CN106295300B - 一种穿戴式智能设备身份认证方法及装置 - Google Patents
一种穿戴式智能设备身份认证方法及装置 Download PDFInfo
- Publication number
- CN106295300B CN106295300B CN201610672053.7A CN201610672053A CN106295300B CN 106295300 B CN106295300 B CN 106295300B CN 201610672053 A CN201610672053 A CN 201610672053A CN 106295300 B CN106295300 B CN 106295300B
- Authority
- CN
- China
- Prior art keywords
- parameter
- user
- authentication
- human body
- frequency section
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims description 59
- 238000004140 cleaning Methods 0.000 claims description 17
- 210000003414 extremity Anatomy 0.000 claims description 13
- 238000000556 factor analysis Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 210000000245 forearm Anatomy 0.000 claims description 8
- 238000004891 communication Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 238000013475 authorization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005242 forging Methods 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种穿戴式智能设备身份认证方法及装置，基于人体通信的原理，结合生物识别技术，在用户使用穿戴式智能设备时，在测试频率段采集测试信号流经用户人体的S21参数确定最优频率段，并在最优频率段内采集S21参数进行处理，得到用来代表用户身份的最终认证模板，通过将采集的用户身份认证数据与认证模板进行比对，实现对用户身份的认证，利用人体生物特征不可复制的唯一性，不会丢失、不会遗忘，很难伪造和假冒等优点，对用户的隐私信息进行有效保护，很好的保证用户的隐私和安全，避免给用户使用穿戴式智能设备带来潜在风险，极大的利于穿戴式智能设备的推广和应用。
Description
技术领域
本发明涉及身份认证领域，尤其涉及一种穿戴式智能设备身份认证方法及装置。
背景技术
近年来，随着微处理器、传感器和计算机网络的发展，穿戴式智能设备在全球用户中的渗透率不断提高，多样化的穿戴式智能设备逐渐在工业、医疗、军事、教育、娱乐等多个领域表现出重要的研究价值和应用潜力。
穿戴式智能设备中通常携带大量的传感器，用来收集用户的健康、爱好、日程安排等隐私信息，这些隐私信息由于涉及用户的人身和财物的安全，对于用户来说至关重要，必须进行加密保护，防止泄露。但是，目前市面上大部分的穿戴式智能设备都没有对其检测保存的用户隐私信息进行保护的能力，少数几种穿戴式智能设备只采用传统的保护方式(口令、IC卡、条纹码、磁卡或钥匙)来进行用户隐私信息保护，这些方式存在着容易丢失、遗忘、复制以及被盗用等诸多不利因素，无法对用户的隐私信息进行有效保护，不能很好的保证用户的隐私和安全，给用户使用穿戴式智能设备带来潜在的风险，不利于穿戴式智能设备的推广和应用。
发明内容
有鉴于此，有必要针对上述穿戴式智能设备不能对用户隐私信息进行有效保护、不能很好的保证用户的隐私和安全的问题，提供一种穿戴式智能设备身份认证方法。
此外，本发明还提供一种穿戴式智能设备身份认证装置。
本发明提供的一种穿戴式智能设备身份认证方法，包括如下步骤：
步骤S10：在选定的测试频率段内，采集N个频率点下测试信号流经用户人体的S参数，对S参数进行特征提取获取S21参数；
步骤S20：对S21参数进行分析，确定适合用于进行身份认证的最优频率段；
步骤S30：在最优频率段内，采集M个频率点下测试信号流经用户人体的S21参数，将在最优频率段内获得的S21参数进行处理，得到用来代表用户身份的认证模板，将得到的认证模板用来对用户进行身份认证；
步骤S40：在最优频率段内，采集M个频率点下测试信号流经用户人体的S21参数作为身份认证数据，并与认证模板进行比对，若比对通过则身份认证成功，否则身份认证不成功。
在其中的一个实施方式中，所述步骤S10具体为：
采用心电肢体电极和矢量网络分析仪进行采集，所述心电肢体电极具有夹子结构将两个电极固定在用户手前臂两侧，两个电极分别连接所述矢量网络分析仪的两个接口，在所述矢量网络分析仪限定的300KHz-1.5GHz测试频率段内，通过所述矢量网络分析仪采集N个频率点下测试信号流经用户人体的S21参数。
在其中的一个实施方式中，所述步骤S20具体为：
选择多个其他用户，对于每个其他用户，在选定的测试频率段内，采集N个频率点下测试信号流经人体后的S21参数；
对所有用户的S21参数进行相似度和差异度分析，确定适合用于进行身份认证的最优频率段。
在其中的一个实施方式中，所述对所有用户的S21参数进行相似度和差异度分析的步骤具体为：
计算多个用户在同一测试时间相同频率点S21参数的方差；计算同一用户在多次不同的测试中同一频率点S21参数的方差，通过两类方差进行相似度和差异度分析。
