[发明专利]利用智能手环和智能手机捕捉使用者意图的方法

说明书

技术领域

本发明属于通信技术领域，特别涉及一种利用智能设备捕捉使用者意图的方法，可用于各种智能手机。

背景技术

从2001年第一款智能手机发布后，智能手机经历了很大的变换，开放性的操作系统，强大的互联网无线接入能力无不从根本上改变了人们的生活习惯。

而2012年，谷歌眼镜的亮相，直接引发了“智能可穿戴设备元年”的到来。凭借着可穿戴设备的便携性和强大的数据获取和交互能力，可穿戴设备正引发新一轮的技术革命。智能手环作为可穿戴设备中使用最方便最广泛的可穿戴设备，提供了心率测试、测量距离、计步器、睡眠监测、防水、蓝牙传输等功能。另外由于智能手环还可以与智能手机配套使用，还可以实现一些特殊功能，比如小米手环可以实现无密码解锁等。

但是，无论是智能手机还是智能手环，它们都不能主动地识别人的意图，当人们想使用手机时，它永远不会因为你想使用手机而自动点亮屏幕。而可穿戴设备中内置的传感器，它能捕捉到你非常微小的动作变化，但是它永远识别不到动作的含义。而神经网络作为模式识别和智能控制领域的优秀方法，可以通过训练动作模型从而识别人的意图，从而使手机能够主动地识别意图而不是被动的等待操作。

发明内容

本发明的目的在于针对上述提出的问题，提出一种将运动手环获取的数据输入到BP神经网络中进行训练得到不同运动状态的识别模型进而控制智能手机从而减少使用者主动操作和减少手机物理磨损。

本发明的技术方案是这样实现的：

一.技术原理

神经网络作为机器学习的一门重要技术，自其以模拟人类实际神经网络的数学方法问世以来，在模式识别，智能控制等领域取得了巨大的成功。神经网络模型的网络拓扑结构，节点特点和学习规则决定了它高度鲁棒性和容错能力，并且能充分逼近复杂的非线性关系。

神经网络通常是通过一个基于数学统计学类型的学习方法得以优化，所以神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法能够得到大量的可以用函数来表达的局部结构空间。

网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。

本发明是通过神经网络学习获取特征运动手势模型，并将学习到的特征运动手势模型通过手机App的形式安装到智能手机中，当佩戴运动手环的手出现如图1-2的动作时，传感器开始获取数据，并将获取到的数据通过蓝牙传送给手机，通过计算模型来识别该运动手势是否符合训练的特征动作，进而判断使用者意图。当该动作符合特征动作时，判断使用者有使用手机的意图，并点亮手机屏幕。使用神经网络并联合智能手环、智能手机共同捕捉使用者意图的方法。

二.技术方案

根据上述原理，本发明的技术方案包括如下：

(1)特征动作模型训练步骤：

(1.1)将手环与电脑连接，将手机平放，使用者按使用习惯拿取手机到日常使用位置，记录拿取过程中手环重力传感器数据，将获取的数据保存在电脑端，传感器以100hz频率刷新数据，反复进行拿取手机动作并保存数据，以获取特征手势数据；

(1.2)将获取的特征手势数据截取为相同长度，并存储到二维矩阵G＝{g₁,...,g_t,...,g_T}中，g_t其中代表第t次拿取动作获取的数据，t∈[1,T]，T代表拿取手机动作的总次数；

(1.3)创建具有m个输入单元的输入层，n个隐藏单元的隐藏层，p个输出单元的输出层三层反向传播神经网络,并将二维矩阵G输入到该神经网络中进行训练，得到特征动作模型W；

(2)智能手机控制：

(2.1)将特征动作模型W安装在手机上，并将手环与手机通过蓝牙连接；

(2.2)当佩戴手环的手出现特征拿取动作时，手环开始记录重力传感器数据直至获取到m个数据,将该m个数据通过蓝牙传送给手机并输入到特征动作模型W的输入层中进行计算，获取输出层的输出矩阵：R＝(y₁,...,y_k,...,y_p)，其中y_k表示输出层第k个输出单元的输出；

(2.3)计算手环运动手势特征相似系数其中p为输出层单元的个数；