本發(fā)明屬于身份識(shí)別領(lǐng)域，具體涉及基于呼吸音的用戶身份認(rèn)證方法及系統(tǒng)。

背景技術(shù)：

1、隨著耳戴式設(shè)備市場(chǎng)規(guī)模的不斷擴(kuò)大，越來越多的傳感器被集成到耳機(jī)上，進(jìn)而衍生出愈發(fā)豐富的應(yīng)用，也為身份認(rèn)證技術(shù)提供了新的方向。現(xiàn)有的基于耳戴式設(shè)備的生物識(shí)別技術(shù)通過提取用戶耳道幾何形狀、步態(tài)、語(yǔ)音特征和牙齒咬合等生物特征實(shí)現(xiàn)身份認(rèn)證，然而這些方法通常依賴于用戶的主動(dòng)行為（如行走、說話或咀嚼等）并且需要收發(fā)傳感器（如揚(yáng)聲器和麥克風(fēng)）的聯(lián)合使用，降低了用戶的使用體驗(yàn)。

2、呼吸作為一種普遍且無意識(shí)的生理行為，為持續(xù)被動(dòng)身份認(rèn)證提供了新的可能性。但由于呼吸音微弱且空氣傳導(dǎo)具有安全隱患，致使此類系統(tǒng)易遭受音頻重放攻擊，且完成準(zhǔn)確的身份認(rèn)證還需用戶將采集設(shè)備靠近嘴或鼻子，在安全和易用性方面存在著明顯的不足。因此，亟需一款持續(xù)被動(dòng)用戶身份認(rèn)證系統(tǒng)，在保持高安全級(jí)別的同時(shí)，對(duì)用戶沒有其他行為限制和使用限制。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于呼吸音的用戶身份認(rèn)證方法及系統(tǒng)，由呼吸聲音中提取難以偽造的生物特征，能夠高程度抵御欺騙攻擊，對(duì)于環(huán)境噪聲與呼吸行為變化具有較強(qiáng)的抵抗能力和適應(yīng)性。

2、為達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是：

3、本發(fā)明第一方面提供了一種基于呼吸音的用戶身份認(rèn)證方法，包括：

4、通過耳戴式設(shè)備從耳道內(nèi)捕獲耳內(nèi)呼吸信號(hào)，并對(duì)耳內(nèi)呼吸信號(hào)進(jìn)行去噪處理獲得呼吸去噪信號(hào)；

5、利用高斯混合模型分別計(jì)算每幀呼吸去噪信號(hào)屬于呼吸事件和非呼吸事件的概率獲得呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率，通過呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率計(jì)算每幀呼吸去噪信號(hào)的似然比；根據(jù)似然比對(duì)呼吸去噪信號(hào)進(jìn)行分割獲得呼吸片段信號(hào)；

6、由呼吸片段信號(hào)中提取生物特征標(biāo)識(shí)符；將生物特征標(biāo)識(shí)符輸入至預(yù)訓(xùn)練的三元組神經(jīng)網(wǎng)絡(luò)，計(jì)算生物特征標(biāo)識(shí)符與預(yù)存的生物特征模板之間的相似度；根據(jù)相似度進(jìn)行用戶身份認(rèn)證。

7、進(jìn)一步的，對(duì)耳內(nèi)呼吸信號(hào)進(jìn)行去噪處理獲得呼吸去噪信號(hào)，具體包括：

8、在耳內(nèi)呼吸信號(hào)上設(shè)置識(shí)別窗口；按照設(shè)定跳躍長(zhǎng)度在耳內(nèi)呼吸信號(hào)上移動(dòng)識(shí)別窗口后，計(jì)算所述識(shí)別窗口內(nèi)耳內(nèi)呼吸信號(hào)的功率譜密度，當(dāng)功率譜密度超過預(yù)設(shè)密度閾值對(duì)識(shí)別窗口內(nèi)耳內(nèi)呼吸信號(hào)進(jìn)行丟棄處理獲得第一級(jí)降噪呼吸信號(hào)；

