基于MEMS傳感器數(shù)據(jù)拓?fù)浞治龅挠脩糇R(shí)別

張李軒，閆 坤，李慧慧，黃雪梅

(桂林電子科技大學(xué)衛(wèi)星導(dǎo)航定位與位置服務(wù)國家地方聯(lián)合工程研究中心，廣西 桂林541000)

1 引言

智能手機(jī)正成為信息系統(tǒng)最重要的接口之一。最近，處理金融交易、健康維護(hù)、聯(lián)系人信息和手機(jī)照片信息等的智能手機(jī)應(yīng)用程序數(shù)量急劇增加，這些應(yīng)用程序生成越來越多的個(gè)人機(jī)密信息，這些信息的安全性不僅對(duì)應(yīng)用程序開發(fā)人員至關(guān)重要，用戶也非常關(guān)心。因此，智能手機(jī)的用戶身份認(rèn)證和安全問題已經(jīng)成為具有根本性意義的問題。

近年來，研究人員針對(duì)智能手機(jī)提出了各種各樣的用戶識(shí)別技術(shù)，包括傳統(tǒng)的基于密碼的識(shí)別[1，2]、指紋識(shí)別[3，4]到人臉識(shí)別[5，6]，并設(shè)計(jì)了幾個(gè)集成了用戶識(shí)別技術(shù)的應(yīng)用程序，包括移動(dòng)投票、銀行和在線交易。但是，這些應(yīng)用程序在使用之初都需要用戶的參與，而且也無法持續(xù)地對(duì)用戶進(jìn)行身份驗(yàn)證。

在智能手機(jī)中嵌入微機(jī)電系統(tǒng)(Microelectro Mechanical Systems，MEMS)傳感器的生物識(shí)別技術(shù)可以提高移動(dòng)設(shè)備和用戶的安全性[7]，其作為一種克服傳統(tǒng)用戶識(shí)別技術(shù)缺陷的潛在候選技術(shù)，能夠在不中斷工作的情況下連續(xù)、可靠地識(shí)別用戶，并且在持續(xù)的驗(yàn)證方式下，智能手機(jī)一旦被非法控制就能立馬偵測(cè)到，并阻止其通過智能手機(jī)或智能手機(jī)內(nèi)部訪問敏感數(shù)據(jù)或服務(wù)。基于步態(tài)的用戶識(shí)別最近提出一些研究，其中一些工作是Lee等人[8]和Ehatisham-ul-Haq等人的[9]，Johnston等人在文獻(xiàn)[10]和[8]中，分別從時(shí)域序列(幅度、均值、方差)和頻域(離散傅里葉變換第一個(gè)峰值的振幅、頻率和第二個(gè)峰值的振幅)特征中收集統(tǒng)計(jì)特征向量，利用核脊回歸模型對(duì)不同用戶生成的特征向量進(jìn)行分類。與文獻(xiàn)[8]不同的是，文獻(xiàn)[9]使用支持向量機(jī)(Support Vector Machine，SVM)作為分類器。在文獻(xiàn)[10]中，Johnston等人使用來自智能手機(jī)中加速度計(jì)數(shù)據(jù)的strawman模型被提出用于用戶識(shí)別，時(shí)域特征被用于生成特征向量進(jìn)行識(shí)別，使用相應(yīng)的特征向量生成的數(shù)據(jù)集訓(xùn)練WEKA的J48模型和神經(jīng)網(wǎng)絡(luò)模型。對(duì)于步行活動(dòng)信號(hào)，基于神經(jīng)網(wǎng)絡(luò)的研究的準(zhǔn)確率為90.9%，而J48模型的準(zhǔn)確率為84.0%。

現(xiàn)有的工作大多是基于統(tǒng)計(jì)特征進(jìn)行分析，然而，從傳感器或其它MEMS模塊獲得的時(shí)間序列數(shù)據(jù)具有“混沌”特性，其中的統(tǒng)計(jì)特征，如均值和方差、頻率等隨時(shí)間變化很大，在這種情況下，為了保持統(tǒng)計(jì)特征的穩(wěn)定，需要收集更多的數(shù)據(jù)。要解決這一問題，可以使用特定數(shù)據(jù)特征的個(gè)別分析方法，或者需要擴(kuò)展傳統(tǒng)方法，但是兩者都需要特定功能的目標(biāo)數(shù)據(jù)的詳細(xì)信息。本文提出了一種基于拓?fù)鋽?shù)據(jù)分析(Topological data analysis，TDA)的用戶識(shí)別算法，通過計(jì)算步態(tài)信號(hào)的持續(xù)同調(diào)可以獲得對(duì)常規(guī)統(tǒng)計(jì)分析丟失的關(guān)鍵信息的詳細(xì)理解，該算法利用持續(xù)同調(diào)圖(Persistence Diagram，PD)從步行記錄的加速度計(jì)數(shù)據(jù)中提取拓?fù)涮卣?，?jì)算拓?fù)涮卣鞯腒-L散度來構(gòu)建適合于識(shí)別任務(wù)的特征向量。

