检测物体在终端装置处的安装

技术领域

本发明涉及用于检测例如卡侧录器等物体在例如自动柜员机(ATM)等终端装置处的安装的计算机实施的方法、数据处理系统和计算机程序产品。

背景技术

已知人们试图检测由窃贼放置在ATM的面板上的卡侧录器。如果ATM安装有此类卡侧录器，则这可能会使得窃贼能够窃取客户的卡信息。然而，用于检测卡侧录器的已知方法具有各种缺点，本文中公开了所述缺点的技术解决方案。

发明内容

本发明的某些实施例提供一种系统，所述系统用于更准确地检测例如卡侧录器等物体在终端装置处，例如在ATM的面板处的安装。本发明的某些实施例提供至少解决误报侧录器警报的技术问题的技术解决方案，所述误报侧录器警报可能例如在ATM暴露于雨的情况下发生。具体地说，雨可能会引起电容传感器信号的技术问题。另外，本发明的某些实施例使得能够在已获得原始数据之后更快地进行数据处理和数据格式化。

根据本发明的第一个方面的实施例，提供了一种用于检测物体在终端装置处的安装的计算机实施的方法，所述方法包括以下步骤：从一个或多个传感器接收检测数据；基于检测数据生成小波矩阵；以及基于小波矩阵生成环境警报。在示例实施例中，终端装置可包括自动柜员机装置。在示例实施例中，所述方法可检测物体在自动柜员机装置的边框处的安装。在示例实施例中，物体可包括卡侧录器装置。

环境警报可包括环境天气警报。环境天气警报可包括雨警报。通过生成雨警报信号，本发明的各种实施例减少误报卡侧录器警报的发生率，所述误报卡侧录器警报原本会在ATM遇到雨或其它环境天气条件但没有试图安装卡侧录器装置的情境中生成。具体地说，本发明的实施例提供解决误报卡侧录器警报的技术问题的技术解决方案，例如当ATM暴露于雨或其它环境天气条件引起来自电容传感器的信号的技术问题时。因此，本发明的实施例可以实现高准确性卡侧录器警报和归因于例如雨等环境天气事件的误报卡侧录器警报的最小化的技术效果。通过减少误报卡侧录器警报，本发明的实施例实现增强的可靠性并减少技术专家的不必要的维护访问。ATM可因此保持正确运行，并且客户交易可保持不受影响。

环境天气警报不限于雨警报，且还可包括其它类型的天气警报以用于检测ATM周围除了雨之外的天气条件的类型。例如，环境天气警报可以是风警报、冷天气警报或热天气警报。风或冷或热天气可能会导致来自传感器的误报读数。具体地说，快速温度变化可产生ATM的面板或支架的机械膨胀或收缩，这可能会导致误报读数。在一些情况下，这可指示硬件的构建不正确或装配不正确。

在示例实施例中，小波矩阵保留局部时间数据以便更准确地生成雨警报信号。从传感器接收的检测数据可以是时间序列数据。通过捕获局部时间数据，可以确定在此期间生成警报的时间段。捕获并保留局部时间数据还允许对从缺乏机器学习能力的ATM检索的数据运行机器学习模型，使得可以标识在此期间可能正在降雨的那些时间段。这可能与数据日志内疑似存在误报卡侧录器警报的情境特别相关。

在一些实施例中，小波变换可用于将检测数据从时域转换为频域以生成小波矩阵。小波变换可以是连续小波变换，或可以是离散小波变换。小波变换可包含将检测数据传递通过高通滤波器和/或低通滤波器。例如，雨可产生高频信号，使得将检测数据传递通过高通滤波器可以保留高频雨信号并丢弃/忽略例如噪声等其它较低频信号。

在一些实施例中，所述方法可包括标识小波矩阵中的一个或多个特征并基于一个或多个所标识特征生成环境警报的步骤。示例所标识特征可以是真实雨噪声的增加。与空闲信号数据相比，此噪声可以是较高频率但较低振幅信号。在数小时的时段内，读卡器上的水分累加--例如在ATM边框设计可能导致一些水汇集的情况下--可能会引起信号的振幅变化。通过关注频率变化，本发明的实施例使得能够忽略信号数据的其它变化。可以使用第一机器学习模型从小波矩阵标识一个或多个特征。第一机器学习模型可以提供标识特征的高度准确且高度有效的手段。第一机器学习模型可包括卷积神经网络模型。随着新训练数据变得可用，可以随时间更新卷积神经网络模型。如果升级或改进变得可用，则可以基于软件更新来快速更新第一机器学习模型，而不需要技术上复杂且耗时的硬件修改。

