一种基于内置加速度传感器的手机防盗方法与流程

本发明属于防盗技术领域，具体涉及一种基于内置加速度传感器的手机防盗方法。

背景技术：

随着移动互联网的发展，手机已经成为人们日常正生活中必不可少的一部分，同时手也储存大量的个人隐私数据，如短信、照片等。随着城市的人口增加，许多的公共场合拥挤不堪，手机被盗也是时有发生，一旦手机隐私数据外泄，会给当事人的工作生活带来严重影响。

针对这一社会现实，各类手机防盗的各种电子产品以及防盗方法应运而生，其中一部分是与手机相关联的便携式防盗装置，这种防盗装置虽然有即时性，但是不是很方便，因为当手机远离装置一定的范围，装置就会报警。装置一旦遗漏，就起不到防盗的作用，并且买装置需要额外的开销。另一部分是手机自身设置密码，一旦密码错误就会报警，向关联手机发送位置信息，虽然可以追回手机，但是缺乏时效性，当手机追回时，信息可能早已泄露。

随着时代的进步，科技的发展，智能手机越来越“智能化”。如今的手机内部自包含了各种传感器，如加速度传感器，陀螺仪，磁传感器等。这些传感器时刻在记录着手机用户的个体行为数据，每个人的个体行为都是独特的，根据这些数据可以进行人员的身份识别。

技术实现要素：

针对手机被盗这一社会现象，本发明利用智能手机对手机用户进行身份的识别，当手机的携带者发生变化可以立即识别出，并且发出警报。另外智能手机本身含GPS模块可以进行精确的定位，能够实时向关联手机发送被盗窃手机的位置。

实现本发明的技术方案如下：

一种基于内置加速度传感器的手机防盗方法，首先对用户的智能手机进行训练，用户将手机放置在口袋，或者其他位置，并且运动一段时间让手机加速度传感器获取个人特征信息，使得手机能够通过这些特征信息识别出主人身份；倘若手机被盗窃，违法人员携带手机走动，手机即可识别出手机被盗，立即发出警报，提醒用户手机被窃，手机开始向绑定手机发送被盗手机的地理位置。

进一步，所述方法的具体步骤包括：

(1)首先需要用户携带手机运动一段距离如慢步走，记录下加速度传感器测得的用户的数据；

(2)利用卡尔曼滤波对步骤(1)得到的用户数据进行处理；滤波关系式如下：

X(k|k-1)＝A*X(k-1|k-1)+B*U(k)

P(k|k-1)＝A*P(k-1|k-1)*A'+Q

Kg(k)＝P(k|k-1)*H'/(H*P(k|k-1)H'+R)

X(k|k-1)＝X(k|k-1)+Kg(k)*(Z(k)-H*X(k|k-1))

P(k|k)＝(I-Kg(k)*H)*P(k|k-1)

其中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量这里控制量为0；A、B为多模型系统的参数。

P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是系统过程的协方差。

K_g(k)为卡尔曼的增益，R为测量方差，反应加速度传感器的测量精度；

Z(k)表示k时刻的测量值；

(3)利用时域特征进行识别，使用的参数包括周期最大值平均数偏度S、四分位距IQR、相关系数C，具体计算表达式如下。

周期最大值的平均值表达式：

$\stackrel{\‾}{X}=\frac{\underset{1}{\overset{n}{\Σ}}{I}_{max}}{n}$

其中I_max为单个周期的峰值，n为峰值的个数；

偏度S为数据偏斜方向和程度，其表达式：

$S=\frac{1}{N}\underset{1}{\overset{N}{\Σ}}{\left(\frac{a_i-a}{\mathrm{\σ}}\right)}^3$

a_i传感器测得的数据，i＝1,2,3,...,N，N为数据个数；a为N个测得数据的平均值；σ为测得数据的标准差；

四分位距IQR表达式：

$Q_j=b_{k_j}+(b_{k_j+1}-b_{k_j})r_j$

IQR＝Q₃-Q₁

数据aj由大到小排序为b_j，j＝1,2,...,N；四分位数的位置为P_j＝1+(N-1)j/4，j(＝1,2,3)为分位个数，k_j为P_j整数部分，rj为小数部分；

互相关系数C表达式：

C_xyz＝COV(x,y,z)/(σ_xσ_yσ_z)

式中：COV(x,y,z)为x,y,z轴加速度的协方差；σ_x,σ_y，σ_z为x,y,z轴加速度的标准差。

(4)运用决策树对特征值进行分类判断；决策树T构建好后，估计预测值，识别用户身份；

(5)如果手机被盗窃，违法人员携带手机走动，手机即可识别出违法人员的身份信息与手机主人身份信息不一致，判断出手机被盗，手机开始向绑定手机发送被盗手机的地理位置，并发出警报，提醒用户手机被窃。

进一步，所述步骤(4)中所述决策树是通过计算熵来构建，所述熵表达式为：

$Entroy=-{\mathrm{\Σ}}_{i=1}^{n}p\left(i\right)*{\log }_2^{p\left(i\right)}$

其中p(i)＝第i类数目/总数目。

进一步，所述步骤(4)中估计预测值是通过估计一个准确率的正态分布区间，获得正态分布区间后对数据进行合理的分类，区分出手机携带者身份信息。

进一步，所述正态分布的置信区间求解如下：

1)将acc标准化，即acc＝X/N；N为记录数据，X预测正确的记录数；

2)选择置信水平a，求出a/2和1-a/2对应的准确正态分布的统计量Z_a/2,Z_1-a/2解下面关于p的不等式，得到p的置信区间：

$-Z_{a/2}\≤(acc-p)/\sqrt{p*(1-p)/N}\≤Z_{1-a/2}.$

本发明的有益效果：

1、本发明价格低廉不需要额外的传感器设备，只需要智能手机内置的加速度传感器就可以完成以上的功能。

2、本发明结合身份的识别可以让手机具有自主身份识别的功能，相对于其他防盗措施具有一定的即时性，一旦手机携带者更换，手机立即发出警报，并进行定位，对后续的手机的追踪起到极大的作用。

