CN104346523B - 用于活动识别的方法、设备 - Google Patents

用于活动识别的方法、设备 Download PDF

Info

Publication number
CN104346523B
CN104346523B CN201410379675.1A CN201410379675A CN104346523B CN 104346523 B CN104346523 B CN 104346523B CN 201410379675 A CN201410379675 A CN 201410379675A CN 104346523 B CN104346523 B CN 104346523B
Authority
CN
China
Prior art keywords
equipment
activity
error
mankind
sampling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201410379675.1A
Other languages
English (en)
Other versions
CN104346523A (zh
Inventor
A·尼斯卡宁
J·瓦布尼格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN104346523A publication Critical patent/CN104346523A/zh
Application granted granted Critical
Publication of CN104346523B publication Critical patent/CN104346523B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
    • H03M7/3062—Compressive sampling or sensing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21345—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis enforcing sparsity or involving a domain transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Dentistry (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephone Function (AREA)
  • User Interface Of Digital Computer (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

根据示例性实施例，提供了一种方法、设备和计算机程序产品。所述方法包括：在设备处从无线耦合至所述设备的一个或多个传感器接收与活动相关联的采样数据。所述采样数据基于与所述活动相关联的活动数据的压缩采样在所述一个或多个传感器处生成。所述压缩采样基于采样信息而进行。至少基于所述采样数据对所述活动进行分类。确定与所述活动的所述分类相关联的误差。基于所述误差与阈值误差的比较更新或保持所述采样信息。更新的采样信息用于生成更新的采样数据。所述更新的采样数据促进了所述活动的再分类。

