该论文研究了基于腕戴式设备的连续身份认证问题，提出了一种利用低频光电容积脉搏波（PPG）信号的实用方案。传统上，心电图（ECG）信号虽具有高区分性，但其侵入性传感和间断采集限制了实际应用；而PPG信号可实现非侵入式连续采集，易于集成到智能手表等可穿戴设备中。然而，以往研究大多依赖高频PPG（如75-500 Hz）和复杂深度学习模型，导致能效和计算开销大，难以在低功耗现实系统中部署。本研究首次在智能手表（We-Be Band）上实现了基于低频（25 Hz）多通道PPG的连续认证系统，采用双向长短期记忆网络（Bi-LSTM）结合注意力机制，从短时（4秒）4通道PPG窗口中提取身份特异性特征。在公开数据集PTTPPG和自建We-Be数据集（26名受试者）上的评估表明，系统平均测试准确率达88.11%，宏F1分数0.88，误接受率（FAR）0.48%，误拒绝率（FRR）11.77%，等错误率（EER）2.76%。相比512 Hz和128 Hz采样率，25 Hz系统分别降低传感器功耗53%和19%，且认证性能未显著下降。进一步实验发现，当采样率降至20 Hz时性能急剧下降而功耗节省极少，因此25 Hz被视为实用下界。此外，仅用静息数据训练的模型在运动状态下失效，而包含活动多样性数据的训练能提升跨生理状态的鲁棒性。该工作为可穿戴设备实现低功耗、连续、非侵入式身份认证提供了可行方案，对物联网安全和人机交互领域具有参考价值。