[发明专利]一种基于智能手机传感器的用户身份识别方法

权利要求书

1.一种基于智能手机传感器的用户身份识别方法，其特征在于，包括以下步骤：

S1、根据采样频率将手机传感器数据划分为片段，一个片段的长度为10s，去除起始段和结尾段的噪声，得到预处理后的传感器时域数据；

S2、将片段细分为小窗口，一个小窗口的长度为一个时间步,通过快速傅里叶变换将预处理后的传感器时域数据转换为传感器频域数据；

所述步骤S2中的快速傅里叶变换的计算公式为：

在公式(1)中，x_n为时域上第n帧的信息，X_k为转换后的第k帧的频域信息，N为待转换传感器数据的总帧数；

S3、对传感器的时域数据和频域数据通过双束卷积神经网络进行双束卷积和融合卷积计算后，得到每一个时间步的多传感器的时频特征；

所述步骤S3中时频特征的计算公式为：

o_m＝w_to_t+w_fo_f (2)

在公式(2)中，o_m为时频特征，w_t和w_f为权重参数，o_t和o_f分别为时域和频域的卷积计算结果；

S4、将每一个时间步的多传感器的时频特征输入CW-RNN中，计算得到第t个时间步的隐藏层信息；

所述步骤S4中第t个时间步的隐藏层信息的计算公式为：

在公式(3)中，x^(t)为第t个时间步的多传感器时频特征，y^(t-1)为第t-1个时间步的隐藏层信息，W_H和W_I分别为隐藏层矩阵和输入矩阵，σ为激活函数；

S5、将隐藏层信息矩阵上三角化，实现隐藏层组之间的通讯由高周期指向低周期，将隐藏层信息划分为4个组，每个组的周期T_i依次为1,2,4,8，将每一时间步中满足tmodT_i＝0的组参与更新运算；

S6、遍历所有的时间步，计算更新得到包含所有时间步信息的状态张量；

S7、对状态张量做平均处理，后接全连接层，输出分数张量；

S8、通过softmax函数对分数张量进行分类，将属于各个类别的分数张量映射为概率，得到整个网络的概率张量；

S9、通过Tenssorflow训练框架和测试数据，将有意识动作数据和无意识动作数据分为测试集和训练集，训练集用于训练双束卷积神经网络和CW-RNN；

S10、将测试集中测试数据的概率张量通过网络将其分类，得到测试集的标签向量；

S11、输出测试集标签向量，将测试集标签向量与测试集数据真实标签进行比较，若同一索引上的元素值相等，该索引上的元素为用户身份。

2.根据权利要求1所述的基于智能手机传感器的用户身份识别方法，其特征在于，所述手机传感器数据包括加速度数据和角速度数据。

3.根据权利要求1所述的基于智能手机传感器的用户身份识别方法，其特征在于，所述有意识动作数据的80％为训练集，20％为测试集，所述无意识动作包括6种行为：步行、骑车、上楼梯、下楼梯、站和坐，选取无意识动作中的1种行为为第一行为，其余5种行为为第二行为，所述第一行为数据的50％和第二行为数据为训练集，第一行为数据的50％为测试集。