Description

用于活动识别的方法、设备
技术领域
各种实现通常涉及用于活动识别的方法、设备和计算机程序产品。
背景技术
近年来，在涉及基于情境感知的应用(诸如，活动识别)的科技得到了极大发展。活动识别有助于基于人类活动的感测识别用户需要。活动识别的应用可包括各种现实生活的以人为中心的问题/状况，诸如，医疗保健、老年人护理、家务活动等。通过活动识别，可以针对这类以人为中心的问题提供可靠的、合算的和节能的解决方案。
发明内容
在权利要求书中陈述了示例实施例的各个方面。
在第一方面中，提供了一种方法，其包括:在设备处从无线耦合至所述设备的一个或多个传感器接收与活动相关联的采样数据，所述采样数据基于与所述活动相关联的活动数据的压缩采样而在所述一个或多个传感器处生成，所述压缩采样基于采样信息而进行；至少基于所述采样数据对所述活动进行分类；确定与所述活动的所述分类相关联的误差；以及基于所述误差与阈值误差的比较，更新或保持所述采样信息。
在第二方面中，提供了一种方法，其包括：在传感器处从无线耦合至所述传感器的设备接收采样信息；至少基于所述采样信息和采样准则对与活动相关联的活动数据进行压缩采样，以便生成与所述活动相关联的采样数据；以及将所述采样数据发送至所述设备，以便促进对所述活动进行分类。
在第三方面中，提供了一种设备，其包括：至少一个处理器；以及
包括计算机程序代码的至少一个存储器，所述至少一个存储器和所述计算机程序代码配置为与所述至少一个处理器一起使所述设备至少进行在所述设备处从无线耦合至所述设备的一个或多个传感器接收与活动相关联的采样数据，所述采样数据基于与所述活动相关联的活动数据的压缩采样在所述一个或多个传感器处生成，所述压缩采样基于采样信息而进行；至少基于所述采样信息对所述活动进行分类；确定与所述活动的所述分类相关联的误差；以及基于所述误差与阈值误差的比较，更新或保持所述采样信息。
在第四方面中，提供了一种设备，其包括:至少一个处理器；以及包括计算机程序代码的至少一个存储器，所述至少一个存储器和所述计算机程序代码配置为与所述至少一个处理器一起使所述设备至少进行：在所述设备处从无线耦合至所述设备的另一设备接收采样信息；至少基于所述采样信息和采样准则，对与活动相关联的活动数据进行压缩采样，以便生成与所述活动相关联的采样数据；以及将所述采样数据发送至所述另一设备，以便促进对所述活动进行分类。
在第五方面中，提供了一种计算机程序产品，其包括：至少一种计算机可读存储介质，所述计算机可读存储介质包括：一组指令，当所述一组指令由一个或多个处理器进行时，所述一组指令使设备至少进行：在设备处从无线耦合至所述设备的一个或多个传感器接收与活动相关联的采样数据，所述采样数据基于与所述活动相关联的活动数据的压缩采样而在所述一个或多个传感器处生成，所述压缩采样基于采样信息而进行；至少基于所述采样数据对所述活动进行分类；确定与所述活动的所述分类相关联的误差；以及基于所述误差与阈值误差的比较，更新或保持所述采样信息。
在第六方面中，提供了一种计算机程序产品，其包括：至少一种计算机可读存储介质，所述计算机可读存储介质包括：一组指令，当所述一组指令由一个或多个处理器进行时，所述一组指令使设备至少进行：在所述设备处从无线耦合至所述设备的另一设备接收采样信息；至少基于所述采样信息和采样准则，对与活动相关联的活动数据进行压缩采样，以便生成与所述活动相关联的采样数据；以及将所述采样数据发送至所述另一设备，以便促进对所述活动进行分类。
在第七方面中，提供了一种设备，其包括:用于在所述设备处从无线耦合至所述设备的一个或多个传感器接收与活动相关联的采样数据的装置，所述采样数据基于与所述活动相关联的活动数据的压缩采样而在所述一个或多个传感器处生成，所述压缩采样基于采样信息而进行；用于至少基于所述采样数据对所述活动进行分类的装置；用于确定与所述活动的所述分类相关联的误差的装置；以及用于基于所述误差与阈值误差的比较更新或保持所述采样信息的装置。
在第八方面中，提供了一种设备，其包括：用于在所述设备处从无线耦合至所述设备的另一设备接收采样信息的装置；至少基于所述采样信息和采样准则对与活动相关联的活动数据进行压缩采样以便生成与所述活动相关联的采样数据的装置；以及将所述采样数据发送至所述另一设备以便促进对所述活动进行分类的装置。
附图说明
附图中的图形通过举例并非限制的方式对各个实施例进行了图示，在附图中：
图1图示了根据示例实施例的活动识别的示例性系统；
图2图示了根据示例实施例的装置；
图3图示了根据示例实施例的用于活动识别的设备；
图4图示了根据另一示例实施例的用于活动识别的另一设备；
图5图示了根据示例实施例的对与活动识别相关联的活动数据进行压缩采样的示例；
图6图示了根据实施例的采样数据的传输序列；
图7是描绘了根据示例实施例的用于活动识别的示例方法的流程图；
图8是描绘了根据另一示例实施例的用于活动识别的示例方法的流程图；以及
图9是描绘了根据又一示例实施例的用于活动识别的示例方法的流程图。
具体实施方式
示例实施例及其潜在影响通过参见附图的图1至图9得以理解。
图1图示了根据示例实施例的用于进行活动识别的示例性系统100。在一个示例实施例中，系统100可配置为基于对与活动(例如，人类活动) 相关联的活动数据进行感测促进活动识别。具体地说，活动识别是为了从在特定情况下可以通过一个或多个传感器获取的活动数据推断出人类行为，基于此为可以得出各种决定。在一个示例实施例中，关于用户活动的信息可用于提供依赖于活动的用户体验。例如，基于活动识别，如果确定用户正在跑步，则与活动识别传感器耦合的装置的用户接口(UI)可调节为更易于访问的格式。
如图1所图示，系统100包括一个或多个与装置(例如，装置108) 可通信耦合的传感器，例如，传感器102、104、106。在一个实施例中，装置108可以是能与一个或多个传感器进行通信的任何类型的装备。在一个实施例中，该装置可以是智能手机、笔记本电脑、移动电话、个人数字助理(PDA)等。在一个实施例中，一个或多个传感器可通过通信路径与装置耦合。在一个实施例中，通信路径可以是无线链路，例如，无线链路 110。在一个实施例中，无线链路110可包括无线通信网络的无线链路接入网络。无线通信网络的示例可包括但不限于蜂窝通信网络。此外，通信路径还可包括无线通信网络的其它元件，甚至与无线通信网络耦合的有线通信网络的元件。
一个或多个传感器可配置为获取与人类活动相关联的活动数据。在一个示例实施例中，活动数据包括与活动相关联的测量数据，例如，运动、温度、位置等。在一个实施例中，一个或多个传感器可配置为对活动数据进行采样并且作为响应生成采样数据。在一个实施例中，采样数据可通过使用随机基向量对活动数据进行压缩采样而生成。
如本文所使用的，压缩采样/传感促进了数据压缩和重建。根据压缩传感定理，当原始信号可表示为多个零或接近零值以及少量非零值时，该信号便称为“稀疏”的。压缩传感揭露了这样一个事实：许多自然信号都是稀疏的或可压缩的，因此当这类信号以适当的基(basis)表示时，这些信号具有简明的表示。以低于奈奎斯特频率的速率与“稀疏”基不相干 (incoherent)的基进行采样，促进了所有相关数据的收集，并且实现了原始信号的重建。同样地，压缩传感有利于减少由一个或多个传感器采样的活动数据的数量，从而减少了对一个或多个传感器的计算要求。通过一个或多个传感器生成的采样数据在下文中可称为采样数据。同样地，术语‘采样数据’和‘压缩采样数据’在整个说明中可交换使用。
在一个实施例中，由一个或多个传感器生成的采样数据可被发送至装置108。在一个实施例中，采样数据可经由无线链路(诸如，链路110)被发送至装置108。基于从一个或多个传感器接收到的采样数据，装置108 对用户的“活动”进行分类，并且为活动分配标记(label)。在一个实施例中，术语“活动”可包括各种示例，如跑步、行走、上下楼梯、慢跑、烹饪、开冰箱等。通常，任何描绘了用户的动作和/或移动的情况都可称为活动，因而所引用的示例不应解释为是对本公开构成限制。
在一个实施例中，采样数据可直接用于进行分类，不必对采样数据进行解压缩。不需要在分类之前对采样数据进行解压缩有利于降低装置108 的计算处理和功率要求。另外，因为在一个或多个传感器处对数据进行了压缩采样，所以该数据可在装置上经济地传输和存储。
在一个实施例中，有关活动的信息可用于提供依赖于活动的用户体验。例如，如果认为用户正在跑步，那么装置108的用户接口可调节为可被用户轻易访问的格式。在一个示例实施例中，只有选定的一个或多个传感器可对与用户活动相关联的各个活动数据进行采样，并将各自的采样数据发送至装置108。在替代实施例中，与装置108耦合的多个传感器可对各自的活动数据进行采样，并将各自的采样数据发送至装置108。在本文中要理解，一个或多个传感器(或多个传感器)指的是配置为感测不同物理量的各种不同的传感器。在一个实施例中，配置为发送相应采样数据至装置 108的一个或多个传感器可同步运行。例如，当多个传感器正运行以感测并收集数据时，多个传感器的定时可同步。
图2图示了根据示例实施例的装置200。在一个实施例中，装置200 可为装置108(参见图1)的示例。然而，应理解，如下文所图示和描述的装置200仅仅说明了从各种实施例获益的一种装置类型，因此，不应用于限制本实施例的范围。同样地，应了解，如下描述的与装置200连接的至少一些组件可为可选择的，因此，在一个示例实施例中，可包括比图2中描述的与示例实施例连接的那些示例实施例更多、更少或不同的组件。装置200可为任意若干类型的移动电子装置，例如，便携式数字助理(PDA)、寻呼机、移动电视、游戏装置、蜂窝电话、所有类型的电脑(例如，笔记本电脑、移动电脑或台式电脑)、相机、音频/视频播放器、收音机、全球定位系统(GPS)装置、媒体播放器、移动数字助手或任何上述装置的组合，以及其它类型的通信装置。
装置200可包括天线202(或多根天线)，该天线与发射机204和接收器206可操作通信。装置200可进一步包括设备，如控制器208或其它分别为发射机204和接收器206提供信号并从发射机204和接收器206接收信号的处理装置。信号可包括根据适用蜂窝系统的空中接口标准的信令信息，和/或，还可包括与用户语音、接收数据和/或用户生成数据对应的数据。就此而言，装置200可按照一个或多个空中接口标准、通信协议、调制类型和访问类型运行。以图示的方式，装置200可根据任意一个第一代、第二代、第三代和/或第四代通信协议等运行。例如，装置200可根据第二代(2G)无线通信协议IS-136(时分多址(TDMA))、GSM(全球移动通信系统)、以及IS-95(码分多址(CDMA))运行；或根据第三代(3G)无线通信协议，如通用移动通信系统(UMTS)、CDMA1000、宽频CDMA(WCDMA)和时分同步CDMA(TD-SCDMA)运行；根据 3.9G无线通信协议，如演进通用陆地无线接入网络(E-UTRAN)运行；根据第四代(4G)无线通信协议等运行。作为替代方案(或此外)，装置 200可根据非蜂窝通信机制运行。例如，计算机网络，如互联网、局域网、广域网等；短距离无线通信网络，如网络、网络、电气和电子工程师协会(IEEE)802.11×网络等；无线电信网络，如公用交换电话网络(PSTN)。
