9係用來展示大幅動作與微動作之間的差異之在一使用者之手處量測之加速度之一波形圖。
圖10A係繪示裝置定向及世界定向之一圖。
圖10B係繪示用來將一資料集中之3D資料樣本從裝置定向轉換至世界定向之一本徵向量之使用之一圖。
圖11A係用來濾除一所要震顫之頻率範圍外之信號以捕獲微動作信號之一帶通濾波器之一功能方塊圖。
圖11B係用來實現圖11A之帶通濾波器之相同結果之一高通濾波器及一低通濾波器之一功能方塊圖。
圖12A係用來過濾重力影響之一重力高通濾波器之一功能方塊圖。
圖12B係繪示對一資料集中之資料樣本進行一座標轉換以將一重心移動至三個軸之原點以便消除重力影響之一圖。
圖13A係來自一3D加速度計之三維加速度資料信號之一原始未經過濾樣本集之一波形圖。
圖13B係一3D微動作信號在圖13A中所展示之原始信號波形之預處理、帶通濾波及重力補償之後的一波形圖。
圖14A係一NFP鑑認控制器之一功能方塊圖。
圖14B係圖14A中所展示之NFP鑑認分類器之一功能方塊圖。
圖15係由圖14A中所展示之鑑認控制器進行之存取及重新校準控制之一圖表。
圖16係與一震顫相關聯的一微動作信號之功率譜密度之一繪圖。
圖17A係藉由對圖13B中所展示之微動作波形執行一倒譜分析產生之一倒譜波形之一繪圖。
圖17B係圖17A中所展示之倒譜波形之繪圖之一部分之一放大視圖。
圖18A至圖18B繪示基於兩個不同使用者之率頻之對於一單軸之不同NFP之實例。
圖19A至圖19B繪示基於兩個不同使用者之時間之對於一單軸之不同NFP之實例。
圖20繪示可用作NFP分類器模型以從一NFP及經授權使用者校準參數判定一匹配百分比之一隱藏馬爾可夫(Markov)模型。
圖21繪示用於使用神經及神經力學指紋分析一使用者之健康之一程序之一方塊圖。
在實施例之下文詳細描述中，陳述眾多特定細節以提供一透徹理解。然而，熟習此項技術者將顯而易見的是，可在無此等特定細節之情況下實行實施例。在其他例項中，尚未詳細地描述熟知方法、程序、組件及電路以免不必要地使實施例之態樣變得晦澀。
實施例包含用於形成並利用神經力學指紋(NFP)來識別並鑑認一使用者之方法、設備及系統。
序論
某些使用者動作係習慣性的或係一使用者之動作譜系(motion repertoire)之部分。一使用者簽名於一檔案例如係一使用者隨行為習慣形成之一情境動作。通常分析之簽名動作係一使用者使用一書寫工具所做之大幅動作或大幅度動作。例如，從一簽名之大動作，吾人可例如使用眼睛判定書寫者是左撇子還是右撇子。
雖然此等大動作可係有用的，但亦存在一使用者在簽名、做其他動作或僅在休息而不做動作時所做之微動作(極小動作)。此等微動作係神經衍生的或基於神經的且對於眼睛係不可見的。一使用者之此等微動作係歸因於每個人之唯一神經肌肉解剖且亦可在本文中被稱為神經衍生的微動作。此等微動作亦與從一個人之運動皮層往下至他/她的手之運動控制程序有關。使用一或多個感測器、信號處理演算法及/或濾波器，可捕獲包含一使用者之神經衍生的微動作之電子信號(「動作信號」及「微動作信號」)。特別感興趣的係在動作信號內表示使用者之微動作之微動作電子信號。
一使用者之微動作與一人體之神經系統中之腦或別處中之運動活動之皮層及皮層下控制有關。如同一機械濾波器，一個人之特定肌 肉骨骼解剖可影響一使用者之微動作且對包含一使用者之微動作之動作信號有貢獻。從一使用者捕獲之動作信號亦可反映包含腦及存在於一使用者之人體中之本體感受器之本體感受控制迴路之部分。
在針對表示使用者之微動作之微動作信號適當地分析動作信號時，所得資料可產生可用作未寫好的簽名之唯一且穩定的生理識別符，更具體言之神經識別符。此等唯一識別符係一使用者之神經力學指紋。神經力學指紋在本文中亦可被稱為NeuroFingerPrint(NFP)。
可由各種電子感測器捕獲一使用者之動作，包含一使用者之大幅動作及一使用者之微動作。例如，可使用一電子觸控感測器或一電子加速度計來捕獲一使用者之大幅動作及微動作。由Geoff Klein在2012年1月5日申請、以引用方式併入本文中之美國專利申請案第13/823,107號描述一加速度計可如何用來在一使用者操作一電子裝置時悄悄地捕獲該使用者之隨時間變化之動作資料及產生可用來辨識一使用者之一動作譜系。美國專利申請案第13/823,107號利用譜系或動作習慣。本文中所揭示之實施例既不建立動作譜系亦不依賴於動作譜系。本文中所揭示之實施例擷取與神經系統之品質控制機制有關的信號。美國專利申請案第13/823,107號忽視本文中所揭示之實施例感興趣之該等使用者之神經衍生的微動作。此外，在產生神經力學指紋中，大幅動作信號經抑制或經濾除以捕獲微動作信號分量。在使用一三維加速度計來捕獲一使用者之微動作時，大幅動作信號需要從微動作信號資料濾除。在美國專利申請案第13/823,107號中亦忽視歸因於重力引起之向量。在使用一三維加速度計時，在產生微動作信號中補償或濾除重力。
現參考圖2A至圖2D，圖中展示針對四個不同使用者之三維龐加萊相位散點圖之實例。各三維龐加萊相位散點圖展示重力校正三維加速度計資料之一型樣200A至200D。
在相同時間週期內使用相同電子裝置以使用者用其等手做大幅動作獲得原始加速度計資料。該電子裝置具有用來捕獲三維X、Y及Z中之原始加速度計資料之三維加速度計感測器。
對原始加速度計資料執行信號處理以過濾或抑制不想要的信號，校正重力且擷取表示一使用者之手或手指之神經衍生的微動作之信號(微動作信號)。在對一使用者之取樣時間週期內可將微動作信號之三維x(t)、y(t)、z(t)進一步處理成相位x(t)、y(t)、z(t)並以一三維龐加萊相位散點圖繪製。若取樣時間週期係短的，則可依數位形式將從使用者之神經肌肉微動作之一樣本感測之微動作信號x(t)、y(t)、z(t)儲存至一儲存裝置中以表示一神經力學指紋(NFP)。微動作信號之數位形式可在儲存之前使用一加密演算法及一加密金鑰進行加密以便對其進行保護而使未經授權人員不可對其進行未經授權存取。
如可在圖2A至圖2C中容易看出，從使用者之神經衍生的動作產生之龐加萊相位散點圖之各者中之型樣200A至200D大致上係不同的。例如，各型樣200A至200D之一質心202A至202D係不同的。對於各使用者而言，各型樣200A至200D之其他特性亦不同。因此，神經衍生的動作之型樣係各使用者獨有的且可用來唯一地識別一使用者。
經產生龐加萊相位繪圖中之唯一型樣200A至200D及NFP通常係穩定的。因此，通常每當一使用者觸控或移動感測器時，唯一型樣200A至200D及NFP可在取樣時間週期內經重複地感測且接著使用一演算法與一經初始校準NFP進行比較以鑑認一使用者之身份。然而，若存在一進展中之神經肌肉疾病，則一使用者之唯一型樣200A至200D係不太穩定的。若情況為如此，則神經演算法可經週期性地重新校準以補償疾病進展。例如，患一神經肌肉疾病之一老年人可容易取決於關於對NFP之一初始校準之一漂移截頻而每週重新校準神經演算法。作為另一實例，正在使用動作改變藥物進行治療之一使用者亦 可週期性地重新校準NFP神經演算法。對於多數使用者而言，在一初始校準之後重新校準NFP神經演算法將係罕見的。
對微動作之動作信號之分析採用一神經演算法來獲得一使用者之一神經力學指紋(NFP)。據此，此神經演算法在本文中可被稱為NFP神經演算法。
NFP神經演算法
一NFP神經演算法不是使用神經網路訓練、分類器或深度學習之一演算法。該NFP神經演算法係具體地收集、隔離並分析來自人類神經系統之信號及其與連接至神經系統之身體部分之互動之一演算法，諸如肌肉系統、腺細胞及/或皮膚。對分析微動作信號感興趣的活動包含源於吾人之神經系統之運動控制、感官輸入及與各人之解剖及神經系統唯一有關的壓力反應。
考量例如移動他或她的手之一使用者。例如，一運動演算法可記錄隨時間變化之實體動作且分析其速度、距離、方向及力。一神經演算法在不使用一腦掃描器執行一腦掃描之情況下從一電子信號(諸如包含微動作信號之一動作信號)收集、隔離並分析與手動作有關的隨時間變化之神經活動。
雖然可針對微動作使用一電子加速度計分析身體部分之運動動作，但可例如使用一電子觸控感測器(諸如一觸控板)來分析一或多個手指對該觸控感測器之觸控。可使用該觸控感測器來產生表示在一手指觸控該觸控感測器時隨時間變化之微動作之一微動作信號。一觸控感測器可產生表示一手指相對於該觸控感測器之X及Y位置以及表示施加於該觸控感測器之壓力之一Z位置之三維信號。微動作可被包含作為三維位置信號之各者之部分。使用一觸控感測器，重力通常不是需要校正之一因素。
藉由專注於微動作信號而非大幅動作信號，一觸控感測器可結 合一神經演算法用來更佳地模仿一機器中之一人類認知介面。此可改良人機介面。例如，考量一丈夫與妻子之間或關係密切的人之間的一人類認知介面。在一丈夫觸碰他妻子的手臂時，該妻子常常可僅從該觸碰之感覺辨識係她丈夫在觸碰她，此係因為她熟悉他的觸碰。若觸碰感覺係獨特的，則一人通常可僅從該獨特感覺辨識係什麼在觸碰他/她。
觸控辨識
使用一觸控感測器來感測並捕獲微動作且使用一神經演算法來分析一NFP之技術在本文中可被稱為觸控辨識。包含用來鑑認及/或識別一使用者之觸控辨識之一系統在本文中可被稱為觸控辨識系統。關於圖1，使用NeuroFingerPrint之觸控辨識係一生理使用者識別符。觸控辨識不是一解剖使用者識別符。觸控辨識不是一行為使用者識別符。與為一使用者之固定屬性之解剖識別方法相反，生理識別方法與一使用者之功能體有關。行為識別方法與使用者的動作或他/她的習慣有關。
在使用者鑑認中使用一觸控感測器及一神經演算法具有固有優點。用於使用者鑑認之使用者介面可係直觀的且若根本無需任何訓練，則與僅具有最少訓練之人類使用者之自發行為有關。使用者鑑認程序之使用者體驗可係順暢的。使用者無需執行除通常與使用者電子裝置之使用相關聯的使用者鑑認任務之外的任何特定使用者鑑認任務。例如，在校準之後，一使用者僅需握持他/她的智慧型手機，諸如來打一電話，使得一加速度計及一神經演算法執行使用者鑑認程序。
可藉由一觸控感測器及NFP神經演算法非直觀地捕獲NeuroFingerPrint。NeuroFingerPrint可與其他使用者動作隔離。據此，亦可使用用來捕獲敲鍵或按鍵之一或多觸控感測器來捕獲一使用 者之微動作且回應於其產生微動作信號及NeuroFingerPrint。例如，一使用者可僅需選擇一或多個按鈕(例如，撥一電話號碼以打一電話，鍵入一個人識別號碼，選擇一功能按鈕或電源按鈕)使得下方之一或多個觸控感測器及一神經演算法執行使用者鑑認程序。
例如，在使用者體驗無任何改變之情況下，可藉由NeuroFingerPrint(NFP)神經演算法產生一NFP，同時鍵入一使用者之個人識別號碼(PIN)。替代地，例如可藉由NeuroFingerPrint(NFP)神經演算法產生一NFP，同時按下一電源按鈕或一功能按鈕(例如，主頁按鈕)。在此情況下，可將該NeuroFingerPrint(NFP)用於使用者鑑認而無需一PIN號碼。替代地，在使用者介面改變較少或無使用者介面改變之情況下，一NeuroFingerPrint(NFP)可結合一PIN號碼使用以進行使用者鑑認。
在一使用者介面改變較少或無改變之情況下，亦可使用與一小鍵盤或一按鈕相關聯的一或多個觸控感測器以隨著一使用者按下或選擇該小鍵盤或該按鈕之鍵捕獲微動作並產生微動作信號。可使用支援NFP捕獲之小鍵盤或按鈕以控制進入及/或離開辦公室、建築物或其他不動產，諸如住宅、企業、政府辦公室或其他安全設施。
此外，可將與神經演算法組合之觸控感測器有利地內建至一實體電子鑰匙中，接著可無線地使用該實體電子鑰匙以打開一門，起動一汽車引擎，或獲得對一伺服器或其他資訊技術系統之存取。
本機及遠端使用者鑑認
現參考圖3A至圖3B。圖3A繪示一使用者之遠端鑑認。圖3B繪示一使用者之本機鑑認。
觸控辨識促進在一本機電子裝置處進行一使用者之本機鑑認，諸如圖3B中所展示。NFP使用者鑑認無需使用一大遠端資料庫。一NFP使用者鑑認系統可自含於該本機電子裝置內，諸如一行動智慧型 手機。如遠端鑑認可能要求：用於使用者鑑認之資料無需儲存於一儲存區域網路之一儲存裝置(「雲端」)中且無需透過網際網路從該儲存裝置存取。如遠端鑑認可能要求：用於使用者鑑認之一登入ID及密碼無需透過網際網路發送至一伺服器以鑑認一使用者。觸控辨識係非集中式的且可自含於該本機電子裝置內。
在遠端鑑認一使用者之情況下，諸如圖3A中所展示，一使用者向網際網路開放且可經受與其相關聯的風險。在本機鑑認之情況下，諸如圖3B中所展示，該使用者可在使用者鑑認期間與網際網路隔絕以增加安全性。替代地，表示本機使用者鑑認之一符記可由本機電子裝置產生且從本機電子裝置有線地及/或無線地發出至一本機伺服器或透過路由器、交換機及通信系統之網際網路雲端遠端地發送至一遠端伺服器，諸如圖3B中所展示。
雖然觸控辨識促進本機鑑認，但觸控辨識可容易與一遠端鑑認技術或另一本機鑑認技術組合以提供額外安全級別。
多因素鑑認及NeuroFingerPrint
現參考圖4，一使用者鑑認系統可採用多個因素來鑑認一使用者。多因素鑑認組合兩種或更多種鑑認技術。以前，多因素鑑認不是使用者友好的因此其被避免。使用者友好的鑑認方法反之通常係較佳的，但導致折衷保護性。
如本文中所提及，觸控辨識或使用一加速度計之辨識可與一遠端鑑認技術或另一本機鑑認技術組合使得多因素鑑認係更使用者友好的。
觸控辨識可與一密碼、一個人識別號碼、一型樣或一使用者知道或記住之其他事物組合。替代地，觸控辨識可與一符記、一智慧卡、一行動符記、一OTP符記或一使用者具有之某個其他使用者鑑認裝置組合。替代地，觸控辨識可與一解剖或行為使用者生物統計組 合。例如，基於神經之觸控辨識可容易與指紋辨識組合以提供一使用者友好的多因素鑑認系統。
銀行產業對在需要使用者鑑認時避免對使用者造成一額外負擔特別感興趣。此外，銀行產業對提供可靠使用者鑑認且難以規避之高效能使用者鑑認系統感興趣。基於神經之觸控辨識可容易與對使用者造成最小負擔之其他鑑認技術組合。此外，本文中所揭示之基於神經之觸控辨識可大致上係可靠的且極難規避。
生物統計識別技術之比較
現參考圖5，圖中繪示各種生物統計識別技術之一比較矩陣之一圖表。使用一相對等級來比較使用NFP之使用者鑑認與其他生物統計使用者識別技術。該相對等級係基於七個分級準則。各準則可針對各生物統計識別技術被分級為高(H)、中等(M)或低(L)。從左至右，七個分級準則係持久性、可收集性、效能、可接受性、規避性、唯一性及通用性。出於以下原因，相比於其他生物統計識別技術，NFP使用評級更高。
NFP係一高評級通用技術。將為一使用者之每個人具有可從中捕獲NFP之一唯一神經系統。
NFP係區分使用者之一高度唯一使用者鑑認技術。NFP反映一使用者對使用者身體之運動控制。運動控制與控制手中之肌肉張力之腦活動有關。甚至雙胞胎將具有不同運動控制，此係因為其等將經歷不同生活體驗且具有不同運動技能訓練。例如，雙胞胎將學會以不同方式騎一自行車，從而學習將在不同NFP中反映出之對肌肉之不同運動控制。
NFP係一相對較高度持久性或穩定技術，此係因為其與各人之解剖有關。可影響NFP之穩定性之演進程序(諸如一神經疾病)係罕見的。甚至在該等罕見情況下，神經演進程序通常足夠慢，使得可重新 校準一NFP使用者鑑認系統。對於一使用者之左手及一使用者之右手而言，用於觸控辨識之NFP係不同的。然而，該等NFP係各使用者特定NFP。一使用者可對他/她使用哪隻手/哪根手指來握持/觸控一加速度計啟用裝置/觸控感測器啟用裝置保持一致。替代地，可使用NFP使用者鑑認系統校準相同使用者之多個NFP。在此情況下，任一隻手或多根手指之觸控可鑑認一電子裝置之一使用者。
