欢迎访问一起赢论文辅导网
本站动态
联系我们

手机:15327302358
邮箱:peter.lyz@163.com

Q Q:
910330594  
微信paperwinner
工作时间:9:00-24:00

机械论文
当前位置:首页 > 机械论文
基于声波感知的移动设备实时防窃方法研究
来源:一起赢论文网     日期:2021-01-11     浏览数:28     【 字体:

 基于声波感知的移动设备实时防窃方法研究卢 立 俞嘉地 李明禄(上海交通大学计算机科学与工程系 上海 200240)摘 要 近年来已经见证了移动终端在人们日常生活和工作中逐步流行和广泛使用.移动终端由于其便携性可能被用户携带前往任意地点,而其并非总是物理安全的.因此,移动终端极易成为偷窃者的目标.移动终端的失窃不仅会带来经济损失,还会引起隐私信息的泄漏从而带来进一步的损失.现有移动终端防护方法主要研究通过建立安全的用户认证系统规避移动终端失窃之后带来的进一步隐私信息泄漏风险.然而,这种滞后的防护手段并不能从根本上阻止用户的移动终端失窃.为给目前广泛使用的移动终端提供实时的安全保护,本文提出了一种基于声波感知的移动终端实时防窃方法EchoScan,其利用移动终端内建传感器(包括音频设备和运动传感器)对移动终端所处的上下文环境进行实时感知建模以检测偷窃行为.本方法的核心是利用声波感知方法对移动终端所处的环境或状态(即上下文)变化情况实时感知建模.具体而言,EchoScan利用调频连续波技术感知移动终端所在上下文的变化情况以检测移动终端所处状态.随后,EchoScan进一步利用降噪自编码器网络和支持向量数据域描述来分别提取移动终端所处上下文的有效特征并实现在无偷窃者训练数据前提下的偷窃行为识别.为提高该方法的能耗效率,EchoScan还利用运动传感器实时检测移动终端接触行为.验证实验进一步证明EchoScan能取得87%的平均偷窃检测准确率.且平均检测延迟在500ms以内.关键词 移动设备防窃;实时监测;声波感知;上下文感知;运动传感器中图法分类号TP391    引 言随着高度集成的电子基础设施和无线通讯方式的快速发展,移动终端在人们日常生活和工作中扮演着愈发重要的角色.因此移动终端逐步成为人们隐私信息的存储介质,如个人身份证、银行卡号及安全码等等.然而,伴随移动终端的便捷性而来的则是移动终端失窃的高风险.赛门铁克的报告①显示被调查人群中41.2%的用户曾丢失过其移动终端,并随后遭受隐私信息泄露的情况.因此,为移动终端提供足够的安全保障不仅能够减少用户的经济损失,还能够防止其隐私数据泄露造成的进一步风险.已有工作大部分集中于实现用户认证系统为移动终端的信息保障措施,例如密码、指纹(如苹果触控ID②)、脸部识别(如支付宝脸部识别登录③)、声纹(如微信声纹锁④)、甚至于说话时嘴部运动[1-2]等方法.然而,对于移动终端失窃而言,用户认证仅能保护移动终端内存储的信息,即实现失窃后的隐私防护功能,而无法提前警告用户以阻止移动终端的失窃.因此,为这些广泛使用的移动终端设计一种准确实时的防窃系统是很有必要的.音频设备作为被广泛部署在移动终端中的基础传感器之一,因其低廉的价格但强大的感知能力受到广泛关注.基于此,本研究设计了一种移动终端实时防窃方法EchoScan,其利用声波感知移动终端所处的上下文环境来检测识别偷窃行为.上下文环境是指移动终端所处的环境或被使用的状态,如静止于密闭空间时终端的状态、用户使用时终端的状态、被偷窃者窃取时终端的状态等.EchoScan的核心是利用移动终端内建的音频设备发出不易被人耳感知的近超声信号,并通过调频连续波技术来实现检测其所在上下文环境的变化情况以感知上下文的功能.为进一步提取可靠的上下文变化特征,EchoScan利用降噪自编码器网络以无监督学习的方式提取降维而可靠的特征.