本技术提出了一种基于振动反馈的腕戴设备身份认证方法。通过智能手表等设备生成振动信号,并利用内置加速度计实时采集用户的振动响应数据。本方法包括信号的噪声过滤、方向校正和归一化预处理,随后通过多阶差分提取振动特征,并利用多分支卷积神经网络(MCNN)进行特征提取和融合,以捕捉不同时间尺度的振动特征。最终通过Softmax分类器进行身份匹配。本方法在多种佩戴姿态、手部动作变化和复杂使用场景中均表现出良好的稳定性和识别精度,具备高抗干扰能力。
背景技术
随着信息技术的迅猛发展和物联网(IoT)技术的日益普及,设备已成为现代生活中不可或缺的一部分,尤其是智能手表、健身追踪器等腕戴设备,它们凭借其实时健康监测、消息通知、移动支付、导航以及运动追踪等多功能性和便携性,逐渐成为了个人数字生活的核心载体。这些设备能够实时监测用户的心率、血压、睡眠质量等健康数据,为用户提供精准的健康管理服务,并通过集成多种应用功能,极大地提升了用户的生活质量和日常便利性。
然而,随着腕戴设备功能的不断拓展和深化,其安全性问题也日益凸显。智能手表等腕戴设备中存储和传输了大量敏感信息,包括但不限于用户的健康数据、实时位置信息、支付记录等。这些信息一旦遭受恶意攻击或被非法获取,将对用户的个人隐私和财产安全构成严重威胁。特别是在身份认证领域,传统的认证方式,如密码、PIN码等,因易破解、易遗忘等缺点,已难以满足现代智能设备对于高安全性和便捷性的双重需求。
目前,最接近的现有技术主要聚焦于生物特征识别和振动反馈两种身份认证方法。生物特征识别技术,如指纹识别、面部识别和虹膜扫描,虽已广泛应用于各类智能设备中,并因其基于用户独特生理特征的特性而提供了较高的安全性,但在实际应用中却面临着显著的环境局限性。例如,指纹识别在手指潮湿、脏污或受伤时,其识别准确率会大幅下降;面部识别则在光线不足、用户佩戴口罩或面部表情变化时,其识别效果会显著减弱。此外,生物特征数据一旦被盗取或滥用,将带来难以逆转的安全风险,且这些技术往往需依赖特定的硬件支持,增加了设备的复杂性和制造成本。
另一类现有技术,即基于振动反馈的身份认证方法,虽尝试通过检测用户对振动刺激的响应来实现身份认证,并取得了一定的研究成果,但仍处于探索阶段,其识别精度和稳定性有待进一步提升。例如,现有的振动反馈身份认证系统可能需要用户执行特定的动作或模式,这不仅增加了用户的操作负担,也可能影响认证的便捷性和用户体验。其次,现有方法通常依赖多轴振动数据和复杂的双因子模型组合,虽然能够实现身份验证,但在实际应用中容易受到佩戴位置变化和噪声干扰的影响,对自然手势和日常活动适应性较差。
实现思路