CN104781787A - 用于功率有效分类的循序特征计算 - Google Patents

用于功率有效分类的循序特征计算 Download PDF

Info

Publication number
CN104781787A
CN104781787A CN201380059523.7A CN201380059523A CN104781787A CN 104781787 A CN104781787 A CN 104781787A CN 201380059523 A CN201380059523 A CN 201380059523A CN 104781787 A CN104781787 A CN 104781787A
Authority
CN
China
Prior art keywords
feature
calculating
classification
end condition
data sample
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
CN201380059523.7A
Other languages
English (en)
Other versions
CN104781787B (zh
Inventor
里昂纳德·亨利·葛罗科普
迪沙·阿胡贾
拉希米·库尔卡尼
尚卡尔·萨达希瓦姆
爱德华·哈里森·蒂格
桑吉夫·南达
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.)
Qualcomm Inc
Original Assignee
Qualcomm 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 Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN104781787A publication Critical patent/CN104781787A/zh
Application granted granted Critical
Publication of CN104781787B publication Critical patent/CN104781787B/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
    • G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本文揭示一种用于特征的功率有效处理器调度的设备和方法。在一个实施例中，特征可经调度以供循序计算，且每一所调度特征可接收传感器数据样本作为输入。在一个实施例中，调度可至少部分基于每一相应特征的所估计功率使用。在一个实施例中，可计算特征的循序调度表中的第一特征，且可在计算特征的所述循序调度表中的第二特征之前评估终止条件。

