本發(fā)明屬于用戶識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于步態(tài)的能量高效的可穿戴設(shè)備用戶識(shí)別方法及系統(tǒng)。

背景技術(shù)：

可穿戴設(shè)備越來越流行。一方面，可穿戴設(shè)備可以收集穿戴者數(shù)據(jù)并能夠幫助改善穿戴者的生活質(zhì)量；另一方面，可穿戴設(shè)備收集的穿戴者數(shù)據(jù)暴露可能損害穿戴者的日常生活。理想狀態(tài)下，用戶希望使用可穿戴設(shè)備，但不用擔(dān)心個(gè)人隱私信息的泄露。研究近期的解決方案或者忽略了用戶識(shí)別系統(tǒng)帶著的能量消耗，或者添加了昂貴的硬件設(shè)備，或者需要用戶執(zhí)行特定的運(yùn)動(dòng)過程來完成數(shù)據(jù)建模。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問題，本發(fā)明基于研究中已得出的“每個(gè)人的步態(tài)特征具有唯一性”的結(jié)論，將用戶走路時(shí)的步態(tài)特征作為用戶身份的識(shí)別特征，提出一種通過加速度傳感器收集步態(tài)數(shù)據(jù)，對用戶步態(tài)建模和分析，通過與分類模型輸出值來識(shí)別當(dāng)前用戶身份的方法和系統(tǒng)，降低用戶識(shí)別系統(tǒng)的能量消耗，增強(qiáng)對用戶隱私和安全的保護(hù)。

在本發(fā)明所公開的基于步態(tài)的可穿戴設(shè)備用戶識(shí)別方法如下：

將加速度傳感器自動(dòng)收集用戶數(shù)據(jù)進(jìn)行預(yù)處理并得到用戶步態(tài)數(shù)據(jù)，提取用戶步態(tài)數(shù)據(jù)的特征值并輸入至用戶分類器，根據(jù)用戶分類器的輸出結(jié)果即可判斷用戶是否為可穿戴設(shè)備擁有者。

進(jìn)一步的，用戶分類器的建立包括以下步驟：

s1、加速度傳感器自動(dòng)收集用戶的動(dòng)態(tài)數(shù)據(jù)；

s2、對收集的動(dòng)態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，即采用數(shù)據(jù)平滑法過濾掉用戶的非步態(tài)數(shù)據(jù)；

s3、對預(yù)處理后的步態(tài)數(shù)據(jù)提取特征值，并形成由多個(gè)特征值組成的用戶步態(tài)數(shù)據(jù)特征向量；

s4、將多個(gè)特征向量作為一類支持向量機(jī)方法的訓(xùn)練數(shù)據(jù)，對步態(tài)特征訓(xùn)練并形成用戶分類器；

進(jìn)一步的，在后續(xù)使用中，系統(tǒng)將經(jīng)過步驟s1至s3得到的用戶步態(tài)數(shù)據(jù)特征向量作為分類器的輸入，分類器根據(jù)用戶步態(tài)數(shù)據(jù)特征向量進(jìn)行數(shù)據(jù)分類，判定用戶是否為可穿戴設(shè)備擁有者。

進(jìn)一步的，分類器判斷是可穿戴設(shè)備擁有者時(shí)，可穿戴設(shè)備會(huì)正常解鎖讓用戶使用，否則，可穿戴設(shè)備被鎖定不被用戶使用。

進(jìn)一步的，加速度傳感器為可穿戴設(shè)備自帶的(內(nèi)置的)三向加速度傳感器。

進(jìn)一步的，s1中通過動(dòng)態(tài)數(shù)據(jù)收集方法收集用戶的動(dòng)態(tài)數(shù)據(jù)，即將數(shù)據(jù)收集時(shí)間劃分為多個(gè)時(shí)間片，加速度傳感器在每個(gè)時(shí)間片中隨機(jī)選取一個(gè)時(shí)刻收集數(shù)據(jù)，若當(dāng)前時(shí)刻加速度傳感器收集到是動(dòng)態(tài)數(shù)據(jù)，則繼續(xù)在當(dāng)前時(shí)間片收集，若當(dāng)前時(shí)刻收集到是靜態(tài)數(shù)據(jù)，則放棄在該時(shí)間片的數(shù)據(jù)收集，加速度傳感器會(huì)進(jìn)入休眠狀態(tài)，直到下一個(gè)時(shí)間片被喚醒。

