一種穿戴式智能設備身份認證方法及裝置與流程

2023-06-09 20:35:01 3

本發明涉及身份認證領域，尤其涉及一種穿戴式智能設備身份認證方法及裝置。

背景技術：

近年來，隨著微處理器、傳感器和計算機網絡的發展，穿戴式智能設備在全球用戶中的滲透率不斷提高，多樣化的穿戴式智能設備逐漸在工業、醫療、軍事、教育、娛樂等多個領域表現出重要的研究價值和應用潛力。

穿戴式智能設備中通常攜帶大量的傳感器，用來收集用戶的健康、愛好、日程安排等隱私信息，這些隱私信息由於涉及用戶的人身和財物的安全，對於用戶來說至關重要，必須進行加密保護，防止洩露。但是，目前市面上大部分的穿戴式智能設備都沒有對其檢測保存的用戶隱私信息進行保護的能力，少數幾種穿戴式智能設備只採用傳統的保護方式(口令、IC卡、條紋碼、磁卡或鑰匙)來進行用戶隱私信息保護，這些方式存在著容易丟失、遺忘、複製以及被盜用等諸多不利因素，無法對用戶的隱私信息進行有效保護，不能很好的保證用戶的隱私和安全，給用戶使用穿戴式智能設備帶來潛在的風險，不利於穿戴式智能設備的推廣和應用。

技術實現要素：

有鑑於此，有必要針對上述穿戴式智能設備不能對用戶隱私信息進行有效保護、不能很好的保證用戶的隱私和安全的問題，提供一種穿戴式智能設備身份認證方法。

此外，本發明還提供一種穿戴式智能設備身份認證裝置。

本發明提供的一種穿戴式智能設備身份認證方法，包括如下步驟：

步驟S10：在選定的測試頻率段內，採集N個頻率點下測試信號流經用戶人體的S參數，對S參數進行特徵提取獲取S21參數；

步驟S20：對S21參數進行分析，確定適合用於進行身份認證的最優頻率段；

步驟S30：在最優頻率段內，採集M個頻率點下測試信號流經用戶人體的S21參數，將在最優頻率段內獲得的S21參數進行處理，得到用來代表用戶身份的認證模板，將得到的認證模板用來對用戶進行身份認證；

步驟S40：在最優頻率段內，採集M個頻率點下測試信號流經用戶人體的S21參數作為身份認證數據，並與認證模板進行比對，若比對通過則身份認證成功，否則身份認證不成功。

在其中的一個實施方式中，所述步驟S10具體為：

採用心電肢體電極和矢量網絡分析儀進行採集，所述心電肢體電極具有夾子結構將兩個電極固定在用戶手前臂兩側，兩個電極分別連接所述矢量網絡分析儀的兩個接口，在所述矢量網絡分析儀限定的300KHz-1.5GHz測試頻率段內，通過所述矢量網絡分析儀採集N個頻率點下測試信號流經用戶人體的S21參數。

