CN107977074A - 用于移动或可穿戴设备用户的上下文感知的方法和装置 - Google Patents

用于移动或可穿戴设备用户的上下文感知的方法和装置 Download PDF

Info

Publication number
CN107977074A
CN107977074A CN201710978770.7A CN201710978770A CN107977074A CN 107977074 A CN107977074 A CN 107977074A CN 201710978770 A CN201710978770 A CN 201710978770A CN 107977074 A CN107977074 A CN 107977074A
Authority
CN
China
Prior art keywords
probability
context
probability context
confidence metric
sensor
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
CN201710978770.7A
Other languages
English (en)
Other versions
CN107977074B (zh
Inventor
M·乔达里
A·库马
G·辛
K·R·J·米尔
I·N·卡
R·巴尔
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.)
STMICROELECTRONICS INTERNATIONAL NV
STMicroelectronics lnc USA
Original Assignee
STMICROELECTRONICS INTERNATIONAL NV
STMicroelectronics lnc USA
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 STMICROELECTRONICS INTERNATIONAL NV, STMicroelectronics lnc USA filed Critical STMICROELECTRONICS INTERNATIONAL NV
Publication of CN107977074A publication Critical patent/CN107977074A/zh
Application granted granted Critical
Publication of CN107977074B publication Critical patent/CN107977074B/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
    • 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
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • 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
    • G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
    • 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
    • G06F1/3296—Power saving characterised by the action undertaken by lowering the supply or operating voltage
    • 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
    • G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
    • G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
    • 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
    • G06F3/16—Sound input; Sound output
    • 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
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Telephone Function (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请涉及用于移动或可穿戴设备用户的上下文感知的方法和装置。本文公开了一种操作电子设备的方法。该方法包括激活第一感测设备，以及确定电子设备相对于其周围环境的第一概率上下文。该方法包括输出第一概率上下文，以及确定第一概率上下文的置信度度量。在第一概率上下文的置信度度量低于阈值的情况下，该方法包括激活第二感测设备，确定电子设备相对于其周围环境的第二概率上下文。输出第二概率上下文，以及确定第二概率上下文的置信度度量。在第二概率上下文的置信度度量高于阈值的情况下，去激活第二感测设备，并且该方法返回以确定第一概率上下文。