9、將第一級(jí)降噪呼吸信號(hào)輸入至帶通濾波器，在設(shè)定頻率范圍內(nèi)對(duì)第一級(jí)降噪呼吸信號(hào)進(jìn)行濾波獲得第二級(jí)降噪呼吸信號(hào)；

10、通過遺傳算法優(yōu)化最大重疊離散小波變換模型的去噪?yún)?shù)；將第二級(jí)降噪呼吸信號(hào)輸入至優(yōu)化后的最大重疊離散小波變換模型，將第二級(jí)降噪呼吸信號(hào)分解為多個(gè)小波系數(shù)和尺度系數(shù)，對(duì)小波系數(shù)和尺度系數(shù)進(jìn)行閾值化處理以及信號(hào)重構(gòu)生成獲得呼吸去噪信號(hào)。

11、進(jìn)一步的，通過遺傳算法優(yōu)化最大重疊離散小波變換模型的去噪?yún)?shù)，具體包括：

12、定義最大重疊離散小波變換模型的去噪?yún)?shù)集合，表達(dá)公式為：

13、

14、公式中，為第遺傳算法迭代中去噪?yún)?shù)集合；為第遺傳算法迭代中母小波函數(shù)；為第遺傳算法迭代中分解級(jí)別；為第遺傳算法迭代中閾值函數(shù)；為第遺傳算法迭代中選定閾值；為第遺傳算法迭代中閾值重縮放函數(shù)；

15、將去噪?yún)?shù)集合編碼為染色體，并隨機(jī)生成設(shè)定數(shù)量的染色體形成初始種群；

16、基于染色體對(duì)應(yīng)去噪?yún)?shù)集合的最大重疊離散小波變換模型，將原始含噪信號(hào)轉(zhuǎn)化為重構(gòu)信號(hào)并計(jì)算均方誤差，表達(dá)公式為：

17、

18、

19、公式中，為最大重疊離散小波變換模型，為重構(gòu)信號(hào)；為原始含噪信號(hào)；為均方誤差；為原始含噪信號(hào)的數(shù)量；n為原始含噪信號(hào)的序號(hào)；

20、根據(jù)均方誤差對(duì)染色體進(jìn)行交叉處理和變異處理并更新染色體的初始種群，重復(fù)迭代最大重疊離散小波變換模型中去噪?yún)?shù)的優(yōu)化過程，直至滿足終止條件輸出優(yōu)化后的最大重疊離散小波變換模型。

21、進(jìn)一步的，利用高斯混合模型分別計(jì)算每幀呼吸去噪信號(hào)屬于呼吸事件和非呼吸事件的概率獲得呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率，通過呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率計(jì)算每幀呼吸去噪信號(hào)的似然比，具體包括：

22、將每幀呼吸去噪信號(hào)按照頻率劃分為w個(gè)子頻帶；

23、利用高斯混合模型分別計(jì)算每幀呼吸去噪信號(hào)屬于呼吸事件的概率獲得呼吸先驗(yàn)概率，表達(dá)公式為：

24、

25、公式中，為呼吸先驗(yàn)概率；為第幀呼吸去噪信號(hào)中第個(gè)子頻帶的對(duì)數(shù)能量；為第個(gè)子頻帶的參數(shù)集；為各幀呼吸去噪信號(hào)的類別標(biāo)簽；為第個(gè)子頻帶的均值；為第個(gè)子頻帶的方差；為圓周率；為自然指數(shù)函數(shù)；

26、利用高斯混合模型分別計(jì)算每幀呼吸去噪信號(hào)屬于非呼吸事件的概率獲得非呼吸先驗(yàn)概率，表達(dá)公式為：

27、

28、公式中，為非呼吸先驗(yàn)概率；

29、通過呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率計(jì)算每幀呼吸去噪信號(hào)中子頻帶的似然比，表達(dá)公式為：

30、

31、公式中，為第幀呼吸去噪信號(hào)中第個(gè)子頻帶的似然比；

32、根據(jù)每個(gè)子頻帶的功率累積分布對(duì)每個(gè)子頻帶的似然比分配權(quán)重，對(duì)每個(gè)子頻帶的似然比加權(quán)求和獲得每幀呼吸去噪信號(hào)的似然比，表達(dá)公式為：