在其中的一個實施方式中，所述步驟S20具體為：

選擇多個其他用戶，對於每個其他用戶，在選定的測試頻率段內，採集N個頻率點下測試信號流經人體後的S21參數；

對所有用戶的S21參數進行相似度和差異度分析，確定適合用於進行身份認證的最優頻率段。

在其中的一個實施方式中，所述對所有用戶的S21參數進行相似度和差異度分析的步驟具體為：

計算多個用戶在同一測試時間相同頻率點S21參數的方差；計算同一用戶在多次不同的測試中同一頻率點S21參數的方差，通過兩類方差進行相似度和差異度分析。

在其中的一個實施方式中，所述最優頻率段為650MHz-750MHz。

在其中的一個實施方式中，所述步驟S30具體為：

在最優頻率段內，採集多組M個頻率點下測試信號流經用戶人體的S21參數作為訓練數據；

清洗多組訓練數據中誤差不滿足要求的訓練數據；

採用清洗後剩餘的訓練數據生成對用戶進行身份認證的認證模板。

在其中的一個實施方式中，所述清洗多組訓練數據中誤差不滿足要求的訓練數據的步驟具體為：

將多組訓練數據取平均得到初始模板；

計算每組訓練數據與初始模板的歐式距離，將歐式距離大於閾值的訓練數據清洗掉。

在其中的一個實施方式中，所述採用清洗後剩餘的訓練數據生成對用戶進行身份認證的認證模板的步驟具體為：將剩餘的訓練數據取平均得到最終的認證模板。

在其中的一個實施方式中，所述步驟S40具體為：

計算清洗後剩餘的訓練數據所生成特徵向量與認證模板之間的加權歐式距離，將計算得到的最大加權歐式距離作為判定閾值；

計算身份認證數據與認證模板之間的加權歐式距離，若加權歐式距離不大於判定閾值則用戶身份認證成功，否則認證不成功。

本發明提供的一種穿戴式智能設備身份認證裝置，包括：

參數採集模塊，在選定的測試頻率段內，採集N個頻率點下測試信號流經用戶人體的S參數，對S參數進行特徵提取獲取S21參數；

最優頻率段確定模塊，對S21參數進行分析，確定適合用於進行身份認證的最優頻率段；

認證模板生成模塊，在最優頻率段內，控制所述參數採集模塊採集M個頻率點下測試信號流經用戶人體的S21參數，將在最優頻率段內獲得的S21參數進行處理，得到用來代表用戶身份的認證模板，將得到的認證模板用來對用戶進行身份認證；

身份認證模塊，在最優頻率段內，控制所述參數採集模塊採集M個頻率點下測試信號流經用戶人體的S21參數作為身份認證數據，與認證模板進行比對，若比對通過則身份認證成功，否則身份認證不成功。

在其中的一個實施方式中，所述參數採集模塊採用心電肢體電極和矢量網絡分析儀進行採集，所述心電肢體電極具有夾子結構將兩個電極固定在用戶手前臂兩側，兩個電極分別連接所述矢量網絡分析儀的兩個接口，在所述矢量網絡分析儀限定的300KHz-1.5GHz測試頻率段內，通過所述矢量網絡分析儀採集N個頻率點下測試信號流經用戶人體的S21參數。

在其中的一個實施方式中，所述最優頻率段為650MHz-750MHz。

本發明穿戴式智能設備身份認證方法及裝置，基於人體通信的原理，結合生物識別技術，在用戶使用穿戴式智能設備時，在測試頻率段採集測試信號流經用戶人體的S21參數確定最優頻率段，並在最優頻率段內採集S21參數進行處理，得到用來代表用戶身份的最終認證模板，通過將採集的用戶身份認證數據與認證模板進行比對，實現對用戶身份的認證，利用人體生物特徵不可複製的唯一性，不會丟失、不會遺忘，很難偽造和假冒等優點，對用戶的隱私信息進行有效保護，很好的保證用戶的隱私和安全，避免給用戶使用穿戴式智能設備帶來潛在風險，極大的利於穿戴式智能設備的推廣和應用。同時，基於人體通信的生物識別方法來實現對穿戴式智能設備採集的信息保密，利用人體通信微體積、低功耗、高安全、方便快捷的特點對身份認證系統進行可攜式設計，且屬於輕量級算法，運用的訓練數據大量減少，更適合實際應用。

附圖說明

圖1是一個實施例中的穿戴式智能設備身份認證方法的流程圖；

圖2是一個實施例中的心電肢體電極安裝示意圖；

圖3是一個具體實施例中5個用戶在同一測試時間段測試得到的S21參數曲線示意圖；

圖4是一個具體實施例中一個用戶在4個不同測試時間段測試得到的S21參數曲線示意圖；

圖5是一個具體實施例中兩類方差曲線的示意圖；

圖6是另一個具體實施例中最優頻率段下5個不同用戶的特徵曲線示意圖；

圖7是另一個具體實施例中最優頻率段下同一個用戶在不同測試時間段的特徵曲線示意圖；

圖8是一個實施例中的穿戴式智能設備身份認證裝置的結構圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，並不用於限定本發明。

