Plasmow/IMUsensor

# 感知安全实验室 本仓库展示了我的 KAIST Sensing Security CS492 实验室项目。目标是展示如何将原始 IMU 传感器数据转化为可用的特征，训练成分类器，并用于从连续录音中恢复口述的数字。 对于技术审阅者来说，主要思想很简单：该项目从充满噪声的时间序列传感器数据开始，应用信号处理使其具备模型就绪状态，在频谱图特征上训练 CNN，然后使用训练好的模型推断最终的数字序列。 这所展示的不仅仅是 notebook 工作流，而是一个完整的应用 ML pipeline：数据预处理、特征提取、模型训练、验证，以及对真实目标样本的推断。 ## 项目文件 - [part1.ipynb](part1.ipynb) - 信号处理基础、FFT、频谱图以及 IMU 到音频的转换 - [part2.ipynb](part2.ipynb) - 基于 CNN 的口述数字分类和 16 位数字序列推断 - [part3.ipynb](part3.ipynb) - 最终的 notebook 和相关分析工作流 - [digit_classifier.pt](digit_classifier.pt) - 来自第 2 部分的训练好的模型 artifact - [result_part2.txt](result_part2.txt) - 来自第 2 部分的预测的 16 位数字输出 - [result_part3.txt](result_part3.txt) - 来自第 3 部分的最终文本输出 ## 用法 1. 如果可能，请在 Google Colab 中打开您想要查看的 notebook；这是运行 notebook 的首选环境。 2. 从上到下运行单元格以重现该工作流。 3. 在执行之前，请确保已安装所需的 Python 包。 ## 重要性 - 它展示了在信号处理和时间序列分析方面的实践经验。 - 它展示了如何将传感器数据转换为用于深度学习的模型输入。 - 它展示了端到端的实现，从预处理到保存的模型和最终输出文件。 ## 注意事项 - 该仓库采用扁平化布局，因此 GitHub 文件列表易于浏览。 - 这些 notebook 保持可执行状态，并且可以直接在 GitHub 上查看。 - 为方便起见，生成的 artifact 存储在仓库根目录中。

标签：IMU传感器, 侧信道攻击, 信号处理, 凭据扫描, 卷积神经网络, 概念验证, 语音识别, 逆向工具