控制器208可包括其中实现装置200的音频和逻辑功能的电路实现。例如，控制器208可包括但不限于一个或多个数字信号处理器装置、一个或多个微处理器装置、带有数字信号处理器的一个或多个处理器、无数字信号处理器的一个或多个处理器、一个或多个专用计算机芯片、一个或多个现场可编程门阵列(FPGA)、一个或多个控制器、一个或多个专用集成电路(ASIC)、一个或多个计算机、各种模数转换器、数模转换器、和 /或其它支持电路。装置200的控制和处理功能根据他们各自的能力分配在这些装置之间。因此，控制器208还可包括在调制和传输之前卷积编码并交织消息与数据的功能。此外，控制器208可包括内部语音编码器，并且可包括内部数据调制解调器。进一步地，控制器208可包括运行可存储在存储器中的一个或多个软件程序的功能。例如，控制器208可运行连接程序，如传统的网页浏览器。接着，连接程序可使装置200能够根据无线应用协议(WAP)、超文本传输协议(HTTP)等传输并接收网页内容，如基于位置的内容和/或其它网页内容。在一个示例实施例中，控制器108可体现为多核处理器，如双核处理器或四核处理器。然而，控制器108可包括许任意数量的处理器。
装置200还可包括：包括了输出装置的用户接口，该输出装置诸如是可耦合至控制器208的响铃210、耳机或扬声器212、麦克风214、显示器 216以及用户输入接口。使装置200能够接收数据的用户输入接口可包括任何数量的使装置200能够接收数据的装置，如小键盘218、触控显示器、麦克风或其它输入装置。在包括小键盘218的实施例中，小键盘218可包括数字(0-9)和相关键(#、*)以及其它用于操作装置200的硬键和软键。作为替代方案或此外，小键盘218可包括传统的QWERTY小键盘布局。小键盘218还可包括各种功能的软键。另外，或作为替代方案，装置200 可包括如操纵杆等接口装置或其它用户输入接口。装置200进一步包括电池220，如振动电池组，用于为用于操作装置200的各种电路供电，并且可选地提供机械振动作为可检测的输出。
在一个示例实施例中，装置200包括与控制器108通信的媒体捕捉元件，如相机、视频和/或音频模块。媒体捕捉元件可为任何用于捕捉图像以及捕捉用于存储、显示或传输视频和/或音频的装置。在一个示例实施例中，媒体捕捉元件是相机模块222，该相机模块222可包括能够从捕捉到的图像形成数字图像文件的数码相机。同样地，相机模块222包括所有硬件，如镜头或其它光学组件，以及用于从捕捉到的图像创建数字图像文件的软件。作为替代方案或者另外地，相机模块222可包括查看图像所需的硬件，而装置100的存储装置将控制器208执行的指令以软件的形式进行存储，以从捕捉到的图像创建数字图像文件。在一个示例实施例中，相机模块222 可进一步包括：处理元件，如协同处理器，其协助控制器208处理图像数据；以及用于压缩和/或解压缩图像数据的编码器和/或解码器。编码器和/ 或解码器可根据JPEG标准格式或另一相似格式进行编码和/或解码。针对视频，编码器和/或解码器可采用多种标准格式中的任一标准格式，诸如，例如，H.261、H.262/MPEG-2、H.263、H.264、H.264/MPEG-4、MPEG-4 标准等。在某些情况下，相机模块222可为显示器216提供即时图像数据。在一个示例实施例中，显示器216可位于装置200的一侧，相机模块222 可包括定位在相对于显示器216的装置200相反侧的镜头，以使相机模块 222能够捕捉在装置200一侧的图像并且将这些图像的视图呈现给定位在装置200另一侧的用户。
装置200可进一步包括用户识别模块(UIM)224。UIM 224可为具有内置处理器的存储装置。UIM 224可包括，例如，用户识别模块(SIM)、通用集成电路卡(UICC)、通用用户识别模块(USIM)、可移动用户识别模块(R-UIM)或其它智能卡。UIM 224通常存储涉及移动用户的信息元素。除UIM 224以外，装置200可配备存储器。例如，装置200可包括易失性存储器226，如包括暂时存储数据的缓存区域的易失随机存取存储器(RAM)。装置200还可包括其它可嵌入和/或可移除的非易失性存储器228。另外或作为替代方案，非易失性存储器228可包括电可擦除可编程只读存储器(EEPROM)、闪速存储器、硬盘驱动器等。这些存储器可存储任意条信息和数据，该存储器被装置200用于实现装置200的功能。
图3图示了根据示例实施例的用于活动识别的设备300。用于活动识别的设备300可用于例如图2的装置200中。然而，应注意，设备300还可在各种其它的移动和固定装置上，因此，实施例不应限于应用在装置上，如图2的装置200。作为替代方案，实施例可用在装置(包括：例如，上面列举出的装置)的组合中。各种实施例可整个体现为单个装置(例如，装置200)。还应注意，以下描述的某些装置或元件可以不是强制性的，因此，在某些实施例中，可以省略某些装置。
在一个实施例中，设备300包括至少一个处理器302和至少一个存储器304，或者设备300与至少一个处理器302和至少一个存储器304通信。至少一个存储器304的示例包括但不限于易失和/或非易失性存储器。易失性存储器的某些示例包括但不限于随机存取存储器、动态随机存取存储器、静态随机存取存储器等。非易失性存储器的某些示例包括但不限于硬盘、磁带、光盘、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、闪速存储器等。根据各种示例实施例，存储器304可配置为存储用于使设备300能够实现各种功能的信息、数据、应用、指令等。例如，存储器304可配置为缓冲采样信息，该采样信息包括基信息和用于通过处理器302进行处理的选择信息。另外或作为替代方案，存储器304 可配置为存储由处理器302执行的指令。
处理器302的示例可包括控制器308。处理器302可体现为若干不同的方式。处理器302可体现为多核处理器、单核处理器或多核处理器和单核处理器的组合。例如，处理器302可体现为一个或多个各种处理装置，如，协同处理器、微处理器、控制器、数字信号处理器(DSP)、带有或不带有DSP的处理电路系统；或体现为各种其它处理装置，其包括集成电路，诸如，例如，专用集成电路(ASIC)、现场可编程门阵列(FPGA)、微控制器单元(MCU)、硬件加速器、专用计算机芯片等。在一个示例实施例中，多核处理器可配置为执行存储在存储器304或其它可访问处理器 302中的指令。作为替代方案或另外，处理器302可配置为执行硬编码功能。同样地，不论处理器302通过硬件或软件方法配置还是通过硬件和软件方法的组合进行配置，处理器302一旦配置好，便可表示能够根据各种实施例运行的实体(例如，物体嵌入电路系统中的实体)。例如，如果处理器302体现为两个或多个ASIC、FPGA等，那么处理器302可为具体配置的用于进行本文所述操作的硬件。作为替代方案，如另一示例，如果处理器302体现为软件指令的执行器，那么，当指令被执行时，指令可将处理器302具体配置为进行本文所述算法和/或操作。然而，在某些情况下，处理器302可以是具体装置的处理器，例如，是用进行本文所述算法和/ 或操作的指令对处理器302进行进一步配置来采用实施例的移动终端或网络装置。除了其它之外，处理器302可包括时钟、算数逻辑单元(ALU) 和配置为支持处理器302运行的逻辑门。
用户接口306可与处理器302进行通信。用户接口306的示例包括但不限于输入接口和/或输出用户接口。输入接口配置为接收用户输入的指示。输出接口向用户提供可听见的、可视的、机械的或其它的输出和/ 或反馈。输入接口的示例可包括但不限于键盘、鼠标、操纵杆、小键盘、触摸屏、软键等。输出接口的示例可包括但不限于显示器，如发光二极管显示器、薄膜晶体管(TFT)显示器、液晶显示器、有源矩阵有机发光二极管(AMOLED)显示器、麦克风、扬声器、响铃、振动器等。在一个示例实施例中，用户接口306可包括：除了其它装置或元件之外，扬声器、麦克风、显示器、键盘、触摸屏等中的任意一个或所有。就此而言，例如，处理器302可包括用户接口电路系统，该用户接口电路系统配置为至少控制用户接口306的一个或多个元件(诸如，例如，扬声器、响铃、麦克风、显示器等)的某些功能。处理器302和/或包括处理器302的用户接口电路系统可配置为通过计算机程序指令控制用户接口 306的一个或多个元件的一个或多个功能，这些计算机程序指令例如是存储在存储器(例如，至少一个存储器304等)上可访问处理器302的软件和/或固件。
在一个示例实施例中，设备300可包括电子装置。电子装置的某些示例包括通信装置、媒体捕获装置、具有通信能力的媒体捕获装置、计算装置等。通信装置的某些示例可包括移动电话、个人数字助理(PDA) 等。计算装置的某些示例可包括笔记本电脑、个人计算机等。在一个示例实施例中，电子装置可包括用户接口，例如，具有用户接口电路系统的UI206和用户接口软件，该用户接口软件配置为使用户能够通过使用显示器控制电子装置的至少一种功能并且进一步配置为响应用户输入。在一个示例实施例中，电子装置可包括配置为显示电子装置的用户接口的至少一部分的显示器电路系统。显示器和显示器电路系统可配置为使用户以能够控制电子装置的至少一种功能。
在一个示例实施例中，电子装置可体现为包括收发器。该收发器可为任何根据软件运行的或者体现为硬件或硬件和软件的组合的装置或电路系统。例如，在软件控制下运行的处理器302，或者，体现为具体配置为进行本文所述操作的ASIC或FPGA或其组合的处理器302，这些处理器使设备或电路系统配置为执行收发器的功能。收发器可配置为从一个或多个传感器接收采样数据。
这些组件(302-306)可经由集中式电路系统308彼此通信。集中式电路系统308可配置为：除了其它以外，在设备300的组件(302-306) 之间提供通信或使其进行通信。在某些实施例中，集中式电路系统308 可为中英印刷电路板(PCB)，如母板、主板、系统板或逻辑板。集中式电路系统308还可(或作为替代方案)包括其它的印刷电路总成(PCA) 或通信信道介质。
在一个示例实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300对活动进行活动识别。在一个示例实施例中，该活动可为人类活动。例如，该活动可为行走、慢跑、跑步、爬上、爬下等。在不限制本公开的范围的情况下，设备300 可识别各种其它现实世界中的活动。
在一个示例实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300生成与空间相关的基矩阵。在一个实施例中，基矩阵可为完整基矩阵。完整基矩阵可配置为跨越整个空间，这样，空间上的任何向量可均写为n个基向量的线性组合。在一个实施例中，可调整完整基矩阵的尺寸。在一个实施例中，基矩阵可通过提供均匀分布在区间[-1,1]中的随机数的随机数发生器而生成。为了使n个向量的集合进入完整基，可使随机生成的向量正交化。在一个示例实施例中，基于QR分解法，可生成正交的随机矩阵，其中，矩阵分解为正交矩阵(Q)和上三角矩阵(R)的产品。在一个示例实施例中，基于Gram-Schmidt算法，可使随机生成的向量正交化。该基对应正交的方阵。在一个实施例中，处理装置可配置为生成完整基的矩阵。处理装置的示例可包括处理器302，该处理器302可为控制器208的示例。
