CN108387757A - 用于检测可移动设备的移动状态的方法和装置 - Google Patents
用于检测可移动设备的移动状态的方法和装置 Download PDFInfo
- Publication number
- CN108387757A CN108387757A CN201810055686.2A CN201810055686A CN108387757A CN 108387757 A CN108387757 A CN 108387757A CN 201810055686 A CN201810055686 A CN 201810055686A CN 108387757 A CN108387757 A CN 108387757A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- movable equipment
- information
- mobile status
- preset time
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
Abstract
本申请实施例公开了用于检测可移动设备的移动状态的方法和装置。该方法的一具体实施方式包括:通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据;对加速度数据进行特征分析,生成加速度数据的特征向量;将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息,其中,移动状态信息用于表征可移动设备在预设时间段内的移动状态,移动状态识别模型用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。该实施方式提高了对可移动设备的移动状态的检测的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及通信技术领域,尤其涉及用于检测可移动设备的移动状态的方法和装置。
背景技术
随着科技的发展,市场上的可移动设备的样式逐渐增多(例如,扫地机器人、机械臂、汽车、飞机等)。通常,可移动设备可以根据人类或者机器下发的指令完成移动动作或静止动作。为了实现对可移动设备的优化等处理,相较于静止过程,可移动设备在移动过程中所表现出的各项属性更具有研究意义。故在获取可移动设备的属性数据之前,可以优先对可移动设备的移动状态进行确认。
发明内容
本申请实施例提出了用于检测可移动设备的移动状态的方法和装置。
第一方面,本申请实施例提供了一种用于检测可移动设备的移动状态的方法,该方法包括:通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据;对加速度数据进行特征分析,生成加速度数据的特征向量;将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息,其中,移动状态信息用于表征可移动设备在预设时间段内的移动状态,移动状态识别模型用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。
在一些实施例中,对加速度数据进行特征分析,生成加速度数据的特征向量,包括:对加速度数据进行滤波处理以提取出加速度数据中的重力加速度数据和非重力加速度数据;基于重力加速度数据和/或非重力速度数据,生成加速度数据的特征向量。
在一些实施例中,加速度数据的特征向量包括以下至少一项:用于表征非重力加速度数据的振幅的波动特征的特征值,用于表征非重力加速度数据的振动频率的特征值,用于表征重力加速度数据在加速度传感器的各个加速度检测轴上的分量的变化特征的特征值。
在一些实施例中,移动状态识别模型通过如下步骤训练得到:获取样本加速度数据以及已标记的样本加速度数据所对应的样本可移动设备的移动状态信息;对样本加速度数据进行特征分析,生成样本加速度数据的特征向量;利用机器学习算法,将样本加速度数据的特征向量作为输入,将已标记的样本加速度数据所对应的样本可移动设备的移动状态信息作为输出,训练得到移动状态识别模型。
在一些实施例中,该方法还包括:确定可移动设备的移动状态信息是否指示可移动设备在预设时间段内处于非静止状态;响应于确定可移动设备的移动状态信息指示可移动设备在预设时间段内处于非静止状态,获取与可移动设备的移动状态关联的参考数据;基于参考数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在一些实施例中,获取与可移动设备的移动状态关联的参考数据,包括:基于预设的时间周期,将加速度数据划分为至少两组加速度子数据;以及基于参考数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息,包括:对于至少两组加速度子数据中的每组加速度子数据,对该组加速度子数据进行特征分析,生成该组加速度子数据的特征向量,以及将所生成的特征向量输入移动状态识别模型,得到该组加速度子数据所对应的可移动设备的移动状态信息;统计所得到的各组加速度子数据所对应的可移动设备的移动状态信息,以及确定所统计的移动状态信息是否满足预设的状态重置条件,其中,预设的状态重置条件包括各组加速度子数据中的至少一组所对应的可移动设备的移动状态信息指示可移动设备在预设时间段内处于静止状态,或各组加速度子数据所对应的可移动设备的移动状态信息均指示可移动设备在预设时间段内处于静止状态;响应于确定所统计的移动状态信息满足预设的状态重置条件,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在一些实施例中,获取与可移动设备的移动状态关联的参考数据,包括:通过预先设置的全球定位系统获取预设时间段内可移动设备的速度数据;以及基于参考数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息,包括:基于所获取的速度数据,判断预设时间段内可移动设备的速度值是否小于预设速度阈值;响应于确定速度值小于预设速度阈值,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在一些实施例中,获取与可移动设备的移动状态关联的参考数据,包括:获取与可移动设备关联的预设无线网络连接接口在预设时间段内所连接的无线局域网的地址;以及基于参考数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息,包括:确定与可移动设备关联的预设无线网络连接接口在预设时间段内所连接的无线局域网的地址是否未发生变化;响应于确定所连接的无线局域网的地址未发生变化,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
