本发明涉及人机交互的，尤其是指一种基于人体行为生物特征的手机用户认证方法。
背景技术：
1、智能手机已经成为人们生活工作的一部分，存储了大量的个人隐私或是企业机密信息，因此针对一系列漏洞的保护认证方法是至关重要的。传统的手机用户认证主要有密码认证，包含数字密码、图形密码等。然而传统认证方法过于简单，在面临数据泄露等危机的今天，有着密码丢失或者被攻破的巨大风险。目前智能手机上的行为生物识别系统缓解了密码泄露的问题，却面临着认证速率低、计算资源占用大、场景适应性弱等的挑战，也需要持续的用户交互来提取特征，缺乏指纹或面部识别的一步便利性。为了解决这些问题，本发明引入了高效的基于人体生物特征的手机用户认证方法，这是一种先进的双因素、基于手势的移动认证方法，提供了一个无缝和更稳健的解决方案。该方法利用用户与设备交互的独有特征，特别是抓取和提升的组合动作，来验证身份。通过分析智能手机内置的惯性测量单元复现运动轨迹以及转向角度，本发明提供了一层可解释的安全层，比传统的生理或行为特征更不容易受到欺骗。
2、当下基于生物特征实现手机认证的技术方法可分为两类，这两类技术都存在各自的缺点和局限性：
3、基于身体体征的方法：利用内置的音频以及惯性测量单元等通过声学，力学分析用户体态(如胸部呼吸起伏，手部神经重构)。现有的挑战是计算资源较大，运行效率较慢。
4、基于生物行为的方法：利用手机内置惯性测量单元或其他可穿戴式设备重构触摸节奏，行走步态等行为特征构建用户模型特征。目前的困难集中在要求其他可穿戴设备辅助收集数据，便捷性较低。
5、综合以上论述，发明一种基于人体行为生物特征的手机用户认证方法具有较高的实际应用价值。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供了一种基于人体行为生物特征的手机用户认证方法，可有效实现手机用户认证的目的，提高了模型的便捷性和运行效率。
2、为实现上述目的，本发明所提供的技术方案为：基于人体行为生物特征的手机用户认证方法，包括：
3、数据采集阶段：在进入训练阶段前，需要采集训练模型使用的数据集，数据采集包括用户抬起手机和抓取手机时的多个手机惯性测量单元数据；
4、模型训练阶段：训练两个不同的模型，分别为第一模型和第二模型，所述第一模型用于识别用户抬起手机的动作，以开始记录用户手机惯性测量单元的实时数据；所述第二模型是使用第一模型采集的实时数据提取用户行为特征，使用提取的行为特征通过用户认证模型以达到认证用户的目的；其中，在两个模型的数据预处理中，提取抬起手机时的动态特征以及抓取手机时的静态特征，分别使用巴特沃斯低通滤波和扩展卡尔曼滤波方法，用于对动态特征和静态特征去除生物特征无关的环境噪音，得到干净有用的动态特征和静态特征；所述第一模型的原理是使用三轴惯性测量单元数据和卡尔曼滤波，计算用户抬手的实时速度，以识别用户抬起手机的动作；所述第二模型则是对动态特征和静态特征进行甄别，分别得出两个不同的决策，再将两个不同的决策加权融合后作为最终决策，其中，对两个不同决策的参数使用加权决策融合是根据用户持续交互过程进行更新权重，最终得到能区分用户独特抓握模式的最优第二模型，称为用户认证模型；
5、模型应用阶段：在应用之前，需要先下载手机应用，在手机应用中收集个人数据，包括抬起阶段和抓取阶段的数据，随后，使用手机应用中的文件分享功能，将用户数据上传至云平台进行与上述模型训练阶段一样的训练，生成用户认证模型，生成用户认证模型之后，云平台将模型参数传回用户手机应用中即可使用，模型使用者需要在手机应用授权的前提下，在手机息屏的时候抓取手机并抬起手机，手机应用通过用户认证模型的认证将会显示用户认证是否成功的信息。
6、进一步，在数据采集阶段，手势检测包括：初始化阶段，从口袋中取出智能手机的动作，由手臂和手腕的弯曲或伸展运动组成；过渡阶段，举起手机的动作，通过肘部的伸展和肩部的外展，使手臂将手机举到一个更易访问的位置；调整阶段，将手机旋转到最佳查看或交互角度的动作，由腕部的旋转和抓握的微调组成。