33、

34、公式中，為第個(gè)子頻帶的加權(quán)系數(shù)；為第幀呼吸去噪信號(hào)的似然比。

35、進(jìn)一步的，根據(jù)似然比對(duì)呼吸去噪信號(hào)進(jìn)行分割獲得呼吸片段信號(hào)，具體包括：

36、根據(jù)每幀呼吸去噪信號(hào)中子頻帶的均值和方差計(jì)算自適應(yīng)閾值，表達(dá)公式為：

37、

38、公式中，為自適應(yīng)閾值，表示第個(gè)子頻帶的閾值權(quán)重；表示第個(gè)子頻帶在非呼吸模式下的均值；表示第個(gè)子頻帶在呼吸模式下的均值；表示第個(gè)子頻帶在非呼吸模式下的方差；表示為第個(gè)子頻帶在呼吸模式下的方差；

39、將第幀呼吸去噪信號(hào)的似然比與自適應(yīng)閾值進(jìn)行對(duì)比，判斷各幀呼吸去噪信號(hào)是否屬于呼吸事件和非呼吸事件，在呼吸去噪信號(hào)中刪除屬于非呼吸事件的幀獲得呼吸片段信號(hào)。

40、進(jìn)一步的，所述生物特征標(biāo)識(shí)符包括身體不對(duì)稱標(biāo)識(shí)符、耳道幾何標(biāo)識(shí)符和呼吸道描述符；由呼吸片段信號(hào)中提取生物特征標(biāo)識(shí)符，具體包括：

41、提取所述呼吸片段信號(hào)的起點(diǎn)時(shí)間戳和終點(diǎn)時(shí)間戳，并計(jì)算所述呼吸片段信號(hào)的時(shí)間差，表達(dá)公式為：

42、

43、公式中，為呼吸片段信號(hào)的時(shí)間差；為呼吸片段信號(hào)的終點(diǎn)時(shí)間戳；為呼吸片段信號(hào)的起點(diǎn)時(shí)間戳；

44、若呼吸片段信號(hào)的時(shí)間差超過預(yù)設(shè)呼吸時(shí)間閾值，判定呼吸片段信號(hào)為有效呼吸片段；否則對(duì)呼吸片段信號(hào)進(jìn)行刪除；

45、獲取連續(xù)相鄰的多個(gè)有效呼吸片段，計(jì)算當(dāng)前有效呼吸片段的起點(diǎn)時(shí)間戳與前面相鄰有效呼吸片段的終點(diǎn)時(shí)間戳之間的時(shí)間間隔，記為第一時(shí)間間隔，表達(dá)公式為：

46、

47、公式中，為當(dāng)前有效呼吸片段的起點(diǎn)時(shí)間戳；為前面相鄰有效呼吸片段的終點(diǎn)時(shí)間戳；為第一時(shí)間間隔；

48、計(jì)算當(dāng)前有效呼吸片段的終點(diǎn)時(shí)間戳與后面相鄰有效呼吸片段的終起點(diǎn)時(shí)間戳之間的時(shí)間間隔，記為第二時(shí)間間隔，表達(dá)公式為：

49、

50、公式中，為第二時(shí)間間隔；為當(dāng)前有效呼吸片段的終點(diǎn)時(shí)間戳；為后面相鄰有效呼吸片段的終起點(diǎn)時(shí)間戳；

51、若第一時(shí)間間隔大于第二時(shí)間間隔，判定有效呼吸片段為吸氣過程；否則，判定有效呼吸片段為呼氣過程；將吸氣過程的有效呼吸片段與相鄰呼氣過程的有效呼吸片段組成單個(gè)周期的呼吸事件特征；

52、所述呼吸事件特征分為左聲道呼吸事件特征和右聲道呼吸事件特征；根據(jù)左聲道呼吸事件特征和右聲道呼吸事件特征計(jì)算交叉功率譜密度；由交叉功率譜密度和右聲道呼吸事件特征的自功率譜計(jì)算獲取身體不對(duì)稱標(biāo)識(shí)符，表達(dá)公式為：