Description

用于移动或可穿戴设备用户的上下文感知的方法和装置
技术领域
本公开涉及用于在提供期望水平的上下文分类精度的同时以能量有效的方式确定移动或可穿戴设备用户的上下文的方法和装置。
背景技术
诸如智能手机、智能手表、其他可穿戴设备和平板电脑之类的便携式电子设备在当今世界越来越受欢迎。这些设备的某些功能取决于设备具有对设备的取向或设备当前所驻留在其中的环境条件的认知。例如，智能手机可以基于智能手机被保持的取向而将其用户界面从纵向视图旋转到横向视图。作为另一示例，智能手表可以分别基于智能手表被保持的取向或基于智能手表所驻留在其中的环境中的环境光来激活其显示器或改变其显示器的亮度。这种便携式电子设备也可以记录用户的身体活动。例如，智能手机或智能手表可以计数用户所走的步数。
为了确定设备的取向或设备驻留在其中的环境条件，采用诸如加速度计和陀螺仪之类的传感器。通常，电子设备包括片上系统(SOC)，该片上系统(SOC)从传感器接收原始数据并且然后确定设备取向或环境条件。
尽管使用多个传感器的这种方法产生精确的数据并且使得电子设备能够执行商业上期望的功能，但是多个传感器的这种使用可能消耗不期望的功率量。因此，仍然需要进一步的开发。
发明内容
提供本发明内容来介绍下面在详细描述中进一步描述的概念的选择。本发明内容并非旨在标识所要求保护的主题的关键或基本特征，也不旨在用于帮助限制所要求保护的主题的范围。
本公开涉及用于在提供期望水平的分类精度的同时以能量有效的方式确定移动或可穿戴设备用户的上下文的方法和装置。能量优化基于确定在给定时间要被使用的传感器，并因此开启/关闭它们或将它们选择性地置于正常/低功率模式。算法框架是灵活的，以允许在能量效率和上下文检测精度之间进行权衡。在给定来自一个或多个传感器的数据的情况下，计算架构输出一些或全部不同上下文的概率。概率输出被用于确定检测到的上下文类别中的置信度的程度，并且从而确定是否要开启附加传感器以提高置信度，或者是否要关闭某些传感器，因为它们的数据对进一步改善分类结果的置信度无用。例如，如果上下文是指移动或可穿戴设备的用户参与的运动活动的类型，那么用于该任务的嵌入式传感器套件可以包括加速度计、气压计、陀螺仪和麦克风。可以从能量效率和上下文分类精度的角度来确定在给定时间处要使用的传感器的数量。
本文公开了一种操作电子设备的方法。该方法包括：激活第一感测设备，以及确定电子设备相对于其周围环境的第一概率上下文。该方法包括：输出第一概率上下文，以及确定第一概率上下文的置信度度量。在第一概率上下文的置信度度量低于阈值的情况下，该方法包括：激活第二感测设备，确定电子设备相对于其周围环境的第二概率上下文，输出第二概率上下文，以及确定第二概率上下文的置信度度量。在第二概率上下文的置信度度量高于阈值的情况下，去激活第二感测设备，并且该方法返回以确定第一概率上下文。
本文还公开了一种传感器芯片，该传感器芯片安装在印刷电路板(PCB)上并且经由至少一个导电迹线电耦合到安装在PCB上的片上系统(SoC)。传感器芯片包括第一感测设备和第二感测设备以及控制电路。控制电路被配置为：激活第一感测设备，确定电子设备相对于其周围环境的第一概率上下文，并输出第一概率上下文。控制电路还被配置为确定第一概率上下文的置信度度量。在第一概率上下文的置信度度量低于第一阈值的情况下，控制电路被配置为：激活第二感测设备，确定电子设备相对于其周围环境的第二概率上下文，输出第二概率上下文，并且确定第二概率上下文的置信度度量。在第二概率上下文的置信度度量高于第二阈值的情况下，控制电路去激活第二感测设备并返回以确定第一概率上下文。
附图说明
图1是电子设备的示意性框图，该电子设备包括可以被用来执行本文所描述的感测技术和方法的可重新配置的传感器单元。
图2是在设备具有两个传感器的情况下用于移动或可穿戴设备用户的能量有效的概率上下文感知的框架的基本层级表示。
图3A是图示出用于使用来自第一传感器的输入数据来获得不同上下文类别的概率的步骤的流程图。
图3B是图示出用于使用来自第二传感器和可选地第一传感器的输入数据来获得不同上下文类别的概率的步骤的流程图。
图4是图示出根据时间的针对运动活动类别的后验概率(形成运动活动后验图(posteriorgram))以及针对“步行”活动的最高和第二高的后验概率之间的差异的图。
图5是图示出了根据数据帧的针对运动活动类别的后验概率的图，该数据帧是在一个传感器(加速度计)和两个传感器(加速度计和气压计)之间进行切换的情况下仅使用加速度计或者使用加速度计和气压计两者所获得的。所使用的准则是在每帧中最高两个概率的差异，其中切换阈值为0.3。最低的曲线图表明当仅使用一个传感器或使用两个传感器获得后验概率时的相应概率差异。
图6是图示出当在仅加速度计传感器与既有加速度计又有气压计之间进行切换时，根据在运动活动后验图中的最大和第二大的后验概率之间的差异中的切换阈值的总体精度的图。
图7是被用作用于运动活动分类的运动活动后验图中的置信度的准则的熵的时间演进图(顶部黄色曲线图)。当实际活动为“步行”时，也针对不同活动示出了仅使用加速度计数据所获得的后验概率。实线水平线示出了2.3比特的条件熵阈值。
图8是根据帧的针对运动活动类别的后验概率的图，该帧是在一个传感器即仅加速度计和两个传感器即加速度计和气压计之间进行切换的情况下、仅使用加速度计(上部曲线图)或使用加速度计和气压计两者(中间曲线图)所获得的。所使用的准则是针对来自仅加速度计和切换之后来自两个传感器的数据的、下部曲线图中所示出的条件熵。用于切换的阈值为2.3比特。
图9是示出针对两种切换情况的根据用于条件熵切换准则的阈值的能量消耗的比较的图。
图10是示出针对两种切换情况的根据用于条件熵切换准则的阈值的分类精度的比较的图。
图11是图形地显示在仅使加速度计开启的情况下各种运动活动类别的后验概率、条件熵和每个活动执行的持续时间的Android应用的屏幕快照。用户可以在三种不同的分类算法之间进行选择。
图12是图形地显示在加速度计和气压计都开启的情况下各种运动活动类别的后验概率、条件熵以及自开始起每个活动执行的持续时间的Android应用的屏幕。用户可以在三种不同的分类算法之间进行选择。
图13是第一表，示出了使用概率MAP输出而获得的针对运动活动类别的混合矩阵，该概率MAP输出具有在使用条件熵准则在一个传感器和两个传感器之间进行切换的情况下从加速度计和气压计数据获得的特征。对于所有运动活动类别的检测，所获得的总体精度为86.49％。
图14是第二表，示出了总体精度随着条件熵的切换阈值的改变的变化。该表还列出了仅加速度计开启的时间百分比与加速度计和气压计都开启的时间百分比的比对，以及对所消耗的能量的估计。
