CN107003973B - 用于模拟前端的低功率情境感知控制的方法、电路和设备 - Google Patents
用于模拟前端的低功率情境感知控制的方法、电路和设备 Download PDFInfo
- Publication number
- CN107003973B CN107003973B CN201580065107.7A CN201580065107A CN107003973B CN 107003973 B CN107003973 B CN 107003973B CN 201580065107 A CN201580065107 A CN 201580065107A CN 107003973 B CN107003973 B CN 107003973B
- Authority
- CN
- China
- Prior art keywords
- afe
- sensor
- processor
- data
- sensors
- 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.)
- Active
Links
Images
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
- 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
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3293—Power saving characterised by the action undertaken by switching to a less power-consuming processor, e.g. sub-CPU
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/38—Information transfer, e.g. on bus
- G06F13/40—Bus structure
- G06F13/4004—Coupling between buses
- G06F13/4022—Coupling between buses using switching circuits, e.g. switching matrix, connection or expansion network
-
- 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
- G06F3/0416—Control or interface arrangements specially adapted for digitisers
-
- 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
- G06F9/461—Saving or restoring of program or task context
-
- 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
- G06F9/54—Interprogram communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/041—Indexing scheme relating to G06F3/041 - G06F3/045
- G06F2203/04106—Multi-sensing digitiser, i.e. digitiser using at least two different sensing technologies simultaneously or alternatively, e.g. for detecting pen and finger, for saving power or for improving position detection
-
- 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
一种模拟前端(AFE)接口可基于所确定的操作状态而动态编程。所述AFE包括用于与多个不同的传感器进行接口连接的硬件。所述AFE包括模拟处理硬件,所述模拟处理硬件可从所述多个传感器之一中选择输入数据。所述模拟处理硬件耦合至处理器,所述处理器从所述传感器中计算特征,其中,所述特征表示所述AFE的针对所述传感器的所选操作状况信息。所述处理器用于基于所述所计算特征来确定所述AFE的多个分立操作状态中针对所述传感器的一个分立操作状态并且基于所述确定的操作状态来动态调整所述AFE的操作以与所述传感器进行接口连接。动态调整所述AFE的所述操作包括:控制所述AFE的配置,所述配置控制所述AFE如何从所述传感器接收所述输入传感器数据。
Description
技术领域
本发明的实施例总体上涉及I/O接口,并且更具体地涉及针对动态可调模拟前端电路的情境感知控制。
版权声明/许可
本专利文献的公开内容的一部分可能包含受到版权保护的材料。版权所有者不反对任何人对本专利文献或本专利公开内容的复制,由于其出现在专利和商标局专利文件或记录中,但无论如何在其他方面保留所有版权。所述版权声明适用于下述所有数据,并且在其附图中,还适用于下述任何软件:版权2014,英特尔公司,保留所有权利。
背景技术
在移动设备的数量以及具有由这些设备提供的功能范围方面已经有了显著的增加。移动设备可包括诸如智能电话等设备、可穿戴设备(诸如增强现实头戴式耳机或类似设备、手表、或其他可穿戴设备)、以及手持式计算、阅读和/或游戏设备。这些移动设备通过数量越来越多的传感器或环境检测装备(在本文中统称为传感器)来提供经改善的用户接口连接以及增强的功能。许多传感器生成模拟输出(可变电压和/或可变电流输出),所述模拟输出在可由数字处理部件(微处理器、数字信号处理器、或其他处理设备)对其进行处理之前必须首先将其转换为数字形式。传感器的示例可包括运动传感器、加速度计、温度传感器、陀螺仪、位置传感器、光检测器、声音/噪声检测器、或其他传感器。
所述传感器中的许多传感器被并入移动设备中,其中,用户对所述设备具有“常通”期待。因此,设备可以被设计成用于跟踪运动或者利用无延迟或终端用户可察觉的延迟对环境、移动或其他状况的变化进行响应。具有传感器的设备的常通操作传统上是通过对模拟信号的相应常通放大以及对传感器输入的模数转换来完成。然而,这种常通操作需要电力。需要降低形状因子以便将更多的传感器和更多的接口集成到现代设备中。然而,随着形状因子的降低,创建具有更小的特征的电子部件,这些特征具有固有地更小增益。这种部件必须受到更强劲地驱动以便为传感器提供充分的信号放大。
此外,并非所有的传感器都需要来自AFE的相同性能。一些传感器并不需要某些部件块有源以产生充分的输入信号。某些传感器需要比其他传感器更高的带宽和/或更高的增益和/或更高的采样率。然而,传统的合并AFE被配置成用于提供针对最坏情况输入的操作,和/或被配置为通用并且消耗现代可穿戴或移动设备太多的电力(例如,1mW电力预算以上)。在已经在AFE中尝试进行合并的程度上,传统的解决方案不可扩展至大量的同时记录传感器,而没有显著的功率损失。
附图说明
以下描述包括对具有借助本发明各实施例的实现方式的示例给出的展示的附图的讨论。附图应通过举例而非限制的方式来被理解。如本文中所使用的,对一个或多个“实施例”的引用应被理解为描述包括在本发明的至少一个实现方式中的具体特征、结构和/或特性。因此,此处出现的如“在一个实施例中”或“在替换性实施例中”的短语描述本发明的各种实施例和实现方式,并且不必全都指同一实施例。然而,它们也不是必然互斥的。
图1是主机上具有动态可编程AFE的系统的实施例的框图,其中,基于所述AFE相对于传感器输入的已确定操作状况来调整所述AFE。
图2是具有动态可编程AFE电路的系统的实施例的框图,基于对输入特征的特征计算和/或分类来调整所述动态可编程AFE电路。
图3是具有多路复用的动态可编程模拟前端电路的系统的实施例的框图。
图4是AFE控制系统的操作的实施例的表示。
图5是根据图形角度和逻辑角度的特征计算的实施例的表示。
图6A是操作动态可编程AFE的过程的实施例的流程图。
图6B是用于确定动态可编程AFE的操作状态的过程的实施例的流程图。
图6C是用于确定针对动态可编程AFE的分类的过程的实施例的流程图。
图7是可在其中实现动态可编程AFE的计算系统的实施例的框图。
图8是可在其中实现动态可编程AFE的移动设备的实施例的框图。
随后是某些细节和实现方式的描述,包括可以描绘下面所描述的实施例的部分或全部的附图描述,以及讨论本文所呈现的发明性概念的其他潜在实施例或实现方式。
具体实施方式
如在此所描述的,一种系统基于确定的操作状态来控制动态可编程模拟前端(AFE)接口的操作配置。所述AFE包括用于与多个不同的传感器进行接口连接的硬件、以及可从所述多个传感器中的一个或多个传感器中选择输入数据的模拟处理硬件。所述模拟处理硬件耦合至预处理器,所述预处理器从输入传感器数据(例如,原始传感器数据)计算特征,所述特征表示所述AFE的针对所述传感器的所选操作状况信息。预处理器基于传感器输入数据确定所述AFE处于多个分立操作状态中的哪一个分立操作状态。预处理器可基于所计算特征和分类引擎来做出确定。预处理器可动态调整所述AFE的配置以便基于所确定的操作状态来调整其如何与传感器进行接口连接。
在一个实施例中,所述AFE将传感器接口连接至传感器中枢和/或微控制器、应用处理器、或其他处理器。所述AFE接收原始传感器数据,所述原始传感器数据指未经处理的数据。所述AFE可控制用于进行所述接口连接的多个配置维度中的任何配置维度,包括但不限于基于所述AFE的配置来控制放大、带宽、采样率、分辨率、所使用的放大器的数量和类型、和/或其他参数。AFE控制可控制所述AFE的设置以影响配置维度中的任何一个或多个配置维度。每一个都可被控制为开启或关闭、和/或被设置为多个不同设置之一。
在一个实施例中,预处理器包括一个或多个滤波器,和/或通过配置设置来应用滤波器以便丢弃或忽略对于主处理器或应用处理器没有意义的信号或信号的多个部分。因此,预处理器可生成特征以及对输入信号的分类,所以分类使得所述预处理器能够降低主处理器的工作负载。在一个实施例中,预处理器中的AFE控制器或控制逻辑可持续更新AFE配置以便提高或优化传感器数据的质量,同时还针对采样效率最小化冗余样本。将理解的是,诸如“优化”和“最小化”等表达是相对术语并且不一定意味着达到了绝对最优值或最大值或最小值。相反,优化和最小化指达到基于传感器输入的最近历史针对当前状况进行最优拟合的水平,包括系统的配置和操作、以及在给定时间约束内可用的处理功率的量。因此,可在建立至系统架构中的容差内对最优值或最小值进行约束。
AFE控制可提供一个或多个控制信号以便使AFE一次选择多个所连接传感器之一。在一个实施例中,由AFE控制提供的控制是到AFE的部件的对每个部件的配置进行设置的数字信令。针对每个传感器,AFE控制可根据具体传感器的操作状况来配置AFE。可离线学习针对每个传感器的这种配置,并且AFE控制被配置成用于应用适当的设置或不同的操作状况。AFE控制然后可计算特征,所述特征指示AFE在与所选择的传感器进行接口连接时的操作状况的信息。基于所计算的信息,AFE控制可确定操作状态并且针对所述传感器的具体操作状态配置AFE接口。因此,预处理器或AFE控制可被认为是针对更低的功耗对可重配置的AFE进行控制和微调的情境感知。在一个实施例中,AFE控制可选择性地关闭来自一个或多个传感器(例如,在给定的操作状态下提供冗余信息的传感器)的输入。AFE控制可继续忽略来自所述传感器的传感器数据直到其检测到表明来自所述传感器的数据可能是对主处理器有用的信息的另一操作状况。作为完全关闭传感器输入的替代,AFE控制可仅降低对传感器进行采样的频率。其他变体是可能的。
在一个实施例中,传感器指示用户状态或环境状况。预处理器可基于对所述传感器的实时分类或者由所述传感器指示的用户状态或环境状况来选择性地对传感器信号进行采样和放大。在一个实施例中,AFE控制基于所确定的用户状态或操作状态来微调AFE的采样率和/或准确性(分辨率)以便节约电力。通过控制采样率或频率、放大因子以及供应至AFE的电力,降低了所述设备所需的净接通时间和电力。在一个实施例中,由AFE控制所计算或确定的特征是从实时输入数据中提取的计算成本较小的统计特征。在一个实施例中,这种特征可包括但不限于信号均值、功率和标准偏差。在一个实施例中,AFE控制基于预定参数对所述传感器的当前操作状态进行分类。例如,AFE控制可被训练或以其他方式被预编程成用于将输入数据解释为指示某些操作状况。
在一个实施例中,使用机器学习技术来离线执行选择从原始传感器数据中提取的重要统计特征以用于进行特征或参数确定和/或准确分类。AFE控制可包括用于执行实时特征提取和/或分类的一个或多个计算引擎。在一个实施例中,所述计算引擎可以是硬件引擎,而控制所述确定的参数可以是可编程且可微调的。在一个实施例中,可在任何时间动态改变这种参数。可通过机器学习技术来设置这种参数,所述机器学习技术可以是在线和/或离线机器学习。
图1是主机上具有动态可编程AFE的系统的实施例的框图,其中,基于所述AFE相对于传感器输入的已确定操作状况来调整所述AFE。系统100可以是在其中传感器生成输入的系统的一个示例,所述输入由计算核(由主机120来表示)来使用。主机120响应于传感器输入而执行某些操作。在一个实施例中,主机120可响应于传感器输入而与人类用户接口连接。在一个实施例中,主机120是片上系统(SoC)。在一个实施例中,主机120是处理器或中央处理单元。将理解的是,SoC包括处理器或处理单元以及其他部件。SoC可以是具有集成在一起的多个元件的单个芯片,或者可以是具有组装在一起的多个芯片的单个封装体(更通常被称为多芯片封装体(MCP))。