在一个示例实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300向一个或多个传感器发送采样信息，用于促进一个或多个传感器生成采样数据。在一个实施例中，采样信息包括基矩阵和用于选择基矩阵子集的选择信息。基矩阵的子集可包括基向量集合，该组基向量可被一个或多个传感器用来生成采样数据。在一个实施例中，处理装置可配置为向一个或多个传感器发送采样信息。处理装置的示例可包括处理器302，该处理器302可为控制器208 的示例。在一个实施例中，采样信息可通过无线链路发送至一个或多个传感器。
在一个实施例中，一个或多个传感器可配置为基于基矩阵和选择信息接收基矩阵并且处理活动数据。基于活动数据的处理，一个或多个传感器可配置为生成采样数据。在一个实施例中，可基于活动数据的压缩采样生成采样数据。参见图4和图5，进一步解释了用于生成采样数据的一个或多个传感器的说明和功能。
在一个示例实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300从一个或多个传感器接收与活动相关联的采样数据。在一个实施例中，设备300配置为接收采样数据，直到接收到一帧采样数据。在一个实施例中，帧尺寸可约为0.1s-10s。在一个实施例中，如果多个传感器向设备300正发送各自的采样数据至设备300，那么从多个传感器接收到的采样数据可按照各自在设备300 上的接收顺序进行排列。参见图6进一步更详细地解释了从一个或多个传感器接收到的采样数据的排列。
在一个实施例中，设备300配置为基于一个或多个传感器所发送的采样数据对活动进行分类。在一个实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300对采样数据应用分类规则。在一个实施例中，用于监督学习的分类规则/模式可通过利用带标记的活动数据进行训练。在一个实施例中，带标记的活动数据可基于随机投影中用到的采样信息而产生。在一个实施例中，带标记的训练集可表现在用于在一个或多个传感器处对活动数据进行采样的基中。在一个实施例中，分类规则可利用二次判别机制、支持向量机、判定树、神经网和用于带标记的活动数据的玻尔兹曼机机制的其中之一。
在另一实施例中，训练集中的标记最初(例如，在“出厂设置”时) 可以提供在基中，从该完整基很容易计算出任何不完整基中的训练集，诸如用于对活动数据进行压缩采样的训练集。在另一实施例中，可从其它感官数据推导出与训练集相关联的标记。例如，当在完整基中对活动数据进行采样时，标记对部分活动数据是可用的。标记可用于生成包括额外传感器的不完整(投影)数据的训练集。在又一实施例中，标记可基于无监督学习得到。例如，并且可以通过向用户“询问”信息生成多个识别簇(例如，k-均值算法)并且得到标记。例如，响应于运动活动的检测，可发出如“你在跑步吗？”这样的询问。
在一个实施例中，处理装置可配置为基于采样数据和分类规则对活动进行分类。处理装置的一个示例可包括处理器302，该处理器302可为控制器208的示例。活动数据的分类可提供活动分类(例如，跑步、坐、行走等)作为输出。在本文中要理解，可直接利用采样数据进行分类，不需要对采样数据进行解压缩。直接利用采样数据(不解压缩)的优势在于：减小了数据解压缩的计算能力。
在一个示例实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300对活动被分类到的第一标记进行存储。在一个实施例中，存储器装置可配置为存储第一标记。处理装置的示例可包括存储器装置304，该存储器装置304可为非易失性存储器228的示例。
在一个实施例中，分类的输出可包含在一个或多个传感器获取活动数据时对活动数据进行测量中存在的噪音所引起的误差。在一个实施例中，采样数据中的误差可将活动分类到错误标记中。在一个实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300确定与活动数据分类相关联的误差。在一个实施例中，由于用户进行的活动在极短时间(例如，秒)内不会发生大幅波动，所以分类输出的输出变化可以用于检测分类中出现的任何误差。在一个实施例中，处理装置可配置为确定与采样数据相关联的误差。处理装置的示例可包括处理器302，该处理器302可为控制器208的示例。
在一个实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300对分类的输出进行误差校正。在一个示例实施例中，误差校正机构可包括多数表决。要理解，某些其它复杂相关性也可用于对分类输出进行误差校正。在一个实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300将采样数据中的误差与阈值误差进行比较。在一个实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300基于误差和阈值误差的比较，更新或保持采样信息。在一个实施例中，阈值误差可预先设置在设备300中。
在一个实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300在确定误差小于阈值误差时通过保持选择信息中基向量数量和基尺寸的值来保持采样信息。
在一个实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300在确定误差大于或等于阈值误差时通过增加与完整基矩阵子集相关的基向量数量来更新采样信息。
在一个实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300在对基尺寸进行阈值次数的更新期间，在确定误差大于或等于阈值误差时，通过增加与完整基矩阵子集相关的基向量数量来更新采样信息。在一个实施例中，处理器302 配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300在确定误差小于阈值误差时，通过减小与选择信息相关的基向量数量和基尺寸中的值来更新采样信息。
在一个示例实施例中，处理器302配置为：利用存储器304的内容，可选地利用本文所述的其它组件，使设备300在确定误差大于或等于阈值误差时，对活动进行再分类。在一个实施例中，通过利用更新的采样信息对活动进行再分类。在一个示例实施例中，处理装置可配置为：基于误差和阈值误差的比较，更新或保持采样信息。处理装置的示例可包括处理器302，该处理器302为控制器208的示例。
图4图示了根据示例实施例的用于活动识别的设备400。用于活动识别的设备400可用于配置为感测用户活动的装置。例如，设备400可用于各种传感器。在一个示例实施例中，设备400可用于附接至用户身体的可穿戴传感器，以测量如运动、位置、温度、心电图(ECG)等感兴趣的属性。各种实施例可整体用于单个装置或装置的组合中。还应注意，还应注意，以下描述的某些装置或元件可以不是强制性的，因此，在某些实施例中，可以省略某些装置。
在一个实施例中，设备400包括至少一个处理器404和至少一个存储器406，或者设备400与至少一个处理器404和至少一个存储器406 通信。至少一个存储器406的示例包括但不限于易失和/或非易失性存储器。易失性存储器的一些示例包括但不限于随机存取存储器、动态随机存取存储器、静态随机存取存储器等。非易失性存储器的一些示例包括但不限于硬盘、磁带、光盘、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、闪速存储器等。存储器406可配置为存储用于使设备400能够实现各种功能的信息、数据、应用、指令等。例如，存储器406可配置为缓冲采样信息，该采样信息包括基信息和用于通过处理器404进行处理的选择信息。另外或作为替代方案，存储器 406可配置为存储由处理器404执行的指令。
处理器404可体现为若干不同的方式。处理器404可体现为多核处理器、单核处理器或多核处理器和单核处理器的组合。例如，处理器404 可体现为一个或多个各种处理装置，如，协同处理器、微处理器、控制器、数字信号处理器(DSP)、带有或不带有DSP的处理电路系统；或体现为各种其它处理装置，其包括集成电路，诸如，例如，专用集成电路(ASIC)、现场可编程门阵列(FPGA)、微控制器单元(MCU)、硬件加速器、专用计算机芯片等。在一个示例实施例中，多核处理器可配置为执行存储在存储器406或其它可访问处理器404中的指令。作为替代方案或另外，处理器404可配置为执行硬编码功能。同样地，不论处理器404通过硬件或软件方法配置还是通过硬件和软件方法的组合进行配置，处理器404一旦配置好，便可表示能够根据各种实施例运行的实体(例如，物体嵌入电路系统中的实体)。例如，如果处理器404具体化为两个或多个ASIC、FPGA等，处理器404可具体配置用于进行本文所描述的运行的硬件。或者，如另一示例，如果处理器404具体化为软件指令的执行器，当指令被执行时，指令可具体配置处理器404以进行本文所描述的算法和/或运行。然而，在某些情况下，处理器404可以是专用装置的处理器，例如，适应于通过指令，通过处理器404的进一步配置用于采用实施例，用于进行本文描述的算法和/或运行的移动终端或网络装置。除了其它之外，处理器404可包括时钟、算数逻辑单元(ALU) 和配置为支持处理器404运行的逻辑门。
在一个实施例中，采用了设备400的一个或多个传感器可配置为感测人类活动。在一个实施例中，除了处理器404和存储器406之外，设备400可包括传感元件402、无线链路模块4141和活动类别模块416。在一个实施例中，处理器可进一步包括模数转换器410、随机数发生器 408和投影采样模块412。在一个实施例中，传感元件402配置为对活动进行感测。在一个实施例中，A/D转换器410与传感元件402耦合，并且配置为对由传感元件402感测到的活动数据进行模数转换。在一个实施例中，A/D转换器410的输出可用于对活动数据进行采样。在一个实施例中，A/D转换器的输出可存储在存储器中，例如设备400的存储器 406。在一个实施例中，A/D转换器410的输出可存储在存储器406中，直到得到长度为N的与活动数据相关联的数据向量。
如上所述，可以将活动数据从模拟域转换为数字域，以便进行随机采样。作为替代方案，可以在模拟域中进行随机采样，例如，通过利用可编程放大器和积分电路。
在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400基于由装置，例如，装置200 (如图2所解释的)发送的采样信息对活动数据进行随机采样。在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400从设备300接收采样信息。在一个实施例中，采样信息包括基矩阵以及用于选择至少一个基矩阵子集的选择信息。在一个实施例中，基矩阵的子集可包括随机选择的基向量的集合，活动数据遵循该集合被采样以生成采样数据。在一个实施例中，基矩阵可为完整基矩阵，其中，基向量可跨越整个预定义空间，而非预定义子空间的子空间。在一个实施例中，采样信息的完整基矩阵可为NXN矩阵。在一个实施例中，处理装置可配置为从设备300接收采样信息。采样装置的示例可包括处理器404。
在一个实施例中，处理器404进一步配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400对从设备300接收到的采样信息进行存储。在一个实施例中，存储器装置可配置为对从设备 300接收到的采样信息进行存储。存储器装置的示例可包括存储器406。