Description

用于功率有效分类的循序特征计算
技术领域
本文揭示的标的物大体涉及功率管理技术和特征调度。
背景技术
电子装置可装备有多种传感器和输入以监视和发现关于装置的环境的信息。举例而言，耦合到装置的加速计可用于测量装置移动的方面。
在装置上运行的程序或应用可频繁利用从例如加速计等传感器接收的数据，且可频繁处理来自传感器的传入数据以便提供增强的用户体验。在一些情况下，装置处理连续从多个现用传感器传入的数据。在一些情况下，用以处理传感器数据的代码或程序可使用相对大量的功率资源。装置传感器数据的恒定和/或集中处理可对在电池耗尽之前用户可使用装置的时间长度具有显著影响。
因此，需要新颖且改进的功率有效传感器数据处理技术。
发明内容
本文揭示的实施例可涉及一种调度用于循序计算的特征的装置。所述装置可包含存储器和耦合到存储器的处理器。处理器可经配置以循序调度用于计算的多个特征，其中所述多个特征的每一者接收传感器数据样本作为输入，且其中所述调度至少部分基于每一相应特征的所估计功率使用。在一个实施例中，计算第一特征，接着计算用于计算的特征的循序调度表中的第二特征，且评估终止条件。
在一些实施例中，一种方法包括计算经排序多个特征的第一特征，其中所述多个特征的每一者接收传感器数据样本作为输入，且其中所述多个特征的次序基于所述多个特征的至少一个特征的所估计计算功率使用；以及在计算所述经排序多个特征的第二特征之前评估终止条件。在一些实施例中，所述多个特征循序排序。在一些实施例中，所述方法进一步包括估计所述多个特征中的特征的每一者的计算功率使用，以及基于所述估计对所述多个特征排序。在一些实施例中，所述方法进一步包括确定第一特征的计算的结果满足终止条件；以及将传感器数据样本分类。在一些实施例中，所述方法进一步包括计算用于计算的特征的循序次序中的第二特征；确定第二特征的计算的结果满足终止条件；以及将传感器数据样本分类。在一些实施例中，传感器数据样本源自一或多个传感器。在一些实施例中，传感器是加速计、陀螺仪、磁力计或麦克风中的一或多者。在一些实施例中，评估终止条件包括将第一特征与训练数据集比较。在一些实施例中，所述方法进一步包括计算置信度值；以及基于所述置信度值大于阈值而确定满足终止条件。在一些实施例中，所述多个特征的次序进一步基于将传感器数据样本分类的特征的所估计概率。在一些实施例中，所述方法进一步包括将第一特征与预先计算的训练数据样本比较。
在一些实施例中，一种方法包括基于多个特征的所估计计算功率使用循序计算所述特征中的一或多个特征，其中所述多个特征的每一者接收传感器数据样本作为输入；以及在计算所述多个特征的额外特征之前评估终止条件。在一些实施例中，在计算每一特征之后评估终止条件。在一些实施例中，所述方法进一步包括基于所计算的特征将传感器数据样本分类。
附图说明
图1为可在其中实践本发明的方面的系统的框图；
图2为在一个实施例中包含传感器和示范性处理模块的系统的框图；
图3说明在一个实施例中循序特征计算的流程图；
图4说明在一个实施例中可由功率简档模块执行的过程的流程图；
图5为说明在一个实施例中特征空间中的三个分类的训练数据的图表；
图6说明在一个实施例中可由调度模块执行的过程的流程图；
图7说明用于处理特征以进行运动状态分类的一个实施例的流程图；
图7B说明用于处理特征以进行运动状态分类的一个实施例的流程图；
图8说明用于处理特征以进行语音检测的一个实施例的流程图；
图9说明用于处理特征以确定装置位置的一个实施例的流程图；以及
图10说明用于传感器数据分类的方法的一个实施例的流程图。
具体实施方式
词语“示范性”在本文中用于意味着“充当实例、例子或说明”。本文中描述为“示范性”或描述为“实例”的任何方面或实施例不一定解释为比其它方面或实施例优选或有利。
装置概观
图1为说明可在其中实践本发明的实施例的示范性数据处理系统的框图。所述系统可为装置((例如，装置100)，其可包含一个或多个处理器101、存储器105、I/O控制器125和网络接口110。装置100还可包含耦合到一或多个总线或信号线的若干装置传感器，所述总线或信号线进一步耦合到处理器101。应了解，装置100还可包含显示器120、用户接口(例如，键盘、触摸屏或类似装置)、供电装置121(例如，电池)，以及通常与电子装置相关联的其它组件。在一些实施例中，装置100可为移动或非移动装置。网络接口110还可耦合到若干无线子系统115(例如，蓝牙、WiFi、蜂窝式或其它网络)以经由无线链路将数据流发射到无线网络/从无线网络接收数据流，或可为用于直接连接到网络(例如，因特网、以太网或其它无线系统)的有线接口。因此，装置可为：移动装置、无线装置、手机、个人数字助理、移动计算机、平板计算机、个人计算机、膝上型计算机，或任何类型的具有处理能力的装置。
装置可包含传感器，例如近程传感器130、环境光传感器(ALS)135、加速计140、陀螺仪145、磁力计150、气压传感器155和/或全球定位传感器(GPS)160。在一些实施例中，麦克风165、相机170和/或无线子系统115用作传感器以分析装置的环境。举例而言，来自相机170的图像可提供用于确定相机170是否被外部对象阻挡的数据，其又可帮助确定装置的位置(例如，在用户的口袋或包袋内)。
存储器105可耦合到处理器101以存储指令供处理器101执行。在一些实施例中，存储器105为非瞬时的。存储器105还可存储一或多个模型或模块以实施下文描述的实施例。存储器105还可存储来自集成或外部传感器的数据。此外，存储器105可存储应用程序接口(API)用于存取下文更详细描述的模块171(例如，功率简档模块、调度模块和分类器模块)。存储器105还可存储描述预定义特征调度信息的配置文件、训练数据样本、传感器数据样本，或关于分类或特征的功率简档。虽然模块171说明为与装置100中的其它元件分离，但模块171可完全或部分由图1中说明的其它元件实施，例如在处理器101和/或存储器105中，或在装置100的另一处理器和/或存储器中，或在装置100的一或多个其它元件中。关于模块171的实施方案的额外细节在下文描述。
应了解，如下文将描述的本发明的实施例可通过装置的处理器101和/或装置的其它电路和/或其它装置经由执行例如存储在存储器105或其它元件中的指令而实施。特定来说，装置的电路(包含但不限于处理器101)可在程序、例程或用以执行根据本发明的实施例的方法或过程的指令的执行的控制下操作。举例来说，此程序可在固件或软件中实施(例如，存储在存储器105和/或其它位置中)且可由处理器来实施，例如，处理器101和/或装置的其它电路。另外，应了解，术语“处理器”、“微处理器”、“电路”、“控制器”等是指能够执行逻辑、命令、指令、软件、固件、功能性等的任何类型的逻辑或电路。
此外，应了解，本文描述的一些或所有功能、引擎或模块可由装置本身执行，且/或本文描述的一些或所有功能、引擎或模块可由经由I/O控制器125或网络接口110(以无线方式或有线方式)连接到装置的另一系统执行。因此，一些和/或所有功能可由另一系统执行，且结果或中间计算可传递回到装置。在一些实施例中，此另一装置可包括经配置以实时或近实时处理信息的服务器。在一些实施例中，另一装置经配置以例如基于装置的已知配置预先确定结果。此外，图1中说明的元件的一或多者可从装置100省略。举例而言，传感器130中的一或多者可在一些实施例中省略。
循序特征计算概观
装置可处理或计算从一或多个传感器(例如，近程传感器130、ALS 135、加速计140、陀螺仪145、磁力计150、气压传感器155、温度传感器151、GPS 160、麦克风165、相机170、无线子系统115或其它传感器)接收的数据以输出和/或报告关于装置的环境的信息。装置可能够存取始终为开启或常常现用的分类器以解释传感器数据的一或多个流或样本。在一个实施例中，分类器被实施为如下文详细描述的一或多个模块或引擎。
图2是说明在一个实施例中包含传感器285和示范性处理模块171的装置100的子区段的框图。传感器285可包括近程传感器130、ALS 135、加速计140、陀螺仪145、磁力计150、气压传感器155、温度传感器151、GPS 160、麦克风165、相机170、无线子系统115或其它传感器中的任一者或多者。模块171可例如作为装置100的子组件直接实施在硬件或固件中，其中专门处理器或实施方案共享中央处理单元(例如，处理器101)。或者，模块可实施在由处理器执行的软件中，或利用软件与硬件的组合实施。软件模块可驻留在存储器(例如，存储器105)或此项技术中已知的其它形式的存储媒体中。所属领域的技术人员将认识到，本文揭示的模块可表示用于实行可在此项技术中已知的多种替代实施方案中实施的循序特征计算的方面的功能过程。虽然分类器模块299、功率简档模块290和调度模块295在图2中单独说明，但这些模块中的一或多者的功能性可组合或可以与上文描述的方式不同的方式分布。举例而言，功率简档模块290和调度模块295可在一些实施例中组合。类似地，分类器模块299和调度模块295可在一些实施例中组合，且/或分类器模块299和功率简档模块290可在一些实施例中组合，或分类器模块299、功率简档模块290和调度模块295全部可组合为单一模块或在三个以上模块间分开。