无论是作为SoC或处理器来使用,主机120是计算设备的计算核,所述计算设备可以是可穿戴设备、传感器反馈单元、或提取传感器输入的其他系统。在一个实施例中,主机120是支持物联网(loT)的封装体的一部分,其中,设备可联网并互连。主机120包括处理器124,所述处理器可以是CPU(中央处理单元)或其他主处理器。在一个实施例中,处理器124是多核设备的一个或多个核。在一个实施例中,处理器124是专用处理器。在一个实施例中,处理器124是通用处理器。处理器124执行主机120的主机操作系统,并且通常包括用于控制主机120的整体操作的硬件控制逻辑。处理器124还可执行用于控制主机120的整体操作的软件控制逻辑。处理器124可直接耦合至AFE 122、或者经由传感器中枢或可比较电路耦合至AFE 122。处理器124基于从传感器110收集的数据来执行操作,并且因此可被认为是使用传感器数据的部件。
在一个实施例中,主机120包括存储器126,所述存储器表示主机120的本地存储器存储资源。本地存储器资源指由处理器124可直接寻址的存储器资源,并且可指高速缓存存储器和/或主存储器资源。在一个实施例中,存储器126可以直接集成到相同的集成电路上或者与处理器124相同的封装体内(片上高速缓存)。在一个实施例中,存储器126在包括处理器124的物理封装体外部。在一个实施例中,存储器126包括易失性存储器资源。在一个实施例中,存储器126包括非易失性存储器资源。非易失性存储器是即使在存储器电源中断的情况下仍保持其状态的存储器。易失性存储器是在存储器电源中断的情况下其状态不确定的存储器。存储器126通常存储用于支持执行处理器124的操作的数据和代码。
主机120包括AFE 122,所述AFE是根据在此描述的任何实施例的前端电路。AFE122将主机120接口连接至传感器110。在一个实施例中,AFE 122是离散电路(例如,具有来自处理器124的单独衬底和/或PCB(印刷电路板))。在一个实施例中,AFE 122可被实现为集成和离散部件的组合(例如,对预处理器进行集成并且将其他元件实现为离散部件)。因此,AFE 122可被实现为集成部件设计和/或由现成的或专门的离散部件组装而成。
AFE 122可包括电压模式和/或电流模式输入。电压模式传感器输入提供用于表示传感器数据的可变或模拟电压。电流模式传感器输入提供用于表示传感器数据的可变或模拟电流。在一个实施例中,AFE 122多路复用来自传感器110的输入以便降低实现前端所需的模拟电路系统的量。AFE 122是动态可配置的,其允许前端电路调整其操作以及对模拟输入的采样以提高操作效率。AFE 122包括用于生成到模拟输入元件(未详细示出)的反馈以便动态调整所述模拟输入元件的操作的预处理器(未详细示出)。因此,AFE 122可在运行时改变操作以提高与传感器110的接口连接的效率。
传感器110向主机120提供数据。所述数据可包括环境数据(运动、温度、环境光、或其他数据)、生物特征数据(心律、脉冲、皮肤度量、指纹、光学扫描信息或其他生物特征信息)、或检测的有关状况和/或用户的其他数据中的一项或多项。传感器110包括生成模拟输出的至少一个部件。在一个实施例中,传感器110中的一个或多个传感器包括传感器封装体内的模拟接口电路系统。由这种本地模拟接口电路提供的处理水平可能最小或者可能更加显著(例如,提供数字输出)。传感器110的示例可包括加速度计、运动传感器、陀螺仪、温度传感器、位置传感器、光检测器、声音/噪声检测器、或其他传感器。
将理解的是,并非所有的传感器110都在相同的定时周期进行操作。每个传感器110可具有不同的操作频率、和/或其向主机120提供数据的不同周期(以及主机120应当读取所述数据的周期)。典型地,主机120的部件的操作频率以比传感器高出很多的频率进行操作(例如,传感器可以以小于1kHz的频率进行操作,而主机120的部件在处理器的MHz以及一些采样部件的几十到几百kHz的范围内进行操作)。
系统100将模拟前端电路与AFE电路122进行合并。在一个实施例中,AFE 122是独立式部件或传感器中枢,所述独立式部件或传感器中枢对来自传感器110的传感器输入进行合并以提供至处理器124。在一个实施例中,AFE 122耦合至传感器中枢(未详细示出),所述传感器中枢可与AFE 122并行操作。在一个实施例中,AFE 122是处理器124的一部分或SoC或多芯片封装体的电路或部件。AFE 122允许操作在传感器封装体自身内具有最小模拟前端或可能地不具有模拟前端的多个传感器110。在一个实施例中,传感器110上的模拟前端可被旁路以便与AFE 122进行接口连接。传感器110上的无前端或最小前端可能仍需要某个模拟接口连接,诸如用于防止寄生现象淹没输出信号的电容式电路系统和/或放大器。在一个实施例中,AFE 122从传感器110接收未经处理的模拟信号。未经处理(unprocessed)可指任何模拟输出,所述模拟输出是来自传感器的不具有前端或具有最小前端的模拟信号。因此,未经处理的信号仍可包括信号,所述信号被放大和/或被电容滤波以防止寄生现象淹没所述信号。未经处理指在AFE 122可控制对信号的采样、数字化和处理的情况下所提供的信号。
AFE 122包括处理部件,所述处理部件将来自传感器110的模拟信号转换成数字信号。在一个实施例中,AFE 122包括处理逻辑(例如,预处理器),所述处理逻辑在将数据发送至主处理器124之前对数字信号数据执行操作。处理逻辑可包括AFE控制逻辑,所述AFE控制逻辑基于来自传感器110的输入对AFE操作进行配置。在一个实施例中,处理逻辑和AFE控制逻辑可以是处理器124的一部分,并且可在向专用处理器专用线程或专用核提供数据之前对信号执行操作。
AFE控制逻辑在传感器输入当中进行选择并且从所选择的传感器输入中提取或计算特征。可以具有几个特征、或者多达几十个或多于一百个的不同特征,所述特征可从传感器输入数据来计算。所述特征可包括直接从数据(例如,测量数据)可检测的和/或间接从数据(例如,计算数据)可确定的任何类型的特征。在一个实施例中,AFE控制逻辑从总特征的子集中进行选择,所述子集可显著地少于可被提取的特征总数。基于所选择的多个特征,AFE控制逻辑确定AFE的操作状态并且设置AFE的配置。
在一个实施例中,AFE控制逻辑存储所述特征中的一个或多个特征。AFE控制逻辑可基于所存储的特征来确定操作状态。在一个实施例中,AFE控制逻辑对所述特征进行分类,所述分类可用于确定操作状态。AFE控制逻辑可基于所确定的操作状态来控制AFE操作。控制AFE 122的操作可包括设置采样参数或与传感器进行接口连接的其他方面。参数的设置可以是针对具体的所选传感器(例如,对下次选择要采样的特定传感器时所使用的配置进行设置)。参数的设置可以是另外或可替代地针对不同的传感器,诸如向所选传感器提供补充或冗余数据的传感器。
图2是具有动态可编程AFE电路的系统的实施例的框图,基于对输入特征的特征计算和/或分类来调整所述动态可编程AFE电路。系统200可以是传感器在其中生成输入(所述输入由计算核来使用)的系统的一个示例,并且可以是根据图1的系统100的系统的示例。系统200包括多个传感器210,所述传感器生成由应用处理器280使用的模拟数据。在一个实施例中,系统200包括用于在传感器210当中进行选择的一个或多个多路复用器(多工器)220。在一个实施例中,多路复用器220包括电压模式传感器的电压模式输入。在一个实施例中,多路复用器220包括电流模式传感器的电流模式输入。传感器的数量可按比例被设置为任何数量,可能包括几十个传感器。
多路复用器220选择传感器210之一。多工器220将信号从所选择的传感器传递至AFE 230。AFE 230包括用于信号放大和数字转换的部件,诸如放大器、滤波器(例如,低通抗混叠滤波器)、和模数转换器(ADC)。在一个实施例中,AFE 230在发送用于提取统计特征的数据之前对信号进行过采样(例如,数字低通滤波器操作)以便降低噪声。系统200包括AFE控制240,所述AFE控制表示根据在此描述的任何实施例对AFE进行控制的逻辑。AFE控制240从AFE 230接收数据、从所述数据提取特征并且基于由AFE控制确定的操作状态来确定如何控制AFE的动态可编程性。
在一个实施例中,AFE控制240包括特征引擎250,所述特征引擎用于从输入传感器数据中生成或提取特征。在一个实施例中,AFE控制240包括分类引擎260,所述分类引擎用于对来自输入传感器数据的特征进行分类。AFE控制240包括调度/数据处置引擎270,所述调度/数据处置引擎用于调度来自传感器210的传感器输入、控制多工器220根据所述调度来选择传感器并且生成用于控制AFE 230的设置的控制信号。在一个实施例中,引擎270的操作中的某个操作可以被认为是特征引擎250的一部分。在一个实施例中,引擎270的操作中的某个操作可以被认为是分类引擎260的一部分。每个引擎250、260、270由硬件处理资源来执行。针对由固件和/或其他代码进行的操作,硬件可被配置成用于执行与每个引擎相关联的操作。硬件可以是执行全部三个引擎的同一硬件,或者可以是所述引擎中的一个或多个引擎的单独硬件。
利用特征生成框252展示了特征引擎250,其表示用于从输入传感器数据提取或确定特征的逻辑(例如,硬件逻辑、或配置有软件逻辑的硬件处理器)。在一个实施例中,特征生成基于可编程窗口大小来生成特征并且在窗口之间重叠。图5中提供了这种实现方式的示例。特征生成252可在执行计算之前从所选择的传感器中收集数据,并且然后对一个或多个数据样本窗口进行操作。在一个实施例中,特征生成252存储足够的数据以填充窗口大小并且从所述数据窗口中生成特征。类似于以上所提及的内容,可从数据生成/提取任何数量的特征。典型地,将具有多于在实时设置中可合理提取的特征。因此,特征生成252可选择关键特征并且仅生成所确定的对特定传感器最有用的那些特征。可通过管理员配置和/或机器学习来确定每个传感器的关键特征。特征生成252可将所述特征存储在引擎270中。特征生成252可将所收集的数据或样本存储在AFE控制240中的高速缓存中。
在一个实施例中,特征生成252取决于所需的分类的准确性或确定操作状态所需的准确性来提取特征。特征生成252还可基于与AFE 230接口连接的传感器210的类型来生成特征。在一个实施例中,操作状态的确定可以是简单的活动/非活动检测(或类似地,做出输入对应用处理器有意义还是无意义的二进制判定)。在这种情况下,特征生成252可生成三个特征:均值、标准偏差和功率。基于这些特征,AFE控制240可对操作状态进行分类或确定以用于检测。这种简单的实现方式提供了更简单的且更功率有效的架构。在一个实施例中,其他实现方式利用使用特征(诸如FFT(快速傅里叶变换)或小波变换、和/或其他)的更为复杂的情境处理。生成和使用这种特征可能耗费更多的电力。特征生成252可生成特定实现方式提供对操作状态的准确确定所需的任何特征。
特征生成252可利用计算成本较少且可重复使用的计算逻辑块来生成特征。因此,相同的逻辑元件块可用于计算不同的特征。在一个实施例中,特征生成252实现可变的窗口大小以收集数据,并且从不同的窗口中计算特征。在一个实施例中,特征生成252在利用可重复使用的逻辑块来执行计算之后通过重复使用存储器资源来以最小存储器需求实现窗口对窗口重叠。
在一个实施例中,分类引擎260对从传感器接收的数据进行分类,其可以基于由特征引擎250生成并存储的特征。在一个实施例中,特征引擎250生成多于分类引擎260将使用的特征。在一个实施例中,分类基于一个或多个特征。分类引擎260被展示为具有分类框262,所述分类框执行与对传感器数据的特征进行分类相关的计算。将理解的是,分类引擎260的操作不必关联到对特征引擎250的操作的定时。因此,例如,特征引擎250可从多个不同的传感器210中生成相同的特征并且将所述特征存储在引擎270中。分类262然后可对从一个传感器或从多个不同的传感器中确定的相同特征进行分类。分类262然后也可基于来自一个或多个传感器的多个特征来进行分类。在一个实施例中,分类262可利用来自不同传感器的不同特征来执行分析。因此,分类262对仅来自一个传感器的特征进行分析或者利用来自多个传感器的特征的组合进行分析。
在一个实施例中,分类可以是用于确定操作状态的机制。在一个实施例中,简单的查找确定可基于所计算特征来标识操作状态。在一个实施例中,分类可被认为包括这种简单的查找确定。在一个实施例中,分类262利用二进制决策树来进行分类。如图4中所展示的一个示例允许四种不同的状态。然而,将理解的是,AFE控制240可扩展以允许更大数量的状态。
在一个实施例中,分类262包括多个不同的分类树。通过采用多个不同的分类树,分类262可提高决策的准确性和模块性。在使用不同分类树的实现方式中,所述不同的树可具有不同的任意深度(其将受到存储器使用率的约束)以用于分类。可离线训练分类引擎260以便确定使用哪些参数或特征、以及可如何配置所述树。在二进制决策树中,每片叶子可保持活动状态标签并且对应于不同输入状况集合。在一个实施例中,可通过特征阈值来对决策树进行导航,从而允许分类262基于与特征阈值进行比较的特征值沿每个分支向下工作。可通过测试各种拆分标准和输入组合来离线确定所述阈值以便最小化一般化错误。将理解的是,提高的预测准确性将引起更大的电力节省,因为当可使用更少的精确传感器数据时,AFE控制240可降低AFE 230的采样率和/或其他参数。在一个实施例中,特征生成252生成时域特征,并且分类262将基于所述时域特征进行分类。仅使用时域特征可引起更简单且更高效存储器的设计。在一个实施例中,特征生成252生成与频域技术相关的特征,并且分类262将基于所述特征进行分类。
在一个实施例中,分类引擎260包括多个不同的分类树,所述分类树可具有不同水平的复杂性。将理解的是,使用可能的最简单树可引起最功率有效的操作。然而,边缘情况借助更低复杂度的树可能不会得到准确的分类。在一个实施例中,分类262可进行树跳跃,这指从一个分类树跳跃到另一个分类树。用于跳跃树的触发可基于特定的输入特征、空闲时间被设置,或者可经由应用处理器280手动设置。因此,当AFE控制240检测某些特征情况时,其可能预想到许多边缘情况并且使分类引擎260使用更复杂的分类树。此外或可替代地,应用处理器280可以信号形式发送对特殊情况的预想,所述特殊情况可通过树跳跃至更为复杂的决策树而得到更准确的分类。因此,在一个实施例中,分类262表示作为默认情况可用的最简单的分类树,并且可基于所检测的输入和/或基于来自应用处理器280的信令被改变为更复杂的决策算法。使用树跳跃可通过监测处于空闲状态所花费的时间量来另外为系统200带来益处,并且可防止所述系统被卡在特定状态下。在一个实施例中,分类引擎260包括一个或多个定时器,并且判定是否针对阈值时间量继续对相同的操作状态进行分类。如果达到阈值时间,则分类262可跳跃至不同的树(例如,更复杂的树)以便验证当前的操作状态是准确的,而非仅仅由于检测边缘情况失败而被卡住。