進(jìn)一步的，通過傅立葉變換計(jì)算收集數(shù)據(jù)的頻率大小并判斷當(dāng)前數(shù)據(jù)是靜態(tài)數(shù)據(jù)還是動(dòng)態(tài)數(shù)據(jù)。

進(jìn)一步的，s2中，利用快速傅里葉變換對收集的動(dòng)態(tài)數(shù)據(jù)進(jìn)行分析，得到動(dòng)態(tài)數(shù)據(jù)的頻率分布，對傅里葉系數(shù)峰值點(diǎn)對應(yīng)的頻率不符合特定頻段的動(dòng)態(tài)數(shù)據(jù)認(rèn)為是非步態(tài)數(shù)據(jù)，并直接選擇丟棄。

進(jìn)一步的，s3中的用戶步態(tài)數(shù)據(jù)特征值至少包括步態(tài)數(shù)據(jù)的均值、標(biāo)準(zhǔn)差、方差、平均絕對偏差、四分位距、功率和能量中的兩種。

進(jìn)一步的，加速度傳感器為三向加速度傳感器，對三向加速度傳感器采集的三個(gè)方向上的加速度進(jìn)行合成得到加速度mi，將n個(gè)合成后的加速度mi放入一個(gè)窗口中用于一組特征值數(shù)據(jù)的提取，并得到一個(gè)對應(yīng)的用戶步態(tài)數(shù)據(jù)特征向量，即一條一類支持向量機(jī)方法的訓(xùn)練數(shù)據(jù)，其中，

式中，xi,yi,zi是在i時(shí)刻三個(gè)軸上的加速度。

進(jìn)一步的，s4中所述的一類支持向量機(jī)方法如下：

使用核函數(shù)將得到的步態(tài)數(shù)據(jù)特征值轉(zhuǎn)換到高維的特征空間，并在這個(gè)特征空間內(nèi)建立一個(gè)用于數(shù)據(jù)區(qū)分的最大間隔超平面，即分類器；最大間隔超平面的建立是通過計(jì)算所有訓(xùn)練樣本的最小距離距離，即：

(ω·φ(xi))≥ρ-ξi(i＝1，2...，lξi≥0)

式中，ω和ρ都是超平面參數(shù)，φ是從輸入空間到特征空間的映射函數(shù)，v是允許的異常值的漸近分?jǐn)?shù)，l是訓(xùn)練集合的數(shù)量，ρ是一個(gè)松弛變量；

決策函數(shù)用于輸出最終數(shù)據(jù)區(qū)分結(jié)果，在后續(xù)使用時(shí)，用戶數(shù)據(jù)輸入分類器后，通過決策函數(shù)輸出值即可用于識(shí)別用戶，決策函數(shù)f(x)的計(jì)算公式為：

f(x)＝sgn(ω·φ(x)-ρ)

其中，sgn為符號(hào)函數(shù)；

事實(shí)上，通過核函數(shù)轉(zhuǎn)換數(shù)據(jù)七個(gè)特征值后，一類支持向量機(jī)改變原始數(shù)據(jù)集為第二分類的唯一成員，使用松弛參數(shù)分離數(shù)據(jù)集中的一個(gè)類，然后使用標(biāo)準(zhǔn)的二分類支持向量機(jī)；一類支持向量機(jī)算法返回一個(gè)函數(shù)f在小區(qū)域中取值為+1，在其他區(qū)域中取值為-1，即決策函數(shù)f取值為“+1”時(shí)為可穿戴設(shè)備擁有者，否則取值為“-1”。

進(jìn)一步的，使用的核函數(shù)是高斯核函數(shù)。

本發(fā)明還公開一種基于步態(tài)的可穿戴設(shè)備用戶識(shí)別系統(tǒng)，采用上述用戶識(shí)別方法的進(jìn)行可穿戴設(shè)備的用戶識(shí)別，具體可包括數(shù)據(jù)采集模塊、預(yù)處理模塊、步態(tài)數(shù)據(jù)特征值提取模塊、分類器訓(xùn)練模塊及用戶識(shí)別模塊。