在一个实施例中，功率简档模块(例如，功率简档模块290)可确定用以计算特征的所估计功率使用。在一个实施例中，调度模块(例如，调度模块295)可接收传感器数据并自动调度特征处理。在一个实施例中，分类器模块(例如，分类器模块299)可处理或计算来自传感器数据样本的特征且输出分类。如本文所使用，数据样本可包含来自传感器(例如，装置的传感器285)的所接收数据或输出的一部分。分类器模块299的输出可由应用使用(例如，应用291可在装置100上执行且可为锻炼计划、活动记录器、日历应用或用以读取传感器数据分类的其它软件)。虽然应用291说明为与装置100中的其它元件分离，但应用291可完全或部分由图1中说明的其它元件实施，例如在处理器101和/或存储器105中，或在装置100的另一处理器和/或存储器中，或在装置100的一或多个其它元件中。
在一些实施例中，为平衡效用与功率消耗，分类器模块299可实施低功率消耗模式，同时提供输入传感器数据的准确分类。在一个实施例中，代替于通过移除功能性(例如，减少可用特征的数目)而减少功率消耗，分类器模块299可以功率有效方式调度特征的处理，同时维持总体装置功能性。
如本文使用的特征指代对数据(例如，来自传感器的目标数据集或其它输入)执行的计算的输出。特征可用于分类数据集。举例而言，在对加速计数据执行计算以确定一或多个特征后，所得特征可经分析以分类加速计数据(例如，以确定加速计数据可能指示检测到跑动运动)。
在一个实施例中，分类器模块299可从调度模块295调用或接收数据，如下文更详细描述。调度模块295可有效调度特征以供由处理器计算，使得可减少或避免不必要的特征计算。举例而言，代替于计算与传感器数据样本相关联的所有特征，调度模块295可确定特征计算的功率有效处理调度表使得战略上减少或最小化功率集中计算。在一个实施例中，调度模块295或分类器模块299可接收或存取特征功率使用估计(例如，从功率简档模块290)。
在一个实施例中，可循序计算一或多个特征。举例而言，可一次一个地(例如，串行)计算特征的集合或系列中的每一特征直到达到终止条件为止。在一些实施例中，可在序列的特定步骤或层级处计算多个特征。举例而言，分类器299可计算一或多个特征直到计算一特征以明确地分类传感器数据样本为止。在一个实施例中，当特征与训练数据集比较时分类是明确的，且所述特征与确定为与特定分类相关联的先前计算的结果近似匹配(例如，在其阈值内)。下文进一步详细描述特征和相关计算。
图3说明在一个实施例中循序特征计算的流程图。在框305处，调度模块295至少部分基于特征的所估计计算功率使用而调度特征。在一些实施例中，调度特征的计算可指代调度所述特征，或指代某一其它类似术语。举例而言，特征A可在特征B之前调度，因为特征A具有比特征B低的所估计计算功率使用简档。在其它实施例中，分类器模块299或分类器模块299与调度模块295的组合可提供调度。调度特征在下文更详细地描述。
在框310处，分类器模块299可计算特征。举例而言，第一特征可为来自加速计(例如，加速计140)的原始数据的均值和/或标准偏差，或来自麦克风(例如，麦克风165)的原始数据的第一梅尔频率倒频谱系数。计算特征的实例在下文更详细地描述。
在框315处，分类器模块299可基于所计算特征评估终止条件。举例而言，终止条件的评估可涉及计算置信度值，以及当置信度值大于阈值置信度值时确定满足终止条件。在一个实施例中，阈值置信度值可通过将特征与训练数据集比较来确定。在一个实施例中，确定特征提供高置信度值分类使得分类器模块299能够退出(例如，跳过剩余所调度特征的计算)并输出所述分类。在一个实施例中，分类器模块299重复穿过多个特征直到确定高置信度值分类为止。
传感器数据
在一个实施例中，装置可从一或多个集成或外部传感器(例如，上文描述的传感器285和输入中的一或多者)读取或接收数据。装置可经由I/O控制器125从以通信方式连接的外部装置接收外部传感器数据(例如，经由到外部相机的USB连接或WiFi连接)。装置可接收原始传感器数据以用于特征计算，如下文所描述。在其它实施例中，中间装置或程序可在由装置进行特征计算之前预先处理传感器数据。为易于描述，如本文所使用的传感器数据指代未经处理的数据(例如，从加速计、环境光传感器、麦克风或其它传感器接收的数据)。举例而言，来自加速计的数据可具有时间、沿着x轴的加速度、沿着y轴的加速度和沿着z轴的加速度的属性。然而，如上文所描述，可在一些实施例中以其它形式接收和处理传感器数据。
来自例如加速计等传感器的数据可以特定频率(例如，依据取样装置和数据要求，50Hz、60Hz或其它速率)取样。在一个实施例中，在从来自传感器的数据的流或集合选择的时刻、时间切片或时间窗上执行特征计算。举例而言，装置可从选自传感器数据的较长流(例如，十秒时间周期或某一其它时间周期)或样本的一秒时间周期计算特征。举例而言，原始加速计数据可在60Hz取样使得1秒数据在x轴、y轴和z轴中提供60个三维加速计向量样本，净输入大小为180个样本。
在一个实施例中，分类器模块299可将传感器数据样本与训练数据样本(例如，来自先前计算的训练集合)比较以分类传感器数据样本。
特征计算
在一个实施例中，分类器(例如，分类器模块299)可计算、处理或提取来自如上文揭示的传感器数据(例如，来自麦克风、加速计、环境光传感器或其它输入的原始数据)的一或多个特征。举例而言，分类器模块可接收来自加速计的原始传感器数据(例如，传感器数据样本)作为输入，且输出均值和/或标准偏差。所述均值和/或标准偏差可用于确定分类(例如，步行或坐下)。在一个实施例中，特征为来自由处理器101在存储器105中执行的计算机代码的值、输出或结果。实例特征在下文更详细地描述。
功率简档建立
在一个实施例中，功率简档模块可估计在计算特征时装置的功率消耗。功率消耗可基于训练数据集预先确定。举例而言，可计算特征A达若干迭代以估计当装置计算特征A时的功率使用。此估计可在所述装置上或另一装置处执行，且功率估计值传递到所述装置。当调度特征的次序或序列时，功率简档模块可参考历史或平均功率汲取、电池电荷损失或其它功率使用表示。功率简档模块还可计算其它特征以将一个特征的所估计功率使用与另一特征比较。举例而言，功率简档模块可计算特征B达若干迭代以确定特定针对特征B的功率使用。此估计可在所述装置上或另一装置处执行，且功率估计值传递到所述装置。在另外其它实例中，特征的集合或序列一起计算或并行计算且记录整个集合或系列的功率消耗。
不同特征或不同特征集合可具有不同处理步骤或类似处理步骤的不同排序。装置可将个别特征或特征的集合以从最大功率消耗到最少功率消耗的次序分级。在一个实施例中，特征的功率简档与用于计算特征的程序或应用代码相关联。在一些实施例中，对特征的集合或群组实行功率简档建立。举例而言，代替于为一个特征的所估计功率使用建立简档或除此之外，特征的集合或群组并行或循序执行且作为一个集合建立简档(例如，功率简档Z与特征1、2和3的功率使用相关联)。例如分类器模块或调度模块等其它程序或硬件可存取功率简档。或者，功率简档模块或引擎可集成到装置、分类器模块或调度模块中。
图4说明在一个实施例中可由功率简档模块执行的过程的流程图。在框405处，功率简档模块可读取传感器数据。
在框410处，功率简档模块可基于传感器数据计算特征。
在框415处，功率简档模块可估计和记录与计算特征相关联的功率使用。在一个实施例中，功率简档模块可在多个迭代上计算同一特征且记录迭代系列的平均功率使用。
在框420处，功率简档模块可确定是否通过返回到框410而对额外或不同特征建立简档。在一个实施例中，特征可来自与先前在框410处计算的初始特征不同的传感器数据或相同的传感器数据。
在框425处，功率简档模块可确定没有更多特征排队用于建立简档，且可输出经建立简档的特征的概要。举例而言，功率简档模块可输出每一经建立简档的特征以及相关联所估计功率使用的文件或记录。在一些实施例中，分类器模块和/或调度模块可存取输出概要且基于输出概要中的所估计历史功率使用调度特征以供处理。
在一些实施例中，在例如训练系统或服务器等单独装置上计算功率简档，且训练系统上功率简档建立的结果保存到文件或数据库以供由耦合到装置(例如，便携式装置)的功率简档模块存取。在一些实施例中，安装或耦合到便携式装置的功率简档模块可因此存取预先确定的或预先计算的功率简档且不必在调度特征之前计算或产生功率简档。
训练数据
在一个实施例中，分类器模块可读取训练数据以确定用于分类特征的基线参考。举例而言，分类器模块可将特征Z与同类别相关联的先前特征计算比较以确定特征Z是否准确分类传感器数据样本。
图5描绘在一个实施例中特征空间中的实例类别A(505)、B(510)和C(515)的训练数据。在此实例中，x轴520表示特征1的数据点(例如，来自计算来自数据集的特征1的结果)。y轴525表示特征2的数据点(例如，来自计算来自数据集的特征2的结果)。在此实例中，特征1和2用于将数据点分类为属于三个类别中的一者。此实例中的第一特征为轻量的(例如，低功率使用)使得处理器可使用与其它特征相比相对少的操作或循环计算特征1，从而产生与特征2相比较低的功率消耗。第二特征(特征2)为重量的且与特征1相比可使用更复杂的处理器操作或具有更多循环待执行，以及相对显著的功率使用。
图5说明特征1可用于区分类别A与类别B和C之间的数据点。然而，特征1不能准确区分类别B与类别C。因此，当特征1不足以以高置信度确定类别时，分类器模块可计算特征2。当存在特征1足以确定类别的高置信度时，分类器模块可首先计算特征1(轻量特征520)且可跳过计算特征2(重量特征525)。
为进一步说明可如何在一个实施例中实现功率节省，图5说明图表上的四个实例坐标：x＝4(530)、x＝-2(535)、x＝0(550)以及x,y＝-2,4(540)。
第一实例530说明计算特征1之后的特征值4。在此第一实例530中，特征值4在图表上表示为特征空间中的线(由在值4处与x轴相交的线530说明)。在一个实施例中，最接近的相邻分类器使用训练数据样本和近程来确定分类。最接近的相邻分类器可直接分类数据并产生类别A中的高置信度，因为特征1的结果(值4)的最接近的数据点(x轴上4的最接近值)与类别A相关联(由图5中的图表的中间右侧部分中聚集的数据点表示)。因此，当特征1为4时，类别A可容易确定和指派而不计算特征2。在此实例中，节省用以计算特征2的功率使用，且装置功率消耗与针对每个类别计算每个特征的装置相比减少。
第二实例535说明当计算特征1时的结果-2。在此第二实例中，特征值是特征空间中的线(由在-2处与x轴相交的线535说明)。在此实例中，特征1的值为-2，且因此仅基于特征1确定高置信度分类是不可能的。使用最接近的相邻分类器来直接分类数据产生类别A中的低置信度，因为特征1的结果(值-2)的最接近的数据点与类别A相比更接近类别B和类别C。此外，因为最接近的相邻分类器无法以高置信度确定类别B或类别C是否为最接近的相邻者，所以可接着计算特征2。在此实例中，计算特征2，从而产生特征2值4，在图表中表示为点-2,4(540)。点-2,4(540)可以高置信度分类为类别B，因为点-2,4(540)的最接近的相邻者(例如，基于训练数据)与类别B相关联。
第三实例545说明在计算特征1之前计算特征2值4。在此第三实例545中，特征2值4在图表上表示为特征空间中的线(由在值4处与y轴相交的线545说明)。最接近的相邻分类器可直接分类数据并产生类别B中的高置信度，因为特征2的结果(值4)的最接近的数据点(y轴上4的最接近值)与类别B相关联(由图5中的图表的左上部分中聚集的数据点表示)。因此，类别B可容易确定和指派而不计算特征1。在此第三实例中，可节省用以计算特征1的功率，且装置功率消耗与装置必须始终在特征2之后计算特征1相比减少。
第四实例550说明在计算特征2之前特征1值0。在此第四实例550中，特征1值0在图表上表示为特征空间中的线(由在值0处与x轴相交的线550说明)。在此实例训练集合中，具有值0的特征1不能在无进一步特征处理的情况下以高准确性分类。使用最接近的相邻分类器直接分类数据产生类别A、B和C中的低置信度，因为来自类别A、B和C的数据点全部相对接近特征1的结果(类别A、B和C全部具有在x轴值0上或附近的至少一个数据点)。因为最接近的相邻分类器无法以高置信度仅基于特征1确定类别A、B和C是否为最接近的相邻者，所以可计算特征2。在其它实施例中，如果单一特征无法准确提供分类，那么可针对不同时刻获得新的传感器数据样本，且可重新计算特征且/或可例如基于新传感器数据样本计算额外特征。新传感器数据样本可包括来自提供用于计算特征1的数据的相同传感器的数据和/或来自一或多个额外传感器的数据。在一些实施例中，可在计算下一特征之前针对多个时间点计算特征多次。在其它实施例中，当特征不可能产生准确分类时，自动计算下一特征直到计算所有特征为止，且可确定基于所计算特征的一或多者的分类的最佳估计。
在一个实施例中，当分类无法从第一特征计算准确确定时，装置可计算第二特征且利用两个特征或仅第二特征作出分类决策。在第一特征足以作出准确类别确定从而跳过后续特征计算的情形中节省功率。
虽然本文的一些实例涉及跳过或绕过两个特征集合中的第一特征，但所属领域的技术人员将认识到，可使用本文描述的技术跳过或绕过特征的集合或群组中的任何数目的特征。在一些实施例中，在计算后续特征时可跳过一或多个特征。举例而言，给定特征集合1、2、3、4、5，可跳过特征2和4使得计算特征1、3和5，从而节省计算特征2和4所需的功率使用。在另一实例中，可跳过或绕过特征1、2和3使得计算特征4和5。
在其它实施例中，代替于直接使用训练数据来分类数据(例如，上文描述的最接近的相邻分类器)，可使用从训练数据预先计算的模型(例如，支持向量机、神经网络、决策树、贝叶斯分类器等)。
特征调度器
在一个实施例中，调度模块295可调节用于计算的一或多个特定特征的优先权或位置(例如，以在处理队列中较早或较迟计算特征)。调度模块295可布置特征的处理(例如，计算)次序以分类传感器数据样本。调度模块可例如从应用接收请求；以区分特定分类(例如，静止、步行、跑动、不安定)使得所述应用可执行分类相关操作。在此实例中，调度模块可将用以区分静止或移动的特征相对于关于跑动、步行或其它移动的特征优先排序为具有较高调度优先权。
在一个实施例中，调度模块可基于以下中的一或多者对用以计算的特征进行排序或布置：待区分的所要类别、可用训练数据、每一类别的相对发生频率和/或计算每一特征所需的相对功率。调度模块可为分类器模块的组件或可为独立模块或引擎。在一个实施例中，调度模块调度特征以供由处理器循序或串行执行而非并行或不按调度表执行。
调度模块可基于待区分的所要类别对特征进行循序排序。举例而言，调度模块可确定传感器类型为加速计且基于加速计输出可确定静止、步行、不安定、跑动的分类。因此，可基于确定传感器为加速计而确定多个不同分类。接下来，调度模块可确定与不同分类相关联的特征。均值和/或标准偏差可用于确定装置和用户是否正在移动。因此，调度模块可将特征排序使得在不能准确区分可能分类的其它特征之前计算标准偏差。类似地，如果待确定的两个分类仅为坐下和站立，那么标准偏差可不首先排序，因为标准偏差不能提供两个可能类别之间的任何区分。
调度模块可基于每一类别的相对发生频率对特征进行循序排序。举例而言，调度模块可确定步行是比其它分类更经常发生的分类。基于确定装置静止比步行、跑动或不安定更可能发生，调度模块可将与确定装置是否静止相关联的特征调度(用于计算)在与确定数据集表示步行、跑动还是不安定相关联的特征之前。
调度模块还可基于历史或预先计算的训练数据集调度特征计算。在一个实施例中，特征调度器(例如，调度模块)能够存取报告类别的每一者的相对发生频率的概率数据。
举例而言，如果训练数据集已展示能够仅以特征1区分类别X与类别Y的高可能性，而特征2不能在无特征3的辅助的情况下区分类别X与类别Y，那么调度模块可将用于计算的特征1优先排序在特征2和特征3之前。
在另一实例中，特征调度器或调度模块可确定静默在训练数据样本中与其它类别(例如，一个人讲话或多个人讲话)相比以高频率发生。因此，特征调度器或调度模块可将与例如静默等高概率类别相关联的特征的调度或计算优先排序。如果特征X与Y之间的功率使用近似相同，那么特征调度器或调度模块可确定与高概率类别相关联的特征X应在与低概率类别相关联的特征Y之前计算。在其它实施例中，类别将在传感器数据样本中发生的概率还可用于将重量特征相对于轻量特征优先排序。
使用如上文来自图5的实例，来自装置的传感器数据样本可分类为类别A、类别B或类别C。延期计算特征1和特征2(循序或并行)可提供目标数据集的准确分类。然而，如上文揭示，特征1为轻量计算且特征2为相对重量计算。因此，将用于计算的特征1调度在特征2之前的某一时刻可能是有益的。
举例而言，当读取或使用原始加速计数据将运动状态分类为静止、步行、不安定或跑动时，可使用两个或两个以上特征。在此实例中，计算特征1和计算特征2各自使用一定量的处理功率(例如，CPU循环、瓦等)。与每一特征相关联的所估计处理功率使用可基于如先前在上文描述的功率简档建立模块和训练数据。
为了确定哪些特征可提供针对特定类别的准确确定，每一特征可在训练数据集期间计算且可经分析以确定哪些特征可独立地分类特定类别。举例而言，特征1可能够确定装置用户在移动还是静止。在一个实施例中，如果特征1确定装置静止，那么不调度更多运动特征，因为静止装置依据定义不在步行、不安定或跑动。在其它实施例中，如果特征1确定装置为静止，那么可计算关于装置定向的更多特征以确定静止装置在手中、口袋中、桌子上还是其它位置。
在一个实施例中，如果特征1确定装置在移动(例如，不静止)，那么额外特征可用于进一步界定装置在步行、不安定还是跑动。使用比重量特征(例如，特征2)少的功率的轻量特征(例如，特征1)可与其它特征隔离而首先计算以确定是否可确定分类。重量特征可在确定第一特征不能提供准确分类时开始执行。
在一个实施例中，调度模块可基于每一特征的所估计计算功率使用(例如，来自上文揭示的功率简档建立的所估计使用)将特征循序排序。处理功率的所估计电平可由历史运行或预先计算的训练数据确定。
