CN104641657A - 基于用户意图和/或身份调整移动设备状态 - Google Patents

基于用户意图和/或身份调整移动设备状态 Download PDF

Info

Publication number
CN104641657A
CN104641657A CN201380048897.9A CN201380048897A CN104641657A CN 104641657 A CN104641657 A CN 104641657A CN 201380048897 A CN201380048897 A CN 201380048897A CN 104641657 A CN104641657 A CN 104641657A
Authority
CN
China
Prior art keywords
mobile device
function
sensor
input
group
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.)
Granted
Application number
CN201380048897.9A
Other languages
English (en)
Other versions
CN104641657B (zh
Inventor
伯努瓦·M·席林斯
大卫·哈里·加西亚
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.)
Meta Platforms Inc
Original Assignee
Facebook Inc
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 Facebook Inc filed Critical Facebook Inc
Publication of CN104641657A publication Critical patent/CN104641657A/zh
Application granted granted Critical
Publication of CN104641657B publication Critical patent/CN104641657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0251—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity
    • H04W52/0254—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity detecting a user operation or a tactile contact or a motion of the device
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/10—Arrangements in telecontrol or telemetry systems using a centralized architecture
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
    • H04Q2209/43—Arrangements in telecontrol or telemetry systems using a wireless architecture using wireless personal area networks [WPAN], e.g. 802.15, 802.15.1, 802.15.4, Bluetooth or ZigBee
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
    • H04Q2209/47—Arrangements in telecontrol or telemetry systems using a wireless architecture using RFID associated with sensors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/50—Arrangements in telecontrol or telemetry systems using a mobile data collecting device, e.g. walk by or drive by
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • H04Q2209/82—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data
    • H04Q2209/823—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data where the data is sent when the measured values exceed a threshold, e.g. sending an alarm
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Telephone Function (AREA)
  • User Interface Of Digital Computer (AREA)
  • Telephonic Communication Services (AREA)
  • Power Sources (AREA)

Abstract

在一个实施方式中，当计算系统处于第一状态时，检测来自一个或多个第一传感器的第一组输入。生成第一传感器值阵列，并且将第一值阵列作为输入馈送至通过第一神经网络生成的第一函数。基于第一函数计算一个或多个第一输出值，并且基于这些第一输出值做出是否出现第一动作的确定，如果出现第一动作，则从来自一个或多个第二传感器的第二组输入生成第二传感器值阵列。第二传感器值阵列被作为输入馈送至通过第二神经网络生成的第二函数。基于第二函数计算一个或多个输出值，并且基于这些第二输出值退出第一状态。