在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400至少基于采样信息和采样准则对与活动相关联的活动数据进行压缩采样，以生成与活动相关联的采样数据。在一个实施例中，采样准则可包括选择不相干基，用于对活动数据进行压缩采样。
在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其他分量，使设备400基于选择信息选择基矩阵的子集。例如，可以从基矩阵(尺寸为NXN)中随机选择M个基向量的子集，以便形成MXN采样矩阵。MXN采样矩阵可表示为‘A’。在一个示例实施例中，处理装置可以配置为基于采样信息随机选择基向量的集合。处理装置的示例可包括处理装置，例如，随机数发生器408。
在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400遵循随机选择出来的基向量的集合对活动数据进行压缩采样，并且作为响应生成采样数据。在一个示例实施例中，为了遵循基向量的集合对活动数据进行采样，处理器配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400将数据向量(x)乘以采样矩阵A得到长度为M的样本向量(y)。在一个实施例中，处理装置可配置为将数据向量乘以采样矩阵A得到长度为M的样本向量。处理装置的示例可包括投影采样模块412。可以基于以下表达式生成采样数据：
y＝ATx，其中，A表示NXM采样矩阵，该采样矩阵的列为(正交) 基向量，
x表示N维未压缩数据向量。
在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400向设备(例如，设备300)发送采样数据，用于促进对活动进行标记。在一个实施例中，设备400可向设备300发送采样数据，直到向设备300发送了一帧采样数据。在一个示例实施例中，帧尺寸可以约为0.1s-10s。在一个实施例中，采样数据可以通过无线链路414发送至设备300。
在一个实施例中，设备400可以向设备300发送采样数据。设备400 的运行模式(在该模式下，设备配置为仅发送采样数据)可以称为“无标记模式”。在另一实施例中，设备400可向设备300发送用户选择标记。在一个实施例中，设备400可包括用于从用户接收与标记相关的用户输入的用户接口。例如，用户可以利用活动类别模块416输入标记。活动类别模块416可与无线链路模块414耦合，用于促进向设备200发送由用户提供的活动类别。如本文所公开的，设备400的运行模式(在该模式下，设备配置为向装置300发送标记和采样数据)可以称为“带标记模式”。
如已经参见图3所述，设备300可利用采样数据对待分配给活动的标记进行分类。另外，设备300可确定采样数据中的误差。在一个实施例中，当确定采样数据中的误差大于阈值误差时，设备300配置为对选择信息进行更新，并且将更新的选择信息重新发送至设备400。
在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400从设备300接收更新的采样信息。在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400至少基于更新的选择信息对活动数据进行压缩采样以便生成更新的采样数据。在一个实施例中，可以生成采样数据相似的方式生成更新的采样数据。在一个实施例中，处理器404配置为：利用存储器406的内容，可选地利用本文所述的其它组件，使设备400向设备300发送更新的采样数据，用于促进对活动进行再标记。在一个实施例中，无线链路模块410可配置为向设备300 发送更新的采样数据。
如前所述，在一个实施例中，设备400可包括传感元件402、处理器 404、存储器406、无线链路模块414和活动类别模块416。在一个实施例中，处理器404可包括A/D转换器410、随机数发生器408和投影采样模块412。在替代实施例中，设备400可包括实现了用于A/D转换器、传感元件、随机数发生器和投影采样模块的模块的集成硬件解决方案，替代了上面提到的独立存在的模块，所以不需要独立存在的模块。例如，设备400可包括智能传感器，在这类智能传感器中，模拟或混合信号电路系统与传感器读出电子装置组合在一起。
图5图示了根据示例实施例的对活动数据进行压缩采样以便实现活动识别的示例。在一个示例实施例中，为了进行压缩采样，对活动数据 502进行模数转换，并且生成与活动数据502相关的数据向量504。在一个实施例中，可以遵循随机选择出来的基向量对数据向量504进行采样。
在一个实施例中，可以遵循基向量(例如，基向量506-508)的集合对数据向量，诸如长度为N(例如，在时域中)的数据向量504，进行投影。在一个实施例中，可以基于从设备300接收到的采样信息随机选择基向量的集合。在另一实施例中，可以随机选择基向量的集合并且使其正交化。在一个示例实施例中，可以基于Gram-Schmidt过程使基向量的集合正交化。
在如图5所图示的示例实施例中，可以将采样矩阵中随机选择的基向量506、508的集合乘以数据向量504得到样本，诸如样本510、512。假设x表示N维未压缩数据向量，A表示NXM采样矩阵，该采样矩阵的列为(正交)基向量。则，采样数据为M维向量y，满足下式：
y＝ATx。
在一个示例实施例中，基向量，诸如基向量506、508，可包括多个非零的实值条目。在这种情况下，可以通过计算组件的总数得到样本。在一个示例实施例中，列向量可以用作采样向量。
图6是图示了根据实施例的采样数据的传输序列。如前所述，可以将采样数据610(表示为y)传输或发送至设备300，以便促进学习和活动识别。在一个实施例中，可以基于从多个传感器接收到的采样数据进行活动识别，这些传感器可以配置为以不同的采样率感测不同的数量。例如，加速计和指南针中采用的传感器可分别促进加速计数据和指南针方位数据的感测。可以通过不同的传感器感测加速计数据和指南针方位数据，并且随后对其进行采样。在一个实施例中，从多个向量yi(例如， 612、614、616、618)接收到的活动数据可以生成数据集，该数据集可以表示为：
{yi,i＝1,…,M}
在一个实施例中，在进行随机投影之前，可以将从多个传感器接收到的活动数据设置在向量中。例如，在对活动数据进行随机投影之前，可以将与数据集610相关的数据设置在向量620中。例如，如图6所图示，可以接收来自向量612、614、616的数据，并且分别将其存储在向量620的位置622、624、626处。在一个实施例中，可以将数据顺序地设置在向量620中，即，按照在设备300中从各自的传感器接收数据的顺序。
图7是描绘了根据示例实施例的用于活动识别的示例方法700的流程图。该流程图中描绘的方法700可以由例如图3的设备300执行。在一个实施例中，该方法可由与一个或多个传感器可通信耦合的装置执行。在一个实施例中，该装置可为移动电话、PDA、笔记本电脑等。
在一个实施例中，设备300可配置为基于从一个或多个传感器接收到的采样数据对由用户进行的“活动”进行识别。在一个实施例中，该活动可包括：行走、慢跑、跑步以及任何其它由用户进行的运动或移动现象。在一个实施例中，该活动可以通过一个或多个传感器感测。例如，一个或多个传感器可捕获与活动相关的活动数据，并且对活动数据进行处理以生成采样数据。在一个实施例中，可以基于可由设备300发送至一个或多个传感器的采样信息，通过一个或多个传感器生成采样数据。在一个实施例中，采样信息包括基矩阵以及用于选择至少一个基矩阵子集的选择信息。在一个实施例中，基矩阵可为完整基矩阵，其中，基向量可跨越整个预定义空间，而非预定义子空间的子空间。
在框702中，方法700包括在设备300中从一个或多个传感器接收与活动相关联的采样数据。在一个实施例中，可以通过包含设备400(如图4中所解释)的一个或多个装置将采样数据发送至设备300。在一个实施例中，体现设备400的装置示例可包括传感器，诸如加速计、气压计、指南针等。在框704中，可以至少基于采样数据对活动进行分类。在一个实施例中，对活动进行分类可包括：为活动分配标记。在一个实施例中，可以基于分类原则或模型对活动进行分类。例如，可以基于二次判别分析对采样数据进行分类。在另一实施例中，可以基于分类原则以及用户输入对采样数据进行分类。在一个实施例中，可以通过一个或多个传感器发送用户输入。
在一个实施例中，在装置中接收到的采样数据可包括由于与一个或多个传感器相关的噪声所导致的误差。在一个实施例中，采样数据中的误差可引起活动的错误分类。在框706中，可以确定活动分类中的误差。在一个实施例中，由于用户活动在极短时间(秒)内可以保持基本相同 (即，不发生波动)，所以活动分类的输出变化可以作为误差确定的一种措施。因而，在该短时段内的不同时间情况下，可以对采样数据进行阈值次数的计算，并且通过为采样数据分配标记而对其进行分类。如果在分类期间检测到了活动分类存在变化，那么可以认为该活动分类不正确。
在一个实施例中，可以计算分类的误差并将其与阈值误差进行比较。在一个实施例中，阈值误差可以预先设置在设备400中。在一个实施例中，基于误差和阈值误差的比较，可以更新或保持采样信息(框708)。例如，在检测到分类中不存在任何误差时，可以保持或减少采样信息中向量的数量。在一个实施例中，可以通过减少采样矩阵中向量的数量来减小采样矩阵的尺寸。在替代实施例中，如果确定采样矩阵的尺寸已经为最小允许尺寸，那么可以保持采样矩阵的尺寸。在一个实施例中，矩阵的最小允许尺寸可以预先设置在设备400中。
在一个实施例中，在确定误差大于或等于阈值误差时，可以对采样数据进行误差校正。误差校正方法的示例包括但不限于多数表决等。在一个示例实施例中，在确定误差大于或等于阈值误差时，可以对采样信息进行更新。例如，基于确定的误差大于阈值误差，可以增加基向量的数量。另外或者可选地，如果确定先前预定次数进行的分类误差大于阈值误差，那么可以增加采样信息中基矩阵的尺寸。例如，如果在上一个十次分类期间确定误差大于或等于阈值误差，那么可以增加完整基矩阵的尺寸。
在一个示例实施例中，处理装置可以配置为进行以下步骤中的某些或全部步骤：在装置上从无线耦合至该装置的一个或多个传感器接收与活动相关联的采样数据，该采样数据基于对与活动相关联的活动数据进行压缩采样而在一个或多个传感器处生成，该压缩采样基于采样信息而进行；至少基于采样数据对活动进行分类；确定活动分类的误差；基于误差与阈值误差的比较更新或保持采样信息。该处理装置的示例可包括处理器302，该处理器302可以是控制器208的示例。
图8是描绘了根据示例实施例的用于活动识别的示例方法800的流程图。该流程图中描绘的方法800可以由例如图4的设备400执行。例如，该方法可由包括设备400的可穿戴传感器执行。这些传感器可附接至用户身体以便测量用户活动的活动数据。在一个实施例中，活动数据可包括诸如运动、位置、温度、ECG等属性。在一个实施例中，体现设备400的装置示例可包括传感器，诸如加速计、气压计、指南针等。
在框802中，该方法包括：在设备(例如，设备400，如图4中所解释)处从与设备400无线耦合的另一设备(例如，设备300，如图3中所解释)接收采样信息。在本文中，设备400可体现为传感器。因而，可以将设备400当作传感器来解释对方法800的说明，反之亦然。在一个实施例中，采样信息包括基矩阵以及用于选择至少一个基矩阵子集的选择信息。在一个实施例中，基矩阵可为完整基矩阵，其中，基向量可跨越整个预定义空间，而非预定义子空间的子空间。在一个实施例中，采样信息的完整基矩阵可为NXN矩阵。