随后,EchoScan利用支持向量数据域描述方法实现无偷窃者训练数据前提下的偷窃行为检测功能.为解决实时声波感知引起的能耗问题,EchoScan还实现了基于运动传感器的实时移动终端接触检测方法,其利用偏自相关的方法捕捉用户的非周期性运动从而检测接触动作.结合基于声波的上下文感知,EchoScan最终实现实时的移动终端防窃方法.本工作的主要贡献如下:(1)本文提出一种实时移动终端防窃方法,其结合移动终端内建的音频与运动传感器来实时检测偷窃行为;(2)本文调研利用移动终端内建音频设备实现声波感知其上下文环境并识别偷窃行为的可行性;(3)本文结合移动终端内建低功耗运动传感器实现了实时检测识别移动终端被接触时刻的功能;(4)本文执行包含多位志愿者的验证实验来证明提出方法的有效性,实验结果表明提出的方法能够取得87%的偷窃检测准确率.本文第2节回顾基于声波上下文感知与基于运动传感器人体活动检测相关工作;第3节描述基于声波感知的可行性初步研究和基于运动传感器的能耗效率提升初步研究;第4节介绍本文提出的系统10期 卢 立等:基于声波感知的移动设备实时防窃方法研究 2003①②③④New norton anti-theft to protect lost or stolen smartphones.https://www.symantec.com/about/newsroom/press-releases/2011/symantec\_1004\_05,2011.10.4使用iPhone和iPad上的触控ID.https://support.apple.com/zh-cn/HT201371,2019.9.11支付宝人脸识别新品发布会.https://mrchportalweb.alipay.com/user/logout/news___________/detail.htm?detailId=dt06,2019.9.11Voiceprint:The New WeChat Password.https://blog.wechat.com/2015/05/21/voiceprint-the-new-wechat-password/,2019.9.11的框架和具体实现细节;第5节展示验证实验的评估结果;第6节给出本文结论.2 相关研究本工作结合声波感知与运动传感器来对移动终端所处上下文环境与人体活动进行监测和感知.因此,本节简要讨论已有的基于声波的上下文感知以及基于运动传感器的人体活动监测相关工作.2.1 基于声波的上下文感知由于音频设备(即扬声器与麦克风)在移动终端上的广泛部署,声波感知技术被广泛用于监测终端所在环境的变化情况.本节将该类工作进一步细化为两小类,即环境感知与活动感知.(1)环境感知.利用声波感知环境的已有工作主要集中在室内定位和地图构建领域上.早期工作[3]捕捉背景声频谱的声波指纹信息来实现室内定位.同时期的工作Swadloon[4]则利用预部署的蜂鸣设备提供相对指向位置以实现定位功能.然而,这些工作对环境噪声很敏感且需要很高的能耗代价.为解决该问题,Guoguo[5]测量信号到达时间(Timeof Arrival,ToA)以实现定位.但该工作对额外设备(即射频RF设备)的需求限制了其广泛部署的能力.WalkieLokie[6]测量手机与目标上附有的扬声器间的距离来定位该目标,其仅需商用手机与低成本的扬声器.其它工作EchoTag[7]仅自定位物体的静态位置,即仅记忆手机曾_€?________放置过的位置.但该工作无法实现实时的室内定位.BatMapper[8]仅利用商用手机以测量信号的ToA以估计手机至阻碍物的距离来构建地图,但其需复杂的训练以得到估计参数.SAMS[9]通过手持手机随机移动估计室内环境的边沿位置并构建室内地图以解决该问题.(2)活动感知.基于声波的技术还被广泛应用于活动感知上.BodyScope[10]设计了一种可穿戴声波设备来提取声波的特征以分类嘴部相关活动,但其需要额外可穿戴设备,故而很难在现实应用场景部署.后续工作[11-12]利用商用音频设备来识别人体活动.Ubicoustic[11]开发一种即插即用式的声波活动识别系统,其无需在使用前进行任何预训练.而EI[12]则利用周围物体反射的声波信号并基于对抗网络的方式实现了一种与环境无关的活动识别方法.除了日常活动的识别,还有一些工作利用声波感知技术识别车内驾驶员行为以保证驾驶安全.早期工作[13]利用车内扬声器检测驾驶员的手机使用行为,其测量了声波信号的到达时间差(Time Difference of Arrival,TDoA)从而确定使用手机的用户是否为驾驶员.ER[14]则进一步扩展声波感知来检测一些危险驾驶动作,其利用声波信号的多普勒效应来区分危险动作与正常行为以对危险动作发出警告从而保障驾驶安全.2.2 基于运动传感器的人体活动监测运动传感器(即加速度计与陀螺仪)因其低廉的价格目前被广泛部署在移动终端当中.目前基于运动传感器的人体活动监测工作可以按照其使用方法分为基于特征的方法和基于相似度的_方法.(1)特征法识别.基于特征的活动识别方法主要利用不同行为对运动传感器产生影响以生成不同的特征来识别[15-17].这些工作通常利用行为引起的特征作为关键输入来识别分类.PBN[15]基于附着在用户身上的运动传感器采集的数据以及AdaBoost分类方法来实现活动监测系统.RisQ[16]则设计一种吸烟活动探测系统,其利用吸烟行为对运动传感器产生的普遍影响以提取出一些普适性的特征,接着利用随机森林分类法识别吸烟行为的一系列连续动作.MoodScope[17]则提出一种基于手机的活动监测方法,其通过一系列与手机有关的人机交互中提取的特征来推测用户的心情.(2)相似度法识别.不同于基于特征的方法,基于相似度的方法通常会维护一组预构建的活动对应信号模式(profile)[18-20],其通过计算实时采样的信号样本与预构建的信号模式间的相似度来最终识别活动.目前最广为利用的相似度衡量指标有动态时间规整(DTW)距离[21]、推土机距离(EMD)、欧拉(Euclidean)距离等.2.3 本文与已有工作的不同已有活动识别的工作[14,22-23]利用各类传感器(如运动传感器、声波、无线信号等)捕捉用户动作引起的信号变化,并结合包括机器学习在内的多种方法实现用户动作的识别.直观上已有这些方法也可用于实现偷窃检测识别系统.然而,由于已有工作识别动作要求用户完成整个动作之后以提供完整的信号模式才能实现识别,因此仅能提供较为滞后的识别功能.而对于移动终端的失窃,仅能识别完整的偷窃动作意味着移动终端已经处scB4D____于偷窃者的控制下,即失窃已经发生.因此,实际中,这些方法并不适用于偷窃检测识别场景.近来已有与本工作最相似的工作仅有iGuard[24],其利用手机内置运动传感器判断手机从口袋中取出2004 计  算  机  学  报 2020年是由用户执行还是由偷窃者完成.但该工作基于十分严格的假设,即用户从口袋取出手机的过程中存在步伐速度逐渐减缓的现象而偷窃者则不会.然而在现实中,由于不同个体的习惯差异,该假设极有可能无法成立,从而导致该方法失效.同时,移动终端在失窃出现时所处的空间也未必在口袋中,因此该方法受到极大的条件限制.不同于已有专注于用户行为的工作,本文转而利用声波感知去探测移动终端所处的上下文环境(其既可以是口袋,也可以是其它半封闭空间)判断其使用是否在用户的控制下.本工作实现的系统在任意情景下均能准确检测识别偷窃行为,从而为移动终端用户提供实时的安全保障.3 初步研究及分析本节首先分析了通用移动终端失窃场景模型.