7、进一步，所述第一模型进行速度判断，包含三类阈值判断，即启动速度阈值、结束速度阈值和最大速度阈值；对于启动速度阈值，若手部移动速度超过预设阈值，则判断为抬起动作的开始；对于结束速度阈值，若手部移动速度低于预设阈值，且手机保持稳定，则判断为抬起动作的结束；对于最大速度阈值，在抬起动作过程中，若手部移动速度的最大值超过预设阈值，则确认该动作为有效的抬起动作；其中，上述三类阈值的推算是通过统计手机静止、手机抬起以及手机浏览阶段的惯性测量单元数据分布而得出的判断阈值。
8、进一步，所述第二模型包括：
9、卷积神经网络，用于从输入数据中提取空间特征，其每个卷积神经网络层使用卷积核提取抓握和举起手势的细微特征；
10、长短期记忆网络，用于捕捉输入数据中的时间依赖性特征，其长短期记忆网络层包含隐藏神经元，能够有效处理序列数据；
11、多头注意力机制，结合到长短期记忆网络层之后，用于在序列数据的不同位置聚焦相关特征，提升模型捕捉复杂时间模式的能力；
12、特征融合层，用于将抓握手势和举起手势的特征进行融合，通过全连接层和多层感知器进行进一步处理，以生成最终的认证输出。
13、本发明与现有技术相比，具有如下优点与有益效果：
14、1、本发明通过集成多个神经网络，包括卷积神经网络和长短期记忆网络，结合多头注意力机制，实现了对用户抬起手机和抓取手机动作的高效特征提取。这一创新不仅能够捕捉细微的空间和时间特征，还能通过多头注意力机制聚焦于重要特征，从而显著提升用户认证的准确性。
15、2、本发明在数据预处理中引入了巴特沃斯低通滤波和扩展卡尔曼滤波技术，分别用于去除动态特征和静态特征中的环境噪音。这种双重滤波方法能够有效清洗数据，保留与用户生物特征相关的关键信息，提高了模型的稳健性和精度。
16、3、本发明提出了基于特征融合的用户认证模型。通过将举起手势的动态特征和抓握手势的静态特征分别进行处理，并在不同阶段得出独立决策，最后使用加权融合方法结合这些决策。该融合方法的权重根据用户持续交互过程进行动态更新，确保了认证模型能够适应用户行为的变化，提高了模型的稳定性和准确性。
17、4、本发明的用户认证模型在使用过程中能够自适应地更新。通过持续收集用户在不同环境和情境下的交互数据，并上传至云平台进行再训练和参数更新，使得模型能够不断优化，确保在不同场景下都能保持高效的认证性能。
18、5、本发明通过第一模型实时检测用户抬起手机的动作，开始记录惯性测量单元数据，并由第二模型实时提取用户行为特征进行认证。这种实时认证方法提高了用户认证的便捷性和响应速度，确保用户能够在自然交互中快速完成认证。
19、6、本发明提出了基于用户行为特征的认证模型构建方法。通过手机应用收集个人数据，并在云平台进行专属模型训练，生成个人的用户认证模型。这种方法确保每个用户的认证模型都是独特的，显著提升了认证的安全性。
1.基于人体行为生物特征的手机用户认证方法，其特征在于，包括：
2.根据权利要求1所述的基于人体行为生物特征的手机用户认证方法，其特征在于，在数据采集阶段，手势检测包括：初始化阶段，从口袋中取出智能手机的动作，由手臂和手腕的弯曲或伸展运动组成；过渡阶段，举起手机的动作，通过肘部的伸展和肩部的外展，使手臂将手机举到一个更易访问的位置；调整阶段，将手机旋转到最佳查看或交互角度的动作，由腕部的旋转和抓握的微调组成。
3.根据权利要求1所述的基于人体行为生物特征的手机用户认证方法，其特征在于，所述第一模型进行速度判断，包含三类阈值判断，即启动速度阈值、结束速度阈值和最大速度阈值；对于启动速度阈值，若手部移动速度超过预设阈值，则判断为抬起动作的开始；对于结束速度阈值，若手部移动速度低于预设阈值，且手机保持稳定，则判断为抬起动作的结束；对于最大速度阈值，在抬起动作过程中，若手部移动速度的最大值超过预设阈值，则确认该动作为有效的抬起动作；其中，上述三类阈值的推算是通过统计手机静止、手机抬起以及手机浏览阶段的惯性测量单元数据分布而得出的判断阈值。
4.根据权利要求1所述的基于人体行为生物特征的手机用户认证方法，其特征在于，所述第二模型包括：