人體生物特徵具有人體所固有的不可複製的唯一性，而且不會丟失、不會遺忘，很難偽造和假冒，因此採用人體生物特徵進行生物識別具有更強的安全性與方便性。例如，指紋、虹膜、人臉、聲音、靜脈等人體生物特徵已經取得了比較好的識別效果。除了這些比較成熟的生物識別技術之外，還有許多新興的技術，如耳朵識別、人體氣味識別、血管識別、步態識別等也被使用。

人體通信在生物識別方面是一項新興技術，其特點是利用人體作為信號或者信息傳輸的媒質。人體是一個電磁兼容體系，具有導電率、介電常數。由於不同人體之間的骨骼、肌肉以及血液等生理構造不完全相同、存在差異，故不同人體之間的介電常數也存在差異，所以利用不同人體之間存在的差異能夠來對不同用戶進行身份識別，故本發明方法基於人體通信的原理，結合生物識別技術根據人體生物特徵來對穿戴式智能設備用戶進行身份識別，有效保護用戶的隱私信息。

具體的，如圖1所示，該穿戴式智能設備身份認證方法包括如下步驟：

步驟S10：在選定的測試頻率段內，採集N個頻率點下測試信號流經用戶人體的S參數(散射參數)，對S參數進行特徵提取獲取S21參數(散射參數的正向傳輸係數，作為穿戴式智能設備身份認證的特徵)。

為充分利用不同人體之間的差異以及人體通信原理，該方法採用電容耦合方式，採集測試信號流經人體後的S參數並獲取S21參數。S21參數幅值(作為特徵值)變化能夠直接反映出信號流經人體的增益，通過不同人體的S21參數的差異能夠進行身份認證，將S21參數作為同用戶的特徵來進行區分認證。採集N個頻率點作為特徵點。

該實施例中，該步驟具體為：採用電容耦合方式，設置兩個電極，其中一個為發射電極，另一個為接收電極，測試信號由發射電極流出流經人體，由接收電極接收。更進一步的，為方便和更準確的測試，該步驟中在選定的測試頻率段內，採集N個頻率點下測試信號流經用戶手前臂的S參數。

結合圖2，該步驟具體的：採用心電肢體電極和矢量網絡分析儀進行採集，心電肢體電極具有夾子結構將兩個電極固定在用戶手前臂兩側(優選的，距離手腕6cm處)，兩個電極分別連接矢量網絡分析儀的兩個接口，在矢量網絡分析儀限定的300KHz-1.5GHz測試頻率段內，通過矢量網絡分析儀採集N個頻率點下測試信號流經用戶人體的S21參數。可選的，測試信號可採用測試頻率段內的正弦信號。

為能夠充分對S21參數進行分析，該步驟中，採集多組N個頻率點下測試信號流經用戶人體的S參數，對S參數進行特徵提取獲取S21參數。即採集多組S21參數，多組S21參數分別在不同測試時間採集。

步驟S20：對S21參數進行分析，確定適合用於進行身份認證的最優頻率段。

在獲取到用戶S21參數後，雖然不同人體的S21參數具有差異性，但是在測試頻率段內並不是所有的頻率點下的S21參數都能夠看出明顯差異性，故需要確定適合用於與其他用戶進行身份區分，適合對用戶進行身份認證的最優頻率段。

為能夠確定適合用於進行身份認證的最優頻率段，該步驟具體為：

選擇多個其他用戶，對於每個其他用戶，在選定的測試頻率段內，採集N個頻率點下測試信號流經人體後的S21參數。這樣對多個用戶的S21參數進行採集並分析，獲得適合進行身份認證的最優頻率段。每個其他用戶N個頻率點下S21參數也採集多組，且多組在不同測試時間採集。

