CN108062180A - 触摸屏灵敏度控制方法、装置及存储介质和移动终端 - Google Patents

Abstract

本申请实施例公开了一种触摸屏灵敏度控制方法、装置及存储介质和移动终端，所述方法包括：在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度；将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成；根据所述目标灵敏度对触摸屏灵敏度进行调节。本申请实施例提供的技术方案，实现了基于终端的当前应用场景结合历史灵敏度调节记录，分析出用户偏好的目标灵敏度，并基于该目标灵敏度对触摸屏灵敏度进行自动调节，使调节结果更符合用户在当前应用场景下的实际灵敏度需求。

Description

触摸屏灵敏度控制方法、装置及存储介质和移动终端

技术领域

本申请实施例涉及触摸控制技术领域，尤其涉及一种触摸屏灵敏度控制方法、装置及存储介质和移动终端。

背景技术

手机等移动终端中的功能越来越多，为人们的生活和工作提供了便利，人们可以利用手机接打电话，还可以听音乐、观看视频、玩游戏等。然而，在不同的应用场景下，用户对移动终端触摸屏灵敏度的需求是不一样的，现有技术中对移动终端触摸屏灵敏度的控制方案已无法满足用户对触摸屏灵敏度的实际要求，需要改进。

发明内容

本申请实施例提供一种触摸屏灵敏度控制方法、装置及存储介质和移动终端，可以优化触摸屏灵敏度的控制方案。

在第一方面，本申请实施例提供了一种触摸屏灵敏度控制方法，包括：

在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度；

将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成；

根据所述目标灵敏度对触摸屏灵敏度进行调节。

在第二方面，本申请实施例提供了一种触摸屏灵敏度控制装置，包括：

状态获取模块，用于在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度；

目标灵敏度获取模块，用于将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成；

灵敏度调节模块，用于根据所述目标灵敏度对触摸屏灵敏度进行调节。

在第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所提供的触摸屏灵敏度控制方法。

在第四方面，本申请实施例提供了一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如第一方面所提供的触摸屏灵敏度控制方法。

本申请实施例提供的触摸屏灵敏度控制方案，通过在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度并输入至预设灵敏度预测模型，得到输出的目标灵敏度，根据目标灵敏度对触摸屏灵敏度进行调节，实现了基于终端的当前应用场景结合历史灵敏度调节记录，分析出用户偏好的目标灵敏度，并基于该目标灵敏度对触摸屏灵敏度进行自动调节，使调节结果更符合用户在当前应用场景下的实际灵敏度需求。采用上述技术方案，解决了相关技术中在不同应用场景下不能自动匹配合适的触摸屏灵敏度的问题，提升了触摸屏灵敏度调节的智能性和个性化。

附图说明

图1是本申请实施例提供的一种触摸屏灵敏度控制方法的流程图；

图2是本申请实施例提供的另一种触摸屏灵敏度控制方法的流程图；

图3是本申请实施例提供的另一种触摸屏灵敏度控制方法的流程图；

图4是本申请实施例提供的一种触摸屏灵敏度控制装置的结构示意图；

图5是本申请实施例提供的一种移动终端的结构示意图；

图6是本申请实施例提供的另一种移动终端的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请实施例提供的方法还可以包括建立预设灵敏度预测模型的步骤。所述预设灵敏度预测模型的训练生成以及更新过程可以在移动终端本地进行，也可以在预设服务器中进行，当预设反馈模型训练生成完毕或者更新完毕后，可以直接发送到移动终端进行存储，或在预设服务器进行存储，等待移动终端主动获取。所述预设灵敏度预测模型可由历史灵敏度度调节记录基于深度学习方法训练生成。可选的，所述深度学习方法为深度神经网络方法，神经网络(Neural Networks，简写为NNs)系统指的是人工神经网络，启发自人类大脑处理信息的生物神经网络，它包括输入层、隐藏层和输出层，相应的包括三种节点(神经网络的基本单元)：输入节点、隐藏节点和输出节点，输入节点从外部世界获取信息；隐藏节点和外部世界没有直接联系，这些节点利用激活函数进行计算，并将信息从输入节点传递到输出节点；输出节点用于向外部世界传递信息。

相应的，建立预设灵敏度预测模型通过下述方式实现：获取本终端用户或者设定目标用户群体的历史灵敏度调节记录作为训练样本；将所述历史灵敏度调节记录中的环境状态、终端状态和灵敏度输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出预测灵敏度；利用预测灵敏度与所述历史灵敏度记录中的实际灵敏度之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述预测灵敏度与所述实际灵敏度之间的差值在预设误差范围内，得到训练完成的各个节点的激活函数，生成预设灵敏度预测模型。