Description

基于用户意图和/或身份调整移动设备状态
技术领域
本公开内容整体涉及移动电子设备。
背景技术
移动电子设备如智能电话、平板电脑、笔记本电脑等可具有多重操作状态。例如，当用户不使用移动设备时，为了降低功耗水平并延长电池寿命，它可以处于省电或睡眠状态(例如，屏幕变暗或变黑)。在一些情况下，移动设备还可处于输入锁定状态(例如，移动设备的触摸屏或按键被锁定)，使得移动设备不能执行无意或意外操作。在其他情况下，移动设备可以是安全锁定，使得为了解锁并使用该设备，要求用户提供正确的密码或个人识别号码(PIN)。另一方面，当用户积极使用移动设备时，它可能处于正常操作状态(例如，处于全功率水平以及屏幕或按键处于解锁状态并且准备接收用户输入)。
附图说明
图1示出了示例性移动电子设备。
图2示出了示例性移动设备的外形。
图3示出了用于从一个或多个移动设备接收训练数据的示例性网络环境。
图4示出了获取和传输训练数据的示例性方法。
图5示出了经由神经网络生成函数的示例性方法。
图6示出了经由移动设备传感器检测移动设备的物理状态的示例性方法。
图7示出了示例性计算机系统。
具体实施方式
现在参考在附图中示出的本公开内容的几个实施方式详细地描述本公开内容。在以下描述中，为了提供对本公开内容的全面理解，阐述多个具体细节。然而，在没有这些具体细节的一些或全部的情况下也可以实践本公开内容。在其他情况下，为了不给本公开内容造成不必要的模糊，没有详细地描述已熟知的处理步骤和/或结构。此外，尽管结合具体的实施方式描述了本公开内容，应当理解，该描述并不旨在将本公开内容限制为所描述的实施方式。相反，该描述旨在涵盖可包括在由所附权利要求限定的本公开内容的精神和范围内的替代、修改和等同物。
移动电子设备如智能电话、平板电脑或笔记本电脑可具有多重操作状态。例如，当用户一段时间(例如，几秒)不使用移动设备时，它可进入省电状态。处于省电状态时，为了节约能源并延长电池寿命，移动设备可以在低功率水平下操作。移动设备的屏幕可以是暗的或黑的。为了将移动设备从省电状态进入正常电源状态，用户可能需要使用移动设备执行动作(例如，按下移动设备的开关)。在一些情况下(例如，移动设备处于省电状态一段时间后)，移动设备还可以进入输入锁定状态。处于输入锁定状态时，可以锁定移动设备的输入部件(例如，按键或触敏屏)以防止无意操作导致的意外输入。为了解锁移动设备的按键或屏幕，用户可能需要使用移动设备执行另一个动作。例如，如果移动设备具有按键，用户可能需要按下按键。如果移动设备具有触敏屏，用户可能需要按压控制部件以为设备通电并且在屏幕上做轻扫手势。此外，移动设备可具有安全锁定状态。处于安全锁定状态时，使用密码或PIN(个人识别号码)锁定移动设备以防止非授权访问并使用移动设备。为了解锁移动设备，用户可能需要输入适当的密码或PIN。当用户积极使用移动设备时，它可能处于正常操作状态(例如，处于全功率水平以及准备接收用户输入的操作)。在一些情况下，移动设备可处于接通音频输出的操作状态、断开音频输出的操作状态或音频输出处于特定模式(例如，响铃、静音、震动等)的操作状态。还可能有其他操作状态，并且本公开内容考虑到任何可适用的操作状态。
在任何给出的时间，例如，根据用户当前是否在使用移动设备、用户上次使用移动设备之后过去的时间或移动设备的位置(例如，在携带情况下，在用户的口袋或手包中等)，移动设备可处于任一操作状态。
例如，假设用户一段时间不使用自己的移动设备(例如，苹果手机)并且移动设备被保存在用户的口袋中。在此情况下，移动设备很可能处于省电状态以节约电池以及输入锁定状态以防止意外输入。此外，移动设备还可处于安全锁定状态以防止非授权访问移动设备。进一步假设用户现在希望使用他自己的移动设备。用户可能需要：(1)从他口袋里拿出移动设备；(2)按下开关以将移动设备脱离省电状态；以及(3)轻扫触摸屏以解锁移动设备的输入部件。此外，如果移动设备还被安全锁定，然后用户还需要输入密码或PIN以解锁移动设备。最后，用户需要执行几个动作，在移动设备准备好被使用前这可能需要几秒钟。考虑到一天可能需要执行几次该动作顺序(例如，在一段时间不使用移动设备后，每次用户需要使用他的移动设备)，可能变得不方便。
因此，基于用户关于移动电子设备的意图，具体实施方式可以自动地调整移动电子设备的当前状态。在具体实施方式中，移动电子设备(诸如，移动设备)可包括各种类型的传感器，诸如，例如但不限于，触摸传感器(例如，被布置在设备的显示器、设备的背面和/或设备的一个或多个侧边上)，用于检测用户触摸移动电子设备的表面(例如，使用一个或多个手指)；加速计，用于检测移动电子设备是否在移动以及移动的速度；温度计，用于测量靠近移动电子设备的温度变化；近距离传感器，用于检测移动电子设备到另一个目标(例如，手、桌子或其他目标)的接近度；光传感器，用于测量移动电子设备周围的环境光；成像传感器(例如，照相机)，用于捕获靠近移动电子设备的目标的电子图像；位置传感器(例如，全球定位系统(GPS))，用于确定移动电子设备的位置(例如，根据经纬度)；近场通信(NFC)传感器；蓝牙传感器等。本公开内容考虑到移动电子设备可包括任何可适用类型的传感器。这些传感器可提供各种类型的传感器数据，可以分析该传感器数据以确定给出时间的关于移动电子设备的用户意图。
图1示出了示例性移动电子设备100。在具体实施方式中，移动电子设备100可包括处理器110、存储器120、通信部件130(例如，用于无线通信的天线和通信接口)以及各类型的多个传感器150(例如，触摸传感器、加速计、温度计、近距离传感器、光传感器、成像传感器等)。在具体实施方式中，在移动设备中可选择性地包括传感器集线器140。传感器150可被连接至传感器集线器140，传感器集线器140可以是控制传感器150、管理用于传感器150的功率、处理传感器输入、集合传感器数据以及执行某些传感器函数的低功耗处理器。此外，在具体实施方式中，一些类型的传感器150可被连接至控制器160。在此情况下，传感器集线器140可被连接至控制器，控制器反过来被连接至传感器150。可替代地，在具体实施方式中，可以存在用于管理传感器150的传感器监视器代替传感器集线器140。
在具体实施方式中，移动电子设备100(例如，移动设备)可具有触摸屏作为它的输入部件。图2示出了示例性移动设备200的外形。移动设备200具有六个侧面：前侧、后侧、顶侧、底侧、左侧和右侧。触摸传感器可以放置在移动设备200的六个侧面的任何侧面上的任何位置。例如，在图2中，合并触摸传感器210A的触摸屏被放置在移动设备200的前侧上。对于移动设备200触摸屏可以起到输入/输出(IO)部件的作用。此外，触摸传感器210B和210C被分别放置在移动设备200的左侧和右侧上。触摸传感器210B和210C可检测触摸移动设备200的侧面的用户的手。在具体实施方式中，可以使用电阻式的、电容的和/或导电的触摸传感器实现触摸传感器210A、210B和210C。触摸传感器210A、210B和210C的电极可被布置在薄固体材料或薄金属丝网上。在电容触摸传感器的情况下，可以存在两种类型的电极：发送电极和接收电极。这些电极可被连接至控制器(例如，在图1中示出的控制器160)，该控制器可以是被设计为使用电脉冲驱动发送电极并且为了检测用户触摸的位置，测量由用户触摸引起的接收电极的电容变化的微芯片。
移动设备200是移动电子设备100的一个示例，并且在实践中，设备可具有许多侧面。本公开内容考虑的设备具有许多侧面。触摸传感器可被放置在设备的任何侧面上。移动设备可具有被布置在每个设备的不同位置中的多个触摸传感器210A-C。
在具体实施方式中，移动设备200可具有放置在其后侧上的近距离传感器220(例如，红外线LED(发光二极管))。近距离传感器220可能够供应用于确定其与另一个目标的接近度的传感器数据，并且因此移动设备200的接近度。
在具体实施方式中，除了前侧之外，移动设备在左侧和右侧上可具有触摸传感器。可选择地，移动设备还可以在后侧、顶侧或底侧上具有触摸传感器。因此，随着用户的手触摸移动设备以控制它，触摸传感器可检测到触摸移动设备的用户的手指或手掌。可以分析触摸传感器数据以确定用户触摸移动设备的时间和位置。当用户触摸移动设备时，这可能表示用户可能希望使用移动设备。在具体实施方式中，一旦检测到用户触摸了移动设备，移动设备可以从省电状态脱离并进入正常操作状态。主CPU可被转变为通电状态，移动设备的屏幕可被打开并亮起来，并且移动设备的输入部件(例如，前侧上的按键或触摸屏)可被自动解锁。因此，在用户将移动设备从他的口袋中取出使用时，移动设备就准备接收用户输入并且开始正常操作。
在具体实施方式中，在左侧、右侧、顶侧和/或底侧上的触摸传感器的布置可允许感应用户是否在触摸移动设备的两侧(即，用户在拿起移动设备)。因此，触摸传感器可以区分简单触摸之外的拿起移动设备。在具体实施方式中，因此，能够检测用户已经拿起移动设备可以产生用户意图的更加准确以及更好的指示。使用该意图，可将移动设备脱离省电状态并进入正常操作状态。主CPU可被转变为通电状态；移动设备的屏幕可被打开并亮起来；并且移动设备的输入部件(例如，前侧上的按键或触摸屏)可被自动解锁。因此，在用户将移动设备从他的口袋中取出使用时，移动设备就准备接收用户输入并且开始正常操作。然而，如以上所描述的，可以使用单触摸估计用户的意图。
在具体实施方式中，移动设备在左侧和右侧上除了触摸传感器之外或取代触摸传感器具有加速计。有时，用户可能将手放进存放移动设备的口袋中并且因此即使此时用户不打算使用移动设备也会触摸移动设备。如果移动设备还具有加速计，则由加速计提供的传感器数据还可用于估计用户是否想要使用移动设备。当移动设备被存放在用户口袋中时，它可能随着用户移动而移动。然而，该移动通常相对较慢。另一方面，当用户拿起移动设备并将它拿出口袋使用时，可能相对突然增加移动设备的移动速度。可以基于有加速计提供的传感器数据来检测移动设备的移动速度的此种变化。在具体实施方式中，一旦检测到移动设备的移动速度明显增加，其本身或除了检测到用户触摸到了移动设备之外，移动设备可从省电状态脱离进入正常操作状态(例如，打开移动设备的屏幕)并且移动设备的输入部件可被自动解锁。
在具体实施方式中，移动设备除了触摸传感器(例如，在移动设备的左侧和右侧上的触摸传感器)之外或取代触摸传感器具有陀螺测试仪。陀螺测试仪又名陀螺仪，是用于测量沿着一个或多个空间维度的方向的设备。在具体实施方式中，陀螺测试仪可用于测量移动设备的方向。当移动设备被存放在用户的口袋中时，它可能基本保持一个方向。然而，当用户拿起移动设备并将它拿出口袋使用时，移动设备的方向可能相对突然发生改变。可以通过陀螺测试仪检测并测量移动设备的方向。如果移动设备的方向发生明显改变，可以是用户可能将设备拿出他的口袋的另一个指示。
在具体实施方式中，移动设备可具有光传感器。当移动设备被存放在用户口袋中时，移动设备的周围相对较暗。另一方面，当用户将移动设备从他的口袋中取出时，移动设备周围可能相对较亮，尤其是在白天或光线好的区域中。可分析通过光传感器供应的传感器数据以检测在移动设备周围发生环境光等级变化的时间。在具体实施方式中，一旦检测到移动设备周围的环境光等级明显增加时，其本身或除了检测到包括(但不限于)检测到用户已经触摸了移动设备或检测到移动设备的移动速度明显增加其他特性之外，移动设备可以从省电状态脱离并进入正常操作状态并且移动设备的输入部件可被自动解锁。
在具体实施方式中，移动设备可具有近距离传感器。可以分析由近距离传感器供应的传感器数据以检测移动设备与目标(诸如，用户的手)靠得很近的时间。例如，如图2中所示，移动设备200可具有放置在其后侧上的红外线LED220(即，近距离传感器)。当用户把该移动设备拿在手中时，用户的手掌可以覆盖红外线LED220。因此，红外线LED220可以检测用户的手与移动设备200靠得很近的时间。在具体实施方式中，一旦检测到移动设备与用户的手靠得很近，不管是通过其本身还是与本文所描述的其他类型的传感器指示结合，移动设备可以从省电状态脱离进入正常操作状态并且可以自动解锁移动设备的输入部件。
移动设备可具有各类型的许多传感器，并且这些传感器可供应不同类型的传感器数据。单一类型的传感器数据的不同结合可用于一起检测并估计关于用户关于移动设备的意图(例如，用户是否打算将移动设备从他的口袋中拿出并使用它)。因此，使用多类型传感器数据的结合可以比仅使用单一类型的传感器数据在给定时间关于移动设备产生更准确以及更好的用户意图的估计。然而，可以并经常期望使用单一类型的传感器数据(例如，触摸传感器数据)来估计用户的意图。此外，因为每个用户或不同地拿起他或她的移动设备，因此全部用户和设备用于拿起动作的传感器输入可能不一致。当用户拿起移动设备时，检测用于具有传感器值的跨越全部用户和设备的模式可以花费成千上万个工时，并且同样在具体实施方式中，人工神经网络可以很合适地执行该任务。
图3示出了利用来自客户移动设备的培训数据的具体实施方式的示例性网络环境。图3描述了多个移动设备200a-200n。移动设备200a-n可以是以上所描述的任何类型。在具体实施方式中，移动设备200a-n是移动设备的特殊类别，诸如智能电话。在具体实施方式中，移动设备200a-n可以是智能电话的特殊类型或模型。然而，在具体实施方式中，每个移动设备200a-n可以是任何制造商或模型。
在具体实施方式中，每个移动设备200a-n可包括用于记录并将训练数量305传输至集中的神经网络服务器301的应用程序。通过移动设备200a-n收集的训练数据305可用于训练主神经网络302和副神经网络303。在具体实施方式中，可以利用任何合适数量的神经网络。在具体实施方式中，仅可以使用一个神经网络。本公开内容考虑了生成任何数量的输出或函数的任何数量的神经网络。
在训练阶段期间，常驻在每个移动设备200a-n上的应用程序可以提示用户在预定阶段时间内执行特定动作。例如，应用可以提示用户：“请将你的手机放在平面上并且在15秒内像平常一样拿起使用。”当用户答应时，训练应用可以从各种传感器150记录用于特定动作的传感器数据，并且可以将传感器值传输为阵列值和状态值。例如，训练数据305使用电容C0-Cn和传感器值S0-Sn来描述一维阵列。在具体实施方式中，通过触摸传感器210A-C生成电容C0-Cn，触摸传感器210A-C可以是电阻的，并且训练数据305包括通过触摸传感器210A-C测量的阻抗。训练数据305还包括状态。例如，训练应用可以将“0”分配给表示从桌上抓起手机并举起使用的第一状态。作为另一个示例，训练应用可将“1”分配给表示从口袋抓起手机使用的第二状态，并且训练应用可将“2”分配给表示手机在口袋或手包中的第三状态。在具体实施方式中，训练应用可具有表示任何合适的动作或移动的任何数量的状态。本公开内容考虑了任何数量的可能状态。