對所有用戶的S21參數進行相似度和差異度分析，確定適合用於進行身份認證的最優頻率段。其中，相似度是指同一個用戶在不同的測試時間測得的數據是相似的，差異度是指不同用戶之間測得的數據存在較大差異，通過相似度和差異度能夠確定適合用於進行身份認證的最優頻率段。優選的，對所有用戶的S21參數進行相似度和差異度分析具體為：計算多個用戶在同一測試時間相同頻率點S21參數的方差；計算同一用戶在多次不同的測試中同一頻率點S21參數的方差，通過兩類方差(可繪製兩類方差的曲線來直觀分析)進行相似度和差異度分析。

在300KHz-1.5GHz測試頻率段內，通過對S21參數進行相似度和差異度分析，確定適合用於進行身份認證的最優頻率段為650MHz-750MHz。

圖3至圖5是一個具體實施例中確定最優頻率段的示意過程，在該具體實施例中，選取10個用戶採集數據，進行採集工作，包括8名男性、2名女性，年齡範圍是23-34歲，體重在45-75千克之間，身高在150-183cm。在300KHz-1.5GHz的全頻段上平均採集1601個頻率點。用戶的數據分別在不同的測試時間段採集，共採集1800組。

選取5個用戶，做出5個用戶在同一測試時間段測試得到的S21參數曲線，如圖3。做出一個用戶在4個不同測試時間段測試得到的S21參數曲線，如圖4。根據圖3和圖4可以看出每個人在全頻段的S21參數曲線都是相似的趨勢，不同用戶之間在不同的頻率段存在不同的差異。

然後進行S21參數相似度和差異度的分析。計算兩類方差，第一類是10名用戶在同一測試時間段相同頻率點S21參數的方差；第二類是同一用戶在9次不同的測試中，在同一頻率點S21參數的方差，並得到兩類方差的曲線如圖5所示。根據圖5，曲線1代表不同用戶之間的差異，曲線2代表同一用戶在不同測試時間段的差異，在身份認證中，需要的是相對穩定，並且不同用戶之間差異大的特徵，從圖5中發現能夠的滿足這個要求的頻段在650MHz-750MHz之間。其他的頻段，如300KHz-650MHz中，曲線1趨近於0，表示不同用戶個體之間差異不大，而在750MHz-850MHz之間，曲線2起伏不定，說明特徵在這個頻段不是很穩定，同一人在不同測試時間段測得的特徵差異比較大，均不適合。

步驟S30：在最優頻率段內，採集M個頻率點下測試信號流經用戶人體的S21參數，將在最優頻率段內獲得的S21參數進行處理，得到用來代表用戶身份的認證模板，將得到的認證模板用來對用戶進行身份認證。

在確定了適合進行用戶身份認證的最優頻率段後，由於在最優頻率段內，不同用戶S21參數存在較大明顯的差異，故在最優頻率段內採集S21參數生成用來進行身份認證的認證模板，可以有效的對不同用戶進行身份認證。優選的，M設定為21，即採集21個頻率點下測試信號流經用戶人體的S21參數。

圖6至圖7為另一個具體實施例中在最優頻率段內S21參數的示意圖。在該實施例中，選取10個用戶，在650MHz-750MHz最優頻率段內，平均採集21個頻率點作為特徵點，21個特徵點共同組成一個特徵曲線。數據分別在早上、下午採集兩次，共採集五天，共計十次。在每次數據採集過程中，每人採集3組，每組的時間間隔不低於5分鐘。圖6是在650MHz-750MHz下5個不同用戶的特徵曲線，圖7是在650MHz-750MHz下同一個用戶在不同測試時間段的特徵曲線。通過圖6和圖7能夠知道在優選頻道段內不同用戶之間差異明顯，而同一個用戶比較穩定、差異不大。