其中，所述激活函数是指为神经网络系统提供非线性建模能力，一般而言是非线性函数。激活函数可以包括relu函数、sigmoid函数、tanh函数或者maxout函数。

sigmoid是常用的非线性的激活函数，它的数学形式如下：它的输出为0-1之间的值。tanh跟sigmoid还是很像的，实际上，tanh是sigmoid的变形：tanh(x)＝2sigmoid(2x)-1，与sigmoid不同的是，tanh是0均值的。近年来，relu变的越来越受欢迎。它的数学表达式如下：f(x)＝max(0，x)，其中，输入信号<0时，输出都是0，输入信号>0的情况下，输出等于输入。maxout函数的表达式如下：f_i(x)＝max_j∈[1,k]Z_ij。假设输入节点包括x1和x2，对应的权重分别为w1和w2，还包括权重b，那么输出节点Y＝f(w1*x1+w2*x2+b)，其中f为激活函数。另外，输入层和输出层的个数通常均为一个，隐藏层可以由多层构成。

所述优化算法包括随机梯度下降(Stochastic Gradient Descent，SGD)算法、适应性矩估计(adaptive moment estimation，adam)算法或者Momentum算法。

其中，历史灵敏度调节记录是由用户或者移动终端自动执行灵敏度调节操作时相关数据。在每次执行灵敏度调节时，移动终端会记录当前的环境状态、当前终端状态和执行灵敏度调节操作前的第一灵敏度，以及执行灵敏度调节操作后的第二灵敏度等，作为历史灵敏度调节记录。其中，环境状态包括环境温度、环境湿度和终端触摸体类型中的至少一项，终端状态包括前台运行的应用程序的应用标识、终端运动状态、终端放置状态、终端触摸压力、终端系统时间和终端网络标识中的至少一项。可以以数据表的形式将上述历史灵敏度调节记录存储到移动终端数据库中。下表示例性的给出了历史灵敏度调节记录：

表1、历史灵敏度调节记录

上述历史灵敏度调节记录不限于上述特征，还可以根据模型构建的实际需要增加剩余电量和/或位置信息等特征。另外，上述表1中时间可以转换为年月日时分秒格式。例如，1497590695469＝2017/6/16 13:24:55。

可以理解的是，需要对上述表格中的数据进行预处理得到样本矩阵，基于样本矩阵进行训练，构建灵敏度预测模型。在本申请实施例中，该预处理可以是：

根据预设第一编号规则匹配该触摸体类型的触摸体编号，可以后台统计出移动终端所有可能的触摸体类型，为各个触摸体类型赋予不重复的数字。例如，为裸手指触摸编号为0，为戴手套手指触摸编号为1，……，触摸体编号的最大编号取决于触摸体类型的数量。

根据预设第二编号规则匹配该应用程序的应用编号，包括后台统计出用户在移动终端中安装的所有应用程序(即APP)，为各个应用程序赋予不重复的数字。假设，用户安装的应用程序包括阿甘跑步、王者荣耀、QQ、微信、今日头条及微博等APP，则为每个应用程序分配一个编号，即APP ID，以该APP ID替代应用程序。例如，为阿甘跑步分配应用编号为0，为王者荣耀分配应用编号为1，为今日头条分配应用编号为2，……，应用编号的最大编号取决于用户安装的应用程序的数量。可选的，还可以基于表1中记载的应用程序进行编号，即为表1中出现的各个不重复的应用程序分别赋予不重复的数字，作为应用编号，应用编号的最大编号取决于表1中应用程序的数量。

根据预设第三编号规则匹配该运动状态的运行编号，可以后台统计出移动终端所有可能的运动状态，为各个运动状态赋予不重复的数字。例如，为静止状态编号为0，为步行状态编号为1，为跑步状态编号为2，为剧烈运动转台编号为3，……，运动编号的最大编号取决于运动状态的数量。

根据预设第四编号规则匹配该放置状态的放置编号，可以后台统计出移动终端所有可能的放置状态，为各个放置状态赋予不重复的数字。例如，为放置桌面编号为0，为手持编号为1，为放置床上编号为2，……，放置编号的最大编号取决于放置状态的数量。

根据预设第五编号规则匹配该压力状态的压力编号，可以后台统计出移动终端所有可能的压力状态，一个压力状态可对应一个压力范围，为各个压力状态赋予不重复的数字，例如，压力范围的分为0～a，a～b(不包括a)，b～c(不包括b),……，其中，a小于b，b小于c，可为0～a的触控压力编号0，为a～b的触控压力编号1，为b～c的触控压力编号2,……，压力编号的最大编号取决于压力范围的数量。

根据预设第六编号规则匹配该系统时间的时间编号，可预先将自然日内24小时均分为若干个时间段。例如，若以1小时为时间间隔，则一个自然日24小时具有24个时间段，为时间段进行顺序编号，访问时间对应的时间编号t∈[0，1，2，3…23]，即为凌晨0点至凌晨1点之间检测到的灵敏度调节操作赋予时间编号0，为凌晨1点至凌晨2点之间检测到的灵敏度调节操作赋予时间编号1，……为23点至24点之间检测到的灵敏度调节操作赋予时间编号23。从而，根据该调节时间所属的时间段确定时间编号。例如，移动终端在检测到QQ于前台运行时，用户输入灵敏度调节指示，且调节操作的调节时间是13:24:55，可以确定调节时间对应的时间编号是13。可以理解的是，由于用户不可能24小时均使用移动终端，也可以根据用户的使用习惯，对用户使用移动终端的时间区间进行划分。例如，用户在凌晨12点至早晨6点之间处于睡眠状态，不会使用移动终端，则可以对刨除这一休息时间区间之外的时间区间进行划分，得到时间段。

根据预设第七编号规则匹配该网络标识的网络编号，包括但不限于后台统计出移动终端历史接入的WIFI的SSID信息(也可以理解为用户所有使用过的WIFI的名称)，为各个SSID赋予不重叠的数字。可以理解的是网络标号u∈[0，1，2…]，最大网络编号取决于移动终端总共接入过的多少个不同的WIFI。可选的，还可以基于表1中记载的移动终端接入的WIFI的SSID进行编号，为表1中出现的不同的SSID赋予不重复的数字，作为网络编号，最大网络编号取决于表1中出现过多少的不同的SSID。

由环境温度、环境湿度、触摸体类型、应用标识、终端运动状态、终端放置状态、终端触摸压力、终端系统时间、终端网络标识和第一灵敏度构成特征集合，以及第二灵敏度构成预期结果集合，由特征集合及预期结果集合构成样本集合，以便于采用监督式学习方式，通过该样本集合对预先设计的深度学习网络进行训练，构成灵敏度预测模型。若以I_max代表最大灵敏度度，按照上述方法对表1的数据进行预处理，得到如下样本集合表。

表2、样本集合表

表2所述的样本集合表对应的样本矩阵D为：

其中，上述样本集合表及样本矩阵并未列举全部历史灵敏度调节记录，省略号代表省略的历史灵敏度调节记录。

图1给出了本申请实施例提供的一种触摸屏灵敏度控制方法的流程图，本实施例的方法可以由触摸屏灵敏度控制装置来执行，该装置可通过硬件和/或软件的方式实现，所述装置可作为移动终端一部分设置在所述移动终端的内部。

如图1所示，本实施例提供的触摸屏灵敏度控制方法包括以下步骤：

步骤101、在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度。

本申请实施例中的移动终端包括但不限定于智能手机、平板电脑、笔记本和智能穿戴设备等配置有触摸屏的设备。本申请中所述的终端也即移动终端。本申请实施例中所述的触摸屏可以为单独具有触摸功能的触摸屏，也可以为同时具有触摸功能和显示功能的触摸屏，所述触摸屏可以为电容式触摸屏，也可以为电阻式触摸屏，本实施例对此并不进行限制。

用户在不同应用场景下对终端触摸屏灵敏度的需求是不同的，其中，触摸屏灵敏度可理解为触摸屏感应电流的灵敏度，灵敏度越高触摸屏响应用户触摸操作越及时，比如，在用户戴着手套触控触摸屏时所需的灵敏度要高于用户裸手指触控触摸屏时所需的灵敏度，比如，移动终端处于运动状态时为防止误操作此时所需的灵敏度要低于移动终端处于静止状态时所需的灵敏度，比如，对于触控操作较频繁的游戏类应用程序用户所需的灵敏度相比于触控操作较少的阅读类应用程序所需的灵敏度要高，等等。

在一些应用场景下可能当前的灵敏度不能很好的满足用户此时对灵敏度的需求，比如用户由裸手指触控移动终端变更为戴手套触控移动终端，比如用户当前操作的应用程序由游戏类变更为阅读类。在移动终端中可预先设置灵敏度调节事件，在移动终端确定预设灵敏度调节事件被触发时，执行后续的灵敏度调节操作。其中，所述确定预设灵敏度调节事件被触发的方式可以包括：在检测到环境状态的变化量和/或终端状态的变化量超过设定阈值时，确定预设灵敏度调节事件被触发；或者，在检测到当前环境状态为设定环境状态和/或当前终端状态为设定终端状态时，确定预设灵敏度调节事件被触发。示例性的，一般触摸屏灵敏度可设置为裸手指触控触摸屏对应的灵敏度，在当前应用场景为戴手套触摸触控触摸屏时，可将灵敏度调整为戴手套对应的灵敏度，需要说明的是，在此仅是示例性的说明，在应用场景下还包括其他影响灵敏度的参数。

在应用场景下，可由移动终端所处的环境状态和移动终端的终端状态来决定一个具体的应用场景，不同的应用场景下用户对触摸屏灵敏度的需求可能不同。其中，所述环境状态包括至少一个环境子状态，所述环境子状态包括环境温度、环境湿度和终端触摸体类型，所述终端状态包括至少一个终端子状态，所述终端子状态包括前台运行的应用程序的应用标识、终端运动状态、终端放置状态、终端触摸压力、终端系统时间和终端网络标识。可选的，所述环境状态包括环境温度、环境湿度和终端触摸体类型，所述终端状态包括应用标识、终端运动状态、终端放置状态、终端触摸压力、终端系统时间和终端网络标识。

其中，环境温度可以由移动终端的温度传感器采集，一般在低温应用场景下，用户通常会佩戴手套来保暖，移动终端会提高触摸屏感应电流的灵敏度，在常温下，用户通常裸手指触控触摸屏，移动终端采用相对低温下要低的灵敏度。环境湿度可以由移动终端的湿度传感器采集，一般在强湿度应用场景下，移动终端或采用较高的灵敏度，在正常湿度下采用相对要低的灵敏度。所述触摸体类型为触摸触摸屏的手指为裸手指或者戴手套手指，可通过采集手指触摸触摸屏时产生的信号强度来区分。所述终端运动状态可以包括静止、走路、跑步和剧烈运动。所述终端放置状态可以包括用户手持、放置于物体表面，在移动终端放置于桌面等物体表面时，由于存在静电等干扰因素，需要提升触摸屏的灵敏度。所述终端触摸压力为用户作用于触摸屏时的触控压力，一般为了防止误操作，触控压力大时对应的灵敏度低于触控压力小时对应的灵敏度。所述终端网络标识为终端接入的无线网络的名称(可以是SSID，Service Set Identifier，服务集标识，表示WIFI名称)。

可选的，所述当前环境状态包括当前环境温度、当前环境湿度和当前终端触摸体类型，所述当前终端状态包括当前应用标识、当前终端运动状态、当前终端放置状态、当前终端触摸压力、当前终端系统时间和当前终端网络标识。相应的，在获取当前环境状态、当前终端状态和当前灵敏度之后，还可以包括：按照预设第一编号规则确定当前终端触摸体类型的触摸体编号；按照预设第二编号规则确定当前应用标识的应用编号；按照预设第三编号规则确定当前终端运动状态的运动编号；按照预设第四编号规则确定当前终端放置状态的放置编号；按照预设第五编号规则确定当前终端触摸压力的压力编号；按照预设第六编号规则确定当前终端系统时间的时间编号；按照预设第七编号规则确定当前终端网络标识的网络编号。

在本申请实施例中，对灵敏度调节事件触发时刻的环境状态和终端状态进行预处理，以符合另灵敏度预测模型的输入要求，可以根据上述编号规则，对终端触摸体类型、应用标识、终端运动状态、终端防止状态、终端触摸压力、系统时间和网络标识进行编号。

步骤102、将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成。

在本实施例中，对历史灵敏度调节记录训练样本的来源和数量不做具体限定。例如，训练样本可以是本终端用户的历史灵敏度调节记录，也可以是目标用户群体的历史灵敏度调节记录。可以对移动终端用户的历史灵敏度调节记录进行分析，提取每条历史灵敏度调节记录的环境状态、终端状态和灵敏度作为训练样本，也可以从服务器中获取目标用户群体中各个用户的灵敏度调节记录。其中，目标用户群体可以为任意使用与本终端类型相同的用户，也可以为与本终端用户具有相同用户属性的用户，用户属性可以包括年龄、性别、爱好和职业等。

可选的，将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型包括：将当前环境温度、当前环境湿度、所述触摸体编号、所述应用编号、所述运动编号、所述放置编号、所述压力编号、所述时间编号、所述网络编号和当前灵敏度输入至预设灵敏度预测模型。

步骤103、根据所述目标灵敏度对触摸屏灵敏度进行调节。

可选的，根据所述目标灵敏度对触摸屏灵敏度进行调节包括：计算所述当前灵敏度与所述目标灵敏度的差值；在所述差值超过设定调节间隔值时，根据与所述目标灵敏度的灵敏度偏差将所述差值分成至少两个数值区间；根据所述数值区间对触摸屏灵敏度进行平滑调节。

在本申请实施例中，根据目标灵敏度对触摸屏灵敏度进行调节可以是采用该目标灵敏度替换触摸屏的当前灵敏度。但是，此处调节方式比较生硬，对于目标灵敏度与当前灵敏度相差较大的情况，直接替换会导致用户体验不佳。可选的，可以在目标灵敏度与当前灵敏度之间设置预设数量的中间值，以避免触摸屏灵敏度骤然跳变使人感觉不适的情况发生。例如，计算该目标灵敏度与该当前灵敏度的差值；在该差值超过设定调节间隔值时，根据与该目标灵敏度的灵敏度偏差将该差值分成至少两个数值区间；根据所述数值区间对触摸屏灵敏度进行平滑调节。可选的，上述至少两个数值区间可以是均分当前灵敏度与目标灵敏度的差值对应的间隔区间的结果。还可以根据实际需要首先采用较小的数值变化量调整远离目标灵敏度的当前灵敏度，在靠近目标灵敏度时可以增加数值变化量。例如，目标灵敏度是200，当前灵敏度是100，则可以确定目标灵敏度与当前灵敏度的差值是100，可以均分该差值成为4份，以每隔设定时间区间将触摸屏灵敏度增加25的方式逐步调整当前灵敏度，以达到目标灵敏度。可选的，还可以根据实际需要设置变化的调节策略，如在当前灵敏度达到160之前，以每隔设定时间区间将触摸屏灵敏度增加10的方式进行调整，在当前灵敏度达到160后，以每隔设定时间区间将触摸屏灵敏度增加20的方式进行调整。

本实施例提供的触摸屏灵敏度控制方法，通过在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度并输入至预设灵敏度预测模型，得到输出的目标灵敏度，根据目标灵敏度对触摸屏灵敏度进行调节，实现了基于终端的当前应用场景结合历史灵敏度调节记录，分析出用户偏好的目标灵敏度，并基于该目标灵敏度对触摸屏灵敏度进行自动调节，使调节结果更符合用户在当前应用场景下的实际灵敏度需求，解决了相关技术中在不同应用场景下不能自动匹配合适的触摸屏灵敏度的问题，提升了触摸屏灵敏度调节的智能性和个性化。

图2给出了本申请实施例提供的另一种触摸屏灵敏度控制方法的流程图。如图2所示，本实施例提供的触摸屏灵敏度控制方法包括以下步骤：

步骤201、按照设定采样间隔获取设定环境子状态的变化量和/或设定终端子状态的变化量。

其中，所述设定环境子状态为预先设定的环境子状态，所述设定环境子状态可以为一个或多个，例如设定环境子状态可以为环境温度或者环境湿度或者触摸体类型，也可以为三者的任意组合；所述设定终端子状态可以为预先设定的终端子状态，所述设定终端子状态可以为一个或多个，例如设定环境子状态可以为前台应用程序的应用标识、终端运动状态、终端放置状态、终端触摸压力、终端系统时间或者终端网络标识，也可以为他们的任意组合。其中，在环境子状态或者终端子状态进行编号时，可以将按照相似度进行编号，比如，对于运行状态这个终端子状态，可以从静止、步行、跑步和剧烈运动等运动强度依次增加的顺序对终端子状态进行编号。

在有些应用场景，可能仅是某一个或几个设定环境子状态和终端子状态对触摸屏灵敏度的影响比较大，这时可以仅采集这几个子状态的变化量，来确定是否触发预设灵敏度调节事件。示例性的，冬天在外面跑步的场景下，可以只采集环境温度、环境湿度、终端触摸体类型和终端运动状态这几个子状态的变化量。

步骤202、在所述设定环境子状态的变化量和/或设定终端子状态的变化量超过对应的第一设定阈值时，确定预设灵敏度调节事件被触发。

在各个设定子状态(设定环境子状态和/或设定终端子状态)的变化量都超过各自对应的第一设定阈值时，确定预设灵敏度调节事件被触发，或者在各个设定子状态的变化量中有设定个数超过对应的第一阈值时，确定预设灵敏度调节事件被触发，其中设定个数小于或者等于设定子状态的个数。

步骤203、获取当前环境状态、当前终端状态和当前灵敏度。

在确定预设灵敏度事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度。可选的，所述当前环境状态包括当前的环境温度、环境湿度和终端触摸体类型，所述当前终端状态包括前台运行的应用程序的应用标识、以及当前的终端运动状态、终端放置状态、终端触摸压力、终端系统时间和终端网络标识。

步骤204、将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度。

步骤205、根据所述目标灵敏度对触摸屏灵敏度进行调节。

因为在有些应用场景，可能仅是某一个或几个设定环境子状态和终端子状态对触摸屏灵敏度的影响比较大，本实施例提供的方法，通过采集一个或者多个设定环境子状态和终端子状态的变化量，来确定是否触发预设灵敏度调节事件，可以有针对性的对某些特定子特征进行监测，来确定灵敏度调节事件是否被触发，在满足特定应用场景下对灵敏度需求的同时，可以节省移动终端监测各个状态的资源，降低功耗。

图3给出了本申请实施例提供的另一种触摸屏灵敏度控制方法的流程图。如图3所示，本实施例提供的触摸屏灵敏度控制方法包括以下步骤：

步骤301、按照设定采样间隔获取所有环境子状态的变化量和所有终端子状态的变化量。

可选的，所述环境子状态包括环境温度或者环境湿度或者触摸体类型，所述终端子状态包括前台应用程序的应用标识、终端运动状态、终端放置状态、终端触摸压力、终端系统时间或者终端网络标识。

上述各个环境子状态和终端子状态，对触摸屏灵敏度都会产生不同程度的影响，这些子状态在不同的应用场景也下会相互影响，对最终确定合理的触摸屏灵敏度产生一定的作用，因此，在本实施例中采集所有环境子状态的变化量和所有终端子状态的变化量，以充分考虑各个子状态来确定灵敏度，可以使最终确定的灵敏度更加精准。

步骤302、根据所有环境子状态的变化量和所有终端子状态的变化量，以及各个环境子状态和各个终端子状态各自的权重，确定总变化量。

不同的子状态分别对应各自的权重，可选的，在不同应用场景下相同的子状态也可以对应不同的权重，例如，在当前应用程序为阿甘快跑时，终端运动状态对应的权重比在当前应用程序为王者荣耀时要大。

该步骤通过计算各个环境子状态的变化量和各自对应的权重乘积之和，来确定状态总变化量。

步骤303、在所述总变化量超过第二设定阈值时，确定预设灵敏度调节事件被触发。

步骤304、获取当前环境状态、当前终端状态和当前灵敏度。

在确定预设灵敏度事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度。可选的，所述当前环境状态包括当前的环境温度、环境湿度和终端触摸体类型，所述当前终端状态包括前台运行的应用程序的应用标识、以及当前的终端运动状态、终端放置状态、终端触摸压力、终端系统时间和终端网络标识。

步骤305、将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度。

步骤306、根据所述目标灵敏度对触摸屏灵敏度进行调节。

本实施例提供的触摸屏灵敏度控制方法，通过监测采集所有的环境子状态的变化量和所有终端子状态的变化量，根据所有环境子状态的变化量和所有终端子状态的变化量，以及各个环境子状态和各个终端子状态各自的权重，确定总变化量，在所述总变化量超过第二设定阈值时，确定预设灵敏度调节事件被触发，可以更加精准的确定灵敏度调节事件被触发，基于预设灵敏度预测模型进行灵敏度的调节。

图4为本申请实施例提供的一种触摸屏灵敏度控制装置的结构示意图，该装置可由软件和/或硬件实现，集成在移动终端中。如图4所示，该装置包括状态获取模块41、目标灵敏度获取模块42和灵敏度调节模块43。

所述状态获取模块41，用于在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度；

所述目标灵敏度获取模块42，用于将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成；

所述灵敏度调节模块43，用于根据所述目标灵敏度对触摸屏灵敏度进行调节。

本实施例提供的装置，通过在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度并输入至预设灵敏度预测模型，得到输出的目标灵敏度，根据目标灵敏度对触摸屏灵敏度进行调节，实现了基于终端的当前应用场景结合历史灵敏度调节记录，分析出用户偏好的目标灵敏度，并基于该目标灵敏度对触摸屏灵敏度进行自动调节，使调节结果更符合用户在当前应用场景下的实际灵敏度需求，解决了相关技术中在不同应用场景下不能自动匹配合适的触摸屏灵敏度的问题，提升了触摸屏灵敏度调节的智能性和个性化。

可选的，所述环境状态包括至少一个环境子状态，所述环境子状态包括环境温度、环境湿度和终端触摸体类型，所述终端状态包括至少一个终端子状态，所述终端子状态包括前台运行的应用程序的应用标识、终端运动状态、终端放置状态、终端触摸压力、终端系统时间和终端网络标识。

可选的，所述装置还可以包括：

设定子状态变化量获取模块，用于按照设定采样间隔获取设定环境子状态的变化量和/或设定终端子状态的变化量；

事件触发确定模块，用于在所述设定环境子状态的变化量和/或设定终端子状态的变化量超过对应的第一设定阈值时，确定预设灵敏度调节事件被触发。

可选的，所述装置还包括：

子状态变化量获取模块，用于按照设定采样间隔获取所有环境子状态的变化量和所有终端子状态的变化量；

总变化量确定模块，用于根据所有环境子状态的变化量和所有终端子状态的变化量，以及各个环境子状态和各个终端子状态各自的权重，确定总变化量；

事件触发确定模块，用于在所述总变化量超过第二设定阈值时，确定预设灵敏度调节事件被触发。

可选的，所述当前环境状态包括当前环境温度、当前环境湿度和当前终端触摸体类型，所述当前终端状态包括所述当前应用标识、当前终端运动状态、当前终端放置状态、当前终端触摸压力、当前终端系统时间和当前终端网络标识；

所述装置还包括编号模块，具体用于：在获取当前环境状态、当前终端状态和当前灵敏度之后，

按照预设第一编号规则确定当前终端触摸体类型的触摸体编号；

按照预设第二编号规则确定当前应用标识的应用编号；

按照预设第三编号规则确定当前终端运动状态的运动编号；

按照预设第四编号规则确定当前终端放置状态的放置编号；

按照预设第五编号规则确定当前终端触摸压力的压力编号；

按照预设第六编号规则确定当前终端系统时间的时间编号；

按照预设第七编号规则确定当前终端网络标识的网络编号；

所述目标灵敏度获取模块具体用于：将当前环境温度、当前环境湿度、所述触摸体编号、所述应用编号、所述运动编号、所述放置编号、所述压力编号、所述时间编号、所述网络编号和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度。

可选的，所述灵敏度调节模块具体用于：

计算所述当前灵敏度与所述目标灵敏度的差值；

在所述差值超过设定调节间隔值时，根据与所述目标灵敏度的灵敏度偏差将所述差值分成至少两个数值区间；

根据所述数值区间对触摸屏灵敏度进行平滑调节。

可选的，所述深度学习方法包括深度神经网络方法，所述深度神经网络方法包括输入层、隐藏层和输出层，所述装置还包括预设灵敏度预测模型生成模块，具体用于：

获取本终端用户或者目标用户群体的历史灵敏度调节记录作为训练样本；

将所述历史灵敏度调节记录中的环境状态、终端状态和灵敏度输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出预测灵敏度；

利用预测灵敏度与所述历史灵敏度记录中的实际灵敏度之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述预测灵敏度与所述实际灵敏度之间的差值在预设误差范围内，得到训练完成的各个节点的激活函数，生成预设灵敏度预测模型。

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种触摸屏灵敏度控制方法，该方法包括：

在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度；

将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成；

根据所述目标灵敏度对触摸屏灵敏度进行调节。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的触摸屏灵敏度控制操作，还可以执行本申请任意实施例所提供的触摸屏灵敏度控制方法中的相关操作。

本申请实施例提供了一种移动终端，该移动终端中可集成本申请实施例提供的触摸屏灵敏度控制装置。图5为本申请实施例提供的一种移动终端的结构示意图。移动终端500可以包括：存储器501，处理器502及存储在存储器501上并可在处理器502运行的计算机程序，所述处理器502执行所述计算机程序时实现如本申请实施例所述的触摸屏灵敏度控制方法。

本申请实施例提供的移动终端，通过在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度并输入至预设灵敏度预测模型，得到输出的目标灵敏度，根据目标灵敏度对触摸屏灵敏度进行调节，实现了基于终端的当前应用场景结合历史灵敏度调节记录，分析出用户偏好的目标灵敏度，并基于该目标灵敏度对触摸屏灵敏度进行自动调节，使调节结果更符合用户在当前应用场景下的实际灵敏度需求，解决了相关技术中在不同应用场景下不能自动匹配合适的触摸屏灵敏度的问题，提升了触摸屏灵敏度调节的智能性和个性化。

图6为本申请实施例提供的另一种移动终端的结构示意图，如图6所示，该移动终端可以包括：存储器601、中央处理器(Central Processing Unit，CPU)602(又称处理器，以下简称CPU)、所述存储器601，用于存储可执行程序代码；所述处理器602通过读取所述存储器601中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行：在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度；将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成；根据所述目标灵敏度对触摸屏灵敏度进行调节。

所述移动终端还包括：外设接口603、RF(Radio Frequency，射频)电路605、音频电路606、扬声器611、电源管理芯片608、输入/输出(I/O)子系统609、触摸屏612、其他输入/控制设备610以及外部端口604，这些部件通过一个或多个通信总线或信号线607来通信。

应该理解的是，图示移动终端600仅仅是移动终端的一个范例，并且移动终端600可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

下面就本实施例提供的用于控制触摸屏灵敏度的移动终端进行详细的描述，该移动终端以手机为例。

存储器601，所述存储器601可以被CPU602、外设接口603等访问，所述存储器601可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

外设接口603，所述外设接口603可以将设备的输入和输出外设连接到CPU502和存储器601。

I/O子系统609，所述I/O子系统609可以将设备上的输入输出外设，例如触摸屏612和其他输入/控制设备610，连接到外设接口603。I/O子系统609可以包括显示控制器6091和用于控制其他输入/控制设备610的一个或多个输入控制器6092。其中，一个或多个输入控制器6092从其他输入/控制设备610接收电信号或者向其他输入/控制设备610发送电信号，其他输入/控制设备610可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器6092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。

触摸屏612，所述触摸屏612是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。

I/O子系统609中的显示控制器6091从触摸屏612接收电信号或者向触摸屏612发送电信号。触摸屏612检测触摸屏上的接触，显示控制器6091将检测到的接触转换为与显示在触摸屏612上的用户界面对象的交互，即实现人机交互，显示在触摸屏612上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。

RF电路605，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路605接收并发送RF信号，RF信号也称为电磁信号，RF电路605将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路605可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。

音频电路606，主要用于从外设接口603接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器611。

扬声器611，用于将手机通过RF电路605从无线网络接收的语音信号，还原为声音并向用户播放该声音。

电源管理芯片608，用于为CPU602、I/O子系统及外设接口603所连接的硬件进行供电及电源管理。

上述实施例中提供的触摸屏灵敏度装置、存储介质及移动终端可执行本申请任意实施例所提供的触摸屏灵敏度方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的触摸屏灵敏度方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (10)

1.一种触摸屏灵敏度控制方法，其特征在于，包括：

在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度；

将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成；

根据所述目标灵敏度对触摸屏灵敏度进行调节。

2.根据权利要求1所述的方法，其特征在于，所述环境状态包括至少一个环境子状态，所述环境子状态包括环境温度、环境湿度和终端触摸体类型，所述终端状态包括至少一个终端子状态，所述终端子状态包括前台运行的应用程序的应用标识、终端运动状态、终端放置状态、终端触摸压力、终端系统时间和终端网络标识。

3.根据权利要求2所述的方法，其特征在于，还包括：

按照设定采样间隔获取设定环境子状态的变化量和/或设定终端子状态的变化量；

在所述设定环境子状态的变化量和/或设定终端子状态的变化量超过对应的第一设定阈值时，确定预设灵敏度调节事件被触发。

4.根据权利要求2所述的方法，其特征在于，还包括：

按照设定采样间隔获取所有环境子状态的变化量和所有终端子状态的变化量；

根据所有环境子状态的变化量和所有终端子状态的变化量，以及各个环境子状态和各个终端子状态各自的权重，确定总变化量；

在所述总变化量超过第二设定阈值时，确定预设灵敏度调节事件被触发。

5.根据权利要求2所述的方法，其特征在于，所述当前环境状态包括当前环境温度、当前环境湿度和当前终端触摸体类型，所述当前终端状态包括当前应用标识、当前终端运动状态、当前终端放置状态、当前终端触摸压力、当前终端系统时间和当前终端网络标识；

在获取当前环境状态、当前终端状态和当前灵敏度之后，还包括：

按照预设第一编号规则确定当前终端触摸体类型的触摸体编号；

按照预设第二编号规则确定当前应用标识的应用编号；

按照预设第三编号规则确定当前终端运动状态的运动编号；

按照预设第四编号规则确定当前终端放置状态的放置编号；

按照预设第五编号规则确定当前终端触摸压力的压力编号；

按照预设第六编号规则确定当前终端系统时间的时间编号；

按照预设第七编号规则确定当前终端网络标识的网络编号；

所述将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度包括：将当前环境温度、当前环境湿度、所述触摸体编号、所述应用编号、所述运动编号、所述放置编号、所述压力编号、所述时间编号、所述网络编号和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度。

6.根据权利要求1所述的方法，其特征在于，所述根据所述目标灵敏度对触摸屏灵敏度进行调节包括：

计算所述当前灵敏度与所述目标灵敏度的差值；

在所述差值超过设定调节间隔值时，根据与所述目标灵敏度的灵敏度偏差将所述差值分成至少两个数值区间；

根据所述数值区间对触摸屏灵敏度进行平滑调节。

7.根据权利要求1所述的方法，其特征在于，所述深度学习方法包括深度神经网络方法，所述深度神经网络方法包括输入层、隐藏层和输出层，所述方法还包括：

获取本终端用户或者目标用户群体的历史灵敏度调节记录作为训练样本；

将所述历史灵敏度调节记录中的环境状态、终端状态和灵敏度输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出预测灵敏度；

利用预测灵敏度与所述历史灵敏度记录中的实际灵敏度之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述预测灵敏度与所述实际灵敏度之间的差值在预设误差范围内，得到训练完成的各个节点的激活函数，生成预设灵敏度预测模型。

8.一种触摸屏灵敏度控制装置，其特征在于，包括：

状态获取模块，用于在确定预设灵敏度调节事件被触发时，获取当前环境状态、当前终端状态和当前灵敏度；

目标灵敏度获取模块，用于将所述当前环境状态、当前终端状态和当前灵敏度输入至预设灵敏度预测模型，得到所述预设灵敏度预测模型输出的目标灵敏度，所述预设灵敏度预测模型由历史灵敏度调节记录基于深度学习方法训练生成；

灵敏度调节模块，用于根据所述目标灵敏度对触摸屏灵敏度进行调节。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的触摸屏灵敏度控制方法。

10.一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一所述的触摸屏灵敏度控制方法。