移动设备200a-n上的训练应用将训练数据经由因特网304传输至神经网络服务器301。神经网络服务器301保持一个或多个神经网络；在该示例中，包括主神经网络302和副神经网络303。神经网络302和303可以从多个移动设备200a-n接收训练数据，并且使用机器学习算术识别与一个或多个状态一一对应的传感器值的模式。在具体实施方式中，神经网络302和303可以是递归神经网络。在具体实施方式中，神经网络可以是前馈神经网络。在具体实施方式中，利用定时反向传播(BPTT)。在具体实施方式中，利用反向传播训练。本公开内容考虑了使用任何合适的神经网络，以及训练神经网络302和303的任何合适的方法。
主神经网络302和副神经网络303仅可利用包括在训练数据305中的传感器值的一部分。例如，在具体实施方式中，主神经网络302仅从多个移动设备200a-n中的一个或多个的触摸传感器210A-C中接收电容值作为输入。在具体实施方式中，主神经网络302可以仅从一直运行的传感器或从低功率传感器中接收传感器值。在具体实施方式中，副神经网络303可以接收来自不同的或重叠组的传感器的输入而不是主神经网络302的传感器。例如，副神经网络303可以接收来自加速计、陀螺测试仪、光传感器、近距离传感器或多个移动设备200a-n的一个或多个的另一个传感器的传感器值，该移动设备在睡眠或锁定模式期间未被激活。
主神经网络302输出可以在一组传感器值C0-Cn上执行或与一组传感器值C0-Cn卷积的函数f0。在具体实施方式中，函数f0可被限制于移动设备200中的低功率微控制器(诸如，控制器160)的处理能力。在具体实施方式中，函数f0可以是一系列可节省内存或处理器资源的逻辑运算，诸如向左移或向右移。可以使用执行数学运算的任何合适的方法。类似地，副神经网络303输出可以在一组传感器值S0-Sn上执行或与一组传感器值S0-Sn卷积的函数f1。在具体实施方式中，函数f1可能明显比函数f0计算复杂，要求更高能力的浮点单元或其他处理要素。在具体实施方式中，可能只有移动设备200的主处理器110执行函数f1。计算之后，神经网络服务器301可将函数f0和f1通过因特网304传输至移动设备200a-n。
在具体实施方式中，神经网络302和303在预定间隔时分别计算函数f0和f1。在具体实施方式中，间隔可以是一周。在具体实施方式中，当训练数据305的数量超过预定数量的样品时，神经网络302和302计算函数f0和f1。在具体实施方式中，神经网络302和303连续计算函数f0和f1，并且只要函数f0或f1分别由预定数量从最近传输的函数值改变，则将更新值传输至移动设备200a-n的用户。本公开内容考虑了用于计算和将函数f0或f1传输至移动设备200a-n的任何合适的间隔。
通过神经网络302和303生成的函数f0和f1使用接收到的训练数据305的数量组提高准确性。在具体实施方式中，神经网络服务器301和训练应用可以从应用程序或服务(诸如，社交网络系统)的用户获取训练数据。在具体实施方式中，神经网络服务器301可以由具有常驻在移动设备200a-n上的社交网络应用的社交网络系统主导。
图4示出了根据具体实施方式的用于收集培训数据的示例性方法。在步骤400中，训练员应用提示用户在预定时间量时间内执行由一个或多个状态表示的动作。如以上所讨论的，该动作可包括从口袋拿出手机、从屏幕抓起手机或将手机放在口袋或手包中。在具体实施方式中，训练应用可具有包括过渡状态的任何数量的状态。例如，训练应用可要求用户将移动设备200放入口袋中作为第一状态，并且从口袋中拿出移动设备200以收集数据表示第二状态。在具体实施方式中，该提示可以是可看见的或可听见的。例如，在将移动设备200放入他或她的口袋中后，可声音提示用户步行一定数量的脚步，使得移动设备200的传感器可以记录由“噪声”生成的数据实例，即，例如，在不在口袋或包中使用的移动。本公开内容考虑了任何合适数量的状态以及提示用户执行由这些状态表示的动作的任何合适的方法。
在步骤401中，在预定时间的持续期间，训练应用记录传感器值。在具体实施方式中，移动设备200从每个可以的传感器记录。在具体实施方式中，移动设备200仅从可用传感器的子集记录。本公开内容考虑了从移动设备200的多个传感器捕获传感器数据的任何合适的方法。在具体实施方式中，训练应用考虑了不同型号的移动设备200a-n的每个触摸传感器120A-C的位置。例如，移动设备200a可以在移动设备200b的不同位置中具有触摸传感器。在具体实施方式中，训练应用可请求用户进入他或她的特定移动设备的品牌和型号，使得每个传感器输出可以映射到神经网络302和303的正确输入。在具体实施方式中，训练应用可以从移动设备本身读取移动设备的品牌和型号；例如，从移动设备的固件或BIOS。
在步骤402中，每个移动设备200a-200n中的训练应用将传感器值和状态传输至神经网络服务器301。在具体实施方式中，重复执行每个状态的步骤400和401的处理，并且来自由特定状态表示的每个动作的所有训练数据被马上聚合并传输。在具体实施方式中，处理反复执行每个状态的步骤400-402，并且一旦捕获到训练数据305就将其传输至神经网络服务器301。在具体实施方式中，不是每个移动设备200a-n都将参与到训练中。例如，在不将训练数据305提供至神经网络服务器301的情况下，移动设备200n可以接收函数f0和f1。随着越来越多的设备提交训练数据305，函数f0和f1变得越来越准确和稳健。在具体实施方式中，移动设备200a-n可需要训练。在具体实施方式中，不同的设备可能需要定期地执行图4中的训练。本公开内容考虑了收集训练数据305的任何合适的方法。
图5示出了通过神经网络服务器301执行的生成函数f0和f1的示例性方法。在步骤500中，神经网络服务器301接收来自各个移动设备200a-n的训练数据305。在具体实施方式中，当接收的训练数据305的数量组超过预定阈值时，神经网络服务器301可生产函数f0和f1。在具体实施方式中，神经网络服务器301可连续生成函数f0和f1，但是仅定期地将生成的函数传输至移动设备200a-n。本公开内容考虑了函数生成、更新和传输的任何合适的时机。
在步骤501中，神经网络服务器301基于传感器类型使传感器值分离。在具体实施方式中，主神经网络302和副神经网络303可利用不同的传感器作为输入。例如，主神经网络302仅接收来自电容触摸传感器120A-C的传感器值作为输入。因此，电容值C0-Cn和状态指示器可被提供为主神经网络302。反之，副神经网络302仅可以从陀螺测试仪、加速计、光传感器等接收传感器值。因此，传感器值S0-Sn和状态指示器可被提供为副神经网络303。在具体实施方式中，在每个神经网络接收的传感器输入之间可能基本重叠。例如，副神经网络303可以从一个或多个触摸传感器120A-C和其他如照相机的高功率传感器、光传感器、近距离传感器等接收传感器值。本公开内容考虑了输入至网络302和303的任何组合。
在步骤502a和502b中，特定的传感器值被传输至神经网络302和303。在具体实施方式中，特定传感器值连同包括在训练数据305中的状态值一起被传输。因此，主神经网络302可从触摸传感器120A-C接收电容C0-Cn连同在传感器输入期间的设备的状态；例如，抓起设备时、设备平放在桌上时或设备在包或口袋中时。类似地，副神经网络303可接收传感器值(在具体实施方式中，以及C0-Cn)连同状态值。
在步骤503和504中，神经网络302和303分别生成函数f0和f1。神经网络302和303可以是任何类型的神经网络。在具体实施方式中，神经网络302和303可以是递归神经网络。在具体实施方式中，神经网络302和303可以是霍普菲尔(Hopfield)网络、Jordan网络、回声状态网络、长短记忆网络、双向网络或连续时间递归神经网络。在具体实施方式中，神经网络302和303可以为前向馈送神经网络。在具体实施方式中，神经网络302和303可以利用自适应线性元件(ADALINE)和多个自适应线性元件(MADALINE)。本公开内容考虑了用于生成函数f0和f1的任何合适的神经网络302和303。在具体实施方式中，神经网络302可以是与神经网络303不相同的类型、训练方法或结构。在具体实施方式中，神经网络302和303的通信复杂性受到其上将运行函数f0或f1的处理器的限制。例如，f0可被设计为用于在低功率微控制器上执行的计算简单的函数。相反，函数f1可被设计为更加计算复杂或由更高功率的主处理器单元执行的加强版处理器，诸如，处理器110。
在步骤505中，神经网络服务器301将函数f0和f1传输至客户端设备200a-200n。如以上所讨论的，神经网络服务器301可以将函数f0和f1传输至任何移动设备200。在具体实施方式中，移动设备200不要求通过将训练数据305传输至神经网络服务器310而加入神经网络训练中。在具体实施方式中，神经网络服务器301可以在预定间隔传输函数f0和f1。如以上所描述的，当函数f0或f1将预定量和以前传输的函数区分开来时，可以输入函数f0或f1。本公开内容考虑了任何合适的传输方法或时机。
图6示出了用于使用传感器数据选择性退出锁定状态的由移动设备200a-n执行的示例性方法。当处理开始时，例如在用户手动锁定设备之后或在长期停滞之后，移动设备200空闲或被锁定。
在步骤601中，微控制器或传感器控制器160检测其主传感器的输入。在具体实施方式中，主传感器是利用函数f0由主神经网络302生成的传感器。在具体实施方式中，主传感器是触摸传感器120A-C，并且即使处于空闲状态也被微控制器或传感器控制器160连续监控。
在步骤602中，微控制器或传感器控制器160使用由主传感器生成的值作为输入执行函数f0。在具体实施方式中，主传感器的传感器值可以以特殊的次序被布置在数据结构(诸如，阵列)中。例如，函数f0可要求输入被布置为以下次序：左电容触摸传感器、后电容触摸传感器、右电容触摸传感器。在具体实施方式中，传感器值可被表示成矢量。在具体实施方式中，函数f0可以是在输入矢量中被每个值相乘的一组权值。在具体实施方式中，函数f0可以简单地与传感器值的输入矢量卷积。在该实施方式中，为了保持计算效率，卷积操作可被执行为一系列位移以及f0与输入矢量之间的逻辑操作，允许在低级语言中执行f0，诸如汇编。
由于与输入矢量卷积，因此函数f0输出一个或多个值。在具体实施方式中，可能只有单个输出值。在具体实施方式中，每个可能输出状态可能是输出值，诸如，“拿起”、“桌子”或“噪声”(例如，包括设备在口袋或包中)。在具体实施方式中，一个或多个输出值可以是不连续的。在具体实施方式中，一个或多个输出值可以是连续的，表示移动设备200处于一个或多个状态的可能性。本公开内容考虑了来自函数f0的任何合适的输出值。
在步骤603中，移动设备200评估函数f0的输出以确定是否唤醒主处理器110并且进入函数f1。该确定对应于f0的输出值指示可能是拿起动作的确定。在具体实施方式中，该确定可基于所有输出值的平均值。在具体实施方式中，例如，该确定可基于单输出值是否超过特殊的阈值，单输出值对应于“拿起”动作。在具体实施方式中，该确定可基于特殊的输出值是否低于预定的阈值，诸如，与“噪声”状态相关的值。本公开内容考虑了基于来自函数f0的输出的任何合适的判定算法。
在步骤604中，一旦确定拿起动作与步骤603中的相似，微控制器或传感器处理器160可以传输通知消息以唤醒移动设备200的主处理器110。在具体实施方式中，通知消息可以是硬件终端以唤醒主处理器110。在具体实施方式中，微控制器或传感器处理器160可具有特别设计为唤醒主处理器110的固定电路(hardwired circuit)。本公开内容考虑了唤醒主处理器110的任何合适的手段。
在步骤605中，移动设备200从通过函数f1使用的副传感器中获取传感器数据。在具体实施方式中，副传感器金额包括加速计。例如，副神经网络303可能已经生成函数f1以识别具体的加速计模式，该模式指示已经从口袋拿出或从桌上拿起移动设备200。因此，在由微控制器首次唤醒之后，主处理器110可以从加速计中提取传感器值。在具体实施方式中，副传感器可包括陀螺测试仪。例如，副神经网络303可能已经生成函数f1以识别具体的陀螺测试仪传感器值模式，该模式指示关于标志已经从口袋中取出或从桌子上拿起移动设备200的一个或多个轴旋转。在具体实施方式中，副传感器可包括光传感器。在具体的白天环境中，从黑暗至光亮的转变可以标志已经从口袋中取出移动设备200。在具体实施方式中，副传感器可包括传感器值的任何组合。在具体实施方式中，副传感器可包括来自移动设备200的照相机子系统的值。在具体实施方式中，副传感器可包括系统时钟；例如，函数f1可以根据当天时间来调整给出组的输入对应于拿起的可能性。本公开内容考虑了在步骤605中从传感器的任何数量或组合中获取数据。
在步骤606中，经由主处理器110移动设备200使用在步骤605中获取的副传感器值作为输出来执行函数f1。如以上所讨论的，副传感器值可被布置在阵列或矢量数据结构中。在具体实施方式中，传感器数据S0-Sn可以以特殊的次序被布置在数据结构中。在具体实施方式中，可以通过卷积输入矢量与函数权重来执行函数f1。本公开内容考虑了使用从副传感器获取的值作为输入来执行函数f1的任何合适的方法。
在步骤607中，主处理器110从函数f1的输出中确定移动设备的物理状态(或用户的意图)。如以上所讨论的，函数f1可以输出一个或多个值，每个值都对应于移动设备200的特殊的物理状态。例如，函数f1可输出标志可以拿起设备、平放在桌上或在口袋(“噪声”)中的值。在具体实施方式中，每个值可以是不连续的或连续的。在具体实施方式中，该确定可基于大于或小于预定阈值的值的总和、平均值、加权平均值或另一个数学组合。在步骤608和610中，如果移动设备200处于“桌子”或“噪声”状态，则移动设备返回空闲/锁定状态并且中断主处理器通电。然而，如果移动设备200确定用户打算使用它，则移动设备200可在步骤611中自动转换至解锁状态。
在具体实施方式中，可以认证目前操作移动设备的用户的身份。如果当前操作移动设备的用户是移动设备的真正所有者，则移动设备可被自动解锁。另一方面，如果不能满意地认证当前操作移动设备的用户的身份，为了解锁并使用该移动设备，则可以提示并要求用户提供密码或PIN。
可以存在验证用户身份的各种手段。在具体实施方式中，移动设备可具有成像传感器(例如，照相机)。随着用户将手机放置在他的面前面，为了捕获用户的面部，照相机可以分析镜头前面目标的捕获的数字图像。可以使用一个或多个合适的面部识别算法来分析这些图像以将用户的面部与移动设备所有者的面部(例如，储存在与移动设备相关的文档的面部)进行定位和比较。如果两个面部之间的相似度很高(即，匹配)，然后可以认证当前操作移动设备的用户为该移动设备的真正所有者，并且在无需用户明确提供密码或PIN的情况下移动设备被自动解锁。表示移动设备所有者的面部的图像可以储存在移动设备本身上或其他地方(例如，在可以访问移动设备的服务器上)。
在具体实施方式中，移动设备可以是社交网络系统的成员。通常，社交网络是由诸如个体或组织的实体组成的社会结构，这些个体或组织由一个或多个类型的相关性或关系连接，诸如友谊、血缘关系、共同爱好、金融交易、或信仰或学识关系。最近几年，社交网络已从因特网获利。因特网上存在以社交网站形式的社交网络系统。这种社交网站使其会员(通常被称为网站用户)能够进行各种社交活动。例如，通过Facebook有限公司在www.facebook.com上运营的社交网站能够使其用户通过电子邮件、即时消息、或博客文章与其朋友通信，组织社交事件，分享照片，接收其朋友的消息或感兴趣的事件，玩游戏等。