在採集了M個頻率點下測試信號流經用戶人體的S21參數後，進行處理得到用來代表用戶身份的認證模板。該步驟中，進行處理得到用來代表用戶身份的認證模板具體為：

在最優頻率段內，採集多組M個頻率點下測試信號流經用戶人體的S21參數作為訓練數據。這樣先採集多組S21參數作為訓練數據，每組有M個頻率點(即特徵點)，每組訓練數據生成一個特徵向量。

清洗多組訓練數據中誤差不滿足要求的訓練數據。因為在測試過程中，由於實驗儀器位置以及用戶測試位置的變動，在整個測試過程中，同一人測試得到的所有訓練數據不是完全一樣的，在一定範圍內浮動。但是由於一些操作問題，有些訓練數據存在較大的偏差，這就需要將這些訓練數據剔除。具體的，將多組訓練數據取平均得到初始模板；計算每組訓練數據與初始模板的歐式距離，將歐式距離大於閾值的訓練數據清洗掉。這樣，採用歐式距離法來清除誤差大於閾值的訓練數據，保證訓練質量的合理性。

採用清洗後剩餘的訓練數據生成對用戶進行身份認證的認證模板。具體的，將剩餘的訓練數據取平均得到最終的認證模板(即將剩餘特徵向量中的每個特徵點取平均)。

步驟S40：在最優頻率段內，採集M個頻率點下測試信號流經用戶人體的S21參數作為身份認證數據，並與認證模板進行比對，若比對通過則身份認證成功，否則身份認證不成功。

在最終獲得對用戶進行身份認證的身份模板後，可採用最終的身份模板來對用戶進行身份認證，判斷是否為用戶。該步驟中，在最優頻率段內採集用戶的S21參數作為身份認證數據，與認證模板進行比對。

由於S21參數(特徵值)的不穩定，故採用加權歐式距離來進行比對。具體的，包括：

計算清洗後剩餘的訓練數據所生成特徵向量與認證模板之間的加權歐式距離，將計算得到的最大加權歐式距離作為判定閾值。

計算身份認證數據與認證模板之間的加權歐式距離，若加權歐式距離不大於判定閾值則用戶身份認證成功，否則認證不成功。

採用加權歐式距離的計算方式可以克服傳統的歐氏距離不能突出特徵值權重的缺點，並且判定閾值與權值全部通過清洗後的訓練數據生成，故能更為準確的來對用戶身份進行認證。

該穿戴式智能設備身份認證方法通過反覆實驗檢測和比對，對訓練數據清洗效果、數據穩定性分析、固定閾值下的等錯誤率(EER)等性能進行評價，均達到良好的身份認證效果，能夠很好的應用於穿戴式智能設備身份認證。並且與K均值聚類(KNN)、樸素貝葉斯分類(NBM)和支持向量機(SVM)等方式進行對比，更具有準確度高，數據需求更少，更輕量級的優勢。

該穿戴式智能設備身份認證方法，基於人體通信的原理，結合生物識別技術，在用戶使用穿戴式智能設備時，在測試頻率段採集測試信號流經用戶人體的S21參數確定最優頻率段，並在最優頻率段內採集S21參數進行處理，得到用來代表用戶身份的最終認證模板，通過將採集的用戶身份認證數據與認證模板進行比對，實現對用戶身份的認證，利用人體生物特徵不可複製的唯一性，不會丟失、不會遺忘，很難偽造和假冒等優點，對用戶的隱私信息進行有效保護，很好的保證用戶的隱私和安全，避免給用戶使用穿戴式智能設備帶來潛在風險，極大的利於穿戴式智能設備的推廣和應用。同時，該方法基於人體通信的生物識別方法來實現對穿戴式智能設備採集的信息保密，利用人體通信微體積、低功耗、高安全、方便快捷的特點對身份認證系統進行可攜式設計，且屬於輕量級算法，運用的訓練數據大量減少，更適合實際應用。

同時，本發明還提供一種穿戴式智能設備身份認證裝置，如圖8所示，該裝置包括：

參數採集模塊100，在選定的測試頻率段內，採集N個頻率點下測試信號流經用戶人體的S參數(散射參數)，對S參數進行特徵提取獲取S21參數(散射參數的正向傳輸係數，作為穿戴式智能設備身份認證的特徵)。