一些親神經藥物可改變經掃描NFP。然而，NFP使用者鑑認系統可經重新校準以便補償。在其他情況下，可使用歸因於攝入酒精、藥品或強效藥物引起之經掃描NFP之改變來改良運載工具之安全性。
酒精可暫時改變一經掃描NFP使得其不匹配一經校準NFP。此可有利地用來禁止在酒精之影響下駕駛一汽車或其他運載工具。例如，NFP觸控技術可在一汽車鑰匙或一汽車起動按鈕內實施。若該經掃描NFP不受酒精之影響，則NFP觸控技術允許鑰匙或起動按鈕發動引擎以駕駛該汽車。若該經掃描NFP受一使用者飲酒之影響，則NFP觸控技術可禁止鑰匙或起動按鈕起動汽車引擎。
NFP相對較容易收集或捕獲，此係因為加速度計在行動裝置中已變得常見。使用一時鐘每微妙或約每微妙對加速度計值進行頻繁地取樣以捕獲一使用者之微動作。此外，加速度計係相對較敏感的。加速度計通常可感測亞微級加速度使得例如其等能夠捕獲一使用者之手之微動作。可使用各種三維加速度計來捕獲一使用者之手之微動作。可使用各種觸控感測器來捕獲微動作及類型(是電容式還是電阻式係不相關的)。
使用NFP之NFP鑑認之效能係高的。使用非最佳數學演算法作為神經演算法可實現介於93%與97%之間的辨識成功率。考量時間及軌跡之變數之更適當且更準確的數學演算法可實現更高辨識成功率以達成一正確使用者之100%辨識。在NFP鑑認系統無法辨識一正確使用者 之情況下，可與NFP鑑認並行地使用一替代使用者鑑認系統，諸如一PIN。相比之下，多數生物統計(真實指紋或虹膜掃描除外)具有具較高失敗率之低效能，該等失敗率之範圍可介於18%與20%之間，從而提供介於80%與82%之間的成功辨識率。
NFP技術應具有一高度可接受性，此係因為其係一使用者友好的鑑認方法。一NFP使用者鑑認系統可係相當透明的或順暢的。然而，可接受性亦受如何設計並出售NFP使用者鑑認系統連同如何藉由適當安全措施及獨立審計支援NFP使用者鑑認系統之支配。
NFP難以規避，因此其等具有一高規避因素分級。在NFP鑑認系統駐留於電子裝置中且不可用於網際網路時，駭侵、電子欺騙或逆向工程幾乎不可能獲得存取。
最初，藉由NFP使用者鑑認系統針對一使用者在本機電子地產生一校準NFP檔案(使用者校準參數)。該校準NFP檔案通常經加密並本機保存於電子裝置上(例如，於與NFP鑑認控制器相關聯的記憶體中)且因此不可用於網際網路。然而，在儲存於別處時(諸如一儲存區域網路中之一儲存裝置或與一鑑認伺服器相關聯的一儲存裝置)，該校準NFP檔案應經加密以提供更高安全性。
NFP使用者鑑認不僅僅係執行一檔案比較以授予存取。NFP必須從使用者身體即時再生以獲得存取。此避免了一駭客藉由針對資訊使用一代用誤導輸入或一電子欺騙或一網路釣魚而使用一失竊檔案以獲得對電子裝置之存取及授權。為了規避服務級之NFP使用者鑑認，駭客將必須在經授權使用者正在存取需要鑑認或登入之一服務時與該使用者同時並行地進行資料獲取。為了規避裝置級之NFP使用者鑑認，一駭客將必須模仿經授權使用者之神經控制以獲得NFP資料且接著將其鍵入至裝置中以獲得存取。一駭客可從經授權使用者之裝置竊取經校準NFP值，但接著駭客將必須使用相同經校準NFP鑑認系統難以置 信地將使用者微動作輸入再生至一第二電子裝置中。據此，具有一NFP鑑認系統之一電子裝置可極難規避。具有一NFP鑑認系統之一行動電子裝置可最終被信任為提供即時驗證識別之一使用者之守門員(gatekeeper)。
僅在一使用者利用電子裝置時，隨後即時產生一經掃描NFP，其中該校準NFP僅調整計算。在無正確使用者產生校準NFP檔案之情況下，NFP鑑認系統拒絕對電子裝置之本機存取。若該正確使用者不是活體，則NFP鑑認系統將拒絕存取，此係因為無法產生該正確使用者之微動作信號。據此，NFP鑑認技術之規避係困難的。相比之下，典型指紋具有一高難度級規避，然而，甚至典型指紋可失竊且可經反向工程設計以登入至一指紋鑑認系統中。
總言之，與其他生物統計技術相比，如用於一使用者鑑認系統之生物統計之NFP技術被評級為高。
隱私保護
行動電子裝置係結合健康及健身應用而使用。在一些情況下，行動電子裝置可用作至所連接醫療裝置之使用者介面。數個國家之規則法律規範一使用者之醫療狀況之隱私。據此，一使用者之醫療狀況及醫療資料之保護已變得越來越重要。
可使用一NFP鑑認系統來幫助保護可儲存或輸入至一電子裝置中之一使用者資料。可使用一NFP鑑認系統來幫助遵守在數個國家生效之醫療資料法律法規。
由於一使用者神經系統而從微動作產生之NFP資料可被視為一種形式之醫療資料。NFP鑑認系統可經實施以有效地保護在用於鑑認目的時儲存於一電子裝置中或別處之經校準NFP資料。
微動作及震顫
NFP係回應於與一種類型或形式之震顫相關的微動作而產生。一 震顫係造成一人體之一或多個部分中之一振盪之一無意識、有節奏的肌肉移動。震顫可能對肉眼係可見或不可見的。可見震顫多見於中年人及老年人。可見震顫有時被視為控制全身之一或多塊肌肉或特定言之區域(諸如手及/或手指)之腦之一部分中之一失調。
多數震顫發生於手中。因此，可在握持具有一加速度計之一裝置或透過一手指觸控一觸控板感測器時感測一具有微動作之震顫。
存在不同類型之震顫。最常見形式或類型之震顫發生於健康個人中。通常，一健康個人不會注意此類型之震顫，此係因為動作太小且可在執行其他動作時發生。與一種類型之震顫相關的感興趣微動作太小以致其等對肉眼係不可見的。
一震顫可在各種條件下(靜止性、姿勢性、運動性)活化且通常可被分類為一靜止性震顫、一動作性震顫、一姿勢性震顫或一運動性或意向性震顫。一靜止性震顫係在受影響身體部分不活躍但對抗重力時發生之震顫。一動作性震顫係歸因於自主肌肉活化引起之震顫，且包含眾多震顫類型，包含一姿勢性震顫、一運動性或意向性震顫及一任務特定震顫。一姿勢性震顫與使身體部分對抗重力有關(如遠離身體伸展一臂)。一運動性或意向性震顫與目標導向移動及非目標導向移動有關。一運動性震顫之一實例係將一手指移動至一人之鼻子之動作，通常用於偵測在酒精之影響下駕駛之一駕駛員。一運動性震顫之另一實例係從一桌子舉起一杯水之動作。一任務特定震顫在極特定動作期間發生，諸如當使用一鋼筆或鉛筆在紙上書寫時。
震顫(無論對眼睛是否可見)被視為源於神經系統內之一些振盪神經元池、一些腦結構、一些感官反射機制及/或一些神經力學耦合及諧振。
雖然眾多震顫已被描述為生理性(無任何疾病)或病理性的，但應認為震顫振幅對其等分類不是極有用的。然而，對震顫頻率係感興趣 的。震顫頻率允許其等依一有用方式用來擷取一感興趣信號且產生各使用者之一唯一NFP。
圖6繪示各種震顫類型、其等活化條件及歸因於給定震顫類型之預期運動頻率之一表格。
眾多病理狀態(如帕金森症(3Hz至7Hz)、小腦疾病(3Hz至5Hz)、肌張力障礙(4Hz至7Hz)、各種神經病(4Hz至7Hz))使動作/信號為較低頻率，諸如7赫茲(Hz)及低於7赫茲之頻率。由於病理狀態並非常見於所有使用者，故此等頻率之動作/信號不利於產生NFP且需要濾除。然而，本文中所揭示之實施例之一些用來具體地專注於使該等病理性信號作為用來記錄、監測、遵循該等病症之一方式以判定健康狀況是健全還是退化。
其他震顫(諸如生理性、原發性、直立性及增強生理性震顫)可在正常健康狀況下發生。此等震顫本身不是病症。據此，該等震顫通常存在於整體人口中。對生理性震顫以及常見於所有使用者之其他震顫係感興趣的，此係因為其等產生依介於3Hz與30Hz或4Hz與30Hz之間的一範圍內之頻率之微動作。該等震顫可在肌肉用來使身體部分對抗重力時被活化。據此，將一電子裝置握持於一人之手中以使手及臂對抗重力可產生可由一加速度計感測之生理性震顫。使用一手之手指觸控一電子裝置之一觸控板並使其對抗重力可產生可容易由一手指觸控板感測器感測之生理性震顫。
一些震顫可係影響一使用者之健康之一退化病症或其他常見病症之結果。假定神經細胞對新陳代謝高度敏感，則其他病症(如糖尿病、高血壓病、心力衰竭、細菌或病毒感染及/或寄生蟲病)可影響一使用者之微動作(呈神經力學指紋之一常見資料型樣或簽名)或微動作信號。
一運動性類型之原發性震顫可在一使用者必須鍵入一PIN或登入 ID以獲得對一裝置或一手機之存取時發生並被感測。原發性震顫之頻率範圍介於4Hz與12Hz之間，其可減小至8Hz至12Hz之一頻率範圍以避免對歸因於非常見病理狀態之震顫之感測。
對於生理性震顫(或增強生理性震顫，同上具有較大振幅)，不同體側之相干性係低的。即，左體側上之一生理性震顫與右體側上之一生理性震顫係極不相干的。據此，預期一使用者之左手或左手指中之震顫將不同於右手或右手指中之震顫。據此，NFP鑑認系統將需要一使用者在將相同側之手或手指用於鑑認時保持一致；或替代地，將使用多個經授權使用者校準參數集(各手一個經授權使用者校準參數集或各手指一個經授權使用者校準參數集)來擷取一NFP。
具有一感興趣的較高頻率之動作可被視為雜訊。據此，需要濾除在原始動作信號中具有高於所要範圍(例如，12Hz或30Hz)中之最大值之一頻率之信號。因此，從8Hz至12Hz及/或8Hz至30Hz之一頻率信號範圍含有關於可用來產生NFP之微動作之有用資訊。
由一電子裝置中之一手指觸控板感測器或由一手持電子裝置之一加速度計捕獲之原始信號可在其中具有數個不想要的信號頻率。據此，可使用回應於濾除所要頻率範圍外之信號之一種類型之過濾以從原始電子信號獲得一微動作信號。替代地，可使用用於所要頻率範圍中之信號之一隔離/擷取構件以從原始電子信號獲得一微動作信號。例如，可使用一有限脈衝回應帶通濾波器(例如，8Hz至30Hz之帶通)以在由一觸控板或加速度計感測之一原始電子信號中選擇感興趣的低信號頻率範圍。替代地，一低通濾波器(例如，30Hz截頻)及一高通濾波器(例如，8Hz截頻)或一高通濾波器(例如，8Hz截頻)及一低通濾波器(例如，30Hz截頻)可串聯地組合以實現一類似結果。
具有NFP鑑認之電子裝置
現參考圖7，圖中繪示具有NFP鑑認之一電子裝置700之一功能方 塊圖。電子裝置700可係例如一智慧型蜂巢式電話或需要存取控制之其他手持類型之可攜式或行動電子裝置。電子裝置700包含一或多個三維(3D)感測器，該一或多個3D感測器可用來捕獲包含可用於NFP鑑認之原始3D微動作信號之原始3D電子信號。
電子裝置700可包含耦合在一起之以下裝置：一處理器701、一儲存裝置(SD)702、一電源703(例如，可再充電電池)、一按鈕/板704、一小鍵盤705、一三維(3D)加速度計706(視需要)、一顯示裝置707、一或多個無線電收音機708及一或多個天線709。若該電子裝置不具有一三維(3D)加速度計706，則按鈕/板704、小鍵盤705及顯示裝置707之一或多者係觸控敏感的，因此其等可用來捕獲包含3D微動作信號之3D原始電子信號。
儲存裝置702較佳係一非揮發性類型之儲存裝置，其依一非揮發性方式儲存資料、指令及(可能)其他資訊(例如，使用者校準參數)因此其在該電子裝置進入睡眠狀態以節省電力或完全關閉時不會丟失。儲存裝置702儲存用於NFP鑑認系統之軟體應用程式指令712、NFP指令及(可能)NFP資料714(例如，經授權使用者校準參數之校準NFP檔案)以及用於使用者之使用者塗鴉板資料716。NFP指令及NFP資料714出於安全原因而與使用者塗鴉板資料716及軟體應用程式指令712分離以使其不可供所有使用者存取。儲存裝置702耦合至處理器701使得資料及指令可由該處理器讀取且經執行以執行軟體應用程式之功能。NFP指令及NFP資料714(若有)係由該處理器讀取以執行NFP鑑認控制器模組且執行提供NFP鑑認所需之功能。
一或多個無線電收音機708耦合至處理器701及一或多個天線709且耦合於處理器701與一或多個天線709之間。一或多個無線電收音機708可透過無線網路無線地接收及傳輸資料。一或多個無線電收音機708可包含用於區域無線(Wi-Fi)網路之一Wi-Fi無線電收音機、用於蜂 巢式電話網路之一蜂巢式無線電收音機及用於藍芽無線連接之藍芽無線電收音機。可由該電子裝置執行需要對一遠端伺服器進行鑑認之軟體應用程式。使用NFP鑑認系統以授予對該電子裝置自身之存取。然而，NFP鑑認系統亦可供軟體應用程式使用來驗證或鑑認一經授權使用者之身份。
為了對電池再充電或提供一替代電源，一電源連接器及/或一組合式電源/通信連接器(例如，通用串列匯流排連接器)722可被包含作為電子裝置700之部分。連接器722可耦合至處理器701以進行資料通信且耦合至電源703以對電池再充電及/或對電子裝置700提供一替代電源。為了有線連接，電子裝置700可進一步包含耦合至該處理器之網路介面控制器及連接器724，諸如一乙太網路控制器及埠連接器(例如，RJ-45)。
多數可攜式或行動電子裝置現包含3D加速度計706。傳統上，已使用3D加速度計706來判定該電子裝置之定向。然而，亦可使用3D加速度計706來捕獲握持電子裝置700之一使用者之手之微動作。在此情況下，3D加速度計資料係由加速度計706捕獲、經取樣、經預處理且接著提供至NFP鑑認控制器。
若該加速度計不可用於一電子裝置，則在包含X、Y及Z之三維中按鈕/板704及小鍵盤705之任一者或兩者係觸控敏感的以便用於NFP鑑認。Z軸係垂直於該按鈕及小鍵盤之軸並且壓力可由一手指施加以選擇該按鈕或該小鍵盤之鍵之潛在功能以便控制該電子裝置。按鈕/板704可係例如用來開啟/關閉該電子裝置之一電源按鈕。按鈕/板704可係例如使該電子裝置進入一「主頁」或初始使用者介面狀態之一主頁按鈕。
可使用一觸控敏感按鈕/板704及/或一觸控敏感小鍵盤705之任一者或兩者來捕獲可用於NFP鑑認之三維原始微動作信號。
若顯示裝置707係一觸控敏感顯示裝置，則可將小鍵盤705或按鈕704顯示於可從中捕獲三維原始微動作信號之觸控敏感顯示裝置707上。
一NFP鑑認控制器之部分(參見圖8A至圖8C、圖14A中之NFP鑑認控制器810A至810C、810)可藉由處理器701執行從儲存於儲存裝置702中之韌體/軟體712重新叫用之指令而形成。
現參考圖7及圖8A，圖中展示具有一三維觸控敏感按鈕/板704之一NFP鑑認系統之一部分之一功能方塊圖。該NFP鑑認系統進一步包含耦合至三維觸控敏感按鈕/板704之觸控感測器801之一NFP鑑認控制器810A。
三維觸控敏感按鈕/板704在最接近板704之表面之處包含用來感測位置以及X、Y手指位置及手指壓力Z之變更之一3D觸控感測器801。三維觸控敏感按鈕/板704通常包含用來產生發送至該處理器之一功能控制信號之一功能按鈕開關814。3D觸控感測器801產生包含在使用者手指890處感測且由3D箭頭850指示之微動作之原始三維移位信號。
在一些預處理之後，NFP鑑認控制器810A接收表示由觸控感測器801感測之微動作之資料樣本且產生使用者之NFP。通常將經授權使用者校準參數之一校準NFP檔案儲存於該NFP鑑認控制器內之一非揮發性記憶體或其他非揮發性儲存裝置或者耦合至該NFP鑑認控制器或經耦合而與該NFP鑑認控制器通信之一非揮發性記憶體或其他非揮發性儲存裝置中(例如，記憶體702或一伺服器之一儲存裝置)。回應於NFP及由經授權使用者訓練且與經授權使用者相關聯的經儲存使用者校準參數，NFP鑑認控制器810A對NFP進行分類且產生一匹配百分比值。回應於該匹配百分比值及一預定可接受匹配百分比，NFP鑑認控制器810A可產生對正在觸控該觸控感測器之經授權使用者授予對電 子裝置之存取之一存取授予信號1449。NFP鑑認控制器810A可係一處理器(例如，處理器701)經組態(藉由硬體、軟體或硬體及軟體之一組合)以執行之一功能程序。
現參考圖7及圖8B，圖中展示具有一三維觸控敏感小鍵盤705之一NFP鑑認系統之一功能方塊圖。觸控敏感小鍵盤705包含3D觸控感測器801AA至801MN之一M×N陣列之一矩陣，該等3D觸控感測器801AA至801MN之各者可感測位置以及一手指890之X、Y手指位置及手指壓力Z之變更且產生原始微動作資料。各板可包含用來在由3D觸控感測器801AA至801MN擷取原始微動作感測器資料的同時產生複數個功能控制信號之一功能按鈕開關814。
對來自3D觸控感測器801AA至801MN之M×N陣列之信號進行預處理及取樣，其中經取樣資料耦合至NFP鑑認控制器810B。在授予存取中，NFP鑑認控制器810B表現得類似於NFP鑑認控制器810A。然而，可訓練NFP鑑認控制器810B以支援可預期來自3D觸控感測器801AA至801MN之M×N陣列之矩陣中之不同觸控感測器之稍微不同的信號。
據此，對於各不同觸控感測器而言，經授權使用者校準參數之校準NFP檔案可不同。預期對於複數個觸控感測器之各者之使用者校準參數，經授權使用者校準參數之校準NFP檔案可較大。在一較大校準NFP檔案之情況下，儲存該檔案之非揮發性記憶體或其他非揮發性儲存裝置可稍大，具有一稍大容量。類似地，耦合至該NFP鑑認控制器或經耦合而與該NFP鑑認控制器通信之一非揮發性記憶體或其他非揮發性儲存裝置(例如，記憶體702或一伺服器之一儲存裝置)可具有用來容納來自一或多個使用者之一稍大NFP校準檔案之一較大儲存區域及/或容量。NFP鑑認控制器810B可係一處理器(例如，處理器701)經組態(藉由硬體、軟體或硬體及軟體之一組合)以執行之一功能程 序。
現參考圖7及圖8C，圖中展示在一電子裝置700中具有一三維加速度計706之一NFP鑑認系統之一功能方塊圖。一使用者手899握持包含三維加速度計706之電子裝置700。三維加速度計706耦合至NFP鑑認控制器810C。NFP鑑認控制器810C可係一處理器(例如，處理器701)經組態(藉由硬體、軟體或硬體及軟體之一組合)以執行之一功能程序。
在將電子裝置700穩定地握持於他/她的手899中時，由3D加速度計706感測在使用者手899中且由3D箭頭852指示之微動作。隨著移動握持於該使用者手中之電子裝置700以調整位置(諸如從一口袋至使用者之耳朵)，亦由3D加速度計706感測除該等微動作之外的不合意微動作。如本文中進一步說明，將在所要信號中抑制、濾除或消除此等不合意微動作。
觸控感測器通常不同於一3D加速度計。據此，經授權使用者校準參數之校準NFP檔案將可能不同。被產生為用來從該3D加速度計濾除三維加速度計信號中之不想要的動作(例如，微動作)之一數位濾波器之濾波器參數之一些校準資料可被包含為與使用者相關聯的NFP校準檔案之部分。據此，一3D加速度計之經授權使用者校準參數之NFP校準檔案可不同於一觸控感測器之經授權使用者校準參數之NFP校準檔案。在任一種情況下，通常將經授權使用者校準參數之NFP校準檔案儲存於該NFP鑑認控制器內之一非揮發性記憶體或其他非揮發性儲存裝置或者耦合至該NFP鑑認控制器或經耦合而與該NFP鑑認控制器通信之一非揮發性記憶體或其他非揮發性儲存裝置中(例如，記憶體702或一伺服器之一儲存裝置)。
由3D加速度計706產生之原始三維加速度計信號經預處理且經歷歸因於重力之補償。將原始三維加速度計信號取樣成一資料集之資料 樣本使得可使用數位信號處理進行數位過濾且使用一數位處理器(諸如圖7中所展示之處理器701)執行數位變換。加速度計資料之資料樣本被耦合至NFP鑑認控制器810C中。
NFP鑑認控制器810C接收表示由加速度計706感測之微動作之資料樣本且產生使用者之NFP。回應於NFP及由經授權使用者訓練且與經授權使用者相關聯的經儲存使用者校準參數，NFP鑑認控制器810C對NFP進行分類且產生一匹配百分比值。回應於該匹配百分比值及一預定可接受匹配百分比，NFP鑑認控制器810C可產生對正握持該電子裝置之經授權使用者授予對電子裝置之存取之一存取授予信號1449。
雖然本文中已描述用來將一三維微動作信號捕獲為用來產生一NFP之一三維信號之三維感測器(例如，3D觸控感測器、3D加速度計或3D動作感測器)，但該等感測器可係多維的以捕獲具有至少二個維度之一多維信號。例如，一觸控敏感表面可捕獲具有可用來從一可變二維信號產生一NFP之一三維表示的電阻及電容之兩個可變維之一可變阻抗。
信號處理
現暫時參考圖14A，為了從由一感測器捕獲且由一取樣器(A至D轉換器)取樣之經取樣微動作信號1450獲得一NFP 1460，由電子裝置中之處理器執行數個信號處理步驟。由NFP鑑認系統810之信號處理及特徵擷取模組1401執行對經取樣微動作信號1450之各維執行之信號處理步驟。由模組1401執行之此等一或多個信號處理演算法在本文中通常可被稱為NFP演算法及方法。
通常，一序列事件經執行以獲得一使用者之一NFP且接著評估其真實性。
從3D加速度計或者一或多個觸控板感測器(視情況而定)獲得一預定取樣週期內之原始資料檔案(沿X、Y及Z方向)。
在預定時間跨度(例如，5秒、10秒、20秒或30秒)內以一預定取樣頻率對原始資料檔案進行取樣以捕獲與所需進一步過濾相容之感興趣信號(例如，250Hz(在樣本之間係4毫秒)、330Hz、200Hz或低至60Hz(30Hz感興趣頻率之兩倍))。
對經取樣信號執行信號處理以產生具有感興趣的特定頻率分量之一微動作信號。使用具有介於7Hz與8Hz、7Hz與12Hz或8Hz與30Hz之間的頻率範圍之一帶通濾波器過濾經取樣信號。此頻率範圍之微動作信號對區別使用者最有用。該帶通濾波器亦可抑制歸因於可由一感測器(諸如一加速度計)捕獲之自主或非自主移動之大振幅信號。若一加速度計被用作該感測器，則藉由信號處理補償或移除重力之影響。若一加速度計被用作該感測器，則藉由信號處理使經取樣信號位置不變或定向不變。微動作信號係可一致地用來擷取特徵值以用於使用者之間的比較之一位置不變的經取樣信號。
對微動作信號執行額外信號處理以產生可從中擷取之一NFP之值之一經信號處理的波形信號。選擇其等值將被擷取以表示NFP之預定特徵。可在執行額外信號處理之後從該經信號處理的波形信號、各微動作信號及/或從該兩者直接擷取一NFP之值。不管怎樣，擷取表示一使用者之一唯一NFP之唯一值，該唯一NFP將不同於由其他使用者產生之其他NFP。
可在數個不同應用中使用使用者之NFP。使用一分類器(各種資料挖掘技術可被用作該分類器)產生匹配結果值(例如，百分比)。使用產生經授權使用者校準參數之一初始NFP(一校準NFP)訓練/校準該分類器使得實現一校準匹配結果位準。此後，可在一使用者模式中結合該等經授權使用者校準參數使用該分類器。該使用者模式中之分類器產生匹配結果值以將一使用者鑑認為一經授權使用者或一未經授權使用者。回應於一預定存取匹配位準，一鑑認控制器可基於匹配結果值 判定一使用者是否為一經授權使用者。
數個此等信號處理步驟在本文中作進一步詳述。
信號取樣
現參考圖9，圖中展示一單軸(X、Y或Z)之一手加速度信號隨時間變化之一手加速度波形900。手加速度波形900之一部分901被放大為波形900T，如所展示。雖然類比信號波形可被展示於圖式中，但應瞭解，類比信號波形可隨時間變化經取樣且由依離散週期性時間戳記之一序列數字表示(一「數位波形」)。雖然一加速度計感測隨時間變化之加速度，但若一感測器替代地感測隨時間變化之移位，則可藉由二次區分隨時間變化之移位信號而將該移位轉換成加速度。
在一預定取樣時間週期905內對各軸之手加速度進行取樣，舉例而言，諸如10秒、20秒或30秒時間跨度。取樣頻率經選擇使得其與接續的過濾相容。例如，取樣頻率可係250Hz(在樣本之間係4毫秒)。替代地，取樣頻率可係例如330Hz或200Hz。由一取樣類比至數位轉換器對一類比信號執行取樣以在給定的預定取樣時間週期期間之時間戳記T1至TN內產生由一數字表示之樣本S1至SN。假定一20秒取樣時間週期及一250Hz取樣頻率，則在用於總計15k個樣本之時間週期內，一加速度資料集將包含3(3個軸)倍之5000個樣本。
對不相關信號之信號正規化
NFP之產生係基於三維不相關信號。用來感測震顫之3D加速度計係由一使用者之手握持之電子裝置之部分。如圖10A中所展示，裝置700及裝置軸Xd、Yd、Zd可由該使用者之手以相對於世界W及世界軸Xw、Yw、Zw之不同定向握持。據此，來自裝置軸Xd、Yd、Zd之3D加速度計之原始感測器資料係相關的。因此，來自裝置軸Xd、Yd、Zd之3D加速度計之原始感測器資料取決於電子裝置700之定向。使用主分量分析(PCA)執行一信號正規化程序以使各軸之3D加速度計資料 係定向不變或旋轉不變的且因此係不相關的。
在3D特徵空間中分析在一給定取樣時間週期內來自裝置軸Xd、Yd、Zd之3D加速度計之原始感測器資料之各資料集。判定各軸之三個本徵向量及本徵值。比較各本徵向量之本徵值以判定識別最大本徵向量之最大本徵值。接著，使資料集之點旋轉(在空間中變換點及其等資料值)使得最大本徵向量對準一預定軸且沿一預定軸。對於源自相同電子裝置700之3D原始感測器資料之所有資料集而言，該預定軸係恆定的。對於使用一3D加速度計實施NSP演算法之任何裝置而言，該預定軸甚至可係恆定的。該預定軸可例如係Zw世界軸。沿該預定軸對準各資料集之最大本徵向量變換了原始感測器資料中之3D點之X、Y、Z分量使得其等係不相關且旋轉不變的。
例如，圖10B繪示加速度相對於一本徵向量1010A之一3D點1011A。形成本徵向量1010A(包含點1011A)之資料集在3D空間中旋轉至與Zw世界軸對準之本徵向量1010B。因此，點1011A及其X、Y、Z分量值在3D空間中變換至點1011B及其X’、Y’、Z’分量值。
信號抑制/擷取/過濾
此NFP演算法具體從與受或不受周邊結構(例如，肌肉、骨骼、腺等)影響之大腦皮層、其皮層下部分、小腦、中樞神經系統之運動控制有關的經變換感測器資料信號擷取震顫或微動作，且抑制經變換感測器資料信號之不想要的部分。
據此，需要從經變換手加速度信號產生或擷取一微動作信號。然而，經變換手加速度信號可在其內具有可經抑制、經移除或經濾除之數個不合意信號。例如，握持電子裝置之一手通常伴隨大移動而移動，諸如從一人之口袋/錢袋或口袋移動該電子裝置使得一小鍵盤係可存取的且一顯示螢幕係可見的。
大加速度擺動902可歸因於此等大移動而發生，如圖9中所展 示。在一些情況下，來自一使用者之大動作(微動作)之一信號之此等大擺動可用作一行為輪廓，諸如在由Geoff Klein於2012年1月5日申請、標題為「METHOD AND SYSTEM FOR UNOBTRUSIVE MOBILE DEVICE USER RECOGNITION」之美國專利申請案第13/823107號中所描述。然而，由於此等大擺動與一神經肌肉震顫相關聯的微動作關係不大，故在此情況下需要在信號處理及產生一使用者之一唯一NFP期間抑制或移除此等大擺動。
可抑制諸如歸因於大擺動902引起之不想要的信號分量。該等大擺動可來自與一使用者所處之建築物或結構有關的振動或來自該使用者在握持具有加速度感測器之電子裝置時實際上執行之動作。
多數建築物及結構係依3Hz與6Hz之間的一頻率諧振。據此，來自建築物及結構之振動係在合意頻率範圍外(例如，在8Hz至30Hz之範圍外)且不可能使具有該範圍之合意信號諧振及污染該合意信號。隨後將濾除3Hz至6Hz之範圍中之信號。
一使用者之大尺度動作(大幅動作)包含帶著電子裝置跳躍、帶著電子裝置移動一人之臂、帶著電子裝置轉向、散步、跑步、慢跑及帶著電子裝置之其他大身體移動。一使用者之大尺度動作(大幅動作)通常對產生NFP不利。NFP演算法不是基於手或身體架勢，NFP亦不是基於動作譜系/庫。
一使用者之大尺度動作(大幅動作)形成例如圖9中所展示之大尺度信號擺動902。一使用者之大尺度動作不可能在嘗試於鑑認程序期間再生一NFP時重複。一使用者之大尺度動作可在產生一NFP中不利地使一演算法或計算偏斜。據此，來自大尺度動作之大尺度信號被部分抑制或藉由針對所要頻率範圍執行之帶通濾波從經獲取資料濾除。在相對較長時間週期內，來自大尺度動作之大尺度信號係高度相關的。歸因於神經系統之三維微動作係不密切相關的。據此，用來使三 維信號不相關的後續信號處理將抑制來自大尺度動作之大尺度信號。
亦可使用抑制/濾除來自所要信號、歸因於一使用者之大尺度動作之大尺度信號之替代方式。電子信號可經分析且接著被分類/識別為從微動作之小信號振幅分出之小信號及大信號。分析可為在以下文獻中描述之形式：由Richard J.Povinelli等人在2004年6月6日於《IEEE知識與資料工程期刊(IEEE Transactions on Knowledge and Data Engineering)》第16卷發表之「Time Series Classification Using Gaussian Mixture Models of Reconstructed Phase Spaces」。替代地，可藉由使用如在附錄中所附之文獻中描述之一BMFLC-Kalman濾波器對歸因於自主動作之大信號進行一分離：由Kalyana C.Veluvolu等人於《感測器(Sensors)》，2011，第11卷第3020至3036頁發表之「Estimation of Physiological Tremor from Accelerometers for Real-Time Applications」。
放大的手加速度波形900T更多係表示包含可從中產生一感興趣的微動作(微加速度)信號之震顫之一加速度信號。波形900T具有感興趣的頻率範圍外之數個頻率分量。例如，信號中之感興趣頻率範圍係從8Hz至12Hz及/或從8Hz至30Hz。此等頻率範圍與多數人應常有之已知震顫相關聯。
現參考圖11A，圖中展示具有一濾波器回應之一帶通濾波器(BFP)，其中在所要頻率範圍之端處具有一下截止(LC)頻率及一上截止(UC)頻率。BPF係依用來過濾一數位信號之一數位有限脈衝回應(FIR)帶通濾波器之形式。此BPF將從由感測器捕獲之原始電子信號濾除不合意頻率信號分量以產生所要頻率範圍中之一感興趣的微動作加速度信號。可並行使用三個BPF，各軸信號一個BPF。替代地，一個BPF可在各軸之間係分時的。
現參考圖11B，具有LC頻率之一數位高通濾波器(HPF)及具有UC 頻率之一數位低通濾波器(LPF)可經串聯地組合以在產生感興趣的微動作加速度信號中實現類似於數位FIR帶通濾波器之一結果。替代地，具有UC頻率之一低通濾波器及具有LC頻率之一高通濾波器可經串聯地組合以實現一類似合成信號輸出。
使用處理器對微動作信號執行額外信號處理以產生NFP。
對加速度計感測器之重力校正
需要移除重力對由加速度計捕獲之三維加速度計資料之影響。正因如此，經產生NFP大致上獨立於裝置定向。一專用三維觸控板感測器可不受重力之影響。在此情況下，由一觸控板感測器在一使用者手指觸控其時捕獲之三維資料無需遵循此等步驟。
重力加速度係一常數。據此，預期重力對頻譜之影響係接近零頻率之一固定向量。重力充當一零頻率DC分量，因此一人將預期其將實現朝向低信號頻率(低於1Hz)之一洩漏。
現參考圖12A，依低於1Hz(例如，0.25Hz)之一截止頻率之一高通濾波器可用來補償重力且改良使用一NFP之辨識之準確度。具有重力效應之一微動作信號被耦合至具有一高通濾波器回應之重力高通濾波器(HPF)中，其中一截止(CO)頻率小於1Hz但大於0Hz。來自重力HPF之信號輸出係無重力效應之微動作信號。