在框804中，可以至少基于采样信息和采样准则对活动数据进行压缩采样。在一个实施例中，可以进行压缩传感以生成与活动相关联的采样数据。在一个实施例中，采样准则可包括选择不相干基，用于进行压缩采样。在一个实施例中，可以基于选择信息选择完整基矩阵的子集。例如，可以从完整基矩阵中选择M个基向量的集合，以便形成MXN采样矩阵。MXN采样矩阵可表示为‘A’。在一个实施例中，通过基于采样信息对活动数据和可以随机选择出来的基向量的集合进行压缩采样，可以生成采样数据。例如，长度为N(例如，在时域中)的数据向量(x) 可遵循基向量集合投影。可以基于以下表达式生成采样数据：
y＝ATx，其中，A表示NXM采样矩阵，该采样矩阵的列为(正交) 基向量，
x表示N维未压缩数据向量。
在框806中，可以将采样数据发送至设备(例如，设备300)，用于促进对活动进行标记。在一个实施例中，可以将采样数据发送至设备，直到在设备中可以接收到一帧采样数据为止。在一个示例实施例中，帧尺寸可以约为0.1s-10s。在一个实施例中，可以通过无线链路将采样数据发送至设备300。
图9是描绘了根据示例实施例的用于活动识别的示例方法900的流程图。该流程图中描绘的方法900可以分别由例如图3和图4的设备300 和400执行。流程图中的操作及流程图中操作的组合可通过各种装置实施，比如，硬件、固件、处理器、电路系统和/或与软件(包括一个或多个计算机程序指令)的执行相关的其它装置。例如，多个实施例中描述的一个或多个过程可体现为计算机程序指令。在一个示例实施例中，多个实施例中描述的体现了这些过程的计算机程序指令可通过设备的至少一个存储器装置存储并且由该设备中的至少一个处理器执行。任意这种计算机程序指令可加载在计算机或其它可编程设备(例如，硬件)上以制成机器，从而使产生的计算机或其它可编程设备体现出用于实施流程图中指定的操作的装置。这些计算机程序指令还可存储在可引导计算机或其它可编程设备以一种特别的方式运行的计算机可读存储器中(不同于传输介质，诸如载波或电磁信号)，从而使存储在计算机可读存储器中的指令制成成品，该成品的执行实施了流程图中指定的操作。计算机程序指令还可加载在计算机或其它可编程设备处，以使在计算机或其它可编程设备处进行的一系列操作产生计算机实现过程，从而使在计算机或其它可编程设备处执行的指令提供用于实施流程图中指定操作的操作。分别在图3和图4中的设备300和400的帮助下对方法900的操作进行描述。然而，可以利用任何其它的设备对该方法的操作进行描述和/或实践。
方法900提供了用于在基于情境感知的应用中进行活动识别的步骤。可以用于活动感知的活动示例可包括行走、慢跑、跑步等。在一个实施例中，一个或多个传感器可获取并处理与用户活动相关的数据。在一个实施例中，一个或多个传感器可体现为一个或多个可穿戴装置，该可穿戴装置可附接至用户身体以便通过测量与活动识别相关的各种属性来获取活动数据。例如，一个或多个传感器可配置为测量活动识别所需的运动、位置、温度、湿度、音频电平和其它此类属性。在一个实施例中，一个或多个传感器可对获取到的数据进行处理，并且将处理后的活动数据发送至设备300。在一个实施例中，设备300可体现为装置，例如，装置200(如参见图2所解释)。装置200可利用处理后的活动数据对用户的“活动”进行分类。可以利用与用户活动有关的信息提供依赖于活动的用户体验。
在方法900的框902中，可以在装置(例如，装置200)中计算采样信息的基矩阵。在一个实施例中，采样信息可包括基矩阵以及用于选择至少一个基矩阵子集的选择信息。在实施例中，采样信息可以存储在例如设备300的存储器中。在框904中，可以将采样信息发送至一个或多个设备，例如，设备400(如参见图3所解释)。在一个实施例中，一个或多个设备300可包括一个或多个传感器。在一个实施例中，一个或多个设备300可以与装置200通信耦合。在一个实施例中，一个或多个传感器可以通过无线链路与设备300耦合。
在框906中，一个或多个传感器可接收基矩阵。在框908中，一个或多个传感器可存储基矩阵。在一个实施例中，一个或多个传感器可将基矩阵存储在存储器中，例如，存储器(406)(参见图4)。
在框901中，装置200可向一个或多个传感器发送选择信息，以便选择基矩阵的子集。在一个实施例中，选择信息包括用于选择完整基矩阵的子集的指令。在一个实施例中，指令可包括：可以从完整基矩阵中选择出来的一个或多个基向量和基尺寸。
在框912中，对与用户活动相关联的活动数据进行采样。在一个实施例中，在一个或多个传感器中对活动数据进行采样。在一个实施例中，至少基于完整基矩阵和从装置200接收到的选择信息对活动数据进行采样。在一个实施例中，可以通过利用不相干基，基于压缩采样进行采样。
在一个实施例中，可以基于采样信息对活动数据和可以随机选择出来的基向量的集合进行采样。长度为N(例如，在时域中)的数据向量 (表示为x)可遵循基向量的集合投影。参见图5，解释了遵循随机选择的基向量的集合对数据向量进行的投影。
y＝ATx，其中，A表示NXM采样矩阵，该采样矩阵的列为(正交) 基向量，x表示与活动数据相关的N维未压缩数据向量。
在框914中，可以通过一个或多个传感器将采样数据发送至装置。在一个实施例中，采样数据可促进在装置中对活动进行标记。在框916 中，可以通过一个或多个传感器在装置中接收采样数据。在框918中，可以至少基于采样数据和分类规则对活动进行分类。在一个实施例中，对活动进行分类可包括：为活动分配标记。在一个实施例中，分类规则可包括模型，该模型包括带标记样本的训练集。在一个示例实施例中，具有标记的训练集可以表示在用于在一个或多个传感器中对活动数据进行采样的基中。在另一示例实施例中，训练集中的标记最初(例如，在“出厂设置”时)可以提供在完整基中，从该完整基很容易计算出任何不完整基中的训练集，诸如用于对活动数据进行压缩采样的训练集。在另一实施例中，可从其它感官数据推导出与训练集相关联的标记。在又一示例实施例中，可以基于无监督学习获得标记。例如，可以通过向用户“询问”信息生成多个识别簇(例如，k-均值算法)并且得到标记。
在一个实施例中，从一个或多个传感器输出的采样数据可包括由于一个或多个传感器观察到的活动数据中的噪声或微小扰动导致的误差。由于用户进行的活动在极短时间(例如，秒)内不会发生大幅波动，所以分类输出的输出变化可以用于检测分类中出现的任何误差。在框920 中，可以确定采样数据中的误差。在一个示例实施例中，可以对分类的输出进行误差校正。在一个示例实施例中，误差校正机构可包括多数表决。要理解，也可以利用某些其它复杂相关性来对分类输出进行误差校正。
在框922中，确定对活动进行分类的误差是否大于阈值误差。在一个实施例中，在对活动数据进行采样之前，可以使阈值误差固定。在一个实施例中，在检测到分类中不存在任何误差时，可以保持或减少与采样信息相关的向量的数量。在一个实施例中，可以通过减少采样矩阵中向量的数量来减小采样矩阵的尺寸。在替代实施例中，如果确定采样矩阵的尺寸已经为最小允许尺寸，那么可以保持采样矩阵的尺寸，如框924。在一个实施例中，矩阵的最小允许尺寸可以预先设置在装置中。
在一个实施例中，在确定误差大于或等于阈值误差时，可以更新压缩采样度量(框926)。例如，可以基于确定的大于阈值误差的误差数量，增加向量的数量。另外或者可选地，如果确定先前预定次数的误差大于阈值误差，那么可以增加与采样信息相关联的基矩阵的尺寸。
在框928中，可以将更新的选择信息发送至一个或多个传感器，以便选择至少一部分采样信息。在一个实施例中，基于更新的选择信息而选择的至少这部分采样信息与先前用于生成采样数据的采样信息的子集不同。在一个实施例中，基于更新的选择信息而选择的至少一部分采样信息可以用于对活动进行再分类。
为了便于论述图7、图8和图9中的方法700、800和/或900，本文描述了某些操作，作为构成按照特定顺序进行的不同步骤。这类实施方式是示例性的，并且是非限制性的。某些操作可以分组在一起并且作为一个操作进行，某些操作可以按照与本文前述示例中采用的顺序不同的顺序进行。此外，方法700、800和/或900的某些操作按照自动方式进行。这些操作基本上不涉及与用户互动。方法700、800和/或900的其它操作可以按照手动方式或半自动方式进行。这些操作涉及经由一个或多个用户接口表现层与用户进行互动。
在不以任何形式限制下文出现的权利要求书的范围、解释或申请的情况下，本文所公开的一个或多个示例实施例的技术效果为进行活动识别。如图1至图9所解释，本文所公开的实施例提供了用于进行活动识别的方法和装置。在多个实施例中，装置(诸如，分布式传感器)可以配置为获取数据并且对获取到的数据进行处理。可以基于压缩采样对获取到的数据进行处理。可以将处理后的数据(或者，采样数据)无线发送到装置(例如，智能手机)。该装置直接利用采样数据对用户的“活动”进行分类。在一个实施例中，然后可以将活动信息用于提供依赖于活动的用户体验。本文所公开的方法和装置是有利的，这是由于可以直接利用采样数据来进行活动识别，从而不需要解压缩。另外，由于可以直接利用采样数据进行活动识别，所以本文所公开的方法和装置使带宽要求变低并且功耗更低。同样，由于在无线装置对数据进行了压缩采样，所以数据可以低成本传输并且存储在中央装置上。进一步地，采用“随机采样”保证了一定程度的隐私，这是因为很难在不知道采样基的情况下从数据推断出一切。有关需要使用的基的信息可以仅存储在用户的装置或其它安全存储器上。在一个实施例中，甚至可以在低于解压缩阈值的情况下进行分类。此外，活动数据自动进行降维步骤，该步骤有利于分类/机器学习。
上述的多个实施例可以在软件、硬件、应用逻辑或者在软件、硬件和应用逻辑的组合中实施。软件、应用逻辑和/或硬件可以位于至少一个存储器、至少一个处理器、装置或计算机程序产品上。在一个示例实施例中，应用逻辑、软件或指令集保持在多种传统的计算机可读介质中的任意一种上。在本文件的情境中，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输由指令执行系统、设备或装置(诸如，计算机)使用的或者可以与令执行系统、设备或装置(诸如，计算机) 一起使用的指令的介质或装置，图3和/图4中描述并且描绘了设备的一种示例。计算机可读介质可包括计算机可读存储介质，该计算机可读存储介质可以是任何可以包含或存储由指令执行系统、设备或装置(诸如，计算机)使用的或者可以与令执行系统、设备或装置(诸如，计算机) 一起使用的指令的介质或装置。在一个示例实施例中，计算机可读介质可以是非临时性的。
若需要，本文所论述的不同功能可以按照不同的顺序进行并且/或者同时进行。而且，若需要，上述功能中的一种或多种功能可以是可选的，也可以组合在一起。
虽然在独立权利要求项中陈述了实施例的多个方面，但是其它方面包括了所述实施例和/或附属权利要求项中的特征与独立权利要求项中的特征的组合，并不仅仅包括权利要求书中明确陈述的组合。
本文中还要注意的是，虽然上述内容对本发明的示例性实施例进行了描述，但是这些说明不应该视为具有任何限制意义。相反，存在多种变化形式和修改，这些变化形式和修改是在不脱离由所附权利要求书所定义的本发明范围的情况下实现的。