图15是第三表，示出了总体精度随着条件熵的切换阈值的改变的变化。该表还列出了仅气压计开启的时间百分比与加速度计和气压计都开启的时间百分比的比对，以及对所消耗的能量的估计。
具体实施方式
参考附图进行本说明，附图中示出了示例实施例。然而，可以使用许多不同的实施例，因此本说明不应被解释为限于本文所阐述的实施例。而是提供这些实施例以使得本公开将是彻底且完整的。相同的编号遍及全文都指代相同的元素。
首先将一般性地解释根据本公开的操作，并且此后将更详细地对其进行描述。
随着MEMS传感器技术中其小巧的尺寸且相对较低的成本的改善，它们变得普遍存在于诸如移动电话、智能手表和其他可穿戴设备之类的日常使用的消费电子设备中。这些传感器以及这些设备上的嵌入式处理器为确定可能基于运动活动检测、语音活动检测、空间环境检测等的设备用户的上下文感知铺平了道路。为了感测上下文，需要连续地从一个或多个兼容传感器中出来的相关数据。由于这个原因，移动/可穿戴设备中的能量不断地被消耗。这些设备通常小巧且轻便，这对在设备中所集成的电池产生了约束。因此，能量优化是上下文检测任务中的重要考虑因素。
广泛范围的传感器可用于不同的上下文感知任务，诸如加速度计、气压计、陀螺仪、磁力计、麦克风、相机、全球定位卫星(GPS)接收器、光传感器、接近传感器、射频(RF)传感器、气体传感器等。通常情况下，可以通过异构传感器实现相同的上下文感知任务，其中每个异构传感器具有不同功耗水平并提供不同精度。任务也可以通过使用具有多传感器数据融合的多个异构传感器来实现，其可以提供更高水平的上下文分类精度。例如，可以通过具有不同精度水平的加速度计、气压计、陀螺仪或麦克风来独立地检测用户的运动活动。假设在提供特定类型的上下文感知信息例如用户的运动活动中有用的一些或所有传感器在设备上是可用的，一个合理的客观准则将是使上下文分类的精度最大化并且同时使功耗最小化。最低功耗的传感器可能不能提供针对上下文检测任务的最大精度，而多个异构传感器通常将以更高的功耗为代价来给出更可靠且精确的上下文推断。
在本文中，给出了一种用于利用一个或多个传感器来确定移动/可穿戴设备用户的上下文的计算方法，其目的是实现指定精度水平的上下文推断并且使针对任务的能量消耗最小化。这将涉及自适应地开启或关闭某些传感器。该框架虑及了在针对检测精度进行权衡的情况下调整能量效率的灵活性。该计算架构通过异构传感器测量来提供关于诸如运动活动的上下文的概率信息，所述异构传感器测量可以包括嵌入在移动/可穿戴设备上的加速度计、气压计、陀螺仪和麦克风、通过麦克风和麦克风阵列的语音活动、以及通过麦克风、气压计和UV传感器的空间环境。在给定来自传感器的观察数据的情况下，以每个上下文类别的概率的形式提供输出信息。提供逻辑以取决于从概率输出中导出的置信度度量来自适应地确定是否应该使用传感器中的一个或多个传感器，所述逻辑考虑了实现上下文分类的指定精度和使能量消耗最小化这两个目标。
在用于上下文感知任务中的能量效率的先前方法中，已经建议除了移动设备的主处理器之外还使用辅助的低功率处理器，以顾及所有上下文感知的处理和活动。低功率处理器具有连续感测上下文的任务，而仅当存在要执行的计算密集型工作时才使主处理器唤醒。在另一种方法中，将要检测的上下文类别先验地映射到一个或多个传感器，并相应地使传感器唤醒以检测特定类别是否存在或不存在。当上下文监控中发生变化时，通过间歇性地执行上下文识别也解决了能源效率的任务。由于被传感器消耗的能量与传感器的采样速率成正比，所以取决于过去的上下文事件，使用了动态算法来适应传感器的采样速率。
现在首先参考图1，描述可以在其上执行本公开的各种技术和方法的电子设备100。电子设备100可以是智能电话、平板电脑、智能手表或其他可穿戴设备。电子设备100包括其上安装有各种组件的印刷电路板(PCB)99。印刷在PCB 99上的导电迹线97用于以期望的方式将各种组件电耦合在一起。
将包括耦合到图形处理单元(GPU)119的中央处理单元(CPU)117的片上系统(SoC)116安装在PCB 99上。耦合到SoC 116的是收发器101以及触敏显示器103，SoC 116经由收发器101可以通过互联网来与远程服务器通信，SoC 116经由触敏显示器103可以显示输出和接收输入。各种传感器耦合到SoC 116，包括用于确定电子设备100所驻留的环境中的环境光的水平的光传感器102、用于确定电子设备100相对于地球的磁场的取向的磁力计104、用于确定环境中的空气压力(以及因此的电子设备100的高度)的气压计106、用于检测环境中的可听噪声的麦克风114和用于确定用户相对于电子设备100的接近度的接近传感器118。
将可配置传感器单元107在PCB 99上安装成与SoC 116间隔开，并通过导电迹线97与SoC 116耦合。仅仅是为了说明的目的，例如，可配置传感器单元107包括耦合到控制电路112的陀螺仪110和/或加速度计108。加速度计108用于确定由电子设备100所经历的加速度，并且陀螺仪110用于确定电子设备100相对于环境的取向。应当理解，现有的或未来开发的任何类型的传感器可以与本公开一起使用，其范围不受所使用的可配置传感器的类型的限制。可配置传感器单元107可以由分立组件和/或集成组件和/或分立组件和集成组件的组合来形成，并且可以形成为封装。
如图1中所图示，作为示例，可配置传感器单元107不是SoC 116的一部分，并且是与SoC 116分离且不同的组件。传感器单元107和SoC 116是安装在PCB 99上的不同位置处并且经由导电迹线97耦合在一起的分离的、不同的、相互排斥的芯片。应该理解，该示例配置仅仅是一种可选配置，并且SOC 116和/或其特征/功能可以与传感器单元107集成，其也被包括在本公开的范围内。
在操作中，SoC 116可以以采集速率从各种传感器102、103、104、106、114和118采集数据，并且可以处理数据以便确定电子设备100相对于其环境的上下文。在某些操作场景中，用于这些各种传感器中的一些传感器的采集速率可能相对较低，这是由于要从这些传感器确定的上下文的性质不需要较高的采集速率。因此，作为从这些各种传感器采集数据的结果的功耗可能相对较低。将详细解释上下文。
另一方面，从一些其他传感器确定的上下文，例如在某些操作场景中，加速度计108和/或陀螺仪100，可能涉及使用比其他传感器更高的采集速率。因此，为了节省功率，可以使用消耗比SoC 116更少功率的可配置传感器单元107的控制电路112来执行从加速度计108和/或陀螺仪110的数据采集，并且可以执行该数据的一些处理。