用户可具有社交网络系统的简历，包括与用户相关的信息(例如，个人资料、社会关系和活动、兴趣、爱好等)。在具体实施方式中，在用户简历中查到的信息还可用于帮助确定在给定时间关于移动设备的用户意图或判断用户的身份。例如，基于使用社交网络系统储存的用户日历，如果确定用户在参加一个事件(例如，会议)，然后可以将移动设备转变为关闭屏幕以及锁定输入部件的状态。作为另一个示例，基于社交网络系统的可以信息，可以确定在给定的时间和地点用户在和他的社会关系(例如，朋友)在一起。如果移动设备在对于它的所有者来说是不正常的位置，但是与此同时，所有者的几个家庭成员或朋友也在那里，则可以表明移动设备与它的真正所有者在一起，在该情况下，可以在无需密码或PIN的情况下解锁该设备。另一方面，如果移动设备在不正常的位置且它的所有者的社会关系没有在那里，则需要密码或PIN来解锁该设备以保证该设备的用户确实是它的真正所有者。
在具体实施方式中，移动设备的真正所有者可以能够指定设置并且在不需要密码或PIN的情况下指出解锁设备的条件。例如，所有者可指定当在设备旁边检测到他的多个社会关系(例如，朋友或家庭成员)(例如，使用任何合适的手段，诸如，NFC、语音或人脸识别等)时，在不需要密码或PIN的情况下可以解锁手机或者具有较低的安全阈值，反之亦然。
在具体实施方式中，使用社交网络系统更新用户的状态可以用作帮助鉴定用户的信号。例如，用户状态更新可以指出用户确实在特定的位置，可以用于检测用户的朋友是否在附近，或用户被朋友以签到的形式被标记，这反过来表示用户在特定位置。
在具体实施方式中，包括在移动设备中的传感器可被用于在社交网络系统内导航，包括通过社交网络系统提供的第三方应用程序(例如，在线游戏)。
可在一个或多个计算机系统上实施具体实施方式。图7示出了示例性计算机系统700。在具体实施方式中，一个或多个计算机系统700执行本文中所描述或示出的一个或多个方法的一个或多个步骤。在具体实施方式中，一个或多个计算机系统700提供本文中所描述或示出的函数。在具体实施方式中，一个或多个计算机系统700上运行的软件执行本文中所描述或示出的一个或多个方法的一个或多个步骤或者提供本文中所描述或示出的函数。具体实施方式包括一个或多个计算机系统700的一个或多个部分。
本公开内容考虑了任何合适数量的计算机系统700。本公开内容考虑了采用任何合适的物理形式的计算机系统700。作为示例而非限制性方式，计算机系统700可以是嵌入式计算机系统、片上系统(SOC)、单板计算机系统(SBC)(诸如，计算机化模块(COM)或系统化模块(SOM))、台式计算机系统、便携式或笔记本计算机系统、交互式自助服务机、大型机、计算机系统网、移动设备、个人数字助理(PDA)、服务器、工具、玩具、可穿戴物品或者以上这些的两个或多个的结合。在适当情况下，计算机系统700可包括一个或多个计算机系统700；可以是整体式或者分布式；可以跨多个位置；可以跨多台机器或者可以位于可包括一个或者多个网络中的一个或者多个云部件的云中。在适当情况下，在基本没有空间或时间限制的情况下，一个或多个计算机系统700可执行本文中所描述或示出的一个或多个方法的一个或多个步骤。作为示例而非限制性方式，一个或多个计算机系统700可实时地或以批量模式执行本文中所描述或示出的一个或多个方法的一个或多个步骤。在适当情况下，一个或多个计算机系统700可在不同时间或在不同位置执行本文中所描述或示出的一个或多个方法的一个或多个步骤。
在具体实施方式中，计算机系统700包括处理器702、内存(memory)704、存储器706、输入/输出(I/O)接口708、通信接口710以及总线712。尽管本公开内容描述并且示出了在特定布置中具有特定数量的特定部件的特定计算机系统，但是本公开内容考虑了在任何合适的布置中具有任何合适数量的任何合适部件的任何合适的计算机系统。
在具体实施方式中，处理器702包括用于执行诸如装配计算机程序的指令的硬件。作为示例而非限制性方式，为了执行指令，处理器702可从内部寄存器、内部缓存、内存704或存储器706中检索(或获取)指令，解码并且执行指令；然后将一个或多个结果写入内部寄存器、内部缓存、内存704或存储器706。在具体实施方式中，处理器702可包括用于数据、指令、或地址的一个或多个内部缓存。在适当情况下，本公开内容考虑了包括任何合适数量的任何合适内部缓存的处理器702。作为示例而非限制性方式，处理器702可包括一个或多个指令缓存、一个或多个数据缓存以及一个或多个转译后备缓冲器(TLB)。指令缓存中的指令可以是内存704或存储器706中的指令的副本，并且指令缓存可加速处理器702对这些指令的检索。在数据缓存中的数据可以是在处理器702中执行操作的指令的内存704或存储器706中的数据的副本；在处理器702中执行的后续指令进入或用于写入内存704或存储器706的在处理器702中执行的先前的指令的结果；或者其他合适的数据。数据缓存可加速处理器702进行的读取或写入操作。TLB可加速处理器702的虚拟地址转译。在具体实施方式中，处理器702可包括用于数据、指令或地址的一个或多个内部寄存器。在适当情况下，本公开内容考虑了包括任何合适数量的任何合适的内部寄存器的处理器702。在适当情况下，处理器702可包括一个或多个算术逻辑单元(ALU)；可以是多核处理器；或者包括一个或多个处理器702。尽管本公开内容描述并且示出了特定的处理器，但是本公开内容考虑了任何合适的处理器。
在具体实施方式中，内存704包括用于存储处理器702执行指令或处理器702运行数据的主内存。作为示例而非限制性方式，计算机系统700可从存储器706或另一来源(诸如，另一计算机系统700)将指令加载到内存704。然后，处理器702可从内存704将指令加载到内部寄存器或内部缓存。为了执行指令，处理器702可从内部寄存器或内部缓存检索指令并且对它们进行解码。在指令的执行中或之后，处理器702可将一个或多个结果(可以是中间结果或最终结果)写入内部寄存器或内部缓存。然后，处理器702可将这些结果中的一个或多个写入内存704。在具体实施方式中，处理器702仅在一个或多个内部寄存器或内部缓存中或内存704中执行指令(与存储器706或其他位置相对)，并且仅在一个或多个内部寄存器或内部缓存中或内存704中运行数据(与存储器706或其他位置相对)。一条或多条内存总线(其中每条均可包括地址总线和数据总线)可将处理器702耦接至内存704。如以下所描述的，总线712可包括一条或多条内存总线。在具体实施方式中，一个或多个内存管理单元(MMU)位于处理器702与内存704之间并且利于由处理器702所请求的对内存704的访问。在具体实施方式中，内存704包括随机访问存储器(RAM)。在适当情况下，该RAM可以是易失性内存。在适当情况下，该RAM可以是动态RAM(DRAM)或静态RAM(SRAM)。而且，在适当情况下，该RAM可以是单端口或多端口RAM。本公开内容考虑了任何合适的RAM。在适当情况下，内容704可包括一个或多个内存704。尽管本公开内容描述并且示出了特定的内存，然而本公开内容考虑了任何合适的内存。
在具体实施方式中，存储器706包括用于数据或指令的大容量存储器。作为示例而非限制性方式，存储器706可包括HDD、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(USB)驱动或这些中的两种或多种的组合。在适当情况下，存储器706可包括可移动或非移动的(或固定的)媒体。在适当情况下，存储器706可以在计算机系统700的内部或外部。在具体实施方式中，存储器706是非易失性固态内存。在具体实施方式中，存储器706包括只读存储器(ROM)。在适当情况下，ROM可以是掩模编程ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者这些中的两种或多种的组合。本公开内容考虑了采用任何合适的物理形式的大容量存储器706。在适当情况下，存储器706可包括利于处理器702与存储器706之间通信的一个或多个存储控制单元。在适当情况下，存储器706可包括一个或多个存储器706。尽管本公开内容描述并且示出了特定的存储器，然而本公开内容考虑了任何合适的存储器。
在具体实施方式中，I/O接口708包括提供用于计算机系统700与一个或多个I/O设备之间通信的一个或多个接口的硬件、软件或硬件和软件。在适当情况下，计算机系统700可包括这些I/O设备中的一个或多个。这些I/O设备中的一个或两个能够使人与计算机系统700之间进行通信。作为示例而非限制性方式，I/O设备可包括键盘、按键、麦克风、监控器、鼠标、打印机、扫描仪、扬声器、静态照相机、触笔、写字板、触摸屏、轨迹球、录像机、另一个合适的I/O设备或这些中的两种或多种的组合。I/O设备可包括一个或多个传感器。本公开内容考虑了任何合适的I/O设备以及和它们的任何合适的I/O接口708。在适当情况下，I/O接口708可包括能够使处理器702驱动这些I/O设备中的一个或多个的一个或多个设备或者软件驱动器。在适当情况下，I/O接口708可包括一个或多个I/O接口708。尽管本公开内容描述并且示出了特定的I/O接口，然而本公开内容考虑了任何合适的I/O接口。
在具体实施方式中，通信接口710包括提供用于计算机系统700与一个或多个其他计算机系统700或者一个或多个网络之间通信(诸如，基于数据包的通信)的一个或多个接口的硬件、软件或硬件和软件。作为示例而非限制性方式，通信接口710可包括网络接口控制器(NIC)或网络适配器，用于与以太网或其他有线网络通信；或者无线NIC(WNIC)或无线适配器，用于与诸如WI-FI网络的无线网络通信。本公开内容考虑了任何合适的网络及其任何合适的通信接口710。作为示例而非限制性方式，计算机系统700可与自组织网络(ad hoc network，特定网络)、个人局域网(PAN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、或因特网中的一个或多个部分或者这些中的两种或多种的组合通信。这些网络中的一个或多个的一个或多个部分可以是有线或无线的。例如，计算机系统700可与无线PAN(WPAN)(诸如，蓝牙WPAN)、WI-FI网络、WI-MAX网络、移动设备网络(诸如，全球移动通信系统(GSM)网络)、或其他合适的无线网络或者这些中的两种或多种的组合通信。在适当情况下，计算机系统700可包括用于任何这些网络的任何合适的通信接口710。在适当情况下，通信接口710可包括一个或多个通信接口710。尽管本公开内容描述并且示出了特定的通信接口，然而本公开内容考虑了任何合适的通信接口。
在具体实施方式中，总线712包括将计算机系统700的部件彼此耦接的硬件、软件或硬件和软件。作为示例而非限制性方式，总线712可包括加速圆形端口(AGP)或其他图形总线、加强工业标准结构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准结构(ISA)总线、高速互连、低脚位数(LPC)总线、内存总线、微通道结构(MCA)总线、外部设备互连(PCI)总线、PCI-快速(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线、或另一个合适的总线或者这些中的两个或多个的结合。在适当情况下，总线712可包括一条或多条总线712。尽管本公开内容描述并且示出了特定的总线，然而本公开内容考虑了任何合适的总线或互连。
在此，所涉及的计算机可读存储介质包括一个或者多个非易失性、有形的计算机可读存储媒体处理结构。作为示例而非限制性的方式，在适当情况下，计算机可读存储介质可包括基于半导体的或其他集成电路(IC)(诸如，场可编程门阵列(FPGA)或特定用途IC(ASIC))、硬盘、HDD、混合硬盘(HHD)、光盘、光盘驱动器(ODD)、磁光盘、磁光盘驱动器、软盘、软盘驱动器(FDD)、磁带、全息存储介质、固态驱动器(SSD)、RAM驱动器、安全数码卡、安全数码驱动器、或另一个适合的计算机可读存储介质或者这些中的两个或多个的结合。在此，所涉及的计算机可读存储介质不包括不符合37U.S.C.§101中对专利保护的任何介质。在此，所涉及的计算机可读存储介质不包括在一定程度上不符合37U.S.C.§101中对专利保护的信号传输的瞬时形式(诸如，传播电子或电磁信号本身)。在适当情况下，计算机可读非易失性存储介质可以是易失的、非易失的，或易失和非易失的结合。
本公开内容考虑了实施任何合适的存储器的一个或多个计算机可读存储媒体。在具体实施方式中，在适当情况下，计算机可读存储介质实施处理器702的一个或多个部分(诸如，一个或多个内部寄存器或缓存)、内存704的一个或多个部分、存储器706的一个或多个部分、或这些的组合。在具体实施方式中，计算机可读存储介质实施RAM或ROM。在具体实施方式中，计算机可读存储介质实施易失性或非易失性内存。在具体实施方式中，一个或多个计算机可读存储媒体将软件具体化。在此，在适当情况下，所涉及的软件可包括一个或多个应用、字节码、一个或多个计算机程序、一个或多个可执行程序、一个或多个指令、逻辑、机器码、一个或多个脚本、或源代码，反之亦然。在具体实施方式中，软件包括一个或多个应用编程接口(API)。本公开内容考虑了以任何合适编程语言或编程语言的组合编写或表达的任何合适的软件。在具体的实施方式中，软件表示为源代码或目标代码。在具体实施方式中，软件被表达为诸如C、Perl或其合适扩展的高级编程语言。在具体实施方式中，软件被表达为诸如汇编语言(或机器代码)的低级编程语言。在具体实施方式中，软件以JAVA、C或C++表示。在具体实施方式中，软件被表达为超文本标记语言(HTML)、可扩展标记语言(XML)或其他合适的标记语言。
在此，除非另有明确指示或通过上下文另有指示，否则“或”是包括性的而不是排除性的。因此，在此，除非另有明确指示或上下文另有指示，否则，“A或B”指“A、B或A和B”。而且，除非另有明确指示或上下文另有指示，否则，“和”为两者连带。因此，在此，除非另有明确指示或上下文另有指示，否则，“A和B”指“连带的A和B”。
本领域的普通技术人员应当理解的是，本公开内容包括对本文中的示例性实施方式的所有改变、替换、变形、更改以及修改。而且，尽管本公开内容描述并示出了本文中的各自的实施方式包括具体的部件、元件、功能、操作或步骤，本领域的普通技术人员应当理解的是，但是任何这些实施方式可包括本文中在任何地方描述或示出的任何部件、元件、功能、操作或步骤的任何组合或排列。此外，只要该设备、系统或部件被如此调整、布置、能够、配置、使能够、能操作或操作，不管它或该特殊功能是否被激活、打开或解锁，在所附权利要求中参考调整为、布置为、能够、配置为、使能够、能操作为或操作为执行包括设备、系统、部件的特殊功能的设备或系统的设备或系统或部件。

