[发明专利]一种基于1D-CNN的智能手机按键检测方法

说明书

本发明公开了一种基于1D‑CNN的智能手机按键检测方法，本发明使用WiFi信号结合深度学习模型1D‑CNN。基于WiFi信号相比较于基于声音识别而言，其获取到数据更为精准，声音容易受周围噪声的影响；而相比较于图像和传感器，基于WiFi不需要部署摄像头或传感器等昂贵的设备，只需要路由器和接收器就可以部署完成，成本低廉。对于1D‑CNN模型，其相比较于其他经典的机器学习模型(如SVM、RF、KNN)，它对不同环境和噪声等具有较强的适应性，只有训练集数量足够多，能够准确检测出按键信息，提高分类模型的鲁棒性，同时提高了分类准确率。

技术领域

本发明涉及深度学习领域，涉及一种一维卷积神经网络对智能手机按键的检测进行检测识别。

背景技术

按键隐私对于确保智能手机系统安全和用户隐私至关重要。智能手机工厂用于执行对隐私敏感的交易，比如银行转账、支付和社交应用等。此外，目前越来越多的应用，比如支付宝、微信等正在进入我们的生活。如果以某种方式获取智能手机键盘上的一连串按键信息，那么对于用户隐私而言就会变的非常不安全。

目前对于按键检测的研究大致分为四类：基于声音、基于图像、基于传感器以及基于WiFi信号。对于前三者存在许多的缺陷和不足，比如声音需要考虑距离和噪声；图像和传感器则需要额外的设备，对于成本而言颇高。基于WiFi信号识别是一个低成本，易部署的方法。

对于按键识别，提取有效的特征是十分重要的，同时选择合适的分类模型也同样重要。由于基于CSI的数据是一个时间序列，对于按键会产生特殊的变化。根据这种变化，就可以提取出合适的特征波形段进行训练。传统的训练方式是基于时间规整算法(DTW)，它可以比较两个不同长度的波形欧几里得长度，越小说明两种波形就越相似。由于不同的按键会产生独一无二的波形，因此可以根据这种方式可以区别出不同的按键。但是由于环境，机器设备等影响，可能会产生噪声影响。因此，引入一维卷积神经网络。它可以适应不同的波形长度，而且对于环境的适应性也很强，对于有噪声的环境也能有较好的效果，提升了按键分类的准确率。

发明内容

本发明所要解决的问题是克服传统按键识别的技术不足，能够适应不同环境以及噪声的影响，在个别场景下也能有较好的鲁棒性。

本发明应用系统开发方法主要如下步骤：

步骤1：数据采集。

使用CSI Tool工具从Intel 5300无线网卡采集CSI数据。此网卡对于每根接收天线可以收到30个子载波数据。让若干名志愿者参与实验，做若干次按键行为以此来收集当前环境下的不同按键的CSI数据信息。

步骤2：基于Hampel算法去除异常点；

由于WiFi设备和外部环境中的突发噪声，会造成CSI幅值在某个时刻出现剧变，系统在这种情况下将CSI数据点标识为异常点，而这些异常点在后续可能会对按键检测结果造成影响，因此应用Hampel去除异常点。

步骤3：基于巴特沃斯低通滤波去噪；

由步骤二得到了去除异常点之后的CSI数据，但是获取到的CSI时间序列依然存在设备噪声以及环境噪声。由实验发现，手指按键移动引起的频率约为3-30Hz之间，位于低频部分。因此，可以应用低通滤波去除高频的噪声部分。

步骤4：基于主成分分析去噪和降维；

由步骤二和三可以去除大部分的高频噪声，由于其阻频带逐渐下降为零的特点，CSI数据仍然存在部分造成。通过实验观察，手指按键会引起30个子载波之间存在相关性。因此，通过主成分分析可以保留CSI中最具有代表性的部分，去除冗余部分，实现了去噪和降维的效果。

步骤5：在完成CSI数据的预处理后，选出具有代表性的特征；