在操作中，控制电路112从加速度计108和/或陀螺仪110采集数据，并处理数据以便生成电子设备100相对于其周围环境的上下文。该处理由控制电路112使用根据作为输入接收到的配置数据进行操作的处理技术来执行。经处理的数据然后由控制电路112输出到SoC 116以供由此使用。
电子设备100的上下文可以是它被携带在用户身体上的某处(即，在口袋中、手中、皮套中)、用户的当前运动方式(即跑步、步行、驾驶、骑自行车、爬楼梯、乘火车、乘公交车)、人类的语音活动(即沉默、面对面交谈、电话交谈)、空间环境(即街道、大自然、花园、沙滩、体育场馆、办公室、购物中心、家庭住宅、讲堂)、电子设备100相对于重力的取向。另一示例上下文可以是电子设备100以手势的移动，诸如用户将智能手表提升到用于观看其屏幕的位置、摇晃电子设备100、双击电子设备100的触敏显示器103、顺时针或逆时针旋转电子设备100、以及将触敏显示器103向左、右、顶或底滑动。
使用单个传感器(例如，加速度计108)或多个传感器(例如，加速度计108和气压计106)来描述用于能量有效的上下文分类的通用算法框架。该算法框架产生根据时间的每个上下文类别的后验概率，其可以被用于具有指定精度水平的上下文分类，同时从能量消耗的角度确保设备100上的传感器102、103、104、106、114和118的最佳利用。
算法框架是灵活的，以允许在能量效率和上下文分类精度之间进行权衡。使用多个异构传感器102、103、104、106、114和118的优点在于，它提高了分类精度——这是由于他们独立的测量，但是多个传感器102、103、104、106、114和118也增加所消耗的总能量。可以从能量效率和分类精度的角度来确定在给定时间处要使用的传感器102、103、104、106、114和118的数量。
本文所公开的操作方法包括来自单个传感器(102、103、104、106、114和118中的一个)的第一数据，以使用窗口化的数据帧来计算每个上下文类别的后验概率。可以使用合适的逻辑来从针对每个帧的这些概率中确定上下文类别。这些概率中的每一个概率的集合被称为“后验图”。后验图被用于确定关于分类结果的置信度度量。如果置信度度量高于一个(固定或自适应)阈值，那么单个传感器继续被用于确定后验图，否则除了第一传感器之外或者替代第一传感器，开启另一传感器(102、103、104、106、114和118中的另一个)，以使用多传感器数据融合来确定上下文类别的后验概率。再次从后验图中确定置信度度量，以进一步决定是否应该使用相同的传感器，或者应该开启附加传感器(102、103、104、106、114和118中的另一个)，或者应该关闭正在使用的传感器。在此框架中，通过适当地改变置信度度量的阈值，在所期望的上下文检测的精度与由传感器消耗的能量之间进行权衡以实现期望水平的精度是可行的，该置信度度量是在逐帧的基础上被监控并被用于决定要使用的传感器的数量。
图2中示出的是用于使用从102、103、104、106、114和118中选择的一个或两个传感器对移动设备100用户的能量有效的上下文检测的方法的流程图200。流程图200具有用于确定概率内容输出的子程序块206和214，其细节在图3A-图3B的流程图206和214中示出。虽然针对在一个传感器和两个传感器之间切换的情况示出和描述了算法，但是可以用相同逻辑针对涉及多于两个传感器的切换来对框架进行扩展。
首先参考图2，在块202处开始之后，在块204处开启第一传感器，并且在块206处从中生成第一概率上下文。另外参考图3A，现在描述在块206处的第一概率上下文的生成。在块254处从第一传感器采集原始数字数据。在块256处该数据被预先处理并缓冲到时间窗口化的帧中。在块258处从每个帧提取传感器特定的特征。这些特征包括包含在数据中的类别鉴别信息。在块260处，这些特征与概率分类一起被使用以获得针对每个类别的后验概率输出，其结果被表达为被称为“后验图”的向量，并且其被认为是如上所述的第一概率上下文。第一概率上下文然后在块262处被输出以供在该技术的其余部分中使用，以及在块203处被输出以供SoC 116或控制电路112使用。
由于通过应用诸如概率神经网络、概率多类别支持向量机等等之类的概率分类算法来使用后验图进行上下文分类，所以可以在块208处在给定传感器数据的情况下基于所有上下文的后验概率来评估置信度的度量。为了在期望水平的精度的约束下对传感器进行能量优化的使用，在块208处针对基于单个传感器的后验图来评估置信度度量，并且如果置信度为低(低于阈值T1)，则在块212处采取开启第二传感器的决定。
然后在块214处生成第二概率上下文。另外参考图3B，现在描述在块206处的第二概率上下文的生成。在块257处从第二传感器采集原始数字数据。该数据在块259处被预处理并缓冲到时间窗口化的帧中。在块261处从每个帧提取传感器特定的特征。这些特征包括包含在数据中的类别鉴别信息。在块263处，这些特征与概率分类一起被使用以获得针对每个类别的后验概率输出，并且被认为是如上所述的第二概率上下文。然后在块265处输出第二概率上下文。然后第二概率上下文在块265处被输出以供在该技术的其余部分中使用，以及在块203处被输出203以供SoC 116或控制电路112使用。
如果在块216处置信度为高(高于阈值T2)，则在块218处采取关闭第二传感器的决定。在置信度保持为低的情况下，第二传感器保持开启，并且在块214处，在第一传感器和第二传感器都开启的情况下持续地生成第二概率上下文，直到置信度为高。
上述阈值T1和T2是基于所需的分类精度的程度，并且这些继而又确定能够获得的能量效率的水平。
基于用于在一个传感器和两个传感器之间或在单个传感器和不同单个传感器之间进行切换的基于置信度度量的估计的上述方法可以一般性地扩展到在n个传感器和(n+1)个传感器之间进行切换的情况。对传感器的最大数量的唯一“限制”可能是由于设备100上的传感器102、103、104、106、114和118的数量、或者是由于适当分类器技术或图案库可用的传感器和传感器组合、或者是由于已经由用户或设备100指定的可以花费在上下文检测上的最大能量。
设备100的更多细节以及上面描述或下面描述的上下文的计算、或者在上面或下面计算出的任何计算、向量或后验图可以在下面共同未决的申请中找到：题为“RECONFIGURABLE SENSOR UNIT FOR ELECTRONIC DEVICE”的美国序列号14/749,118；题为“RECONFIGURABLE SENSOR UNIT FOR ELECTRONIC DEVICE”的美国序列号15/132,521；题为“METHOD FOR CALIBRATION OF MAGNETIC SENSOR”的美国序列号14/974,402；和题为“METHOD AND APPARATUS FOR DETERMINING PROBABILISTIC CONTEXT AWARENESS OF AMOBILE DEVICE USER USING A SINGLE SENSOR AND/OR MULTI-SENSOR FUSION”的美国序列号15/074,188。这些申请都通过引用并入本文。
为了说明的目的，考虑在运动活动向量中分组的用户的运动活动上下文：
运动活动向量(MAV)＝[静止；步行；慢跑；上楼梯；下楼梯；电梯上电梯下；骑自行车；驾驶；都不是]’。
MAV具有以下属性：
i)每个向量中的一个“类别”或元素在给定时间是可能的，即元素是相互排斥的。
ii)每个向量中的“都不是”类别表示未明确地作为元素被并入的每个向量的剩余类别。这允许向量的元素的概率总和等于1，这在数学上是相关的。此外，这使得向量表示是灵活的，从而可以根据需要将新类别明确地并入到相应的向量中，这将改变该向量的“都不是”类别的构成。
在给定来自一个或多个传感器的数据情况下的每个运动活动的后验概率是MAV的对应的后验图。将它命名为运动活动后验图(MAP)。
对于从单个传感器切换到两个传感器，可以有不同的置信度度量，反之亦然。图4描绘了当置信度度量是针对给定帧在MAP中的最高和第二高的后验概率之间的差异时的情况。在基于最高概率的分类结果中的置信度的程度可以从这个概率值与下一个最大概率值之间的差异来确定。如果这个差异很大，那么结果中的置信度为高，而如果两个概率值的差异小，那么分类结果中的置信度就为低。这种置信度度量已被用于从单个传感器切换到两个传感器，反之亦然。
采用后验图中的最高和第二高的后验概率之间的差异，并将其与先验选择的切换阈值进行比较以做出决策。在开始时，单个传感器被开启，并且其数据被用来评估从中获得两个最高概率值之间的差异的后验图。图4的第一子曲线图示出了从单个传感器即加速度计获得的后验图。第二子曲线图演示了与先验阈值相比较的后验图中的最高和第二高的后验概率值之间的差异。
图5示出了后验图向量的最高两个概率值的差异作为用于在一个传感器和两个传感器之间进行切换的置信度度量的利用。顶部子曲线图示出了根据使用加速度计获得的帧的针对运动活动类别的后验概率，而中间子曲线图示出了在一个传感器(加速度计)和两个传感器(加速度计和气压计二者)之间进行切换的情况下的加速度计和气压计二者。所使用的准则是第一阈值等于第二阈值，其是每个帧中最高两个概率的差异，其中切换阈值为0.3。如果差异降低到0.3以下，那么将上下文检测从单个传感器切换到两个传感器，反之亦然。如通过顶部子曲线图和中间子曲线图之间的比较可以观察到的那样，在从单个传感器即加速度计切换到两个传感器即加速度计和气压计之后，上下文的正确识别提高。
当仅使用加速度计检测上下文时，帧编号46、52和60展现出错误的最高后验概率，但是在阈值准则被越过时，改变到两个传感器以采集运动活动数据。在这种特殊情况下，如果分类器错误地对活动进行了分类，并且MAP中的最高和第二高的后验概率之间的差异大于阈值，那么第二传感器仍然没有被开启，从而导致最终的后验图中的错误结果。如果差异降低到0.3的切换阈值以下，那么将上下文检测从单个传感器切换到两个传感器。
当仅使用一个传感器(加速度计)时或当使用两个传感器来获得后验概率时，最低的子曲线图示出了相应的概率差异。从该子曲线图可以看出，与使用一个传感器相比，当使用两个传感器时，置信度增加。
后验图中的所有活动的后验概率之和等于1。因此，最高和第二高的概率值之间的差异的范围将在0和1之间。如果阈值差异D1被设置为1，则两个传感器都将被开启。备选地，如果阈值差异D1被设置为0，则仅单个传感器将被开启。
图6示出了当在仅加速度计传感器与加速度计和气压计二者之间进行切换时，根据在运动活动后验图中的最高和第二高的后验概率值之间的差异中的切换阈值的、运动活动分类的总体精度。当D1被设置为1时，平均分类精度为93％，而D1被设置为0时，平均分类精度为67％。基于使分类精度最大化和使传感器能量消耗最小化的竞争期望来决定切换阈值D1。
另一个用于在单个传感器和多个传感器之间进行切换的信息理论准则是条件熵H。条件熵H量化随机变量“类别”的结果中的不确定性的平均量，假设另一个随机变量或者随机向量“特征”取从给定帧中的数据确定的值Zi。条件熵被定义为：
其中M是MAV中的类别的数量。
条件熵被限制位于0和log2M之间，其中M是所考虑的类别的数量。当所有类别均等化时，获得H的最大值，这是最大不确定性水平，并且因此提供分类结果中的最小置信度。条件熵的大值指示更大的不确定性，反之亦然。从后验图获得的条件熵是分类结果的置信度的度量，并且它的值超过阈值T1可以用作从一个传感器切换到两个传感器的准则，反之亦然。它一般也适用于在n个传感器和(n+1)个传感器之间切换的情况。
图7示出了从针对运动活动向量的每个帧的后验图导出的条件熵。当实际活动为“步行”时，也针对不同活动示出了使用加速度计数据获得的后验概率。实线水平线示出了2.3比特的条件熵。它给出了分类结果中的置信度的度量。可以看出，当与活动“步行”相对应的最大概率降低时，条件熵在帧140处增加并且大部分保持高于阈值。
最初，单个三轴加速度计108被开启。以50Hz对数据进行采样，并且在2秒的移位之后获得连续帧的情况下，提取5秒的时间窗口化的数据帧。每帧所使用的17维特征向量包括最大值、最小值、平均值、均方根、3个累积特征和10阶线性预测系数。为了导出累积的特征，采用每5秒帧长度的排序的时域采样。从排序的时域数据中，以下平均值从特定范围中计算出：
1.平均最小值：被定义为帧的排序数据的前15％的平均值。
2.平均中位值：被定义为帧的排序数据的从30％到40％的平均值。
3.平均最大值：被定义为帧的排序数据的从80％到95％的平均值。
将上述特征给予使用定向非循环图的已训练概率支持向量机(SVM)分类器，其给出后验图作为输出。使用针对活动“步行”的加速度计数据的运动活动后验图(MAP)如图7中所示。使用条件熵度量来评估作为分类基础的后验图中的置信度。
如果阈值T1固定在2.3比特，则条件熵增加到高于T1的时间窗口化的帧被认为是不能实现分类结果中的置信度的帧。因此，可以开启第二传感器，即气压计106。条件熵低于T1的帧被认为是仅使用单个传感器即加速度计实现分类结果中的置信度的帧。基于使分类精度最大化和使传感器能量消耗最小化的竞争要求来决定阈值T1。
图8示出了使用加速度计108以排除其它传感器、以及在切换到两个传感器之后获得的条件熵、从加速度计和在切换之后从加速度计和气压计两者获得的MAP。第一子曲线图示出了从单个传感器即加速度计获得的MAP的时间演进图。将从单个传感器获得的条件熵与先验阈值进行比较，其中第一阈值等于第二阈值，在这种情况下取为2.3。当条件熵的值增加到2.3比特以上时，两个传感器都被开启。第二子曲线图示出了在单个传感器和两个传感器之间进行切换时获得的MAP。在大约140个帧后条件熵值显著地增加。在这种情况下，这是由于用户将移动电话从裤子口袋移动到手中位置的位置变化的原因。由于条件熵中的增加和导致的分类结果中的置信度的丢失，第二传感器被开启以帮助运动活动分类任务。第三子曲线图图示了从单个传感器即加速度计获得的熵，以及在切换到两个传感器之后获得的熵。该子曲线图示出了在开启第二传感器之后，结果中的置信度增加并且条件熵相应地降低。可以在帧179和230处观察到，使用单个传感器加速度计对类别“步行”进行了错误分类，因为在两帧中步行的对应条件概率不是最大值。在这些特定帧处的条件熵大于2.3比特的阈值。因此，加速度计108和气压计106都被开启。可以观察到，在开启两个传感器之后，活动类别“步行”被正确分类。
图13中所示出的表1列出了当条件熵切换准则被用于在加速度计108与加速度计108和气压计106之间切换时产生的混合矩阵。从单个传感器或多个传感器获得的特征由使用DAG方法的概率SVM分类器使用以获得后验图。起初，开启单个传感器并且估计后验图。然后将条件熵作为置信度度量进行测量。如果其增加到高于设置的阈值，则开启第二传感器以改善基于后验图输出的分类结果中的置信度。混合矩阵中的行给出了真实的运动活动类别，而列给出了预测的活动类别。表的对角线值表示针对相应类别的正确决策的百分比，而非对角线值表示错误的决策。当阈值为2.3比特时，针对运动活动类别的总体精度为86.49％。
随着用于切换的条件熵阈值增加，存在针对其开启单个传感器的帧的数量的增加，以及针对其开启两个传感器的帧的数量的降低。这以较低的分类精度为代价带来了较低的能量消耗。
对于传感器能量消耗分析，可以使用意法半导体LSM6DS3加速度计和LPS25H压力传感器。LSM6DS3加速度计具有1.8V的电源电压，并且正常模式下的电流消耗为70μA。因此它在正常模式下消耗126μW。在断电模式下，功耗为10.8μW。压力传感器LPS25H在正常模式下具有42.5μW的功耗，在断电模式下具有0.85μW的功耗。
图14中所示出的表2给出了当基于条件熵的切换阈值变化时的总体分类精度的变化。如果每个帧的条件熵低于阈值，则在气压计断电的同时，加速度计开启并处于正常模式。因此，在这种条件下，由加速度计消耗的功率为126μW，由气压计消耗的功率为0.85μW。如果条件熵增加到阈值以上，那么加速度计和气压计都被开启并处于正常模式中。因此，在这种条件下，由加速度计消耗的功率为126μW，由气压计消耗的功率为42.5μW，导致的总功耗为168.5μW。
当开启加速度计时的帧的百分比与当开启加速度计和气压计二者时的帧的百分比随着切换阈值而变化。还列出了基于(针对每个帧可能是的情况而来自一个或两个传感器)所得MAP的针对分类精度和总持续时间所消耗的能量的对应估计。在该说明性示例中，使用包括MAV的所有活动的307分钟的总持续时间。
随着切换阈值增加，针对较少数量的帧开启两个传感器，导致较低的分类精度。当阈值为3比特时在持续时间上所消耗的能量为相对于当阈值被设置为1比特时的75.64％。对应的精度针对3比特和1比特阈值分别为67.16％和93.26％。
从表2可以看出，性能精度总的2％的降低导致约2.5％的能量消耗的减少。相应地，精度中的5％的降低减少约4％的能量消耗。
图15中所示出的表3图示出了针对当在作为单个传感器的气压计与作为两个传感器的气压计和加速度计之间进行切换时的情况、随着切换阈值的变化的总精度的变化。如果每个帧的条件熵低于阈值，那么气压计被开启并处于正常模式中，同时加速度计被断电。因此，在这种条件下，由加速度计消耗的功率为10.8μW，由气压计消耗的功率为42.5μW，导致总功耗为53.3μW。备选地，如果熵高于特定阈值，则加速度计和气压计都被开启并处于正常模式中。因此，在这种情况下，由加速度计消耗的功率为126μW，由气压计消耗的功率为42.5μW，导致总功耗为168.5μW。
当切换阈值被设置为3比特时，在99.66％的帧中，气压计被开启以排除其他传感器，并且分类精度为60.63％。而当阈值降低到1比特时，针对99.69％的帧，加速度计和气压计都被开启，并且分类精度提高到93.20％。同时，相对于当切换阈值为1比特时而言，当切换阈值为3比特时所消耗的能量为31.61％。相应的精度针对3比特和1比特阈值分别为60.63％和93.20％。
从表3可以看出，性能精度中的2％的降低导致约5％的能量消耗的减少，而精度中的5％的降低减少约13％的能量消耗。
图9给出了当使用的准则是条件熵并且阈值从1比特变化到3比特时消耗的能量的估计。针对运动活动向量中的活动计算能量消耗，总持续时间为307分钟。在两种情况之间进行比较：i)仅仅开启加速度计与开启两个传感器比较，和ii)仅仅开启气压计与开启两个传感器比较。观察到，针对在x轴上由条件熵所展现的相同程度的不确定性而言，后一种情况导致较低的能量消耗。相对于阈值为1比特时而言，当阈值为3比特时，针对后一种情况的能量消耗是31.61％。这是由于以下事实：在正常操作模式下与加速度计相比，气压计需要大约1/3的能量。
图10给出了在两种情况下的根据切换阈值的分类精度的图形比较：i)在仅仅加速度计与加速度计和气压计二者之间进行切换，以及ii)在仅仅气压计与加速度计和气压计二者之间进行切换。当切换阈值为2.4比特时，两种情况的精度相同，即约为83.65％。使用第一传感器序列所消耗的能量为1.38J，使用第二传感器序列所消耗的能量为1.19J。该图还表明，当阈值小于2.4比特时，因为第二传感器序列切换给出了比第一序列更高的精度，因而可以以较低的能量消耗为代价获得较高的分类精度。当切换阈值大于2.4比特时，可以以更多的能量消耗来获得更高的精度。
图11示出了Android应用的快照，其中真实运动活动是“步行”。它以图形的形式给出了根据时间的后验概率输出，即针对运动活动的MAP。以秒为单位显示针对由分类器检测到的活动的总持续时间。在给定时刻的条件熵也被计算和显示。可以使用概率差异准则或条件熵准则来进行在单个传感器与两个传感器之间的切换。
同样，图12示出了Android应用的快照，显示了当加速度计和气压计传感器都被开启时的运动活动后验图、针对由分类器检测到的所有活动的总持续时间和针对运动活动“步行”的条件熵。
应当注意，本文所描述的技术改进了上下文确定和活动跟踪技术本身，从而提供了可接受的精度，同时降低了功耗。
受益于前述描述和相关附图中呈现的教导，本领域技术人员将会想到许多修改和其他实施例。因此，应当理解，各种修改和实施例旨在被包括在所附权利要求的范围内。

Claims (28)

1.一种传感器芯片，安装在印刷电路板(PCB)上并经由至少一个导电迹线电耦合到安装在所述PCB上的片上系统(SoC)，所述传感器芯片包括：
第一感测设备和第二感测设备；
控制电路，所述控制电路被配置为：
激活所述第一感测设备；
确定所述电子设备相对于其周围环境的第一概率上下文；
输出所述第一概率上下文；
确定所述第一概率上下文的置信度度量；
在所述第一概率上下文的所述置信度度量低于第一阈值的情况下：
激活所述第二感测设备；
确定所述电子设备相对于其周围环境的第二概率上下文；
输出所述第二概率上下文；
确定所述第二概率上下文的置信度度量；
在所述第二概率上下文的所述置信度度量高于第二阈值的情况下，去激活所述第二感测设备并返回以确定所述第一概率上下文。
2.根据权利要求1所述的传感器芯片，其中，所述第一阈值和所述第二阈值相等。
3.根据权利要求1所述的传感器芯片，其中，所述第一阈值和所述第二阈值不相等。
4.根据权利要求1所述的传感器芯片，还包括第三感测设备；并且其中所述控制电路还被配置为在所述第二概率上下文的置信度度量低于所述阈值的情况下：
激活所述第三感测设备；
确定所述电子设备相对于其周围环境的第三概率上下文；
输出所述第三概率上下文；
确定所述第三概率上下文的置信度度量；和
在所述第三概率上下文的所述置信度度量高于所述阈值的情况下，去激活所述第三感测设备并返回以确定所述第二概率上下文。
5.根据权利要求1所述的传感器芯片，其中，所述控制电路还被配置为在所述第二概率上下文的所述置信度度量低于所述阈值的情况下，返回以确定所述第二概率上下文。
6.根据权利要求1所述的传感器芯片，其中，所述控制电路将所述概率上下文输出到所述SoC。
7.根据权利要求1所述的传感器芯片，其中，所述控制电路被配置为在激活所述第二感测设备时去激活所述第一感测设备。
8.根据权利要求1所述的传感器芯片，其中，所述控制电路被配置为在激活所述第二感测设备时保持所述第一感测设备的激活。
9.根据权利要求1所述的传感器芯片，其中，所述阈值是如下水平，高于所述水平则所述第一概率上下文或或第二概率上下文的精度至少为80％。
10.根据权利要求1所述的传感器芯片，其中，所述阈值为大约60％。
11.根据权利要求1所述的传感器芯片，其中，所述第一概率上下文包括携带所述电子设备的用户的移动模式是多个移动模式中的每一个移动模式的概率；并且其中所述控制电路通过以下方式确定所述第一概率上下文的置信度度量：
确定所述概率中的最高概率与所述概率中的第二高的概率之间的差异；和
根据所确定的所述差异，确定所述第一概率上下文的所述置信度度量。
12.根据权利要求1所述的传感器芯片，其中，所述第二概率上下文包括携带所述电子设备的用户的移动模式是多个移动模式中的每一个移动模式的概率；并且其中所述控制电路通过以下方式确定所述第二概率上下文的置信度度量：
确定所述概率中的最高概率与所述概率中的第二高的概率之间的差异；和
根据所确定的所述差异，确定所述第二概率上下文的所述置信度度量。
13.根据权利要求1所述的传感器芯片，其中，所述控制电路根据所述第一概率上下文的条件熵来确定所述第一概率上下文的所述置信度度量。
14.根据权利要求1所述的传感器芯片，其中，所述控制电路根据所述第二概率上下文的条件熵来确定所述第二概率上下文的所述置信度度量。
15.根据权利要求1所述的传感器芯片，其中，基于期望水平的概率上下文精度来设置所述阈值。
16.根据权利要求15所述的传感器芯片，其中，所述控制电路从所述SoC接收所述期望水平的概率上下文精度。
17.根据权利要求1所述的传感器芯片，其中，根据实现期望水平的概率上下文精度所需的最小功耗来设置所述阈值。
18.根据权利要求1所述的传感器芯片，其中，所述控制电路被配置为当激活所述第二感测设备时将所述第一感测设备置于低功率模式；并且其中所述控制电路被配置为当激活所述第一感测设备时将所述第二感测设备置于低功率模式。
19.一种操作电子设备的方法，包括：
激活第一感测设备；
确定所述电子设备相对于其周围环境的第一概率上下文；
输出所述第一概率上下文；
确定所述第一概率上下文的置信度度量；
在所述第一概率上下文的所述置信度度量低于阈值的情况下：
激活第二感测设备；
确定所述电子设备相对于其周围环境的第二概率上下文；
输出所述第二概率上下文；
确定所述第二概率上下文的置信度度量；
在所述第二概率上下文的所述置信度度量高于所述阈值的情况下，去激活所述第二感测设备并返回以确定所述第一概率上下文。
20.根据权利要求19所述的方法，还包括：在所述第二概率上下文的所述置信度度量小于所述阈值的情况下：
激活第三感测设备；
确定所述电子设备相对于其周围环境的第三概率上下文；
输出所述第三概率上下文；
确定所述第三概率上下文的置信度度量；和
在所述第三概率上下文的置信度度量高于所述阈值的情况下，去激活所述第三感测设备并返回以确定所述第二概率上下文。
21.根据权利要求19所述的方法，还包括当激活所述第二感测设备时去激活所述第一感测设备。
22.根据权利要求19所述的方法，还包括当激活所述第二感测设备时保持所述第一感测设备的激活。
23.根据权利要求19所述的方法，其中，所述第一概率上下文包括携带所述电子设备的用户的移动模式是多个移动模式中的每一个移动模式的概率；
其中所述第一概率上下文的置信度度量由以下确定：
确定所述概率中的最高概率与所述概率中的第二高的概率之间的差异；和
根据所确定的所述差异，确定所述第一概率上下文的所述置信度度量；
其中所述第二概率上下文包括携带所述电子设备的用户的移动模式是多个移动模式中的每一个移动模式的概率；和
其中所述第二概率上下文的所述置信度度量由以下确定：
确定所述概率中的最高概率与所述概率中的第二高的概率之间的差异；和
根据所确定的所述差异，确定所述第二概率上下文的所述置信度度量。
24.根据权利要求19所述的方法，其中根据所述第一概率上下文的条件熵来确定所述第一概率上下文的所述置信度度量；并且其中根据所述第二概率上下文的条件熵来确定所述第二概率上下文的所述置信度度量。
25.根据权利要求19所述的方法，其中，基于期望水平的概率上下文精度来设置所述阈值。
26.根据权利要求19所述的方法，其中，根据实现期望水平的概率上下文精度所需的最小功耗来设置所述阈值。
27.根据权利要求19所述的方法，其中，当激活所述第二感测设备时，将所述第一感测设备置于低功率模式；并且其中当激活所述第一感测设备时，将所述第二感测设备置于低功率模式。
28.根据权利要求19所述的方法，其中，所述第一概率上下文的所述置信度度量是所述第一概率上下文的可能正确性的指标；并且其中所述第二概率上下文的所述置信度度量是所述第二概率上下文的可能正确性的指标。
CN201710978770.7A 2016-10-21 2017-10-19 用于移动或可穿戴设备用户的上下文感知的方法和装置 Active CN107977074B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/299,656 US10748075B2 (en) 2016-10-21 2016-10-21 Method and apparatus for energy efficient probabilistic context awareness of a mobile or wearable device user by switching between a single sensor and multiple sensors
US15/299,656 2016-10-21

Publications (2)

Publication Number Publication Date
CN107977074A true CN107977074A (zh) 2018-05-01
CN107977074B CN107977074B (zh) 2021-06-15

Family

ID=61971048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710978770.7A Active CN107977074B (zh) 2016-10-21 2017-10-19 用于移动或可穿戴设备用户的上下文感知的方法和装置

Country Status (2)

Country Link
US (1) US10748075B2 (zh)
CN (1) CN107977074B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960430A (zh) * 2017-05-19 2018-12-07 意法半导体公司 为人体运动活动生成个性化分类器的方法和设备
CN112771548A (zh) * 2018-09-14 2021-05-07 特斯拉公司 用于获取训练数据的系统和方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10748075B2 (en) * 2016-10-21 2020-08-18 Stmicroelectronics, Inc. Method and apparatus for energy efficient probabilistic context awareness of a mobile or wearable device user by switching between a single sensor and multiple sensors
JP6891793B2 (ja) * 2017-12-20 2021-06-18 カシオ計算機株式会社 行動検出装置、行動検出システム、行動検出方法及びプログラム
DE102018222176A1 (de) * 2018-12-18 2020-06-18 Robert Bosch Gmbh Vorhersage des Spurwechsels von Fremdfahrzeugen
DE102019202523A1 (de) * 2019-02-25 2020-08-27 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines Steuerungssystems
WO2021002943A1 (en) * 2019-07-04 2021-01-07 Nextnav, Llc Systems and methods for using a pressure sensor of a mobile device to improve the reliability of determined contexts
EP3782547B1 (en) * 2019-08-21 2024-04-10 The Swatch Group Research and Development Ltd Method and system for gait detection of a person
JP6997157B2 (ja) * 2019-09-30 2022-02-04 本田技研工業株式会社 情報処理装置、情報処理方法及びプログラム
US11985569B2 (en) 2021-10-29 2024-05-14 Nextnav, Llc Identifying problematic 2D positions from mobile devices
US20240073598A1 (en) * 2022-08-23 2024-02-29 Invensense, Inc. Event activity detection signaling

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8588871B1 (en) * 2012-10-04 2013-11-19 Google Inc. Signal detect battery saver
CN104460957A (zh) * 2013-09-18 2015-03-25 叶宏尧 环形穿戴式电子装置及其控制方法
CN104656898A (zh) * 2015-02-11 2015-05-27 深圳市金立通信设备有限公司 一种距离传感器的控制方法
US20150199224A1 (en) * 2014-01-10 2015-07-16 Instep Software, Llc Method and Apparatus for Detection of Anomalies in Integrated Parameter Systems
CN105630197A (zh) * 2015-12-28 2016-06-01 惠州Tcl移动通信有限公司 一种vr眼镜及其功能键实现方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1494878B8 (de) * 2002-04-17 2010-11-03 Continental Teves AG & Co. oHG Verfahren zur erkennung von reifeneigenschaften
US10748075B2 (en) * 2016-10-21 2020-08-18 Stmicroelectronics, Inc. Method and apparatus for energy efficient probabilistic context awareness of a mobile or wearable device user by switching between a single sensor and multiple sensors

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8588871B1 (en) * 2012-10-04 2013-11-19 Google Inc. Signal detect battery saver
CN104460957A (zh) * 2013-09-18 2015-03-25 叶宏尧 环形穿戴式电子装置及其控制方法
US20150199224A1 (en) * 2014-01-10 2015-07-16 Instep Software, Llc Method and Apparatus for Detection of Anomalies in Integrated Parameter Systems
CN104656898A (zh) * 2015-02-11 2015-05-27 深圳市金立通信设备有限公司 一种距离传感器的控制方法
CN105630197A (zh) * 2015-12-28 2016-06-01 惠州Tcl移动通信有限公司 一种vr眼镜及其功能键实现方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960430A (zh) * 2017-05-19 2018-12-07 意法半导体公司 为人体运动活动生成个性化分类器的方法和设备
US11096593B2 (en) 2017-05-19 2021-08-24 Stmicroelectronics, Inc. Method for generating a personalized classifier for human motion activities of a mobile or wearable device user with unsupervised learning
CN108960430B (zh) * 2017-05-19 2022-01-14 意法半导体公司 为人体运动活动生成个性化分类器的方法和设备
CN112771548A (zh) * 2018-09-14 2021-05-07 特斯拉公司 用于获取训练数据的系统和方法
CN112771548B (zh) * 2018-09-14 2024-06-04 特斯拉公司 用于获取训练数据的系统和方法

Also Published As

Publication number Publication date
US20180114133A1 (en) 2018-04-26
CN107977074B (zh) 2021-06-15
US10748075B2 (en) 2020-08-18

Similar Documents

Publication Publication Date Title
CN107977074A (zh) 用于移动或可穿戴设备用户的上下文感知的方法和装置
US7797106B2 (en) System and method for adjusting step detection based on motion information
Elhoushi et al. A survey on approaches of motion mode recognition using sensors
CN103975538B (zh) 确定设备的情景的方法和系统
Frank et al. Reliable real-time recognition of motion related human activities using MEMS inertial sensors
JP2012527810A (ja) モバイル機器におけるコンテキスト認識
KR20130033378A (ko) 콘텍스트 감지 및 융합을 위한 방법, 장치 및 컴퓨터 프로그램제품
CN102640085A (zh) 用于识别手势的系统和方法
Ballı et al. Diagnosis of transportation modes on mobile phone using logistic regression classification
CN108960430A (zh) 为人体运动活动生成个性化分类器的方法和设备
Gordon et al. Activity recognition for creatures of habit: Energy-efficient embedded classification using prediction
Xu et al. Energy harvesting-based smart transportation mode detection system via attention-based LSTM
Biancat et al. Review of transportation mode detection techniques
Stäger et al. Power and accuracy trade-offs in sound-based context recognition systems
CN104823433A (zh) 在语义上融合上下文推断
Yang et al. Physical activity recognition with mobile phones: challenges, methods, and applications
Saeedi et al. Context aware mobile personal navigation services using multi-level sensor fusion
KR101995799B1 (ko) 상황 인지 서비스를 제공하기 위한 장소 인식 장치 및 방법
Karthikeyan et al. Estimating Driving Behavior by a smart phone
Wang et al. Recognizing transportation mode on mobile phone using probability fusion of extreme learning machines
Li [Retracted] Design and Implementation of Human Motion Recognition Information Processing System Based on LSTM Recurrent Neural Network Algorithm
Zhong et al. Advancing Android activity recognition service with Markov smoother
Wang et al. Intelligent scene recognition based on deep learning
Jiang et al. Real‐Time and Accurate Indoor Localization with Fusion Model of Wi‐Fi Fingerprint and Motion Particle Filter
Choujaa et al. Activity recognition from mobile phone data: State of the art, prospects and open problems

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