基于传感器数据的手机用户身份识别模型研究

摘要

随着互联网时代的高速发展，智能手机已经成为人们生活中不可或缺的组成部分，被广泛应用于社交，电子商务，商业以及娱乐等各个领域。与传统通讯工具仅支持电话短信等通讯功能不同的是，智能手机上安装的应用程序赋予其更多的功能，再加上互联网的介入，使得智能手机真正成为了功能丰富的智能终端。与此同时，安装在智能手机上的各种社交类应用包含了用户的私人信息，而支付宝，微信等可支付类软件还涉及到用户财产信息，因此，智能手机上的数据非常敏感，智能手机的用户安全显得尤为重要。由于目前智能手机普遍搭载有高精度、低功耗的内置传感器，为解决上述问题，本文提出根据智能手机运动时的传感器数据来对用户身份进行识别。具体研究内容如下： (1)分两种场景获取模型研究的手机传感器数据：自行采集和搜索公开数据集。编写Android应用程序自行采集用户摇动手机产生的数据构建数据集；选取符合手机身份识别的公开手机传感器数据集。 (2)原始感知数据的处理。因为对用户的身份识别要求高准确率，所以需要处理无关数据和由于传感器硬件设备差异造成的噪声。从频域角度提取信息增大用户之间的区分度，进行输入前的其他预处理操作。 (3)针对现有识别方式的缺陷，从探索智能手机运动时产生的传感器数据出发，对应于两种数据集，提出一种结合卷积神经网络和循环神经网络的用户身份识别模型。其中，双流（Two-stream）卷积神经网络用于提取传感器数据的时域和频域特征，之后的融合卷积用于融合不同类型传感器的时频特征；时钟循环神经网络进一步分析卷积后得到的特征序列中的隐藏信息，同时挖掘时间序列的前后联系。 (4)所提模型与普通卷积神经网络和传统机器学习算法进行对比，实验结果表明本文提出的模型性能优于其他方法，相较于其他类似工作在性能上也具有优势，能够在多种场合下有效地识别出智能手机用户的身份，具有良好的普适性。

目录

声明

第一章 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 基于手势的身份识别

1.2.2 基于行为的身份识别

1.2.3 基于触摸和按键的身份识别

1.3 本文研究内容

1.4 本文层次结构安排

第二章 模型技术理论及相关算法

2.1 机器学习概述

2.1.1 相关概念

2.1.2 相关流程

2.2 深度神经网络

2.2.1 深度学习和神经网络

2.2.2 TensorFlow

2.3 本文所用算法

2.3.1 支持向量机

2.3.2 卷积神经网络

2.3.3 循环神经网络

2.4 本章小结

第三章 传感器数据与预处理

3.1 传感器概述

3.1.1 智能手机传感器

3.1.2 传感器开发接口

3.2 数据来源

3.2.1 摇动手机数据

3.2.2 日常行为数据

3.3 预处理

3.3.1 同步处理

3.3.2 长度归一化

3.3.3 时域到频域的转换

3.3.4 间隔化

3.4 本章小结

第四章 智能手机用户识别模型

4.1 模型解决方案

4.2 时频双流融合卷积神经网络

4.2.1 时频双流卷积神经网络

4.2.2 融合卷积网络

4.3 时钟循环神经网络

4.3.1 隐藏层信息分组

4.3.2 权重矩阵上三角化

4.4 整体模型

4.4.1 模型整体结构

4.4.2 模型优化

4.4.3 模型计算过程

4.5 本章小结

第五章 实验及结果分析

5.1 实验环境

5.2 实验设置

5.2.1 卷积相关参数

5.2.2 训练集与测试集划分比例

5.2.3 时频参数比例

5.2.4 第一个系列实验

5.2.5 第二个系列实验

5.2.6 对比实验

5.3 评价指标

5.3.1 准确率

5.3.2 F1值

5.3.3 混淆矩阵

5.3.4 ROC曲线

5.3.5 AUC

5.4 实验结果

5.4.1 划分比例

5.4.2 时频权重参数的影响

5.4.3 ShakeLogin与HHAR所有行为实验结果

5.4.4 HHAR单独行为实验结果

5.4.5 对比实验结果

5.5 整体评估

5.6 本章小结

第六章 结束语

6.1 全文总结

6.2 不足与展望

致谢

参考文献

攻硕期间取得的研究成果