第二方面,本申请提供了一种用于检测可移动设备的移动状态的装置,该装置包括:第一获取单元,配置用于通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据;分析单元,配置用于对加速度数据进行特征分析,生成加速度数据的特征向量;识别单元,配置用于将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息,其中,移动状态信息用于表征可移动设备在预设时间段内的移动状态,移动状态识别模型用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。
在一些实施例中,分析单元包括:提取模块,配置用于对加速度数据进行滤波处理以提取出加速度数据中的重力加速度数据和非重力加速度数据;生成模块,配置用于基于重力加速度数据和/或非重力速度数据,生成加速度数据的特征向量。
在一些实施例中,加速度数据的特征向量包括以下至少一项:用于表征非重力加速度数据的振幅的波动特征的特征值,用于表征非重力加速度数据的振动频率的特征值,用于表征重力加速度数据在加速度传感器的各个加速度检测轴上的分量的变化特征的特征值。
在一些实施例中,移动状态识别模型通过如下步骤训练得到:获取样本加速度数据以及已标记的样本加速度数据所对应的样本可移动设备的移动状态信息;对样本加速度数据进行特征分析,生成样本加速度数据的特征向量;利用机器学习算法,将样本加速度数据的特征向量作为输入,将已标记的样本加速度数据所对应的样本可移动设备的移动状态信息作为输出,训练得到移动状态识别模型。
在一些实施例中,该装置还包括:第一确定单元,配置用于确定可移动设备的移动状态信息是否指示可移动设备在预设时间段内处于非静止状态;第二获取单元,配置用于响应于确定可移动设备的移动状态信息指示可移动设备在预设时间段内处于非静止状态,获取与可移动设备的移动状态关联的参考数据;第二确定单元,配置用于基于参考数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在一些实施例中,第二获取单元进一步配置用于基于预设的时间周期,将加速度数据划分为至少两组加速度子数据;以及第二确定单元进一步配置用于按照如下方式确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:对于至少两组加速度子数据中的每组加速度子数据,对该组加速度子数据进行特征分析,生成该组加速度子数据的特征向量,以及将所生成的特征向量输入移动状态识别模型,得到该组加速度子数据所对应的可移动设备的移动状态信息;统计所得到的各组加速度子数据所对应的可移动设备的移动状态信息,以及确定所统计的移动状态信息是否满足预设的状态重置条件,其中,预设的状态重置条件包括各组加速度子数据中的至少一组所对应的可移动设备的移动状态信息指示可移动设备在预设时间段内处于静止状态,或各组加速度子数据所对应的可移动设备的移动状态信息均指示可移动设备在预设时间段内处于静止状态;响应于确定所统计的移动状态信息满足预设的状态重置条件,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在一些实施例中,第二获取单元进一步配置用于通过预先设置的全球定位系统获取预设时间段内可移动设备的速度数据;以及第二确定单元进一步配置用于按照如下方式确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:基于所获取的速度数据,判断预设时间段内可移动设备的速度值是否小于预设速度阈值;响应于确定速度值小于预设速度阈值,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在一些实施例中,第二获取单元进一步配置用于获取与可移动设备关联的预设无线网络连接接口在所述预设时间段内所连接的无线局域网的地址;以及第二确定单元进一步配置用于按照如下方式确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:确定与可移动设备关联的预设无线网络连接接口在预设时间段内所连接的无线局域网的地址是否未发生变化;响应于确定所连接的无线局域网的地址未发生变化,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
第三方面,本申请实施例提供了一种终端,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述用于检测可移动设备的移动状态的方法中任一实施例的方法。
第四方面,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上述用于检测可移动设备的移动状态的方法中任一实施例的方法。
本申请实施例提供的用于检测可移动设备的移动状态的方法和装置,通过利用预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据,对加速度数据进行特征分析,生成加速度数据的特征向量,将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息,其中,移动状态信息用于表征可移动设备在预设时间段内的移动状态,移动状态识别模型用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系,从而有效利用了可移动设备的加速度数据,提高了对可移动设备的移动状态的检测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于检测可移动设备的移动状态的方法的一个实施例的流程图;
图3是根据本申请的用于检测可移动设备的移动状态的方法的一个应用场景的示意图;
图4是根据本申请的用于检测可移动设备的方法的另一个实施例的流程图;