為充分利用不同人體之間的差異以及人體通信原理，該裝置採用電容耦合方式，採集測試信號流經人體後的S參數並獲取S21參數。S21參數幅值(作為特徵值)變化能夠直接反映出信號流經人體的增益，通過不同人體的S21參數的差異能夠進行身份認證，將S21參數作為同用戶的特徵來進行區分認證。採集N個頻率點作為特徵點。

該實施例中，參數採集模塊100採用電容耦合方式，設置兩個電極，其中一個為發射電極，另一個為接收電極，測試信號由發射電極流出流經人體，由接收電極接收。更進一步的，為方便和更準確的測試，參數採集模塊100在選定的測試頻率段內，採集N個頻率點下測試信號流經用戶手前臂的S參數。

結合圖2，參數採集模塊100使用心電肢體電極和矢量網絡分析儀進行採集，心電肢體電極具有夾子結構將兩個電極固定在用戶手前臂兩側(優選的，距離手腕6cm處)，兩個電極分別連接矢量網絡分析儀的兩個接口，在矢量網絡分析儀限定的300KHz-1.5GHz測試頻率段內，通過矢量網絡分析儀採集N個頻率點下測試信號流經用戶人體的S21參數。可選的，測試信號可採用測試頻率段內的正弦信號。

為能夠充分對S21參數進行分析，參數採集模塊100採集多組N個頻率點下測試信號流經用戶人體的S參數，對S參數進行特徵提取獲取S21參數。即採集多組S21參數，多組S21參數分別在不同測試時間採集。

最優頻率段確定模塊200，對S21參數進行分析，確定適合用於進行身份認證的最優頻率段。

在獲取到用戶S21參數後，雖然不同人體的S21參數具有差異性，但是在測試頻率段內並不是所有的頻率點下的S21參數都能夠看出明顯差異性，故需要確定適合用於與其他用戶進行身份區分，適合對用戶進行身份認證的最優頻率段。

為能夠確定適合用於進行身份認證的最優頻率段，最優頻率段確定模塊200具體操作為：

最優頻率段確定模塊200選擇多個其他用戶，對於每個其他用戶，在選定的測試頻率段內，控制參數採集模塊100採集N個頻率點下測試信號流經人體後的S21參數。這樣對多個用戶的S21參數進行採集並分析，獲得適合進行身份認證的最優頻率段。每個其他用戶N個頻率點下S21參數也採集多組，且多組在不同測試時間採集。

最優頻率段確定模塊200對所有用戶的S21參數進行相似度和差異度分析，確定適合用於進行身份認證的最優頻率段。其中，相似度是指同一個用戶在不同的測試時間測得的數據是相似的，差異度是指不同用戶之間測得的數據存在較大差異，通過相似度和差異度能夠確定適合用於進行身份認證的最優頻率段。優選的，最優頻率段確定模塊200對所有用戶的S21參數進行相似度和差異度分析具體為：最優頻率段確定模塊200計算多個用戶在同一測試時間相同頻率點S21參數的方差；計算同一用戶在多次不同的測試中同一頻率點S21參數的方差，通過兩類方差(可繪製兩類方差的曲線來直觀分析)進行相似度和差異度分析。

在300KHz-1.5GHz測試頻率段內，最優頻率段確定模塊200通過對S21參數進行相似度和差異度分析，確定適合用於進行身份認證的最優頻率段為650MHz-750MHz。

結合圖3至圖5是一個具體實施例中確定最優頻率段的示意過程，在該具體實施例中，選取10個用戶採集數據，進行採集工作，包括8名男性、2名女性，年齡範圍是23-34歲，體重在45-75千克之間，身高在150-183cm。在300KHz-1.5GHz的全頻段上平均採集1601個頻率點。用戶的數據分別在不同的測試時間段採集，共採集1800組。