Claims (20)

1.一种方法，包括通过一个或多个计算系统：
当所述一个或多个计算系统处于第一状态时，检测来自多个第一传感器的第一组输入；
生成第一传感器值阵列，所述第一传感器值阵列中的每个传感器值对应于所述第一组输入中的一个输入；
将所述第一传感器值阵列作为输入馈送至通过第一神经网络生成的第一函数；
至少部分基于所述第一函数计算一个或多个第一输出值；
至少部分基于所述一个或多个第一输出值，确定是否出现第一动作；以及
响应于确定已经出现第一动作：
为了第二组传感器输入而轮询一个或多个第二传感器；
生成包括第二组传感器值的第二传感器值阵列，所述第二组传感器值中的每个传感器值对应于所述第二组传感器输入中的一个传感器输入；
将所述第二传感器值阵列作为输入馈送至通过第二神经网络生成的第二函数；
至少部分基于所述第二函数计算一个或多个第二输出值；以及
至少部分基于通过所述第二函数返回的所述一个或多个第二输出值，退出所述第一状态。
2.根据权利要求1所述的方法，其中，通过低功率微控制器计算所述一个或多个第一输出值；以及响应于确定已经出现第一动作，所述微控制器将处理器从睡眠模式唤醒用于计算所述一个或多个第二输出值。
3.根据权利要求1所述的方法，其中，所述第一传感器包括触摸传感器。
4.根据权利要求3所述的方法，其中，所述触摸传感器是电容性的。
5.根据权利要求1所述的方法，其中，所述一个或多个第二传感器包括：
加速计；
光传感器；或者
多点触摸显示面。
6.根据权利要求1所述的方法，其中，所述第一状态是锁定状态。
7.根据权利要求1所述的方法，其中，所述第一动作是拿起动作。
8.根据权利要求1所述的方法，其中，从服务器接收所述第一函数和所述第二函数。
9.一种方法，包括通过一个或多个计算系统：
将神经网络训练应用传输至多个客户端设备；
从所述多个客户端设备中的一个或多个接收一组传感器值和状态；
经由神经网络生成一个或多个函数，用于估计是否已拿起所述多个客户端设备中的每个客户端设备；
将所述一个或多个函数传输至所述多个客户端设备。
10.根据权利要求9所述的方法，其中，所述神经网络经由反向传播训练生成所述一个或多个函数。
11.根据权利要求9所述的方法，其中，所述一个或多个函数包括：
生成主函数和副函数，其中，所述主函数接受第一组传感器值作为输入，并且所述副函数接受第二组传感器值作为输入。
12.根据权利要求11所述的方法，其中，所述第一组传感器值对应于一个或多个电容触摸传感器的输出。
13.根据权利要求12所述的方法，其中，所述第二组传感器值对应于加速计、陀螺测试仪、近距离传感器或光传感器的输出。
14.一个或多个计算系统中的一个或多个非暂时性计算机可读存储媒体，所述媒体实现能操作的逻辑，所述逻辑在被执行时：
当所述一个或多个计算系统处于第一状态时，检测来自多个第一传感器的第一组输入；
生成第一传感器值阵列，所述第一传感器值阵列中的每个传感器值对应于所述第一组输入中的一个输入；
将所述第一传感器值阵列作为输入馈送至通过第一神经网络生成的第一函数；
至少部分基于所述第一函数计算一个或多个第一输出值；
至少部分基于所述一个或多个第一输出值，确定是否出现第一动作；以及
响应于确定已经出现第一动作：
为了第二组传感器输入而轮询一个或多个第二传感器；
生成包括第二组传感器值的第二传感器值阵列，所述第二组传感器值中的每个传感器值对应于所述第二组传感器输入中的一个；
将所述第二传感器值阵列作为输入馈送至通过第二神经网络生成的第二函数；
至少部分基于所述第二函数计算一个或多个第二输出值；以及
至少部分基于通过所述第二函数返回的所述一个或多个第二输出值，退出所述第一状态。
15.根据权利要求14所述的媒体，其中，通过低功率微控制器计算所述一个或多个第一输出值；并且响应于确定已经出现第一动作，所述微控制器将处理器从睡眠模式唤醒用于计算所述一个或多个第二输出值。
16.根据权利要求14所述的媒体，其中，所述第一传感器包括电容传感器。
17.根据权利要求14所述的媒体，其中，所述一个或多个第二传感器包括：
加速计；
光传感器；或者
多点触摸显示面。
18.根据权利要求14所述的媒体，其中，所述第一状态是锁定状态。
19.根据权利要求14所述的媒体，其中，所述第一动作是拿起动作。
20.根据权利要求14所述的媒体，其中，从服务器接收所述第一函数和所述第二函数。
CN201380048897.9A 2012-07-20 2013-07-15 基于用户意图和/或身份调整移动设备状态 Active CN104641657B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/554,838 US9052896B2 (en) 2012-07-20 2012-07-20 Adjusting mobile device state based on user intentions and/or identity
US13/554,838 2012-07-20
PCT/US2013/050446 WO2014014800A1 (en) 2012-07-20 2013-07-15 Adjusting mobile device state based on user intentions and/or identity