图5是根据本申请的用于检测可移动设备的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测可移动设备的移动状态的方法或用于检测可移动设备的移动状态的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括可移动设备101、102、103、信号转换电路104以及终端设备105、106、107。终端设备105、106、107可以通过信号转换电路104与可移动设备101、102、103通信连接。信号转换电路104可以将机械变形、压力、温度等物理量转换成电信号,以及将电信号转换成数字信号。
可移动设备101、102、103可以是具有移动功能的各种电子设备或机械设备,包括但不限于扫地机器人、汽车、飞机、轮船等等。
终端设备105、106、107可以是具有显示屏的电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。同时,终端设备105、106、107可以包括用于对可移动设备101、102、103所产生的信号进行处理的处理器,例如包括用于对可移动设备101、102、103所产生的加速度信号进行处理的加速度信号处理器。加速度信号处理器可以对接收到的加速度信号等数据进行分析等处理,获得处理结果(例如移动状态信息)。
需要说明的是,本申请实施例所提供的用于检测可移动设备的移动状态的方法一般由终端设备105、106、107执行,相应地,用于检测可移动设备的移动状态的装置一般设置于终端设备105、106、107中。
应该理解,图1中的可移动设备、信号转换电路和终端设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的可移动设备、信号转换电路和终端设备。
继续参考图2,示出了根据本申请的用于检测可移动设备的移动状态的方法的一个实施例的流程200。该用于检测可移动设备的移动状态的方法,包括以下步骤:
步骤201,通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据。
在本实施例中,用于检测可移动设备的移动状态的方法运行于其上的电子设备(例如图1所示的终端设备105、106、106)可以通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据。其中,加速度传感器可以用于检测预设时间段内可移动设备在加速度检测轴方向上的加速度。其中,加速度检测轴为加速度传感器所检测的轴。在这里,加速度传感器可以为各种类型的加速度传感器。具体的,作为示例,加速度传感器可以为三轴加速度传感器或者双轴加速度传感器。预设时间段可以为用户欲检测上述可移动设备的移动状态的时间段(例如2018年1月1日-2018年1月3日)。预设时间段可以包括多个采样时间点。采样时间点为获取了可移动设备的加速度数据的时间点。加速度数据可以为上述预设时间段所包括的各个采样时间点上可移动设备的加速度。需要说明的是,预设时间段所包括的采样时间点可以通过采样频率确定。具体的,相邻两个采样时间点的时间间隔与采样频率的倒数相等。在这里,采样频率可以是技术人员预先设置的。
需要说明的是,上述电子设备可以以预设的采样频率获取预设时间段内可移动设备的加速度信号。具体的,在获取的过程中,技术人员可以实时对加速度信号进行观测,并可以通过上述电子设备对采样频率进行调整。
在本实施例中,对于加速度传感器的设置方式可以包括以下两种方案:
方案一:加速度传感器可以设置在可移动设备上,并且与电子设备通信连接。进而,加速度传感器可以检测预设时间段内可移动设备的加速度,并将检测到的加速度信号传递给电子设备。
方案二:加速度传感器可以设置在电子设备上,并且电子设备设置在可移动设备上,随着可移动设备的移动而移动。在这里,由于电子设备可以随着可移动设备的移动而移动,所以电子设备产生的加速度信号相当于可移动设备产生的加速度信号,进而,设置在电子设备上的加速度传感器可以通过检测电子设备在预设时间段内的加速度来间接检测可移动设备在预设时间段内的加速度。
步骤202,对加速度数据进行特征分析,生成加速度数据的特征向量。
在本实施例中,基于步骤201得到的加速度数据,上述电子设备(例如图1所示的终端设备105、106、106)可以对加速度数据进行特征分析,生成加速度数据的特征向量。其中,加速度数据的特征向量可以用于表征上述可移动设备在预设时间段内的加速度的变化特征。
示例性的,上述电子设备可以对加速度数据中与预设时间段所包括的各个采样时间点相对应的加速度进行统计分析,生成加速度数据的特征向量。例如,上述电子设备可以比较预设时间段所包括的各个采样时间点所对应的加速度数值的大小,并对各个加速度数值进行均值计算,进而生成包括加速度数值的最大值、最小值以及均值的特征向量。
在本实施例的一些可选的实现方式中,可以通过如下步骤生成加速度数据的特征向量:
步骤2021,可以对基于步骤201得到的加速度数据进行滤波处理以提取出加速度数据中的重力加速度数据和非重力加速度数据。可以理解的是,对于存在于地球上物体,通常都具有重力加速度,故当利用加速度传感器对物体的加速度进行检测时,获得的加速度实际为重力加速度和非重力加速度(动态加速度)两个矢量的和。在这里,上述电子设备可以首先通过滤波处理滤除加速度数据中的非重力加速度数据,获得重力加速度数据;然后,上述电子设备可以再次获取上述加速度数据,并通过滤波处理滤除加速度数据中的重力加速度数据,获得非重力加速度数据。具体的,上述电子设备可以通过低通滤波提取出重力加速度数据;通过高通滤波提取出非重力加速度数据。
步骤2022,可以基于重力加速度数据和/或非重力速度数据,生成加速度数据的特征向量。在这里,特征向量可以包括用于表征预设时间段内重力加速度的变化特征的特征值,或者包括用于表征预设时间段内非重力加速度的变化特征的特征值,或者同时包括用于表征预设时间段内重力加速度的变化特征的特征值和用于表征预设时间段内非重力加速度的变化特征的特征值。
在本实施例的一些可选的实现方式中,加速度数据的特征向量可以包括但不限于以下至少一项:用于表征非重力加速度数据的振幅的波动特征的特征值,用于表征非重力加速度数据的振动频率的特征值,用于表征重力加速度数据在加速度传感器的各个加速度检测轴上的分量的变化特征的特征值。其中,非重力加速度数据的振幅的波动特征可以用于表征非重力加速度数据的振幅的变化情况。具体的,作为示例,波动特征可以为预设时间段内振幅的波动次数、波动范围等。非重力加速度数据的振动频率可以用于表征非重力加速度数据振动的快慢。
在这里,上述电子设备可以对非重力加速度数据和重力加速度数据进行数据分析以获得上述用于表征非重力加速度数据的振幅的波动特征的特征值、用于表征非重力加速度数据的振动频率的特征值以及用于表征重力加速度数据在加速度传感器的各个加速度检测轴上的分量的变化特征的特征值。