在其中的一个实施方式中，所述最优频率段为650MHz-750MHz。
在其中的一个实施方式中，所述步骤S30具体为：
在最优频率段内，采集多组M个频率点下测试信号流经用户人体的S21参数作为训练数据；
清洗多组训练数据中误差不满足要求的训练数据；
采用清洗后剩余的训练数据生成对用户进行身份认证的认证模板。
在其中的一个实施方式中，所述清洗多组训练数据中误差不满足要求的训练数据的步骤具体为：
将多组训练数据取平均得到初始模板；
计算每组训练数据与初始模板的欧式距离，将欧式距离大于阈值的训练数据清洗掉。
在其中的一个实施方式中，所述采用清洗后剩余的训练数据生成对用户进行身份认证的认证模板的步骤具体为：将剩余的训练数据取平均得到最终的认证模板。
在其中的一个实施方式中，所述步骤S40具体为：
计算清洗后剩余的训练数据所生成特征向量与认证模板之间的加权欧式距离，将计算得到的最大加权欧式距离作为判定阈值；
计算身份认证数据与认证模板之间的加权欧式距离，若加权欧式距离不大于判定阈值则用户身份认证成功，否则认证不成功。
本发明提供的一种穿戴式智能设备身份认证装置，包括：
参数采集模块，在选定的测试频率段内，采集N个频率点下测试信号流经用户人体的S参数，对S参数进行特征提取获取S21参数；
最优频率段确定模块，对S21参数进行分析，确定适合用于进行身份认证的最优频率段；
认证模板生成模块，在最优频率段内，控制所述参数采集模块采集M个频率点下测试信号流经用户人体的S21参数，将在最优频率段内获得的S21参数进行处理，得到用来代表用户身份的认证模板，将得到的认证模板用来对用户进行身份认证；
身份认证模块，在最优频率段内，控制所述参数采集模块采集M个频率点下测试信号流经用户人体的S21参数作为身份认证数据，与认证模板进行比对，若比对通过则身份认证成功，否则身份认证不成功。
在其中的一个实施方式中，所述参数采集模块采用心电肢体电极和矢量网络分析仪进行采集，所述心电肢体电极具有夹子结构将两个电极固定在用户手前臂两侧，两个电极分别连接所述矢量网络分析仪的两个接口，在所述矢量网络分析仪限定的300KHz-1.5GHz测试频率段内，通过所述矢量网络分析仪采集N个频率点下测试信号流经用户人体的S21参数。
在其中的一个实施方式中，所述最优频率段为650MHz-750MHz。
本发明穿戴式智能设备身份认证方法及装置，基于人体通信的原理，结合生物识别技术，在用户使用穿戴式智能设备时，在测试频率段采集测试信号流经用户人体的S21参数确定最优频率段，并在最优频率段内采集S21参数进行处理，得到用来代表用户身份的最终认证模板，通过将采集的用户身份认证数据与认证模板进行比对，实现对用户身份的认证，利用人体生物特征不可复制的唯一性，不会丢失、不会遗忘，很难伪造和假冒等优点，对用户的隐私信息进行有效保护，很好的保证用户的隐私和安全，避免给用户使用穿戴式智能设备带来潜在风险，极大的利于穿戴式智能设备的推广和应用。同时，基于人体通信的生物识别方法来实现对穿戴式智能设备采集的信息保密，利用人体通信微体积、低功耗、高安全、方便快捷的特点对身份认证系统进行便携式设计，且属于轻量级算法，运用的训练数据大量减少，更适合实际应用。
附图说明
图1是一个实施例中的穿戴式智能设备身份认证方法的流程图；
图2是一个实施例中的心电肢体电极安装示意图；
图3是一个具体实施例中5个用户在同一测试时间段测试得到的S21参数曲线示意图；
图4是一个具体实施例中一个用户在4个不同测试时间段测试得到的S21参数曲线示意图；
图5是一个具体实施例中两类方差曲线的示意图；
图6是另一个具体实施例中最优频率段下5个不同用户的特征曲线示意图；
图7是另一个具体实施例中最优频率段下同一个用户在不同测试时间段的特征曲线示意图；
图8是一个实施例中的穿戴式智能设备身份认证装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
人体生物特征具有人体所固有的不可复制的唯一性，而且不会丢失、不会遗忘，很难伪造和假冒，因此采用人体生物特征进行生物识别具有更强的安全性与方便性。例如，指纹、虹膜、人脸、声音、静脉等人体生物特征已经取得了比较好的识别效果。除了这些比较成熟的生物识别技术之外，还有许多新兴的技术，如耳朵识别、人体气味识别、血管识别、步态识别等也被使用。
人体通信在生物识别方面是一项新兴技术，其特点是利用人体作为信号或者信息传输的媒质。人体是一个电磁兼容体系，具有导电率、介电常数。由于不同人体之间的骨骼、肌肉以及血液等生理构造不完全相同、存在差异，故不同人体之间的介电常数也存在差异，所以利用不同人体之间存在的差异能够来对不同用户进行身份识别，故本发明方法基于人体通信的原理，结合生物识别技术根据人体生物特征来对穿戴式智能设备用户进行身份识别，有效保护用户的隐私信息。
具体的，如图1所示，该穿戴式智能设备身份认证方法包括如下步骤：
步骤S10：在选定的测试频率段内，采集N个频率点下测试信号流经用户人体的S参数(散射参数)，对S参数进行特征提取获取S21参数(散射参数的正向传输系数，作为穿戴式智能设备身份认证的特征)。
为充分利用不同人体之间的差异以及人体通信原理，该方法采用电容耦合方式，采集测试信号流经人体后的S参数并获取S21参数。S21参数幅值(作为特征值)变化能够直接反映出信号流经人体的增益，通过不同人体的S21参数的差异能够进行身份认证，将S21参数作为同用户的特征来进行区分认证。采集N个频率点作为特征点。
该实施例中，该步骤具体为：采用电容耦合方式，设置两个电极，其中一个为发射电极，另一个为接收电极，测试信号由发射电极流出流经人体，由接收电极接收。更进一步的，为方便和更准确的测试，该步骤中在选定的测试频率段内，采集N个频率点下测试信号流经用户手前臂的S参数。