在一些实施例中，所述方法可包括基于检测数据确定序列的步骤，所述序列包含(i)第一时间段期间的空闲状态、(ii)第二时间段期间的接近状态，以及(iii)第三时间段期间的物体安装状态。第二时间段可以在第一时间段之后。第三时间段可以在第二时间段之后。在一些实施例中，所述方法可包括基于所确定序列生成篡改警报信号的步骤。确定序列且接着基于其生成篡改警报信号可以使得能够更准确地检测卡侧录器在ATM上的安装。例如，通过响应于序列被标识而生成篡改警报信号，本发明的实施例减少误报卡侧录器警报的发生率。这种增强的检测能力使得提高了客户对ATM操作的信心。减少误报卡侧录器警报使得技术专家对ATM进行的耗时技术维护更少。

在一些实施例中，检测数据可在第一时间段期间具有第一电平下的基本上恒定振幅。此外，检测数据可在第二时间段期间具有负峰值振幅，负峰值基本上低于第一电平。另外，检测数据可在第三时间段期间具有第三电平下的基本上恒定振幅，第三电平基本上高于第一电平。在另一实施例中，检测数据在第二时间段期间可具有短时段，例如几秒的极高和极低峰值。短时段的极高和极低峰值可指示卡侧录器正被安装到ATM。

在一些实施例中，可以使用第二机器学习模型确定序列。第二机器学习模型可以提供标识序列的高度准确且高度有效的手段。第二机器学习模型可包括深度学习模型。深度学习模型可包括长短期记忆递归神经网络模型。长短期记忆递归神经网络模型在滤除信号中的噪声方面是高度有效的。随着关于新卡侧录器攻击的新训练数据变得可用，可以随时间更新长短期记忆递归神经网络模型。如果对长短期记忆递归神经网络模型的升级或改进变得可用，则可以基于软件更新来快速更新第二机器学习模型，而不需要技术上复杂且耗时的硬件修改。在一些实施例中，第二机器学习模型可包括支持向量机。

在一些实施例中，代替序列确定，第二机器学习模型可包括被配置成标识检测数据中的一个或多个区分特征的一维(1-D)卷积神经网络模型。1-D卷积神经网络模型可以在分析例如来自ATM的时间序列数据等1-D数据时提供增加的准确性。

在一些实施例中，序列确定至少部分地与小波矩阵生成并行发生。

在一些实施例中，一个或多个传感器可包括基于电容的传感器、毫米波雷达和/或飞行时间传感器。在一些实施例中，基于电容的传感器可以邻近磁卡读取器装置安装。在一些实施例中，基于电容的传感器可被配置成在物体邻近边框的外部部分放置时生成检测数据。

根据本发明的示例实施例，一种方法可包括以下步骤：生成训练数据集；以及基于训练数据集训练第一机器学习模型和第二机器学习模型中的至少一个。通过自动生成训练数据集，所述方法可以避免数据提取和标记相关联活动的原本耗时且重复的手动过程。因此，所述方法产生从庞大的原始数据集创建训练数据的更快过程。此外，更清晰的训练数据使得整个机器学习模型的准确性提高。

在一些实施例中，训练数据集可以通过以下操作生成：接收历史数据集，并且标识历史数据集中的一个或多个特征，所述一个或多个特征中的每一个表示对应活动。具有非常庞大的历史数据集并不少见。手动分析此类庞大的历史数据集将是非常耗时的任务。本发明的实施例使得能够自动分析历史数据，继而使得能够自动标识活动，例如ATM处卡侧录器的存在；ATM处客户手的存在；ATM的空闲状态；ATM的交易状态；基于来自其它装置的信息的不同类型交易，例如当面板门打开时的补钞、支票处理、现金循环、非接触式卡触摸，或用于菜单解析的屏幕触摸；等等。本发明的某些实施例还相应地使得能够自动标记活动。

