国内外研究现状分析：

国内外对于智能设备中的传感器应用的研究已有多年，但普遍利用智能设备中的加速度传感器来进行识别人体动作行为，例如手势识别、运动识别等，具体应用例如手势交互、人体能耗监测、人体运动状态检测、驾驶行为检测等。

在语音交互方面，语音识别系统的一个重要的发展方向是小型化、便携式语音产品的应用，如无线手机上的拨号、汽车设备的语音控制、智能玩具、家电遥控等方面的应用，这些应用目前正在被广泛研究和应用。语音识别系统的性能受到许多因素的影响，包括不同说话人的发音方式、说话方式、环境噪音、传输信道衰落等等。目前语音识别系统的语音信号采集方式普遍为麦克风采集，利用其它方式进行采集语音信号的研究尚无明显进展。在语音识别算法上，利用基因算法训练连续隐马尔柯夫模型的语音识别方法现已成为语音识别的主流技术，该方法在语音识别时识别速度较快，也有较高的识别率。另外，在此之后人们发现人工神经网络具有区分复杂的分类边界的能力，十分有助于模式划分，同时基于反向传播算法（BP算法）的多层感知神经网络的研究也逐渐成熟。而21世纪下，国外行业巨头开始着手开发语音识别技术，语音助手开始应用在移动设备上，如Siri或GoogleVoice，移动设备用户可以使用这些系统在移动设备上轻松地执行几个命令。但据国外相关文献，这一便利或将导致一些漏洞，使得黑客可以很容易地访问移动设备数据和功能，因此就用户数据安全方面，人们对如何安全地使用语音控制系统仍有待研究。

本文的研究：

为了保护用户数据的安全，智能设备的语音控制系统在根据语音指令完成相关功能前，需要对发出语音用户身份（ID）进行安全认证。传统上，语音控制系统是从麦克风采集到的语音信号中提取相关信息进行对比认证，这种方式易受到环境噪声以及虚假用户语音的影响，无法作为唯一的认证方式独立完成安全任务，因此，在实际应用场合中，语音特征还只是作为一种辅助方法和指纹，口令密钥等其它认证方式一起搭配使用。

本研究拟尝试通过多种算法比较智能设备内置传感器和麦克风两种器件语音感知信号之间相似度来判断语音命令的一致性，从而为用户身份的唯一性认定增加一种新的认证方式，提高实际使用环境中的高效性和可靠性。

2. 研究的基本内容与方案

研究的基本内容及步骤：首先对智能设备内置传感器的语音响应信号进行采集，并通过相应的处理使之能够导入Matlab进行后续算法处理。然后着手设计有较低采样频率的传感器语音响应信号与有较高采样频率的麦克风语音响应信号之间的相似度计算方案。再接着设计各个方案的相应的Matlab算法，并导入数据进行测试计算。最后通过比对Matlab的测试结果得到各个方案下的两种语音信号相似度，得出最终结论。

研究的目标：解决因采样频率不同导致传感器响应信号与麦克风响应信号难以匹配并计算相似度的问题，计算多种算法下这两种信号的相似度并进行比较分析，得出智能设备内置传感器与麦克风两种器件的语音感知信号间有无相似处、是否可用来判别语音命令一致性、能否有较高的识别率的相关结论。

研究拟采用的技术方案及措施：对于如何比较两个不同采样频率且性质不同的响应信号，应当设计相应的技术方案。由于相应的数据需要由Matlab处理完成，因此需要设计相应的Matlab算法，具体的Matlab算法设计可参考相关文献及理论。

[1] LuepolPipanmaekaporn; Puritud Wichinawakul; Suwatchai Kamolsantiroj. MiningAcceleration Data for Smartphone-based Fall Detection [C]. 10th International Conferenceon Knowledge and Smart Technology (KST), p74 –79, 2018.