引擎270可使用分类结果来确定传感器210的采样率和/或AFE 230的特定配置的其他设置。引擎270可生成控制信号或其他信号以便设置AFE 230的配置。因此,AFE控制240可基于传感器输入实时动态控制AFE 230的配置和操作。将理解的是,实时操作指继续监测并且在输入被生成时响应于所述输入而继续进行动态操作。实时表明在对输入进行响应时几乎没有延迟。
在一个实施例中,引擎270使用在配置过程中由应用处理器280加载的一个或多个表。所述表可在打开时被一次加载或者基于由应用处理器280做出的评估而被动态加载。引擎270可基于所述一个或多个表来调度传感器采样。在一个实施例中,所述表可被实现为寄存器堆,从而保存针对每个分类的AFE 230的所有部件的配置信息。因此,在一个实施例中,引擎270可基于查找表(LUT)机制进行调度。引擎270可在每传感器和每分类的基础上配置AFE 230。在一个实施例中,仅可基于调度表来触发AFE 230中的ADC,并且当引起调度冲突(例如,针对多个传感器210中的每个传感器具有多种不同的状态防止了对AFE 230的样本进行预调度)时,AFE 230可在AFE不繁忙时对输入进行排队以便按顺序执行。这种调度允许利用调度的采样时间到实际采样时间之间的最小延迟来中断自由操作。
引擎270可包括针对AFE 230的多个不同参数中的任何参数的控制,从而使得AFE控制240能够以多种方式中的任何方式来动态调整AFE 230的操作。控制的示例包括但不限于:控制采样率、启用和禁用AFE 230内的整个电路或逻辑块、控制ADC的采样分辨率、控制带宽、控制增益、在高功率部件与低功率部件(例如,放大器)之间进行切换、在高精度部件低精度部件(例如,放大器)之间进行切换、针对低频噪声改善来打开或关闭斩波器、或其他控制、或组合。
在一个实施例中,分类引擎260在每次特征生成252将特征存储在引擎270中时触发分类262的操作。因此,每次特征被刷新时,分类262可刷新分类。刷新分类可刷新AFE 230的状态。在一个实施例中,分类262确定整个系统200的操作状态,而非仅单个传感器的操作状态。为了确定系统200的操作状态,将理解的是,分类262将使用来自多个传感器210的输入。
作为一个简单示例,作为图示被提供并且不以任何方式进行限制,考虑系统200被并入到可穿戴活动感测设备中。活动感测设备的人类用户将在一天内在较活跃与较不活跃中交替。在这种实现方式中,心跳单独可以指示练习,假设设备趋于跟踪练习活动。然而,与加速度计数据相结合的心跳数据和/或其他生物特征传感器数据可被确定为指示练习。响应于从心跳传感器和加速度计中生成的特征,可使系统200确定活跃练习的操作状态。响应于确定活跃练习已经开始,引擎270可基于所确定的操作状态来增大心跳传感器(例如,ECG)的采样率和ADC准确性。将理解的是,可能的示例极其多以至于无法在此列出或表明。
在一个实施例中,引擎270存储所有传感器210的当前活动状态。在一个实施例中,引擎270将当前的活动状态信息和/或传感器数据选择性地发送至应用处理器280。应用处理器280表示系统200被并入到其中的计算设备的主处理器。当处理器包括配置或编程以及针对特定应用的计算时间的专用框时,所述处理器可被称为应用处理器。因此,应用处理器280可被认为是传感器输入数据的消费者并且基于所述数据执行操作。
在一个实施例中,引擎270包括用于调度的拥塞算法,所述拥塞算法可被实现用于预料到冲突的情况。例如,当调度何时对传感器210进行采样时,引擎270可在执行时间而非理想执行时间写入进行采样的下一时间。因此,引擎270可通过自然放置(多个)适当的时间偏移来避免下一轮采样中的冲突。在一个实施例中,引擎270可打开和关闭、或仅调度和不调度采样某些传感器210。在这种情况下,引擎270可包括用于传感器210的打开和稳定时间的配置信息。在禁用实际传感器的情况下,引擎270可将控制信号发送至单独的传感器以便提高在系统200中的整体系统功率使用。
图3是具有多路复用的动态可编程模拟前端电路的系统的实施例的框图。系统300可以是根据图1的系统100的系统或根据图2的系统200的系统的一个示例。系统300包括前端320,所述前端可以是AFE的示例。在系统200中,多路复用器被展示为在AFE外部,而前端320包括多路复用的模拟输入。前端320耦合至相关联的处理器380,所述处理器最终使用来自模拟输入的数据以便控制计算设备的操作。处理器380可以是计算设备的主处理器或主机处理器、或者与主处理器并行执行的外围处理器。前端320内的处理元件可以是根据在此描述的任何实施例的AFE的处理部件的示例。
在一个实施例中,系统300包括生成电压模式模拟输出的一个或多个传感器312。在一个实施例中,系统300包括生成电流模式模拟输出的一个或多个传感器314。电压模式输入可以是单端或差分的。前端320在电压模式输入电路系统322处接收来自电压模式传感器312的输入。前端320在电流模式输入电路系统324处接收来自电流模式传感器314的输入。输入端322和324表示用于接收传感器信号的引脚或连接器和信号线。在一个实施例中,前端320是多路复用AFE,其中,多个传感器共享同一模拟电路系统(例如,模拟放大器和数据转换器),这可节省面积和电力。因此,输入端322和324将模拟输入提供至对应的多路复用器332(电压模式)和334(电流模式)。
在一个实施例中,多路复用器332可从传感器中312选择特定的模拟输入以由放大器342进行放大。在一个实施例中,放大器342是可用于增加传入电压信号的幅值的可编程增益放大器(PGA)。在一个实施例中,电流模式多路复用器334可从传感器314中选择特定的模拟输入以由放大器344进行放大。在一个实施例中,放大器344是基于传入电流的幅值来提供可变电压输出的跨阻抗放大器(TIA)。因此,放大器342和344两者均可生成输出电压。
放大器342和344将其电压输出提供至一个或多个模数转换器(ADC)356。在一个实施例中,前端320包括多路复用器352或用于将输出信号从放大器路由至所述一个或多个ADC的其他选择逻辑。在一个实施例中,前端320包括用于提供在ADC之前的滤波器级的滤波器354。滤波器354可包括低通抗混叠滤波器和/或其他更复杂的滤波器部件。在一个实施例中,滤波器354包括可响应于由预处理器370进行的分析而被微调或调整的可调行为。滤波器354可以是基于ADC 356将采样的输入的类型而可调的。ADC 356表示可包括多个不同器件的模数转换级。还将理解的是,电压模式输入端322和/或电流模式输入端324可被细分到多个不同的器件,如可以是多路复用器332和/或334。ADC 356将模拟信号转换为数字表示。由ADC 356转换的放大信号是典型地由传感器进行的连续输出的离散样本。因此,ADC 356可被认为是用于创建对样本的数字表示或用于生成数字样本。
在一个实施例中,ADC 356经由总线360将(多个)数字输出传递至预处理器370。在一个实施例中,预处理器370包括多个数字信号处理(DSP)框。在一个实施例中,预处理器370是或包括特制用于普通传感器类型的多个DSP单元并且包括可定制为与其他(例如,未来的)传感器类型进行接口连接的动态可编程的DSP单元。总线360表示与多个不同电路部件进行接口连接的任何一组或多组信号线。典型地在衬底(在其上对前端320进行处理)上将总线360路由至布置在所述衬底上(或中)的各个部件。在一个实施例中,预处理器370可执行初始分析以便确定传感器数据样本的质量、和/或判定是否已经发生或者正在发生值得注意的事件(例如,数据是否指示将需要处理器380来执行操作的事情)。因此,预处理器可使得处理器380(或传感器中枢、微控制器、微处理器、DSP、或其他处理部件)能够休眠直到接收到相关的传感器数据。
在一个实施例中,预处理器370包括评估传入数据的质量和效用的硬接线算法和/或可编程单元的集合。在一个实施例中,预处理器370是作为处理器380的一部分的混合处理框,但是具有单独的电源。处理器380可以是专用处理器。基于初始处理或预处理,预处理器370向前端320的模拟部件提供反馈。因此,预处理器370提供对模拟部件的动态运行控制,这可提高部件的操作效率。如在系统300中展示的,控制信号362从总线360反馈至模拟部件。在一个实施例中,预处理器370可针对多路复用器(332,334,352)、放大器(342,344)和/或ADC 354中的一项或多项生成控制信号362。控制信号362可调节如以上所提及的模拟部件的采样率、带宽、增益或其他操作参数。
预处理器370被展示为包括滤波器372和AFE控制374。滤波器372表示预处理器370中的使得能够对输入的数字样本进行预处理的功能。滤波器372可包括任何一种或多种处理能力,诸如但不限于数字滤波、去噪、离散傅里叶变换(DFT)滤波、检测传入信号中的峰值(诸如频率脉冲或信号强度峰值)或其他。AFE控制374表示预处理器370中的用于生成反馈或控制信号的功能,所述反馈或控制信号用于控制模拟部件的采样操作。
AFE控制374可生成用于控制采样以及前端320与传感器的接口连接操作的反馈控制信号。AFE控制374可生成以下控制信号中的任何一个或多个控制信号。在一个实施例中,AFE控制374使得预处理器370能够生成放大器增益控制信号。放大器增益可利用摆幅针对信号上调增益,所述摆幅不利用放大器的全摆幅或ADC的振幅范围。相反,针对运行到导轨中的信号,增益控制信号可下调增益。在一个实施例中,AFE控制374使得预处理器370能够生成放大器带宽控制信号。放大器带宽控制信号可调整放大器342和/或344的带宽与增益之间的折衷操作。在一个实施例中,AFE控制374使得预处理器370能够生成用于从多路复用器332、334和/或352中选择特定输入的控制信号。在一个实施例中,AFE控制374使得预处理器370能够生成用于诸如通过基于待采样的输入的类型调整操作来调整滤波器354的滤波的控制信号。在一个实施例中,AFE控制374使得预处理器370能够生成用于调整ADC 356的采样率和/或调整由ADC 356生成的输出信号的多个位的分辨率(例如,当ADC能够生成12位的分辨率时仅输出8位的分辨率)的控制信号。在一个实施例中,AFE控制374使得预处理器370能够生成用于使模拟部件休眠或进入低功率状态的控制信号。在一个实施例中,AFE控制374使得预处理器370能够生成用于使模拟部件从低功率状态中唤醒——诸如在特定状况下唤醒(例如,特定输入、大于或小于阈值的输入、输入的变化或其他状况)——的控制信号。在一个实施例中,控制374使得预处理器370能够生成用于控制前端320将使用的放大级的数量的控制信号。例如,放大器342和/或344可以是多级放大器,其中,(多个)控制信号362可将两个放大器中的任一者或两者的操作从单级放大器切换到多级放大器。将理解的是,所描述的示例仅是说明性的,并且AFE控制374可生成示例中的所选示例和/或未详细描述的控制信号。
在一个实施例中,AFE控制374包括存储器376。在一个实施例中,AFE控制374包括逻辑378,所述逻辑使得AFE控制374能够从来自传感器的输入数据中生成特征。基于由逻辑378生成的特征,AFE控制374生成用于根据在此描述的任何实施例控制前端320的操作的控制信号362。AFE控制374响应于通过分析所生成的特征确定前端320的操作状态而生成控制信号。存储器376表示AFE控制器的本地存储器设备。AFE控制374将所生成的特征存储在存储器376中以用于分析并确定前端320的操作状态。
在一个实施例中,前端320与可被直接馈通的信号进行接口连接而无需放大。将理解的是,ADC 354可能不能够将电流模式信号转换成数字输出,并且因此可能不太可能对TIA 344进行旁路。然而,在一个实施例中,针对电压模式信号,一个或多个控制信号362可控制多路复用器352将PGA 342直接旁路至多路复用器352(或者至ADC 354,取决于系统配置)。预处理器370可生成用于控制输入信号是否对放大器进行旁路的控制信号362。
在一个实施例中,预处理器370生成用于使前端320的模拟部件能够使用提供清除信号所必需的最小增益和最大功率的控制信号362。在一个实施例中,预处理器370可基于传感器相关性来对输入进行滤波和控制。例如,考虑不生成完全相同的数据的两个传感器,但是在一定情况下其数据可以是可重复的。在一个实施例中,预处理器370可基于传感器之间的数据的相关性来滤波和/或跳过输入。这种逻辑可内置在预处理器370中和/或被编程到预处理器370的可编程元件中。
虽然利用针对每个所描述部件的单个框展示了前端320,但是将理解的是,可以存在所展示和描述的模拟前端部件中的一个或多个模拟前端部件的倍数。因此,可存在许多耦合至多个输入端322和/或324的传感器310。多个输入端可将信号输入提供至一个或多个多路复用器332和/或334。一个或多个多路复用器332和/或334可将输入提供至一个或多个放大器342和/或344。一个或多个放大器342和/或344可将信号提供至一个或多个多路复用器352,所述一个或多个多路复用器进而可将信号提供至一个或多个滤波器354。所述一个或多个滤波器354可将信号提供至一个或多个ADC 356,所述一个或多个ADC对预处理器370的输入进行采样。因此,前端320内的部件不一定具有一对一关系,但是可以是一个部件和另一部件的倍数。
图4是AFE控制系统的操作的实施例的表示。图400包括根据在此描述的任何实施例的AFE控制逻辑的逻辑操作的三种不同的表示。例如,图400的图示可以例示由图3的AFE控制370或图2的AFE控制240实现的那些操作。为了简单起见,图400仅假设特征和三个不同的阈值。然而,可扩展图400的表示以便允许显著更多的特征和阈值。采用决策树架构以用于AFE控制的系统的一个测试采用了7个特征。所述实现方式将以更多或更少的特征来绘制。