结合图2，该步骤具体的：采用心电肢体电极和矢量网络分析仪进行采集，心电肢体电极具有夹子结构将两个电极固定在用户手前臂两侧(优选的，距离手腕6cm处)，两个电极分别连接矢量网络分析仪的两个接口，在矢量网络分析仪限定的300KHz-1.5GHz测试频率段内，通过矢量网络分析仪采集N个频率点下测试信号流经用户人体的S21参数。可选的，测试信号可采用测试频率段内的正弦信号。
为能够充分对S21参数进行分析，该步骤中，采集多组N个频率点下测试信号流经用户人体的S参数，对S参数进行特征提取获取S21参数。即采集多组S21参数，多组S21参数分别在不同测试时间采集。
步骤S20：对S21参数进行分析，确定适合用于进行身份认证的最优频率段。
在获取到用户S21参数后，虽然不同人体的S21参数具有差异性，但是在测试频率段内并不是所有的频率点下的S21参数都能够看出明显差异性，故需要确定适合用于与其他用户进行身份区分，适合对用户进行身份认证的最优频率段。
为能够确定适合用于进行身份认证的最优频率段，该步骤具体为：
选择多个其他用户，对于每个其他用户，在选定的测试频率段内，采集N个频率点下测试信号流经人体后的S21参数。这样对多个用户的S21参数进行采集并分析，获得适合进行身份认证的最优频率段。每个其他用户N个频率点下S21参数也采集多组，且多组在不同测试时间采集。
对所有用户的S21参数进行相似度和差异度分析，确定适合用于进行身份认证的最优频率段。其中，相似度是指同一个用户在不同的测试时间测得的数据是相似的，差异度是指不同用户之间测得的数据存在较大差异，通过相似度和差异度能够确定适合用于进行身份认证的最优频率段。优选的，对所有用户的S21参数进行相似度和差异度分析具体为：计算多个用户在同一测试时间相同频率点S21参数的方差；计算同一用户在多次不同的测试中同一频率点S21参数的方差，通过两类方差(可绘制两类方差的曲线来直观分析)进行相似度和差异度分析。
在300KHz-1.5GHz测试频率段内，通过对S21参数进行相似度和差异度分析，确定适合用于进行身份认证的最优频率段为650MHz-750MHz。
图3至图5是一个具体实施例中确定最优频率段的示意过程，在该具体实施例中，选取10个用户采集数据，进行采集工作，包括8名男性、2名女性，年龄范围是23-34岁，体重在45-75千克之间，身高在150-183cm。在300KHz-1.5GHz的全频段上平均采集1601个频率点。用户的数据分别在不同的测试时间段采集，共采集1800组。
选取5个用户，做出5个用户在同一测试时间段测试得到的S21参数曲线，如图3。做出一个用户在4个不同测试时间段测试得到的S21参数曲线，如图4。根据图3和图4可以看出每个人在全频段的S21参数曲线都是相似的趋势，不同用户之间在不同的频率段存在不同的差异。
然后进行S21参数相似度和差异度的分析。计算两类方差，第一类是10名用户在同一测试时间段相同频率点S21参数的方差；第二类是同一用户在9次不同的测试中，在同一频率点S21参数的方差，并得到两类方差的曲线如图5所示。根据图5，曲线1代表不同用户之间的差异，曲线2代表同一用户在不同测试时间段的差异，在身份认证中，需要的是相对稳定，并且不同用户之间差异大的特征，从图5中发现能够的满足这个要求的频段在650MHz-750MHz之间。其他的频段，如300KHz-650MHz中，曲线1趋近于0，表示不同用户个体之间差异不大，而在750MHz-850MHz之间，曲线2起伏不定，说明特征在这个频段不是很稳定，同一人在不同测试时间段测得的特征差异比较大，均不适合。
步骤S30：在最优频率段内，采集M个频率点下测试信号流经用户人体的S21参数，将在最优频率段内获得的S21参数进行处理，得到用来代表用户身份的认证模板，将得到的认证模板用来对用户进行身份认证。
在确定了适合进行用户身份认证的最优频率段后，由于在最优频率段内，不同用户S21参数存在较大明显的差异，故在最优频率段内采集S21参数生成用来进行身份认证的认证模板，可以有效的对不同用户进行身份认证。优选的，M设定为21，即采集21个频率点下测试信号流经用户人体的S21参数。
图6至图7为另一个具体实施例中在最优频率段内S21参数的示意图。在该实施例中，选取10个用户，在650MHz-750MHz最优频率段内，平均采集21个频率点作为特征点，21个特征点共同组成一个特征曲线。数据分别在早上、下午采集两次，共采集五天，共计十次。在每次数据采集过程中，每人采集3组，每组的时间间隔不低于5分钟。图6是在650MHz-750MHz下5个不同用户的特征曲线，图7是在650MHz-750MHz下同一个用户在不同测试时间段的特征曲线。通过图6和图7能够知道在优选频道段内不同用户之间差异明显，而同一个用户比较稳定、差异不大。
在采集了M个频率点下测试信号流经用户人体的S21参数后，进行处理得到用来代表用户身份的认证模板。该步骤中，进行处理得到用来代表用户身份的认证模板具体为：
在最优频率段内，采集多组M个频率点下测试信号流经用户人体的S21参数作为训练数据。这样先采集多组S21参数作为训练数据，每组有M个频率点(即特征点)，每组训练数据生成一个特征向量。
清洗多组训练数据中误差不满足要求的训练数据。因为在测试过程中，由于实验仪器位置以及用户测试位置的变动，在整个测试过程中，同一人测试得到的所有训练数据不是完全一样的，在一定范围内浮动。但是由于一些操作问题，有些训练数据存在较大的偏差，这就需要将这些训练数据剔除。具体的，将多组训练数据取平均得到初始模板；计算每组训练数据与初始模板的欧式距离，将欧式距离大于阈值的训练数据清洗掉。这样，采用欧式距离法来清除误差大于阈值的训练数据，保证训练质量的合理性。
采用清洗后剩余的训练数据生成对用户进行身份认证的认证模板。具体的，将剩余的训练数据取平均得到最终的认证模板(即将剩余特征向量中的每个特征点取平均)。
步骤S40：在最优频率段内，采集M个频率点下测试信号流经用户人体的S21参数作为身份认证数据，并与认证模板进行比对，若比对通过则身份认证成功，否则身份认证不成功。