現參考圖12B，用來消除重力影響之另一方式係變換各資料集之3D加速度資料點(ADP1至ADPN)之座標。首先判定在預定取樣週期內3D加速度點(X、Y、Z信號)之經取樣資料集之重心CG之XYZ座標。接著，給定資料集中之3D加速度點之座標經歷一平移變換使得重心係在(X=0，Y=0，Z=0)座標或軸原點處。在此情況下，整個資料集經歷一平移變換。
用來消除重力對加速度信號之影響之又一方式將係以分析方式校正在3D加速度計資料中引發之相移之一重力向量。可從原始3D加 速度信號判定該重力向量。接著，該3D加速度計資料可沿回應於該重力向量之一個方向減弱且沿該重力向量之相反方向增強。
經過濾微動作波形
在進行過濾及抑制以移除不想要的信號且進行變換以補償重力或關係之後，形成所要微動作信號。
現參考圖13A，一波形圖展示歸因於重力及定向差異而彼此偏移之原始加速度波形資料1301至1303之三個軸。圖13B繪示在抑制/移除/過濾來自經捕獲加速度感測器資料之不想要的信號之後三個軸之加速度波形資料。圖13B中之加速度波形資料表示微動作信號波形。若使用一3D觸控敏感感測器而非一3D加速度計，則三個軸中之一移位波形可係合成信號。雖然圖13A至圖13B展示四秒之一取樣，但可使用更多或更少時間之取樣週期。
存在對應於由3D加速度計感測之加速度之三個軸或由3D觸控板感測器感測之移位之三個軸的微動作信號之三個軸。該微動作信號之三個軸定義可繪製之三維點x(t)、y(t)、z(t)。可在取樣時間週期內將一使用者之三維微動作信號x(t)、y(t)、z(t)進一步處理成相位(t)、y(t)、z(t)並繪製於諸如圖2A至圖2C中所展示之一三維龐加萊相位散點圖中。
不同使用者之三維龐加萊相位散點圖表明：微動作信號具有可用來識別並鑑認一使用者之唯一型樣。可從龐加萊相位散點圖獲得各使用者之一唯一型樣。可從微動作自身之時間序列獲得各使用者之另一唯一型樣，而無需任何相位資訊。然而，更容易的是，使用一信號處理器及數位信號處理演算法以從信號自身擷取一唯一型樣。
NFP鑑認控制器
現參考圖14A，圖中展示一NFP鑑認控制器810之一方塊圖。NFP鑑認控制器810包含一信號處理及特徵擷取器模組1401(可分成兩個 單獨模組)、一NFP鑑認分類器模組1402及一授權(鑑認)控制器模組1404。NFP鑑認控制器810可進一步包含用於諸如藉由一小鍵盤進行多因素鑑認之一選用二次鑑認模組1406。可藉由由一處理器、硬接線電子電路或各者之一組合執行之軟體/韌體指令實施該等模組之一或多者。
NFP鑑認控制器810可進一步包含：耦合至分類器1402之一非揮發性儲存裝置1453及用來儲存資料(諸如使用者校準參數1466)之授權(鑑認)控制器模組1404；存取匹配(AM)位準1456A、強制性重新校準(MR)位準1456B、自主重新校準(VR)位準1456C(被統稱為匹配百分比位準1456)；及一鑑認啟用位元(EN)1455。替代地，非揮發性儲存裝置1453可在NFP鑑認控制器810外部，但作為一安全獨立的非揮發性儲存裝置或一更大非揮發性儲存裝置之一安全部分保持於電子裝置內部。
NFP鑑認控制器810接收在各取樣週期內之各資料集中之微動作資料樣本1450之三維。將微動作資料樣本1450耦合至信號處理及特徵擷取器模組1401中。信號處理及特徵擷取器模組1401對微動作資料樣本1450執行信號處理及信號分析以針對各自三維(X、Y、Z)之各者擷取複數個經擷取特徵1460X、1460Y、1460Z。經擷取特徵1460X、1460Y、1460Z共同表示耦合至NFP鑑認分類器模組1402中之NeuroFingerPrint(NFP)1460。
NFP鑑認分類器模組1402接收NFP 1460(來自微動作資料樣本1450之經擷取特徵)，且產生一匹配百分比(MP)信號輸出1465。在一使用者模式中，將匹配百分比信號1465耦合至鑑認控制器1404中。在一校準或訓練模式中，匹配百分比信號1465供電子裝置中之一處理器使用以回應於對初始使用者校準參數1466之選擇評估匹配百分比信號1465。預期NFP鑑認分類器模組之訓練/校準及初始使用者校準參數1466之產生之持續時間介於5秒與10秒之間。預期在該使用者模式 中，花費不足5秒來感測一使用者之一身體部分中之動作及判定是授予還是拒絕該存取。
在該校準或訓練模式中，一經授權使用者可產生使用者校準參數1466之一或多個集使得NFP鑑認系統在不同條件下操作。例如，一使用者可能想要將電子裝置握持於任一隻手中且已被授予存取。在左手與右手之間或在不同手指之間，震顫將係不同的。使用者可能想要將NFP鑑認系統校準至左手及右手兩者或複數根手指。此外，在一些情況下，一個以上使用者將使用一電子裝置。在此情況下，多個人可係經授權使用者且將需要進行並儲存多次校準。因此，儲存裝置1453可儲存相同經授權使用者或不同經授權使用者之使用者校準參數之複數個集。
鑑認啟用位元(EN)1455耦合至鑑認控制器1404中。鑑認啟用位元(EN)1455可用來在初始校準或訓練模式之後啟用鑑認控制器1404。在初始校準或訓練模式之後，設定鑑認啟用位元(EN)1455且啟用鑑認控制器1404。在該初始校準或訓練模式之後，不在該使用者模式或一重新校準模式中重設鑑認啟用位元(EN)1455。除非擦除整個電子裝置連同該啟用位元，否則藉由啟用位元1455啟用鑑認控制器1404以便增強安全性。
在該使用者模式中，匹配百分比信號1465供鑑認控制器1404使用以評估是否授予對電子裝置及其軟體應用程式之存取。評估匹配百分比信號1465與存取匹配位準1456A以產生存取授予(AG)信號1499。若匹配百分比信號1465大於或等於存取匹配位準1456A，則產生依一邏輯位準之存取授予(AG)信號1499以發信號通知已授予存取。若匹配百分比信號1465小於存取匹配位準1456A，則不產生存取授予(AG)信號1499且不授予存取。存取授予(AG)信號1499耦合至處理器以便使得經授權使用者能夠控制並操作電子裝置之功能。
若使用該選用二次鑑認模式，則將一二次匹配(SM)信號1468耦合至鑑認控制器1404中。在此情況下，鑑認控制器1404就是否產生存取授予(AG)信號1499進一步評估二次匹配信號1468。鑑認控制器1404可使用AND邏輯以在產生該存取授予信號之前滿足兩個條件。替代地，鑑認控制器1404可使用OR邏輯以需要在產生該存取授予信號之前滿足兩個條件。
回應於來自處理器之一非作用重啟信號1470，鑑認控制器1404維持存取授予信號1499處於一作用狀態(只要使用者使用電子裝置)且避免一睡眠狀態或一超時以進入一受保護狀態。若發生該睡眠狀態或超時，則由處理器對重啟信號1470施以脈衝。回應於該脈衝式重啟信號，授權(鑑認)控制器模組1404撤銷啟動存取授予信號1499使得一使用者必須使用電子裝置之NFP鑑認系統重新鑑認他自己/她自己以獲得存取。
現參考圖15，圖中展示與沿X軸之匹配百分比信號1465相比之匹配百分比位準(MP)1456之一圖表。Y軸指示由鑑認控制器1404產生存取授予(AG)信號1499及是否對一可疑使用者授予存取。
在該使用者模式中，匹配百分比信號1465供鑑認控制器1404使用以評估是否授予對電子裝置及其軟體應用程式之存取。評估匹配百分比信號1465與存取匹配位準1456A。若匹配百分比信號1465處於或高於存取匹配位準1456A，則由鑑認控制器1404產生存取授予(AG)信號1499。若匹配百分比信號1465低於存取匹配位準1456A，則鑑認控制器1404不產生存取授予(AG)信號1499。
現參考圖14A及圖15，鑑認控制器1404亦可產生一或多個重新校準信號以在NFP鑑認分類器1402無法產生處於或高於存取匹配位準1456A之匹配百分比信號1465之一位準之前，通知使用者藉由對於經授權使用者再生使用者校準參數1466來重新校準NFP鑑認系統。
在該訓練或校準模式中，藉由初始使用者校準參數1466來訓練/ 校準NFP鑑認分類器1402使得NFP鑑認分類器1402產生處於可為或接近100%(諸如98%)之一校準位準1457之匹配百分比信號1465之一位準。在訓練之後，在該使用者模式中，由一使用者隨時間變化產生之NFP可隨著他/她的身體年齡、疾病或影響身體之生理狀況之其他原因而變化。據此，匹配百分比信號1465可隨時間流逝從校準位準1457減小。使用週期性重新校準來重設使用者校準參數1466使得匹配百分比信號1465恢復至校準位準1457。取決於使用者年齡、健康狀況及身體之其他生理狀況，一使用者通常可或多或少需要週期性重新校準。
在該使用者模式中，NFP鑑認分類器1402供鑑認控制器1404使用以評估是否需要重新校準。重新校準之判定係回應於強制性重新校準(MR)位準1456B及自主重新校準(VR)位準1456C。強制性重新校準(MR)位準1456B小於自主重新校準(VR)位準1456C及校準位準1457兩者。自主重新校準(VR)位準1456C小於校準位準1457。
重新校準需要首先將使用者驗證為一經授權使用者，首先必須對電子裝置授予存取以進入該使用者模式並進行重新校準。若該裝置被一未經授權使用者竊取，則該未經授權使用者將不被授予存取來重新校準該裝置。
若匹配百分比信號1465降至低於自主重新校準(VR)位準1456C，則由鑑認控制器1404產生一自主重新校準信號1471。在此情況下，電子裝置透過其使用者介面通知使用者：他/她應暫停並花費一些時間來藉由再生使用者校準參數1466自主地重新校準NFP鑑認系統。預期多數使用者將自主地選擇重新校準NFP鑑認系統。然而，一些經授權使用者將選擇等待、忘記警告或完全忽視警告。
對於不自主地重新校準NFP鑑認系統之該等經授權使用者，可迫使其等經歷一強制性重新校準程序。若匹配百分比信號1465進一步減小並降至低於強制性重新校準(MR)位準1456B，則由鑑認控制器1404 產生一強制性重新校準信號1472。在此情況下，在經授權使用者藉由NFP鑑認分類器1402被驗證且藉由鑑認控制器1404被授予存取之後，電子裝置立即進入一重新校準模式，透過其使用者介面通知使用者藉由繼續適當地握持該裝置或適當地觸控一按鈕來準備並執行重新校準程序。進一步通知使用者：NFP鑑認系統正執行重新校準並繼續等待直至重新校準完成為止且隨著再生使用者校準參數1466以產生處於或高於校準位準1457之匹配百分比信號1465已成功地重新校準NFP鑑認系統。
若一段時間不使用電子裝置，則匹配百分比信號1465可進一步減小並降至低於存取匹配(AM)位準1456A。在此情況下，經授權使用者可被拒絕存取。據此，存取匹配(AM)位準1456A之值之選擇係重要的使得經授權使用者不容易被拒絕對電子裝置之存取，而未經授權使用者被拒絕存取。需要產生NFP信號1460，該NFP信號1460係由模組1401產生並耦合至NFP鑑認分類器1402中，對一使用者之變動不太敏感(例如，老齡化、疾病)使得重新校準係不太頻繁的。據此，需要選擇模組1401之信號處理及特徵擷取演算法使得在產生NFP中敏感度係低的且不太可能隨時間改變。
依遞增次序之匹配百分比位準(MP)1456之例示性設定為：存取匹配(AM)位準1456A係85%，強制性重新校準(MR)位準1456B係90%，且自主重新校準(VR)位準1456C係95%。因此，由電子裝置之使用者介面通知一使用者在需要執行一強制性重新校準之前執行一自主重新校準。
在需要使用者進行強制性重新校準之情況下，若電子裝置被積極地使用，則應避免NFP鑑認系統拒絕對電子裝置之存取。若電子裝置被擱置一段時間(例如，一或多年)，則可能需要一使用者將電子裝置擦乾淨，重新初始化NFP鑑認系統，且諸如從一備份重新載入應用 程式及/或資料。
現參考圖14A至圖14B，圖中展示用於一NFP鑑認分類器1402之一模型。根據一項實施例，該模型係可呈線性之一回歸分析模型。在替代實施例中，用於NFP鑑認分類器1402之回歸分析模型可係非線性的。在一訓練或校準模式期間，由信號處理及特徵擷取模組1401擷取來自一經授權使用者之微動作信號之特徵以產生一校準NFP 1460，包含各軸之校準NFP資訊1460X、1460Y、1460Z。
將各軸之校準NFP資訊1460X、1460Y、1460Z置於一單列NFP矩陣1452中。經授權使用者校準參數1466之適當值係未知的。可隨機地將使用者校準參數1466之值設定至一單行校準矩陣1454中。由處理器執行矩陣乘法以使單列NFP矩陣1452及單行校準矩陣1454相乘以獲得一匹配百分比值1465。
在校準/訓練期間，處理器搜出將置於單行校準矩陣1454中以產生匹配百分比1465之一預定值之使用者校準參數1466。此預定值被稱為校準位準1457。例如，校準位準1457可設定至90%。在此情況下，處理器搜出經授權使用者校準參數1466之值使得在與NFP 1460相乘時，自分類器輸出之匹配百分比1465係90%或更大。
一旦經授權使用者校準參數1466經設定並儲存於電子裝置中，NFP分類器1402隨即使用經授權使用者校準參數1466以乘以從一未知使用者或經授權使用者產生之後續經再生NFP。
若一人員隨後無法產生大致上類似於校準NFP之一經再生NFP，則在使用者校準參數1466乘以一不同經再生NFP時，由分類器1402產生之匹配百分比1465之值將係低的。授權(鑑認)控制器模組1404可經設定使得匹配百分比1465之低值對產生一明顯不同的經再生NFP之未知人員拒絕存取。
若一人員隨後產生一NFP(大致上類似於校準NFP之一經再生 NFP)，則在使用者校準參數1466乘以該經再生NFP時，由分類器1402產生之匹配百分比1465之值將係高的。授權(鑑認)控制器模組1404可經設定使得高於一存取匹配位準1456A之匹配百分比1465之高值授予對一電子裝置之存取。
用來產生NFP之信號處理及特徵擷取
現參考圖13A，圖中展示來自一3D加速度計之三維加速度資料之一原始未經過濾樣本。對於電子裝置之X、Y及Z軸，對於三維之各者捕獲原始信號1301至1303。隨著一些預處理、帶通濾波及重力補償，圖13B中所展示之微動作信號波形1311至1313可分別由原始信號1301至1303形成。接著，可對微動作信號波形1311至1313執行進一步信號處理以針對加速度資料之給定樣本形成一NFP。存在用來從微動作信號產生一NFP之各種方式。一旦經校準/經訓練，一電子裝置中之NFP鑑認系統隨即使用產生該NFP之一致方法。
三維微動作信號與存在於使用者中之一常見震顫相關。存在隱藏於微動作信號之時域中之一型樣，該微動作信號因其起源於各使用者之神經肌肉機能而為他/她所獨有。需要藉由對微動作信號執行信號處理且接著從微動作信號擷取特徵以形成一NFP來突出該型樣。接著可在一訓練或校準程序期間使用一校準NFP來產生經授權使用者校準參數。出於使用者鑑認之目的，隨後可使用該等經授權使用者校準參數以對經再生NFP進行分類並區別已知的經授權使用者與未知的未經授權使用者。
然而，在可將一NFP用於鑑認之前，使用該NFP以藉由產生經授權使用者校準參數之一集來訓練或校準一分類器之一模型。隨後，結合該分類器模型使用經授權使用者校準參數之此集以評估由感測器從未知人員捕獲之未來NFP(經再生NFP)。可使用各種信號處理演算法以從微動作信號擷取資料作為NFP。
可使用一逆譜分析偵測隱藏於微動作信號中之型樣，舉例而言，諸如圖13B中所展示之微動作信號波形1311至1313。執行該逆譜分析以便恢復與時間變動有關的未知信號分量。
一種類型之可用逆譜分析係一倒譜分析。倒譜分析係用於偵測一頻譜之週期性之一工具。可使用該倒譜分析來偵測重複型樣、其等週期性及頻率間隔。
通常，一倒譜係進行一信號之經估計頻譜之對數之逆傅立葉變換(IFT)之結果。
如由以下方程式展示，一信號之一功率倒譜可被定義為一信號之傅立葉變換之平方量值之對數的逆傅立葉變換之平方量值。
信號之功率倒譜=|F -1 {log(|F{f(t)}| 2 )}| 2
首先，使用一快速傅立葉變換取得微動作信號(諸如圖13中所展示之微動作信號)之一傅立葉頻譜。數學上，此可藉由使用以下方程式執行一傅立葉變換而完成
Figure 105103826-A0305-02-0043-3
 其中ξ表示實頻率(以赫茲為單位)值且獨立變數x表示時間，為變換變數。使用可對一信號進行數位取樣之軟體或數位電路，可使用由以下方程式表示之一離散時間傅立葉變換(DFT)
Figure 105103826-A0305-02-0043-4
對微動作信號之傅立葉變換之結果係譜密度(功率譜或傅立葉譜)。圖16繪示針對手處之一震顫、隨時間變化之加速度所呈現之一譜密度之一實例。應注意，一生理震顫之預期峰值(P)信號分量係處於約10Hz至12Hz之一峰值頻率(PF)。然而，在針對震顫之譜密度曲線中仍存在諸多有用的隱藏型樣(HP)資訊。
譜密度(功率譜)係一信號之分量頻率之一複合物。即，存在組合在一起以形成譜密度曲線之眾多信號頻率。需要有效地分出信號頻率以展示一型樣。藉由該譜密度繪示之信號複合物係等效於構成信號之乘積之一信號卷積。
採用一卷積之對數將該譜密度有效地轉成構成信號之一總和而非一乘積。此外，該譜密度之一對數(或該譜密度之平方之一對數)突出隱藏型樣(HP)資訊可存在於其中之譜密度曲線中之較低振幅頻率分量。採用該譜密度之一對數有效地使譜密度信號之大信號振幅壓縮且使譜密度信號之較小振幅擴展。
然而，難以看見藉由一對數變換產生之信號波形之週期性及型樣。據此，對該對數信號波形執行一逆傅立葉變換(IFT)使得未知頻率分量及隱藏型樣係可見的。該對數變換之逆傅立葉變換使微動作信號波形之譜密度中之複合信號之分量分離。
圖17A至圖17B繪示圖13B中所繪示之微動作波形所呈現之一倒譜。此合成波形係在進行譜對數之逆傅立葉變換(IFT)之後產生。倒譜在該合成波形中產生一系列經大致上解析的未知信號分量。特徵之一型樣之值可從該合成波形中之各軸(維)擷取且用作用來識別一使用者之一NFP。注意，圖17A至圖17B中所展示之倒譜波形之水平軸係率頻且不是時域中之一時間度量。
通常，逆傅立葉變換係可針對一函數g之變數值對該函數g求積分之一積分。在此情況下，逆傅立葉變換可由以下方程式表示：
Figure 105103826-A0305-02-0044-5
為了恢復一離散時間資料序列x[n]，可使用一逆離散傅立葉變換(IDFT)。
Figure 105103826-A0305-02-0045-6
(在任何長度間隔1/T內之積分)
Figure 105103826-A0305-02-0045-7
(在任何長度間隔2π內之積分)
使用一逆快速傅立葉變換(IFFT)，方程式變為
Figure 105103826-A0305-02-0045-8
 其中藉由n=0至N-1對N個樣本之一序列f(n)編索引，且離散傅立葉變換(DFT)被定義為F(k)，其中k=0至N-1。
Figure 105103826-A0305-02-0045-9
圖17A至圖17B繪示一三維倒譜波形信號1700之一實例。波形信號1700係對微動作信號執行一倒譜分析從而導致倒譜信號波形1701、1702、1703之結果，微動作信號之各維具有一個倒譜信號波形。倒譜波形信號1700具有與其相關聯且可容易用來識別一使用者之不同特徵。例如，倒譜波形信號1700之前N個峰值可係用來從各倒譜波形信號1700擷取以識別一使用者之預定特徵。該等峰值因其等高變動而被選擇，因此其等係不同特徵。對於各使用者，前N個峰值之率頻及振幅之值可用作各自使用者之NFP。N個峰值之率頻及振幅之值可用作回應於經授權使用者校準參數輸入至分類器模型中以產生匹配百分比(MP)之NFP。
其他特徵可經選擇且使其等值從微動作信號之倒譜擷取。其他信號處理可經執行使得微動作信號中之額外特徵或型樣變得顯而易見且可用於產生一NFP。對於一NFP鑑認系統而言，使用哪些特徵來擷取值之一致性係關鍵所在。該等特徵應係預定的。相同特徵(例如，前N個峰值)應在一校準/訓練模式期間結合一校準NFP使用且在一使用者模式中時形成來自新樣本集之經再生NFP。
例如，在圖17A中可看出，在各軸上處於其等各自率頻(quefrequencies/quefrencies)及振幅之前五個峰值P1、P2、P3、P4、P5(例如，從3個軸/3條曲線及5個峰值，總計3×5個振幅值)具有可用來不同地識別一使用者之一大變動。前五個峰值P1、P2、P3、P4、P5之振幅及率頻在從一不同使用者捕獲時將明顯不同。因此，可使用對於前五個峰值P1、P2、P3、P4、P5擷取之振幅及率頻來區別使用者身份，舉例而言諸如圖18A至圖18B中所展示。雖然在此實例中使用前五個峰值，但其不是對實施例之一約束或一限制，此係因為更少峰值、額外峰值或複數個其他特徵可經選擇以形成NFP。
在前五個峰值P1、P2、P3、P4、P5係用來從倒譜信號波形擷取值之預定特徵之情況下，可對於具有微小變動之相同使用者反覆再生NFP。若一不同使用者產生他/她的NFP，則預定特徵之經擷取值將大致上變動。可使用一經授權使用者之NFP與一不同使用者之NFP之間的實質變動以授予對該經授權使用者之存取且拒絕對該不同使用者之存取。
從一倒譜波形擷取之前N個特徵可用來再生一NFP且供NFP鑑認分類器使用來對與經授權使用者校準參數之匹配進行分類。選擇倒譜中之較前特徵(諸如前N個(例如，N為3至5)峰值或其他係數)可減小取樣週期，但仍表示信號之大部分變動。例如，此前N個係數可藉由憑藉PCA分析規劃N個特徵而擴展成128個經擷取特徵，且因此變為128個經擷取特徵之線性組合。
在5秒、10秒或20秒之一取樣週期內，從倒譜波形擷取之值係預定特徵之位置(率頻)及其等各自振幅。若預定特徵係例如前五個峰值，則將各軸之振幅及率頻之值擷取為NFP。此方法彙總一取樣週期內之時間。
可近即時分析倒譜，而非彙總該取樣週期內之時間。例如，在 此情況下，可根據時間選擇並繪製依一個率頻之一個峰值。例如，可選擇依圖17A中之一率頻8之峰值P1。接著可根據時間繪製依率頻8之各軸振幅之3D座標。依其他率頻之其他特徵可經進一步選擇，因此存在N個頻率(例如，128個「率頻」)，因此可使用一最近鄰分析、一線性或二次分析執行一n空間分析，其中例如n係128。
然而，128個率頻之一分析係一挑戰。藉由檢查一波形中之最大變動在何處，該分析可變得更簡單且縮減計算時間。吾人可採用前3、5或10個率頻(quefrequency/quefrency)位置且在資料空間之3、5或10維中執行一主分量分析(PCA)。接著，可例如對此受限資料空間執行一最近鄰分析以擷取NFP值。
特徵擷取及產生NFP值之另一方式可在未根據時間對每個率頻之資料點進行3D繪製之情況下完成。一人可將率頻、振幅及時間當作一向量之真座標。N個率頻可經選擇以將振幅及時間繪製為維度。接著，可在任何給定時間針對經解析頻率繪製此等向量。此產生可經分析以擷取NFP值之該等經擷取特徵之一時間序列。
特徵擷取及產生NFP值之另一方式係在不同時間擷取該等頻率(率頻)、振幅(如每秒50次提醒：在16Hz與30+Hz之間，感興趣且相關的原始信號係帶通的)。在幾秒內，產生可用作NFP之擷取值之一系列數字。依不同時間點而非不同率頻之值可經擷取且用作NFP。
雖然本文中描述倒譜信號處理，但可對微動作信號使用其他信號處理演算法使得其他型樣出現於一不同波形中。不同特徵可從該波形信號擷取且用來定義用於NFP鑑認分類器之一NFP。不同經擷取特徵可用作回應於經授權使用者校準參數輸入至一模型中以產生匹配百分比(MP)之NFP。
現參考圖18A至圖18B及圖19A至圖19B，圖中展示不同使用者之不同NFP之一單軸之實例。可由兩個或更多個額外維度提供額外維 度。
圖18A至圖18B繪示基於兩個不同使用者之率頻之一單軸之不同NFP之實例。在圖18A至圖18B之各者中，五個經擷取峰值P1至P5之一或多者依不同率頻F1至F5以不同振幅出現。據此，各使用者之NFP係不同的。圖19A至圖19B繪示基於兩個不同使用者之時間之一單軸之不同NFP之實例。在圖19A至圖19B之各者中，五個峰值P1至P5之一或多者在不同時間T1至T5以不同振幅出現。據此，各使用者之NFP係不同的。
倒譜信號波形之前五個峰值係針對各使用者從各使用者之不同微動作信號擷取之預定特徵。前五個峰值之定位及振幅之值區別一個使用者與另一使用者，其類似於一門鑰匙中之齒及切口如何區別鑰匙。經授權使用者校準參數表現得有點像接合一門鑰匙中之齒及切口之一鎖之轉臂(tumbler)。若該門鑰匙中之齒及切口係錯誤的，則該門鎖之轉臂將不正確地接合而無法開鎖。在一個以上維度(例如，3個軸)用於特徵擷取之情況下，NFP變得更獨特。圖14B繪示在從微動作信號1460X、1460Y、1460Z擷取以形成NFP 1460之特徵之三維之外擷取的特徵之值之一經添加維度AD 1460A。
雖然可使用3D加速度或3D移位值，但時間可係另一添加的維度。在一個時間點，3D值將具有一個振幅，而在另一時間點，其等將具有另一振幅。
訓練/校準
現參考圖14B，一NFP 1460之一或多個維度及使用者校準參數(若經訓練)耦合至NFP鑑認分類器1402中。用於該NFP鑑認分類器之演算法係一資料挖掘演算法，諸如一線性回歸演算法、一非線性回歸演算法、一線性二次演算法、一二次方程式演算法、一最近鄰分類器或一k×N最近鄰分類器。一線性回歸演算法被展示為具有xM個元件或 xM行之一個一列矩陣1452與具有xM列之一個一行矩陣1454相乘。一列矩陣1452表示具有用於一或多個維度之各者之經擷取特徵之值之NFP 1460。一行矩陣1454表示經授權使用者校準參數1466。在此情況下，乘法提供一匹配百分比之一值。在訓練/校準期間，使用者校準參數1466經調整以將一校準位準形成為匹配百分比(MP)輸出1465。
NFP鑑認分類器1402在使用之前由一經授權使用者進行訓練/校準。一旦初始訓練/校準完成，未經授權使用者隨即無法訓練或重新校準分類器1402。在一或多個取樣週期期間由加速度計捕獲微動作信號，其中電子裝置在一使用者之手中或使用者按下一觸控感測器。對一加速度計之校準可伴隨左手或右手或兩隻手發生。對一觸控感測器之校準可伴隨各手之一或多根手指發生。
微動作信號係使用信號處理演算法經處理且特徵係從合成波形擷取作為本文中被稱為校準NFP之NFP校準樣本。在訓練/校準期間，使用NFP校準樣本來查找與經授權使用者相關聯的經授權使用者校準參數1466且訓練/校準分類器以產生一所要校準匹配百分比位準。在已產生並安全地儲存經授權使用者校準參數1466之後，出於安全原因而放棄校準NFP。由於不保存校準NFP，故需要在使用者模式中針對一使用者再生一NFP(其被稱為經再生NFP)以獲得對電子裝置之存取。在裝置鑑認已經重新制定以鎖定裝置而不被存取之後，需要由經授權使用者再生該NFP。
經再生NFP係使用來自使用者之神經力學微動作之另一樣本且藉由從一儲存裝置重新叫用經儲存的經授權使用者校準參數而產生。接著出於鑑認目的而使用經再生NFP以獲得對電子裝置之存取。使用經再生NFP，經授權使用者校準參數可能提供一高匹配百分比使得可能再次授予對電子裝置之存取。如同校準NFP被放棄，經再生NFP在暫時用來量測鑑認之後不被保存。隨後出於安全原因而放棄經再生 NFP，且產生下一經再生NFP並評估其與經授權使用者校準參數之匹配百分比。若經再生NFP被分類為具有大於或等於存取匹配位準之一匹配百分比，則授予對電子裝置之存取。
取決於由分類器1402使用之演算法，NFP鑑認分類器之訓練可係線性的或不是線性的(即，非線性的)。
為了校準分類器1402，針對校準匹配百分比位準選擇一預定值。該校準匹配百分比位準之預定值可係100%或更小。然而，該校準匹配百分比位準之預定值應高於所要授予存取匹配(AM)位準。
鑑於NFP校準樣本，電子裝置中之處理器瀏覽使用者校準參數之測試序列以便產生等於或大於該校準匹配百分比位準之預定值之一匹配百分比。在選擇產生等於或大於該校準匹配百分比位準之一匹配百分比之初始使用者校準參數之前，可要求使用者藉由繼續握持該裝置或繼續按下觸控敏感按鈕來產生額外微動作(表示NFP)。使用此等額外NFP來驗證該分類器是藉由使用者校準參數1466正確地訓練/校準。
在校準之後，進行實驗以判定在授予對經授權使用者之存取中之錯誤率。使用微動作信號之一倒譜信號分析，具有加速度計感測器之一手持電子裝置中之一經訓練分類器在辨識經授權使用者中具有7%之一錯誤率。此時，一經授權使用者93%被正確地辨識。據此，存取匹配(AM)位準需要設定至低於93%(舉例而言諸如80%)，使得該經授權使用者始終被授權存取電子裝置。
在微動作信號之倒譜信號分析結合一電子裝置中之一觸控敏感小鍵盤使用時，錯誤結果似乎有所改良。在一小樣本大小之使用者將其等PIN號碼輸入於一觸控敏感小鍵盤上時，藉由使用倒譜信號分析之方法來實現經授權使用者之100%辨識率。不管怎樣，存取匹配(AM)位準需要設定至低於100%(舉例而言諸如85%)，使得該經授權使用者始終被授權存取電子裝置。
倒譜信號處理及產生NFP之替代方式
用於信號分類任務之諸多既有時域方法係基於一相當簡單的潛在型樣或模板之存在(先驗已知或從資料得知)。然而，對於真實信號(如心臟、語音或電動馬達系統)，此一簡單型樣很少由於潛在程序之複雜度而存在。確實，基於頻率之技術係基於譜型樣之存在。從一隨機程序觀點，對微動作信號使用之基於頻率之信號處理技術將僅捕獲系統之一階特性及二階特性。
本文中所描述之倒譜分析可從加速度計資料擷取一些時間相關資訊，但此方法仍與頻率分散有關。由於在微動作信號中比普通頻率存在更多資訊，故其他信號處理技術及特徵擷取方法可能能夠改良一NFP之強度使得其不太敏感且不太可能隨時間改變。
替代地，例如可使用混沌分析來產生NFP。使用混沌學，一人可擷取關於倒譜描述之類比預定特徵。然而，此等預定特徵不是基於頻率，但具有時間軌跡。用於使用混沌分析擷取之例示性特徵係奇異吸引子之重心與其等碎形維度及李亞普諾夫指數(Lyapunov exponent)。可使用若干秒內(例如，5秒、10秒、20秒)之資料掃描以從微動作信號獲得此等特徵之值。
使用混沌分析之另一實例係在無IFT之情況下使用從各軸之譜之對數產生之波形信號。從該對數波形信號，振幅及時間可被當作一向量之真座標且在任何給定時間針對N個(例如，N等於128)經解析頻率進行繪製。重心、維數及李亞普諾夫指數可被擷取為表示NFP之值之一時間序列。
根據一項實施例，可產生NFP信號特徵可從中擷取並耦合至NFP鑑認分類器中之相位散點或龐加萊散點(例如參見圖2A至圖2C中所展示之龐加萊散點200A至200D)。在一相位散點或龐加萊散點之一軌道中比倒譜波形之軌道存在更多資訊。據此，有用的是，使用從經過濾 微動作資料流產生之相位散點或龐加萊散點，針對一NFP從該等相位散點或龐加萊散點擷取感測器資料中之特徵。
在又一實施例中，將一隱藏的馬爾可夫(Markov)模型分析用作信號處理模組以獲得更多特徵資訊作為NFP以耦合至選定分類器。一馬爾可夫模型係用來模型化隨機改變系統之一隨機模型，其中未來狀態僅取決於目前狀態且不取決於其之前事件之序列。通常，將一馬爾可夫鏈(一或多種狀態之一狀態空間)用作該馬該爾可夫模型。從一種狀態至另一種狀態之轉變係一無記憶隨機程序。下一種狀態僅取決於當前狀態且不取決於其之前事件之序列。一隱藏的馬爾可夫模型係僅可部分地觀察狀態之一馬爾可夫鏈。