本發(fā)明與現(xiàn)有技術(shù)相比，在能量高效、降低噪點(diǎn)和減少用戶干預(yù)三個(gè)方面均具有較大的改進(jìn)，具體有益效果如下：

(1)能夠通過可穿戴設(shè)備的內(nèi)置傳感器收集步態(tài)數(shù)據(jù)，并建立用戶分類模型(分類器)，無需用戶單獨(dú)再執(zhí)行特定的運(yùn)動(dòng)過程，減少了對設(shè)備擁有者的干預(yù)，能自動(dòng)的使用當(dāng)前獲取的可穿戴設(shè)備擁有者數(shù)據(jù)，提取步態(tài)特征值，并建立分類模型，明顯降低了可穿戴設(shè)備識(shí)別的能量消耗。

(2)能夠準(zhǔn)確識(shí)別當(dāng)前用戶身份，增加了可穿戴設(shè)備擁有者的隱私性和安全性。

(3)采用動(dòng)態(tài)收集算法收集數(shù)據(jù)，減少不必要的數(shù)據(jù)收集時(shí)間段，降低能量的消耗。

(4)利用快速傅里葉變換更加精準(zhǔn)的收集步態(tài)數(shù)據(jù)，去除噪點(diǎn)數(shù)據(jù)，提供用戶身份預(yù)測的精度。

(5)使用一類數(shù)據(jù)挖掘分類方法中的一類支持向量機(jī)算法，通過使用無干擾的數(shù)據(jù)進(jìn)行數(shù)據(jù)分類模型的訓(xùn)練，極大地減少了對用戶的干預(yù)，也進(jìn)一步降低用戶識(shí)別系統(tǒng)的能量消耗。

附圖說明

圖1可穿戴設(shè)備用戶識(shí)別方法流程圖；

圖2中，(a)為行走時(shí)采集的數(shù)據(jù)圖譜，(b)為上下樓采集的數(shù)據(jù)圖譜。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例，對本發(fā)明作進(jìn)一步說明。

如圖1所示，本發(fā)明所公開的基于步態(tài)的能量高效的可穿戴設(shè)備用戶識(shí)別方法，主要分為兩大階段，即分類器建立階段和通過分類器實(shí)現(xiàn)可穿戴設(shè)備用戶識(shí)別階段。具體包括以下5個(gè)步驟：

步驟1：動(dòng)態(tài)數(shù)據(jù)收集

通常采用加速度傳感器來收集用戶的步態(tài)數(shù)據(jù)，實(shí)施例中可直接使用可穿戴設(shè)備自帶的三向加速度傳感器收集用戶步態(tài)數(shù)據(jù)，無需額外增加硬件，節(jié)約成本，減少能耗。

收集數(shù)據(jù)會(huì)產(chǎn)生很多冗余數(shù)據(jù)并且會(huì)對可穿戴設(shè)備消耗更多的能量，而一個(gè)小的精準(zhǔn)的步態(tài)數(shù)據(jù)集既能夠減少能量消耗，又能夠提高預(yù)測準(zhǔn)確度。為了能夠更加準(zhǔn)確地收集數(shù)據(jù)集和節(jié)約能量，本發(fā)明設(shè)計(jì)了動(dòng)態(tài)數(shù)據(jù)收集方法，通過傅立葉變換計(jì)算收集到的數(shù)據(jù)的頻率，通過頻率的大小判斷當(dāng)前數(shù)據(jù)是靜態(tài)數(shù)據(jù)(頻率為0或近似為0)還是動(dòng)態(tài)數(shù)據(jù)。使可穿戴設(shè)備內(nèi)置的加速度傳感器在用戶動(dòng)態(tài)(即通常認(rèn)為的走路、跑步、上下樓、爬山等運(yùn)動(dòng)狀態(tài))時(shí)收集用戶數(shù)據(jù)，在檢測到用戶的靜態(tài)(即通常認(rèn)為的睡覺、靜坐、日常電腦前辦公等靜止?fàn)顟B(tài))數(shù)據(jù)時(shí)，加速度傳感器進(jìn)入休眠狀態(tài)。具體方法如下：