在一些实施例中，一个或多个特征可以通过以下操作标识：确定所述历史数据集中的一个或多个峰值，并且基于一个或多个所确定峰值生成一个或多个数据子集。在一些实施例中，每个数据子集包含峰值的任一侧上的填充数据。填充数据可使得更容易使特征可视化。填充数据可以提供活动的背景信息，例如之前的‘空闲’状态之前或之后的“侧录器”状态，并且峰值可以提供关于‘手活动’的信息。

在一些实施例中，一个或多个峰值可以通过将移动平均值和标准偏差应用于历史数据集而确定。训练数据集可以通过以下操作生成：接收标记数据集，并且用标记数据集扩增一个或多个所标识特征。可以基于来自其它装置的交易活动数据来自动创建标记数据，所述交易活动数据例如当面板门打开时补钞、取现金等。

在一些实施例中，上述方法包括执行以下步骤(1)-(5)。在步骤(1)中，标识历史数据集中的多个峰值。在步骤(2)中，基于所标识多个峰值标识所述历史数据集的子集。在步骤(3)中，从所述历史数据的所述子集标识特征集。在步骤(4)中，使用标记的数据集来扩增所标识特征集以获得训练数据集。在步骤(5)中，基于所述训练数据集训练第一机器学习模型或第二机器学习模型中的至少一个以分别执行环境天气检测或篡改检测。

根据第二个方面，本发明还提供一种用于检测物体在终端装置处的安装的数据处理系统，所述系统包括处理器，所述处理器被配置成存取存储器或存储机器可执行指令的其它计算机可读介质并且执行所述指令以：从一个或多个传感器接收检测数据，基于检测数据生成小波矩阵，并且基于小波矩阵生成环境警报。

在本发明的第三个方面，提供了一种计算机程序产品，其包括能够在计算机系统上执行计算机程序产品时使计算机系统执行本发明的方法的指令。所述计算机程序产品可以体现在记录介质、载波信号或只读存储器上。

根据第四个方面，本发明提供了一种计算机程序产品，其包括存储机器可执行指令的非暂时性计算机可读介质，所述机器可执行指令能由处理器执行以执行方法，所述方法包括执行以下步骤(1)-(6)。在步骤(1)中，在第一时间段内从一个或多个传感器接收第一检测数据。在步骤(2)中，基于所述第一检测数据生成小波矩阵。在步骤(3)中，基于所述小波矩阵生成环境警报信号。在步骤(4)中，在第二时间段内从所述一个或多个传感器接收第二检测数据。在步骤(5)中，从所述第二检测数据确定序列。在步骤(6)中，响应于确定所述序列而生成篡改警报信号。

根据第五个方面，本发明提供了一种用于检测物体在终端装置处的安装的计算机实施的方法，所述方法包括执行如下步骤(1)-(3)。在步骤(1)中，从一个或多个传感器接收检测数据。在步骤(2)中，基于所述检测数据生成小波矩阵。在步骤(3)中，基于所述小波矩阵生成环境警报。

根据上述第五个方面，所述方法执行以下步骤(1)-(6)中的任何一个步骤。在步骤(1)中，所述环境警报包括环境天气警报。步骤(2)除了包括上述步骤(1)还包括以下步骤：所述环境天气警报包括雨警报。在步骤(3)中，使用小波变换将所述检测数据从时域转换为频域以获得转换的检测数据，以及基于所述转换的检测数据生成所述小波矩阵。在步骤(4)中，所述终端装置包括自动柜员机装置。在步骤(5)中，所述物体包括卡侧录器装置。步骤(6)包括以下步骤(6-1)-(6-5)。在步骤(6-1)中，标识历史数据集中的多个峰值。在步骤(6-2)中，基于所标识多个峰值标识所述历史数据集的子集。在步骤(6-3)中，从所述历史数据的所述子集标识特征集。在步骤(6-4)中，使用标记的数据集来扩增所标识特征集以获得训练数据集。在步骤(6-5)中，基于所述训练数据集训练第一机器学习模型或第二机器学习模型中的至少一个以分别执行环境天气检测或篡改检测。

根据上述第五个方面，所述方法进一步包括标识所述小波矩阵中的一个或多个特征。生成所述环境警报包括基于一个或多个所标识特征生成所述环境警报。

根据上述第五个方面，在上述方法中，标识所述小波矩阵中的所述一个或多个特征包括使用第一机器学习模型标识所述一个或多个特征。

根据上述第五个方面，在上述方法中，所述第一机器学习模型包括卷积神经网络模型。

根据上述第五个方面，上述方法进一步包括：基于所述检测数据确定序列，所述序列包括(i)第一时间段期间的空闲状态、(ii)第二时间段期间的接近状态，以及(iii)第三时间段期间的物体安装状态。