在最终获得对用户进行身份认证的身份模板后，可采用最终的身份模板来对用户进行身份认证，判断是否为用户。该步骤中，在最优频率段内采集用户的S21参数作为身份认证数据，与认证模板进行比对。
由于S21参数(特征值)的不稳定，故采用加权欧式距离来进行比对。具体的，包括：
计算清洗后剩余的训练数据所生成特征向量与认证模板之间的加权欧式距离，将计算得到的最大加权欧式距离作为判定阈值。
计算身份认证数据与认证模板之间的加权欧式距离，若加权欧式距离不大于判定阈值则用户身份认证成功，否则认证不成功。
采用加权欧式距离的计算方式可以克服传统的欧氏距离不能突出特征值权重的缺点，并且判定阈值与权值全部通过清洗后的训练数据生成，故能更为准确的来对用户身份进行认证。
该穿戴式智能设备身份认证方法通过反复实验检测和比对，对训练数据清洗效果、数据稳定性分析、固定阈值下的等错误率(EER)等性能进行评价，均达到良好的身份认证效果，能够很好的应用于穿戴式智能设备身份认证。并且与K均值聚类(KNN)、朴素贝叶斯分类(NBM)和支持向量机(SVM)等方式进行对比，更具有准确度高，数据需求更少，更轻量级的优势。
该穿戴式智能设备身份认证方法，基于人体通信的原理，结合生物识别技术，在用户使用穿戴式智能设备时，在测试频率段采集测试信号流经用户人体的S21参数确定最优频率段，并在最优频率段内采集S21参数进行处理，得到用来代表用户身份的最终认证模板，通过将采集的用户身份认证数据与认证模板进行比对，实现对用户身份的认证，利用人体生物特征不可复制的唯一性，不会丢失、不会遗忘，很难伪造和假冒等优点，对用户的隐私信息进行有效保护，很好的保证用户的隐私和安全，避免给用户使用穿戴式智能设备带来潜在风险，极大的利于穿戴式智能设备的推广和应用。同时，该方法基于人体通信的生物识别方法来实现对穿戴式智能设备采集的信息保密，利用人体通信微体积、低功耗、高安全、方便快捷的特点对身份认证系统进行便携式设计，且属于轻量级算法，运用的训练数据大量减少，更适合实际应用。
同时，本发明还提供一种穿戴式智能设备身份认证装置，如图8所示，该装置包括：
参数采集模块100，在选定的测试频率段内，采集N个频率点下测试信号流经用户人体的S参数(散射参数)，对S参数进行特征提取获取S21参数(散射参数的正向传输系数，作为穿戴式智能设备身份认证的特征)。
为充分利用不同人体之间的差异以及人体通信原理，该装置采用电容耦合方式，采集测试信号流经人体后的S参数并获取S21参数。S21参数幅值(作为特征值)变化能够直接反映出信号流经人体的增益，通过不同人体的S21参数的差异能够进行身份认证，将S21参数作为同用户的特征来进行区分认证。采集N个频率点作为特征点。
该实施例中，参数采集模块100采用电容耦合方式，设置两个电极，其中一个为发射电极，另一个为接收电极，测试信号由发射电极流出流经人体，由接收电极接收。更进一步的，为方便和更准确的测试，参数采集模块100在选定的测试频率段内，采集N个频率点下测试信号流经用户手前臂的S参数。
结合图2，参数采集模块100使用心电肢体电极和矢量网络分析仪进行采集，心电肢体电极具有夹子结构将两个电极固定在用户手前臂两侧(优选的，距离手腕6cm处)，两个电极分别连接矢量网络分析仪的两个接口，在矢量网络分析仪限定的300KHz-1.5GHz测试频率段内，通过矢量网络分析仪采集N个频率点下测试信号流经用户人体的S21参数。可选的，测试信号可采用测试频率段内的正弦信号。
为能够充分对S21参数进行分析，参数采集模块100采集多组N个频率点下测试信号流经用户人体的S参数，对S参数进行特征提取获取S21参数。即采集多组S21参数，多组S21参数分别在不同测试时间采集。
最优频率段确定模块200，对S21参数进行分析，确定适合用于进行身份认证的最优频率段。
在获取到用户S21参数后，虽然不同人体的S21参数具有差异性，但是在测试频率段内并不是所有的频率点下的S21参数都能够看出明显差异性，故需要确定适合用于与其他用户进行身份区分，适合对用户进行身份认证的最优频率段。
为能够确定适合用于进行身份认证的最优频率段，最优频率段确定模块200具体操作为：
最优频率段确定模块200选择多个其他用户，对于每个其他用户，在选定的测试频率段内，控制参数采集模块100采集N个频率点下测试信号流经人体后的S21参数。这样对多个用户的S21参数进行采集并分析，获得适合进行身份认证的最优频率段。每个其他用户N个频率点下S21参数也采集多组，且多组在不同测试时间采集。
最优频率段确定模块200对所有用户的S21参数进行相似度和差异度分析，确定适合用于进行身份认证的最优频率段。其中，相似度是指同一个用户在不同的测试时间测得的数据是相似的，差异度是指不同用户之间测得的数据存在较大差异，通过相似度和差异度能够确定适合用于进行身份认证的最优频率段。优选的，最优频率段确定模块200对所有用户的S21参数进行相似度和差异度分析具体为：最优频率段确定模块200计算多个用户在同一测试时间相同频率点S21参数的方差；计算同一用户在多次不同的测试中同一频率点S21参数的方差，通过两类方差(可绘制两类方差的曲线来直观分析)进行相似度和差异度分析。
在300KHz-1.5GHz测试频率段内，最优频率段确定模块200通过对S21参数进行相似度和差异度分析，确定适合用于进行身份认证的最优频率段为650MHz-750MHz。
结合图3至图5是一个具体实施例中确定最优频率段的示意过程，在该具体实施例中，选取10个用户采集数据，进行采集工作，包括8名男性、2名女性，年龄范围是23-34岁，体重在45-75千克之间，身高在150-183cm。在300KHz-1.5GHz的全频段上平均采集1601个频率点。用户的数据分别在不同的测试时间段采集，共采集1800组。