我們將數(shù)據(jù)收集時(shí)間劃分為多個(gè)時(shí)間片，其中數(shù)據(jù)收集時(shí)間被定義為用戶穿戴可穿戴設(shè)備的所有時(shí)間。加速度傳感器在每個(gè)時(shí)間片中隨機(jī)選取一個(gè)時(shí)刻收集數(shù)據(jù)。如果當(dāng)前時(shí)刻加速度傳感器收集到運(yùn)動(dòng)數(shù)據(jù)，則可穿戴設(shè)備用戶識(shí)別系統(tǒng)會(huì)繼續(xù)在當(dāng)前時(shí)間片收集數(shù)據(jù)，如果當(dāng)前時(shí)刻收集到用戶靜止數(shù)據(jù)，則放棄在該時(shí)間片的數(shù)據(jù)收集。將數(shù)據(jù)收集時(shí)間定義為t，分成n個(gè)時(shí)間片，每個(gè)時(shí)間片的時(shí)間為θ。每個(gè)加速度傳感器在時(shí)間片[0,θ]維持一個(gè)計(jì)數(shù)器c，一個(gè)閾值k，和計(jì)時(shí)器t。k表示在一個(gè)時(shí)間片內(nèi)系統(tǒng)數(shù)據(jù)收集次數(shù)，是一個(gè)比較小的整數(shù)，如1，2，3。θ是一個(gè)時(shí)間常量，θ的取值范圍可設(shè)置為30s。計(jì)時(shí)器t為[0,θ]范圍內(nèi)的隨機(jī)值，用于在[0,θ]范圍內(nèi)隨機(jī)選取一個(gè)時(shí)刻進(jìn)行數(shù)據(jù)收集。

當(dāng)加速度傳感器在一個(gè)時(shí)間片內(nèi)開始收集數(shù)據(jù)，并檢測到當(dāng)前用戶數(shù)據(jù)是動(dòng)態(tài)數(shù)據(jù)，加速度傳感器會(huì)給c加1。在t時(shí)刻內(nèi)，如果c<k且用戶正在運(yùn)動(dòng)，則持續(xù)收集數(shù)據(jù)直至?xí)r間片結(jié)束；否則，加速度傳感器會(huì)進(jìn)入休眠狀態(tài)，直到下一個(gè)時(shí)間片被喚醒。當(dāng)一個(gè)時(shí)間片的數(shù)據(jù)收集工作完成，c的值會(huì)被重置為0，t的值會(huì)被重置為[0,θ]范圍內(nèi)的隨機(jī)值。

可見，本發(fā)明采用動(dòng)態(tài)數(shù)據(jù)收集方法來減少硬件設(shè)備的能量消耗，不需要用戶進(jìn)行特定的步行數(shù)據(jù)收集階段?？纱┐髟O(shè)備內(nèi)置的加速度傳感器在用戶步行時(shí)收集用戶數(shù)據(jù)，在檢測到用戶的其他的步態(tài)時(shí)，加速度傳感器進(jìn)入休眠狀態(tài)。這種動(dòng)態(tài)數(shù)據(jù)收集方法能大大減少硬件設(shè)備的能量消耗，達(dá)到能量高效。

步驟2：動(dòng)態(tài)數(shù)據(jù)平滑處理

步態(tài)，即正常走路時(shí)所表現(xiàn)的姿態(tài)。用戶的日常運(yùn)動(dòng)狀態(tài)中包含多種，如走路、跑步、上下樓等，對應(yīng)的動(dòng)態(tài)數(shù)據(jù)也包含走路數(shù)據(jù)、跑步數(shù)據(jù)、上下樓數(shù)據(jù)等，而用于本發(fā)明模型的訓(xùn)練的數(shù)據(jù)僅限于正常走路數(shù)據(jù)，即，步態(tài)數(shù)據(jù)(注，本發(fā)明中所述的步態(tài)(數(shù)據(jù))、走路(數(shù)據(jù))、行走(數(shù)據(jù))和步行(數(shù)據(jù))指的是同一個(gè)意思)。本發(fā)明發(fā)現(xiàn)使用加速度傳感器收集到的原始動(dòng)態(tài)數(shù)據(jù)幾乎不能用于模型的訓(xùn)練，其中包含太多的非正常步態(tài)噪點(diǎn)數(shù)據(jù)，因此需要進(jìn)行預(yù)處理。