附图说明

图1是本发明提取的原始的用户数据图；

图2是原始的用户数据进行滤波之后的图。

具体实施方式

一般用户可以把手机放置在口袋中，手机加速度传感器采集到的用户的加速度数据，得到用户的数据，再对数进行特征的提取，如均值、最大值、方差等作为用户的特征点，通过决策树对特征数据进行归类，以识别出用户身份。然后利用智能手机集成的GPS模块进行定位。

首先对用户的智能手机进行训练，用户可以将手机可以放置在口袋，或者其他位置，并且需要运动一段时间能够让手机加速度传感器获取足够的个人特征信息，使得的手机能够通过这些特征信息识别出主人身份，倘若被盗窃，违法人员携带手机走动，手机即可识别出手机被盗，立即发出警报，提醒用户手机被窃，手机开始向绑定手机发送被盗手机的地理位置。具体步骤如下：

(1)首先需要用户携带手机运动一段距离如慢步走，记录下加速度传感器测得的用户的数据。

(2)从上一步获得数据是初始数据，数据的干扰较多，并存在大量的毛刺，如图1所示，需要经过滤波，滤波后信号更加圆滑，效果如图2。

本发明采用的滤波方法是卡尔曼滤波。滤波关系式如下：

X(k|k-1)＝A*X(k-1|k-1)+B*U(k) (1)

P(k|k-1)＝A*P(k-1|k-1)*A'+Q (2)

Kg(k)＝P(k|k-1)*H'/(H*P(k|k-1)H'+R) (3)

X(k|k-1)＝X(k|k-1)+Kg(k)*(Z(k)-H*X(k|k-1)) (4)

P(k|k)＝(I-Kg(k)*H)*P(k|k-1) (5)

式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量这里控制量为0；A和B是多模型系统参数。

式(2)中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是系统过程的协方差。

式(3)中，K_g(k):为卡尔曼的增益，R为测量方差，反应加速度传感器的测量精度。

式(4)中，Z(k)表示是k时刻的测量值。

式(1)，(2)是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。式(3)(4)(5)中I，H均为1的矩阵。

(3)滤波后的图形具有明显周期，本发明在手机内部运行鉴于手机处理器运算能力较弱，所以主要使用时域特征进行识别，用到了周期最大值平均数偏度S、四分位距IQR、相关系数C，具体计算表达式如下。

周期最大值的平均值表达式：

$\stackrel{\‾}{X}=\frac{\underset{1}{\overset{n}{\Σ}}{I}_{max}}{n}$

其中I_max为单个周期的峰值，n为峰值的个数。

偏度S为数据偏斜方向和程度，其表达式：

$S=\frac{1}{N}\underset{1}{\overset{N}{\Σ}}{\left(\frac{a_i-a}{\mathrm{\σ}}\right)}^3$

a_i传感器测得的数据，i＝1,2,3,...,N，N为数据个数；a为N个测得数据的平均值；σ为测得数据的标准差。

四分位距IQR表达式：

$Q_j=b_{k_j}+(b_{k_j+1}-b_{k_j})r_j$

IQR＝Q₃-Q₁

数据a_j由大到小排序为b_j，j＝1,2,...,N。四分位数的位置为P_j＝1+(N-1)j/4，j(＝1,2,3)为分位个数，k_j为P_j整数部分，rj为小数部分。

互相关系数C表达式：

C_xyz＝COV(x,y,z)/(σ_xσ_yσ_z)

式中：COV(x,y,z)为x,y,z轴加速度的协方差；σ_x,σ_y，σ_z为x,y,z轴加速度的标准差。

(4)运用决策树对特征值进行分类判断，识别身份。决策树根据“纯度”来构建，本发明通过计算熵来构建，熵表达式：

$Entroy=-{\mathrm{\Σ}}_{i=1}^{n}p\left(i\right)*{\log }_2^{p\left(i\right)}$

其中p(i)＝第i类数目/总数目。

决策树T构建好后，估计预测值，通过样本估计的准确率，但是很有可能存在偏差，所以本发明采用比较科学的方法，是估计一个准确率的区间，获得区间后就对数据进行合理的分类。

正太分布的置信区间求解如下：

1)将acc标准化，即acc＝X/N。N为记录数据，X预测正确的记录数

2)选择置信水平a，求出a/2和1-a/2对应的准确正态分布的统计量Z_a/2,Z_1-a/2解下面关于p的不等式，得到p的置信区间。

$-Z_{a/2}\≤(acc-p)/\sqrt{p*1-p/N}\≤Z_{1-a/2}$

得到区间后，就可以对数据进行合理的分类，最后综合数据的分类结果，区分出手机携带者身份信息。

(5)如果手机被盗窃，违法人员携带手机走动，手机即可识别出违法人员的身份信息与手机主人身份信息不一致，判断出手机被盗，手机开始向绑定手机发送被盗手机的地理位置，并发出警报，提醒用户手机被窃。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。