选取5个用户，做出5个用户在同一测试时间段测试得到的S21参数曲线，如图3。做出一个用户在4个不同测试时间段测试得到的S21参数曲线，如图4。根据图3和图4可以看出每个人在全频段的S21参数曲线都是相似的趋势，不同用户之间在不同的频率段存在不同的差异。
最优频率段确定模块200然后进行S21参数相似度和差异度的分析。计算两类方差，第一类是10名用户在同一测试时间段相同频率点S21参数的方差；第二类是同一用户在9次不同的测试中，在同一频率点S21参数的方差，并得到两类方差的曲线如图5所示。根据图5，曲线1代表不同用户之间的差异，曲线2代表同一用户在不同测试时间段的差异，在身份认证中，需要的是相对稳定，并且不同用户之间差异大的特征，从图5中发现能够的满足这个要求的频段在650MHz-750MHz之间。其他的频段，如300KHz-650MHz中，曲线1趋近于0，表示不同用户个体之间差异不大，而在750MHz-850MHz之间，曲线2起伏不定，说明特征在这个频段不是很稳定，同一人在不同测试时间段测得的特征差异比较大，均不适合。
认证模板生成模块300，在最优频率段内，控制所述参数采集模块100采集M个频率点下测试信号流经用户人体的S21参数，将在最优频率段内获得的S21参数进行处理，得到用来代表用户身份的认证模板，将得到的认证模板用来对用户进行身份认证。
在确定了适合进行用户身份认证的最优频率段后，由于在最优频率段内，不同用户S21参数存在较大明显的差异，故认证模板生成模块300在最优频率段内采集S21参数生成用来进行身份认证的认证模板，可以有效的对不同用户进行身份认证。优选的，M设定为21，即采集21个频率点下测试信号流经用户人体的S21参数。
图6至图7为另一个具体实施例中在最优频率段内S21参数的示意图。在该实施例中，选取10个用户，在650MHz-750MHz最优频率段内，平均采集21个频率点作为特征点，21个特征点共同组成一个特征曲线。数据分别在早上、下午采集两次，共采集五天，共计十次。在每次数据采集过程中，每人采集3组，每组的时间间隔不低于5分钟。图6是在650MHz-750MHz下5个不同用户的特征曲线，图7是在650MHz-750MHz下同一个用户在不同测试时间段的特征曲线。通过图6和图7能够知道在优选频道段内不同用户之间差异明显，而同一个用户比较稳定、差异不大。
在采集了M个频率点下测试信号流经用户人体的S21参数后，认证模板生成模块300进行处理得到用来代表用户身份的认证模板，具体为：
在最优频率段内，控制参数采集模块100采集多组M个频率点下测试信号流经用户人体的S21参数作为训练数据。这样先采集多组S21参数作为训练数据，每组有M个频率点(即特征点)，每组训练数据生成一个特征向量。
认证模板生成模块300清洗多组训练数据中误差不满足要求的训练数据。因为在测试过程中，由于实验仪器位置以及用户测试位置的变动，在整个测试过程中，同一人测试得到的所有训练数据不是完全一样的，在一定范围内浮动。但是由于一些操作问题，有些训练数据存在较大的偏差，这就需要将这些训练数据剔除。具体的，认证模板生成模块300将多组训练数据取平均得到初始模板；计算每组训练数据与初始模板的欧式距离，将欧式距离大于阈值的训练数据清洗掉。这样，采用欧式距离法来清除误差大于阈值的训练数据，保证训练质量的合理性。
认证模板生成模块300采用清洗后剩余的训练数据生成对用户进行身份认证的认证模板。具体的，将剩余的训练数据取平均得到最终的认证模板(即将剩余特征向量中的每个特征点取平均)。
身份认证模块400，在最优频率段内，控制所述参数采集模块100采集M个频率点下测试信号流经用户人体的S21参数作为身份认证数据，与认证模板进行比对，若比对通过则身份认证成功，否则身份认证不成功。
在最终获得对用户进行身份认证的身份模板后，身份认证模块400可采用最终的身份模板来对用户进行身份认证，判断是否为用户。控制参数采集模块100在最优频率段内采集用户的S21参数作为身份认证数据，身份认证模块400与认证模板进行比对。
由于S21参数(特征值)的不稳定，故身份认证模块400采用加权欧式距离来进行比对。具体的：
身份认证模块400计算清洗后剩余的训练数据所生成特征向量与认证模板之间的加权欧式距离，将计算得到的最大加权欧式距离作为判定阈值。
身份认证模块400计算身份认证数据与认证模板之间的加权欧式距离，若加权欧式距离不大于判定阈值则用户身份认证成功，否则认证不成功。
身份认证模块400采用加权欧式距离的计算方式可以克服传统的欧氏距离不能突出特征值权重的缺点，并且判定阈值与权值全部通过清洗后的训练数据生成，故能更为准确的来对用户身份进行认证。
该穿戴式智能设备身份认证装置通过反复实验检测和比对，对训练数据清洗效果、数据稳定性分析、固定阈值下的等错误率(EER)等性能进行评价，均达到良好的身份认证效果，能够很好的应用于穿戴式智能设备身份认证。并且与K均值聚类(KNN)、朴素贝叶斯分类(NBM)和支持向量机(SVM)等方式进行对比，更具有准确度高，数据需求更少，更轻量级的优势。
该穿戴式智能设备身份认证装置，基于人体通信的原理，结合生物识别技术，在用户使用穿戴式智能设备时，在测试频率段采集测试信号流经用户人体的S21参数确定最优频率段，并在最优频率段内采集S21参数进行处理，得到用来代表用户身份的最终认证模板，通过将采集的用户身份认证数据与认证模板进行比对，实现对用户身份的认证，利用人体生物特征不可复制的唯一性，不会丢失、不会遗忘，很难伪造和假冒等优点，对用户的隐私信息进行有效保护，很好的保证用户的隐私和安全，避免给用户使用穿戴式智能设备带来潜在风险，极大的利于穿戴式智能设备的推广和应用。同时，该装置基于人体通信的生物识别方法来实现对穿戴式智能设备采集的信息保密，利用人体通信微体积、低功耗、高安全、方便快捷的特点对身份认证系统进行便携式设计，且属于轻量级算法，运用的训练数据大量减少，更适合实际应用。