根据上述第五个方面，上述方法进一步包括执行以下步骤(1)-(5)中的任何一个步骤。在步骤(1)中，基于所确定序列生成篡改警报。在步骤(2)中，在所述空闲状态期间，所述检测数据包括具有第一电平下的基本上恒定振幅的信号。在步骤(3)中，在所述物体安装状态期间，所述检测数据包括具有高于所述第一电平的第三电平下的基本上恒定振幅的信号。在步骤(4)中，确定所述序列包括使用第二机器学习模型确定所述序列。在步骤(5)中，所述序列确定至少部分地与所述小波矩阵生成并行发生。

根据上述第五个方面，上述方法进一步包括执行以下步骤(1)-(2)中的任何一个步骤。步骤(1)包括以下步骤(1-1)和(1-2)。在步骤(1-1)中，在所述空闲状态期间，所述检测数据包括具有第一电平下的基本上恒定振幅的信号。在步骤(1-2)中，在所述接近状态期间，所述检测数据包括具有低于所述第一电平的负峰值振幅的信号。步骤(2)包括以下步骤(2-1)和(2-2)。在步骤(2-1)中，确定所述序列包括使用第二机器学习模型确定所述序列。在步骤(2-2)中，所述第二机器学习模型包括长短期记忆递归神经网络模型。

附图说明

现将在下文参考附图仅借助于实例来描述本发明的实施例，在附图中：

图1是根据所公开技术的示例实施例的用于检测物体在终端装置处的安装的混合系统和流程图，

图2是示出根据所公开技术的示例实施例捕获的检测数据的曲线图，

图3是示出根据所公开技术的示例实施例捕获的检测数据的曲线图，

图3a是示出根据所公开技术的示例实施例捕获的检测数据的曲线图，

图4是根据所公开技术的示例实施例的小波变换的指令代码的提取，

图5是根据所公开技术的示例实施例的小波矩阵，

图6和7是根据所公开技术的示例实施例的标量图图像，

图8是示出根据所公开技术的示例实施例的环境警报的曲线图，

图9是根据所公开技术的示例实施例的用于训练机器学习模型的方法的流程图，

图9a是示出图9的方法的历史数据的曲线图，

图9a’是示出图9a的历史数据的一部分的曲线图，

图9b是示出图9的方法的数据子集的曲线图，

图9c是示出图9的方法的特征的图像，

图10是示出图9的方法的峰值的曲线图，并且

图11是示出图9的方法的标记数据的曲线图。

在图纸中，相同的参考编号指的是相同的部件。

具体实施方式

参考图式，并且最初参考其中的图1到8，示出了根据所公开技术的示例实施例的被配置成检测物体在自助服务终端装置处的安装的计算机实施的数据处理系统1。在实施例中，系统1可以侧录器保护解决方案(SPS)的形式提供。在某些情境中，犯罪分子可能试图通过利用记录存在于卡上的磁条的卡侧录器装置来窃取信用卡详情。例如，系统1可以检测放置在自动柜员机(ATM)面板上的卡侧录器装置的存在。更具体地说，例如，系统1可用于检测卡侧录器装置在ATM边框处的安装。

在实施例中，系统1可包含微控制器，其被配置成管理系统1的功能，收集来自传感器的数据/到系统1所使用的执行器的输出，并且例如经由USB 2.0向ATM PC核心报告。在示例实施例中，系统1可以执行以下功能：检测放置在读卡器入口/出口槽附近的异常物体；报告放置在读卡器入口/出口槽附近的异常物体的存在；报告停用或抑制检测放置在读卡器入口/出口槽附近的异常物体(例如，异常物体的电磁破坏，具有磁读取头的那些异常物体等)的功能的故障；等等。

如图1中所示，系统1从多个传感器2接收检测数据3。在一些实施例中，传感器2可以与系统1不同，而在其它实施例中，系统1可包含传感器2。在示例实施例中，传感器2以基于电容的传感器的形式提供。基于电容的传感器2可以邻近磁卡读取器装置安装。基于电容的传感器2可以响应于卡侧录器装置邻近ATM边框的外部部分放置而生成检测数据3。例如，检测数据3可以从ATM的卡(磁条)读取器周围的一系列电容传感器2捕获。电容传感器2可以检测在读卡器进入/退出槽附近的具有磁读取头的异常物体的存在。系统1可包含模/数转换器(ADC)，所述ADC在其输入信道处从发送器-接收器电极对接收连续模拟信号。系统核心驱动器可以选择信道来进行扫描。作为实例，选定信道可以每180ms采样一次，并且事件以及32位读数可以返回到系统核心驱动器。在一个实施例中，ADC将传感器2中的选定传感器的读数转换为无符号32位数字值，所述无符号32位数字值可以每信道180ms的速率发送到处理器。

在示例实施例中，系统1包含第二机器学习模型4。第二机器学习模型4可以是深度学习模型，例如长短期记忆递归神经网络(LSTM-RNN)模型。虽然出于解释性目的，机器学习模型4在本文中可以被称为LSTM-RNN模型，但应了解，模型4不限于LSTM-RNN模型，且可以是包含任何合适类型的神经网络的任何合适机器学习模型。LSTM-RNN模型4可以基于检测数据3确定序列5。

如图2中所示，在示例实施例中，序列5可包含(i)第一时间段‘a’期间的空闲状态、(ii)第一时间段‘a’之后的第二时间段‘b’期间的手接近状态，以及(iii)第二时间段‘b’之后的第三时间段‘c’期间的卡侧录器安装状态。在图2的实例中，检测数据3在第一时间段‘a’期间具有第一电平12下的基本上恒定振幅。另外，检测数据3在第二时间段‘b’期间具有负峰值振幅13。负峰值13低于第一电平12(图2)。检测数据3在第三时间段‘c’期间具有第三电平14下的基本上恒定振幅。第三电平14高于第一电平12(图2)。卡侧录器安装状态指示卡侧录器装置仍安装到ATM的边框。在示例实施例中，当卡侧录器在时间段‘b’期间被放置在边框上时，手接近使信号尖峰发生，接着信号振幅从时间段‘a’期间的振幅12增加到时间段‘c’期间的振幅14。增加的振幅14可以在侧录器保持在边框上的持续时间内保持。

再次参考图1，在示例实施例中，系统1基于序列确定5生成篡改警报信号6。篡改警报信号6可以指示卡侧录器已经安装到ATM的边框。在示例实施例中，深度学习模型4增强系统1的卡侧录器检测准确性的准确性。系统1可被配置成收集与不同状态/情境/事件有关的数据，所述状态/情境/事件例如空闲状态、侧录器安装状态、手接近状态、交易和例如降雨等天气事件。与这些情境/事件有关的数据可以相应地分类，且馈送通过LSTM-RNN模型4以检测序列5。在一些实施例中，LSTM-RNN模型4可以将序列5检测为包含观察到的以下各项：第一时间段‘a’期间的对应于空闲状态的第一振幅12、第二时间段‘b’期间的信号尖峰，以及最后第三时间段‘c’期间的增加的振幅14。任选地，序列5可检测为进一步包含在第二时间段‘b’的初始部分期间观察到的负峰值振幅13。可以使用历史传感器数据训练的模型4可被配置成基于输入传感器数据生成指示卡侧录器是否存在的分类结果。在一些实施例中，LSTM-RNN模型4可特别适合于检测序列数据和从情形的上下文中学习。

LSTM-RNN模型4可被训练成检测序列5并响应于对序列5的检测而生成卡侧录器警报6。在一些实施例中，模型4可基于其训练而忽略表示单独的手接近、合法交易、例如雨等环境天气之类的合法活动的其它信号序列，并且避免在此类情境中生成卡侧录器警报6。以此方式，模型4有助于减少由例如环境天气条件(例如，雨)等其它因素引起的误报卡侧录器警报。雨可能会导致嘈杂且不可预测的信号。如果不是因为由模型4提供的增强的可靠性，则此类信号原本可能导致误报卡侧录器警报，所述模型在示例实施例中被训练成检测特定序列5并响应于对序列5的检测而非响应于可反映合法的非卡侧录器相关事件的其它信号振幅变化序列而生成警报6。

如图1中所示，在示例实施例中，系统1使用小波变换7将检测数据3从时域转换为频域以生成系数的小波矩阵8。图3a中示出检测数据3的实例。图4中示出小波变换7的实例。图5中示出小波矩阵8的实例。图5的小波矩阵8使用图3a的检测数据3和图4的小波变换7生成。

在示例实施例中，系统1包含第一机器学习模型9。在一些实施例中，第一机器学习模型9以卷积神经网络(CNN)模型的形式提供。CNN模型9可被配置成标识小波矩阵8中的特征10。然后，系统1可以基于所标识特征10生成环境警报信号11。环境警报信号11可包括环境天气警报信号。环境天气警报信号可包括雨警报信号11(图8)。

系统1解决致使来自电容传感器2的信号3变得嘈杂的雨的技术问题。具体地说，雨可能随时间推移致使振幅逐渐增加。此类噪声或振幅累加可能以其它方式潜在导致误报卡侧录器警报。当系统1暴露于雨时，来自传感器2的信号3可能变得嘈杂。随时间推移，这可能致使信号振幅逐渐增加。图3示出检测数据3，其中来自传感器2的信号的振幅由于雨而随时间累加。当这种情况发生时，可能难以区分由雨引起的信号振幅增加与由实际卡侧录器被安装到ATM而引起的振幅增加。

在示例实施例中，为了解决此技术问题，系统1使用小波变换7来分析频率的变化而不丢失信号3的局部时间信息。小波变换7保留关于频率和时间的信息以用于增强的信号分析。小波变换7可以是将连续时间信号划分为单独的尺度分量的数学函数。小波变换7可以是离散的或连续的。具体地说，小波矩阵8可以提供频谱以及这些频率何时发生的指示。

替代地，系统1可以基于小波矩阵8生成标量图。图6中示出标量图15的实例。图7中示出另一类型的标量图16的实例。标量图是系数的小波矩阵8中的信息的视觉表示。CNN模型9可以标识标量图中的特征10。

更详细地，标量图可以提供查看关于尺度分量的信息的手段。标量图可以是包含取决于所使用的小波而不同的图案的曲线图。每个标量图中所示的信息量取决于用于分析信号数据3的窗口大小。图6中示出由Mexican hat小波变换产生的标量图图像15的实例。图7中示出由Morlet小波变换产生的标量图图像16的实例。CNN模型9可被配置成以高准确度标识标量图图像中的区分特征10。因此，系统1可以基于这些区分特征10标识何时正在降雨，并且降雨期间的任何误报卡侧录器警报都可以被去除。

在使用中，在示例实施例中，系统1响应于卡侧录器装置邻近边框的外部部分放置而从基于电容的传感器2(图1)接收检测数据3。基于检测数据3，LSTM-RNN模型4确定序列5，所述序列包含(i)第一时间段‘a’期间的空闲状态、(ii)第二时间段‘b’期间的接近状态，以及(iii)第三时间段‘c’期间的卡侧录器安装状态。然后，系统1基于序列确定生成篡改警报信号6。并行地，在示例实施例中，系统1使用小波变换7将检测数据3从时域转换为频域以生成小波矩阵8。CNN模型9标识小波矩阵中的特征10。然后，系统1基于所标识特征10生成雨警报信号11。

现在参考图9到11，示出了用于训练LSTM-RNN模型4和CNN模型9的计算机实施的数据处理系统20。系统20可以接收庞大的历史数据集21(图9a)。历史数据21可包含来自邻近磁卡读取器装置安装的基于电容的传感器2的先前检测数据。基于电容的传感器2可能已经在ATM的正常操作期间并且还有可能在卡侧录器装置邻近ATM边框的外部部分被放置后生成先前检测数据。图9a’示出图9a的历史数据21的一部分40。历史数据部分40表示在此期间卡侧录器正被连续安装到ATM上和从ATM移除的时间段的原始传感器数据。

在示例实施例中，系统20基于预定义阈值将移动平均值22和标准偏差23应用于历史数据集21以标识组历史数据集21中的多个峰值24。然后，系统20可以基于每个所标识峰值24生成数据子集25(图9b)。数据子集25可包含在所标识峰值24的任一侧上的预定义数目个周围填充数据点。在此实例中，峰值24设置为‘1’，并且峰值24的任一侧上的周围填充数据点设置为‘0’。系统20可被配置成使用子集25标识历史数据集21中的特征集26(图9c)。特征26中的每一个可以表示活动，例如客户手接近ATM或卡侧录器装置被安装到ATM。

可以基于针对电容传感器信号21中的峰值24观察到的不同图案来标识每个活动。例如，在卡侧录器事件的情况下，由于手接近，随后信号的平均振幅增加，因此可以标识峰值。平均信号振幅的增加可取决于卡侧录器装置的大小而不同。在移除卡侧录器的情况下，可以标识另一峰值，随后信号振幅返回到与在空闲状态下相同的电平。在标识峰值但随后信号的平均振幅不从其在空闲状态中的振幅增加的情况下，系统20可以确定仅发生了手接近或其它正常用户活动。在ATM处正执行交易的情况下，系统20可以标识多个连续峰值。

在示例实施例中，系统20通过应用移动窗口平均值22以计算数据21内所有数据点的均值来减少数据21内存在的噪声。然后，针对作为远离移动平均值22的某一预定义数目个标准偏差的任何新数据点，可以检测信号。在一些实施例中，信号可以是‘0’或‘1’，其中后者表示数据集21内的所标识峰值24。在示例实施例中，子集阵列25内的信号(‘0’或‘1’)表示数据集21内的索引，其中例如交易的特征26开始和结束。特征26可以用来自特征26之前和之后的额外填充数据来提取。图10中所示的曲线图中绘制具有峰值24的示例已提取特征26。

在示例实施例中，系统20可以接收用户预定义标记数据集27(图11)，并且系统20可以用标记数据集27扩增所标识特征26以生成训练数据集28。标记数据集27可包含关于例如客户手接近或窃贼侧录器手接近等手接近类型的类别的信息。然后，系统20可以基于训练数据集28训练LSTM-RNN模型4和CNN模型9。数据提取和标记的过程通常是耗时的。系统20通过从庞大的侧录器数据集21提取关键特征26来加速此过程。系统20标识例如庞大的数据集21内表示手活动、交易和侧录器活动的特征。因此，整个数据预处理阶段更快，并且产生更清晰的训练数据集28。因此，所得的卡侧录器检测更准确。

在示例实施例中，在使用中，系统20接收历史数据集21(图9)。系统20将移动平均值22和标准偏差23应用于历史数据集21以标识历史数据集21中的多个峰值24。系统20基于每个所标识峰值24生成数据子集25。系统20使用子集25标识特征集26。系统20接收标记数据集27并用标记数据集27扩增所标识特征26以生成训练数据集28。然后，系统20基于训练数据集28训练LSTM-RNN模型4和CNN模型9。

先前参考附图描述的本发明的实施例包括计算机系统和由计算机系统执行的过程。然而，本发明还扩展到计算机程序，具体地说适于实践本发明的存储在载体上或载体中的计算机程序。程序可以呈源代码、目标代码、中间源代码以及例如部分编译形式的目标代码的形式，或呈适合在根据本发明的方法的实施方案中使用的任何其它形式。载体可包括例如CD-ROM的ROM之类的存储介质，或软盘或硬盘之类的磁记录介质。载体可以是可经由电缆或光缆或通过无线电或任何其它手段发送的电或光学信号。

在本说明书的描述和权利要求中，“包括”和“包含”二词及其变体指“包含但不限于”，且这些词并非旨在(且不会)排除其它组成部分、添加物、部件、整体或步骤。在本说明书的描述和权利要求中，除非上下文中另有要求，否则单数涵盖复数。尤其是，在使用不定冠词的情况下，除非上下文中另有要求，否则说明书应被理解为旨在为复数以及单数。

结合本发明的特定方面、实施例或实例描述的特征、整体、特性或群组应被理解为适用于本文中所描述的任何其它方面、实施例或实例，除非与它们不兼容。本说明书中所披露的所有特征(包含任何随附的权利要求、摘要和图式)和/或如此披露的任何方法或过程的所有步骤可合并在任何组合中，除了至少一些这样的特征和/或步骤相互排斥的组合。本发明不限于前述任何实施例的任何细节。本发明扩展到在本说明书中所披露的特征(包含任何随附的权利要求、摘要和图式)的任何新颖的实施方式或任何新颖的组合，或如此披露的任何方法或过程的步骤的任何新颖的实施方式或任何新颖的组合。

读者应注意与本申请有关的与本说明书同时或在本说明书之前提交的所有论文和文献，这些论文和文献与本说明书一起公开以供公众审查，并且所有此类论文和文献的内容均以引用的方式并入本文中。