[发明专利]一种基于智能手机传感器的用户身份识别方法

摘要

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。

主权项

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；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Ti依次为1，2，4，8，将每一时间步中满足tmodTi＝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。