本发明穿戴式智能设备身份认证方法及装置，基于人体通信的原理，结合生物识别技术，在用户使用穿戴式智能设备时，在测试频率段采集测试信号流经用户人体的S21参数确定最优频率段，并在最优频率段内采集S21参数进行处理，得到用来代表用户身份的最终认证模板，通过将采集的用户身份认证数据与认证模板进行比对，实现对用户身份的认证，利用人体生物特征不可复制的唯一性，不会丢失、不会遗忘，很难伪造和假冒等优点，对用户的隐私信息进行有效保护，很好的保证用户的隐私和安全，避免给用户使用穿戴式智能设备带来潜在风险，极大的利于穿戴式智能设备的推广和应用。同时，基于人体通信的生物识别方法来实现对穿戴式智能设备采集的信息保密，利用人体通信微体积、低功耗、高安全、方便快捷的特点对身份认证系统进行便携式设计，且属于轻量级算法，运用的训练数据大量减少，更适合实际应用。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种穿戴式智能设备身份认证方法，其特征在于，包括如下步骤：
步骤S10：在选定的测试频率段内，采集N个频率点下测试信号流经用户人体的S参数，对S参数进行特征提取获取S21参数；
步骤S20：对S21参数进行分析，确定适合用于进行身份认证的最优频率段；
步骤S30：在最优频率段内，采集M个频率点下测试信号流经用户人体的S21参数，将在最优频率段内获得的S21参数进行处理，得到用来代表用户身份的认证模板，将得到的认证模板用来对用户进行身份认证；
步骤S40：在最优频率段内，采集M个频率点下测试信号流经用户人体的S21参数作为身份认证数据，并与认证模板进行比对，若比对通过则身份认证成功，否则身份认证不成功。
2.根据权利要求1所述的穿戴式智能设备身份认证方法，其特征在于，所述步骤S10具体为：
采用心电肢体电极和矢量网络分析仪进行采集，所述心电肢体电极具有夹子结构将两个电极固定在用户手前臂两侧，两个电极分别连接所述矢量网络分析仪的两个接口，在所述矢量网络分析仪限定的300KHz-1.5GHz测试频率段内，通过所述矢量网络分析仪采集N个频率点下测试信号流经用户人体的S21参数。
3.根据权利要求2所述的穿戴式智能设备身份认证方法，其特征在于，所述步骤S20具体为：
选择多个其他用户，对于每个其他用户，在选定的测试频率段内，采集N个频率点下测试信号流经人体后的S21参数；
对所有用户的S21参数进行相似度和差异度分析，确定适合用于进行身份认证的最优频率段。
4.根据权利要求3所述的穿戴式智能设备身份认证方法，其特征在于，所述对所有用户的S21参数进行相似度和差异度分析的步骤具体为：
计算多个用户在同一测试时间相同频率点S21参数的方差；计算同一用户在多次不同的测试中同一频率点S21参数的方差，通过两类方差进行相似度和差异度分析。
5.根据权利要求4所述的穿戴式智能设备身份认证方法，其特征在于，所述最优频率段为650MHz-750MHz。
6.根据权利要求1-5任一所述的穿戴式智能设备身份认证方法，其特征在于，所述步骤S30具体为：
在最优频率段内，采集多组M个频率点下测试信号流经用户人体的S21参数作为训练数据；
清洗多组训练数据中误差不满足要求的训练数据；
采用清洗后剩余的训练数据生成对用户进行身份认证的认证模板。
7.根据权利要求6所述的穿戴式智能设备身份认证方法，其特征在于，所述清洗多组训练数据中误差不满足要求的训练数据的步骤具体为：
将多组训练数据取平均得到初始模板；
计算每组训练数据与初始模板的欧式距离，将欧式距离大于阈值的训练数据清洗掉。
8.根据权利要求6所述的穿戴式智能设备身份认证方法，其特征在于，所述采用清洗后剩余的训练数据生成对用户进行身份认证的认证模板的步骤具体为：将剩余的训练数据取平均得到最终的认证模板。
9.根据权利要求6所述的穿戴式智能设备身份认证方法，其特征在于，所述步骤S40具体为：
计算清洗后剩余的训练数据所生成特征向量与认证模板之间的加权欧式距离，将计算得到的最大加权欧式距离作为判定阈值；
计算身份认证数据与认证模板之间的加权欧式距离，若加权欧式距离不大于判定阈值则用户身份认证成功，否则认证不成功。
10.一种穿戴式智能设备身份认证装置，其特征在于，包括：
参数采集模块，在选定的测试频率段内，采集N个频率点下测试信号流经用户人体的S参数，对S参数进行特征提取获取S21参数；
最优频率段确定模块，对S21参数进行分析，确定适合用于进行身份认证的最优频率段；
认证模板生成模块，在最优频率段内，控制所述参数采集模块采集M个频率点下测试信号流经用户人体的S21参数，将在最优频率段内获得的S21参数进行处理，得到用来代表用户身份的认证模板，将得到的认证模板用来对用户进行身份认证；
身份认证模块，在最优频率段内，控制所述参数采集模块采集M个频率点下测试信号流经用户人体的S21参数作为身份认证数据，与认证模板进行比对，若比对通过则身份认证成功，否则身份认证不成功。
11.根据权利要求10所述的穿戴式智能设备身份认证装置，其特征在于，所述参数采集模块采用心电肢体电极和矢量网络分析仪进行采集，所述心电肢体电极具有夹子结构将两个电极固定在用户手前臂两侧，两个电极分别连接所述矢量网络分析仪的两个接口，在所述矢量网络分析仪限定的300KHz-1.5GHz测试频率段内，通过所述矢量网络分析仪采集N个频率点下测试信号流经用户人体的S21参数。
12.根据权利要求10所述的穿戴式智能设备身份认证装置，其特征在于，所述最优频率段为650MHz-750MHz。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610672053.7A CN106295300B (zh) | 2016-08-15 | 2016-08-15 | 一种穿戴式智能设备身份认证方法及装置 |