示例性的,上述电子设备可以基于非重力加速度数据生成预设时间段内非重力加速度的曲线图,进而,上述电子设备可以通过包络检波的方法获得用于表征非重力加速度数据的振幅的波动特征的特征值。另外,上述电子设备还可以用预设子时间段内(属于上述预设时间段)的各个采样时间点的非重力加速度数值减去预设非重力加速度均值,获得预设子时间段内的各个采样时间点的相对非重力加速度数值,进而将所获得的相对非重力加速度数值的过零率确定为用于表征非重力加速度数据的振动频率的特征值。
另外,可以理解的是,重力加速度的方向总是竖直向下的,且重力加速度可以近似为9.8m/s2。设置有加速度传感器的设备通常是可移动的,设备的移动可以使加速度传感器的各个加速度检测轴的方向相对于重力加速度的方向产生变化,进而,设备移动过程中,将重力加速度投影到各个加速度检测轴上所得到的重力加速度的分量可以是变化的。故上述电子设备可以通过投影的方法确定预设时间段内用于表征重力加速度数据在加速度传感器的各个加速度检测轴上的分量的变化特征的特征值。具体的,作为示例,特征值可以为预设时间段内重力加速度在加速度检测轴上的分量的标准差、四分位差等。
步骤203,将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息。
在本实施例中,基于步骤202得到的加速度数据的特征向量,上述电子设备(例如图1所示的终端设备105、106、106)可以将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息。其中,移动状态信息可以利用包括但不限于以下至少一项的信息表达方式来表征:文字,数字,符号,图表,音频、视频。移动状态信息可以用于表征可移动设备在预设时间段内的移动状态。移动状态可以包括静止状态和非静止状态。非静止状态可以包括加速状态、减速状态和匀速状态。示例性的,移动状态信息可以包括“0”和“1”,其中,数字“0”可以用于表征静止状态,数字“1”可以用于表征非静止状态。
在本实施例中,移动状态识别模型可以用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。具体的,作为示例,移动状态识别模型可以为技术人员基于对大量的特征向量和用于表征可移动设备的移动状态的信息的统计而预先制定的、存储有多个特征向量与用于表征可移动设备的移动状态的信息的对应关系的对应关系表;也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对特征向量中的一个或多个数值进行数值计算以得到的计算公式。该计算公式的计算结果可以用于表征上述用于表征可移动设备的移动状态的信息,例如,该计算公式可以是对特征向量中的加速度数值进行均值计算的公式,得到的均值可以用于表征上述用于表征可移动设备的移动状态的信息。
在本实施例的一些可选的实现方式中,上述移动状态识别模型可以通过如下步骤训练得到:
首先,上述电子设备可以获取样本加速度数据以及已标记的样本加速度数据所对应的移动状态信息。其中,样本加速度数据可以为样本可移动设备在各个预设样本时间段内的加速度数据,对于上述各个预设样本时间段中的每个预设样本时间段,技术人员可以通过上述电子设备标记的该预设样本时间段内样本可移动设备的移动状态信息。
然后,上述电子设备可以对所获取的样本加速度数据进行特征分析,生成样本加速度数据的特征向量。其中,特征向量与样本加速度数据所对应的预设样本时间段一一对应。
最后,上述电子设备可以利用机器学习算法,将所生成的样本加速度数据的特征向量作为输入,将已标记的样本加速度数据所对应的样本可移动设备的移动状态信息作为输出,训练得到移动状态识别模型。具体的,上述电子设备可以利用决策树分类器、支持向量机(Support Vector Machine,SVM)等用于分类的模型,将样本加速度数据的特征向量作为输入,将已标记的样本加速度数据所对应的样本可移动设备的移动状态信息作为输出,训练得到移动状态识别模型。
继续参见图3,图3是根据本实施例的用于检测可移动设备的移动状态的方法的应用场景的一个示意图。在图3的应用场景中,终端设备301可以首先通过预先设置的加速度传感器302获取预设时间段(例如2018年1月2日17:00-2018年1月2日18:00)内可移动设备303的加速度数据304;接着,终端设备301可以对加速度数据304进行特征分析,生成加速度数据304的特征向量305;然后,终端设备301可以将加速度数据304的特征向量305输入预先训练的移动状态识别模型,得到可移动设备303的移动状态信息306,其中,移动状态信息306可以用于表征可移动设备303在预设时间段内的移动状态,移动状态识别模型可以用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。
本申请的上述实施例提供的方法通过利用预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据,接着对加速度数据进行特征分析,生成加速度数据的特征向量,然后将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息,从而有效利用了可移动设备的加速度数据,提高了对可移动设备的移动状态的检测的准确性。
进一步参考图4,其示出了用于检测可移动设备的移动状态的方法的又一个实施例的流程400。该用于检测可移动设备的移动状态的方法的流程400,包括以下步骤:
步骤401,通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据。
在本实施例中,用于检测可移动设备的移动状态的方法运行于其上的电子设备(例如图1所示的终端设备105、106、106)可以通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据。
步骤402,对加速度数据进行特征分析,生成加速度数据的特征向量。
在本实施例中,基于步骤401得到的加速度数据,上述电子设备(例如图1所示的终端设备105、106、106)可以对加速度数据进行特征分析,生成加速度数据的特征向量。其中,加速度数据的特征向量可以用于表征上述可移动设备在预设时间段内的加速度的变化特征。
步骤403,将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息。