在其它实施例中，调度模块可使用上文揭示的调度方法的一或多者的组合来调度用于计算的特征。
在另外其它实施例中，调度模块接收特征的预定次序，或识别其先前确定的次序，且可检验根据所接收或识别的次序执行特征的所述次序。举例而言，调度模块可读取预先布置的特征集合且调度特征以供处理器或单独模块(例如，分类器模块)以正确次序执行。所述次序可能已根据上文描述的排序和/或技术确定。因此，在一些实施例中，调度(例如，通过调度模块295)包括根据可能已依据本文描述的原理确定的所接收或先前确定的次序调度特征以供执行。
图6说明在一个实施例中可由调度模块执行的过程的流程图。在框605处，可从传感器读取原始数据。举例而言，调度模块可从加速计140、麦克风165、环境光传感器135或装置中的其它传感器读取数据。
在框610处，可基于传感器的类型确定一或多个可能分类。举例来说，调度模块可确定装置的用户是否在步行、用户可如何在握持所述装置、装置的用户是否在讲话或其它分类。
在框615处，可确定用于在框610中存在的分类的特征。举例来说，调度模块可确定分类A、B和C基于传感器类型是可能的，且特征X、Y和Z可分类来自传感器的数据。
在框620处，可读取功率使用数据。在一个实施例中，分类器模块或调度模块可读取或存取功率简档模块产生的功率使用数据。
在框625处，调度特征以供处理或计算。举例来说，调度模块可将特征X、Y和Z排序以供由处理器101循序处理使得特征X在Y之前处理且Y在Z之前处理。在一个实施例中，处理次序传递或发送到分类器模块或调度模块以供处理。
运动状态
在一个实施例中，装置可通过测量来自如上文所揭示的装置传感器中的一或多者的输出而测量装置的运动。传感器数据可用于确定装置的运动状态。用于特征计算的装置传感器数据可确定多种运动状态(例如，静止、步行、不安定、驾驶、跑动或类似状态)。
图7说明用于调度特征以进行运动状态分类的一个实施例的流程图。在框705处，可从加速计传感器(例如，加速计140)读取加速计原始数据。举例来说，调度模块或分类器模块可读取原始加速计数据。在一个实施例中，调度或分类器模块可在加速计检测运动时通过硬件或软件自动触发。
在框710处，可确定来自加速计数据的可能的一或多个可能分类。举例来说，调度模块或分类器模块可确定以下运动状态或类别是可能的：静止、步行、驾驶、不安定、跑动。
在框715处，可将用于分类传感器数据的特征排序。举例来说，调度模块或分类器模块可使用加速计数据来确定加速计的标准偏差和装置的定向的一个轴线(纵倾)。调度模块或分类器模块可确定标准偏差经估计以使用比纵倾少的功率，且在调度纵倾之前调度标准偏差以供由处理器计算。
在框720处，可计算原始传感器数据的标准偏差。举例来说，给定3D加速计向量，分类器模块可计算其范数且估计这些范数的标准偏差。此特征可用于区分例如坐下/站立和步行等运动状态，因为其可由各种程度的加速计变化识别。
在框725处，可确定(例如，通过分类器模块)置信度值。如果置信度值在阈值以上(例如，装置可基于用户偏好或默认值设定置信度阈值)，那么分类器模块继续以输出所确定的分类。在一个实施例中，置信度值可通过分类器模块基于两个最接近类别的统计可能性L1和L2来计算，例如：
C = log ( L 1 ) - log ( L 2 ) | log ( L 1 ) + log ( L 2 ) |    等式1
在一些实施例中，基于训练数据和经评估的特征计算用于分类器的置信度值。
在框730处，在未满足先前特征的置信度阈值的情况下可计算(例如，通过分类器模块)下一特征。举例来说，下一特征可为纵倾或装置的表面相对于重力的定向。此定向可表征为被称作纵倾和侧滚的两个角。纵倾是围绕x轴的旋转且范围介于(–π,π]。通过首先对加速计向量求平均且接着计算纵倾而计算平均纵倾，例如：
ap = a tan 2 ( 1 N Σ n = 1 N a y ( n ) , 1 N Σ n = 1 N a z ( n ) )    等式2
且加速计样本是：a(n)＝(ax(n)ay(n)az(n))，其中N是在上面计算特征的窗口中的向量样本的数目(例如，对于60Hz样本为60个)。
纵倾可用于当装置在裤子口袋中且在更小程度上在手中时区分坐下和静止，以及例如用于确定装置位置。
在一个实施例中，第二或额外加速计相关特征可与计步器相关联。举例来说，第一特征(例如，标准偏差)可确定装置在移动(即，非静止)。然而，分类器模块可不具有仅基于标准偏差的足够置信度来区分步行和跑动。因此，可在已以检测到移动的高置信度确定轻量标准偏差之后对传感器数据样本执行进一步计步器计算。
在一个实施例中，在确定(例如，基于来自加速计的数据)移动或非静止状态后，分类器模块可进一步确定(例如，利用与计步器分类器相关联的一或多个特征)是否检测到任何步数(例如，步行或跑动)。如果未检测到步数，那么分类器模块可进一步利用与完全运动分类器相关联的一或多个特征分类数据(例如，加速计传感器数据)。完全运动分类器可能够确定驾驶运动或未知的/不安定状态具有高置信度。
在一个实施例中，在确定静止运动状态后，分类器模块可进一步确定(例如，利用与计步器分类器相关联的特征)静止状态是否为行人静止状态。
在一些实施例中，在框725处利用一或多个计步器相关特征确定步行或跑动是可能的分类(即，具有高置信度)后，可在框735处输出步行或跑动分类。
在其它实施例中，在框725处从所述一或多个计步器特征确定步行或跑动不可能(即，具有低置信度)后，可在框730处调度关于完全运动分类器的额外特征，在图7B中展示。举例来说，完全运动分类器的特征可确定驾驶或未知的/不安定分类是否适当(即，具有高置信度)。
在一个实施例中，如果在框725处第二特征并不满足置信度阈值，那么分类器模块可继续计算额外特征直至可确定最终输出为止。
在框735处，可基于先前计算的特征输出原始传感器数据的分类。举例来说，分类器模块可以高置信度确定装置运动状态为步行，且结果可输出或发送到发出请求的程序或应用。
在一些实施例中，当加速计的标准偏差以高置信度指示装置为静止(例如，不移动)时，所有后续调度的特征自动取消或停止。举例来说，如果加速计检测到装置为静止，那么用以确定用户和装置在步行、跑动、驾驶还是不安定的进一步计算可能是多余的。在一些实施例中，当加速计或其它第一传感器确定静止分类时，基于额外运动的传感器(例如，陀螺仪、GPS或其它传感器)相关联特征也可取消或不计算。
在其它实施例中，当加速计的第一特征可以高置信度确定装置为静止时，仍可计算进一步特征计算以计算装置定位(例如，在口袋中、手中、桌子上或其它位置)。在一个实施例中，请求特征计算和分类的程序或应用可请求超出静止分类的进一步分类。
所属领域的技术人员将认识到，可以如本文所描述的功率有效方式计算和调度其它特征，且标准偏差和纵倾仅在本文中作为一实例使用以说明一个实施例。
语音检测
在另一实施例中，音频数据(例如，来自麦克风165的)用于确定传感器数据样本的分类。
图8说明用于处理特征以进行语音检测的方法800的一个实施例的流程图。在框805处，可读取来自麦克风(例如，麦克风165)的原始数据(例如，通过分类器模块或调度模块)。
在框810处，可确定来自麦克风数据的可能的一或多个可能分类。举例来说，可通过分类器模块或调度模块确定以下语音状态或类别：安静、来自一个说话者的语音、来自多个说话者的语音或类似者。
在框815处，用于分类麦克风数据的特征可经排序以供处理。举例来说，调度模块或分类器模块可确定梅尔频率倒谱系数(MFCC)将用于分类传感器数据样本。在一个实施例中，计算13个MFCC以供语音检测；然而所属领域的技术人员将认识到不同配置也是可能的。第一MFCC可对应于音频能量(或音量)，而其余的MFCC可对应于确定是否存在来自一或多个说话者的语音。在一个实施例中，特征分成子集使得特征子集1包含第一MFCC且特征子集2包含MFCC 2至13。在一个实施例中，分类器模块或调度模块确定(例如，从功率简档)子集1具有与子集2相比较低的所估计计算功率使用，且将特征子集1调度在特征子集2之前。将用以计算的子集1调度或排序在子集2之前可在基于子集1分类时产生功率节省，且避免计算子集2中的一或多者(MFCC 2-13)。
在框820处，可计算原始传感器数据的特征子集1(例如，通过分类器模块)。第一MFCC可用于区分安静还是存在来自麦克风数据的可能语音。
在框825处，可计算置信度值(例如，通过分类器模块)。如果置信度值在阈值以上(例如，装置或分类器模块可基于用户偏好或默认值设定置信度阈值)，那么分类器模块继续输出所确定的分类。在一个实施例中，置信度值可如上文所描述基于两个最接近类别的统计可能性L1和L2计算。
在框830处，如果未满足特征子集1的置信度阈值，那么可计算(例如，通过分类器模块)下一特征子集。在语音检测的情况下，特征子集可为用于计算的若干额外MFCC(例如，2-13)中的一者。在一个实施例中，如果在框825处下一MFCC特征并不满足置信度阈值，那么分类器模块可继续计算额外特征直至可确定最终输出为止。
在框835处，可输出基于先前计算的特征的原始传感器数据的分类。举例来说，如果分类器模块以高置信度确定检测到来自一个说话者的语音，那么结果输出或发送到发出请求的程序或应用。