| PCT/CN2016/102686 WO2018032599A1 (zh) | 2016-08-15 | 2016-10-20 | 一种穿戴式智能设备身份认证方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610672053.7A CN106295300B (zh) | 2016-08-15 | 2016-08-15 | 一种穿戴式智能设备身份认证方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106295300A CN106295300A (zh) | 2017-01-04 |
| CN106295300B true CN106295300B (zh) | 2019-04-26 |
Family
ID=57670529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610672053.7A Active CN106295300B (zh) | 2016-08-15 | 2016-08-15 | 一种穿戴式智能设备身份认证方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN106295300B (zh) |
| WO (1) | WO2018032599A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897693B (zh) * | 2017-02-23 | 2021-01-08 | 深圳先进技术研究院 | 一种身份识别方法、装置及系统 |
| TWI657352B (zh) * | 2017-07-21 | 2019-04-21 | 中華電信股份有限公司 | 三維電容式穿戴人機互動裝置及方法 |
| CN111385034B (zh) * | 2020-02-24 | 2021-06-25 | 中国科学院深圳先进技术研究院 | 一种可自适应优化的穿戴式人体通信方法及装置 |
| CN111859352A (zh) * | 2020-07-23 | 2020-10-30 | 歌尔科技有限公司 | 一种身份认证方法、装置、智能穿戴设备及可读存储介质 |
| CN112214783B (zh) * | 2020-11-18 | 2023-08-25 | 西北大学 | 一种基于可信执行环境的步态识别平台及识别方法 |
| CN116028914B (zh) * | 2023-03-27 | 2023-06-16 | 深圳市魔样科技有限公司 | 一种智能戒指身份认证方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102460507A (zh) * | 2009-06-17 | 2012-05-16 | 富士通株式会社 | 生物体认证装置、生物体认证方法以及生物体认证用计算机程序 |
| CN104036179A (zh) * | 2014-06-06 | 2014-09-10 | 北京智谷睿拓技术服务有限公司 | 鉴权方法和设备 |
| CN104393889A (zh) * | 2014-11-24 | 2015-03-04 | 中国科学院深圳先进技术研究院 | 用于人体通信的收发器结构、通信系统及方法 |
| CN204633806U (zh) * | 2015-05-08 | 2015-09-09 | 浙江师范大学 | 一种可穿戴式的基于脉搏特征的远程认证系统 |
| CN105184254A (zh) * | 2015-09-02 | 2015-12-23 | 深圳先进技术研究院 | 一种身份认证方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090270743A1 (en) * | 2008-04-17 | 2009-10-29 | Dugan Brian M | Systems and methods for providing authenticated biofeedback information to a mobile device and for using such information |
| CN101686391A (zh) * | 2008-09-22 | 2010-03-31 | 华为技术有限公司 | 视频编码/解码方法、装置与视频播放方法、装置及系统 |
| CN101901351B (zh) * | 2010-07-28 | 2012-09-05 | 中国科学院自动化研究所 | 基于层次结构的人脸和虹膜图像融合识别方法 |
| CN104102915B (zh) * | 2014-07-01 | 2019-02-22 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
-
2016
- 2016-08-15 CN CN201610672053.7A patent/CN106295300B/zh active Active
- 2016-10-20 WO PCT/CN2016/102686 patent/WO2018032599A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102460507A (zh) * | 2009-06-17 | 2012-05-16 | 富士通株式会社 | 生物体认证装置、生物体认证方法以及生物体认证用计算机程序 |
| CN104036179A (zh) * | 2014-06-06 | 2014-09-10 | 北京智谷睿拓技术服务有限公司 | 鉴权方法和设备 |
| CN104393889A (zh) * | 2014-11-24 | 2015-03-04 | 中国科学院深圳先进技术研究院 | 用于人体通信的收发器结构、通信系统及方法 |