在本实施例中,基于步骤402得到的加速度数据的特征向量,上述电子设备(例如图1所示的终端设备105、106、106)可以将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息。其中,移动状态信息可以利用包括但不限于以下至少一项的信息表达方式来表征:文字,数字,符号,图表,音频、视频。移动状态信息可以用于表征可移动设备在预设时间段内的移动状态。移动状态可以包括静止状态和非静止状态。非静止状态可以包括加速状态、减速状态和匀速状态。
上述步骤401、步骤402、步骤403分别与前述实施例中的步骤201、步骤202、步骤203一致,上文针对步骤201、步骤202和步骤203的描述也适用于步骤401、步骤402和步骤403,此处不再赘述。
步骤404,确定可移动设备的移动状态信息是否指示可移动设备在预设时间段内处于非静止状态。
在本实施例中,基于步骤403得到的可移动设备的移动状态信息,上述电子设备可以确定可移动设备的移动状态信息是否指示可移动设备在预设时间段内处于非静止状态。
示例性的,可移动设备的移动状态信息包括“0”、“1”。其中,数字“0”用于指示可移动设备处于静止状态,数字“1”用于指示可移动设备处于非静止状态。则上述电子设备可以通过确定所得到的移动状态信息是否为数字“1”来确定可移动设备的移动状态信息是否指示可移动设备在预设时间段内处于非静止状态。
步骤405,响应于确定可移动设备的移动状态信息指示可移动设备在预设时间段内处于非静止状态,获取与可移动设备的移动状态关联的参考数据,并基于参考数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在本实施例中,用于检测可移动设备的移动状态的方法运行于其上的电子设备可以响应于确定可移动设备的移动状态信息指示可移动设备在预设时间段内处于非静止状态,获取与可移动设备的移动状态关联的参考数据,并基于参考数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。其中,参考数据可以为用于检测可移动设备的移动状态的辅助数据,例如可移动设备在预设时间段内的地理位置信息、速度数据等等。
举例来说,可以获取可移动设备在预设时间段内的地理位置信息作为参考数据,判断在该预设时间段内可移动设备的地理位置信息是否发生变化,若是,则可以确定可移动设备在该预设时间段内处于移动状态;若否,则可以确定可移动设备在该预设时间段内处于静止状态,这时需要将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在本实施例的一些可选的实现方式中,上述电子设备可以通过如下步骤获取与可移动设备的移动状态关联的参考数据:上述电子设备可以基于预设的时间周期(例如,预设时间段为12:00-14:00;预设的时间周期可以为1小时),将加速度数据划分为至少两组加速度子数据(即参考数据)。以及基于上述至少两组加速度子数据,上述电子设备可以通过如下步骤确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:
首先,对于上述至少两组加速度子数据中的每组加速度子数据,上述电子设备可以对该组加速度子数据进行特征分析,生成该组加速度子数据的特征向量,以及将所生成的特征向量输入上述移动状态识别模型,得到该组加速度子数据所对应的可移动设备的移动状态信息。
然后,上述电子设备可以统计所得到的各组加速度子数据所对应的可移动设备的移动状态信息,并确定所统计的移动状态信息是否满足预设的状态重置条件。其中,预设的状态重置条件可以包括各组加速度子数据中的至少一组所对应的可移动设备的移动状态信息指示可移动设备在预设时间段内处于静止状态,或各组加速度子数据所对应的可移动设备的移动状态信息均指示可移动设备在预设时间段内处于静止状态。可以理解的是,预设的状态重置条件可以为根据检测的侧重方向(例如优先考虑召回率或优先考虑准确率)所设置的条件。
最后,上述电子设备可以响应于确定所统计的移动状态信息满足预设的状态重置条件,确定将可移动设备的移动状态信息重置为指示可移动设备在所述预设时间段内处于静止状态的信息。例如,将数字“1”重置为数字“0”。
在本实施例的一些可选的实现方式中,上述电子设备可以通过如下步骤获取与可移动设备的移动状态关联的参考数据:上述电子设备可以通过预先设置的全球定位系统获取预设时间段内可移动设备的速度数据(即参考数据),其中,全球定位系统可以预先设置于上述可移动设备上,且与上述电子设备通信连接。基于所获取的速度数据,上述电子设备可以随后通过如下步骤确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:首先,基于所获取的速度数据,上述电子设备可以判断预设时间段内可移动设备的速度值是否小于预设速度阈值(例如6m/s);然后,上述电子设备可以响应于确定预设时间段内的速度值均小于预设速度阈值,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息,或者上述电子设备可以响应于确定预设时间段所包括的至少一个采样时间点所对应的速度值小于预设速度阈值,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在本实施例的一些可选的实现方式中,上述电子设备可以通过如下步骤获取与可移动设备的移动状态关联的参考数据:上述电子设备可以获取与可移动设备关联的预设无线网络连接接口在预设时间段内所连接的无线局域网的地址(即参考数据),其中,与可移动设备关联的预设无线网络连接接口可以为设置于可移动设备上的无线网络连接接口,或者为设置于上述电子设备上的无线网络连接接口,且上述电子设备设置于可移动设备上。基于所获取的地址,上述电子设备可以通过如下步骤确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:首先,上述电子设备可以记录并确定与可移动设备关联的预设无线网络连接接口在预设时间段内所连接的无线局域网的地址是否未发生变化;然后,上述电子设备可以响应于确定所连接的无线局域网的地址未发生变化,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
特别地,上述电子设备还可以获取预设时间段内上述电子设备的显示屏的状态数据,其中,显示屏的状态包括亮屏状态和暗屏状态;基于所获取的显示屏的状态数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。示例性的,显示屏的状态数据包括亮屏时长,上述电子设备可以基于预设的亮屏时长阈值来确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。例如,显示屏的状态数据为“亮屏时长:2小时”,预设的亮屏时长阈值为0.5,数值“2”大于数值“0.5”,则上述电子设备可以确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于检测可移动设备的移动状态的方法的流程400突出了通过与可移动设备的移动状态关联的参考数据对可移动设备的移动状态进行进一步检测的步骤。由此,本实施例描述的方案可以引入更多的与可移动设备的移动状态相关的数据,从而实现更准确的可移动设备的移动状态的检测。
进一步参考图5,作为对上述各图所示方法的实现,本申请实施例提供了一种用于检测可移动设备的移动状态的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于检测可移动设备的移动状态的装置500可以包括:第一获取单元501、分析单元502和识别单元503。其中,第一获取单元501可以配置用于通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据;分析单元502可以配置用于对加速度数据进行特征分析,生成加速度数据的特征向量;识别单元503可以配置用于将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息,其中,移动状态信息可以用于表征可移动设备在预设时间段内的移动状态,移动状态识别模型可以用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。
在本实施例中,第一获取单元501可以通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据。其中,加速度传感器可以用于检测预设时间段内可移动设备在加速度检测轴方向上的加速度。其中,加速度检测轴为加速度传感器所检测的轴。在这里,加速度传感器可以为各种类型的加速度传感器。具体的,作为示例,加速度传感器可以为三轴加速度传感器或者双轴加速度传感器。预设时间段可以为用户欲检测上述可移动设备的移动状态的时间段(例如2018年1月1日-2018年1月3日)。预设时间段可以包括多个采样时间点。采样时间点为获取了可移动设备的加速度数据的时间点。加速度数据可以为上述预设时间段所包括的各个采样时间点上可移动设备的加速度。需要说明的是,预设时间段所包括的采样时间点可以通过采样频率确定。具体的,相邻两个采样时间点的时间间隔与采样频率的倒数相等。在这里,采样频率可以是技术人员预先设置的。
需要说明的是,上述电子设备可以以预设的采样频率获取预设时间段内可移动设备的加速度信号。具体的,在获取的过程中,技术人员可以实时对加速度信号进行观测,并可以通过上述电子设备对采样频率进行调整。
在本实施例中,对于加速度传感器的设置方式可以包括以下两种方案:
方案一:加速度传感器可以设置在可移动设备上,并且与电子设备通信连接。进而,加速度传感器可以检测预设时间段内可移动设备的加速度,并将检测到的加速度信号传递给电子设备。
方案二:加速度传感器可以设置在电子设备上,并且电子设备设置在可移动设备上,随着可移动设备的移动而移动。在这里,由于电子设备可以随着可移动设备的移动而移动,所以电子设备产生的加速度信号相当于可移动设备产生的加速度信号,进而,设置在电子设备上的加速度传感器可以通过检测电子设备在预设时间段内的加速度来间接检测可移动设备在预设时间段内的加速度。
在本实施例中,基于第一获取单元501得到的加速度数据,分析单元502可以对加速度数据进行特征分析,生成加速度数据的特征向量。其中,加速度数据的特征向量可以用于表征上述可移动设备在预设时间段内的加速度的变化特征。
在本实施例中,基于分析单元502得到的加速度数据的特征向量,识别单元503可以将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息。其中,移动状态信息可以利用包括但不限于以下至少一项的信息表达方式来表征:文字,数字,符号,图表,音频、视频。移动状态信息可以用于表征可移动设备在预设时间段内的移动状态。移动状态可以包括静止状态和非静止状态。非静止状态可以包括加速状态、减速状态和匀速状态。示例性的,移动状态信息可以包括“0”和“1”,其中,数字“0”可以用于表征静止状态,数字“1”可以用于表征非静止状态。
在本实施例中,移动状态识别模型可以用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。
在本实施例的一些可选的实现方式中,分析单元502可以包括:提取模块,配置用于对加速度数据进行滤波处理以提取出加速度数据中的重力加速度数据和非重力加速度数据;生成模块,配置用于基于重力加速度数据和/或非重力速度数据,生成加速度数据的特征向量。
在本实施例的一些可选的实现方式中,加速度数据的特征向量可以包括以下至少一项:用于表征非重力加速度数据的振幅的波动特征的特征值,用于表征非重力加速度数据的振动频率的特征值,用于表征重力加速度数据在加速度传感器的各个加速度检测轴上的分量的变化特征的特征值。
在一些实施例中,移动状态识别模型可以通过如下步骤训练得到:获取样本加速度数据以及已标记的样本加速度数据所对应的样本可移动设备的移动状态信息;对样本加速度数据进行特征分析,生成样本加速度数据的特征向量;利用机器学习算法,将样本加速度数据的特征向量作为输入,将已标记的样本加速度数据所对应的样本可移动设备的移动状态信息作为输出,训练得到移动状态识别模型。