随后针对该模型进一步研究基于声波感知失窃检测及基于运动传感器的能耗效率提升的可行性.3.1 移动终端失窃场景模型相比于传统固定桌面设备,移动终端因其易携带的便利性在目前生活工作中被人们广泛使用.许多隐私敏感信息会被存储于这些终端中,如个人身份证号、信用卡信息等.但亦由于移动终端的便携性,该终端可能被用户携带出现在任意地点,其中也包括无物理安全保证的地点空间(如人群密集的广场或大街上、或其它公共场所等).在这些空间中,移动终端有很高的风险出现失窃或丢失情况.本文面向的移动终端失窃场景具有以下假设:(1)偷窃者出于利益原因主动发起针对用户移动终端的偷窃行为,且在偷窃过程中需尽量避免被用户察觉.因此其动作幅度应尽可能小,对用户除移动终端以外的物品造成的影响尽可能小;(2)移动终端在被偷窃前处在用户放置的相对密闭空间当中,如口袋、拉链未关合的包等空间,而非被用户遗忘或丢弃在公共空间当中;(3)用户使用移动终端时无任何特定限制条件(即用户应按照其自身习惯使用移动终端),且用户对动作幅度较小的偷窃行为感知极弱(如利用长镊子从用户口袋中偷取手机等情况);(4)偷窃行为可能在任意时刻出现,既可能发生在用户行走过程中,也可能出现在用户坐在某公共场所休息的时刻.具有以上假设的移动终端偷窃场景在日常生活中实际上是极其常见的①,如用户在进出超市时手机位于随身携带的包内,但包的拉链却未关合,从而导致偷窃者有机会靠近用户并窃取手机.而由于移动终端所存储信息的隐私性和敏感性,这样的失窃对用户而言很可能会造成巨大的损失.3.2 基于声波感知的失窃检测可行性研究如前所述,移动终端极易面临失窃,并进一步带来经济或敏感信息上的损失.目前最广为采用和部署的阻止移动终端信息泄露的方法即为移动终端实现用户认证系统.然而,对于移动终端失窃而言,用户认证仅能保护移动终端内存储的信息即实现失窃后的防护功能,而无法提前警告用户以阻止移动终端的失窃.因此,为如今广泛使用的移动终端设计准确实时的防窃系统是很有必要的.音频设备作为广泛部署于移动终端的传感器之一因其低廉的价格但强大的感知能力受到广泛关注.基于此,本研究利用基于音频设备的声波感知技术来探索实现失窃检测功能的可行性.如第3.1节所述,偷窃者在窃取用户移动终端时为保证不引起用户警惕,其动作幅度通常相对于用户从密闭空间中取出手机小得多.因此,可利用声波感知移动终端所处上下文来判断其所处状态,即合法用户取出或偷窃者窃取.3.2.1 基于声波FMCW 的移动终端上下文感知移动终端所处上下文定义为其所处的环境或被使用的状态,如静止于密闭空间中、被用户手持进行使用、被偷窃者窃取等环境和状态.由于该上下文既可能是动态的也可以是静态的,因此本研究采用声波的调频连续波(Frequency Modulated ContinuousWave,FMCW)技术来感知移动终端所处的上下文.FMCW 技术是一种为雷达设计且广为使用的测距方法.FMCW 的基本原理通过测量发射信号与接收信号的频差来实现声源与目标物体间的距离测量.图1为FMCW 的基本原理图解.首先,移动终端的扬声器发出调制的锯齿波信号,其在周期τ(如图中τ=0.02s)内扫频预定义的频段B(如图中B=20kHz-17kHz=3kHz).在信号从物体上反射后,该锯齿波信号被移动终端的麦克风所接收,如图1中的虚线所示.由于声波信号的传播,接收信号相对于发射信号存在时延,即声波信号的飞行时间(Time Of Flight,TOF).通常情况下,TOF由于太微小而很难被直接测量到.为测量该TOF,FMCW10期 卢 立等:基于声波感知的移动设备实时防窃方法研究 2005① 盘点9大最容易遭遇偷窃的地方.https://xw.qq.com/cmsid/FJC2015102304489503,2019.9.6解调接收的声波信号,即在发射信号与接收信号上执行去调频(dechirp)操作[25]测量发射信号与接收信号间的频差Δf 来估测TOF.基于三角形的几何相似性原理,飞行时间T 可被推导为T=Δf×τB(1)由于扬声器与麦克风均集成于同一移动终端,这两者可被近似视作一个质点(即移动终端所在位置).故而,移动终端与物体的间距d 可推导为d=c×T2(2)其中,c为声波信号的传播速度.通过FMCW,可得到移动终端与其周围物体间的大致距离,进而可利用该距离对其所在的上下文进行建模.图1 FMCW 基本原理图解3.2.2 上下文感知可行性的实验验证为验证以上方法感知移动终端所在上下文以实现失窃检测的可行性,本研究招募了10位志愿者执行验证实验.在实验前,基于声波FMCW 感知的系统被实现在一台三星Galaxy S6手机中.实验将10位志愿者分为两组,分别扮演合法用户与偷窃者.详细来说,7位志愿者(合法用户)分别将上述的Galaxy S6放置于其腰部附近的口袋当中,然后按照其自身的习惯将手机从口袋中取出并进行正常的使用.每位用户重复以上操作10次以避免偶然性因素的影响.其余3位志愿者(偷窃者)则尝试从合法用户的口袋中窃取手机,并按其习惯离开现场.每位偷窃者对每位用户实施3次窃取.同时,每位合法用户还分别在坐着和站着的状态下重复以上实验.共完成266组实验.实验结果首先展示若干声波感知上下文的模式样例以验证用户和偷窃者从口袋中取出手机时的不同之处.图2和图3分别展示了两位用户从口袋中取出手机时的声波感知上下文示例和两个偷窃者从口袋中取出手机时的20阶~45阶频差示例(图中的灰度表示频差值).通过对比图2和图3可以发现,用户从口袋中取出手机时的频差绝对值显著大于偷窃者从口袋中取出手机时的频差绝对值,即用户从口袋中取出手机时,手机所处上下文环境出现明显的变化从而导致手机与其周围物体的距离明显2006 计  算  机  学  报 2020年增大;相反在偷窃者取出手机时则没有出现这样显著的频差变化.这是因为用户会遵从其自身习惯较为随意地取出手机,因此口袋(即此时移动终端所处的上下文环境)会出现明显的形变;而偷窃者在取出手机时为避免被用户感知会尽量避免口袋产生明显形变.因此用户和偷窃者取出手机时其感知的上下文变化情况会有明显差别.这些信号模式示例验证了本文在第3.1节中所做假设.图4进一步展示了实验中10位志愿者实验采集信号模式间的平均动态时间规整(Dynamic TimeWarping,DTW)距离矩阵.从图中可以发现用户从口袋中取出手机时所得的上下文感知信号模式与偷窃者从口袋中取出手机时所得的信号模式差距明显.而用户与用户之间的信号模式差距,以及偷窃者与偷窃者之间的信号模式差距则小的多.该结果进一步验证在从口袋取出手机这一相同动作下,用户和偷窃者对手机上下文会造成显著的差异.利用该__________差异,本文提出一种基于声波感知上下文的移动终端失窃检测方法,从而为广泛使用的移动终端提供先置的安全保障,而非滞后的信息保护手段.图4 10位志愿者采集信号模式间的平均DTW 距离矩阵3.3 利用运动传感器提高能耗效率由于基于声波的上下文感知需要移动终端不间断发出近超声信号实现实时偷窃检测,该方法极易引起移动终端能耗的大幅增加.故而,本研究寻求移动终端其他内置低功耗传感器配合声波感知以实现低功耗且实时的偷窃行为检测.在正常使用/偷窃过程当中,实际上只有用户/偷窃者接触到移动终端后,移动终端所处的上下文环境才会出现明显变化.根据该观察,可利用低功耗的传感器实时检测移动终端是否被触碰的状态来决定是否启用声波感知上下文检测其失窃状态,从而实现实时而低功耗的移动终端防窃目标.目前移动终端广泛部署的传感器包括运动传感器(即加速度计和陀螺仪)、距离传感器、光线传感器、音频设备、摄像头等.而既能检测用户/偷窃者接触手机的行为,又能实时低功耗检测的传感器只有运动传感器.因此,本文探索利用运动传感器辅助声波感知实现实时低功耗的移动终端防窃功能.运动传感器能够实时提供移动终端所处状态六维信息,即X、Y、Z 三轴的线性加速度信息(加速度计)和角速度信息(陀螺仪).虽然加速度计在较长时间的测量值是正确的,但其在较短时间内由于存在信号噪声导致误差.而陀螺仪在较短时间内则比较准确而较长时间则会因漂移而存有误差.因此,结合以上两者共六维信息可以实现在短期和长期内的精确检测[26___________].为验证运动传感器实时检测移动终端接触行为的可行性,本研究招募10位志愿者执行验证实验.实验将基于运动传感器的数据收集系统实现在一台三星Galaxy S6手机上,其采样率设置为200Hz.为考虑取出移动终端前用户不同行为的影响,实验将10位志愿者平均分为两组,分别执行静止站立和步行两种状态.两组用户都将手机放置于其口袋中,并在随后的一段时间内的静止站立/步行,最后从口袋中将手机取出.由于本实验仅探究移动终端在被人接触时能否被运动传感器捕捉到,因此该实验中并不区分志愿者取出的方式(即以用户或偷窃者的方式取出手机).每位志愿者重复该实验5次,故而共收集到50组实验数据.图5展示了用户处于站立/步行状态下移动终端被取出时运动传感器记录的数据.从图5(a)可以看出运动传感器首先表现出稳定的状态,其表达了用户此时处于静止站立状态,且手机随用户同样处于静止状态.接着,运动传感器数据出现细微的波动,其表示手机受到触碰,很有可能即将被取出.随后数据出现明显的峰值,其表达手机被志愿者从口袋中取出的大幅度运动状态.图5(b)则显示了用户处于步行状态下运动传感器捕捉的数据.不同于图5(a),由于用户初始状态是运动的,因此运动传感器数据在全程均呈现不稳定趋势.但由于人的步行是周期性行为,即一定长度的时间窗口中移动终端随人的运动是重复的,故运动传感器在人步行时的数据模式亦呈现周期性.因此,仍可从数据中捕捉手机被接触时的时刻.可以发现大约在时刻4s附近,运动传感器数据突变为较嘈杂的模式,该时刻下即表示手机即将脱离随人体周期性运动的状态.随后与图5(a)相似,数据开始呈现明显峰值变化,其10期 卢 立等:基于声波感知的移动设备实时防窃方法研究 2007表征手机被取出的过程.该实验结果表明运动传感器可被应用于实时检测移动终端被接触行为.图5 用户处于不同状态下移动终端被取出时运动传感器数据示例综合以上分析,结合移动终端内建音频和运动传感器来实现移动终端实时防窃方法是可行的.4 移动终端实时防窃系统设计为给移动终端提供实时先置的安全保护,本研究提出了一种移动终端实时防窃系统EchoScan,其通过声波感知移动终端所处的上下文环境进行偷窃行为的检测,并进一步利用低功耗的运动传感器实现实时的防窃方法.4.1 系统概述图6展示了EchoScan的系统框架图.EchoScan实时利用低功耗运动传感器检测移动终端所处状态.运动传感器实时采集移动终端的移动信号,并经过“移动终端接触检测模块”处理.在该模块中,EchoScan首先利用截止频率为10Hz的Equiripple低通滤波器对运动传感器信号预处理以消除硬件产生的高频噪声.接着,EchoScan通过计算固定长度窗口内预处理采样信号的偏自相关值,实时解析移动终端相对上下文环境静止的状态,即图6 EchoScan系统概述图移动终端位于相对密闭空间中的状态.详细而言,EchoScan求解Yule-Walker方程来得到采样信号的偏自相关值.当信号的偏自相关值到达极低点即不再保持周期性时,系统视其为移动终c2d端被人接触的时刻标志.同时,为使EchoScan在移动终端任意摆放的前提下仍能准确识别该接触时刻,系统进一步利用加速度计及陀螺仪的共六维信息,并采用DBSCAN聚类算法进行多数票决,最终得到接触时刻.随后,基于声波的移动终端偷窃识别模块被激活.“移动终端偷窃识别模块”预先设计了用于声波感知的锯齿波信号(即锯齿波的周期、初始频率、带宽),其综合考虑了声波感知偷窃行为所需的时间解析度和频率解析度.该模块被激活时,首先通过移动终端的扬声器发射该锯齿波信号,并通过麦克风不断接收反射的声波信号.被接收的声波信号通过采用截止频率为17kHz和20kHz的Equiripple带通滤波器进行预处理以消除环境带来的噪声干扰.随后,EchoScan利用如式(1)和式(2)所示的FMCW技术解析出移动终端与上下文间的距离,以描述上下文的形变情况.为消除接收信号中强度较大的视距信号干扰,本工作提出第n 大频率响应的频差搜索方法以提取出接收信号中隐含的反射信号成分.2008 计  算  机  学  报 2020年进一步为提取冗余度低且鲁棒的特征,EchoScan利用降噪自编码器网络从第n大频率响应频差信号模式中提取降维特征模式.最后,EchoScan基于该特征模式利用支持向量数据域描述(Support VectorDomain Description,SVDD)以实现在无偷窃者数据用于训练的前提下对移动终端所处当前状态进行识别以判断移动终端是否处于被偷窃的风险中.4.2 FMCW 声波信号设计在FMCW 技术中,锯齿波信号设计包括对信号周期与信号频带(即锯齿波的初始频率和带宽)的选择,其对声波感知的响应时间和解析度均有影响.锯齿波周期的设计与人体运动有关.由于移动终端通常被用户随身携带,故而其所在上下文的感知建模需要匹配人体运动的相对静止时间.通常情况下,人的一个行为动作会在较短时间内完成.为了捕捉到这种短时窗口内的时不变运动,本系统将锯齿波信号的周期设置为50ms.此外,对于锯齿波信号的带宽设计,则需保证发射信号能提供足够解析度感知移动终端所处上下文环境的变化,同时还需对用户保持不可感知性以保证良好的用户体验.根据傅立叶变换理论[27],由移动终端所处上下文环境反射的两个连续锯齿波信号能被解析当且仅当其频差满足以下条件:Δf>1τ(3)其中,Δf 为两个锯齿波信号的频差,τ 为锯齿波信号的周期.基于式(1)和式(2),可推导出Δf=2dBcτ(4)其中,d 为手机至其附近上下文环境(如口袋)间的距离,B 为锯齿波信号的带宽,c为声波信号的传播速度.结合式(3)和式(4),可推导出d>c2B(5)这意味着FMCW 的解析度会随着锯齿波信号带宽的增加而增加.因此带宽的选择应当越大越好.结合人耳不可听的范围(即17kHz)及移动终端有限的录音能力(即20kHz)[28],本工作选择[17~20]kHz作为发射信号的频带(即锯齿波初始频率为17kHz,带宽为3kHz).利用该锯齿波信号,EchoScan能以足够响应时间和解析度感知移动终端所处上下文环境的变化.4.3 移动终端接触检测如第3.3节所述,本研究利用低功耗的运动传感器检测移动终端被接触的时刻,从而为声波感知的激活提供实时支撑且保证能耗有效.由于运动传感器在日常活动中亦被激活用于人体活动的追踪(如记步等),因此利用该传感器进行实时移动终端接触检测不会带来明显的额外能耗.4.3.1 运动传感器信号预处理由于移动终端硬件出厂时并非完美,因此运动传感器采集数据中常伴有噪声,其会对移动终端接触时的信号模式产生明显干扰.因此,去除运动传感器数据噪声以保证准确的接触时刻检测是很有必要的.在移动终端被接触前,其所处环境是跟随用户行为变化的,尤其是用户在运动状态下产生的变化.但无论移动终端是静止的还是运动的,运动传感器感知的运动模式均为低频变化.例如,人走路步频通常在1.33步/s[29]左右.相比于步频,硬件产生的运动传感器噪声基本为高频噪声.