2 系統(tǒng)設(shè)計(jì)

2.1 數(shù)據(jù)提取

在實(shí)驗(yàn)中，使用了意大利熱那亞大學(xué)智能實(shí)驗(yàn)室-非線性復(fù)雜系統(tǒng)實(shí)驗(yàn)室提供的基于智能手機(jī)的人類活動(dòng)識(shí)別數(shù)據(jù)集。傳感器信號(hào)(加速度計(jì)和陀螺儀)首先通過去噪和濾波等預(yù)處理，然后在2.56秒和50%重疊的固定寬度滑動(dòng)窗口中采樣，利用巴特沃斯低通濾波器將具有重力和人體運(yùn)動(dòng)分量的傳感器加速度信號(hào)分離為人體加速度和人體重力分量，熱那亞大學(xué)智能實(shí)驗(yàn)室假設(shè)信號(hào)只有低頻分量，因此使用了截止頻率為0.3Hz的濾波器，在每個(gè)窗口中，通過計(jì)算時(shí)域和頻域的變量得到特征向量，這些信號(hào)通過中值濾波和截止頻率為20Hz的三階低通巴特沃斯濾波器進(jìn)行預(yù)處理以降低噪聲，這一速率足以捕捉人體運(yùn)動(dòng)，因?yàn)槠?9%的能量包含在15Hz以下[11]。

在實(shí)際生活中，便攜設(shè)備中的加速度計(jì)特定軸的測(cè)量值受其位置和方向影響，因此，本文將三軸加速度傳感器三個(gè)軸的信號(hào)合成一個(gè)標(biāo)量信號(hào)，其過程如圖1所示，圖1(a)中，ax，ay，az分別是加速度傳感器x，y，z三個(gè)軸采集到的步態(tài)信號(hào)，圖1(b)是三個(gè)軸的量合成的標(biāo)量信號(hào)[12]。

圖1 三軸信號(hào)合成

2.2 系統(tǒng)框架

本文設(shè)計(jì)的系統(tǒng)框圖如圖2所示，其流程主要包括：對(duì)采集到的數(shù)據(jù)進(jìn)行活動(dòng)識(shí)別，對(duì)識(shí)別后的信號(hào)進(jìn)行分段處理，計(jì)算分段后信號(hào)的持續(xù)同調(diào)，提取信號(hào)持續(xù)同調(diào)的特征，最后使用持續(xù)同調(diào)特征進(jìn)行用戶身份識(shí)別。

圖2 基于三軸加速度傳感器步行信號(hào)拓?fù)浞治龅纳矸葑R(shí)別的系統(tǒng)流程圖

首先，需要對(duì)采集到的三軸加速度傳感器信號(hào)做活動(dòng)類型識(shí)別，在實(shí)際應(yīng)用中，一個(gè)時(shí)間段里手機(jī)用戶的運(yùn)動(dòng)狀態(tài)不確定，三軸加速度傳感器采集到的信號(hào)包含多種運(yùn)動(dòng)狀態(tài)。為提高識(shí)別的準(zhǔn)確性、降低識(shí)別計(jì)算的復(fù)雜度，對(duì)三軸加速度傳感器采集到的信號(hào)先進(jìn)行活動(dòng)類型識(shí)別[13]，然后針對(duì)不同運(yùn)動(dòng)狀態(tài)進(jìn)行身份識(shí)別。本文研究基于用戶行走和下樓信號(hào)的身份識(shí)別。

針對(duì)行走與下樓狀態(tài)采集信號(hào)，為提升處理速度，對(duì)數(shù)據(jù)采用并行處理，將采集到的一段步態(tài)時(shí)間序列分為μ段，取N個(gè)連續(xù)采樣數(shù)據(jù)[14]為一段，設(shè)第段為

S=δ(n)，n=1，2…，N

(1)

其次，并行計(jì)算每一段步態(tài)數(shù)據(jù)的拓?fù)涮卣?，可以得到μ個(gè)PD，聯(lián)合μ個(gè)PD組成持續(xù)同調(diào)期望(Expected persistence diagram，EPD)[15]。實(shí)驗(yàn)可知不同用戶EPD特征不同，本文以K-L散度度量EPD間的相異度，進(jìn)而對(duì)特征分類，最終達(dá)到用戶識(shí)別的目的。

3 基于EPD的用戶識(shí)別

3.1 相空間重構(gòu)

時(shí)間序列的相空間重構(gòu)是TDA的基礎(chǔ)，以相空間為工具提取步態(tài)時(shí)間序列信號(hào)的隱含周期性。本文采用Packard與Takens等人提出的時(shí)滯嵌入(Time delay embedding)定理，對(duì)分段時(shí)間序列S進(jìn)行相空間重構(gòu)[16，17]，在此，將分段后的步態(tài)時(shí)間序列信號(hào)擴(kuò)展到高維相空間中，得到相空間任一相點(diǎn)表示為k(α)，定義為

k(α)=[δ(a)，δ(α+τ)，…，δ(α+(Υ-1)τ)]，

α=1，2，…，Λ.

(2)

Λ為相點(diǎn)總數(shù)。定義相空間數(shù)據(jù)點(diǎn)集為

H={k(1)，k(2)，…，k(Λ)}.

(3)

相空間構(gòu)造的關(guān)鍵是選定合適的嵌入維數(shù)Υ和時(shí)延τ，重構(gòu)后的相空間數(shù)據(jù)點(diǎn)云集與原始一維非線性時(shí)間序列在拓?fù)湟饬x上等價(jià)[17]。

時(shí)滯嵌入定理表明，若要相空間表現(xiàn)出一維非線性時(shí)間序列的隱含周期，必須選擇合適的延遲時(shí)間τ和嵌入維數(shù)Υ。如果Υ選的太小，重構(gòu)的相空間將是混疊的，在最極端的情況下，會(huì)發(fā)生自相交。如果Υ選擇的過大，將導(dǎo)致計(jì)算繁瑣，并且噪聲的影響也一起被放大，若延遲時(shí)間τ取值過小，則導(dǎo)致相空間延遲坐標(biāo)之間過度相關(guān)；如果延遲時(shí)間τ選取過大，相空間延遲坐標(biāo)內(nèi)的相互關(guān)聯(lián)信息就有可能變成完全獨(dú)立的，則難以分析出數(shù)據(jù)之間的關(guān)聯(lián)性[17]。所以找到恰當(dāng)?shù)难舆t時(shí)間τ和嵌入維數(shù)Υ是至關(guān)重要的。

常用的相空間重構(gòu)的方法有自相關(guān)法、互信息法和 C-C 法。自相關(guān)法不適用于非線性時(shí)間序列問題； 互信息法計(jì)算量大，不能同時(shí)求取嵌入維數(shù)Υ和時(shí)延τ。而步態(tài)時(shí)間序列為非線性序列，且采樣數(shù)據(jù)量大，因此，本文選擇 C-C 法[18]進(jìn)行相空間重構(gòu)，同時(shí)計(jì)算出延遲時(shí)間τ與嵌入維數(shù)Υ。

3.2 持續(xù)同調(diào)

持續(xù)同調(diào)將相空間重構(gòu)生成的數(shù)據(jù)點(diǎn)云集構(gòu)造成一系列單純形與單純復(fù)形[19]，從而表達(dá)數(shù)據(jù)點(diǎn)云集中點(diǎn)與點(diǎn)之間的關(guān)系，提供了一個(gè)不需要降維就能刻畫數(shù)據(jù)全貌的方法，以此測(cè)量點(diǎn)云數(shù)據(jù)集在歐式空間中的特征[19]。

在持續(xù)同調(diào)中，定義了歐式空間距離ε，若兩點(diǎn)之間的歐式距離小于或等于ε，則將該兩個(gè)數(shù)據(jù)點(diǎn)成對(duì)連接起來，點(diǎn)與點(diǎn)之間的連接構(gòu)成若干個(gè)單純形與單純復(fù)形，由單純形構(gòu)成的單純復(fù)形環(huán)繞構(gòu)成了點(diǎn)云數(shù)據(jù)集間的一個(gè)個(gè)“空洞”，而持續(xù)同調(diào)則是一個(gè)“數(shù)洞”的過程，或者說是對(duì)點(diǎn)云數(shù)據(jù)集特征(洞)的刻畫過程，因?yàn)椤翱斩础钡拇笮　?shù)量和位置代表著這個(gè)數(shù)據(jù)集的拓?fù)湫再|(zhì)，就好比一支笛子發(fā)出的音調(diào)依賴于笛子上洞的數(shù)量，位置等性質(zhì)，在持續(xù)同調(diào)中稱“洞”數(shù)為貝蒂數(shù)[19]。

以五點(diǎn)數(shù)據(jù)為例，當(dāng)ε=d1時(shí)，如圖3(a)所示，五個(gè)數(shù)據(jù)點(diǎn)之間構(gòu)成五個(gè)一維單純形，其中由編號(hào)為2、3、4、5的四個(gè)數(shù)據(jù)點(diǎn)構(gòu)成的四個(gè)一維單純形圍成一個(gè)“空洞”，貝蒂數(shù)為1；當(dāng)ε=d2時(shí)，如圖3(b)所示，編號(hào)為1、2、5的三個(gè)數(shù)據(jù)點(diǎn)連接構(gòu)成一個(gè)2維的單純形，標(biāo)號(hào)為2、3、4、5構(gòu)成的“空洞”沒有消亡，貝蒂數(shù)為1；當(dāng)ε=d3時(shí)，如圖3(c)所示，由于編號(hào)為3、5的兩個(gè)數(shù)據(jù)點(diǎn)之間構(gòu)成的一維單純形，原來由編號(hào)為2、3、4、5的四個(gè)數(shù)據(jù)點(diǎn)構(gòu)成的“空洞”被兩個(gè)單純形(編號(hào)2、3、5，編號(hào)3、4、5分別構(gòu)成兩個(gè)單純形)填滿，貝蒂數(shù)為0。ε從d1增長到d3的過程，表示出該五點(diǎn)數(shù)據(jù)中的空洞從誕生到消亡過程。

圖3 五點(diǎn)數(shù)據(jù)的持續(xù)同調(diào)

圖4 步態(tài)時(shí)間序列的持續(xù)同調(diào)。

在本文中，以構(gòu)造VR(Vietoris-Rips)復(fù)形[20]的方式計(jì)算步態(tài)信號(hào)相空間數(shù)據(jù)點(diǎn)集的持續(xù)同調(diào)。構(gòu)建VR復(fù)形的部分過程如圖4(b)～(d)所示。條形碼圖是持續(xù)同調(diào)的一種表達(dá)形式，如圖4(e)所示，條形碼圖記錄著點(diǎn)云數(shù)據(jù)貝蒂數(shù)與數(shù)據(jù)集中“空洞”的誕生與死亡時(shí)間。其中每一條形碼對(duì)應(yīng)著點(diǎn)云中的各個(gè)“空洞”，條形碼的長度表示著點(diǎn)云中“空洞”的“生存”時(shí)間，條形碼的出現(xiàn)表示“空洞”的誕生，條形碼的斷鏈表示“空洞”的消亡。

PD是持續(xù)同調(diào)的另一種表達(dá)形式。如圖4(f)所示，PD將條形碼圖中的條形碼以點(diǎn)集的形式表達(dá)出來。PD以條形碼圖中的誕生時(shí)間為橫坐標(biāo)，死亡時(shí)間為縱坐標(biāo)繪制，以描繪散點(diǎn)圖的方式等價(jià)地刻畫點(diǎn)云數(shù)據(jù)集的拓?fù)涮卣?。給定數(shù)據(jù)點(diǎn)集H，計(jì)算得PD

=1，2，…，μ

(4)

3.3 特征提取

特征選取是用戶識(shí)別的關(guān)鍵，不同特征，其表征能力不同。在特征提取過程，首先計(jì)算所有步態(tài)時(shí)間序列S的PD，得到PD集合

={Θ1，Θ2，…，Θμ}.

(5)

mj={Θj+1∪Θj+2∪…∪Θj+g}，

j=1，2，…，J.