為了過濾非步行噪點(diǎn)數(shù)據(jù)，在數(shù)據(jù)收集過程中，同時(shí)結(jié)合數(shù)據(jù)平滑方法，減少其中非走路步態(tài)的噪點(diǎn)數(shù)據(jù)。眾所周知，人在各種行走狀態(tài)有不同的頻率，如，跑步的頻率、上下樓的頻率是和行走的頻率完全不同的。如圖2所示，x軸代表活動(dòng)頻率，y軸表示傅里葉系數(shù)，找到系數(shù)的峰值，然后其對應(yīng)的橫坐標(biāo)即為當(dāng)前數(shù)據(jù)活動(dòng)頻率。從圖2中可以觀察到上下樓的周期與行走的周期完全不同。故，可通過各種運(yùn)動(dòng)狀態(tài)的傅里葉系數(shù)峰值點(diǎn)對應(yīng)的橫坐標(biāo)獲取運(yùn)動(dòng)狀態(tài)的活動(dòng)頻率，從而對不同的運(yùn)動(dòng)狀態(tài)進(jìn)行區(qū)分和過濾。具體可結(jié)合快速傅里葉變換實(shí)現(xiàn)數(shù)據(jù)平滑方法，即，利用快速傅里葉變換對動(dòng)態(tài)數(shù)據(jù)的進(jìn)行分析，得到各類運(yùn)動(dòng)狀態(tài)對應(yīng)的動(dòng)態(tài)數(shù)據(jù)的頻率分布，當(dāng)發(fā)現(xiàn)當(dāng)前動(dòng)態(tài)數(shù)據(jù)的傅里葉系數(shù)峰值點(diǎn)對應(yīng)頻率不符合特定頻段的，則認(rèn)為該數(shù)據(jù)不是步行數(shù)據(jù)，直接選擇丟棄，以此過濾掉收集的動(dòng)態(tài)數(shù)據(jù)中非步態(tài)數(shù)據(jù)，即噪點(diǎn)數(shù)據(jù)。其中，特定頻段指的根據(jù)經(jīng)驗(yàn)值得到的用戶步態(tài)數(shù)據(jù)的頻率分布范圍?？梢姡ㄟ^數(shù)據(jù)平滑處理，可降低噪點(diǎn)，減少用戶干預(yù)，更加精準(zhǔn)的收集步態(tài)數(shù)據(jù)，提升用戶身份預(yù)測的精度。

步驟3：步態(tài)數(shù)據(jù)特征提取

許多流行的智能可穿戴設(shè)備，如：applewatch，samsunggears2和華為手表都是內(nèi)置加速度傳感器的。實(shí)施例中同樣使用的是3向(x，y，z)加速度傳感器進(jìn)行數(shù)據(jù)采集，其中，xi,yi,zi分別代表i時(shí)刻該方向上的加速度?？紤]到加速度傳感器每次可能被放置在不同的位置，而傳感器的位置會(huì)影響三個(gè)方向的加速度大小，故通過計(jì)算三個(gè)方向上合成后的加速度的大小來消除方向?qū)铀俣葴y量的影響：其中，xi,yi,zi是在i時(shí)刻三個(gè)軸上的加速度。

將n個(gè)加速度數(shù)據(jù)放入一個(gè)窗口(相當(dāng)于多個(gè)數(shù)據(jù)的集合)中{min，...，min+n-1}(i＝0，1，2，...)，通過將多個(gè)加速度數(shù)據(jù)放在一個(gè)窗口，作為后續(xù)分析計(jì)算的基礎(chǔ)(即用于提取特征值數(shù)據(jù))，可以減少數(shù)據(jù)冗余，提高用戶識(shí)別的準(zhǔn)確度。

實(shí)施例中，將一個(gè)窗口中經(jīng)過平滑處理后的步態(tài)數(shù)據(jù)提取均值、標(biāo)準(zhǔn)差、方差、平均絕對偏差、四分位距、功率和能耗七個(gè)值作為用戶步態(tài)數(shù)據(jù)的特征值，通過對n個(gè)加速度數(shù)據(jù)提取七個(gè)特征值來提高用戶識(shí)別的準(zhǔn)確度，各特征提取公式如下：

均值：

標(biāo)準(zhǔn)差：

方差：

平均絕對誤差：

四分位距：iqr＝q3-q1

功率：

能耗：

以上公式中，表示在i時(shí)刻xi,yi,zi三個(gè)軸方向上合成后的加速度，q1和q3分別表示一個(gè)窗口中的上中位數(shù)和下中位數(shù)。

在分類器建立階段，可將得提取的七個(gè)用戶步態(tài)數(shù)據(jù)特征值組成一個(gè)特征向量，每一個(gè)特征向量可作為分類器作為訓(xùn)練集中一個(gè)訓(xùn)練樣本。在分類器建成，用戶識(shí)別階段，形成的特征向量作為分類器的輸入進(jìn)行用戶識(shí)別。

步驟4：當(dāng)前數(shù)據(jù)分析

傳統(tǒng)上，機(jī)器學(xué)習(xí)應(yīng)用是使用訓(xùn)練數(shù)據(jù)訓(xùn)練分類器，并生成分類模型(本文中分類器、分類模型、數(shù)據(jù)模型指的是一個(gè)意思)，然后通過執(zhí)行分類模型對測試數(shù)據(jù)進(jìn)行分類。

在多分類或者多分類場景中，已經(jīng)很多分類方法被提出。但是，本發(fā)明考慮訓(xùn)練數(shù)據(jù)集只來自一個(gè)可穿戴設(shè)備擁有者的情況。在獲得更多陌生人的數(shù)據(jù)集時(shí)，我們希望能夠區(qū)別可穿戴設(shè)備擁有者和陌生人的身份，這種情況稱為一類分類。可以想象一種場景，當(dāng)一個(gè)小偷竊取了可穿戴設(shè)備，設(shè)備擁有者希望設(shè)備可以識(shí)別當(dāng)前穿戴該設(shè)備的用戶是否為設(shè)備擁有者。在這種場景中，提前收集小偷的數(shù)據(jù)作為測試數(shù)據(jù)是不現(xiàn)實(shí)的。如果我們使用監(jiān)督性數(shù)據(jù)學(xué)習(xí)方法來訓(xùn)練分類器，對于這種情況，數(shù)據(jù)模型沒有辦法來對小偷的數(shù)據(jù)做身份預(yù)測。但如果只有一類訓(xùn)練數(shù)據(jù)，能否將測試數(shù)據(jù)進(jìn)行正確的分類呢？在機(jī)器學(xué)習(xí)中，支持向量機(jī)(svm)是與相關(guān)的學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型，可以分析數(shù)據(jù)，識(shí)別模式，用于分類和回歸分析。本發(fā)明使用一類支持向量機(jī)(one-classsvm)方法來對唯一用戶數(shù)據(jù)集進(jìn)行用戶身份分配。使用可穿戴設(shè)備擁有者的訓(xùn)練數(shù)據(jù)創(chuàng)建數(shù)據(jù)模型，如果新收集的數(shù)據(jù)與數(shù)據(jù)模型相差太多，模型可以根據(jù)一些方法標(biāo)記新收集的數(shù)據(jù)為非設(shè)備擁有者數(shù)據(jù)，使得設(shè)備可以識(shí)別出當(dāng)前用戶不是設(shè)備擁有者。

傳統(tǒng)的支持向量機(jī)(svm)通過一個(gè)非線性函數(shù)將數(shù)據(jù)投影到一個(gè)非線性決策邊界中。一類支持向量機(jī)中，使用核函數(shù)將得到的步態(tài)數(shù)據(jù)特征值轉(zhuǎn)換到高維的特征空間，在這個(gè)空間建立一個(gè)最大間隔超平面用于數(shù)據(jù)區(qū)分。最大間隔超平面即為分類器，超平面的建立是通過計(jì)算所有訓(xùn)練樣本(即特征向量)的最小距離距離，即：

(ω·φ(xi))≥ρ-ξi(i＝1，2...，lξi≥0)

式中，ω和ρ都是超平面參數(shù)，φ是從輸入空間到特征空間的映射函數(shù)，v是允許的異常值的漸近分?jǐn)?shù)，l是訓(xùn)練集合的數(shù)量，ρ是一個(gè)松弛變量。

決策函數(shù)用于輸出最終數(shù)據(jù)區(qū)分結(jié)果，決策函數(shù)f(x)的計(jì)算公式為：

f(x)＝sgn(ω·φ(x)-ρ)

其中，sgn為符號(hào)函數(shù)：

事實(shí)上，通過核函數(shù)轉(zhuǎn)換數(shù)據(jù)七個(gè)特征值后，一類支持向量機(jī)改變原始數(shù)據(jù)集為第二分類的唯一成員，使用松弛參數(shù)分離數(shù)據(jù)集中的一個(gè)類，然后使用標(biāo)準(zhǔn)的二分類支持向量機(jī)。一類支持向量機(jī)算法返回一個(gè)決策函數(shù)f在小區(qū)域中取值為+1，在其他區(qū)域中取值為-1，從而完成數(shù)據(jù)的分類。

實(shí)施例中，使用可穿戴設(shè)備穿戴者步行特征作為訓(xùn)練集，即通過步驟1至3獲得的多個(gè)由七個(gè)步態(tài)數(shù)據(jù)特征值組成的特征向量，使用高斯核函數(shù)(rbf，)作為核函數(shù)轉(zhuǎn)換訓(xùn)練集到高維空間(數(shù)據(jù)在二維空間中不可劃分，而在三維空間中則可以劃分)。其中，核函數(shù)是為了讓二維數(shù)據(jù)轉(zhuǎn)化為多維數(shù)據(jù)，方便數(shù)據(jù)區(qū)分，而選擇高斯核函數(shù)是因?yàn)橄鄬唵尾⑶矣?jì)算更快。

值得注意的是，分類模型成型后，還可對后續(xù)收集的步態(tài)數(shù)據(jù)再訓(xùn)練，實(shí)現(xiàn)更新分類，以進(jìn)一步提高用戶識(shí)別的準(zhǔn)確度。故分類模型可包括初始成型和實(shí)時(shí)更新兩個(gè)子步驟，即：

初始成型：將第一時(shí)間段收集的所有步態(tài)數(shù)據(jù)經(jīng)過數(shù)據(jù)平滑處理，計(jì)算出特征向量后作為一類支持向量機(jī)方法的訓(xùn)練數(shù)據(jù)，得到的數(shù)據(jù)模型，即初始模型；

實(shí)時(shí)更新：將上一時(shí)間段收集的所有步態(tài)數(shù)據(jù)再作為一類支持向量機(jī)方法的訓(xùn)練數(shù)據(jù)，并對上一時(shí)間段形成的訓(xùn)練模型進(jìn)行實(shí)時(shí)更新，更新后的訓(xùn)練模型作為本時(shí)間段的分類評價(jià)模型，而本時(shí)間段的步態(tài)數(shù)據(jù)又將作為模型更新的訓(xùn)練數(shù)據(jù)，更新后的訓(xùn)練模型又成為下一上一的分類評價(jià)模型，并以此循環(huán)，作到實(shí)時(shí)更新訓(xùn)練模型，保證模型的精準(zhǔn)性。

但根據(jù)經(jīng)驗(yàn)得知，用戶的步態(tài)數(shù)據(jù)特征在一定時(shí)間內(nèi)是比較穩(wěn)定的，實(shí)施例中通過可穿戴設(shè)備擁有者的步態(tài)數(shù)據(jù)形成的初始分類器即可滿足識(shí)別用戶的需求。

步驟5：用戶身份識(shí)別

通過第一階段(即通過上述步驟1至步驟4)形成用戶分類器后，后續(xù)用戶在使用可穿戴設(shè)備時(shí)通過分類器的輸出值判斷即可實(shí)現(xiàn)用戶自動(dòng)識(shí)別。具體的，系統(tǒng)將自動(dòng)收集用戶數(shù)據(jù)，經(jīng)過步驟1至步驟3處理后得到的用戶步態(tài)數(shù)據(jù)的特征向量，并輸入用戶分類器，然后根據(jù)分類器的輸出值進(jìn)行數(shù)據(jù)分類，判斷該用戶是否為可穿戴設(shè)備擁有者。即，當(dāng)數(shù)據(jù)與分類器(數(shù)據(jù)模型)訓(xùn)練集相似時(shí)，分類器輸出“1”，可穿戴設(shè)備會(huì)正常解鎖讓用戶使用，當(dāng)數(shù)據(jù)與分類器訓(xùn)練集不同時(shí)，分類器輸出“-1”，可穿戴設(shè)備被鎖定不被用戶使用。以此保證可穿戴設(shè)備擁有者的隱私性和安全性。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。