所属领域的技术人员将认识到，可以如本文所描述的功率有效方式计算和调度其它特征，且MFCC子集仅在本文中作为一实例使用以说明一个实施例。
装置位置
在另一实施例中，装置位置数据(例如，来自加速计140的数据)可用于确定传感器数据样本的分类。
图9说明用于调度特征以供确定装置位置的方法900的一个实施例的流程图。在框905处，可从加速计(例如，加速计140)读取(例如，通过分类器模块)原始数据。
在框920处，可计算(例如，通过分类器模块)原始加速计传感器数据的标准偏差。
在框925处，可计算置信度值(例如，通过分类器模块)。如果标准偏差较大且并不满足置信度阈值，那么可在框930处计算下一特征。否则，如果满足置信度阈值(例如，标准偏差较小，表明装置处于静止)，那么可在框935处计算(例如，通过分类器模块)纵倾和平均侧滚。
在框930处，如果对于在框920中计算的标准偏差未满足置信度阈值，那么可计算13个MFCC(例如，通过分类器模块)。所述13个MFCC表征信号的频谱包络且可用于确定装置处于运动时的装置位置。
在框940处，可输出(例如，通过分类器模块)基于先前计算的特征的原始传感器数据的分类。
所属领域的技术人员将认识到，可以如本文所描述的功率有效方式计算其它特征且将其排序以供计算，且上文所揭示的特征、传感器和计算仅是几个实例以说明各个实施例。在其它实施例中，多个特征和特征计算的迭代是可能的。
在另外其它实施例中，分类器模块可使用多个传感器来确定分类。当使用多个传感器时，可如上文所描述循序激活或处理传感器数据使得功率集中计算战略上减少或最小化。举例来说，可基于来自第一传感器的数据的激活和处理计算第一特征。如果第一传感器数据和特征计算可提供准确分类，那么其它传感器和相关联特征可绕过或不予处理。然而，如果第一传感器数据和特征计算确定为提供目标置信度以下的分类，那么在一些实施例中可使用其它传感器收集额外传感器数据且可基于所述额外传感器数据和/或第一传感器数据来处理相关联特征。举例来说，调度模块295可例如基于来自功率简档模块290的信息确定利用传感器和/或收集测量值或传感器数据的次序。在一些实施例中，来自分类器模块299的信息可反馈至调度模块295中以确定是否收集额外信息和/或使用哪些传感器。
图10展示用于特征分类的方法的一个实施例的流程图。在框1005处，可通过分类器模块计算经调度特征(例如，来自加速计的原始数据的标准偏差或来自麦克风的原始数据的第一梅尔频率倒谱系数)。可如先前所描述调度经调度特征(例如，通过调度模块基于功率消耗或如所揭示的其它调度参数循序排序)。
在框1010处，可作出关于是否满足终止条件的确定。举例来说，基于来自框1005的计算特征的结果，装置(或分类器模块)可基于所计算的第一特征评估终止条件。举例来说，评估终止条件可包含计算置信度值(例如，如上文所揭示，置信度可基于统计可能性、训练数据或其它计算)，以及当置信度值大于阈值置信度值时确定满足终止条件。在一个实施例中，确定第一特征提供高置信度值类别使得经优化分类器能够退出(例如，跳过剩余所调度特征的计算)并输出所述类别。
在框1015处，如果不满足置信度阈值，那么可确定待计算的下一特征。举例来说，分类器模块可确定可调度最可能分类目标数据的特征，或具有最低所估计功率消耗的特征。上文描述其它调度选择。如果满足置信度阈值，那么可在框1020处输出分类。在一个实施例中，分类器模块可循序计算特征使得一旦特征提供满足置信度阈值的结果，分类器模块就可输出分类而不计算任何其余的调度特征。举例来说，分类器模块可处理10个可能特征中的2个，其在确定满足置信度阈值之前可绕过其余的7个特征计算以输出分类。
应了解，当装置为移动或无线装置时其可经由穿过无线网络的一或多个无线通信链路通信，所述无线通信链路基于或以其它方式支持任何合适的无线通信技术。举例来说，在一些方面中，计算装置或服务器可与包含无线网络的网络相关联。在一些方面中，网络可包括人体区域网络或个人局域网(例如，超宽带网络)。在一些方面中，网络可包括局域网或广域网。无线装置可支持或以其它方式使用多种无线通信技术、协议或标准(例如，CDMA、TDMA、OFDM、OFDMA、WiMAX和Wi-Fi)中的一或多者。类似地，无线装置可支持或以其它方式使用多种对应调制或多路复用方案中的一或多者。移动无线装置可以无线方式与其它移动装置、手机、其它有线和无线计算机、因特网网站等通信。
本文中的教示可并入到多种设备(例如，装置)中(例如，在其内实施或由其执行)。举例来说，本文教示的一或多个方面可并入至电话(例如，蜂窝式电话)、个人数据助理(PDA)、平板计算机、移动计算机、膝上型计算机、平板计算机、娱乐装置(例如，音乐或视频装置)、耳机(例如，头戴式耳机、听筒等)、医疗装置(例如，生物计量传感器、心率监测仪、计步器、心电描记法(EKG)装置等)、用户I/O装置、计算机、服务器、销售点装置、娱乐装置、机顶盒或任何其它合适的装置中。这些装置可具有不同功率和数据要求且可导致针对每一特征或特征集合产生的不同功率简档。
在一些方面中，无线装置可包括用于通信系统的接入装置(例如，Wi-Fi接入点)。此接入装置可提供(例如)经由有线或无线通信链路到另一网络(例如，广域网，例如因特网或蜂窝式网络)的连接性。因此，接入装置可使得另一装置(例如，Wi-Fi站)能够接入另一网络或某一其它功能性。另外，应了解，所述装置中的一者或两者可为便携式，或在一些情况下，相对非便携式。
所属领域的技术人员将了解，可使用多种不同技术和技艺中的任一者来表示信息和信号。举例来说，可通过电压、电流、电磁波、磁场或磁粒子、光场或光粒子或其任何组合来表示可能贯穿上述描述参考的数据、指令、命令、信息、信号、位、符号和码片。
技术人员将进一步了解，结合本文所揭示的实施例描述的各种说明性逻辑块、模块、电路和算法步骤可实施为电子硬件、计算机软件或两者的组合。为清楚说明硬件与软件的此可互换性，上文已大体上关于其功能性而描述了各种说明性组件、块、模块、电路和步骤。此功能性是实施为硬件还是软件取决于特定应用和强加于整个系统的设计约束。熟练的技术人员可针对每一特定应用以不同方式来实施所描述的功能性，但此类实施决策不应被解释为会导致脱离本发明的范围。
可使用经设计以执行本文所描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合来实施或执行结合本文中所揭示的实施例而描述的各种说明性逻辑块、模块和电路。通用处理器可为微处理器，但在替代方案中，处理器可为任何常规的处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合，例如，DSP与微处理器的组合、多个微处理器、一或多个微处理器结合DSP核心，或任何其它此类配置。
结合本文中所揭示的实施例而描述的方法或算法的步骤可直接体现于硬件中、由处理器执行的软件模块中或两者的组合中。软件模块可驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可装卸盘、CD-ROM，或此项技术中已知的任一其它形式的存储媒体中。示范性存储媒体耦合到处理器，使得处理器可从存储媒体读取信息和将信息写入到存储媒体。在替代方案中，存储媒体可与处理器成一体式。处理器和存储媒体可驻留在ASIC中。ASIC可以驻留在用户终端中。在替代方案中，处理器和存储媒体可作为离散组件驻留于用户终端中。
在一或多个示范性实施例中，所描述的功能可在硬件、软件、固体或其任何组合中实施。如果以软件实施为计算机程序产品，那么可将功能作为一或多个指令或代码存储于非暂时性计算机可读媒体上或经由非暂时性计算机可读媒体发射。计算机可读媒体可包含计算机存储媒体与通信媒体两者，通信媒体包含促进将计算机程序从一处传送到另一处的任何媒体。存储媒体可为可由计算机存取的任何可用媒体。借助于实例而非限制，此些非暂时性计算机可读媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置，或可用于运载或存储呈指令或数据结构的形式的所要程序代码且可由计算机存取的任何其它媒体。同样，可恰当地将任何连接称作计算机可读媒体。举例来说，如果使用同轴缆线、光纤缆线、双绞线、数字订户线(DSL)或例如红外线、无线电和微波等无线技术从网站、服务器或其它远程源发射软件，那么同轴缆线、光纤缆线、双绞线、DSL或例如红外线、无线电和微波等无线技术包含于媒体的定义中。如本文中所使用的磁盘和光盘包含压缩光盘(CD)、激光光盘、光学光盘、数字影音光盘(DVD)、软磁盘和蓝光光盘，其中磁盘通常是以磁性方式再现数据，而光盘是用激光以光学方式再现数据。以上各项的组合也应包含在非暂时计算机可读媒体的范围内。
提供所揭示实施例的先前描述以使得所属领域的任何技术人员能够制作或使用本发明。所属领域的技术人员将容易显而易见对这些实施例的各种修改，且可在不脱离本发明的精神或范围的情况下将本文定义的一般原理应用到其它实施例。因此，本发明并不希望限于本文中所示的方面，而应被赋予与本文中所揭示的原理和新颖特征一致的最广范围。