現參考圖20，圖中繪示實施該隱藏的馬爾可夫模型分析之一狀態機2000。使用狀態機2000及隱藏的馬爾可夫模型以從微動作信號之一經信號處理波形擷取特徵且執行用來授予或拒絕存取之分類(或鑑認一使用者)。
狀態機2000包含狀態2001至2004及來自一經信號處理波形之經擷取特徵F1 2010A至Fn 2010N(例如，圖2A至圖2D中所展示之龐加萊散點)，其中N小於或等於10。狀態2001係一接受狀態，狀態2002係一重新校準狀態，狀態2003係一拒絕狀態，且狀態2004係一重設/初始化狀態。
存在可在狀態機2000之狀態2001至2004之間進行之狀態轉變。狀態轉變a1係從接受狀態2001至重新校準狀態2002。狀態轉變a2係從重新校準狀態2002至拒絕狀態2003。狀態轉變a3係從重新校準狀態2002至接受狀態2001。狀態轉變a4係從接受狀態2001至拒絕狀態2003。拒絕狀態2003亦可轉變至重設/初始化狀態2004。
從狀態2001至2003至特徵F1 2010A至Fn 2010N，存在輸出概率。從接受狀態2001至特徵F1 2010A至Fn 2010N，存在輸出概率Oa1 至Oan。從重新校準狀態2002至特徵F1 2010A至Fn 2010N，存在輸出概率Or1至Orn。從拒絕狀態2003至特徵F1 2010A至Fn 2010N，存在輸出概率Od1至Odn。
使用一隱藏的馬爾可夫模型，一人嘗試在不瞭解正被分析之系統之內部細節之情況下得到正確答案。該等答案係狀態2001至2003，其等非常複雜且基於混沌輸入。經擷取之N個特徵F1 2010A至Fn 2010N係唯一的可量測特徵。該等特徵可不同，諸如一重心或一系列李亞普諾夫指數、可從資料軌跡擷取之任何參數，該等特徵之各者與特定於三種狀態2001至2003之優勢率相關(例如，Oa1至Oan、Or1至Orn、Od1至Odn)。一人透過至第四狀態2004之轉變退出狀態機2002。第四狀態2004對應於系統重新初始化，諸如一完全重設。
在又一實施例中，基於重構相位空間(RPS)使用新信號分類方法執行一動力學系統信號分析。可將動力學不變量用作將在該信號分析之後擷取之特徵。預期此方法可捕獲更多資訊，從而導致更佳使用者辨識。
使用方法
如圖8A至圖8C中所展示，一人員握持電子裝置或觸控一或多個觸控敏感板以鑑認他自己/她自己。在一取樣週期之幾秒內，電子裝置中之一3D感測器(定位於不同軸上之3個感測器)感測歸因於使用者身體之生理狀況引起之使用者之手或手指中之振動或微動作。該3D感測器同時產生可經取樣並轉換成數位形式之三個電子信號。使用信號處理技術預處理並分析數位樣本以針對剛剛手持電子裝置或觸控觸控感測器之使用者即時產生一NFP。
回應於經授權使用者校準參數，接著可使用該NFP來評估握持或觸控電子裝置之人員是否為一經授權使用者。回應於經授權使用者校準參數，可將該NFP用作用來對資料檔案加密及解密之一金鑰。替代 地，可使用一有效NFP來鑑認一檔案是否由該經授權使用者簽署、書寫或創建。
可將使用者校準參數儲存於電子裝置中之一本機檔案或一本機儲存裝置中。替代地，可將使用者校準參數儲存於與一伺服器相關聯的一儲存裝置中之一遠端檔案中或儲存於網際網路雲端中之一儲存區域網路之一儲存裝置中。在無活體經授權使用者之手或手指之情況下，經授權使用者校準參數係無用的。在經授權使用者之手或手指不再生他/她的NFP之情況下，拒絕對電子裝置之存取。
用於NFP鑑認之應用
可使用NFP鑑認系統來控制對一電子裝置之存取。亦可使用NFP鑑認系統來控制對與該電子裝置相關聯的功能及由該電子裝置執行之軟體應用程式之存取。可使用NFP鑑認系統來控制對一遠端電子裝置之存取(即，其中對一本機裝置實行感測以判定對一遠端電子裝置之存取)。
可具有由NFP鑑認系統控制之存取之功能之實例包含但不限於登入、使用者受保護存取、電子交易及需要明確鑑認之任何其他本機功能。
例如，用於一NFP鑑認系統之安全應用包含電腦及軟體登入、電子商務、電子銀行業務及反詐騙應用。用於一NFP鑑認系統之人類控制應用之實例包含住宅自動化(domotic)鑑認及保護(住宅安全系統)、汽車安全及對限制區之專業進出。用於一NFP鑑認系統之醫療應用之實例包含對保健專業人士之一診斷協助(神經肌肉a.o.)、對患者之治療監測以及對儲存醫療記錄之資料庫之患者及醫生醫療鑑認(記錄、資料路由、...)。用於一NFP鑑認系統之健康及健全應用之實例包含保護一使用者之體質記錄。用於一NFP鑑認系統之遊戲應用之實例包含用於虛擬現實遊戲之安全特徵及/或模擬程式。
生物統計加密組合觸控辨識技術與實際資料儲存。資料係使用NFP進行加密使得其係不可讀取的，除非係資料之經授權使用者/擁有者。後門進出係不可避免的。然而，為可信人員之其他經授權使用者亦可使經授權使用者校準參數產生，使得萬一出現與原始使用者/擁有者相關的問題則其等被授予進出。
可在某些應用中嵌入觸控辨識技術。例如，觸控辨識技術可用於進出控制面板使得在由人類手或一人類手指觸控一表面時，可回應於不使用一鑰匙(無鑰匙)之使用者NFP授予或拒絕對一車輛、一建築物(例如，一住宅或辦公室)或一區(例如，一樓層)之進出。類似地，觸控辨識技術可用於握持於使用者之手中或由一手指觸控之一無線遙控鑰匙，使得可回應於不使用一鑰匙之使用者NFP授予或拒絕進出。觸控辨識技術可與指紋鑑認組合。在此情況下，一影像掃描器及觸控敏感板可一起用來同時捕獲一使用者指紋及使用者NFP兩者以用於在授予或拒絕進出中進行多次鑑認。
使用額外信號處理演算法，NFP之產生可經調適以監測一使用者之健康及健全以便進行健康修正。NFP再生之改變可減小指示一使用者健康之一退化之匹配百分比。另一方面，在再生NFP時匹配百分比之一增大可指示一使用者之健康及健全之一改良。該改變可用來發現及/或監測神經變性疾病(諸如阿茲海默氏症、帕金森症)或用於療效監測。該改變可用來獲得心率變異性之度量，可使用加速度計藉由在一使用者握持一裝置時擷取心脈之衝擊波來量測壓力及情緒狀態之關聯。該改變可用作可用於諸如視訊遊戲產業之虛擬現實眼鏡及護目鏡之一生理安全特徵。
如先前參考圖6所論述，微動作及從該等微動作產生之微動作信號可指示數種病理狀態。採用觸控技術/加速度計之一醫療裝置及一控制器可專注於分析與此等病理狀態相關聯的選定頻率以判定健康狀 況是健全還是退化。採用觸控技術之一醫療裝置亦可監測一NFP再生隨時間變化之改變以偵測健康及健全改變。在兩個或更多個時間週期之間NFP值之改變或漂移可用作用來監測一使用者之健康之一方式。
NFP值之改變或漂移可使用一或多種不同分析方法而合格化及/或量化。一種合格化及/或量化偏移之方法將係區別意向性震顫與靜止性震顫。另一此種方法將係一頻率或傅立葉分析。又一方法可使用基於混沌數學之分類器來改善診斷。又一方法將係在不同時間執行相同使用者之比較，舉例而言，諸如在藥物劑量之間或在具有藥物與無藥物之間。
此外，微動作及經產生微動作信號可在從身體之不同重要部分(例如，手、肢體、胸腔)及甚至身體之兩個不同側(例如，左臂及右臂)捕獲時有所變化。身體震顫可在從身體之不同部分捕獲時有所不同。監測胸腔之身體震顫可指示使用者之甲狀腺狀況、發熱狀況或惡性高熱狀況。監測心臟附近之胸腔可實現心率變異性(HRV)之一度量。
現參考圖21，圖中展示經耦合而與一伺服器2102通信之一對醫療或健康診斷裝置2100A至2100B。醫療或健康診斷裝置2100A至2100B可定位於該伺服器本機，使用一區域通信網路(LAN)進行通信。替代地，醫療或健康診斷裝置2100A至2100B可定位於該伺服器遠端且透過一廣域通信網路(WAN)(諸如網際網路)與該伺服器通信。醫療或健康診斷裝置2100A至2100B可由一使用者固持或觸控以對該使用者之微動作進行取樣。替代地，醫療或健康診斷裝置2100A至2100B可放置及/或束牢於使用者身體之鄰近部分處(例如，胸)以在其等身體之不同區域及肢體處捕獲使用者之微動作以便執行不同診斷。醫療或健康診斷裝置2100A至2100B可包含一使用者介面裝置(例如，觸控顯示器706、小鍵盤705、按鈕704及/或音訊揚聲器/麥克風)且提 供一使用者介面以指示一使用者如何將其等用於各種類型之診斷測試。
醫療或健康診斷裝置2100A至2100B對隨時間變化(不同日期及時間)之一使用者之微動作進行取樣，回應於其產生並儲存微動作信號以用於診斷一使用者之健康之改變。使用一日期及時間(日期/時間)戳記將經捕獲微動作信號儲存為隨時間變化之資料DATAtn。可對經儲存微動作信號DATAtn之一或多者執行一頻率分析以偵測某些病理狀態。經儲存資料DATAtn亦可經分析以在各時間戳記擷取NFP。可執行一時間分析以比較隨日期/時間變化之NFP以便偵測兩個或更多個NFP之間的改變。接著可產生說明隨日期/時間變化的經儲存微動作之頻率分析及NFP之時間分析之一報告。
醫療或健康診斷裝置2100A包含一控制器2110A及一三維加速度計2111A，該三維加速度計2111A用來在一給定日期及時間對使用者之微動作進行取樣並回應於其產生三維信號。醫療或健康診斷裝置2100A可與伺服器或其他電腦有線地或無線地通信使得來自醫療或健康診斷裝置2100A之三維信號可上載至伺服器2102。可針對微動作使用加速度計2111A分析使用者之身體部分之運動動作。
醫療或健康診斷裝置2100B包含一控制器2110B及至少二個維度之一多維觸控感測器2111B，該多維觸控感測器2111B用來在一給定日期及時間對使用者之微動作進行取樣並回應於其產生多維(至少二維)微動作信號。醫療或健康診斷裝置2100B可與伺服器或其他電腦有線地或無線地通信使得多維信號可上載至伺服器2102。
除一或多個處理器外，伺服器2102亦包含一時鐘2112及一儲存裝置2114。時鐘2112產生一日期及時間戳記，該日期及時間戳記可附於表示在給定時間及日期產生之多維微動作信號之資料。儲存裝置2114儲存表示與使用者/患者相關聯的隨時間變化捕獲之多維微動作信號 之複數個資料DATAt1至DATAtn。
伺服器2102可進一步包含一分類器2104、一比較器2106及一報告產生器2108。分類器2104、比較器2106及報告產生器2108可係藉由指令(依硬體、軟體或硬體及軟體之一組合)組態之一處理器(例如，圖7中之處理器701)。
分類器2104可係經組態以執行NFP鑑認控制器之功能程序之一或多者之一處理器。分類器2104從儲存於儲存裝置2114中之複數個資料DATAt1至DATAtn產生NFP。即，經儲存資料DATAtn經分析以在各時間戳記擷取NFPtn。
比較器2106比較不同日期/時間之至少兩個NFP(NFPi及NFPj)以偵測兩者之間的改變。若隨時間變化在其等之間存在大於一預定百分比之一負差，則其可指示使用者之健康之一退化。若隨時間變化在其等之間存在大於一預定百分比之一正差，則其可指示使用者之健康之一改良。該預定百分比可回應於量測NFP之系統之錯誤容限(例如，5%)而設定。
報告產生器2108產生說明隨日期/時間變化的經儲存微動作之頻率分析及NFP之時間分析之報告。若偵測到健康之一修正，則向使用者報告該改變。若數字係在該預定百分比內，則向使用者報告未偵測到健康修正之一指示。
雖然比較器2106分析隨時間變化之複數個神經力學指紋，但可由該系統之裝置及伺服器執行額外分析。該系統可進一步分析複數個多維動作信號之各者中之頻率分量以嘗試根據頻率判定一病理狀態。此外，該系統可在多維動作信號及/或神經力學指紋中進一步搜尋一或多個預定資料型樣以判定一病理狀態是具有一常見資料型樣還是簽名。
除診斷一使用者之健康外，亦可使用NFP技術以藉由對患者及醫 生之一較佳鑑認以及醫療記錄加密來保護醫療記錄。一使用者可鑑認他/她與保健系統(提供者、保險公司、醫療記錄公司等)之互動。一使用者可依一經加密格式將他/她的醫療記錄安全地儲存於雲端中或儲存於任何裝置上，其中NFP係密鑰。
NFP技術可用於線上服務。政府可提供線上服務(諸如投票)，且觸控技術可用來驗證一經授權使用者之身份。學校及教育者可提供線上測試。觸控技術可用來驗證一網頁或網站門戶上之一使用者之身份(該使用者登入於該網頁或網站門戶中)。例如，可容易使用NFP觸控技術識別例如參加一線上測試之學生，即使該學生係在學校參加測試。電子線上銀行業務可變得更安全，其中銀行能夠使用NFP觸控技術驗證其顧客之身份。
NFP鑑認之優點
使用一NFP進行觸控辨識存在數個優點。觸控辨識無需一集中式資料庫。由一本機NFP使用者鑑認系統本機控制及屏蔽對一電子裝置之存取。
NFP之一額外優點係一人可被唯一地識別為一電子裝置之一正確使用者但保持匿名，從而提供強大的使用者隱私保護。NFP係回應於由一感測器產生之腦/神經系統相關信號而產生。接著，NFP可提供萬無一失的唯一使用者識別(即使雙胞胎亦具有不同肌力)。
觸控辨識採用一神經演算法以從相關聯於一手上之一手指之微動作之一微動作信號產生一NFP。此避免了與行為生物統計相關聯的背景有關譜系或動作譜系。觸控辨識係使用者友好的且可提供一無摩擦登入及鑑認。
神經演算法可被開發成軟體並添加至具有一應用程式設計介面(API)或一行動軟體開發套件之先前既有電子裝置。
神經演算法無需連續監測一感測器。神經演算法可處於睡眠狀 態直至電子裝置從睡眠狀態被喚醒或該感測器感測到一觸控為止。訓練時間及識別係快速的(僅需幾秒)。據此，神經演算法可節省電力且智慧地使用通常可用於行動裝置電子設備之電池電力。
結論
在依軟體實施時，實施例之元件本質上係可由一或多個處理器執行以執行及實行任務且提供功能之指令之程式碼片段。例如，一處理器(例如，圖7中之處理器701)可藉由指令經組態(依硬體、軟體或硬體及軟體之一組合)以執行本文中所述之NFP認證控制器之功能程序。程式指令或程式碼片段可儲存於耦合至一或多個處理器或者至少與一或多個處理器通信之一處理器可讀媒體或儲存裝置(例如，圖7中之儲存裝置702)中。該處理器可讀媒體可包含可儲存資訊之儲存裝置或任何媒體。一處理器可讀媒體之實例包含但不限於一電子電路、一半導體記憶裝置、一唯讀記憶體(ROM)、一快閃記憶體、一可擦除可程式化唯讀記憶體(EPROM)、一軟碟、一CD-ROM、一光碟、一硬碟或一固態驅動器。程式或程式碼片段可例如在儲存裝置之間透過電腦網路(諸如網際網路、內部網路等)進行下載或傳輸。
雖然本說明書包含諸多細節，但此等細節不應被解釋為對本發明之範疇或可能主張之內容之限制，相反，應被解釋為特定於本發明之特定實施方案之特徵之描述。亦可在一單一實施方案中組合實施在本發明中於單獨實施方案之背景下所描述之某些特徵。相反地，亦可在多個實施方案中單獨地或依子組合實施在一單一實施方案之背景下所描述之各種特徵。此外，儘管特徵可在上文被描述為依某些組合起作用且甚至最初如此主張，但在一些情況下，來自一所主張組合之一或多個特徵可從該組合刪除，且該所主張組合可係關於一子組合或一子組合之變動。
據此，雖然某些例示性實施例已作特別描述且被展示於隨附圖 式中，但其等不應被解釋為受此等實施例之限制，而是相反，應根據以下申請專利範圍解釋。
700:電子裝置
701:處理器
702:儲存裝置(SD)
703:電源
704:按鈕/板
705:小鍵盤
706:三維(3D)加速度計
707:顯示裝置
708:無線電收音機
709:天線
712:軟體應用程式指令/軟體/韌體
714:神經力學指紋(NFP)指令及神經力學指紋(NFP)資料
716:使用者塗鴉板資料
722:組合式電源/通信連接器
724:網路介面控制器及連接器

Claims (27)

  1. 一種用於監測使用者之神經變性(neurodegenerative)疾病、飲酒和心率變異性(rhythm variability)之方法，該方法包括：以具有能感測神經肌肉微動作之一感測器之一手持大小裝置，在一第一時間週期上感測一使用者之一身體部分之一第一動作；基於該經感測之第一動作，在該第一時間週期上藉由該感測器產生具有一預定樣本週期內之一預定取樣頻率之一第一感測器資料，該第一感測器資料包括一重力分量及關於該使用者狀態之一或多個指示符；藉由抑制與來自該第一感測器資料之該使用者之一自主(voluntary)移動相關聯之信號分量來產生第一微動作資料，該第一微動作資料包括該第一感測器資料之一非暫時性表示及在一第一時間週期上之該使用者之狀態資訊；對該第一微動作資料給予時間戳記(timestamping)，藉此產生具有與該第一時間週期相關聯之一第一時間戳記之第一微動作資料；藉由處理與一使用者之一神經肌肉(neuro-muscular)功能相關聯之至少一預定可測量特徵而從該使用者之該第一微動作資料擷取一第一神經機械值(neuro-mechanical value)，其中該至少一預定可測量特徵具有清楚(distinctly)表示該使用者之一數學性質，及其中該數學性質僅包括下述一者：來自該微動作資料之一倒譜波形(CEPSTRUM waveform)之一峰值幅度及一峰值頻率之值、來自該微動作資料之龐加萊(Poincare)散點之一軌道資訊、或來自該微動作資料之混沌分析之奇異吸引子之重心及一 系列李亞普諾夫指數(Lyapunov exponent)；在不同於該第一時間週期之一第二時間週期上感測該使用者之該身體部分之一第二動作；基於該經感測之第二動作，產生在該第二時間週期上在該感測器之該預定樣本週期內之該預定取樣頻率處之一第二感測器資料；藉由抑制與來自該第二感測器資料之該使用者之一自主移動相關聯之信號分量來產生第二微動作資料，該第二微動作資料包括該第二感測器資料之一非暫時性表示及在一第二時間週期上之該使用者之狀態資訊；對該第二微動作資料給予時間戳記，藉此產生具有與該第二時間週期相關聯之一第二時間戳記之第二微動作資料；藉由處理與該使用者之該神經肌肉功能相關聯之該至少一預定可測量特徵，而從該使用者之該第二微動作資料擷取一第二神經機械值；以一電子電路來比較該第一神經機械值和該第二神經機械值以監測該使用者之神經變性疾病、飲酒和心率變異性；及基於以該電子電路所執行之該比較而產生包括該第一神經機械值和該第二神經機械值之間之一差之一報告。
  2. 如請求項1之方法，其中自該第一微動作資料之該第一神經機械值之該擷取包括使用一信號處理演算法；且其中該信號處理演算法僅包括下述一者：倒譜分析、龐加萊散點、馬爾可夫(Markov)模型分析、混沌分析、或基於重構相位空間(RPS)之動力學系統信號分析感興趣的該第一微動作資料具有小於約30赫茲(Hz)的一頻率。
  3. 如請求項1之方法，其中該比較判定在該第一時間戳記和該第二 時間戳記之間的該第一神經機械值和該第二神經機械值之間之一差且該方法進一步包括：重複地產生額外神經機械值且執行比較以支持判定隨時間變化的該等額外神經機械值之間之一差。
  4. 如請求項1之方法，其中該比較指示在該第一時間週期上之該第一神經機械值和在該第二時間週期上之該第二神經機械值之間之一差係在該使用者之一匹配位準上。
  5. 如請求項1之方法，其中該比較指示在該第一時間週期處之該第一神經機械值和在該第二時間週期處之該第二神經機械值之間之一差係在該使用者之一匹配位準下。
  6. 如請求項1之方法，其中該差係與飲酒相關聯；且該差限制該使用者操作機器或一運載工具之能力。
  7. 如請求項1之方法，其中該身體部分係經定位接近於該使用者心臟以監測心率變異性。
  8. 如請求項1之方法，其進一步包括：判定一震顫是否為一靜止性震顫以監測神經變性疾病之一條件，其中藉由識別該身體部分不活躍但在對抗重力來判定該靜止性震顫。
  9. 如請求項8之方法，其中該第一動作係包含具有一頻率之一震顫之一多維動作，該震顫選自於包括一或多個震顫類型之一集。
  10. 如請求項1之方法，其中該使用者之該身體部分之該第一動作係經本機感測以產生一第一動作信號且該方法進一步包括： 透過一通信系統將該第一感測器資料遠端傳輸至一伺服器；遠端儲存該第一感測器資料；且遠端產生該第一神經機械值。
  11. 如請求項1之方法，其中該使用者之該身體部分之該第一動作包含使用肌肉以支持該身體部分對抗重力。
  12. 如請求項1之方法，其中該使用者之該身體部分之該第一動作係以三維加速度計經感測以產生在該第一時間週期上之三維感測器資料。
  13. 如請求項1之方法，其中該報告進一步指示在神經機械值之間之該差是否超出一匹配位準。
  14. 一種用於監測使用者之神經變性疾病、飲酒和心率變異性之方法，該方法包括：以具有能感測神經肌肉微動作之一多維感測器之一手持大小裝置在第一複數個時間週期上感測一身體部分之多維動作；回應於該感測，在該第一複數個時間週期上藉由該感測器產生具有一預定樣本週期內之一預定取樣頻率之複數個多維感測器資料，其中該複數個多維感測器資料之每一感測器資料包括一重力分量；藉由抑制與來自該複數個多維感測器資料之該使用者之一自主移動相關聯之信號分量來產生微動作資料，該微動作資料包括每一感測器資料之一非暫時性表示及在該複數個時間週期之各者上之使用者狀態資訊；以與該複數個時間週期之一者相關聯之一時間戳記而對各微動作資料給予時間戳記；藉由處理與一使用者之一神經肌肉功能相關聯之至少一預定 可測量特徵而從該微動作資料擷取對於該個別複數個時間週期與該使用者相關聯之複數個神經機械值，其中該至少一預定可測量特徵具有清楚表示該使用者之一數學性質，及其中該數學性質包括下述一者：來自該微動作資料之一倒譜波形(CEPSTRUM waveform)之一峰值幅度及一峰值頻率之值、來自該微動作資料之龐加萊(Poincare)散點之一軌道資訊、或來自該微動作資料之混沌分析之奇異吸引子之重心及一系列李亞普諾夫指數(Lyapunov exponent)；以一電子電路來比較在二時間週期之間的該複數個神經機械值之至少二者以監測該使用者之神經變性疾病、飲酒和心率變異性；及產生包括該複數個神經機械值之至少二者之間之一差之一報告。
  15. 如請求項14之方法，其中第一感測器資料具有小於約30赫茲(Hz)的一頻率；及其中每一動作係包括具有一頻率之一震顫之一多維動作，該震顫選自於包括一或多個震顫類型之一集，該比較分析隨時間變化的該複數個神經機械值，且該方法進一步包括：分析該複數個多維動作信號之各者中之頻率分量以判定該頻率分量是否與一病理狀態相關聯。
  16. 如請求項14之方法，其進一步包括：在針對該複數個神經機械值之一或多個校準參數進行搜尋，其中一或多個校準參數關於一已知病理對使用者之一影響，該已知病理包括肌張力障礙、神經肌肉疾病、及神經變性疾病。
  17. 如請求項14之方法，其中該複數個神經機械值之該擷取僅包括下述一者： 倒譜分析、龐加萊散點、馬爾可夫(Markov)模型分析、混沌分析、或基於重構相位空間(RPS)之動力學系統信號分析，其中二個神經機械值之之間之一差超出一匹配位準，該匹配位準係該使用者之一狀態之一指示符。
  18. 如請求項14之方法，其進一步包括：將該複數個多維感測器信號儲存至一儲存裝置中以便進行後續處理。
  19. 如請求項18之方法，其進一步包括：針對該複數個多維感測器信號之一或多個校準參數進行搜尋以判定一病理狀態。
  20. 一種用於監測使用者之神經變性疾病、飲酒和心率變異性之系統，該系統包括：具有多維感測器之一手持大小裝置，其經組態以取樣一使用者之一身體部分之多維神經肌肉微動作及回應於其而產生具有一預定樣本週期內之一預定取樣頻率之一第一感測器資料，該經產生之第一感測器資料包括一重力分量；一信號處理器，其經組態以藉由抑制與來自該感測器資料之該使用者之自主移動相關聯之信號分量來處理該第一感測器資料並輸出第一微動作資料；一時間戳記器(timestamper)，其經組態以對該第一微動作資料提供一時間戳記；一儲存裝置，其經組態以儲存該第一微動作資料並對經儲存資料提供存取，該儲存裝置進一步經組態以儲存多維感測器資料及由一處理器所處理之不同資料處之該多維感測器資料之個別神經機械值；一或多個處理器，其耦合至該儲存裝置，該一或多個處理器 經組態以執行用於處理微動作資料之指令，其包括儲存於該儲存裝置中之微動作資料，其中基於該微動作資料，至少一個處理器係經組態以藉由處理與一使用者之一神經肌肉功能相關聯之至少一預定可測量特徵而產生該個別複數個資料之複數個神經機械值，其中該至少一預定可測量特徵具有清楚表示該使用者之一數學性質，其中該數學性質包括下述一者：來自該微動作資料之一倒譜波形(CEPSTRUM waveform)之一峰值幅度及一峰值頻率之值、來自該微動作資料之龐加萊(Poincare)散點之一軌道資訊、或來自該微動作資料之混沌分析之奇異吸引子之重心及一系列李亞普諾夫指數(Lyapunov exponent)，及其中至少一個處理器係經組態以比較該複數個神經機械值之至少二者以監測該使用者之神經變性疾病、飲酒和心率變異性。
  21. 如請求項20之系統，其中該第一感測器資料具有小於約30赫茲(Hz)的一頻率及至少一個處理器係經組態以分析該多維感測器資料之各者中之頻率分量以判定該等頻率分量是否與一病理狀態相關聯，其中該第一動作資料係包括具有一頻率之一震顫之一多維感測器資料，該震顫選自於包括一或多個震顫類型之一集。
  22. 如請求項20之系統，其中至少一個處理器係經組態以針對該複數個神經機械值之一或多個校準參數進行搜尋，其中一或多個校準參數關於一已知病理對使用者之一影響，該已知病理包括肌張力障礙、神經肌肉疾病、及神經變性疾病藉由指令組態以在該複數個神經力學指紋之各者中搜尋一或多個預定資料型樣以判定一病理狀態。
  23. 如請求項20之系統，其中該至少一個處理器係進一步經組態以僅針對下述一者：倒譜分析、龐加萊散點、馬爾可夫(Markov)模型分析、混沌分析、或基於重構相位空間(RPS)之動力學系統信號分析，及其中二個神經機械值之之間之一差超出一匹配位準，該匹配位準係該使用者之一狀態之一指示符。
  24. 一種用於監測使用者之神經變性疾病、飲酒和心率變異性之電子裝置，該電子裝置包括：一處理器；一顯示器，其耦合至該處理器；一或多個動作感測器，其耦合至該處理器，該一或多個動作感測器能感測神經肌肉微動作；一功率電路，其耦合至該處理器；一無線收發器，其耦合至該處理器；一記憶體，其耦合至該處理器；及一非暫時性電腦程式產品，其包括儲存於該記憶體上之指令，其中該等指令組態該處理器以執行下述功能：藉由在一第一時間週期上自該動作感測器感測一使用者之一身體部分之一第一動作而收集具有一預定樣本週期內之一預定取樣頻率之一第一感測器資料；藉由抑制與來自該第一感測器資料之該使用者之一自主移動相關聯之信號分量來產生第一微動作資料，該第一微動作資料包括該第一動作信號之一非暫時性表示及在該第一時間週期上之該使用者之狀態資訊；對該第一微動作資料給予時間戳記，藉此產生具有與該第一時間週期相關聯之一第一時間戳記之第一微動作資料； 藉由處理與該使用者之神經肌肉功能相關聯之至少一預定可測量特徵而從該使用者之該第一微動作資料擷取一第一神經機械值，其中該至少一預定可測量特徵具有清楚表示該使用者之一數學性質，及其中該數學性質包括下述一者：來自該微動作資料之一倒譜波形(CEPSTRUM waveform)之一峰值幅度及一峰值頻率之值、來自該微動作資料之龐加萊(Poincare)散點之一軌道資訊、或來自該微動作資料之混沌分析之奇異吸引子之重心及一系列李亞普諾夫指數(Lyapunov exponent)；藉由在不同於該第一時間週期之一第二時間週期上自該動作感測器感測該使用者之該身體部分之一第二動作而收集具有該預定樣本週期內之該預定取樣頻率之一第二感測器資料；藉由抑制與來自該第二感測器資料之該使用者之一自主移動相關聯之信號分量來產生第二微動作資料，該第二微動作資料包括該第二感測器資料之一非暫時性表示及在一第二時間週期上之該使用者之狀態資訊；對該第二微動作資料給予時間戳記，藉此產生具有與該第二時間週期相關聯之一第二時間戳記之第二微動作資料；藉由處理與該使用者之該神經肌肉功能相關聯之該至少一預定可測量特徵而從該使用者之該第二微動作資料擷取一第二神經機械值；比較該第一神經機械值和該第二神經機械值以監測該使用者之神經變性疾病、飲酒和心率變異性。
  25. 如請求項24之電子裝置，其中該處理器係進一步經組態以分析該第一感測器信號及該第二感測器信號中之頻率分量以判定該頻率分量是否與一病理狀態相關聯，其中該第一微動作資料係包括具有一低頻率之一震顫 之一多維感測器資料，該震顫選自於包括一或多個震顫類型之一集；其中該第一感測器資料具有小於約30赫茲(Hz)的一頻率。
  26. 如請求項24之電子裝置，其中該處理器係經組態以針對該第一神經機械值和該第二神經機械值之一或多個校準參數進行搜尋，其中一或多個校準參數關於一已知病理對使用者之一影響，該已知病理包括肌張力障礙、神經肌肉疾病、及神經變性疾病。
  27. 如請求項24之電子裝置，其中該處理器係經組態以藉由僅執行下述一者而執行該擷取：倒譜分析、龐加萊散點、馬爾可夫(Markov)模型分析、混沌分析、或基於重構相位空間(RPS)之動力學系統信號分析，其中該第一神經機械值和該第二神經機械值之間之一差超出一匹配位準，該匹配位準係該使用者之一狀態之一指示符。
TW105103826A 2015-02-04 2016-02-04 用於監測使用者之神經變性疾病、飲酒和心率變異性之方法、系統及電子裝置 TWI708205B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201562112153P 2015-02-04 2015-02-04
US62/112,153 2015-02-04
US15/013,764 2016-02-02
US15/013,764 US10357210B2 (en) 2015-02-04 2016-02-02 Determining health change of a user with neuro and neuro-mechanical fingerprints

Publications (2)

Publication Number Publication Date
TW201643805A TW201643805A (zh) 2016-12-16
TWI708205B true TWI708205B (zh) 2020-10-21

Family

ID=56552633

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105103826A TWI708205B (zh) 2015-02-04 2016-02-04 用於監測使用者之神經變性疾病、飲酒和心率變異性之方法、系統及電子裝置

Country Status (5)

Country Link
US (2) US10357210B2 (zh)
EP (1) EP3253281B1 (zh)
CN (2) CN113974614A (zh)
TW (1) TWI708205B (zh)
WO (1) WO2016127011A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160035247A1 (en) * 2014-07-29 2016-02-04 Ohio University Visual feedback generation in tracing a pattern
US9836896B2 (en) * 2015-02-04 2017-12-05 Proprius Technologies S.A.R.L Keyless access control with neuro and neuro-mechanical fingerprints
CN114680890A (zh) * 2016-10-21 2022-07-01 西铁城时计株式会社 检测装置
CN109426713B (zh) * 2017-08-28 2022-05-24 关楗股份有限公司 用于身份核实系统中的造假生物特征过滤装置
JP2021514721A (ja) * 2018-02-23 2021-06-17 ロマ リンダ ユニヴァーシティ 異常運動の検出および補正のためのシステム及び方法
CN108647786B (zh) * 2018-07-10 2021-11-30 电子科技大学 基于深度卷积对抗神经网络的旋转机械在线故障监测方法
GB2577135B (en) * 2018-11-02 2020-12-02 Head Instr Oy Apparatus for and method of monitoring movement
KR20200100481A (ko) * 2019-02-18 2020-08-26 삼성전자주식회사 생체 정보를 인증하기 위한 전자 장치 및 그의 동작 방법
US11607167B2 (en) * 2019-06-05 2023-03-21 Tencent America LLC User device based parkinson disease detection
CN111339920A (zh) * 2020-02-24 2020-06-26 上海眼控科技股份有限公司 加钞行为检测方法、装置、系统、存储介质及电子终端
US11410354B2 (en) * 2020-02-25 2022-08-09 Uih America, Inc. System and method for motion signal recalibration
EP3884863B1 (en) * 2020-03-24 2022-07-27 Tata Consultancy Services Limited Method and system for tremor assessment using photoplethysmography (ppg)
CA3181168A1 (en) * 2020-04-30 2021-11-04 The Board Of Regents Of The University Of Texas System Methods and systems for analyzing a central nervous system based on brainstem structural characteristics
CN112043280A (zh) * 2020-09-03 2020-12-08 南京邮电大学 基于智能手机步态识别的危险驾驶行为检测方法及系统
US11947648B2 (en) * 2020-12-23 2024-04-02 Proprius Technolgies S.A.R.L Electronic device related to user identification, authentication, liveliness, encryption using biometrics technology and methods for operation thereof
CN113729715A (zh) * 2021-10-11 2021-12-03 山东大学 一种基于手指压力的帕金森病症智能诊断系统
US20230181060A1 (en) * 2021-12-13 2023-06-15 Koneksa Health Inc. Measuring method and device
CN115442493B (zh) * 2022-08-12 2023-07-14 西北工业大学 一种基于庞加莱球基矢转换的非对称光学加密方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5573011A (en) * 1994-04-08 1996-11-12 Felsing; Gary W. System for quantifying neurological function
US20130041290A1 (en) * 2010-04-21 2013-02-14 Northwestern University Medical evaluation system and method using sensors in mobile devices
US20140073994A1 (en) * 2012-09-11 2014-03-13 The Cleveland Clinic Foundation Evaluation of movement disorders

Family Cites Families (88)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3972038A (en) * 1975-03-28 1976-07-27 Nasa Accelerometer telemetry system
US5197489A (en) * 1991-06-17 1993-03-30 Precision Control Design, Inc. Activity monitoring apparatus with configurable filters
US5293879A (en) * 1991-09-23 1994-03-15 Vitatron Medical, B.V. System an method for detecting tremors such as those which result from parkinson's disease
US6097374A (en) 1997-03-06 2000-08-01 Howard; Robert Bruce Wrist-pendent wireless optical keyboard
US6806863B1 (en) 1999-10-15 2004-10-19 Harmonic Research, Inc. Body-mounted selective control device
US20020124176A1 (en) 1998-12-14 2002-09-05 Michael Epstein Biometric identification mechanism that preserves the integrity of the biometric information
WO2002005478A1 (en) 2000-07-09 2002-01-17 Black Gerald R Network security system
US7030860B1 (en) 1999-10-08 2006-04-18 Synaptics Incorporated Flexible transparent touch sensing system for electronic devices
US6721738B2 (en) 2000-02-01 2004-04-13 Gaveo Technology, Llc. Motion password control system
US6454706B1 (en) * 2000-03-02 2002-09-24 The Trustees Of Columbia University In The City Of New York System and method for clinically assessing motor function
JP3846844B2 (ja) 2000-03-14 2006-11-15 株式会社東芝 身体装着型生活支援装置
US7558965B2 (en) 2000-08-04 2009-07-07 First Data Corporation Entity authentication in electronic communications by providing verification status of device
US20040069846A1 (en) 2000-11-22 2004-04-15 Francis Lambert Method and apparatus for non-intrusive biometric capture
NO316489B1 (no) 2001-10-01 2004-01-26 Genkey As System, b¶rbar anordning og fremgangsmåte for digital autentisering, kryptering og signering ved generering av flyktige, men konsistente ogrepeterbare kryptonökler
US6993659B2 (en) 2002-04-23 2006-01-31 Info Data, Inc. Independent biometric identification system
US6936016B2 (en) * 2002-05-17 2005-08-30 Bertec Corporation Method for analysis of abnormal body tremors
WO2004010365A2 (en) 2002-07-19 2004-01-29 Dicut Inc. Face recognition system and method therefor
US7171680B2 (en) 2002-07-29 2007-01-30 Idesia Ltd. Method and apparatus for electro-biometric identity recognition
US20060133651A1 (en) 2002-12-31 2006-06-22 Polcha Andrew J Recoverable biometric identity system and method
US7249263B2 (en) 2003-07-25 2007-07-24 International Business Machines Corporation Method and system for user authentication and identification using behavioral and emotional association consistency
US20050033200A1 (en) 2003-08-05 2005-02-10 Soehren Wayne A. Human motion identification and measurement system and method
US20050188213A1 (en) 2004-02-23 2005-08-25 Xiaoshu Xu System for personal identity verification
US8175345B2 (en) 2004-04-16 2012-05-08 Validity Sensors, Inc. Unitized ergonomic two-dimensional fingerprint motion tracking device and method
US20090240949A9 (en) 2004-04-23 2009-09-24 Kitchens Fred L Identity authentication based on keystroke latencies using a genetic adaptive neural network
EP2273484B1 (en) * 2004-04-30 2019-08-28 Hillcrest Laboratories, Inc. Methods and devices for removing unintentional movement in free space pointing devices
JP4657668B2 (ja) 2004-10-08 2011-03-23 富士通株式会社 生体認証方法及び生体認証装置
CN101072535A (zh) 2004-10-29 2007-11-14 杨章民 身心健康状况监测及分析并自动回馈的方法以及相应的服饰系统
KR101019844B1 (ko) 2004-11-08 2011-03-04 이데시아 엘티디. 전기-생체 신원 인식 방법 및 장치
KR20060053812A (ko) 2004-11-17 2006-05-22 삼성전자주식회사 생체신호를 이용한 생체 인식 장치 및 방법
US20090293112A1 (en) 2004-12-03 2009-11-26 Stephen James Moore On-line generation and authentication of items
IL165586A0 (en) 2004-12-06 2006-01-15 Daphna Palti Wasserman Multivariate dynamic biometrics system
US8702629B2 (en) * 2005-03-17 2014-04-22 Great Lakes Neuro Technologies Inc. Movement disorder recovery system and method for continuous monitoring
KR100718125B1 (ko) 2005-03-25 2007-05-15 삼성전자주식회사 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법
EP1707121A1 (fr) * 2005-03-30 2006-10-04 Universite Libre De Bruxelles Dispositif de mesure de l'activité rythmique de fibres musculaires
US7539533B2 (en) 2006-05-16 2009-05-26 Bao Tran Mesh network monitoring appliance
US8169299B2 (en) 2006-07-12 2012-05-01 Onasset Intelligence, Inc. Method and apparatus for neural activity identification
EP1892674A1 (de) 2006-08-23 2008-02-27 Siemens Aktiengesellschaft Gehirnmusterbasiertes Zugangskontrollsystem
EP2074552A1 (en) 2006-09-29 2009-07-01 Koninklijke Philips Electronics N.V. Template synthesis for ecg/ppg based biometrics
US20080114271A1 (en) 2006-11-13 2008-05-15 David Rubenstein Method of neuromuscular calibration
US20080148393A1 (en) 2006-12-15 2008-06-19 Barry Myron Wendt Neural authenticator and method
US8674804B2 (en) 2007-03-01 2014-03-18 Deadman Technologies, Llc Control of equipment using remote display
WO2008143941A1 (en) 2007-05-15 2008-11-27 Searete Llc Computational user-health testing
US8065529B2 (en) 2007-05-21 2011-11-22 Ut-Battelle, Llc Methods for using a biometric parameter in the identification of persons
US20080313707A1 (en) 2007-06-18 2008-12-18 Techporch, Inc. Token-based system and method for secure authentication to a service provider
CN101108125B (zh) * 2007-08-02 2010-06-16 无锡微感科技有限公司 一种身体体征动态监测系统
US20090131233A1 (en) * 2007-11-16 2009-05-21 Seitzer James K Exercise apparatus and method for exercising
CN101238982A (zh) * 2008-02-25 2008-08-13 阿什拉夫·达哈巴 用于测定生理机体肌肉活动的装置和方法
CN102113034A (zh) * 2008-05-12 2011-06-29 阿列森斯有限公司 监测、预测和处理临床发作
US20090320123A1 (en) 2008-06-20 2009-12-24 Motorola, Inc. Method and apparatus for user recognition employing motion passwords
US20100056878A1 (en) * 2008-08-28 2010-03-04 Partin Dale L Indirectly coupled personal monitor for obtaining at least one physiological parameter of a subject
CN201290676Y (zh) * 2008-11-21 2009-08-19 中国人民解放军第三军医大学野战外科研究所 一种帕金森病震颤行为连续定量记录装置
GB2465782B (en) 2008-11-28 2016-04-13 Univ Nottingham Trent Biometric identity verification
US8920345B2 (en) * 2008-12-07 2014-12-30 Apdm, Inc. System and apparatus for continuous monitoring of movement disorders
US9659423B2 (en) 2008-12-15 2017-05-23 Proteus Digital Health, Inc. Personal authentication apparatus system and method
JP5177075B2 (ja) 2009-02-12 2013-04-03 ソニー株式会社 動作認識装置、動作認識方法、プログラム
WO2010126504A1 (en) 2009-04-29 2010-11-04 Hewlett-Packard Development Company, L.P. Fingerprint scanner
CN101558996B (zh) * 2009-05-15 2010-11-10 天津大学 基于人体运动结构正投影三维重建的步态识别方法
CN101612044A (zh) * 2009-08-04 2009-12-30 中国科学院合肥物质科学研究院 穿戴式人体手臂震颤检测装置及其信号处理方法
CN101612043B (zh) * 2009-08-04 2011-03-02 中国科学院合肥物质科学研究院 穿戴型人体手臂震颤检测与抑制机器人及其震颤抑制方法
WO2011042950A1 (ja) 2009-10-05 2011-04-14 富士通株式会社 生体情報処理装置、生体情報処理方法及び生体情報処理用コンピュータプログラム
CN101695445B (zh) * 2009-10-29 2011-11-23 浙江大学 一种基于加速度传感器的步态身份识别方法
KR101081369B1 (ko) 2010-01-26 2011-11-08 중앙대학교 산학협력단 생체신호의 특징 추출 장치 및 방법
CN102821681B (zh) 2010-04-28 2015-02-18 松下电器产业株式会社 脑电波测量装置、电噪声的推定方法
US8951192B2 (en) * 2010-06-15 2015-02-10 Flint Hills Scientific, Llc Systems approach to disease state and health assessment
EP2458524B1 (en) 2010-11-25 2018-08-15 Deutsche Telekom AG Identifying a user of a mobile electronic device
US8938787B2 (en) 2010-11-29 2015-01-20 Biocatch Ltd. System, device, and method of detecting identity of a user of a mobile electronic device
US9372979B2 (en) 2011-01-07 2016-06-21 Geoff Klein Methods, devices, and systems for unobtrusive mobile device user recognition
US20130173926A1 (en) 2011-08-03 2013-07-04 Olea Systems, Inc. Method, Apparatus and Applications for Biometric Identification, Authentication, Man-to-Machine Communications and Sensor Data Processing
CN102499691A (zh) * 2011-10-28 2012-06-20 中国人民解放军第四军医大学 一种手持式神经功能评价仪
US10064571B2 (en) * 2011-12-12 2018-09-04 Medvet Science Pty Ltd Method and apparatus for detecting the onset of hypoglycaemia
US8752146B1 (en) 2012-03-29 2014-06-10 Emc Corporation Providing authentication codes which include token codes and biometric factors
US8959358B2 (en) 2012-05-08 2015-02-17 Qualcomm Incorporated User-based identification system for social networks
US20130307670A1 (en) 2012-05-15 2013-11-21 Jonathan E. Ramaci Biometric authentication system
US20130338539A1 (en) * 2012-06-14 2013-12-19 International Business Machines Corporation Software program for monitoring a hand tremor of an end-user via a computer mouse input device
US9268405B2 (en) * 2012-06-15 2016-02-23 International Business Machines Corporation Adaptive gesture-based method, system and computer program product for preventing and rehabilitating an injury
US20140171834A1 (en) * 2012-10-20 2014-06-19 Elizabethtown College Electronic-Movement Analysis Tool for Motor Control Rehabilitation and Method of Using the Same
US11194368B2 (en) 2012-12-10 2021-12-07 Adobe Inc. Accelerometer-based biometric data
US9223459B2 (en) 2013-01-25 2015-12-29 University Of Washington Through Its Center For Commercialization Using neural signals to drive touch screen devices
JP5642210B2 (ja) 2013-02-04 2014-12-17 インテル コーポレイション 電子バイオメトリック識別認識のための方法及び装置
US20140228701A1 (en) 2013-02-11 2014-08-14 University Of Washington Through Its Center For Commercialization Brain-Computer Interface Anonymizer
US9414776B2 (en) * 2013-03-06 2016-08-16 Navigated Technologies, LLC Patient permission-based mobile health-linked information collection and exchange systems and methods
CN105051647B (zh) 2013-03-15 2018-04-13 英特尔公司 基于生物物理信号的搜集时间和空间模式的大脑计算机接口（bci）系统
US20140281568A1 (en) * 2013-03-15 2014-09-18 Google Inc. Using Biometrics to Generate Encryption Keys
CN103315744B (zh) * 2013-07-01 2014-10-08 中国科学院合肥物质科学研究院 一种手部震颤检测方法
CN203388861U (zh) * 2013-08-08 2014-01-15 德州学院 帕金森病震颤记录仪
CN104127187B (zh) * 2014-08-05 2017-04-05 戴厚德 用于帕金森病人主要症状定量检测的可穿戴系统
US9311464B2 (en) 2014-08-19 2016-04-12 Airwatch, Llc Authentication via accelerometer
WO2016094375A1 (en) 2014-12-08 2016-06-16 Rutgers, The State University Of New Jersey Methods for measuring physiologically relevant motion

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5573011A (en) * 1994-04-08 1996-11-12 Felsing; Gary W. System for quantifying neurological function
US20130041290A1 (en) * 2010-04-21 2013-02-14 Northwestern University Medical evaluation system and method using sensors in mobile devices
US20140073994A1 (en) * 2012-09-11 2014-03-13 The Cleveland Clinic Foundation Evaluation of movement disorders

Also Published As

Publication number Publication date
CN107708525A (zh) 2018-02-16
CN107708525B (zh) 2021-11-05
EP3253281A4 (en) 2018-09-26
US20160220151A1 (en) 2016-08-04
EP3253281B1 (en) 2020-08-12
US20200100732A1 (en) 2020-04-02
CN113974614A (zh) 2022-01-28
EP3253281A1 (en) 2017-12-13
WO2016127011A1 (en) 2016-08-11
US11617546B2 (en) 2023-04-04
TW201643805A (zh) 2016-12-16
US10357210B2 (en) 2019-07-23

Similar Documents

Publication Publication Date Title
US11050747B2 (en) Data encryption and decryption using neurological fingerprints
TWI708205B (zh) 用於監測使用者之神經變性疾病、飲酒和心率變異性之方法、系統及電子裝置
TWI726864B (zh) 本機鑑認經授權使用者及對電子裝置之控制存取之方法、使用者鑑認之方法、電子裝置、生理鑑認控制器、產生使用者之唯一生理識別之方法及登入至系統或應用程式中之方法
US20220343710A1 (en) Keyless access control with neuro and neuro-mechanical fingerprints