[发明专利]基于心率传感器的用户手势指纹认证方法

权利要求书

1.一种基于心率传感器的用户手势指纹认证方法，其特征在于包括如下步骤：

步骤1：构建总数据集，具体过程为：将用户的总数量记为I，让I名用户作为I名测试人员，让I名测试人员分别佩戴同一款具有心率传感器的可穿戴设备，并将心率传感器的采样频率均设定为100Hz，让每名测试人员分别作出表示1-9这9个数字的9种手势动作，其中每种手势动作连续进行40次，9种手势预先按照1-9进行编号，此时每名测试人员佩戴的心率传感器对该名测试人员进行采样，并输出各个采样点对应的读数；认证服务器获取每名测试人员在做9种手势期间其携带的心率传感器输出的读数，并分别将获取的每名测试人员携带的心率传感器的读数按照输出先后顺序排列后构成每名测试人员的数据集，I名测试人员按照1-I随机编号，将第i名测试人员的数据集记为A_i，i＝1，2，…，I；采用I名测试人员的数据集构成总数据集，将该总数据集记为A，A＝{A₁，A₂，A₃，...，A_I}；将第i名测试人员的第j种手势的数据集记为A_i，j，j＝1，2，…，9，将A_i，j中包含的数据数量记为M_i，j，每个数据对应为心率传感器的一个采样点，即A_i，j包含M_i，j个采样点；

步骤2：对步骤1得到的总数据集A进行数据预处理，得到预处理后的总数据集B，对预处理后的总数据集B进行数据分析，提取与手势相关的数据片段，具体过程为：

S2-1、采用低通滤波器对总数据集A中所有数据集分别进行低通滤波处理，使数据更平滑，将第i名测试人员的数据集A_i滤波后得到的数据集记为B_i，将第i名测试人员的第j种手势的数据集A_i，j滤波后得到的数据集记为B_i，j，数据集B_i，j中也具有M_i，j个采样点，采用滤波后的I名测试人员的数据集构成滤波总数据集B，B＝{B₁，B₂，B₃，...，B_I}；

S2-2、在空置的情况下，心率传感器的输出读数会在一个固定值附近小幅波动，通过直接读取空置情况下心率传感器的读数得到该固定值，并将该固定值记为

S2-3、将0.75秒作为每个手势动作的时长，则在100Hz的采样频率情况下每个手势动作具有75个采样点，为数据集B_i，j定义一个长度为(M_i，j-75)的数组Y_i，j，Y_i，j中的第n个元素记为Y_i，j[n]，n＝1，2，…，(M_i，j-75)，n表示Y_i，j[n]在Y_i，j中的位置，通过以下公式(1)求出Y_i，j：

式(1)中，B_i，j[g]为数据集B_i，j的第g个采样点，| |为取绝对值符号，g代表B_i，j[g]在数据集B_i，j中的位置；

S2-4、确定Y_i，j中的极大值点，将Y_i，j中的极大值点的数量记为m_i，j，获取每个Y_i，j中的极大值点在Y_i，j中的位置，Y_i，j中所有极大值点的位置的集合记为a_i，j，为将Y_i，j中的第u个极大值点的位置记为a_i，j[u]，u＝1，2，…，m_i，j，，将B_i，j[a_i，j[u]]作为B_i，j中第u个手势切片的起始点，B_i，j[a_i，j[u]]之后的第74个采样点作为B_i，j中第u个手势切片的结束点，B_i，j中第u个手势切片的起始点至B_i，j中第u个手势切片的结束点，共75个采样点即为B_i，j中的第u个手势切片，由此得到B_i，j中m_i，j个手势切片；

S2-5、采用数据集B_i，j中m_i，j个手势切片构成第i名测试人员的第j种手势的切片数据集C_i，j，数据集B_i，j中第m个手势切片即为切片数据集C_i，j中的第m个数据，记为C_i，j，m，C_i，j，m表示第i名测试人员的第j种手势的第m个手势切片，其中m＝1，2，...，m_i，j；

步骤3.提取手势运动指纹，具体过程为：

S3-1、将C_i，j，m中的第k个采样点记C_i，j，m[k]，k＝1，2，…，75，C_i，j，m是时域数据，采用公式(2)至公式(7)计算C_i，j，m的时域特征值，其中C_i，j，m的时域特征值包括平均值x_i，j，m、标准差σ_i，j，m、均差D_i，j，m、偏度γ_i，j，m、峰度γ_i，j，m和均方根振幅A_i，j，m：

S3-2、通过快速傅里叶变换(FFT)将时域数据C_i，j，m进行转换，得到C_i，j，m频域相关的数据，C_i，j，m频域相关的数据包括频率震级系数数据和频率间隔数据，将示C_i，j，m傅里叶变换后的频率震级系数数据记为p_i，j，m，C_i，j，m傅里叶变换后的频率间隔数据记为f_i，j，m，f_i，j，m和p_i，j，m中的数据数量相同，将该数据数量记为N_i，j，m；将p_i，j，m中的第k′个数据记为p_i，j，m[k′]，将f_i，j，m中第k′个数据记为f_i，j，m[k′]，k′＝1，2，…，N_i，j，m。；采用公式(8)至公式(13)计算C_i，j，m的频域特征值，C_i，j，m的频域特征值包括标准差σs_i，j，m、频谱质心Cs_i，j，m、光谱波峰CRs_i，j，m、平滑度Fs_i，j，m、偏度γs_i，j，m和峰度βs_i，j，m：

CRs_i，j，m＝(Max(p_i，j，m[k′])|_k′＝1toH)/Cs_i，j，m，H＝N_i，j，m (10)

上式中，符号*为乘运算符号，符号/为除运算符号，Π为连乘符号，∑为连加符号，Max为取最大值符号，Max(p_i，j，m[k′])|_k′＝1toH表示取p_i，j，m[1]至p_i，j，m[H]中的最大值；

S3-3、通过离散小波变换(DWT)以“haar”小波的模式对C_i，j，m进行一次离散小波变换，得到C_i，j，m的时频域数据，C_i，j，m的时频域数据包括C_i，j，m经离散小波变换后的低频数据以及C_i，j，m经离散小波变换后的高频数据，将C_i，j，m经离散小波变换后的低频数据记为q_i，j，m，C_i，j，m经离散小波变换后的高频数据记为t_i，j，m，将q_i，j，m中的第h个低频值记为q_i，j，m[h]，t_i，j，m中的第h个高频值记为t_i，j，m[h]，h＝1，2，…，37；采用公式(14)至公式(23)计算C_i，j，m的时频域特征值，C_i，j，m的时频域特征值包括平均值xz_i，j，m、均差Dz_i，j，m、偏度γz_i，j，m、峰度βz_i，j，m、最大值Maxz_i，j，m和最小值Minz_i，j，m；

其中，Max(q_i，j，m)表示取q_i，j，m中数据的最大值，Max(t_i，j，m)表示取t_i，j，m中数据的最大值，Min(q_i，j，m)表示取q_i，j，m中数据的最小值，Min(t_i，j，m)表示取t_i，j，m中数据的最小值；

S3-4、采用C_i，j，m的6个时域特征值、6个频域特征值和6个时频域特征值组成一个18维的向量，该向量即为第i名测试人员的第j种手势的第m个手势运动指纹，记为D_i，j，m，将第i名测试人员的第j种手势的所有手势运动指纹的集合记为D_i，j，所有测试人员的所有手势的所有手势运动指纹的集合记为D；

步骤4：采用集合D训练得到身份认证模型，具体为：从集合D中随机选择第i名测试人员以外的其他测试人员的100个手势运动指纹以及D_i，j中的所有手势运动指纹，采用随机森林(Random Forest)、SVM和梯度增强树(Gradient Boosting Tree，GBT)方法，将D_i，j中的所有手势运动指纹和选择的100个手势运动指纹一起进行分类学习，构建得到D_i，j的身份认证模型并保存在认证服务器中，D_i，j的身份认证模型即为第i名用户的第j种手势的身份认证模型；

步骤5：当需要认证某用户合法性时，该用户做出1-9种手势的某个手势，此时该人员佩戴的心率传感器实时采集该用户做出手势时的数据发送至认证服务器，认证服务器采用步骤2和步骤3相同的方法得到一个18维的向量作为该用户的手势运动指纹P，然后认证服务器通过其内存储的该用户的9种手势的身份认证模型对该手势运动指纹P进行识别，如果有一种身份认证模型判定为手势符合，则判定认证成功，该用户认证通过，否则判定认证失败，该用户认证未通过。

2.根据权利要求1所述的一种基于心率传感器的用户手势指纹认证方法，其特征在于每隔l天(l的取值大于等于7)对认证服务器中所有的身份认证模型进行更新，具体为：每隔l天按照步骤2和步骤3相同的方法获取用户最新的手势运动指纹，并将用户最新的手势运动指纹加入到集合D中，然后随机删除集合D中超过30天的手势运动指纹，实现集合D的更新，然后基于步骤4的方法，采用更新后D再次训练得到身份认证模型，实现身份认证模型的跟新，以适应用户的日常生理变化，保证身份认证的精确度。