選取5個用戶，做出5個用戶在同一測試時間段測試得到的S21參數曲線，如圖3。做出一個用戶在4個不同測試時間段測試得到的S21參數曲線，如圖4。根據圖3和圖4可以看出每個人在全頻段的S21參數曲線都是相似的趨勢，不同用戶之間在不同的頻率段存在不同的差異。

最優頻率段確定模塊200然後進行S21參數相似度和差異度的分析。計算兩類方差，第一類是10名用戶在同一測試時間段相同頻率點S21參數的方差；第二類是同一用戶在9次不同的測試中，在同一頻率點S21參數的方差，並得到兩類方差的曲線如圖5所示。根據圖5，曲線1代表不同用戶之間的差異，曲線2代表同一用戶在不同測試時間段的差異，在身份認證中，需要的是相對穩定，並且不同用戶之間差異大的特徵，從圖5中發現能夠的滿足這個要求的頻段在650MHz-750MHz之間。其他的頻段，如300KHz-650MHz中，曲線1趨近於0，表示不同用戶個體之間差異不大，而在750MHz-850MHz之間，曲線2起伏不定，說明特徵在這個頻段不是很穩定，同一人在不同測試時間段測得的特徵差異比較大，均不適合。

認證模板生成模塊300，在最優頻率段內，控制所述參數採集模塊100採集M個頻率點下測試信號流經用戶人體的S21參數，將在最優頻率段內獲得的S21參數進行處理，得到用來代表用戶身份的認證模板，將得到的認證模板用來對用戶進行身份認證。

在確定了適合進行用戶身份認證的最優頻率段後，由於在最優頻率段內，不同用戶S21參數存在較大明顯的差異，故認證模板生成模塊300在最優頻率段內採集S21參數生成用來進行身份認證的認證模板，可以有效的對不同用戶進行身份認證。優選的，M設定為21，即採集21個頻率點下測試信號流經用戶人體的S21參數。

圖6至圖7為另一個具體實施例中在最優頻率段內S21參數的示意圖。在該實施例中，選取10個用戶，在650MHz-750MHz最優頻率段內，平均採集21個頻率點作為特徵點，21個特徵點共同組成一個特徵曲線。數據分別在早上、下午採集兩次，共採集五天，共計十次。在每次數據採集過程中，每人採集3組，每組的時間間隔不低於5分鐘。圖6是在650MHz-750MHz下5個不同用戶的特徵曲線，圖7是在650MHz-750MHz下同一個用戶在不同測試時間段的特徵曲線。通過圖6和圖7能夠知道在優選頻道段內不同用戶之間差異明顯，而同一個用戶比較穩定、差異不大。

在採集了M個頻率點下測試信號流經用戶人體的S21參數後，認證模板生成模塊300進行處理得到用來代表用戶身份的認證模板，具體為：

在最優頻率段內，控制參數採集模塊100採集多組M個頻率點下測試信號流經用戶人體的S21參數作為訓練數據。這樣先採集多組S21參數作為訓練數據，每組有M個頻率點(即特徵點)，每組訓練數據生成一個特徵向量。

認證模板生成模塊300清洗多組訓練數據中誤差不滿足要求的訓練數據。因為在測試過程中，由於實驗儀器位置以及用戶測試位置的變動，在整個測試過程中，同一人測試得到的所有訓練數據不是完全一樣的，在一定範圍內浮動。但是由於一些操作問題，有些訓練數據存在較大的偏差，這就需要將這些訓練數據剔除。具體的，認證模板生成模塊300將多組訓練數據取平均得到初始模板；計算每組訓練數據與初始模板的歐式距離，將歐式距離大於閾值的訓練數據清洗掉。這樣，採用歐式距離法來清除誤差大於閾值的訓練數據，保證訓練質量的合理性。

認證模板生成模塊300採用清洗後剩餘的訓練數據生成對用戶進行身份認證的認證模板。具體的，將剩餘的訓練數據取平均得到最終的認證模板(即將剩餘特徵向量中的每個特徵點取平均)。