53、

54、公式中，為身體不對(duì)稱標(biāo)識(shí)符；為交叉功率譜密度；為右聲道呼吸事件特征的自功率譜；

55、將耳內(nèi)呼吸音頻率范圍內(nèi)設(shè)定若干個(gè)目標(biāo)頻率；按照目標(biāo)頻率計(jì)算單個(gè)呼吸周期的功率累積分布特征；

56、

57、公式中，為呼吸事件特征的時(shí)頻圖；為呼吸事件特征的起始頻率；為呼吸事件特征的終止頻率；為目標(biāo)頻率；為單個(gè)呼吸周期的功率累積分布特征；

58、由各個(gè)目標(biāo)頻率對(duì)應(yīng)的功率累積分布特征組成耳道幾何標(biāo)識(shí)符；

59、由呼吸事件特征中提取梅爾頻率倒譜系數(shù)，將梅爾頻率倒譜系數(shù)及其一階導(dǎo)數(shù)和二階導(dǎo)數(shù)組成呼吸道描述符。

60、進(jìn)一步的，所述三元組神經(jīng)網(wǎng)絡(luò)包括三個(gè)子網(wǎng)絡(luò)模型；三組卷積單元和三層全連接層依次連接形成所述子網(wǎng)絡(luò)模型；所述三組卷積單元內(nèi)配置有依次連接的二維卷積塊和最大池化層；

61、三元組神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程包括：

62、由數(shù)據(jù)庫(kù)中獲取多位用戶的呼吸音頻訓(xùn)練信號(hào)，將呼吸音頻訓(xùn)練信號(hào)的音頻波形乘以隨機(jī)因子調(diào)節(jié)呼吸音音量；改變呼吸音頻訓(xùn)練信號(hào)中呼吸音的持續(xù)時(shí)間和速度；向呼吸音頻訓(xùn)練信號(hào)中添加高斯噪聲，并沿著時(shí)域移動(dòng)呼吸音頻訓(xùn)練信號(hào)獲得呼吸音頻訓(xùn)練樣本；

63、由呼吸音頻訓(xùn)練樣本中選定樣本錨點(diǎn)，將與樣本錨點(diǎn)為相同用戶呼吸音的呼吸音頻訓(xùn)練樣本設(shè)定為正樣本，否則將呼吸音頻訓(xùn)練樣本設(shè)定為負(fù)樣本；

64、將樣本錨點(diǎn)、正樣本和負(fù)樣本輸入至所述三元組神經(jīng)網(wǎng)絡(luò)，由三元組神經(jīng)網(wǎng)絡(luò)輸出樣本錨點(diǎn)與正樣本之間的類內(nèi)距離以及樣本錨點(diǎn)與負(fù)樣本之間的類間距離；

65、根據(jù)類內(nèi)距離和類間距離計(jì)算訓(xùn)練損失值，表達(dá)公式為：

66、

67、公式中，為訓(xùn)練損失值，為樣本錨點(diǎn)，為正樣本；為負(fù)樣本；為正樣本與負(fù)樣本之間的最小距離；為樣本錨點(diǎn)與正樣本之間的類內(nèi)距離；為樣本錨點(diǎn)與負(fù)樣本之間的類間距離；

68、根據(jù)訓(xùn)練損失值對(duì)三元組神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)進(jìn)行優(yōu)化，重復(fù)迭代三元組神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，直至達(dá)到設(shè)定迭代次數(shù)輸出訓(xùn)練后的三元組神經(jīng)網(wǎng)絡(luò)。

69、進(jìn)一步的，將生物特征標(biāo)識(shí)符輸入至預(yù)訓(xùn)練的三元組神經(jīng)網(wǎng)絡(luò)，計(jì)算生物特征標(biāo)識(shí)符與預(yù)存的生物特征模板之間的相似度；根據(jù)相似度進(jìn)行用戶身份認(rèn)證，具體包括：

70、將生物特征標(biāo)識(shí)符輸入至預(yù)訓(xùn)練的三元組神經(jīng)網(wǎng)絡(luò)，計(jì)算生物特征標(biāo)識(shí)符與預(yù)存的生物特征模板之間的相似度，表達(dá)公式為：