Publications (2)

Publication Number Publication Date
CN104641657A true CN104641657A (zh) 2015-05-20
CN104641657B CN104641657B (zh) 2017-06-09

Family

ID=48793042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380048897.9A Active CN104641657B (zh) 2012-07-20 2013-07-15 基于用户意图和/或身份调整移动设备状态

Country Status (11)

Country Link
US (4) US9052896B2 (zh)
EP (1) EP2688311B1 (zh)
JP (2) JP6039072B2 (zh)
KR (2) KR101569423B1 (zh)
CN (1) CN104641657B (zh)
AU (1) AU2013290489B2 (zh)
BR (1) BR112015001248A2 (zh)
CA (2) CA2879128C (zh)
IL (3) IL236749A (zh)
MX (2) MX342527B (zh)
WO (1) WO2014014800A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326984A (zh) * 2016-08-09 2017-01-11 北京京东尚科信息技术有限公司 用户意图识别方法和装置、自动应答系统
CN107836001A (zh) * 2015-06-29 2018-03-23 微软技术许可有限责任公司 硬件加速器上的卷积神经网络
CN110019688A (zh) * 2019-01-23 2019-07-16 艾肯特公司 对机器人进行训练的方法
CN110382065A (zh) * 2017-03-06 2019-10-25 塞弗斯公司 交互式数字平台设备和方法
CN110476141A (zh) * 2017-09-13 2019-11-19 视信有限责任公司 视线跟踪方法及用于执行该方法的用户终端
CN113541700A (zh) * 2017-05-03 2021-10-22 弗吉尼亚科技知识产权有限公司 用无线电信号变换器学习无线电信号的方法、系统和装置