身份認證模塊400，在最優頻率段內，控制所述參數採集模塊100採集M個頻率點下測試信號流經用戶人體的S21參數作為身份認證數據，與認證模板進行比對，若比對通過則身份認證成功，否則身份認證不成功。

在最終獲得對用戶進行身份認證的身份模板後，身份認證模塊400可採用最終的身份模板來對用戶進行身份認證，判斷是否為用戶。控制參數採集模塊100在最優頻率段內採集用戶的S21參數作為身份認證數據，身份認證模塊400與認證模板進行比對。

由於S21參數(特徵值)的不穩定，故身份認證模塊400採用加權歐式距離來進行比對。具體的：

身份認證模塊400計算清洗後剩餘的訓練數據所生成特徵向量與認證模板之間的加權歐式距離，將計算得到的最大加權歐式距離作為判定閾值。

身份認證模塊400計算身份認證數據與認證模板之間的加權歐式距離，若加權歐式距離不大於判定閾值則用戶身份認證成功，否則認證不成功。

身份認證模塊400採用加權歐式距離的計算方式可以克服傳統的歐氏距離不能突出特徵值權重的缺點，並且判定閾值與權值全部通過清洗後的訓練數據生成，故能更為準確的來對用戶身份進行認證。

該穿戴式智能設備身份認證裝置通過反覆實驗檢測和比對，對訓練數據清洗效果、數據穩定性分析、固定閾值下的等錯誤率(EER)等性能進行評價，均達到良好的身份認證效果，能夠很好的應用於穿戴式智能設備身份認證。並且與K均值聚類(KNN)、樸素貝葉斯分類(NBM)和支持向量機(SVM)等方式進行對比，更具有準確度高，數據需求更少，更輕量級的優勢。

該穿戴式智能設備身份認證裝置，基於人體通信的原理，結合生物識別技術，在用戶使用穿戴式智能設備時，在測試頻率段採集測試信號流經用戶人體的S21參數確定最優頻率段，並在最優頻率段內採集S21參數進行處理，得到用來代表用戶身份的最終認證模板，通過將採集的用戶身份認證數據與認證模板進行比對，實現對用戶身份的認證，利用人體生物特徵不可複製的唯一性，不會丟失、不會遺忘，很難偽造和假冒等優點，對用戶的隱私信息進行有效保護，很好的保證用戶的隱私和安全，避免給用戶使用穿戴式智能設備帶來潛在風險，極大的利於穿戴式智能設備的推廣和應用。同時，該裝置基於人體通信的生物識別方法來實現對穿戴式智能設備採集的信息保密，利用人體通信微體積、低功耗、高安全、方便快捷的特點對身份認證系統進行可攜式設計，且屬於輕量級算法，運用的訓練數據大量減少，更適合實際應用。

本發明穿戴式智能設備身份認證方法及裝置，基於人體通信的原理，結合生物識別技術，在用戶使用穿戴式智能設備時，在測試頻率段採集測試信號流經用戶人體的S21參數確定最優頻率段，並在最優頻率段內採集S21參數進行處理，得到用來代表用戶身份的最終認證模板，通過將採集的用戶身份認證數據與認證模板進行比對，實現對用戶身份的認證，利用人體生物特徵不可複製的唯一性，不會丟失、不會遺忘，很難偽造和假冒等優點，對用戶的隱私信息進行有效保護，很好的保證用戶的隱私和安全，避免給用戶使用穿戴式智能設備帶來潛在風險，極大的利於穿戴式智能設備的推廣和應用。同時，基於人體通信的生物識別方法來實現對穿戴式智能設備採集的信息保密，利用人體通信微體積、低功耗、高安全、方便快捷的特點對身份認證系統進行可攜式設計，且屬於輕量級算法，運用的訓練數據大量減少，更適合實際應用。

以上僅為本發明的較佳實施例而已，並不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護範圍之內。