[发明专利]基于惯性传感器利用自动训练的活动识别方法

说明书

本公开的各实施例涉及基于惯性传感器利用自动训练的活动识别方法。公开了一种技术进步，其利用与设备相关联的惯性传感器数据来确定新特征阵列，并且确定该新特征阵列是否在与惯性传感器数据相关联的状态空间内的现有类别内。响应于新特征阵列被包括在现有类别中，将新特征阵列添加到现有类别中，并且基于新特征阵列和现有类别的现有表示来更新状态空间中的现有类别的表示。响应于新特征阵列不被包括在现有类别中，基于新特征阵列创建新类别。

技术领域

本公开一般涉及电子设备，并且更具体地，涉及采用惯性传感器来确定电子设备的移动活动的电子设备。

背景技术

诸如智能手机的许多移动电子设备包括一个或多个惯性传感器以检测电子设备的移动。从惯性传感器获得的惯性数据可以用于旋转显示屏、控制应用功能(例如，控制视频游戏应用中的角色)、“唤醒”设备等。惯性数据还可以用于在用户持有电子设备时，确定用户的一个或多个移动活动。例如，惯性数据可以用于确定用户是否在移动、行走或跑步。移动活动的该类型可以基于惯性数据的特性(诸如特定惯性数据的频率和振幅)而被确定。这种移动活动确定可以用于改善用户和电子设备之间的交互。

通常，采用分类器来学习惯性数据特性的哪些组合可以用来限定移动活动的每个类型。分类器分析来自多个不同用户的惯性数据，并且将惯性数据分组或分类为独特的组或类别。每个独特的类别由惯性数据特性的特定组合限定，并且表示移动活动的独特的类型。例如，分类器可以将针对不移动的第一类别标识为低于第一阈值的加速度计数据；将针对行走的第二类别标识为高于第一阈值并且低于第二阈值的加速度计数据；并且将针对跑步的第三类别标识为高于第二阈值的加速度计数据。因此，分类器利用大量的训练数据来学习或标识不同的阈值水平，并且因此限定表示移动活动的不同类型的不同类别。

分类器的准确性通常与训练数据的量有关，使得利用的训练数据越多，分类器的准确性就越高。然而，分析如此大量的数据可能在计算上是昂贵的并且消耗大量的功率，如果由移动电子设备执行，则这可能无法获得或效率低下。此外，由分类器标识的类别通常针对整个训练数据被概括，这可能导致所学习的类别针对一些个体不准确。正是关于这些和其他考虑，做出了本文描述的实施例。

发明内容

一种设备，可以被概括为包括：惯性传感器，其在操作中生成与设备相关联的惯性传感器数据；以及处理电路装置，其通信耦合到惯性传感器，其中处理电路装置在操作中：根据惯性传感器数据确定新特征阵列；确定新特征阵列是否在与惯性传感器数据相关联的状态空间内的现有类别内；响应于新特征阵列被包括在现有类别中，将新特征阵列添加到现有类别中，并且基于新特征阵列和现有类别的现有表示来更新状态空间中的现有类别的表示；响应于新特征阵列不被包括在现有类别中，基于新特征阵列创建新类别。

处理电路装置在操作中可以：接收新惯性传感器数据；在状态空间中选择与新惯性传感器数据相关联的多个类别中的一个类别；以及指示设备基于所选择的类别来执行动作。处理电路装置在操作中可以：确定新特征阵列是否在状态空间内；以及响应于状态空间中不包括新特征阵列，基于新特征阵列对状态空间重新标准化。数字信号处理电路装置在操作中可以：基于重新标准化的状态空间来修改现有类别的表示。处理电路装置在操作中可以基于重新标准化的状态空间来重新缩放现有类别。数字信号处理电路装置在操作中可以：基于将新特征阵列添加到现有类别来重新缩放现有类别。处理电路装置在操作中可以：确定新特征阵列是否在状态空间内；响应于状态空间中不包括新特征阵列，基于新特征阵列对状态空间重新标准化；基于重新标准化的状态空间，修改两个现有类别的表示；确定两个现有类别是否满足吸收标准；以及响应于满足吸收标准，合并两个现有类别。处理电路装置在操作中可以：响应于现有类别中特征出现次数的数目低于阈值，移除现有类别。惯性传感器可以包括加速度计或陀螺仪中的至少一个。

处理电路装置在操作中可以：确定现有类别和新类别是否满足吸收标准；以及响应于吸收标准被满足，合并现有类别和新类别。