Families Citing this family (72)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI536157B (zh) * 2012-02-23 2016-06-01 原相科技股份有限公司 電子裝置與電腦可讀取媒體
US10156455B2 (en) 2012-06-05 2018-12-18 Apple Inc. Context-aware voice guidance
US9886794B2 (en) 2012-06-05 2018-02-06 Apple Inc. Problem reporting in maps
US9052197B2 (en) 2012-06-05 2015-06-09 Apple Inc. Providing navigation instructions while device is in locked mode
US8983778B2 (en) 2012-06-05 2015-03-17 Apple Inc. Generation of intersection information by a mapping service
US9482296B2 (en) 2012-06-05 2016-11-01 Apple Inc. Rendering road signs during navigation
US9418672B2 (en) 2012-06-05 2016-08-16 Apple Inc. Navigation application with adaptive instruction text
US10314492B2 (en) 2013-05-23 2019-06-11 Medibotics Llc Wearable spectroscopic sensor to measure food consumption based on interaction between light and the human body
US9582035B2 (en) 2014-02-25 2017-02-28 Medibotics Llc Wearable computing devices and methods for the wrist and/or forearm
SG11201500524WA (en) 2012-07-31 2015-04-29 Felica Networks Inc Information processing device, server device, and information processing system
US9063731B2 (en) 2012-08-27 2015-06-23 Samsung Electronics Co., Ltd. Ultra low power apparatus and method to wake up a main processor
US9904341B2 (en) * 2012-09-10 2018-02-27 Intel Corporation Cascading power consumption
US10402915B2 (en) 2013-05-10 2019-09-03 Samsung Electronics Co., Ltd. Methods and systems for on-device social grouping
US10341421B2 (en) 2013-05-10 2019-07-02 Samsung Electronics Co., Ltd. On-device social grouping for automated responses
US8971868B2 (en) * 2013-05-23 2015-03-03 Elwha Llc Mobile device that activates upon removal from storage
US20150044993A1 (en) * 2013-08-07 2015-02-12 George Kirkley Must Call
US20150092520A1 (en) * 2013-09-27 2015-04-02 Google Inc. Adaptive Trigger Point For Smartwatch Gesture-to-Wake
KR20150051809A (ko) * 2013-11-05 2015-05-13 삼성전자주식회사 자동 실행 서비스를 제공하기 위한 전자 장치 및 방법
CN104679313A (zh) * 2013-11-30 2015-06-03 深圳富泰宏精密工业有限公司 触控面板初始化系统、方法及触控装置
US9509822B2 (en) * 2014-02-17 2016-11-29 Seungman KIM Electronic apparatus and method of selectively applying security in mobile device
US10429888B2 (en) 2014-02-25 2019-10-01 Medibotics Llc Wearable computer display devices for the forearm, wrist, and/or hand
US9408076B2 (en) * 2014-05-14 2016-08-02 The Regents Of The University Of California Sensor-assisted biometric authentication for smartphones
US10504020B2 (en) 2014-06-10 2019-12-10 Sightline Innovation Inc. System and method for applying a deep learning neural network to data obtained from one or more sensors
US20160094945A1 (en) * 2014-09-26 2016-03-31 Sunil Kulkarni Variable interval for periodic fix requests of multiple clients
US9788277B2 (en) * 2015-01-15 2017-10-10 Mediatek Inc. Power saving mechanism for in-pocket detection
US9652015B2 (en) * 2015-06-15 2017-05-16 Cypress Semiconductor Corporation Low-power touch button sensing system
US11194398B2 (en) 2015-09-26 2021-12-07 Intel Corporation Technologies for adaptive rendering using 3D sensors
CN105373712A (zh) * 2015-10-22 2016-03-02 上海斐讯数据通信技术有限公司 一种基于神经网络的移动终端解锁系统及其解锁方法
US10469653B2 (en) 2016-05-15 2019-11-05 Fmr Llc Proximity and movement detection of a mobile computing device during a user session
US9883403B2 (en) 2016-05-15 2018-01-30 Fmr Llc Monitoring presence of authorized user during user session based upon mobile computing device motion
US9686644B1 (en) 2016-05-15 2017-06-20 Fmr Llc Geospatial-based detection of mobile computing device movement
US9781243B1 (en) * 2016-06-27 2017-10-03 Intel Corporation Optimizing wearable device settings using machine learning
US10387769B2 (en) 2016-06-30 2019-08-20 Samsung Electronics Co., Ltd. Hybrid memory cell unit and recurrent neural network including hybrid memory cell units
KR20180003123A (ko) 2016-06-30 2018-01-09 삼성전자주식회사 메모리 셀 유닛 및 메모리 셀 유닛들을 포함하는 순환 신경망
US20180012001A1 (en) * 2016-07-07 2018-01-11 Redfrog Security, LLC Mobile device security systems and methods
US10405440B2 (en) 2017-04-10 2019-09-03 Romello Burdoucci System and method for interactive protection of a mobile electronic device
US10061909B2 (en) * 2016-12-29 2018-08-28 Qualcomm Incorporated Device authentication based on behavior classification using convolution neural network
US10853474B2 (en) * 2017-07-31 2020-12-01 Dell Products, L.P. System shipment lock
US11250242B2 (en) 2017-09-13 2022-02-15 Visualcamp Co., Ltd. Eye tracking method and user terminal performing same
CN107659717B (zh) * 2017-09-19 2020-11-10 北京小米移动软件有限公司 状态检测方法、装置和存储介质
CN107958273B (zh) * 2017-12-15 2021-08-03 北京小米移动软件有限公司 音量调节方法、装置及存储介质
US10846561B1 (en) 2020-04-01 2020-11-24 Scandit Ag Recognition and selection of discrete patterns within a scene or image
KR102568686B1 (ko) 2018-02-09 2023-08-23 삼성전자주식회사 컨텍스트 허브를 포함하는 모바일 장치 및 그것의 동작 방법
CN116991225A (zh) * 2018-02-14 2023-11-03 上海寒武纪信息科技有限公司 处理器的控制装置、方法及设备
US11039277B2 (en) * 2018-04-23 2021-06-15 Uber Technologies, Inc Location data transmission scheduling for a mobile computing device
KR102700032B1 (ko) 2019-01-21 2024-08-29 삼성전자주식회사 디스플레이의 손상을 방지하기 위한 전자 장치 및 방법
DE112019007085T5 (de) 2019-03-27 2022-01-20 Intel Corporation Intelligente Anzeigetafeleinrichtung und verwandte Verfahren
JP6623366B1 (ja) * 2019-03-27 2019-12-25 株式会社ＭＡＲＵＩ−ＰｌｕｇＩｎ 経路認識方法、経路認識装置、経路認識プログラム、及び経路認識プログラム記録媒体
US20200342291A1 (en) * 2019-04-23 2020-10-29 Apical Limited Neural network processing
US11379016B2 (en) 2019-05-23 2022-07-05 Intel Corporation Methods and apparatus to operate closed-lid portable computers
US11543873B2 (en) * 2019-09-27 2023-01-03 Intel Corporation Wake-on-touch display screen devices and related methods
US11733761B2 (en) 2019-11-11 2023-08-22 Intel Corporation Methods and apparatus to manage power and performance of computing devices based on user presence
JP2021089692A (ja) * 2019-12-06 2021-06-10 未來市股▲ふん▼有限公司 動作感知データ生成方法及び動作感知データ生成システム
US11809535B2 (en) 2019-12-23 2023-11-07 Intel Corporation Systems and methods for multi-modal user device authentication
US11360528B2 (en) 2019-12-27 2022-06-14 Intel Corporation Apparatus and methods for thermal management of electronic user devices based on user activity
US11356600B2 (en) * 2020-03-16 2022-06-07 Microsoft Technology Licensing, Llc Machine learning operations on different location targets using camera orientation
US11514665B2 (en) 2020-04-01 2022-11-29 Scandit Ag Mapping optical-code images to an overview image
US11171904B1 (en) 2020-05-06 2021-11-09 International Business Machines Corporation Message authentication using generative adversarial networks
US11922271B1 (en) 2020-05-15 2024-03-05 Scandit Ag Virtual screen standby mode for mobile device camera
US11403477B1 (en) 2020-05-15 2022-08-02 Scandit Ag Image exposure performance improvements for recognition of optical patterns
US11244147B2 (en) 2020-05-15 2022-02-08 Scandit Ag Optical data exchange while preserving social distancing
US11290643B1 (en) * 2020-06-26 2022-03-29 Scandit Ag Efficient digital camera image acquisition and analysis
US11139858B1 (en) 2020-07-24 2021-10-05 International Business Machines Corporation Wireless communication management
US11417001B1 (en) 2020-07-27 2022-08-16 Scandit Ag Detecting discrete optical patterns using depth estimation
US11821732B2 (en) * 2021-01-07 2023-11-21 Stmicroelectronics S.R.L. Electronic device including bag detection
US11495036B1 (en) 2021-01-29 2022-11-08 Scandit Ag Segmenting images for optical character recognition
KR20230145196A (ko) * 2021-03-01 2023-10-17 구글 엘엘씨 셀룰러 통신과 센서 데이터를 결합하기 위해 신경 네트워크를 사용하는 디바이스
JP2023003156A (ja) * 2021-06-23 2023-01-11 キヤノン株式会社 端末機器及びその制御方法並びにプログラム
US11442608B1 (en) 2021-08-06 2022-09-13 Google Llc Preserving engagement state based on contextual signals
US11880738B1 (en) 2021-08-17 2024-01-23 Scandit Ag Visual odometry for optical pattern scanning in a real scene
US20230136643A1 (en) * 2021-10-29 2023-05-04 Kyndryl, Inc. Intelligent locking of display devices for remote use
US11557136B1 (en) 2022-02-23 2023-01-17 Scandit Ag Identity document verification based on barcode structure

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102036163A (zh) * 2009-10-02 2011-04-27 索尼公司 行为模式分析系统、移动终端、行为模式分析方法和程序
WO2011156789A1 (en) * 2010-06-10 2011-12-15 Qualcomm Incorporated Pre-fetching information based on gesture and/or location

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6714778B2 (en) * 2001-05-15 2004-03-30 Nokia Corporation Context sensitive web services
US7230933B2 (en) 2002-04-17 2007-06-12 Microsoft Corporation Reducing idle power consumption in a networked battery operated device
JP4375290B2 (ja) * 2005-06-29 2009-12-02 株式会社カシオ日立モバイルコミュニケーションズ 燃料電池内蔵型の携帯端末装置及びプログラム
KR100668341B1 (ko) 2005-06-29 2007-01-12 삼성전자주식회사 사용자의 파지 형태를 이용한 휴대용 단말기의 기능 입력방법 및 장치.
KR100678713B1 (ko) 2005-10-27 2007-02-05 에스케이 텔레콤주식회사 이동통신망을 이용하여 이동통신 단말기의 대기 모드의설정을 제어하는 방법 및 시스템
US20070184845A1 (en) * 2006-02-09 2007-08-09 Troncoso Edmund R Providing geographic context for applications and services on a wide area network
WO2008008915A2 (en) * 2006-07-12 2008-01-17 Arbitron Inc. Methods and systems for compliance confirmation and incentives
WO2008051929A2 (en) * 2006-10-20 2008-05-02 T-Mobile Usa, Inc. System and method for utilizing ip-based wireless telecommunications client location data
US7835999B2 (en) * 2007-06-27 2010-11-16 Microsoft Corporation Recognizing input gestures using a multi-touch input device, calculated graphs, and a neural network with link weights
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
US8233841B2 (en) * 2008-01-30 2012-07-31 Ebay Inc. Near field communication initialization
US20090259865A1 (en) * 2008-04-11 2009-10-15 Qualcomm Incorporated Power Management Using At Least One Of A Special Purpose Processor And Motion Sensing
TW201005503A (en) * 2008-07-16 2010-02-01 Htc Corp Portable electronic device and the mode switching method thereof
US8913991B2 (en) * 2008-08-15 2014-12-16 At&T Intellectual Property I, L.P. User identification in cell phones based on skin contact
US20100142445A1 (en) * 2008-09-04 2010-06-10 Ludger Schlicht Environments for a mobile, broadband, routable internet
US8823518B2 (en) 2008-12-08 2014-09-02 Motorola Solutions, Inc. Method of sensor cluster processing for a communication device
US8311577B2 (en) * 2009-06-15 2012-11-13 International Business Machines Corporation Proactive control of mobile communications devices
JP2011087168A (ja) * 2009-10-16 2011-04-28 Rohm Co Ltd モバイル機器
JP5440251B2 (ja) 2010-02-26 2014-03-12 カシオ計算機株式会社 携帯端末及びプログラム
JP2011197719A (ja) 2010-03-17 2011-10-06 Jvc Kenwood Holdings Inc タッチパネル入力装置、タッチパネル入力装置の制御方法およびプログラム
US20110314419A1 (en) * 2010-06-22 2011-12-22 Microsoft Corporation Customizing a search experience using images
WO2012048122A1 (en) * 2010-10-06 2012-04-12 Vivotech Inc. Methods, systems, and computer readable media for provisioning location specific content information to a mobile device
US9378485B2 (en) * 2010-12-30 2016-06-28 General Electric Company Systems and methods for applying geolocation to workflows using mobile medical clients
KR101242620B1 (ko) * 2011-01-18 2013-03-19 주식회사 애트랩 터치 센서 제어기에서의 터치 신호 처리 방법 및 그 장치
KR101784316B1 (ko) * 2011-05-31 2017-10-12 삼성전자주식회사 멀티 앵글 방송 서비스 제공 방법 및 이를 적용한 디스플레이 장치, 모바일 기기
US9339727B2 (en) * 2011-06-15 2016-05-17 Microsoft Technology Licensing, Llc Position-based decision to provide service
US20120324481A1 (en) * 2011-06-16 2012-12-20 Samsung Electronics Co. Ltd. Adaptive termination and pre-launching policy for improving application startup time
US20130102359A1 (en) * 2011-10-20 2013-04-25 Tien-Hwa Ho Smart phone-combinable otologic inspection device
JPWO2013157332A1 (ja) * 2012-04-17 2015-12-21 日本電気株式会社 行動識別装置、行動識別システム及び行動識別プログラム
US9565233B1 (en) * 2013-08-09 2017-02-07 Google Inc. Preloading content for requesting applications
US9513888B1 (en) * 2014-01-30 2016-12-06 Sprint Communications Company L.P. Virtual preloads
US10991033B2 (en) * 2016-10-28 2021-04-27 International Business Machines Corporation Optimization of delivery to a recipient in a moving vehicle

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102036163A (zh) * 2009-10-02 2011-04-27 索尼公司 行为模式分析系统、移动终端、行为模式分析方法和程序
WO2011156789A1 (en) * 2010-06-10 2011-12-15 Qualcomm Incorporated Pre-fetching information based on gesture and/or location

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107836001A (zh) * 2015-06-29 2018-03-23 微软技术许可有限责任公司 硬件加速器上的卷积神经网络
US11200486B2 (en) 2015-06-29 2021-12-14 Microsoft Technology Licensing, Llc Convolutional neural networks on hardware accelerators
CN106326984A (zh) * 2016-08-09 2017-01-11 北京京东尚科信息技术有限公司 用户意图识别方法和装置、自动应答系统
CN110382065A (zh) * 2017-03-06 2019-10-25 塞弗斯公司 交互式数字平台设备和方法
CN110382065B (zh) * 2017-03-06 2023-07-07 塞弗斯公司 交互式数字平台设备和方法
CN113541700A (zh) * 2017-05-03 2021-10-22 弗吉尼亚科技知识产权有限公司 用无线电信号变换器学习无线电信号的方法、系统和装置
CN113541700B (zh) * 2017-05-03 2022-09-30 弗吉尼亚科技知识产权有限公司 用无线电信号变换器学习无线电信号的方法、系统和装置
US11468317B2 (en) 2017-05-03 2022-10-11 Virginia Tech Intellectual Properties, Inc. Learning radio signals using radio signal transformers
US12061982B2 (en) 2017-05-03 2024-08-13 Virginia Tech Intellectual Properties, Inc. Learning radio signals using radio signal transformers
CN110476141A (zh) * 2017-09-13 2019-11-19 视信有限责任公司 视线跟踪方法及用于执行该方法的用户终端
CN110019688A (zh) * 2019-01-23 2019-07-16 艾肯特公司 对机器人进行训练的方法

Also Published As

Publication number Publication date
IL245621A (en) 2017-02-28
CA2909567A1 (en) 2014-01-23
CA2879128C (en) 2016-01-05
BR112015001248A2 (pt) 2017-07-04
EP2688311A3 (en) 2017-11-15
KR20150129051A (ko) 2015-11-18
IL250274B (en) 2019-06-30
JP2017084370A (ja) 2017-05-18
MX351032B (es) 2017-09-28
MX342527B (es) 2016-10-03
IL236749A (en) 2016-06-30
KR101792082B1 (ko) 2017-11-01
AU2013290489B2 (en) 2015-11-26
US20140025973A1 (en) 2014-01-23
JP2015528253A (ja) 2015-09-24
CA2879128A1 (en) 2014-01-23
IL250274A0 (en) 2017-03-30
JP6235681B2 (ja) 2017-11-22
KR101569423B1 (ko) 2015-11-16
IL245621A0 (en) 2016-06-30
US9591580B2 (en) 2017-03-07
KR20150038141A (ko) 2015-04-08
US10219222B2 (en) 2019-02-26
EP2688311B1 (en) 2020-09-16
WO2014014800A1 (en) 2014-01-23
US9052896B2 (en) 2015-06-09
IL236749A0 (en) 2015-02-26
US20170064624A1 (en) 2017-03-02
MX2015000906A (es) 2015-09-21
AU2013290489A1 (en) 2015-02-19
EP2688311A2 (en) 2014-01-22
US20190174419A1 (en) 2019-06-06
CA2909567C (en) 2018-01-02
US20150215871A1 (en) 2015-07-30
CN104641657B (zh) 2017-06-09
JP6039072B2 (ja) 2016-12-07

Similar Documents

Publication Publication Date Title
CN104641657B (zh) 基于用户意图和/或身份调整移动设备状态
Masoud et al. Sensors of smart devices in the internet of everything (IoE) era: big opportunities and massive doubts
US10620685B2 (en) Adjusting mobile device state based on user intentions and/or identity
US9955067B2 (en) Initializing camera subsystem for face detection based on sensor inputs
CN104995581B (zh) 电子设备的手势检测管理
CN107209819B (zh) 通过对移动装置的连续鉴定的资产可存取性
CN106445065A (zh) 用于根据状态进行控制的方法及其电子装置
CN106020660A (zh) 终端及其操作方法
CN103931163A (zh) 控制对移动装置的存取
KR102621649B1 (ko) 사용자의 활동 패턴과 관련된 타인의 활동 정보를 제공하는 방법 및 그 전자 장치
CN107548568A (zh) 用于设备功能的场境发现的系统和方法
CN117115596B (zh) 对象动作分类模型的训练方法、装置、设备及介质
AU2015252057B2 (en) Adjusting mobile device state based on user intentions and/or identity

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: California, USA

Patentee after: Yuan platform Co.

Address before: California, USA

Patentee before: Facebook, Inc.

CP01 Change in the name or title of a patent holder