Claims (32)

1.一种方法，所述方法包括：
循序调度用于计算的多个特征，其中所述多个特征中的每一者接收传感器数据样本作为输入，且其中所述调度至少部分基于每一相应特征的所估计功率使用；
计算用于计算的特征的循序调度表中的第一特征；以及
在计算用于计算的特征的所述循序调度表中的第二特征之前评估终止条件。
2.根据权利要求1所述的方法，其进一步包括：
确定所述第一特征的所述计算满足所述终止条件；以及
基于所述第一特征的所述计算的结果分类所述传感器数据样本。
3.根据权利要求1所述的方法，其进一步包括：
确定所述第一特征的所述计算未能满足所述终止条件；
在所述第一特征未能满足所述终止条件后计算用于计算的特征的所述循序调度表中的所述第二特征；
确定所述第二特征的所述计算满足所述终止条件；以及
根据计算所述第一和第二特征的结果分类所述传感器数据样本。
4.根据权利要求1所述的方法，其中特征的所述调度进一步基于以下各者中的一或多者：每一特征产生明确分类的可能性，或从所述传感器数据分类的类别的相对出现频率。
5.根据权利要求1所述的方法，其中评估所述终止条件包括：
基于分类置信度满足阈值确定满足所述终止条件，其中所述分类置信度是基于以下各者中的一或多者：所述传感器数据样本的特征与训练数据样本的特征之间的类似性，或多个可能分类之间的可能性的差异。
6.根据权利要求1所述的方法，其中所述第一特征为加速计的均值或标准偏差，其中计算所述均值或标准偏差产生静止分类，且其中所述方法进一步包括取消后续运动相关特征计算的计算。
7.根据权利要求1所述的方法，其中所述第一特征为对应于来自麦克风的音频能量的梅尔频率倒频谱系数，其中计算所述梅尔频率倒频谱系数产生安静分类，且其中所述方法进一步包括取消后续音频相关特征计算的计算。
8.根据权利要求1所述的方法，其中所述传感器数据样本来自以下各者中的一或多者：加速计、陀螺仪、磁力计、气压传感器、温度传感器、全球定位传感器、WiFi传感器、蓝牙传感器、环境光传感器、相机或麦克风。
9.一种含有可执行指令的机器可读非暂时性存储媒体，所述可执行指令致使数据处理装置执行一种方法，所述方法包括：
循序调度用于计算的多个特征，其中所述多个特征中的每一者接收传感器数据样本作为输入，且其中所述调度至少部分基于每一相应特征的所估计功率使用；
计算用于计算的特征的循序调度表中的第一特征；以及
在计算用于计算的特征的所述循序调度表中的第二特征之前评估终止条件。
10.根据权利要求9所述的机器可读非暂时性存储媒体，其中所述方法进一步包括：
确定所述第一特征的所述计算满足所述终止条件；以及
基于所述第一特征的所述计算的结果分类所述传感器数据样本。
11.根据权利要求9所述的机器可读非暂时性存储媒体，其中所述方法进一步包括：
确定所述第一特征的所述计算未能满足所述终止条件；
在所述第一特征未能满足所述终止条件后计算用于计算的特征的所述循序调度表中的所述第二特征；
确定所述第二特征的所述计算满足所述终止条件；以及
根据计算所述第一和第二特征的结果分类所述传感器数据样本。
12.根据权利要求9所述的机器可读非暂时性存储媒体，其中特征的所述调度进一步基于以下各者中的一或多者：每一特征产生明确分类的可能性，或从所述传感器数据分类的类别的相对出现频率。
13.根据权利要求9所述的机器可读非暂时性存储媒体，其中评估所述终止条件进一步包括：
基于分类置信度满足阈值确定满足所述终止条件，其中所述分类置信度是基于以下各者中的一或多者：所述传感器数据样本的特征与训练数据样本的特征之间的类似性，或多个可能分类之间的可能性的差异。
14.根据权利要求9所述的机器可读非暂时性存储媒体，其中所述第一特征为加速计的均值或标准偏差，其中计算所述均值或标准偏差产生静止分类，且其中所述方法进一步包括取消后续运动相关特征计算的计算。
15.根据权利要求9所述的机器可读非暂时性存储媒体，其中所述第一特征为对应于来自麦克风的音频能量的梅尔频率倒频谱系数，其中计算所述梅尔频率倒频谱系数产生安静分类，且其中所述方法进一步包括取消后续音频相关特征计算的计算。
16.根据权利要求9所述的机器可读非暂时性存储媒体，其中所述传感器数据样本来自以下各者中的一或多者：加速计、陀螺仪、磁力计、气压传感器、温度传感器、全球定位传感器、WiFi传感器、蓝牙传感器、环境光传感器、相机或麦克风。
17.一种数据处理装置，其包括：
功率简档模块，其经配置以确定多个特征的所估计功率使用内的每一特征；
调度模块，其经配置以循序调度用于计算的所述多个特征，其中所述多个特征中的每一者接收传感器数据样本作为输入，且其中所述调度至少部分基于每一相应特征的所估计功率使用；以及
分类器模块，其用以计算用于计算的特征的循序调度表中的第一特征，且在计算用于计算的特征的所述循序调度表中的第二特征之前评估终止条件。
18.根据权利要求17所述的数据处理装置，其中所述分类器模块进一步经配置以：
确定所述第一特征的所述计算满足所述终止条件；以及
基于所述第一特征的所述计算的结果分类所述传感器数据样本。
19.根据权利要求17所述的数据处理装置，其中所述分类器模块进一步经配置以：
确定所述第一特征的所述计算未能满足所述终止条件；
在所述第一特征未能满足所述终止条件后计算用于计算的特征的所述循序调度表中的所述第二特征；
确定所述第二特征的所述计算满足所述终止条件；以及
根据计算所述第一和第二特征的结果分类所述传感器数据样本。
20.根据权利要求17所述的数据处理装置，其中特征的所述调度进一步基于以下各者中的一或多者：每一特征产生明确分类的可能性，或从所述传感器数据分类的类别的相对出现频率。
21.根据权利要求17所述的数据处理装置，其中所述分类器模块经配置以基于分类置信度满足阈值而确定满足所述终止条件，其中所述分类置信度是基于以下各者中的一或多者：所述传感器数据样本的特征与训练数据样本的特征之间的类似性，或多个可能分类之间的可能性的差异。
22.根据权利要求17所述的数据处理装置，其中所述调度模块进一步经配置以：
在确定所述第一特征为产生静止分类的加速计的均值或标准偏差后取消后续运动相关特征计算的计算。
23.根据权利要求17所述的数据处理装置，其中所述调度模块进一步经配置以：
在确定所述第一特征为产生安静分类的对应于来自麦克风的音频能量的梅尔频率倒频谱系数后取消后续音频相关特征计算的计算。
24.根据权利要求17所述的数据处理装置，其中所述传感器数据样本来自以下各者中的一或多者：加速计、陀螺仪、磁力计、气压传感器、温度传感器全球定位传感器、WiFi传感器、蓝牙传感器、环境光传感器、相机或麦克风。
25.一种设备，其包括：
用于循序调度用于计算的多个特征的装置，其中所述多个特征中的每一者接收传感器数据样本作为输入，且其中所述调度至少部分基于每一相应特征的所估计功率使用；
用于计算用于计算的特征的循序调度表中的第一特征的装置；以及
用于在计算用于计算的特征的所述循序调度表中的第二特征之前评估终止条件的装置。
26.根据权利要求25所述的设备，其进一步包括：
用于确定所述第一特征的所述计算满足所述终止条件的装置；以及
用于基于所述第一特征的所述计算的结果分类所述传感器数据样本的装置。
27.根据权利要求25所述的设备，其进一步包括：
用于确定所述第一特征的所述计算未能满足所述终止条件的装置；
用于在所述第一特征未能满足所述终止条件后计算用于计算的特征的所述循序调度表中的所述第二特征的装置；
用于确定所述第二特征的所述计算满足所述终止条件的装置；以及
用于根据计算所述第一和第二特征的结果分类所述传感器数据样本的装置。
28.根据权利要求25所述的设备，其中所述用于调度的装置包括用于基于以下各者中的一或多者循序调度所述多个特征的装置：每一特征产生明确分类的可能性，或从所述传感器数据分类的类别的相对出现频率。
29.根据权利要求25所述的设备，其中所述用于评估所述终止条件的装置进一步包括：
用于基于分类置信度满足阈值确定满足所述终止条件的装置，其中所述分类置信度是基于以下各者中的一或多者：所述传感器数据样本的特征与训练数据样本的特征之间的类似性，或多个可能分类之间的可能性的差异。
30.根据权利要求25所述的设备，其中所述第一特征为产生静止分类的加速计的均值或标准偏差，且其中所述设备进一步包括用于取消后续运动相关特征计算的计算的装置。
31.根据权利要求25所述的设备，其中所述第一特征为产生安静分类的对应于来自麦克风的音频能量的梅尔频率倒频谱系数，且其中所述设备包括用于取消后续音频相关特征计算的计算的装置。
32.根据权利要求25所述的设备，其中所述传感器数据样本来自以下各者中的一或多者：加速计、陀螺仪、磁力计、气压传感器、温度传感器、全球定位传感器、WiFi传感器、蓝牙传感器、环境光传感器、相机或麦克风。
CN201380059523.7A 2012-11-19 2013-10-17 用于功率有效分类的循序特征计算 Active CN104781787B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201261728190P 2012-11-19 2012-11-19
US61/728,190 2012-11-19
US13/841,960 US10133329B2 (en) 2012-11-19 2013-03-15 Sequential feature computation for power efficient classification
US13/841,960 2013-03-15
PCT/US2013/065431 WO2014078007A1 (en) 2012-11-19 2013-10-17 Sequential feature computation for power efficient classification

Publications (2)

Publication Number Publication Date
CN104781787A true CN104781787A (zh) 2015-07-15
CN104781787B CN104781787B (zh) 2019-05-21

Family

ID=50729116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380059523.7A Active CN104781787B (zh) 2012-11-19 2013-10-17 用于功率有效分类的循序特征计算

Country Status (10)

Country Link
US (1) US10133329B2 (zh)
EP (1) EP2920690A1 (zh)
JP (1) JP6379099B2 (zh)
KR (1) KR20150087253A (zh)
CN (1) CN104781787B (zh)
AP (1) AP2015008445A0 (zh)
EC (1) ECSP15026167A (zh)
MA (1) MA38106B1 (zh)
SA (1) SA515360446B1 (zh)
WO (1) WO2014078007A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764353A (zh) * 2018-05-25 2018-11-06 中国电力科学研究院有限公司 基于匹配度的大规模电力系统功率曲线分类方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160077892A1 (en) * 2014-09-12 2016-03-17 Microsoft Corporation Automatic Sensor Selection Based On Requested Sensor Characteristics
US9933838B2 (en) 2014-09-24 2018-04-03 Seagate Technology Llc Power management in a storage compute device
JP2019514448A (ja) * 2016-03-31 2019-06-06 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 患者の動きを追跡するシステムおよび方法
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US10712738B2 (en) 2016-05-09 2020-07-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection for vibration sensitive equipment
US11237546B2 (en) 2016-06-15 2022-02-01 Strong Force loT Portfolio 2016, LLC Method and system of modifying a data collection trajectory for vehicles
US11131989B2 (en) 2017-08-02 2021-09-28 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection including pattern recognition
EP3662331A4 (en) 2017-08-02 2021-04-28 Strong Force Iot Portfolio 2016, LLC METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL INTERNET OF THINGS DATA COLLECTION ENVIRONMENT WITH LARGE AMOUNTS OF DATA
US10311874B2 (en) 2017-09-01 2019-06-04 4Q Catalyst, LLC Methods and systems for voice-based programming of a voice-controlled device
US10403303B1 (en) * 2017-11-02 2019-09-03 Gopro, Inc. Systems and methods for identifying speech based on cepstral coefficients and support vector machines
US20220277176A1 (en) * 2021-02-26 2022-09-01 International Business Machines Corporation Log classification using machine learning

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1613055A (zh) * 2002-01-02 2005-05-04 英特尔公司 基于功率估算的指令调度
CN101877054A (zh) * 2009-11-23 2010-11-03 北京中星微电子有限公司 一种针对人脸图像的年龄判别方法和装置
US20110016455A1 (en) * 2009-07-20 2011-01-20 Glenn Perry Power Profiling for Embedded System Design
CN102087712A (zh) * 2010-02-22 2011-06-08 艾利维公司 个性化动作控制的系统和方法
CN102193633A (zh) * 2011-05-25 2011-09-21 广州畅途软件有限公司 一种数据手套动态手语识别方法
TW201133357A (en) * 2009-10-08 2011-10-01 Hewlett Packard Development Co Detecting near duplicate images
WO2012001215A1 (en) * 2010-07-01 2012-01-05 Nokia Corporation Adaptation of context models

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7203635B2 (en) 2002-06-27 2007-04-10 Microsoft Corporation Layered models for context awareness
US20040268159A1 (en) 2003-06-30 2004-12-30 Microsoft Corporation Power profiling
US7440751B2 (en) 2005-06-30 2008-10-21 Nokia Corporation System and method for controlling energy usage in mobile applications
EP2372983B1 (en) 2005-08-04 2017-08-30 Lenovo Innovations Limited (Hong Kong) Execution of an application in a mobile communication terminal when plugging on cradle for charging
US20090225230A1 (en) 2005-08-24 2009-09-10 Bernal Antonio Arroyo Method and apparatus for power management for mobile devices
US20110044501A1 (en) 2006-07-14 2011-02-24 Ailive, Inc. Systems and methods for personalized motion control
US9582060B2 (en) 2006-08-31 2017-02-28 Advanced Silicon Technologies Llc Battery-powered device with reduced power consumption based on an application profile data
US20080161712A1 (en) 2006-12-27 2008-07-03 Kent Leyde Low Power Device With Contingent Scheduling
US8145677B2 (en) * 2007-03-27 2012-03-27 Faleh Jassem Al-Shameri Automated generation of metadata for mining image and text data
US7961946B2 (en) * 2007-05-15 2011-06-14 Digisensory Technologies Pty Ltd Method and system for background estimation in localization and tracking of objects in a smart video camera
US9374787B2 (en) * 2011-02-10 2016-06-21 Alcatel Lucent Method and apparatus of smart power management for mobile communication terminals using power thresholds
US20130159454A1 (en) * 2011-12-16 2013-06-20 Motorola Mobility, Inc. Customizing distribution of data from a sensor network data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1613055A (zh) * 2002-01-02 2005-05-04 英特尔公司 基于功率估算的指令调度
US20110016455A1 (en) * 2009-07-20 2011-01-20 Glenn Perry Power Profiling for Embedded System Design
TW201133357A (en) * 2009-10-08 2011-10-01 Hewlett Packard Development Co Detecting near duplicate images
CN101877054A (zh) * 2009-11-23 2010-11-03 北京中星微电子有限公司 一种针对人脸图像的年龄判别方法和装置
CN102087712A (zh) * 2010-02-22 2011-06-08 艾利维公司 个性化动作控制的系统和方法
WO2012001215A1 (en) * 2010-07-01 2012-01-05 Nokia Corporation Adaptation of context models
CN102193633A (zh) * 2011-05-25 2011-09-21 广州畅途软件有限公司 一种数据手套动态手语识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764353A (zh) * 2018-05-25 2018-11-06 中国电力科学研究院有限公司 基于匹配度的大规模电力系统功率曲线分类方法
CN108764353B (zh) * 2018-05-25 2021-11-30 中国电力科学研究院有限公司 基于匹配度的大规模电力系统功率曲线分类方法

Also Published As

Publication number Publication date
US20140143579A1 (en) 2014-05-22
CN104781787B (zh) 2019-05-21
SA515360446B1 (ar) 2018-03-29
JP6379099B2 (ja) 2018-08-22
AP2015008445A0 (en) 2015-05-31
ECSP15026167A (es) 2016-01-29
EP2920690A1 (en) 2015-09-23
US10133329B2 (en) 2018-11-20
WO2014078007A1 (en) 2014-05-22
MA38106B1 (fr) 2017-01-31
JP2016504663A (ja) 2016-02-12
MA38106A1 (fr) 2016-06-30
KR20150087253A (ko) 2015-07-29

Similar Documents

Publication Publication Date Title
CN104781787A (zh) 用于功率有效分类的循序特征计算
CN106461397B (zh) 车辆停车和位置的自动检测
CN105051646A (zh) 用于功率高效的情境感知推断的自适应传感器取样
CN109074803B (zh) 语音信息处理系统和方法
CN107391603B (zh) 用于移动终端的用户画像建立方法及装置
EP2915319B1 (en) Managing a context model in a mobile device by assigning context labels for data clusters
US9389595B2 (en) System and method for using biometrics to predict and select music preferences
KR101672864B1 (ko) 사용자 활동 추적 시스템 및 장치
Lee et al. Emotion recognition using a hierarchical binary decision tree approach
Kawaguchi et al. Hasc challenge: gathering large scale human activity corpus for the real-world activity understandings
Frank et al. Reliable real-time recognition of motion related human activities using MEMS inertial sensors
CN103460722B (zh) 用于使用对以时间为基准的特征的时间定标进行活动分类的方法、设备和装置
US20140161322A1 (en) System and method for activity recognition
KR102281590B1 (ko) 음성인식 성능 향상을 위한 비 지도 가중치 적용 학습 시스템 및 방법, 그리고 기록 매체
CN105094708B (zh) 一种磁盘容量的预测方法及装置
EP4164475A1 (en) Methods and apparatus for actions, activities and tasks classifications based on machine learning techniques
CN107315519A (zh) 驾驶状态下的os切换方法、装置及移动终端
US10916240B2 (en) Mobile terminal and method of operating the same
CN108595013B (zh) 握持识别方法、装置、存储介质及电子设备
Zhong et al. Advancing Android activity recognition service with Markov smoother
Gajjala et al. Human activity recognition based on lstm neural network optimized by pso algorithm
CN109752569A (zh) 使用随机森林分类从传感器数据估计条件的系统和方法
Ling Automatic human daily activity segmentation applying smart sensing technology
Skoglund et al. Activity tracking using ear-level accelerometers
Murcia et al. A Personal Activity Recognition System Based on Smart Devices

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant