該論文報道了利用巨磁彈性效應將按鍵時的機械壓力轉換為電信號。該傳感器具有廣泛的傳感范圍（35 kPa至600 kPa）和快速的響應時間（約300 ms），能夠記錄和識別個人的擊鍵動態。通過與機器學習相結合，這款鍵盤能夠通過固定文本和動態文本輸入進行身份驗證。它可以準確地對八個字符的固定密碼進行身份驗證，成功率達95.3%，并且能夠以100%的準確率識別14組雙鍵的動態文本。鑒于其具備的這些能力，自供電柔性智能鍵盤在人工智能、網絡安全以及計算機和網絡的訪問控制等領域有著廣闊的應用前景。

背景介紹

隨著現代技術和人工智能的快速發展，對信息安全的需求變得比以往任何時候都更加迫切。信息加密和身份識別技術是實現信息安全的兩種主要方法。其中，通過密碼進行身份驗證是使用最廣泛的方法。它驗證授權用戶，并作為信息安全的第一道防線。然而，這種傳統方法在面對不斷變化的網絡威脅時有其局限性。利用生物生理學特征（包括面部識別和指紋掃描）的識別方法提供了更高的安全性。然而，對專用設備的需求往往限制了它們的廣泛實施。此外，這些身份驗證方法僅在登錄時進行驗證，在使用過程中不提供連續身份驗證。因此，需要開發廣泛可用、成本效益高、侵入性最小且交互性強的身份驗證系統，以確保信息安全。

擊鍵動力學研究領域研究行為模式，根據用戶獨特的打字屬性來識別用戶，例如擊鍵持續時間、保持時間、間隔、錯誤和力度。擊鍵動態的優勢在于其行為特性，難以模仿，也不一定需要額外的設備。

圖1：個性化自供電擊鍵動態柔性智能鍵盤概述

研究出發點

在這項工作中，我們報道了一種基于多孔軟磁彈性聚合物的柔性壓力傳感器。該傳感器的工作原理基于最近在軟聚合物系統中發現的巨大磁彈性效應，它通過磁彈性效應和電磁感應的組合將擊鍵生物力學活動轉化為高保真電信號。可伸縮壓力傳感器的制造過程如圖S1所示。我們設計了一個柔性電路，與壓力磁彈性傳感器陣列組裝在一起，以創建一個自供電的柔性智能鍵盤 （SFIK） 系統；對于固定文本識別，SFIK使用機器學習來學習和分析不同用戶的輸入時間和筆觸力度等擊鍵特征，識別準確率達到95.3%。此外，對于動態文本識別，我們選擇了10組雙鍵事件，代表英語中最常見的鍵盤點擊組合，例如 “er”和 “en”。這使得身份認證系統能夠實現對用戶身份的持續實時監控，識別準確率達到100%。固定文本方法在用戶登錄時提供輔助身份驗證，而動態文本方法在登錄后持續監控身份。這種組合不僅保證了信息安全，而且提高了認證的準確性，為數據安全提供了重要的方向。因此，這項工作可能會導致生物識別系統的重大進步，在可穿戴電子設備、人工智能、網絡安全和人機交互。

圖2：磁彈性單元的壓力傳感性能

巨大的磁彈性效應能夠將施加的應力轉化為多孔軟磁彈性聚合物內的磁場變化。磁通量的這些變化會產生電信號。利用這種現象構建了柔性壓力傳感器并設計了電路，最終將它們連接起來，形成一個傳感器陣列。與傳統的永磁體不同，這款軟磁彈性傳感器與銅線圈無縫集成，可承受較高壓力（>600 kPa）。在單個壓縮釋放循環中，通過銅線圈的磁通量發生變化，從而產生電動勢。

為了定量評估壓縮傳感單元的電氣性能，我們測試了磁彈性單元的壓力傳感性能。在150 kPa施加壓力下，靈敏度達到1.46 μV/kPa，在高壓范圍（150至550 kPa）下降至0.02 μV/kPa。

文章也測試了傳感器在壓縮和釋放過程中對外力的響應時間，這對于評估實時人機交互任務的性能至關重要。響應時間約為447 ms，恢復時間約為223 ms。這使得設備能夠快速檢測機械刺激的變化。器件在機械循環過程中的穩定性，在大約50 kPa的壓力下經過10,000多次壓縮釋放循環后，傳感器輸出電壓的變化很小，低于2%。

圖3：基于磁彈性智能鍵盤的多維身份認證系統的構建。

靜態擊鍵分析被設計為基于固定文本輸入（例如在系統登錄期間組合帳戶和密碼）執行評估，以促進雙因素身份驗證。該傳感器由柔性材料制成可壓縮結構，可集成到壓力傳感器陣列中。我們設計了這個傳感器陣列來創建一個SFIK，包含集成電路。這種設計可以在整個打字過程中識別特定的字母和單個按鍵。SFIK鍵盤兼容標準通用串行總線接口和藍牙連接。這款鍵盤也是我們專有身份認證系統的一部分，它允許實時輸入和即時反饋，顯著改善了用戶體驗。該軟件兼容運行Windows操作系統的計算機。

按下單個鍵的作分為“press”和 “bounce”過程。系統生成一條時間-電流信號曲線，該曲線表示從多個數據維度得出的綜合結果，包括擊鍵頻率、擊鍵力度和擊鍵之間的間隔。鍵入條件的任何更改都將直接影響此輸出的形狀。在擊鍵時，使用各種信號處理技術（如降噪、基線消除和峰值檢測）來提取特征，例如鍵入延遲（D）、保持時間（H）、信號振幅（A）和鍵力。這些功能源自不同人使用鍵盤產生的電信號，并經過動態記錄和分析。鍵入條件的任何更改都將直接影響此輸出的形狀。

機器學習技術用于根據收集的特征進一步分析和區分鍵盤用戶。應用機器學習技術篩選SFIK收集的時域數據，突出鍵盤用戶之間的明顯差異。但是，直接時間序列數據分析在時間和內存方面都是計算密集型的。因此，通過機器學習進行有效的特征提取需要確定對預測準確性影響最大的特征，例如最大值和最小值、范圍、波峰和波谷之間的間隔等。概述了使用SFIK基于固定文本輸入進行識別的 機器學習過程，從已知個人輸入的數據預處理開始，然后是用于特征提取的主成分分析。這個過程導致數據維度的降低，消除冗余信息，提取關鍵特征，并提高我們對數據的理解和分析。然后，我們繼續訓練機器學習模型，根據訓練樣本使用特征工程對其進行定制。隨著訓練迭代的進行，機器學習模型穩步獲得更高的分類準確性，使其能夠實現固定長度文本的身份驗證。兩個通道（傳感器計數）準確率僅為73%。但是，隨著通道數的增加，準確性也會增加。使用由8個字母和數字組成的固定文本，讓人聯想到標準密碼，將準確率提高到95.3%。

為了探索將靈活鍵盤與ML集成以進行用戶識別的實際可行性，我們開發了一個身份驗證系統。我們使用來自不同參與者的數據進行了多次實驗，將不同的數據集輸入到經過訓練的ML模型中。但是，所有嘗試都未能成功進行身份驗證。

圖4：用于多維身份驗證的個性化擊鍵動力學

僅通過單個登錄事件無法實現持續身份監控。因此，需要持續的身份驗證技術來實時保護系統安全，并防止用戶在使用過程中未經授權的更改。針對傳統認證方式帶來的挑戰，我們設計了基于動態文本擊鍵特性的身份驗證技術，持續實時監控用戶身份。由于用戶的輸入會隨時間變化，因此固定文本擊鍵特征提取方法是不切實際的。在基于動態文本的擊鍵身份驗證期間，用戶鍵入輸入的不規則性會導致大量數據。為了獲得實驗所需的數據，我們邀請了10名用戶參與數據收集，每人輸入不同類型的文本，大約700到900個單詞。為了提高數據處理效率并減少數據量，我們選擇了英文中頻率最高的10個雙鍵條目：“er”、“th”、“in”、“an”、“en”、“he”、“re”、“on”、“at”和“ed”。從中，我們提取了雙鍵特征，如打字延遲（D）、保持時間（H）、總觸摸時間（T） 和信號幅度（A）。

我們開發了一個動態文本預測投票系統，以方便在使用過程中進行身份驗證。在分析數據后，因為用戶執行高頻雙鍵的熟練程度很高，我們確定延遲時間應該短（<0.5 s）。如果兩個相鄰的?key?組成雙鍵組合，我們選擇間隔時間小于?500 ms?的輸入。在為?10?種雙鍵數據選擇并提取特征后，我們在特征矩陣和標簽之間建立機器學習模型，不斷迭代創建信任模型。然后我們得到了?10?個雙鍵的混淆矩陣。通過選擇雙鍵輸入（兩個通道）來提取擊鍵特征，最終準確率僅在?60%?到?85%?之間。然后，我們將投票結果與用戶身份進行比較，以確定身份驗證是否成功。在投票系統中，我們探討了不同文本長度和雙鍵條目類型對準確性的影響。具有?6?個雙鍵長度和?3?種雙鍵類型的文本的混淆矩陣，其中準確率僅為?78.5%。然而，隨著文本長度的增加，投票系統的準確性也顯著提高。14?個雙鍵長度和?10?種雙鍵事件的文本準確率達到?100%。

總結與展望

我們通過將巨大的磁彈性效應與軟系統中的磁感應相結合，開發了一種創新的SFIK。SFIK由一個基于使用磁彈性軟復合材料的傳感器類型的壓力傳感器陣列組成，具有一系列創新特性：高靈敏度、高壓下性能穩定、成本低、采用現成的原材料構建以及自供電功能。與其他身份驗證系統相比，SFIK擅長使用擊鍵動態來識別用戶鍵入時的個人特征。

已經實施了雙模式身份驗證系統，能夠通過固定文本和動態文本分析來驗證身份。該系統實現了95.3%的固定文本登錄身份驗證準確率。對于動態文本，我們引入了一個長文本身份驗證系統，該系統側重于雙鍵事件，即英語中最常發生的連續擊鍵。借助ML技術，該系統可以實現100%對包含14組雙鍵的長文本條目的身份識別準確率，從而顯著降低與密碼泄露相關的安全風險。

事實證明，這種方法比基于指紋的身份驗證更可靠，后者可以輕松復制。與在登錄時僅提供輔助身份驗證的指紋系統不同，我們的方法會持續監控動態文本，以便在鍵盤使用期間驗證用戶身份。將這兩種認證方式相結合，不僅可以增強信息安全性，還可以提高認證準確性，為數據安全提供重要方向。

鑒于其出色的特性、機械靈活性、自供電傳感、經濟性和高精度，SFIK在可穿戴生物電子學、人工智能、網絡安全和人機交互方面具有廣闊的應用前景。SFIK通過其對擊鍵動力學的創新應用而脫穎而出，為各種用例提供了一種有前途的技術。但是，擴展此系統以用于實際實施會帶來一些挑戰。一個重要問題是難以跨不同設備和用戶界面收集一致且準確的擊鍵數據。此外，在管理敏感的擊鍵信息時，優先考慮用戶隱私和安全也至關重要。有效應對這些挑戰對于SFIK在實際場景中的成功部署和廣泛采用至關重要。

審核編輯 黃宇