71、

72、公式中，為生物特征標(biāo)識(shí)符與第k個(gè)生物特征模板之間的相似度；為子網(wǎng)絡(luò)模型；為身體不對(duì)稱標(biāo)識(shí)符；為耳道幾何標(biāo)識(shí)符；為呼吸道描述符；為第k個(gè)生物特征模板中身體不對(duì)稱標(biāo)識(shí)特征；為第k個(gè)生物特征模板中耳道幾何標(biāo)識(shí)特征；為第k個(gè)生物特征模板中呼吸道描述特征；

73、當(dāng)時(shí)，判斷生物特征標(biāo)識(shí)符屬于第k個(gè)生物特征模板對(duì)應(yīng)的用戶身份；為相似度閾值；

74、當(dāng)時(shí)，判定生物特征標(biāo)識(shí)符屬于非合法用戶。

75、本發(fā)明第二方面提供了一種基于呼吸音的用戶身份認(rèn)證系統(tǒng)，包括：

76、采集模塊，用于通過耳戴式設(shè)備從耳道內(nèi)捕獲耳內(nèi)呼吸信號(hào)，并對(duì)耳內(nèi)呼吸信號(hào)進(jìn)行去噪處理獲得呼吸去噪信號(hào)；

77、分割模塊，用于利用高斯混合模型分別計(jì)算每幀呼吸去噪信號(hào)屬于呼吸事件和非呼吸事件的概率獲得呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率，通過呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率計(jì)算每幀呼吸去噪信號(hào)的似然比；根據(jù)似然比對(duì)呼吸去噪信號(hào)進(jìn)行分割獲得呼吸片段信號(hào)；

78、識(shí)別模塊，用于由呼吸片段信號(hào)中提取生物特征標(biāo)識(shí)符；將生物特征標(biāo)識(shí)符輸入至預(yù)訓(xùn)練的三元組神經(jīng)網(wǎng)絡(luò)，計(jì)算生物特征標(biāo)識(shí)符與預(yù)存的生物特征模板之間的相似度；根據(jù)相似度進(jìn)行用戶身份認(rèn)證。

79、本發(fā)明第三方面提供了一種電子設(shè)備，包括存儲(chǔ)介質(zhì)和處理器；所述存儲(chǔ)介質(zhì)用于存儲(chǔ)指令；所述處理器用于根據(jù)所述指令進(jìn)行操作以執(zhí)行本發(fā)明第一方面所述的用戶身份認(rèn)證方法。

80、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

81、本發(fā)明利用高斯混合模型分別計(jì)算每幀呼吸去噪信號(hào)屬于呼吸事件和非呼吸事件的概率獲得呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率，通過呼吸先驗(yàn)概率和非呼吸先驗(yàn)概率計(jì)算每幀呼吸去噪信號(hào)的似然比；根據(jù)似然比對(duì)呼吸去噪信號(hào)進(jìn)行分割獲得呼吸片段信號(hào)；本發(fā)明可有效過濾噪聲干擾，降低異常數(shù)據(jù)的影響，增強(qiáng)系統(tǒng)在復(fù)雜環(huán)境下的魯棒性；能夠精確區(qū)分呼吸與非呼吸信號(hào)，適應(yīng)不同用戶的呼吸模式，提高呼吸事件檢測(cè)的準(zhǔn)確性。

82、本發(fā)明由呼吸片段信號(hào)中提取生物特征標(biāo)識(shí)符；將生物特征標(biāo)識(shí)符輸入至預(yù)訓(xùn)練的三元組神經(jīng)網(wǎng)絡(luò)，計(jì)算生物特征標(biāo)識(shí)符與預(yù)存的生物特征模板之間的相似度；根據(jù)相似度進(jìn)行用戶身份認(rèn)證；呼吸音作為生物特征難以偽造，結(jié)合深度學(xué)習(xí)的三元組神經(jīng)網(wǎng)絡(luò)，能精準(zhǔn)識(shí)別個(gè)體差異，有效抵御欺騙攻擊，顯著提升身份認(rèn)證的安全性。