在本实施例的一些可选的实现方式中,用于检测可移动设备的移动状态的装置500还可以包括:第一确定单元,配置用于确定可移动设备的移动状态信息是否指示可移动设备在预设时间段内处于非静止状态;第二获取单元,配置用于响应于确定可移动设备的移动状态信息指示所述可移动设备在预设时间段内处于非静止状态,获取与可移动设备的移动状态关联的参考数据;第二确定单元,配置用于基于参考数据确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在本实施例的一些可选的实现方式中,第二获取单元进一步配置用于基于预设的时间周期,将加速度数据划分为至少两组加速度子数据;以及第二确定单元进一步配置用于按照如下方式确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:对于至少两组加速度子数据中的每组加速度子数据,对该组加速度子数据进行特征分析,生成该组加速度子数据的特征向量,以及将所生成的特征向量输入移动状态识别模型,得到该组加速度子数据所对应的可移动设备的移动状态信息;统计所得到的各组加速度子数据所对应的可移动设备的移动状态信息,以及确定所统计的移动状态信息是否满足预设的状态重置条件,其中,预设的状态重置条件可以包括各组加速度子数据中的至少一组所对应的可移动设备的移动状态信息指示可移动设备在预设时间段内处于静止状态,或各组加速度子数据所对应的可移动设备的移动状态信息均指示可移动设备在预设时间段内处于静止状态;响应于确定所统计的移动状态信息满足所述预设的状态重置条件,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在本实施例的一些可选的实现方式中,第二获取单元进一步配置用于通过预先设置的全球定位系统获取预设时间段内可移动设备的速度数据;以及第二确定单元进一步配置用于按照如下方式确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:基于所获取的速度数据,判断预设时间段内可移动设备的速度值是否小于预设速度阈值;响应于确定速度值小于预设速度阈值,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
在本实施例的一些可选的实现方式中,第二获取单元进一步配置用于获取与可移动设备关联的预设无线网络连接接口在预设时间段内所连接的无线局域网的地址;以及第二确定单元进一步配置用于按照如下方式确定是否将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息:确定与可移动设备关联的预设无线网络连接接口在预设时间段内所连接的无线局域网的地址是否未发生变化;响应于确定所连接的无线局域网的地址未发生变化,确定将可移动设备的移动状态信息重置为指示可移动设备在预设时间段内处于静止状态的信息。
本申请的上述实施例提供的用于检测可移动设备的移动状态的装置500通过第一获取单元501利用预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据,接着分析单元502对加速度数据进行特征分析,生成加速度数据的特征向量,然后识别单元503将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息,从而有效利用了可移动设备的加速度数据,提高了对可移动设备的移动状态的检测的准确性。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、分析单元和识别单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取可移动设备的加速度数据的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据;对加速度数据进行特征分析,生成加速度数据的特征向量;将加速度数据的特征向量输入预先训练的移动状态识别模型,得到可移动设备的移动状态信息,其中,移动状态信息用于表征可移动设备在预设时间段内的移动状态,移动状态识别模型用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种用于检测可移动设备的移动状态的方法,包括:
通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据;
对所述加速度数据进行特征分析,生成所述加速度数据的特征向量;
将所述加速度数据的特征向量输入预先训练的移动状态识别模型,得到所述可移动设备的移动状态信息,其中,所述移动状态信息用于表征所述可移动设备在所述预设时间段内的移动状态,所述移动状态识别模型用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。
2.根据权利要求1所述的方法,其中,所述对所述加速度数据进行特征分析,生成所述加速度数据的特征向量,包括:
对所述加速度数据进行滤波处理以提取出所述加速度数据中的重力加速度数据和非重力加速度数据;
基于所述重力加速度数据和/或所述非重力速度数据,生成所述加速度数据的特征向量。
3.根据权利要求2所述的方法,其中,所述加速度数据的特征向量包括以下至少一项:用于表征所述非重力加速度数据的振幅的波动特征的特征值,用于表征所述非重力加速度数据的振动频率的特征值,用于表征所述重力加速度数据在所述加速度传感器的各个加速度检测轴上的分量的变化特征的特征值。
4.根据权利要求1所述的方法,其中,所述移动状态识别模型通过如下步骤训练得到:
获取样本加速度数据以及已标记的所述样本加速度数据所对应的样本可移动设备的移动状态信息;
对所述样本加速度数据进行特征分析,生成所述样本加速度数据的特征向量;
利用机器学习算法,将所述样本加速度数据的特征向量作为输入,将已标记的所述样本加速度数据所对应的样本可移动设备的移动状态信息作为输出,训练得到移动状态识别模型。
5.根据权利要求1-4之一所述的方法,其中,所述方法还包括:
确定所述可移动设备的移动状态信息是否指示所述可移动设备在所述预设时间段内处于非静止状态;
响应于确定所述可移动设备的移动状态信息指示所述可移动设备在所述预设时间段内处于非静止状态,获取与所述可移动设备的移动状态关联的参考数据;
基于所述参考数据确定是否将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息。
6.根据权利要求5所述的方法,其中,所述获取与所述可移动设备的移动状态关联的参考数据,包括:
基于预设的时间周期,将所述加速度数据划分为至少两组加速度子数据;以及
所述基于所述参考数据确定是否将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息,包括:
对于所述至少两组加速度子数据中的每组加速度子数据,对该组加速度子数据进行特征分析,生成该组加速度子数据的特征向量,以及将所生成的特征向量输入所述移动状态识别模型,得到该组加速度子数据所对应的所述可移动设备的移动状态信息;统计所得到的各组加速度子数据所对应的所述可移动设备的移动状态信息,以及确定所统计的移动状态信息是否满足预设的状态重置条件,其中,所述预设的状态重置条件包括各组加速度子数据中的至少一组所对应的可移动设备的移动状态信息指示所述可移动设备在所述预设时间段内处于静止状态,或各组加速度子数据所对应的可移动设备的移动状态信息均指示所述可移动设备在所述预设时间段内处于静止状态;