Claims (54)

1.一种方法，其包括：
在设备处从无线耦合至所述设备的一个或多个传感器接收与人类活动相关联的采样数据，所述采样数据是基于在实施所述人类活动期间所感测的活动数据的压缩采样而在所述一个或多个传感器处生成的，所述压缩采样是基于采样信息而进行的；
至少基于所述采样数据对所述人类活动进行分类；
确定在对所述人类活动的分类的输出中的误差；以及
基于在对所述人类活动的分类的输出中的误差与阈值误差的比较，更新或保持所述采样信息。
2.如权利要求1所述的方法，其进一步包括：将所述采样信息发送至所述一个或多个传感器，以便促进所述一个或多个传感器生成所述采样数据。
3.如权利要求1或2所述的方法，其中，所述采样信息包括：基矩阵以及用于从所述基矩阵选择基尺寸和基向量集合的选择信息。
4.如权利要求1或2所述的方法，其进一步包括：在确定所述误差大于或等于所述阈值误差时，基于更新的采样信息，对所述人类活动进行再分类。
5.如权利要求3所述的方法，其中，更新所述采样信息包括：在确定所述误差大于或等于所述阈值误差时，增加与所述基向量集合相关的基向量数量。
6.如权利要求3所述的方法，其中，更新所述采样信息包括：在对所述基尺寸进行更新的阈值次数期间，在确定所述误差大于或等于所述阈值误差时，增加与所述基向量集合相关的所述基尺寸。
7.如权利要求3所述的方法，其中，更新所述采样信息包括在确定所述误差小于所述阈值误差时，减少以下中的至少一个：所述基向量集合的基向量数量和与所述选择信息相关的基尺寸。
8.如权利要求3所述的方法，其中，保持所述采样信息包括：在确定所述误差小于所述阈值误差时，保持所述基向量集合的基向量数量和与所述选择信息相关的基尺寸。
9.如权利要求1所述的方法，其中，对所述人类活动进行分类包括：基于分类规则进行分类。
10.如权利要求1所述的方法，其中，对所述人类活动进行分类包括：至少基于用户输入进行分类。
11.一种方法，其包括：
在传感器处从无线耦合至所述传感器的设备接收采样信息；
至少基于所述采样信息和采样准则对在实施人类活动期间所感测的活动数据进行压缩采样，以便生成与所述人类活动相关联的采样数据；以及，
将所述采样数据发送至所述设备，以便促进对所述人类活动进行分类。
12.如权利要求11所述的方法，其进一步包括：存储所述采样信息。
13.如权利要求11所述的方法，其中，所述采样信息包括：基矩阵以及用于从所述基矩阵选择基尺寸和基向量集合的选择信息。
14.如权利要求11所述的方法，其中，所述采样准则包括：选择进行压缩采样的不相干基。
15.如权利要求13所述的方法，其中，进行所述压缩采样包括：遵循所述基向量集合对所述活动数据采样，所述基向量集合是基于所述选择信息从所述基矩阵随机选择的。
16.如权利要求13或15所述的方法，其进一步包括：
在确定所述人类活动的所述分类的输出中存在误差时，接收更新的选择信息；
至少基于所述更新的选择信息和所述采样准则，对所述活动数据进行压缩采样，以便生成更新的采样数据；以及，
发送所述更新的采样数据，以便促进所述人类活动的再分类。
17.一种设备，其包括：
至少一个处理器；以及，
包括计算机程序代码的至少一个存储器，所述至少一个存储器和所述计算机程序代码配置为与所述至少一个处理器一起使所述设备至少进行：
在所述设备处从无线耦合至所述设备的一个或多个传感器接收与人类活动相关联的采样数据，所述采样数据是基于在实施人类活动期间所感测的活动数据的压缩采样在所述一个或多个传感器处生成的，所述压缩采样是基于采样信息而进行的；
至少基于所述采样数据对所述人类活动进行分类；
确定在对所述人类活动的分类的输出中的误差；以及
基于在对所述人类活动的分类的输出中的误差与阈值误差的比较，更新或保持所述采样信息。
18.如权利要求17所述的设备，其中，至少部分地，进一步使所述设备：将所述采样信息发送至所述一个或多个传感器，以便促进所述一个或多个传感器生成所述采样数据。
19.如权利要求17或18所述的设备，其中，所述采样信息包括：基矩阵以及用于从所述基矩阵选择基尺寸和基向量集合的选择信息。
20.如权利要求17或18所述的设备，其中，至少部分地，进一步使所述设备：在确定所述误差大于或等于所述阈值误差时，基于更新的采样信息对所述人类活动进行再分类。
21.如权利要求19所述的设备，其中，至少部分地，进一步使所述设备：在确定所述误差大于或等于所述阈值误差时，通过增加与所述基向量集合相关的基向量数量来更新所述采样信息。
22.如权利要求19所述的设备，其中，至少部分地，进一步使所述设备：在对所述基尺寸进行更新的阈值次数期间，在确定所述误差大于或等于所述阈值误差时，通过增加与所述基向量集合相关的基尺寸来更新所述采样信息。
23.如权利要求19所述的设备，其中，至少部分地，进一步使所述设备在确定所述误差小于所述阈值误差时，通过减少以下中的至少一个来更新所述采样信息：所述基向量集合的基向量数量和与所述选择信息相关的基尺寸。
24.如权利要求19所述的设备，其中，至少部分地，进一步使所述设备：在确定所述误差小于所述阈值误差时，通过保持所述基向量集合的基向量数量和与所述选择信息相关的基尺寸来保持所述采样信息。
25.如权利要求17所述的设备，其中，至少部分地，进一步使所述设备：基于分类规则，通过进行分类对所述人类活动进行分类。
26.如权利要求17所述的设备，其中，至少部分地，进一步使所述设备：至少基于用户输入，通过进行分类对所述人类活动进行分类。
27.如权利要求17或18所述的设备，其中，所述设备包括电子装置，其包括：
用户接口电路系统和用户接口软件，其配置为促进用户通过显示器的使用控制所述电子装置的至少一种功能，并且进一步配置为响应用户输入；以及，
显示电路系统，其配置为显示所述电子装置的用户接口的至少一部分，所述显示器和所述显示电路系统配置为促进所述用户控制所述电子装置的至少一种功能。
28.如权利要求27所述的设备，其中，所述电子装置包括：移动电话。
29.一种设备，其包括：
至少一个处理器；以及，
包括计算机程序代码的至少一个存储器，所述至少一个存储器和所述计算机程序代码配置为与所述至少一个处理器一起使所述设备至少进行：
在所述设备处从无线耦合至所述设备的另一设备接收采样信息；
至少基于所述采样信息和采样准则，对在实施人类活动期间所感测的活动数据进行压缩采样，以便生成与所述人类活动相关联的采样数据；以及，
将所述采样数据发送至所述另一设备，以便促进对所述人类活动进行分类。
30.如权利要求29所述的设备，其中，至少部分地，进一步使所述设备：存储所述采样信息。
31.如权利要求29所述的设备，其中，所述采样信息包括：基矩阵以及用于从所述基矩阵选择基尺寸和基向量集合的选择信息。
32.如权利要求29所述的设备，其中，所述采样准则包括：选择进行压缩采样的不相干基。
33.如权利要求31所述的设备，其中，至少部分地，进一步使所述设备：通过遵循所述基向量集合对所述活动数据采样来进行压缩采样，所述基向量集合是基于所述选择信息从所述基矩阵随机选择的。
34.如权利要求31或33所述的设备，其中，至少部分地，进一步使所述设备：
在确定所述人类活动的所述分类的输出中存在误差时，接收更新的选择信息；
至少基于所述更新的选择信息和所述采样准则，对所述活动数据进行压缩采样，以便生成更新的采样数据；以及，
发送所述更新的采样数据，以便促进所述人类活动的再分类。
35.如权利要求31所述的设备，其进一步包括：与所述处理器耦合的无线链路模块，所述无线链路模块配置为促进所述设备和所述另一设备之间的无线链路。
36.如权利要求35所述的设备，其进一步包括：与所述无线链路模块耦合的活动类别模块，所述活动类别模块配置为：促进接收与所述人类活动相关的用户输入，并且通过所述无线链路模块将所述输入发送至所述另一设备。
37.如权利要求29至33中任一项所述的设备，其中，所述设备包括传感器。
38.如权利要求29至33中任一项所述的设备，其中，所述另一设备包括电子装置。
39.一种设备，其包括：
用于在所述设备处从无线耦合至所述设备的一个或多个传感器接收与人类活动相关联的采样数据的装置，所述采样数据是基于在实施所述人类活动期间所感测的活动数据的压缩采样而在所述一个或多个传感器处生成的，所述压缩采样是基于采样信息而进行的；
用于至少基于所述采样数据对所述人类活动进行分类的装置；
用于确定在对所述人类活动的分类的输出中的误差的装置；以及
用于基于在对所述人类活动的分类的输出中的误差与阈值误差的比较更新或保持所述采样信息的装置。
40.如权利要求39所述的设备，其中，所述设备进一步包括：用于将所述采样信息发送至所述一个或多个传感器以便促进所述一个或多个传感器生成所述采样数据的装置。
41.如权利要求39或40所述的设备，其中，所述采样信息包括：基矩阵以及用于从所述基矩阵选择基尺寸和基向量集合的选择信息。
42.如权利要求39或40所述的设备，其中，所述设备进一步包括：用于在确定所述误差大于或等于所述阈值误差时基于更新的采样信息对所述人类活动进行再分类的装置。
43.如权利要求41所述的设备，其中，所述设备进一步包括：用于在确定所述误差大于或等于所述阈值误差时通过增加与所述基向量集合相关的基向量数量来更新所述采样信息的装置。
44.如权利要求41所述的设备，其中，所述设备进一步包括：用于在对所述基尺寸进行更新的阈值次数期间在确定所述误差大于或等于所述阈值误差时通过增加与所述基向量集合相关的基尺寸来更新所述采样信息的装置。
45.如权利要求41所述的设备，其中，所述设备进一步包括用于在确定所述误差小于所述阈值误差时通过减少以下中的至少一个来更新所述采样信息的装置：所述基向量集合的基向量数量和与所述选择信息相关的基尺寸。
46.如权利要求41所述的设备，其中，所述设备进一步包括：用于在确定所述误差小于所述阈值误差时通过保持所述基向量集合的基向量数量和与所述选择信息相关的基尺寸来保持所述采样信息的装置。
47.如权利要求39所述的设备，其中，所述设备进一步包括：用于基于分类规则通过进行分类对所述人类活动进行分类的装置。
48.如权利要求39所述的设备，其中，所述设备进一步包括：用于至少基于用户输入通过进行分类对所述人类活动进行分类的装置。
49.一种设备，其包括：
用于在所述设备处从无线耦合至所述设备的另一设备接收采样信息的装置；
用于至少基于所述采样信息和采样准则对在实施人类活动期间所感测的活动数据进行压缩采样以便生成与所述人类活动相关联的采样数据的装置；以及，
用于将所述采样数据发送至所述另一设备以便促进对所述人类活动进行分类的装置。
50.如权利要求49所述的设备，其中，所述设备进一步包括：用于存储所述采样信息的装置。
51.如权利要求49所述的设备，其中，所述采样信息包括：基矩阵以及用于从所述基矩阵选择基尺寸和基向量集合的选择信息。
52.如权利要求49所述的设备，其中，所述采样准则包括：选择进行压缩采样的不相干基。
53.如权利要求51所述的设备，其中，所述设备进一步包括：用于通过遵循所述基向量集合对所述活动数据采样来进行压缩采样的装置，所述基向量集合是基于所述选择信息从所述基矩阵随机选择的。
54.如权利要求49或51所述的设备，其中，所述设备进一步包括：
用于在确定所述人类活动的所述分类的输出中存在误差时接收更新的选择信息的装置；
用于至少基于所述更新的选择信息和所述采样准则对所述活动数据进行压缩采样以便生成更新的采样数据的装置；以及，
用于发送所述更新的采样数据以便促进所述人类活动的再分类的装置。
CN201410379675.1A 2013-08-02 2014-08-04 用于活动识别的方法、设备 Expired - Fee Related CN104346523B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
GB1313827.6 2013-08-02
GB1313827.6A GB2516865A (en) 2013-08-02 2013-08-02 Method, apparatus and computer program product for activity recognition

Publications (2)

Publication Number Publication Date
CN104346523A CN104346523A (zh) 2015-02-11
CN104346523B true CN104346523B (zh) 2018-01-02

Family

ID=49224031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410379675.1A Expired - Fee Related CN104346523B (zh) 2013-08-02 2014-08-04 用于活动识别的方法、设备

Country Status (6)

Country Link
US (1) US11103162B2 (zh)
EP (1) EP2835765A3 (zh)
JP (1) JP5951695B2 (zh)
KR (1) KR101593315B1 (zh)
CN (1) CN104346523B (zh)
GB (1) GB2516865A (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140109726A (ko) * 2013-03-06 2014-09-16 삼성전자주식회사 적은 연산량을 갖는 래티스 리덕션 방법 및 장치
US9788721B2 (en) * 2014-07-22 2017-10-17 Biobit, Inc. Low-power activity monitoring
US10129687B2 (en) * 2014-08-11 2018-11-13 Biobit, Inc. Compressed sensing with machine-to-machine communication
US9870535B2 (en) 2015-02-26 2018-01-16 Stmicroelectronics, Inc. Method and apparatus for determining probabilistic context awareness of a mobile device user using a single sensor and/or multi-sensor data fusion
US10260877B2 (en) * 2015-02-26 2019-04-16 Stmicroelectronics, Inc. Reconfigurable sensor unit for electronic device
US10731984B2 (en) 2015-02-26 2020-08-04 Stmicroelectronics, Inc. Reconfigurable sensor unit for electronic device
CN105120469B (zh) * 2015-07-06 2016-09-07 湘潭大学 基于压缩感知的质量可伸缩低信息密度数据收集方法
GB201522819D0 (en) * 2015-12-23 2016-02-03 Apical Ltd Random projection
US20170329808A1 (en) * 2016-05-12 2017-11-16 NeoTek Energy, Inc. System and method for a multi-sensor network interface for real-time data historian
EP3639372B1 (en) * 2017-07-17 2024-02-28 Siemens Aktiengesellschaft Method, field device and network for data acquisition
JP6861600B2 (ja) * 2017-09-11 2021-04-21 株式会社日立製作所 学習装置、および学習方法
CN109460778B (zh) * 2018-10-12 2024-04-09 中国平安人寿保险股份有限公司 活动评估方法、装置、电子设备及存储介质
US11544931B2 (en) 2020-05-26 2023-01-03 Otis Elevator Company Machine learning based human activity detection and classification in first and third person videos
US11768749B2 (en) * 2021-03-31 2023-09-26 Lenovo Enterprise Solutions (Singapore) Pte. Ltd. Analytics-based anomaly detection
CN116975938B (zh) * 2023-09-25 2023-11-24 北京谷器数据科技有限公司 一种产品制造过程中的传感器数据处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1877340A (zh) * 2005-06-09 2006-12-13 索尼株式会社 活动识别设备、方法、以及程序
WO2011116018A1 (en) * 2010-03-15 2011-09-22 Qualcomm Incorporated Method and apparatus for processing and reconstructing data

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0505396D0 (en) * 2005-03-16 2005-04-20 Imp College Innovations Ltd Spatio-temporal self organising map
WO2007050593A2 (en) * 2005-10-25 2007-05-03 William Marsh Rice University Method and apparatus for signal detection, classification, and estimation from compressive measurements
US7477999B2 (en) * 2006-10-26 2009-01-13 Samplify Systems, Inc. Data compression for a waveform data analyzer
CN101252430B (zh) 2007-05-10 2010-06-23 中国科学院研究生院 联合信源信道有效用户安全识别方法
JP4992043B2 (ja) 2007-08-13 2012-08-08 株式会社国際電気通信基礎技術研究所 行動識別装置、行動識別システムおよび行動識別方法
JP2009230169A (ja) 2008-03-19 2009-10-08 Mitsubishi Electric Corp パラメータ決定支援装置
EP2265173B1 (en) 2008-04-16 2014-06-11 Philips Intellectual Property & Standards GmbH Method and system for sleep/wake condition estimation
US10213164B2 (en) * 2008-09-26 2019-02-26 Qualcomm Incorporated Method and apparatus for under-sampled acquisition and transmission of photoplethysmograph (PPG) data and reconstruction of full band PPG data at the receiver
US9060714B2 (en) * 2008-12-04 2015-06-23 The Regents Of The University Of California System for detection of body motion
US20100184564A1 (en) * 2008-12-05 2010-07-22 Nike, Inc. Athletic Performance Monitoring Systems and Methods in a Team Sports Environment
US9451883B2 (en) * 2009-03-04 2016-09-27 The Regents Of The University Of California Apparatus and method for decoding sensory and cognitive information from brain activity
US20100246920A1 (en) * 2009-03-31 2010-09-30 Iowa State University Research Foundation, Inc. Recursive sparse reconstruction
JP5382436B2 (ja) 2009-08-03 2014-01-08 ソニー株式会社 データ処理装置、データ処理方法、およびプログラム
US8718980B2 (en) 2009-09-11 2014-05-06 Qualcomm Incorporated Method and apparatus for artifacts mitigation with multiple wireless sensors
WO2011049886A1 (en) 2009-10-19 2011-04-28 Theranos, Inc. Integrated health data capture and analysis system
EP2357785B1 (en) * 2009-12-22 2013-02-13 Sony Corporation Passive radiometric imaging device and corresponding method
EP2524434A1 (en) 2010-01-11 2012-11-21 Research In Motion Limited Sensor-based wireless communication systems using compressed sensing with sparse data
WO2012025797A1 (en) * 2010-08-25 2012-03-01 Indian Institute Of Science Determining spectral samples of a finite length sequence at non-uniformly spaced frequencies
JP5495235B2 (ja) 2010-12-02 2014-05-21 株式会社日立製作所 監視対象者の行動を監視する装置及び方法
KR101181301B1 (ko) 2011-03-22 2012-09-10 전자부품연구원 센싱 패턴을 이용한 저전력 기반의 상황 인식 방법
US8930300B2 (en) * 2011-03-31 2015-01-06 Qualcomm Incorporated Systems, methods, and apparatuses for classifying user activity using temporal combining in a mobile device
US20130066815A1 (en) * 2011-09-13 2013-03-14 Research In Motion Limited System and method for mobile context determination
US9178590B2 (en) * 2011-12-27 2015-11-03 Industrial Technology Research Institute Channel information feedback method and wireless communication device using the same
CN103456148B (zh) * 2012-05-30 2018-03-02 华为技术有限公司 信号重构的方法和装置
US9523576B2 (en) * 2012-09-17 2016-12-20 Xsens Holding B.V. System and method for magnetic field data compression
CN104871480B (zh) 2012-12-17 2019-11-22 诺基亚技术有限公司 用于获得数据的方法、装置和计算机可读介质
KR20170066702A (ko) * 2013-05-31 2017-06-14 나이키 이노베이트 씨.브이. 동적 샘플링
US20140361905A1 (en) * 2013-06-05 2014-12-11 Qualcomm Incorporated Context monitoring
US9554747B2 (en) * 2013-08-26 2017-01-31 EveryFit, Inc. Power efficient system and method for measuring physical activity in resource constrained devices

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1877340A (zh) * 2005-06-09 2006-12-13 索尼株式会社 活动识别设备、方法、以及程序
WO2011116018A1 (en) * 2010-03-15 2011-09-22 Qualcomm Incorporated Method and apparatus for processing and reconstructing data

Also Published As

Publication number Publication date
US11103162B2 (en) 2021-08-31
EP2835765A3 (en) 2015-02-18
JP2015057691A (ja) 2015-03-26
KR101593315B1 (ko) 2016-02-11
GB2516865A (en) 2015-02-11
CN104346523A (zh) 2015-02-11
GB201313827D0 (en) 2013-09-18
JP5951695B2 (ja) 2016-07-13
EP2835765A2 (en) 2015-02-11
KR20150016163A (ko) 2015-02-11
US20150039260A1 (en) 2015-02-05

Similar Documents

Publication Publication Date Title
CN104346523B (zh) 用于活动识别的方法、设备
Dang et al. Sensor-based and vision-based human activity recognition: A comprehensive survey
CN113707235B (zh) 基于自监督学习的药物小分子性质预测方法、装置及设备
Chen et al. Cross-position activity recognition with stratified transfer learning
US10460231B2 (en) Method and apparatus of neural network based image signal processor
US10387773B2 (en) Hierarchical deep convolutional neural network for image classification
CN109844761A (zh) 面部的神经网络建模
CN109964236A (zh) 用于检测图像中的对象的神经网络
Abadade et al. A comprehensive survey on tinyml
İnce et al. Human activity recognition with analysis of angles between skeletal joints using a RGB‐depth sensor
CN105159463B (zh) 一种非接触式可穿戴智能戒指系统及其手势识别方法
CN111950596A (zh) 一种用于神经网络的训练方法以及相关设备
Alo et al. Smartphone motion sensor-based complex human activity identification using deep stacked autoencoder algorithm for enhanced smart healthcare system
CN110135497A (zh) 模型训练的方法、面部动作单元强度估计的方法及装置
CN115512005A (zh) 一种数据处理方法及其装置
CN114334036A (zh) 一种模型训练的方法、相关装置、设备以及存储介质
Peng et al. An efficient feature selection method for mobile devices with application to activity recognition
CN116861850A (zh) 一种数据处理方法及其装置
CN114491125A (zh) 一种基于多模态编码本的跨模态人物服装设计生成方法
CN103930900B (zh) 用于对象的分类的方法、装置
Hamidi et al. Human activity recognition: A dynamic inductive bias selection perspective
CN115131475A (zh) 过渡帧生成方法、装置、设备及存储介质
Nooruddin et al. A multi-resolution fusion approach for human activity recognition from video data in tiny edge devices
CN116910202A (zh) 一种数据处理方法及相关设备
CN116665219A (zh) 一种数据处理方法及其装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20160115

Address after: Espoo, Finland

Applicant after: NOKIA TECHNOLOGIES OY

Address before: Espoo, Finland

Applicant before: NOKIA Corp.

GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180102

CF01 Termination of patent right due to non-payment of annual fee