| CN204633806U (zh) * | 2015-05-08 | 2015-09-09 | 浙江师范大学 | 一种可穿戴式的基于脉搏特征的远程认证系统 |
| CN105184254A (zh) * | 2015-09-02 | 2015-12-23 | 深圳先进技术研究院 | 一种身份认证方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106295300A (zh) | 2017-01-04 |
| WO2018032599A1 (zh) | 2018-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295300B (zh) | 一种穿戴式智能设备身份认证方法及装置 | |
| US7689833B2 (en) | Method and apparatus for electro-biometric identity recognition | |
| KR101019844B1 (ko) | 전기-생체 신원 인식 방법 및 장치 | |
| Liu et al. | Continuous user verification via respiratory biometrics | |
| US20060136744A1 (en) | Method and apparatus for electro-biometric identity recognition | |
| CN105184254B (zh) | 一种身份认证方法及系统 | |
| Vanoni et al. | Cross-database evaluation using an open finger vein sensor | |
| Vhaduri et al. | Biometric-based wearable user authentication during sedentary and non-sedentary periods | |
| JP5642210B2 (ja) | 電子バイオメトリック識別認識のための方法及び装置 | |
| Hestbek et al. | Biometric gait recognition for mobile devices using wavelet transform and support vector machines | |
| Choi et al. | User Authentication System Based on Baseline-corrected ECG for Biometrics. | |
| Shang et al. | A usable authentication system using wrist-worn photoplethysmography sensors on smartwatches | |
| Hu et al. | A real-time electroencephalogram (EEG) based individual identification interface for mobile security in ubiquitous environment | |
| Nadia et al. | Seamless human impedance-based iot authentication with machine learning techniques | |
| Sciarrone et al. | A wearable prototype for neurological symptoms recognition | |
| Sciarrone et al. | NeuroGlasses: A wearable prototype for early detection of neurological symptoms | |
| CN112990261A (zh) | 一种基于敲击节奏的智能手表用户识别方法 | |
| Hui et al. | An assessment of user authentication methods in mobile phones | |
| Chen et al. | Exploiting mallows distance to quantify EEG distribution for personal identification | |
| Hernández-Álvarez et al. | EEG Data for User Authentication with Multi-Class and One-Class Classifiers | |
| Li et al. | RPWAEAuth: Sensor-Based Continuous Authentication Using Reconstruction Probability in Wasserstein Autoencoder | |
| US9575470B2 (en) | System for biometric identity confirmation | |
| EP3022613B1 (en) | Biometric identification method using pulse waveform | |
| CN114090998A (zh) | 一种基于脑电波信号采集的身份信息安全认证方法 | |
| 성동석 | A Robust Authentication Algorithm for ECG Wavelet with Varying Characteristics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |