CN108259670B - 电子装置、跌落处理方法及相关产品 - Google Patents

Abstract

本申请实施例公开了一种电子装置、跌落处理方法及相关产品，包括：检测到所述电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据；获取适配所述至少一类数据的目标神经网络模型；根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因。本申请实施例有利于提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性。

Description

电子装置、跌落处理方法及相关产品

技术领域

本申请涉及移动终端技术领域，具体涉及一种电子装置、跌落处理方法及相关产品。

背景技术

随着智能手机等移动终端的大量普及应用，智能手机能够支持的应用越来越多，功能越来越强大，智能手机向着多样化、个性化的方向发展，成为用户生活中不可缺少的电子用品。用户在使用该智能手机的过程中，由于某些原因可能会跌落智能手机，导致智能手机跌落损坏。

发明内容

本申请实施例提供了一种电子装置、跌落处理方法及相关产品，以期提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性。

第一方面，本申请实施例提供一种电子装置，包括处理器、传感器，所述传感器与所述处理器耦合，其中，

所述传感器，用于获取在预设时段内的至少一类数据，所述电子装置处于跌落状态，所述传感器处于启用状态；

所述处理器，用于获取适配所述至少一类数据的目标神经网络模型；以及用于根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因。

第二方面，本申请实施例提供一种跌落处理方法，包括：

检测到所述电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据；

获取适配所述至少一类数据的目标神经网络模型；

根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因。

第三方面，本申请实施例提供一种跌落处理装置，包括获取单元、确定单元，其中，

所述获取单元，用于检测到所述电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据；

所述获取单元，还用于获取适配所述至少一类数据的目标神经网络模型；

所述确定单元，用于根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因。

第四方面，本申请实施例提供一种电子装置，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第二方面任一方法中的步骤的指令。

第五方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第二方面任一方法中所描述的部分或全部步骤。

第六方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第二方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

可以看出，本申请实施例中，电子装置检测到电子装置处于跌落状态时，首先获取电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，其次，获取适配该至少一类数据的目标神经网络模型，最后，根据该至少一类数据和目标神经网络模型确定电子装置的跌落原因。可见，电子装置针对随机发生的跌落事件，能够智能性提取当前跌落状态下处于启用状态的多类融合传感器数据，并获取适配的目标神经网络模型，最终确定当前跌落事件的跌落原因，有利于提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性，提高跌落原因确定的精确度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1A是本申请实施例提供的一种电子装置的结构示意图；

图1B是本申请实施例提供的一种电子装置发生跌落碰撞的场景示例图；

图1C是本申请实施例提供的一种加速度传感器的内部结构示意图；

图1D是本申请实施例提供的一种加速度传感器在重力作用下的示意图；

图2是本申请实施例公开的一种跌落处理方法的流程示意图；

图3是本申请实施例公开的另一种跌落处理方法的流程示意图；

图4是本申请实施例公开的另一种跌落处理方法的流程示意图；

图5是本申请实施例公开的一种电子装置的结构示意图；

图6是本申请实施例公开的一种跌落处理装置的功能单元组成框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请实施例所涉及到的电子装置可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(User Equipment，UE)，移动台(Mobile Station，MS)，终端设备(terminaldevice)等等。为方便描述，上面提到的设备统称为电子装置。

下面对本申请实施例进行详细介绍。

请参阅图1A，图1A是本申请实施例提供了一种电子装置100的结构示意图，上述电子装置100包括：壳体110、设置于所述壳体110内的电路板120、和设置于所述壳体110上的显示屏130，所述电路板120上设置有处理器121、传感器122和存储器123，所述传感器122以及存储器123与所述处理器121连接，所述处理器121连接所述显示屏130；其中，

所述传感器122，用于获取在预设时段内的至少一类数据，所述电子装置处于跌落状态，所述传感器处于启用状态；

所述处理器121，用于获取适配所述至少一类数据的目标神经网络模型；以及用于根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因。

其中，如图1B所示，所述跌落状态是指电子装置在重力作用下向下跌落的状态。所述跌落原因至少包括以下任意一种：湿手指滑落、单手握持滑落、故意摔落、口袋滑落、用户摔倒伴随跌落、碰撞跌落。

其中，所述传感器122包括以下任意一种或多种：加速度传感器、光线传感器、压力传感器、距离传感器、指纹传感器、摄像头。所述目标神经网络模型的模型参数可以预先根据样本数据训练好。

其中，加速度传感器又可以称为重力传感器，如图1C所示，加速度传感器以二氧化硅制成基板，在基板上主要设置有第一电容C1与第二电容C2，由于平行板电容器的容值大小和板间距离成反比，通过检测电容变化，即可计算得到感应方向的加速度大小；同时，基板沿加速度感应方向上设置有弹簧(spring)和震动质量(seismic mass)，存在加速度时，电容器的极板会形成位移，加速度为零的时，电容器的极板恢复原位。走线(wiring)以及焊盘(bondpad)连接电容器，用于将电容值变化传递至其他器件。以三轴加速度传感器为例，其能检测X、Y、Z的加速度数据，如图1D，在静止的状态下，传感器在一个方向受到重力的作用，因此有一个轴的数据是1g(即9.8米/秒的二次)。

具体实现中，所述加速度传感器用于采集电子装置跌落过程前后的加速度数据，该加速度数据能够用于确定电子装置处于跌落状态，还能够用于确定电子装置跌落过程的初始加速度，该初始加速度若处于超重状态，则可以进一步确定跌落原因为故意摔落。

所述陀螺仪用于采集电子装置跌落过程前后的角速度数据，该加速度数据能够用于确定电子装置的跌落角度，结合磁感应数据能够进一步确定跌落姿态。

所述地磁传感器用于采集电子装置跌落过程前后的磁感应数据，主要用于确定电子装置的方向。

所述光线传感器用于采集电子装置跌落过程前后的环境光强，主要用于结合距离传感器等进行口袋等场景识别。

所述压力传感器用于采集电子装置跌落过程前后的压力数据，具体可以是电子装置的侧边压力数据，该压力数据可以用于确定用户的握持状态，该握持状态包括左手握持状态、双手握持状态和右手握持状态，也可以用于碰撞场景识别。

所述距离传感器用于采集电子装置跌落过程前后的目标物体的物理，该目标物体例如可以是衣服面料、地板等，主要用于与光线传感器等结合进行口袋等场景识别。

所述指纹传感器用于采集电子装置跌落过程前后的用户指纹数据，该用户指纹数据可以用于确定用户的身份信息或手指干湿状态。

所述摄像头用于采集电子装置跌落过程前后的周边环境影像数据，主要用于用户摔倒场景检测。

其中，处理器121包括应用处理器和基带处理器，处理器121是电子装置的控制中心，利用各种接口和线路连接整个电子装置的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行电子装置的各种功能和处理数据，从而对电子装置进行整体监控。其中，应用处理器主要处理操作系统、用户界面和应用程序等，基带处理器主要处理无线通信。可以理解的是，上述基带处理器也可以不集成到处理器中。存储器123可用于存储软件程序以及模块，处理器121通过运行存储在存储器的软件程序以及模块，从而执行电子装置的各种功能应用以及数据处理。存储器123可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据电子装置的使用所创建的数据等。此外，存储器123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，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

可以看出，本申请实施例中，电子装置检测到电子装置处于跌落状态时，首先获取电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，其次，获取适配该至少一类数据的目标神经网络模型，最后，根据该至少一类数据和目标神经网络模型确定电子装置的跌落原因。可见，电子装置针对随机发生的跌落事件，能够智能性提取当前跌落状态下处于启用状态的多类融合传感器数据，并获取适配的目标神经网络模型，最终确定当前跌落事件的跌落原因，有利于提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性，提高跌落原因确定的精确度。

在一个可能的示例中，所述预设时段的时间起点在所述电子装置检测到所述跌落状态的参考时间节点之前，且所述时间起点与所述参考时间节点之间的时间差大于或等于所述跌落状态的检测时长。

举例来说，如跌落状态的检测时长为50毫秒，检测到所述跌落状态的参考时间节点为a1，则预设时段例如可以是(a1-55毫秒，a1+a2毫秒)，其中a2为预设的经验值，具体可以是根据电子设备通常可能的跌落高度计算得到。

可见，本示例中，电子装置在采集传感器数据时，不仅采集跌落状态下的数据，还采集跌落状态前的有效数据，通过尽可能全面的采集传感器数据，提高数据处理分析的准确度。

在一个可能的示例中，在所述获取适配所述至少一类数据的目标神经网络模型方面，所述处理器121具体用于：根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

其中，所述神经网络模型集合可以包括不同的数据组合(即多类融合数据)对应的神经网络模型，每个神经网络模型的模型参数可以预先训练好，训练该神经网络的样本数据可以是经验数据，也可以是实际实验数据等，此处不做唯一限定。

可见，本示例中，电子装置能够通过查询神经网络模型集合快速获取适配当前融合数据的目标神经网络模型，提高数据处理的实时性。

在一个可能的示例中，在所述根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因方面，所述处理器121具体用于：将所述至少一类数据尺度变换，得到神经网络模型的基准输入数据；以及用于将所述基准输入数据输入所述目标神经网络，得到所述电子装置的跌落原因。

可见，本示例中，电子装置能够通过改变数据的尺度，以便每个维度的均值为0，标准差为1，有利于消除数据的单位的影响，提高跌落原因识别准确度。

请参阅图2，图2是本申请实施例提供了一种跌落处理方法的流程示意图，应用于如图1A所述的电子装置，如图所示，本跌落处理方法包括：

S201，电子装置检测到所述电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据；

其中，所述跌落状态是指电子装置在重力作用下向下跌落的状态。其中，所述传感器包括以下任意一种或多种：加速度传感器、光线传感器、压力传感器、距离传感器、指纹传感器、摄像头。

S202，所述电子装置获取适配所述至少一类数据的目标神经网络模型；

其中，所述目标神经网络模型的模型参数可以预先根据样本数据训练好。

S203，所述电子装置根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因。

其中，所述跌落原因至少包括以下任意一种：湿手指滑落、单手握持滑落、故意摔落、口袋滑落、用户摔倒伴随跌落、碰撞跌落。

可以看出，本申请实施例中，电子装置检测到电子装置处于跌落状态时，首先获取电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，其次，获取适配该至少一类数据的目标神经网络模型，最后，根据该至少一类数据和目标神经网络模型确定电子装置的跌落原因。可见，电子装置针对随机发生的跌落事件，能够智能性提取当前跌落状态下处于启用状态的多类融合传感器数据，并获取适配的目标神经网络模型，最终确定当前跌落事件的跌落原因，有利于提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性，提高跌落原因确定的精确度。

在一个可能的示例中，所述预设时段的时间起点在所述电子装置检测到所述跌落状态的参考时间节点之前，且所述时间起点与所述参考时间节点之间的时间差大于或等于所述跌落状态的检测时长。

举例来说，如跌落状态的检测时长为50毫秒，检测到所述跌落状态的参考时间节点为a1，则预设时段例如可以是(a1-55毫秒，a1+a2毫秒)，其中a2为预设的经验值，具体可以是根据电子设备通常可能的跌落高度计算得到。

可见，本示例中，电子装置在采集传感器数据时，不仅采集跌落状态下的数据，还采集跌落状态前的有效数据，通过尽可能全面的采集传感器数据，提高数据处理分析的准确度。

在一个可能的示例中，所述获取适配所述至少一类数据的目标神经网络模型，包括：根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

可见，本示例中，电子装置能够通过查询神经网络模型集合快速获取适配当前融合数据的目标神经网络模型，提高数据处理的实时性。

在一个可能的示例中，所述根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因，包括：将所述至少一类数据尺度变换，得到神经网络模型的基准输入数据；将所述基准输入数据输入所述目标神经网络，得到所述电子装置的跌落原因。

可见，本示例中，电子装置能够通过改变数据的尺度，以便每个维度的均值为0，标准差为1，有利于消除数据的单位的影响，提高跌落原因识别准确度。

在一个可能的示例中，所述至少一个传感器至少包括以下一种或多种：加速度传感器、光线传感器、压力传感器、距离传感器、指纹传感器、摄像头。

在一个可能的示例中，所述跌落原因至少包括以下任意一种：湿手指滑落、单手握持滑落、故意摔落、口袋滑落、用户摔倒伴随跌落、碰撞跌落。

下面分别针对基于不同传感器集合确定的跌落原因的具体过程进行详细说明。

第一种：若处于启用状态的至少一个传感器包括加速度传感器，电子装置在检测到所述电子装置处于跌落状态时，首先采集该加速度传感器的加速度数据，然后获取适配该加速度数据的目标神经网络模型，最后将该加速度数据输入该目标神经网络模型，得到跌路原因包括故意摔落或者碰撞跌落。

第二种，若处于启用状态的至少一个传感器包括加速度传感器、光线传感器、距离传感器，电子装置在检测到所述电子装置处于跌落状态时，首先采集该加速度传感器的加速度数据、光线传感器的环境光强数据、距离传感器的距离数据，然后获取适配该三类数据的目标神经网络模型，最后将该三类数据输入该目标神经网络模型，得到跌路原因包括口袋滑落。

第三种，若处于启用状态的至少一个传感器包括加速度传感器和指纹传感器，电子装置在检测到所述电子装置处于跌落状态时，首先采集该加速度传感器的加速度数据、指纹传感器的指纹数据，然后获取适配该2类数据的目标神经网络模型，最后将该2类数据输入该目标神经网络模型，得到跌路原因包括湿手指滑落。

第三种，若处于启用状态的至少一个传感器包括加速度传感器和摄像头，电子装置在检测到所述电子装置处于跌落状态时，首先采集该加速度传感器的加速度数据、摄像头的预览图像数据，然后获取适配该2类数据的目标神经网络模型，最后将该2类数据输入该目标神经网络模型，得到跌路原因包括用户摔倒伴随跌落。

可见，本示例中，电子装置通过获取多类融合数据，使用适配的目标神经网络模型处理得到跌落原因，提高了电子装置识别不同跌落状态下跌落原因的准确度。

在一个可能的示例中，所述根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因之后，所述方法还包括：向跌落服务器发送所述电子装置的所述跌落原因。

其中，跌落服务器可以基于跌落原因分析产品特性，并用于后续产品的改进，提高产品安全性。

与上述图2所示的实施例一致的，请参阅图3，图3是本申请实施例提供的一种跌落处理方法的流程示意图，应用于如图1A所述的电子装置，如图所示，本跌落处理方法包括：

S301，电子装置检测到所述电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，所述预设时段的时间起点在所述电子装置检测到所述跌落状态的参考时间节点之前，且所述时间起点与所述参考时间节点之间的时间差大于或等于所述跌落状态的检测时长。

S302，上述电子装置根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

S303，上述电子装置将所述至少一类数据尺度变换，得到神经网络模型的基准输入数据；

S304，上述电子装置将所述基准输入数据输入所述目标神经网络，得到所述电子装置的跌落原因。

可以看出，本申请实施例中，电子装置检测到电子装置处于跌落状态时，首先获取电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，其次，获取适配该至少一类数据的目标神经网络模型，最后，根据该至少一类数据和目标神经网络模型确定电子装置的跌落原因。可见，电子装置针对随机发生的跌落事件，能够智能性提取当前跌落状态下处于启用状态的多类融合传感器数据，并获取适配的目标神经网络模型，最终确定当前跌落事件的跌落原因，有利于提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性，提高跌落原因确定的精确度。

此外，电子装置在采集传感器数据时，不仅采集跌落状态下的数据，还采集跌落状态前的有效数据，通过尽可能全面的采集传感器数据，提高数据处理分析的准确度。

此外，电子装置能够通过查询神经网络模型集合快速获取适配当前融合数据的目标神经网络模型，提高数据处理的实时性。

此外，电子装置能够通过改变数据的尺度，以便每个维度的均值为0，标准差为1，有利于消除数据的单位的影响，提高跌落原因识别准确度。

此外，电子装置通过获取多类融合数据，使用适配的目标神经网络模型处理得到跌落原因，提高了电子装置识别不同跌落状态下跌落原因的准确度。

与上述图2所示的实施例一致的，请参阅图4，图4是本申请实施例提供的一种跌落处理方法的流程示意图，应用于如图1A所述的电子装置。如图所示，本跌落处理方法包括：

S401，电子装置检测到所述电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，所述至少一个传感器包括加速度传感器和指纹传感器，所述预设时段的时间起点在所述电子装置检测到所述跌落状态的参考时间节点之前，且所述时间起点与所述参考时间节点之间的时间差大于或等于所述跌落状态的检测时长。

S402，上述电子装置根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

S403，上述电子装置将所述至少一类数据尺度变换，得到神经网络模型的基准输入数据；

S404，上述电子装置将所述基准输入数据输入所述目标神经网络，得到所述电子装置的跌落原因，所述跌落原因为湿手指滑落。

可以看出，本申请实施例中，电子装置检测到电子装置处于跌落状态时，首先获取电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，其次，获取适配该至少一类数据的目标神经网络模型，最后，根据该至少一类数据和目标神经网络模型确定电子装置的跌落原因。可见，电子装置针对随机发生的跌落事件，能够智能性提取当前跌落状态下处于启用状态的多类融合传感器数据，并获取适配的目标神经网络模型，最终确定当前跌落事件的跌落原因，有利于提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性，提高跌落原因确定的精确度。

此外，电子装置在采集传感器数据时，不仅采集跌落状态下的数据，还采集跌落状态前的有效数据，通过尽可能全面的采集传感器数据，提高数据处理分析的准确度。

此外，电子装置能够通过查询神经网络模型集合快速获取适配当前融合数据的目标神经网络模型，提高数据处理的实时性。

此外，电子装置能够通过改变数据的尺度，以便每个维度的均值为0，标准差为1，有利于消除数据的单位的影响，提高跌落原因识别准确度。

此外，电子装置通过获取多类融合数据，使用适配的目标神经网络模型处理得到跌落原因，提高了电子装置识别不同跌落状态下跌落原因的准确度。

与上述图2、图3、图4所示的实施例一致的，请参阅图5，图5是本申请实施例提供的一种电子装置的结构示意图，如图所示，该电子装置包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令；

检测到所述电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据；

获取适配所述至少一类数据的目标神经网络模型；

根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因。

可以看出，本申请实施例中，电子装置检测到电子装置处于跌落状态时，首先获取电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，其次，获取适配该至少一类数据的目标神经网络模型，最后，根据该至少一类数据和目标神经网络模型确定电子装置的跌落原因。可见，电子装置针对随机发生的跌落事件，能够智能性提取当前跌落状态下处于启用状态的多类融合传感器数据，并获取适配的目标神经网络模型，最终确定当前跌落事件的跌落原因，有利于提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性，提高跌落原因确定的精确度。

在一个可能的示例中，所述预设时段的时间起点在所述电子装置检测到所述跌落状态的参考时间节点之前，且所述时间起点与所述参考时间节点之间的时间差大于或等于所述跌落状态的检测时长。

在一个可能的示例中，在所述获取适配所述至少一类数据的目标神经网络模型方面，所述程序中的指令具体用于执行以下操作：根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

在一个可能的示例中，在所述根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因方面，所述程序中的指令具体用于执行以下操作：将所述至少一类数据尺度变换，得到神经网络模型的基准输入数据；以及用于将所述基准输入数据输入所述目标神经网络，得到所述电子装置的跌落原因。

在一个可能的示例中，所述至少一个传感器至少包括以下一种或多种：加速度传感器、光线传感器、压力传感器、距离传感器、指纹传感器、摄像头。

在一个可能的示例中，所述跌落原因至少包括以下任意一种：湿手指滑落、单手握持滑落、故意摔落、口袋滑落、用户摔倒伴随跌落、碰撞跌落。

上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对电子装置进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

图6是本申请实施例中所涉及的跌落处理装置600的功能单元组成框图。该跌落处理装置600应用于电子装置，跌落处理装置600包括获取单元601、确定单元602，其中，

所述获取单元601，用于检测到所述电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据；

所述获取单元601，还用于获取适配所述至少一类数据的目标神经网络模型；

所述确定单元602，用于根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因。

可以看出，本申请实施例中，电子装置检测到电子装置处于跌落状态时，首先获取电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据，其次，获取适配该至少一类数据的目标神经网络模型，最后，根据该至少一类数据和目标神经网络模型确定电子装置的跌落原因。可见，电子装置针对随机发生的跌落事件，能够智能性提取当前跌落状态下处于启用状态的多类融合传感器数据，并获取适配的目标神经网络模型，最终确定当前跌落事件的跌落原因，有利于提高电子装置跌落状态下处理随机多类融合数据的准确度和智能性，提高跌落原因确定的精确度。

在一个可能的示例中，所述预设时段的时间起点在所述电子装置检测到所述跌落状态的参考时间节点之前，且所述时间起点与所述参考时间节点之间的时间差大于或等于所述跌落状态的检测时长。

在一个可能的示例中，在所述获取适配所述至少一类数据的目标神经网络模型方面，所述获取单元601具体用于：根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

在一个可能的示例中，在所述根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因方面，所述确定单元602具体用于：将所述至少一类数据尺度变换，得到神经网络模型的基准输入数据；以及用于将所述基准输入数据输入所述目标神经网络，得到所述电子装置的跌落原因。

在一个可能的示例中，所述至少一个传感器至少包括以下一种或多种：加速度传感器、光线传感器、压力传感器、距离传感器、指纹传感器、摄像头。

在一个可能的示例中，所述跌落原因至少包括以下任意一种：湿手指滑落、单手握持滑落、故意摔落、口袋滑落、用户摔倒伴随跌落、碰撞跌落。

其中，获取单元601可以是传感器，确定单元602可以是处理器。

本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括移动终端。

本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括移动终端。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (13)

1.一种电子装置，其特征在于，包括处理器、传感器，所述传感器与所述处理器耦合，其中，

所述传感器，用于获取在预设时段内的至少一类数据，所述电子装置处于跌落状态，所述传感器处于启用状态；

所述处理器，用于获取适配所述至少一类数据的目标神经网络模型；以及用于根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因；

其中，所述传感器至少包括以下一种或多种：光线传感器、压力传感器、距离传感器、指纹传感器、加速度传感器、摄像头；

若处于启用状态的至少一个传感器包括加速度传感器、光线传感器、距离传感器，在检测到所述电子装置处于跌落状态时，首先采集该加速度传感器的加速度数据、光线传感器的环境光强数据、距离传感器的距离数据，所述处理器获取适配该三类数据的目标神经网络模型，最后将该三类数据输入该目标神经网络模型，得到跌落原因包括口袋滑落；

若处于启用状态的至少一个传感器包括加速度传感器和指纹传感器，在检测到所述电子装置处于跌落状态时采集该加速度传感器的加速度数据、指纹传感器的指纹数据，所述处理器获取适配该2类数据的目标神经网络模型，将该2类数据输入该目标神经网络模型，得到跌落原因包括湿手指滑落。

2.根据权利要求1所述的电子装置，其特征在于，所述预设时段的时间起点在所述电子装置检测到所述跌落状态的参考时间节点之前，且所述时间起点与所述参考时间节点之间的时间差大于或等于所述跌落状态的检测时长。

3.根据权利要求1或2所述的电子装置，其特征在于，在所述获取适配所述至少一类数据的目标神经网络模型方面，所述处理器具体用于：根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

4.根据权利要求1-2任一项所述的电子装置，其特征在于，在所述根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因方面，所述处理器具体用于：将所述至少一类数据尺度变换，得到神经网络模型的基准输入数据；以及用于将所述基准输入数据输入所述目标神经网络，得到所述电子装置的跌落原因。

5.一种跌落处理方法，其特征在于，包括：

检测到电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据；

获取适配所述至少一类数据的目标神经网络模型；

根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因；

其中，所述传感器至少包括以下一种或多种：光线传感器、压力传感器、距离传感器、指纹传感器、加速度传感器、摄像头；

若处于启用状态的至少一个传感器包括加速度传感器、光线传感器、距离传感器，在检测到所述电子装置处于跌落状态时，所述电子装置采集该加速度传感器的加速度数据、光线传感器的环境光强数据、距离传感器的距离数据，获取适配该三类数据的目标神经网络模型，最后将该三类数据输入该目标神经网络模型，得到跌落原因包括口袋滑落；

若处于启用状态的至少一个传感器包括加速度传感器和指纹传感器，所述电子装置在检测到所述电子装置处于跌落状态时，采集该加速度传感器的加速度数据、指纹传感器的指纹数据，所述电子装置获取适配该2类数据的目标神经网络模型，将该2类数据输入该目标神经网络模型，得到跌落原因包括湿手指滑落。

6.根据权利要求5所述的方法，其特征在于，所述预设时段的时间起点在所述电子装置检测到所述跌落状态的参考时间节点之前，且所述时间起点与所述参考时间节点之间的时间差大于或等于所述跌落状态的检测时长。

7.根据权利要求5所述的方法，其特征在于，所述获取适配所述至少一类数据的目标神经网络模型，包括：

根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

8.根据权利要求6所述的方法，其特征在于，所述获取适配所述至少一类数据的目标神经网络模型，包括：

根据所述至少一类数据的数据类别查询预设的神经网络模型集合，获取适配所述至少一类数据的目标神经网络模型，所述神经网络模型集合包括数据类别与神经网络模型之间的映射关系。

9.根据权利要求5-8任一项所述的方法，其特征在于，所述根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因，包括：

将所述至少一类数据尺度变换，得到神经网络模型的基准输入数据；

将所述基准输入数据输入所述目标神经网络，得到所述电子装置的跌落原因。

10.根据权利要求5-8任一项所述的方法，其特征在于，所述跌落原因至少包括以下任意一种：湿手指滑落、单手握持滑落、故意摔落、口袋滑落、用户摔倒伴随跌落、碰撞跌落。

11.一种跌落处理装置，其特征在于，包括获取单元和确定单元，其中，

所述获取单元，用于检测到电子装置处于跌落状态时，获取所述电子装置中处于启用状态的至少一个传感器在预设时段内的至少一类数据；

所述获取单元，还用于获取适配所述至少一类数据的目标神经网络模型；

所述确定单元，用于根据所述至少一类数据和所述目标神经网络模型确定所述电子装置的跌落原因；

其中，所述传感器至少包括以下一种或多种：光线传感器、压力传感器、距离传感器、指纹传感器、加速度传感器、摄像头；

若处于启用状态的至少一个传感器包括加速度传感器、光线传感器、距离传感器，在检测到所述电子装置处于跌落状态时，首先采集该加速度传感器的加速度数据、光线传感器的环境光强数据、距离传感器的距离数据，所述确定单元获取适配该三类数据的目标神经网络模型，最后将该三类数据输入该目标神经网络模型，得到跌落原因包括口袋滑落；

若处于启用状态的至少一个传感器包括加速度传感器和指纹传感器，在检测到所述电子装置处于跌落状态时采集该加速度传感器的加速度数据、指纹传感器的指纹数据，确定单元获取适配该2类数据的目标神经网络模型，将该2类数据输入该目标神经网络模型，得到跌落原因包括湿手指滑落。

12.一种电子装置，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求5-10任一项所述的方法中的步骤的指令。

13.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求5-10任一项所述的方法。

Images