图400展示了决策树410,所述决策树可以是用于分类的树的一个示例。因此,决策树410还可被称为分类树的示例。决策树410展示了对计算方差是否低于阈值T1的判定。如果所述方差低于T1,则是(YES)分支,遍历决策树410的AFE控制逻辑判定均值是否低于阈值T2。如果所述均值低于T2,则是(YES)分支,遍历决策树410的AFE控制逻辑确定操作状态为状态S1。如果所述均值高于T2,则否(NO)分支,遍历决策树410的AFE控制逻辑确定操作状态为状态S2。返回至所述方差确定,如果所述方差高于T1,则否(NO)分支,遍历决策树410的AFE控制逻辑判定均值是否低于阈值T3。如果所述均值低于T3,则是(YES)分支,遍历决策树410的AFE控制逻辑确定操作状态为状态S3。如果所述均值高于T3,则否(NO)分支,遍历决策树410的AFE控制逻辑确定操作状态为状态S4。
在一个实施例中,AFE控制作为寄存器堆实现决策树410。作为寄存器堆,AFE控制逻辑可存储用于做出决策的相关特征以及一个或多个阈值。所述控制逻辑还可存储基于先前的决策而移动至的下一节点、以及将移动至的节点的地址。将观察到的是,决策树410的架构具有作为是(YES)分支的“左子代”以及作为否(NO)分支的“右子代”。左子代指图400中以图形表示为在决策节点的左下方的子代节点,并且右子代是到决策节点的右下方的子代节点。因此,均值<T2是方差<T1的左子代,S1是均值<T2的左子代,并且S3是均值<T3的左子代。其他子代节点是右子代节点。在一个实施例中,如在决策树410中所展示的这种架构可在实际的实现方式中节省存储器。例如,AFE控制逻辑可仅存储被存储的左子代地址,如果特征小于阈值,则所述左子代地址为目的地。如果特征大于阈值,则AFE控制逻辑可被配置成用于访问比左子代的所存储的存储器位置大一的位置。
将理解的是,决策树410不一定是与图400相关联的系统中的唯一决策树,所述决策树可判定系统是否处于操作状态S1、S2、S3或S4下。类似于以上所述的内容,系统可允许树跳跃,以便从决策树410跳跃至另一决策树(未示出),所述另一决策树可包括附加和/或不同的特征。另一决策树也可或可替代地包括附加和/或不同的阈值。这种附加决策树可以比决策树410更复杂,并且可在确定边缘情况时是有用的。
硬件状态表420可以是用于实现决策树的表的一种表示,其可以包括决策树410。在一个实施例中,表420是预加载有状态信息的查找表(LUT)。将观察到的是,虽然决策树410仅包括两个特征(方差和均值),表420包括第三个、非指定的特征的条目以及附加阈值T4。在一个实施例中,除决策树410之外的决策树包括特征3的维度和阈值T4。在一个实施例中,AFE控制中的调度和数据处置框存储有特征,然后可基于针对系统所学习的预定阈值对所述特征进行分类。所述分类可确定操作状态,诸如通过遍历决策树410。
所述阈值允许决策树基于特征值是否在不同大小的阈值范围内来选择操作状态。图形430展示了操作状态的二维视图。操作状态存在于二维中,因为仅具有两个用于确定操作状态的特征。如果图形430展示了相对于附加特征和附加阈值的状态,则其将更复杂(包括额外的维度)。图400展示了可通过借助生成统计特征并基于所述特征对传感器(或整个系统)的状态进行分类来降低传感器数据的维度从而完成从传感器数据计算的特征对操作状态的确定。
基于确定在表420中标识的操作状态或活动状态之一,根据图400执行的AFE控制逻辑可调整AFE的采样率和/或其他性能以便在最小化功耗的同时改善操作。例如,当没有重要信息要处理时(例如,针对用户正在坐着、睡觉或以其他方式不活动时的活动跟踪设备),无需以高采样率以及高准确性进行采样。然而,当从输入传感器数据中提取的特征指示应当被发送至应用处理器的感兴趣的事件正在发生时,AFE控制可将采样率、准确性和/或其他参数增至更高水平,其中,所述更高水平将取决于应用。分类还可基于来自多个传感器的输入,从而通过融合所述传感器信息来产生更高的准确性。可替代地,可通过融合信息来对高功耗传感器进行较少的采样以便提取相同的情境,或者可做出将以其他方式不可能的有关情境的干扰。
对操作状态的分类或选择可扩展一个或多个传感器的情境。例如,系统可将情境扩展至惯性传感器的更具体的动作(例如,散步、跑步、坐着)或者将空气质量传感器的情境扩展至室内与室外或者暴露于污染物与为暴露以便对几个非常简单的示例进行命名。在此情况下的情境可指在系统中可检测的操作状态的数量。在某些实现方式中,两种情景级别(例如,感兴趣/不感兴趣)可以是足够的。在其他实现方式中,可提供每个传感器的多种情景级别(例如,四种级别或更多)。
图5是根据图形角度和逻辑角度的特征计算的实施例的表示。系统500展示了根据在此描述的任何实施例的可由AFE控制来执行的特征计算操作。例如,图2的特征引擎250和/或图3的AFE控制逻辑378可实现与系统500中展示的计算相类似的计算。
将理解的是,计算或以其他方式提取特征可能需要存储器资源。可能至少暂时地需要存储用于计算特征的数据和/或所计算特征自身。然而,使用大量的存储器可增大特征提取的尺寸、成本和功耗。典型地,存储器使用量是系统约束。系统500展示了还对所使用的存储器量进行管理的特征确定。因此,系统500被展示为保持历史,但是仅为少量的历史。系统500展示了出于展示的目的而使用特定的特征(即均值、方差和功率)。然而,将理解的是,可使用所展示的相同技术从输入传感器数据来计算任何数量的不同特征。
信号510表示来自三个不同信号的原始数据,如从仿真数据生成的。信号510表示时域中的传感器输入信号。在系统500的图示中,什么信号数据指哪个不同的信号的具体细节可能不是可检测的。然而,信号的具体细节不一定是显著的(假定来自不同传感器的任何数量的不同信号将全部看起来是不同的)。重点是可针对特征确定来分析多个传感器输入信号数据以及随时间推移而改变的数据。
在一个实施例中,AFE控制使用数据的窗口大小来确定特征。窗口1、2和3具有相同的大小,并且在不同点处实时测量数据。在一个实施例中,如所展示的,特征确定可采用重叠窗口。将观察到的是,窗口2在窗口1的中途开始,并且窗口3在窗口2的中途开始(实际上,一旦窗口1结束则窗口3便开始)。在一个实施例中,可重叠多于所示出的窗口。在一个实施例中,可重叠少于所示出的窗口。在窗口重叠更多的实现方式中,将存在窗口1、2和3将同时活动的某个时间段。在窗口重叠更少的实现方式中,将存在窗口1已结束且窗口2已开始但窗口3尚未活动或尚未开始的某个时间段。重叠窗口可防止丢失边缘情况数据。
在每个窗口中,特征生成引擎计算信号功率之和(∑x)以及信号功率的平方之和(∑x2)。在一个实施例中,特征生成引擎在整个窗口大小上计算和。在一个实施例中,特征生成引擎在窗口的子集上计算和。存储器520存储针对给定窗口而计算的和以及平方和。在存储数据窗口之后,逻辑530从所述数据中计算或提取特征。
均值取决于样本之和。功率和标准偏差(方差)取决于样本之和以及平方和。因此,在一个实施例中,在均值、功率和方差是所使用的特征的情况下,特征生成引擎可仅从保存在存储器520中的累积和结果和平方和结果中计算特征。在一个实施例中,逻辑530单独计算每个窗口的非重叠区域和重叠区域的两个结果。在一个实施例中,逻辑530从窗口的累积和以及平方和来计算特征(一旦窗口大小为全时)。在一个实施例中,对针对先前窗口所存储的数据进行覆写。因此,在一个实施例中,特征生成引擎可利用可编程窗口大小提取所有必要特征(假设示出了三个特征)并且每传感器使用四个缓冲器(一个用于非重叠之和、非重叠平方和、重叠之和、以及非重叠平方和)来进行重叠。
在一个实施例中,逻辑530包括三个可重复使用的计算框:加法、平方和平方根。在系统500的示例中,系统可一次实例化这些框并且在生成不同特征的同时调度分享所述框。这种实现方式可节省电力和面积。这种实现方式可利用以下事实:在一个实施例中,在下一数据样本到来之前(例如,一些数量的时钟周期之后)无需完成特征生成。
如所展示的,在一个实施例中,逻辑530可如下计算均值(例如,信号均值)、方差(例如,信号标准偏差)、和功率(例如,实际功率)。出于清晰的目的,具有不同虚线的线展示了用于计算各个特征的逻辑的流程。例如,逻辑530计算沿着点划线的逻辑流程的均值、沿着虚线的逻辑流程的方差、以及沿着实线的逻辑流程的功率。从而,逻辑530通过对N个样本之和求平均来计算均值;通过取平方和减去所述和(然后通过N个样本对所述和求平均)的差以及求平均结果的平方根来计算方差;并且通过对N个样本的平方和求平均并取求平均结果的平方根来计算功率。
图6A是操作动态可编程AFE的过程的实施例的流程图。过程600描述了通过确定输入信号的特征并且基于所述特征确定操作状态来操作动态可编程AFE。在一个实施例中,AFE电路是处理器、处理单元、片上系统、或与多个传感器设备接口连接的其他系统的一部分。具体地,AFE与生成模拟输出的传感器进行接口连接。
在一个实施例中,AFE确定检查模拟输入,602。在一个实施例中,AFE在系统级处理器的请求下检查模拟输入,所述系统级处理器请求传感器输入数据。在一个实施例中,AFE继续监测模拟输入,继续从多个传感器设备当中进行选择,以便根据调度算法对模拟输入进行采样。在一个实施例中,AFE根据一个或多个定时器或调度机制按预定计划通过循环通过输入来半继续监测传感器,以便追踪何时要采样哪个传感器。无论是通过来自外部处理器的请求还是通过从内部例程的计划或确定,AFE可被认为是用于接收模拟输入或者基于触发对模拟输入进行采样。所述触发可以是请求、定时器值、或用于对模拟输入进行采样的过程确定。
AFE将控制设置应用于模拟电路部件,604,如由AFE控制设置的。在一个实施例中,AFE为每个不同的输入提供不同的控制设置。因此,AFE可动态调整待采样的每个不同模拟输入的采样操作。AFE基于如由AFE控制确定的操作状态而将当前设置应用于模拟电路部件。在一个实施例中,AFE是多路复用的。因此,作为设置的一部分或者结合其他设置,AFE可设置模拟多路复用器以便对多个不同模拟输入信号之一进行采样,606。
在一个实施例中,预处理器或其他AFE控制逻辑对输入信号进行处理并从输入传感器数据来计算特征。所计算特征基于传感器输入信号来表示AFE的操作状况信息,608。因此,每个不同的传感器可对应于AFE的不同操作状况。AFE控制的特征生成引擎存储所计算特征,并且分类引擎或操作状态确定引擎基于所存储的所计算特征来确定AFE的操作状态,610。在一个实施例中,操作状态对每个传感器是唯一的。在一个实施例中,分类引擎基于来自多个传感器的特征来确定操作状态。
在一个实施例中,AFE控制是预处理器或预处理器的一部分,所述预处理器在将数据发送至主处理器或应用处理器之前对数据执行初步分析。因此,预处理器可将数据选择性地发送至应用处理器,612。在一个实施例中,预处理器判定输入数据是否基于操作状态来表示重要数据。将理解的是,关于什么是重要数据的判定将从传感器到传感器以及从实现方式到实现方式而不同。AFE控制选择性地调整AFE配置的一个或多个参数以便基于所确定的操作状态来调整其接口连接操作,614。例如,AFE控制可生成一个或多个控制信号,所述一个或多个控制信号用于调整与AFE的质量或精度或分辨率相关的一个或多个参数,调整采样精度、带宽、分辨率、功率和/或一些调整。。
图6B是基于操作状态来调整动态可编程AFE的过程的实施例的流程图。过程620描述了选择性改变AFE配置,诸如在图6A的614处所描述的。AFE控制逻辑基于所计算特征来确定操作状态,622。通过执行对数据的存储并对所存储数据执行计算来执行对特征的计算。在一个实施例中,AFE控制确定AFE的哪些设置对应于所确定的操作状态,624。在一个实施例中,AFE控制可通过参考LUT或其他存储的信息来做出这种确定。
基于设置应当是什么,AFE控制可判定是否任何设置需要发生变化。在一个实施例中,AFE控制每次当在确定不同的操作状态时改变AFE设置。如果AFE控制确定改变AFE设置,则626是(YES)分支,AFE控制动态调整使得AFE如何接收输入传感器数据发生变化的一个或多个控制设置,628。AFE控制然后可将数据选择性地发送至应用处理器,630。如果AFE控制确定不改变AFE设置,则626否(NO)分支,AFE控制可将数据选择性地发送至应用处理器,630。AFE控制可继续循环通过判定是否基于操作状态确定来调整AFE设置。在一个实施例中,每当操作状态发生变化时触发改变AFE设置的过程。
图6C是用于确定针对动态可编程AFE的分类的过程的实施例的流程图。过程640描述了对操作状态的分类,诸如在图6A的612处所描述的。在一个实施例中,AFE控制对分类树进行标识以用于所计算特征,642。AFE控制分类引擎可访问由特征生成引擎所存储的特征。AFE控制然后可遍历所选择的分类树以便确定操作状态,644。
在一个实施例中,AFE控制(经由分类引擎)可判定是否应当基于特征历史来使用不同的分类树,646。在一个实施例中,如果在时间段内选择相同的操作状态,则做出这种判定以便进行树跳跃。如果AFE控制确定使用不同的分类树,则648是(YES)分支,AFE控制可基于操作状态和/或所计算特征来设置不同的树,650。AFE控制然后可基于分类来设置操作状态,652。如果AFE控制确定不使用不同的树,则648否(NO)分支,AFE控制可基于分类来设置操作状态652并且继续循环通过确定最新所计算特征的操作状态。
图7是可在其中实现动态可编程AFE的计算系统的实施例的框图。系统700表示根据本文描述的任何实施例的计算设备,并且可以是膝上型计算机、台式计算机、服务器、游戏或娱乐控制系统、扫描仪、复印机、打印机、路由或交换设备或其他电子设备。系统700包括处理器720,所述处理器提供针对系统700的处理、操作管理以及指令执行。处理器720可包括任何类型的微处理器、中央处理单元(CPU)、处理核心或其他处理硬件来为系统700提供处理。处理器720控制系统700的总体操作,并且可以是或包括:一个或多个可编程通用或专用微处理器、数字信号处理器(DSP)、可编程控制器、专用集成电路(ASIC)、可编程逻辑器件(PLD)等,或这些设备的组合。
存储器子系统730表示系统700的主存储器,并提供有待由处理器720执行的代码或有待用于执行线程的数据值的临时存储。存储器子系统730可包括一个或多个存储器设备,如只读存储器(ROM)、闪存存储器、随机存取存储器(RAM)的一个或多个变体、或其他存储器设备、或这些器件的组合。除其他项外,存储器子系统730存储并主管操作系统(OS)736,以提供用于在系统700中执行指令的软件平台。此外,其他的指令738被存储在存储器子系统730中并从存储器子系统中被执行以提供系统700的逻辑和处理。OS 736与指令738由处理器720执行。存储器子系统730包括其中存储有数据、指令、程序或其他项的存储器设备732。在一个实施例中,存储器子系统包括存储器控制器734,它是用于生成命令并将其下发至存储器设备732的存储器控制器。应当理解,存储器控制器734可以是处理器720的物理部分。
处理器720和存储器子系统730耦合至总线/总线系统710。总线710是一个抽象概念,表示由适当的桥、适配器和/或控制器连接的任何一根或多根单独的物理总线、通信线路/接口和/或点对点连接。因此,总线710可以包括,例如,一根或多根系统总线、外围部件互连(PCI)总线、超传输或工业标准架构(ISA)总线、小型计算机系统接口(SCSI)总线、通用串行总线(USB)或电气和电子工程师协会(IEEE)标准1394总线的研究所(通常被称为“火线”)。总线710的总线还可以对应于网络接口750中的接口。
系统700还包括一个或多个输入/输出(I/O)接口740、网络接口750、一个或多个内部大容量存储设备760以及耦合至总线710的外设接口770。I/O接口740可以包括通过其用户与系统700(例如,视频、音频和/或字母数字接口)相互作用的一个或多个接口部件。在一个实施例中,I/O接口740包括为用户提供视觉和/或触感显示和/或视觉上可感知的输出以便与系统700进行交互的部件。在一个实施例中,所述显示器包括包括触摸屏设备,所述触摸屏设备既向用户提供输出又从用户接收输入。在一个实施例中,所述显示器包括向用户提供输出的高清晰度(HD)显示器。高清晰度可以指具有大约100PPI(每英寸像素)或更大的像素密度的显示,并且可以包括如全HD(例如,1080p)、视网膜显示、4K(超高清晰度或UHD)或其他的格式。
网络接口750为系统700提供用于在一个或多个网络上与远程设备(例如,服务器、其他计算设备)进行通信的能力。网络接口750可以包括以太网适配器、无线互连部件、USB(通用串行总线)或其他基于有线或无线标准的或专有的接口。存储装置760可以是或者包括用于以非易失性方式存储大量数据的任何常规介质,如一个或多个磁的、固态的或基于光学的盘,或组合。存储装置760将代码或指令和数据762保持在持久状态中(即,尽管系统700断电,值仍被保留)。存储装置760通常可被认为是“存储器”,尽管存储器730正执行或操作存储器为处理器720提供指令。虽然存储装置760是非易失性的,但是存储器730可以包括易失性存储器(即,如果系统700断电,则数据的值或状态不确定)。
外围接口770可以包括以上未具体提及的任何硬件接口。外围设备通常指依赖性连接至系统700的设备。从属连接是在其中系统700提供在其上执行操作的软件和/或硬件平台并且用户与其进行交互的连接。
在一个实施例中,处理器720包括AFE 722,所述AFE是根据在此描述的任何实施例的前端电路。AFE 722将处理器720接口连接至多个传感器724,所述多个传感器可例如经由I/O接口740和/或外围接口770而连接。在一个实施例中,传感器724经由在系统700中示出的未涉及的接口而连接。AFE 722是动态可配置的,其允许前端电路基于所确定的操作状态来调整其操作。AFE 722包括AFE控制(未详细示出),所述AFE控制从输入传感器数据生成特征并且从所生成的特征确定操作状态。基于操作状态,AFE控制调整AFE的操作以便提高接口连接并节省功率。
图8是可在其中实现动态可编程AFE的移动设备的实施例的框图。设备800代表移动计算设备,如计算平板机、移动电话或智能电话、支持无线的电子阅读器、可穿戴计算设备或其他移动设备。应理解的是,总体上示出了某些部件,但在设备800中并未示出这个设备的全部部件。
设备800包括处理器810,所述处理器执行设备800的主处理操作。处理器810可以包括一或多个物理器件,如微处理器、应用处理器、微控制器、可编程逻辑器件、或其他处理装置。由处理器810执行的处理操作包括于其上执行应用和/或器件功能的操作平台或操作系统的执行。处理操作包括与人类用户的或与其他设备的与I/O(输入/输出)有关的操作、与电源管理有关的操作、和/或与将设备800连接至另一个设备有关的操作。处理操作还可以包括与音频I/O和/或显示I/O有关的操作。
在一个实施例中,设备800包括音频子系统820,其代表与向计算设备提供音频功能相关联的硬件(例如,音频硬件和音频电路)和软件(例如,驱动器、编解码器)部件。音频功能可以包括扬声器和/或耳机输出以及麦克风输入。用于这种功能的设备可以被集成到设备800中或连接至设备800。在一个实施例中,用户通过提供由处理器810接收并处理的音频命令来与设备800进行交互。
显示子系统830代表为用户提供视觉和/或触感显示和/或视觉上可感知的输出以便与计算设备进行交互的硬件(例如,显示设备)和软件(例如,驱动器)部件。显示子系统830包括显示界面832,所述显示界面包括用于向用户提供显示的特定屏幕或硬件设备。在一个实施例中,显示界面832包括与处理器810分离的逻辑,所述逻辑用于执行与显示有关的至少一些处理。在一个实施例中,显示子系统830包括触摸屏设备,所述触摸屏设备既向用户提供输出又从用户接收输入。在一个实施例中,显示子系统830包括向用户提供输出的高清晰度(HD)显示器。高清晰度可以指具有大约100PPI(每英寸像素)或更大的像素密度的显示,并且可以包括如全HD(例如,1080p)、视网膜显示、4K(超高清晰度或UHD)或其他的格式。
I/O控制器840表示与用户的交互相关的硬件设备和软件部件。I/O控制器840可操作用于管理作为音频子系统820和/或显示子系统830的一部分的硬件。此外,I/O控制器840展示连接至设备800的附加设备的连接点,通过所述连接点用户可以与所述系统进行交互。例如,可以附接到设备800的设备可以包括麦克风设备、扬声器或立体声系统、视频系统或其他显示设备、键盘或键板设备、或者如读卡器或其他设备的用于特定应用的其他I/O设备。
如上所述,I/O控制器840可以与音频子系统820和/或显示子系统830进行交互。例如,通过麦克风或其他音频设备的输入可为设备800的一个或多个应用或功能提供输入或命令。此外,替代或除了显示输出之外,还可以提供音频输出。在另一个示例中,如果显示子系统包括触摸屏,则所述显示设备还充当输入设备,其可以通过I/O控制器840至少部分地进行管理。在设备800上还可以有额外的按钮或开关用于提供由I/O控制器840管理的I/O功能。
在一个实施例中,I/O控制器840管理设备,如加速度度计、照相机、光传感器或其他环境传感器、陀螺仪、全球定位系统(GPS)或可以被包括在设备800中的其他硬件。输入可为直接用户交互的一部分,以及向系统提供环境输入以影响其操作(如,过滤噪声、调整用于亮度检测的显示、将闪存应用于照相机、或者其他特征)。在一个实施例中,设备800包括电源管理850,所述电源管理对电池电量使用、电池充电以及与节电操作有关的特征进行管理。
存储器子系统860包括用于将信息存储在设备800中的(多个)存储器设备862。存储器子系统860可以包括非易失性(即使存储器设备断电也不改变状态)和/或易失性(如果存储器设备断电则状态不定)存储器设备。存储器860可以存储应用数据、用户数据、音乐、照片、文档或其他数据,以及与系统800的应用和功能的执行有关的系统数据(长期的或者临时的)。在一个实施例中,存储器子系统860包括存储器控制器864(其也可以被认为是系统800的控制的一部分,并有可能被认为是处理器810的一部分)。存储器控制器864包括调度器,用于生成并下发命令至存储器设备862。
连接870包括硬件设备(例如,无线和/或有线连接器以及通信硬件)和软件部件(例如,驱动器、协议栈),以使设备800与外部设备进行通信。外部设备可以是单独的设备(如其他计算设备、无线接入点或基站)以及外围设备(如耳机、打印机或其他设备)。
连接870可以包括多种不同类型的连接。出于概括,以蜂窝连接872和无线连接874展示了设备800。蜂窝连接872总体上指的是由无线载波提供的蜂窝网络连接,如,经由GSM(全球移动通信系统)或其变体或衍生体、CDMA(码分多址)或其变体或衍生体、TDM(时分复用)或其变体或衍生体、LTE(长期演进,也被称为“4G”)或其变体或衍生体或者其他蜂窝服务标准提供的。无线连接874指非蜂窝的无线连接,并且可以包括个人局域网(如,蓝牙)、局域网(例如,Wi-Fi)和/或广域网(例如,WiMax),或者其他无线通信。无线通信是指通过非固态介质通过使用经调制的电磁辐射的数据传送。有线通信是通过固态通信介质发生的。
外围连接880包括用于进行外周连接的硬件接口和连接器,以及软件部件(例如,驱动器、协议栈)。应理解的是,设备800可以是到其他计算设备的外围设备(882的“到”),也可以具有连接至其的外围设备(884的“来自”)。设备800通常具有用于连接至其他计算设备的“接口连接”连接器,以用于如管理(例如,下载和/或上载、更改、同步)设备800上的内容。此外,接口连接连接器可以允许设备800连接至特定外围设备,所述特定外围设备允许设备800控制例如到视听或其他系统的内容输出。
除了专用的接口连接连接器或其他专用连接硬件以外,设备800可以经由基于公共或标准的连接器进行外围连接880。公共类型可以包括通用串行总线(USB)连接器(其可以包括任意数量的不同硬件接口)、包括小型显示端口(MDP)的显示端口、高清晰度多媒体接口(HDMI)、火线或其他类型。
在一个实施例中,处理器810包括AFE 812,所述AFE是根据在此描述的任何实施例的前端电路。AFE 812将处理器810接口连接至多个传感器(未详细示出,但可经由I/O控制器840而连接)。AFE 812是动态可配置的,其允许前端电路基于所确定的操作状态来调整其操作。AFE 812包括AFE控制(未详细示出),所述AFE控制从输入传感器数据生成特征并且从所生成的特征确定操作状态。基于操作状态,AFE控制调整AFE的操作以便提高接口连接并节省功率。
在一个方面中,一种用于操作模拟前端(AFE)的方法包括:选择耦合至所述AFE的多个传感器之一;从所述传感器接收输入传感器数据;基于所述输入传感器数据来计算所述传感器的特征,所述特征表示所述AFE的针对所述传感器的所选操作状况信息;基于所述所计算特征来确定所述AFE的多个分立操作状态中针对所述传感器的一个分立操作状态;以及基于所述确定的操作状态来动态调整所述AFE的操作以与所述传感器进行接口连接,包括控制所述AFE的配置,所述配置控制所述AFE如何从所述传感器接收所述输入传感器数据。
在一个实施例中,其中,计算特征进一步包括:至少计算信号均值、信号标准偏差和实际功率。在一个实施例中,其中,计算特征进一步包括:通过针对时间窗口累积数据来计算特征。在一个实施例中,其中,针对所述时间窗口累积数据进一步包括:针对重叠时间窗口和连续非重叠时间窗口两者累积数据。在一个实施例中,其中,确定多个分立操作状态中的一个分立操作状态包括:通过基于存储的所计算特征而遍历决策树来将操作状况信息分类为所述多个分立操作状态。在一个实施例中,其中,对所述操作状况信息进行分类包括:基于所计算操作状况信息在多个决策树之一当中进行切换。在一个实施例中,其中,所述传感器是多个传感器之一,并且其中,接收所述输入传感器数据包括从多个传感器接收输入传感器数据;其中,所述确定多个分立操作状态中的所述一个分立操作状态包括基于来自所述多个传感器的所述输入传感器数据进行确定。在一个实施例中,其中,控制所述AFE的配置包括:动态改变所述AFE相对于所述传感器的采样分辨率的设置。在一个实施例中,其中,控制所述AFE的配置包括:动态改变所述AFE相对于所述传感器的带宽的设置。在一个实施例中,其中,控制所述AFE的配置包括:当与所述传感器进行接口连接时选择性地启用和禁用所述AFE的硬件部件。在一个实施例中,其中,控制所述AFE的配置包括:当与所述传感器进行接口连接时在所述AFE的高精度部件与低精度对应部件之间进行动态切换。在一个实施例中,其中,控制所述AFE的配置包括:当与所述传感器进行接口连接时在所述AFE的高功率部件与低功率对应部件之间进行动态切换。
在一个方面中,一种前端电路包括:多个硬件输入接口,所述多个硬件输入接口用于从多个传感器接收多个未经处理的输入传感器数据;模拟处理硬件,所述模拟处理硬件用于选择所述多个传感器之一并且处理所述所选传感器的输入传感器数据;以及处理器,所述处理器用于基于所述输入传感器数据来计算所述传感器的特征,所述特征表示针对所述传感器的所述模拟处理硬件的所选操作状况信息;基于所述所计算特征来确定所述模拟处理硬件的多个分立操作状态中针对所述传感器的一个分立操作状态;以及基于所述确定的操作状态来动态调整所述模拟处理硬件的操作以与所述传感器进行接口连接,包括控制所述模拟处理硬件的配置,所述配置控制所述模拟处理硬件如何从所述传感器接收所述输入传感器数据。
在一个实施例中,其中,所述处理器用于计算特征进一步包括所述处理器用于执行以下各项中的一项或多项:针对时间窗口累积数据或者至少计算信号均值、信号标准偏差和实际功率。在一个实施例中,其中,所述处理器用于计算特征进一步包括:所述处理器用于针对时间窗口累积数据。在一个实施例中,其中,所述处理器用于针对重叠时间窗口和连续非重叠时间窗口两者累积数据。在一个实施例中,进一步包括用于通过基于存储的所计算特征而遍历决策树来将操作状况信息分类为所述多个分立操作状态的所述处理器。在一个实施例中,其中,所述处理器用于对所述操作状况信息进行分类包括:所述处理器用于基于所计算操作状况信息在多个决策树之一当中进行切换。在一个实施例中,其中,所述传感器是多个传感器之一,并且其中,所述多个硬件输入接口用于从多个传感器接收所述输入传感器数据;其中,所述处理器用于基于来自所述多个传感器的所述输入传感器数据来确定多个分立操作状态中的所述一个分立操作状态。在一个实施例中,其中,所述处理器用于控制所述模拟处理硬件的所述配置,包括:动态改变所述模拟处理硬件相对于所述传感器的采样分辨率的设置。在一个实施例中,其中,所述处理器用于控制所述模拟处理硬件的所述配置,包括:动态改变所述模拟处理硬件相对于所述传感器的带宽的设置。在一个实施例中,其中,所述处理器用于控制所述模拟处理硬件的所述配置,包括:当与所述传感器进行接口连接时选择性地启用和禁用所述模拟处理硬件的硬件部件。在一个实施例中,其中,所述处理器用于控制所述模拟处理硬件的所述配置,包括:当与所述传感器进行接口连接时在所述模拟处理硬件的高精度部件与低精度对应部件之间进行动态切换。在一个实施例中,其中,所述处理器用于控制所述模拟处理硬件的所述配置,包括:当与所述传感器进行接口连接时在所述模拟处理硬件的高功率部件与低功率对应部件之间进行动态切换。
在一个方面中,一种系统包括:前端电路,所述前端电路包括:多个硬件输入接口,所述多个硬件输入接口用于从多个传感器接收多个未经处理的输入传感器数据;模拟处理硬件,所述模拟处理硬件用于选择所述多个传感器之一并且处理所述所选传感器的输入传感器数据;以及处理器,所述处理器用于基于所述输入传感器数据来计算所述传感器的特征,所述特征表示针对所述传感器的所述模拟处理硬件的所选操作状况信息;基于所述所计算特征来确定所述模拟处理硬件的多个分立操作状态中针对所述传感器的一个分立操作状态;以及基于所述确定的操作状态来动态调整所述模拟处理硬件的操作以与所述传感器进行接口连接的,包括控制所述模拟处理硬件的配置,所述配置控制所述模拟处理硬件如何从所述传感器接收所述输入传感器数据;触摸屏显示器,所述触摸屏显示器被配置成用于基于在所述前端电路处接收的数据来生成显示。相对于所述前端电路而描述的任何实施例还可应用于所述系统。
在一个方面中,一种制品,包括计算机可读存储介质,所述计算机可读存储介质具有存储于其上的内容,所述内容当被访问时使计算设备执行针对模拟前端(AFE)的操作,包括:选择耦合至所述AFE的多个传感器之一;从所述传感器接收输入传感器数据;基于所述输入传感器数据来计算所述传感器的特征,所述特征表示所述AFE的针对所述传感器的所选操作状况信息;基于所述所计算特征来确定所述AFE的多个分立操作状态中针对所述传感器的一个分立操作状态;以及基于所述确定的操作状态来动态调整所述AFE的操作以与所述传感器进行接口连接,包括控制所述AFE的配置,所述配置控制所述AFE如何从所述传感器接收所述输入传感器数据。相对于用于所述AFE的方法而描述的任何实施例还可应用于所述制品。
在一个方面中,一种用于操作模拟前端(AFE)的设备包括:用于选择耦合至所述AFE的多个传感器之一的装置;用于从所述传感器接收输入传感器数据的装置;用于基于所述输入传感器数据来计算所述传感器的特征的装置,所述特征表示所述AFE的针对所述传感器的所选操作状况信息;用于基于所述所计算特征来确定所述AFE的多个分立操作状态中针对所述传感器的一个分立操作状态的装置;以及用于基于所述确定的操作状态来动态调整所述AFE的操作以与所述传感器进行接口连接的装置,所述操作包括控制所述AFE的配置,所述配置控制所述AFE如何从所述传感器接收所述输入传感器数据。相对于用于所述AFE的方法而描述的任何实施例还可应用于所述设备。
如本文所示的流程图提供了各种处理动作的序列的示例。流程图可以指示有待由软件或固件线程执行的操作,以及物理操作。在一个实施例中,流程图可以展示有限状态机(FSM)的状态,其可以在硬件和/或软件中被实现。尽管是以特定序列或顺序示出的,但除非另外地指定,否则动作的顺序是可以修改的。因此,所展示的实施例应被理解为只是示例,并且所述过程可以用不同的顺序执行,并且一些动作可以并行地执行。另外,在各实施例中可以省略一个或多个动作;因此,并非在每个实施例中都需要所有动作。其他过程流是可能的。部件可被配置成用于执行操作或与另一部件进行接口连接。可通过硬件装置或通过软件装置和组合来配置部件。可通过经由电路或互连设备提供的物理连接来配置部件。
在本文所描述的各操作或功能程度上,它们可以被描述或定义为软件代码、指令、配置和/或数据。内容可以是直接可执行的(“对象”或“可执行文件”形式)、源代码或差编码(“三角形”或“补丁”代码)。本文中所描述的实施例的软件内容可以经由一种其上存储有内容的制品或经由一种操作通信接口经由通信接口发送数据的方法被提供。一种机器可读存储介质可以使机器执行所描述的功能或操作,并且包括存储具有机器(例如,计算设备、电子系统等)可存取形式的信息的任何机制,如可记录/不可记录介质(例如,只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存设备等)。一种通信接口包括与硬接线、无线、光等介质中的任一者接口连接以便与另一设备(如,存储器总线接口、处理器总线接口、互联网连接、磁盘控制器等)进行通信的任何机制。可以通过提供配置参数和/或发送信号来对通信接口进行配置以使通信接口准备用于提供描述软件内容的数据信号。可以经由发送到通信接口的一个或多个命令或信号来访问通信接口。
本文所描述的各部件可以是用于执行所描述的操作或功能的装置。本文所描述的每个部件包括软件、硬件或它们的组合。部件可以被实现为软件模块、硬件模块、专用硬件(例如,专用硬件、专用集成电路(ASIC)、数字信号处理器(DSP)等)、嵌入式控制器、硬接线电路系统等。
除了本文所描述的内容之外,在不脱离其范围的情况下,可以对公开的实施例和本发明的实现方式做出各种修改。因此,本文的说明和示例应在说明性的而非限制性意义上被解释。
Claims (24)
1.一种用于操作模拟前端AFE的方法,所述方法包括:
由模拟处理硬件选择耦合至所述AFE的多个传感器之一;
由硬件输入接口从所述传感器接收输入传感器数据;
由处理器基于所述输入传感器数据来计算所述传感器的特征,所述特征表示针对所述传感器的所述AFE的所选操作状况信息;
由所述处理器基于所计算的特征来确定针对所述传感器的所述AFE的多个分立操作状态中的一个分立操作状态,其中确定多个分立操作状态中的一个分立操作状态包括:由所述处理器通过基于存储的所计算的特征而遍历决策树来将操作状况信息分类为所述多个分立操作状态;以及
由所述处理器基于所确定的操作状态来动态调整所述AFE的操作以与所述传感器进行接口连接,包括控制所述AFE的配置,所述配置控制所述AFE如何从所述传感器接收所述输入传感器数据。
2.如权利要求1所述的方法,其中,计算特征进一步包括:
由所述处理器至少计算信号均值、信号标准偏差和实际功率。
3.如权利要求1所述的方法,其中,计算特征进一步包括:
由所述处理器通过针对时间窗口累积数据来计算特征。
4.如权利要求3所述的方法,其中,针对所述时间窗口累积数据进一步包括:
由所述处理器针对重叠时间窗口和连续非重叠时间窗口两者累积数据。
5.如权利要求1所述的方法,其中,对所述操作状况信息进行分类包括:
由所述处理器基于所计算的操作状况信息在多个决策树之一当中进行切换。
6.如权利要求1所述的方法,其中,所述传感器是多个传感器之一,并且其中,接收所述输入传感器数据包括从多个传感器接收输入传感器数据;
其中,所述确定多个分立操作状态中的所述一个分立操作状态包括:由所述处理器基于来自所述多个传感器的所述输入传感器数据进行确定。
7.如权利要求1所述的方法,其中,控制所述AFE的所述配置包括:
由所述处理器动态改变所述AFE相对于所述传感器的采样分辨率的设置。
8.如权利要求1所述的方法,其中,控制所述AFE的所述配置包括:
由所述处理器动态改变所述AFE相对于所述传感器的带宽的设置。
9.如权利要求1所述的方法,其中,控制所述AFE的所述配置包括:
当与所述传感器进行接口连接时,由所述处理器选择性地启用和禁用所述AFE的硬件部件。
10.如权利要求1所述的方法,其中,控制所述AFE的所述配置包括:
当与所述传感器进行接口连接时,由所述处理器在所述AFE的高精度部件与低精度对应部件之间进行动态切换。
11.如权利要求1所述的方法,其中,控制所述AFE的所述配置包括:
当与所述传感器进行接口连接时,由所述处理器在所述AFE的高功率部件与低功率对应部件之间进行动态切换。
12.一种前端电路,包括:
多个硬件输入接口,所述多个硬件输入接口用于从多个传感器接收多个未经处理的输入传感器数据;
模拟处理硬件,所述模拟处理硬件用于选择所述多个传感器之一并且处理所选传感器的输入传感器数据;以及
处理器,所述处理器用于:基于所述输入传感器数据来计算所述传感器的特征,所述特征表示针对所述传感器的所述模拟处理硬件的所选操作状况信息;基于所计算的特征来确定针对所述传感器的所述模拟处理硬件的多个分立操作状态中的一个分立操作状态;以及基于所确定的操作状态来动态调整所述模拟处理硬件的操作以与所述传感器进行接口连接,包括控制所述模拟处理硬件的配置,所述配置控制所述模拟处理硬件如何从所述传感器接收所述输入传感器数据,所述处理器进一步用于:通过基于存储的所计算的特征而遍历决策树来将操作状况信息分类为所述多个分立操作状态。
13.如权利要求12所述的前端电路,其中,所述处理器用于计算特征进一步包括:所述处理器用于进行以下各项中的一项或多项:针对时间窗口累积数据;或者至少计算信号均值、信号标准偏差和实际功率。
14.如权利要求12所述的前端电路,其中,所述处理器用于针对重叠时间窗口和连续非重叠时间窗口两者累积数据。
15.如权利要求12所述的前端电路,进一步包括:所述处理器用于:
基于所计算的操作状况信息在多个决策树之一当中进行切换。
16.如权利要求12所述的前端电路,其中,所述传感器是多个传感器之一,并且其中,所述多个硬件输入接口用于从多个传感器接收所述输入传感器数据;
其中,所述处理器用于基于来自所述多个传感器的所述输入传感器数据来确定多个分立操作状态中的所述一个分立操作状态。
17.如权利要求12所述的前端电路,其中,所述处理器用于控制所述模拟处理硬件的所述配置,包括以下各项中的一项或多项:动态改变所述模拟处理硬件相对于所述传感器的采样分辨率的设置;动态改变所述模拟处理硬件相对于所述传感器的带宽的设置;当与所述传感器进行接口连接时,选择性地启用和禁用所述模拟处理硬件的硬件部件;当与所述传感器进行接口连接时,在所述模拟处理硬件的高精度部件与低精度对应部件之间进行动态切换;或者当与所述传感器进行接口连接时,在所述模拟处理硬件的高功率部件与低功率对应部件之间进行动态切换。
18.一种用于操作模拟前端AFE的设备,所述设备包括:
用于选择耦合到所述AFE的多个传感器之一的装置;
用于从所述传感器接收输入传感器数据的装置;以及
用于基于所述输入传感器数据来计算所述传感器的特征的装置,所述特征表示针对所述传感器的所述AFE的所选操作状况信息;
用于基于所计算的特征来确定针对所述传感器的所述AFE的多个分立操作状态中的一个分立操作状态的装置,其中,用于确定多个分立操作状态中的一个分立操作状态的装置包括:用于通过基于存储的所计算的特征而遍历决策树来将操作状况信息分类为所述多个分立操作状态的装置;以及
用于基于所确定的操作状态来动态调整所述AFE的操作以与所述传感器进行接口连接的装置,包括用于控制所述AFE的配置的装置,所述配置控制所述AFE如何从所述传感器接收所述输入传感器数据。
19.如权利要求18所述的设备,其中,用于计算特征的装置进一步包括:用于针对时间窗口累积数据或者至少计算信号均值、信号标准偏差和实际功率的装置。
20.如权利要求18所述的设备,其中,用于计算特征的装置进一步包括:用于针对重叠时间窗口和连续非重叠时间窗口两者累积数据的装置。
21.如权利要求18所述的设备,其中,用于对所述操作状况信息进行分类的装置包括:用于基于所计算的操作状况信息在多个决策树之一当中进行切换的装置。
22.如权利要求18所述的设备,其中,所述传感器是多个传感器之一,并且其中,用于接收所述输入传感器数据的装置包括用于从多个传感器接收输入传感器数据的装置;
其中,用于确定的装置包括:用于基于来自所述多个传感器的所述输入传感器数据来确定所述多个分立操作状态中的一个分立操作状态的装置。
23.如权利要求18所述的设备,其中,用于控制所述AFE的配置的装置包括用于以下一项或多项操作的装置:动态改变所述AFE相对于所述传感器的采样分辨率的设置;动态改变所述AFE相对于所述传感器的带宽的设置;当与所述传感器进行接口连接时,选择性地启用和禁用所述AFE的硬件部件;当与所述传感器进行接口连接时,在所述AFE的高精度部件与低精度对应部件之间进行动态切换;或者当与所述传感器进行接口连接时,在所述AFE的高功率部件与低功率对应部件之间进行动态切换。
24.一种机器可读介质,包括多条指令,所述多条指令当被执行时,使计算设备执行如权利要求1-11中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/583,049 US9690361B2 (en) | 2014-12-24 | 2014-12-24 | Low-power context-aware control for analog frontend |
US14/583,049 | 2014-12-24 | ||
PCT/US2015/062833 WO2016105856A1 (en) | 2014-12-24 | 2015-11-27 | Low-power context-aware control for analog frontend |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107003973A CN107003973A (zh) | 2017-08-01 |
CN107003973B true CN107003973B (zh) | 2020-12-01 |
Family
ID=56151371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580065107.7A Active CN107003973B (zh) | 2014-12-24 | 2015-11-27 | 用于模拟前端的低功率情境感知控制的方法、电路和设备 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9690361B2 (zh) |
EP (1) | EP3238076A4 (zh) |
JP (1) | JP6746583B2 (zh) |
KR (1) | KR102443490B1 (zh) |
CN (1) | CN107003973B (zh) |
TW (1) | TWI567543B (zh) |
WO (1) | WO2016105856A1 (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483851B (zh) * | 2014-10-30 | 2017-03-15 | 深圳创维-Rgb电子有限公司 | 一种情景感知控制装置、系统及方法 |
GB2534557B (en) * | 2015-01-21 | 2022-03-09 | Arm Ip Ltd | Methods and resources for creating permissions |
US9786298B1 (en) | 2016-04-08 | 2017-10-10 | Source Digital, Inc. | Audio fingerprinting based on audio energy characteristics |
US10637951B2 (en) * | 2016-04-08 | 2020-04-28 | Massachusetts Institute Of Technology | Systems and methods for managing data proxies |
DE112016006822T5 (de) * | 2016-06-30 | 2019-01-10 | Intel Corporation | Sensorbasiertes datensatzverfahren und einrichtung |
CN106815565A (zh) * | 2016-12-28 | 2017-06-09 | 华勤通讯技术有限公司 | 一种电容式指纹识别芯片、移动终端和芯片控制方法 |
TWI712925B (zh) * | 2017-01-24 | 2020-12-11 | 瑞昱半導體股份有限公司 | 電子裝置與其控制方法 |
KR101810504B1 (ko) * | 2017-02-01 | 2017-12-20 | 김원선 | 아날로그 신호 통합 처리 장치 및 그 방법 |
US10467509B2 (en) | 2017-02-14 | 2019-11-05 | Microsoft Technology Licensing, Llc | Computationally-efficient human-identifying smart assistant computer |
US11100384B2 (en) | 2017-02-14 | 2021-08-24 | Microsoft Technology Licensing, Llc | Intelligent device user interactions |
US11010601B2 (en) | 2017-02-14 | 2021-05-18 | Microsoft Technology Licensing, Llc | Intelligent assistant device communicating non-verbal cues |
US10013081B1 (en) * | 2017-04-04 | 2018-07-03 | Google Llc | Electronic circuit and method to account for strain gauge variation |
US10635255B2 (en) | 2017-04-18 | 2020-04-28 | Google Llc | Electronic device response to force-sensitive interface |
US10014026B1 (en) * | 2017-06-20 | 2018-07-03 | Seagate Technology Llc | Head delay calibration and tracking in MSMR systems |
US11262837B2 (en) * | 2017-08-21 | 2022-03-01 | Alibaba Technology (Israel) Ltd. | Dual-precision sensor system using high-precision sensor data to train low-precision sensor data for object localization in a virtual environment |
JP6877594B2 (ja) * | 2017-11-21 | 2021-05-26 | グーグル エルエルシーGoogle LLC | マシンラーニングによる低パワーアンビエントコンピューティングシステム |
US11533055B2 (en) | 2018-09-07 | 2022-12-20 | Cypress Semiconductor Corporation | Ultra-low power adaptively reconfigurable system |
US11741077B2 (en) * | 2018-09-28 | 2023-08-29 | Mitsubishi Electric Corporation | Server device, data distribution system, data provision method, and recording medium |
US11294504B2 (en) | 2018-12-14 | 2022-04-05 | Stmicroelectronics Asia Pacific Pte Ltd | Oversampled high signal to noise ratio analog front end for touch screen controllers |
CN112930138B (zh) * | 2018-12-27 | 2023-04-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种监测用户生命体征的方法和装置 |
US11682230B2 (en) * | 2019-03-07 | 2023-06-20 | Novatek Microelectronics Corp. | Fingerprint signal processing circuit and method for signal compensation in analog front-end |
US11093648B2 (en) * | 2019-06-28 | 2021-08-17 | Intel Corporation | Hardware-assisted privacy protection using a secure user interface with multi-level access control of sensor data |
TWI718667B (zh) * | 2019-09-12 | 2021-02-11 | 大陸商北京集創北方科技股份有限公司 | 光學指紋採集方法及利用其之光學指紋感測裝置和手持裝置 |
US11657273B2 (en) * | 2019-12-27 | 2023-05-23 | Industrial Technology Research Institute | Hardware structure aware adaptive learning based power modeling method and system |
JP2021135269A (ja) * | 2020-02-28 | 2021-09-13 | ラピスセミコンダクタ株式会社 | 半導体装置および計測処理システム |
US11221800B2 (en) | 2020-03-02 | 2022-01-11 | Micron Technology, Inc. | Adaptive and/or iterative operations in executing a read command to retrieve data from memory cells |
US11740970B2 (en) | 2020-03-02 | 2023-08-29 | Micron Technology, Inc. | Dynamic adjustment of data integrity operations of a memory system based on error rate classification |
US20210273650A1 (en) * | 2020-03-02 | 2021-09-02 | Micron Technology, Inc. | Classification of error rate of data retrieved from memory cells |
US11086572B1 (en) | 2020-03-02 | 2021-08-10 | Micron Technology, Inc. | Self adapting iterative read calibration to retrieve data from memory cells |
US11029890B1 (en) | 2020-03-02 | 2021-06-08 | Micron Technology, Inc. | Compound feature generation in classification of error rate of data retrieved from memory cells |
US11562793B2 (en) | 2020-05-07 | 2023-01-24 | Micron Technology, Inc. | Read soft bits through boosted modulation following reading hard bits |
US11081200B1 (en) | 2020-05-07 | 2021-08-03 | Micron Technology, Inc. | Intelligent proactive responses to operations to read data from memory cells |
US11493970B2 (en) * | 2020-10-30 | 2022-11-08 | Qualcomm Incorporated | Two-stage dynamic power supply voltage adjustment |
IT202100001322A1 (it) * | 2021-01-25 | 2022-07-25 | St Microelectronics Srl | Circuito elettronico di interfaccia riconfigurabile automaticamente e sensore includente il circuito elettronico di interfaccia e un trasduttore mems |
CN113255746B (zh) * | 2021-05-14 | 2022-03-29 | 国网甘肃省电力公司经济技术研究院 | 基于决策树的新能源电动汽车退役动力电池等级筛选方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7557849B2 (en) * | 2004-10-11 | 2009-07-07 | Mediatek Usa Inc | Processor-controlled timing generator for multiple image sensors |
CN103105181A (zh) * | 2011-11-15 | 2013-05-15 | 瑞萨电子株式会社 | 半导体器件和传感器系统 |
CN103797451A (zh) * | 2011-07-15 | 2014-05-14 | 德克萨斯仪器股份有限公司 | 触控感应方法和设备 |
CN103827795A (zh) * | 2011-07-15 | 2014-05-28 | 德克萨斯仪器股份有限公司 | 用于感测和扫描电容式触摸面板的方法和装置 |
US8786481B1 (en) * | 2011-11-07 | 2014-07-22 | Zerowatt Technologies, Inc. | Method and apparatus for event detection and adaptive system power reduction using analog compression engine |
CN103975530A (zh) * | 2011-10-07 | 2014-08-06 | 密克罗奇普技术公司 | 具有优化的模/数转换控制器的微控制器 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7310624B1 (en) * | 2000-05-02 | 2007-12-18 | International Business Machines Corporation | Methods and apparatus for generating decision trees with discriminants and employing same in data classification |
JP3720346B2 (ja) * | 2004-03-30 | 2005-11-24 | シャープ株式会社 | 携帯情報処理装置 |
US7216053B2 (en) * | 2004-12-30 | 2007-05-08 | Nokia Corporation | Low power motion detector |
US20070270671A1 (en) | 2006-04-10 | 2007-11-22 | Vivometrics, Inc. | Physiological signal processing devices and associated processing methods |
JP4977570B2 (ja) * | 2007-10-03 | 2012-07-18 | 株式会社日立製作所 | デジタルキャリブレーション型アナログデジタル変換器及びそれを用いた無線受信回路及び無線送受信回路 |
JP2012026824A (ja) * | 2010-07-22 | 2012-02-09 | Seiko Epson Corp | センシング装置、電子機器 |
US10131419B2 (en) | 2010-10-15 | 2018-11-20 | Goodrich Corporation | Systems and methods for detecting landing gear ground loads |
US20120254878A1 (en) * | 2011-04-01 | 2012-10-04 | Lama Nachman | Mechanism for outsourcing context-aware application-related functionalities to a sensor hub |
US8838056B2 (en) * | 2011-06-28 | 2014-09-16 | Xilinx, Inc. | Receiver circuit |
US9575619B2 (en) * | 2012-01-18 | 2017-02-21 | Texas Instruments Incorporated | Data capture design tool for designing and configuring systems with analog front ends |
AU2013221336B2 (en) | 2012-02-17 | 2017-08-17 | University Of Virginia D/B/A University Of Virginia Licensing & Ventures Group | Energy harvesting and control for sensor node |
JP5990409B2 (ja) * | 2012-06-08 | 2016-09-14 | ルネサスエレクトロニクス株式会社 | 半導体装置のシミュレータ、シミュレーション方法及びシミュレーションプログラム |
US9417925B2 (en) | 2012-10-19 | 2016-08-16 | Microsoft Technology Licensing, Llc | Dynamic functionality partitioning |
JP2014086892A (ja) * | 2012-10-24 | 2014-05-12 | Renesas Electronics Corp | 半導体集積回路装置 |
KR102179811B1 (ko) * | 2012-12-03 | 2020-11-17 | 엘지전자 주식회사 | 포터블 디바이스 및 음성 인식 서비스 제공 방법 |
KR101603752B1 (ko) * | 2013-01-28 | 2016-03-28 | 삼성전자주식회사 | 멀티 모드 지원 프로세서 및 그 프로세서에서 멀티 모드를 지원하는 방법 |
US9268399B2 (en) | 2013-03-01 | 2016-02-23 | Qualcomm Incorporated | Adaptive sensor sampling for power efficient context aware inferences |
US9661221B2 (en) | 2013-03-15 | 2017-05-23 | Qualcomm Incorporated | Always-on camera sampling strategies |
CN104102749B (zh) * | 2013-04-11 | 2019-04-23 | 华为技术有限公司 | 终端设备 |
EP3003148A1 (en) * | 2013-05-31 | 2016-04-13 | NIKE Innovate C.V. | Dynamic sampling |
US9406313B2 (en) | 2014-03-21 | 2016-08-02 | Intel Corporation | Adaptive microphone sampling rate techniques |
US9612993B2 (en) * | 2014-06-28 | 2017-04-04 | Intel Corporation | Dynamically configurable analog frontend circuitry |
-
2014
- 2014-12-24 US US14/583,049 patent/US9690361B2/en active Active
-
2015
- 2015-11-23 TW TW104138813A patent/TWI567543B/zh active
- 2015-11-27 JP JP2017533437A patent/JP6746583B2/ja active Active
- 2015-11-27 WO PCT/US2015/062833 patent/WO2016105856A1/en active Application Filing
- 2015-11-27 CN CN201580065107.7A patent/CN107003973B/zh active Active
- 2015-11-27 EP EP15874054.8A patent/EP3238076A4/en not_active Ceased
- 2015-11-27 KR KR1020177014032A patent/KR102443490B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7557849B2 (en) * | 2004-10-11 | 2009-07-07 | Mediatek Usa Inc | Processor-controlled timing generator for multiple image sensors |
CN103797451A (zh) * | 2011-07-15 | 2014-05-14 | 德克萨斯仪器股份有限公司 | 触控感应方法和设备 |
CN103827795A (zh) * | 2011-07-15 | 2014-05-28 | 德克萨斯仪器股份有限公司 | 用于感测和扫描电容式触摸面板的方法和装置 |
CN103975530A (zh) * | 2011-10-07 | 2014-08-06 | 密克罗奇普技术公司 | 具有优化的模/数转换控制器的微控制器 |
US8786481B1 (en) * | 2011-11-07 | 2014-07-22 | Zerowatt Technologies, Inc. | Method and apparatus for event detection and adaptive system power reduction using analog compression engine |
CN103105181A (zh) * | 2011-11-15 | 2013-05-15 | 瑞萨电子株式会社 | 半导体器件和传感器系统 |
Also Published As
Publication number | Publication date |
---|---|
KR102443490B1 (ko) | 2022-09-14 |
EP3238076A1 (en) | 2017-11-01 |
US9690361B2 (en) | 2017-06-27 |
EP3238076A4 (en) | 2018-07-11 |
WO2016105856A1 (en) | 2016-06-30 |
US20160187961A1 (en) | 2016-06-30 |
TWI567543B (zh) | 2017-01-21 |
KR20170099858A (ko) | 2017-09-01 |
CN107003973A (zh) | 2017-08-01 |
JP2018512628A (ja) | 2018-05-17 |
TW201640272A (zh) | 2016-11-16 |
JP6746583B2 (ja) | 2020-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107003973B (zh) | 用于模拟前端的低功率情境感知控制的方法、电路和设备 | |
EP3162013B1 (en) | Dynamically configurable analog frontend circuitry | |
US10395376B2 (en) | CMOS image sensor on-die motion detection using inter-pixel mesh relationship | |
KR102423565B1 (ko) | 이벤트 카메라 데이터 프로세싱을 위한 시스템 및 방법 | |
KR101562448B1 (ko) | 휴대용 컴퓨팅 디바이스의 멀티코어 프로세서에서 다수의 코어들로의 전력을 동적으로 제어하는 방법 및 시스템 | |
JP6073496B2 (ja) | 状況アウェアなセンサ電力管理 | |
US8612998B2 (en) | Coordinating device and application break events for platform power saving | |
US9541982B2 (en) | Reconfigurable event driven hardware using reservoir computing for monitoring an electronic sensor and waking a processor | |
US20200193278A1 (en) | Neural processing system and operating method thereof | |
US11720814B2 (en) | Method and system for classifying time-series data | |
US20120096290A1 (en) | Distributed Architecture for Situation Aware Sensory Application | |
US20130268736A1 (en) | Sensor data recording apparatus, method, and program | |
US9377843B2 (en) | Systems and methods for managing current consumption by an electronic device | |
US10928882B2 (en) | Low cost, low power high performance SMP/ASMP multiple-processor system | |
HUE031440T2 (en) | System and procedure for adaptive voltage scaling | |
US20160105162A1 (en) | METHODS AND APPARATUSES FOR ULTRA-LOW-POWER SYSTEM ON A CHIP (SoC) ACTIVITY WEARABLE DEVICES | |
US20150355698A1 (en) | System and method for determining power loads | |
US20160316320A1 (en) | Electronic apparatus, uploading method and non-transitory computer readable storage medium thereof | |
Di Mauro et al. | Flydvs: An event-driven wireless ultra-low power visual sensor node | |
Grützmacher et al. | Towards energy efficient sensor nodes for online activity recognition | |
WO2017051269A1 (en) | Low power activity monitoring with adaptive duty cycle in a sensor hub | |
US10571989B2 (en) | Low energy system for sensor data collection and measurement data sample collection method | |
US20190196566A1 (en) | Low power internet of things (iot) device with swappable communication module | |
WO2017199257A1 (en) | Activating a processor based on sensor monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |