[发明专利]一种基于智能手机传感器的用户身份识别方法

说明书

本发明涉及一种基于智能手机传感器的用户身份识别方法。在本发明中，使用Tensorflow深度学习框架，通过结合卷积神经网络和循环神经网络分析用户智能手机运动时的传感器数据，对用户进行识别，对于有意识的行为准确率达到91.45％；对于用户无意识的日常行为，步行、骑车、上下楼梯以及站和坐的准确率分别能够达到100％，91.61％，97.58％，97.59％，98.08％和93.81％，识别准确率高。

技术领域

本发明涉及人机交互技术领域，具体涉及一种基于智能手机传感器的用户身份识别方法。

背景技术

随着移动互联网的飞速发展，智能移动设备，尤其是智能手机，变得愈发不可或缺。除了基本的通讯功能以外，由于具有轻便易于携带的特点，智能手机已经成为人们社交活动的最大媒介。此外，无现金交易越来越普及，人们更加倾向于通过智能手机完成支付。因此，智能手机中的数据和信息变得尤为重要。

如今的智能手机，搭载了越来越多、越来越精确的传感器，利用这些传感器的数据，结合神经网络和深度学习，可以识别出不同的手机用户，对用户的身份进行识别，以保护用户手机隐私，但现有身份识别方法识别准确率不高。

发明内容

本发明所要解决的技术问题是提供一种基于智能手机传感器的用户身份识别方法，用于解决现有身份识别方法识别准确率不高的问题。

本发明解决上述技术问题的技术方案如下：一种基于智能手机传感器的用户身份识别方法，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；

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；

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；

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。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述手机传感器数据包括加速度数据和角速度数据。

进一步，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。