(6)

其中mj表示EPD，j表示EPD的序號(hào)。J表示EPD總數(shù)。EPD得到更多步數(shù)的持續(xù)同調(diào)，步數(shù)增加能夠增強(qiáng)用戶步態(tài)中隱含的行為習(xí)慣在EPD持續(xù)同調(diào)期望中的表現(xiàn)，從而提高用戶識(shí)別的準(zhǔn)確性。EPD的計(jì)算過程如圖5所示。

圖5 EPD構(gòu)建過程

圖6 不同用戶EPD對(duì)比

3.4 用戶識(shí)別

不同的人擁有不同的走路風(fēng)格與習(xí)慣，因此每個(gè)人的步態(tài)時(shí)間序列在相空間的拓?fù)浣Y(jié)構(gòu)與拓?fù)涮卣饕矔?huì)不同，從而導(dǎo)致不同人的步態(tài)時(shí)間序列轉(zhuǎn)換所得到EPD也會(huì)有所差異。本文主要以K-L散度[21]比較不同測(cè)試人員的EPD之間的差異性，以此區(qū)分用戶。

首先，將每一個(gè)EPD，mj，順時(shí)針旋轉(zhuǎn)45°，得到旋轉(zhuǎn)后的EPD，定義為

j=1，2，…，J

(7)

式中

(8)

(9)

其中pj(i)表示Ωj第i段散點(diǎn)的頻數(shù)，Γj(i)為Ωj第i段的散點(diǎn)總數(shù)，Φj為Ωj的總散點(diǎn)數(shù)。

假設(shè)編號(hào)為e的用戶，共獲取其EPD頻數(shù)分布Ψe個(gè)，估算編號(hào)為e的用戶EPD頻數(shù)分布的統(tǒng)計(jì)模型

(10)

其中Me(i)表示編號(hào)為e的用戶模型。給出任一未知信號(hào)頻數(shù)分布p(x)，用如下方法判定其所屬用戶

(11)

其中R為識(shí)別出來的EPD編號(hào)值。DKL(·)表示計(jì)算K-L散度，用來度量兩個(gè)頻數(shù)的相似程度，給出兩個(gè)頻數(shù)分布p(i)、Me(i)，K-L散度定義為

某防護(hù)結(jié)構(gòu)墻體混凝土配合比優(yōu)化及溫度控制………………………………………… 曾鳴，仲新波，揭英強(qiáng)（6-3）

(12)

式中，p(i)和Me(i)相似度越高，K-L距離越小，并且當(dāng)且僅當(dāng)兩分布相同時(shí)，K-L散度等于0。

圖7 EPD的 K-L散度比較過程

4 實(shí)驗(yàn)

為了驗(yàn)證本文提出的基于三軸加速度同調(diào)的用戶識(shí)別的方法的優(yōu)勢(shì)和識(shí)別準(zhǔn)確性，獲取更客觀的測(cè)試結(jié)果，從意大利熱那亞熱那亞大學(xué)提供的數(shù)據(jù)庫[11]采集大量數(shù)據(jù)進(jìn)行了一系列實(shí)驗(yàn)，數(shù)據(jù)集提供了人類行走，上樓，下樓等基于三軸加速度傳感器的步態(tài)信號(hào)。該數(shù)據(jù)集的實(shí)驗(yàn)由30名年齡在19-48歲之間的志愿者參與，每一個(gè)人都將智能手機(jī)佩戴在腰間進(jìn)行活動(dòng)，利用三星Galaxy S2智能手機(jī)內(nèi)置的加速度計(jì)，以50Hz的恒速測(cè)量3軸線性加速度，以此來捕捉人體運(yùn)動(dòng)[22]，本文使用該數(shù)據(jù)集中基于加速度傳感器行走和下樓狀態(tài)的信號(hào)。

實(shí)驗(yàn)選取windows7操作系統(tǒng)，128 GB內(nèi)存，56核處理器的硬件平臺(tái)，基于MATLABr2014a的軟件平臺(tái)，使用javaPlex[23]重構(gòu)VR復(fù)形得到步態(tài)時(shí)間序列的持續(xù)同調(diào)。實(shí)驗(yàn)中共包含10個(gè)用戶的步態(tài)數(shù)據(jù)集，對(duì)每個(gè)用戶采集約300點(diǎn)步態(tài)時(shí)間序列，使用C-C法選取嵌入維數(shù)Υ=2與時(shí)延τ=4進(jìn)行相空間重構(gòu)，計(jì)算產(chǎn)生一個(gè)PD，選取g=15的疊加構(gòu)成一個(gè)EPD。針對(duì)不同用戶，分別構(gòu)造16個(gè)EPD作為先驗(yàn)知識(shí)?；谑?10)，為每一個(gè)用戶學(xué)習(xí)構(gòu)造一個(gè)EPD頻數(shù)分布的統(tǒng)計(jì)模型，以該模型為模板，對(duì)未知用戶數(shù)據(jù)進(jìn)行判定。

針對(duì)本文中提出的用戶識(shí)別方法，采用了640個(gè)EPD進(jìn)行測(cè)試。其中每個(gè)用戶EPD個(gè)數(shù)為64，通過比較未知EPD和10個(gè)已知用戶EPD頻數(shù)分布的統(tǒng)計(jì)模型，來完成用戶識(shí)別。對(duì)每個(gè)未知EPD，分別計(jì)算其與10個(gè)已知用戶EPD頻數(shù)分布的統(tǒng)計(jì)模型的K-L距離，判定未知EPD為K-L距離最小的用戶。

計(jì)算以下比率評(píng)估本文提出用戶識(shí)別方法的準(zhǔn)確性，包括召回率(TPR，True Positive Rate)，誤識(shí)率(FAR，false acceptance rate)，拒識(shí)率(FRR，false rejection rate)，定義為

(13)

(14)

(15)

其中TP是被分類為正確的次數(shù)，F(xiàn)N是被分類為錯(cuò)誤的次數(shù)，NIRA是類間測(cè)試總次數(shù)，NGRA類內(nèi)測(cè)試總次數(shù)，NFA和NFR分別是錯(cuò)誤接受次數(shù)和錯(cuò)誤拒絕次數(shù)。

表1描述了K-L散度度量方式的結(jié)果，平均識(shí)別準(zhǔn)確率達(dá)到95.3%。

表1 使用K-L散度對(duì)測(cè)試數(shù)據(jù)的分類結(jié)果表

為了進(jìn)一步驗(yàn)證本文方法的有效性，將本文方法與不同識(shí)別方法[5-7]進(jìn)行對(duì)比，采用平均識(shí)別準(zhǔn)確率為最后識(shí)別結(jié)果。方法KRR、J48、SVM通過提取步態(tài)數(shù)據(jù)時(shí)域和頻域的特征進(jìn)行步態(tài)用戶識(shí)別達(dá)到了較高的準(zhǔn)確率，分別為92.1%、84.0%、94.2%，但時(shí)域、頻域的特征隨時(shí)間增加變化很大，需要采集更多特征或者數(shù)據(jù)，其中擁有較高準(zhǔn)確率的方法SVM提取了多達(dá)8個(gè)特征，其中包括均值、方差、峰值、能量、熵等，多特征融合或者對(duì)特定特征分析都需要對(duì)目標(biāo)數(shù)據(jù)進(jìn)行詳細(xì)了解以獲得獨(dú)特特性，大大增加了算法的復(fù)雜度，而本文方法將步態(tài)時(shí)間數(shù)據(jù)進(jìn)行相空間重構(gòu)進(jìn)行拓?fù)浞治?，?jì)算時(shí)間序列的持續(xù)同調(diào)，可以獲取常規(guī)統(tǒng)計(jì)特征分析丟失的重要信息，選擇了一種新穎的特征進(jìn)行用戶識(shí)別，與傳統(tǒng)的基于統(tǒng)計(jì)特征分析的用戶識(shí)別相比，有效提高了識(shí)別準(zhǔn)確率，表明了本文方法的有效性。

5 結(jié)論

本文提出了基于加速度傳感器同調(diào)分析的生物識(shí)別方法，計(jì)算各個(gè)測(cè)試人員EPD的K-L散度，比較之間的相異度。實(shí)驗(yàn)表明，本文提出的方法有較高識(shí)別準(zhǔn)確率，能夠基于步態(tài)時(shí)間序列有效進(jìn)行身份識(shí)別。接下來，將測(cè)試各類步態(tài)數(shù)據(jù)集，如測(cè)試跑步，上樓等活動(dòng)方式來進(jìn)行身份識(shí)別，以進(jìn)一步測(cè)試本文所提方法。除此以外，步態(tài)時(shí)間序列采集長度與構(gòu)成一個(gè)EPD的疊加個(gè)數(shù)g這兩個(gè)參數(shù)會(huì)直接影響實(shí)驗(yàn)結(jié)果，序列采集長度與疊加個(gè)數(shù)g值的增加能夠提升識(shí)別準(zhǔn)確率，但是同時(shí)也會(huì)降低識(shí)別效率。