基于该观察,EchoScan利用截止频率为10Hz的Equiripple低通滤波器对原始运动传感器数据进行预处理,以消除高频噪声对后续接触行为检测的影响.4.3.2 接触行为检测如第3.3节所述,用户的移动终端被取出时未必处于静止状态,因此运动传感器在被接触前采集的数据亦会出现明显波动.为从这些数据波动中准确提取接触时的信号模式,EchoScan利用自相关方法去识别接触行为.由于移动终端被接触前,用户行为通常呈现周期性(如走路、跑步等),可利用这些强相关运动引起的相似信号模式来区别接触前运动和接触时动作.详细而言,运动传感器任意一维数据的自相关R(θ)可被推导为R(θ)=ΣNt=θ+1m(t)m(t-θ) (6)其中,m(t)为运动传感器任意一维在t时刻的感知采样数据,θ为自相关延迟参数,N 为信号的采样点总数目.由于运动传感器实时采集数据,因此在求解自相关的过程中很难得到采样点总数目N.EchoScan利用固定时间窗的偏自相关[30]来实时求解当前时间段与之前数据点间的相关性.首先EchoScan利用固定长度的时间窗口采集运动传感器数据m(t),t∈[1,n](n 为窗口宽度).当数据长度达到窗口宽度时,EchoScan计算该窗口内数据的偏相关值.详细而言,t时刻的运动传感器数据可表示为m(t)=R1p(t)m(t-1)+…+Rkp(t)m(t-k)+εt,其中k 为偏自相关延迟参数,Rkp(t)为数据m(t)的偏自相关.通过求解该公式的Yule-Walker方程,可求得各个时间窗口内运动传感器数据的偏自相关值Rkp(t).10期 卢 立等:基于声波感知的移动设备实时防窃方法研究 2009随后在计算出的偏自相关值中找到最小偏自相关对应的时间段编号,即i=argtmin Rkp(t).最后通过匹配时间段对应的原始运动传感器数据中的时刻点,即可搜索到接触行为出现的时刻.图7显示了基于偏图7 基于偏自相关的接触动作检测示例自相关的接触动作检测的示例.  在现实情况中,由于在相对密闭空间时移动终端可能处在任意一种放置状态(即重力加速度可能会影响任意多个维度的运动传感器数值),因此单独利用某个维度的信息来检测接触状态很可能导致错误的结果.图8展示了用户步行状态下移动终端被取出时运动传感器六维数据示例.可以发现虽然加速度计的X 轴和Z 轴能较好表现出可区分的用户正常步行时和手机被取出时的状态(如图8(a)和图8(c)所示),但加速度计的Y 轴数据则在接触行为之前就出现了明显的非周期性行为(如图8(b)所示).这是因为该实验中手机在口袋中处于侧放的状态,即Y 轴近乎与重力轴重合,从而导致了该轴数据无法真实反应出人行走的周期性规律.图8(d)、图8(e)和图8(f)的陀螺仪数据示例反映了相似的图8 用户步行状态下移动终端被取出时运动传感器六维数据示例2010 计  算  机  学  报 2020年问题.因此,EchoScan综合利用运动传感器六个维度的信息来检测识别接触.通常情况下,重力加速度只会对少数维度的数据造成明显的影响,如图8(b)的加速度计Y 轴数据.基于此观察,EchoScan采用多数票决的方式来确定具体的接触行为时刻点.详细而言,系统利用偏自相关法从运动传感器六维信息中得到六个不同的接触时刻即tAX、tAY、tAZ、tGX、tGY、tGZ.随后利用DBSCAN 聚类方法得到若干类,其中时刻数最多的类即为多数票决结果.接触时刻通过计算该类中的时刻平均值得到.4.4 移动终端偷窃识别在EchoScan检测到移动终端被用户/偷窃者接触后,基于声波的上下文感知模块被激活判断此次接触是否为偷窃行为.声波感知模块激活后,移动终端通过扬声器发出如第4.2节所设计的锯齿波信号;声波信号经移动终端周围0 的

[返回]

下一篇:函数极限的高阶逻辑形式化建模与验证