响应于确定所统计的移动状态信息满足所述预设的状态重置条件,确定将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息。
7.根据权利要求5所述的方法,其中,所述获取与所述可移动设备的移动状态关联的参考数据,包括:
通过预先设置的全球定位系统获取所述预设时间段内所述可移动设备的速度数据;以及
所述基于所述参考数据确定是否将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息,包括:
基于所获取的速度数据,判断所述预设时间段内所述可移动设备的速度值是否小于预设速度阈值;
响应于确定所述速度值小于预设速度阈值,确定将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息。
8.根据权利要求5所述的方法,其中,所述获取与所述可移动设备的移动状态关联的参考数据,包括:
获取与所述可移动设备关联的预设无线网络连接接口在所述预设时间段内所连接的无线局域网的地址;以及
所述基于所述参考数据确定是否将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息,包括:
确定与所述可移动设备关联的预设无线网络连接接口在所述预设时间段内所连接的无线局域网的地址是否未发生变化;
响应于确定所连接的无线局域网的地址未发生变化,确定将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息。
9.一种用于检测可移动设备的移动状态的装置,包括:
第一获取单元,配置用于通过预先设置的加速度传感器获取预设时间段内可移动设备的加速度数据;
分析单元,配置用于对所述加速度数据进行特征分析,生成所述加速度数据的特征向量;
识别单元,配置用于将所述加速度数据的特征向量输入预先训练的移动状态识别模型,得到所述可移动设备的移动状态信息,其中,所述移动状态信息用于表征所述可移动设备在所述预设时间段内的移动状态,所述移动状态识别模型用于表征加速度数据的特征向量与用于表征可移动设备的移动状态的信息的对应关系。
10.根据权利要求9所述的装置,其中,所述分析单元包括:
提取模块,配置用于对所述加速度数据进行滤波处理以提取出所述加速度数据中的重力加速度数据和非重力加速度数据;
生成模块,配置用于基于所述重力加速度数据和/或所述非重力速度数据,生成所述加速度数据的特征向量。
11.根据权利要求10所述的装置,其中,所述加速度数据的特征向量包括以下至少一项:用于表征所述非重力加速度数据的振幅的波动特征的特征值,用于表征所述非重力加速度数据的振动频率的特征值,用于表征所述重力加速度数据在所述加速度传感器的各个加速度检测轴上的分量的变化特征的特征值。
12.根据权利要求9所述的装置,其中,所述移动状态识别模型通过如下步骤训练得到:
获取样本加速度数据以及已标记的所述样本加速度数据所对应的样本可移动设备的移动状态信息;
对所述样本加速度数据进行特征分析,生成所述样本加速度数据的特征向量;
利用机器学习算法,将所述样本加速度数据的特征向量作为输入,将已标记的所述样本加速度数据所对应的样本可移动设备的移动状态信息作为输出,训练得到移动状态识别模型。
13.根据权利要求9-12之一所述的装置,其中,所述装置还包括:
第一确定单元,配置用于确定所述可移动设备的移动状态信息是否指示所述可移动设备在所述预设时间段内处于非静止状态;
第二获取单元,配置用于响应于确定所述可移动设备的移动状态信息指示所述可移动设备在所述预设时间段内处于非静止状态,获取与所述可移动设备的移动状态关联的参考数据;
第二确定单元,配置用于基于所述参考数据确定是否将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息。
14.根据权利要求13所述的装置,其中,所述第二获取单元进一步配置用于基于预设的时间周期,将所述加速度数据划分为至少两组加速度子数据;以及
所述第二确定单元进一步配置用于按照如下方式确定是否将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息:
对于所述至少两组加速度子数据中的每组加速度子数据,对该组加速度子数据进行特征分析,生成该组加速度子数据的特征向量,以及将所生成的特征向量输入所述移动状态识别模型,得到该组加速度子数据所对应的所述可移动设备的移动状态信息;统计所得到的各组加速度子数据所对应的所述可移动设备的移动状态信息,以及确定所统计的移动状态信息是否满足预设的状态重置条件,其中,所述预设的状态重置条件包括各组加速度子数据中的至少一组所对应的可移动设备的移动状态信息指示所述可移动设备在所述预设时间段内处于静止状态,或各组加速度子数据所对应的可移动设备的移动状态信息均指示所述可移动设备在所述预设时间段内处于静止状态;
响应于确定所统计的移动状态信息满足所述预设的状态重置条件,确定将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息。
15.根据权利要求13所述的装置,其中,所述第二获取单元进一步配置用于通过预先设置的全球定位系统获取所述预设时间段内所述可移动设备的速度数据;以及
所述第二确定单元进一步配置用于按照如下方式确定是否将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息:
基于所获取的速度数据,判断所述预设时间段内所述可移动设备的速度值是否小于预设速度阈值;
响应于确定所述速度值小于预设速度阈值,确定将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息。
16.根据权利要求13所述的装置,其中,所述第二获取单元进一步配置用于获取与所述可移动设备关联的预设无线网络连接接口在所述预设时间段内所连接的无线局域网的地址;以及
所述第二确定单元进一步配置用于按照如下方式确定是否将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息:
确定与所述可移动设备关联的预设无线网络连接接口在所述预设时间段内所连接的无线局域网的地址是否未发生变化;
响应于确定所连接的无线局域网的地址未发生变化,确定将所述可移动设备的移动状态信息重置为指示所述可移动设备在所述预设时间段内处于静止状态的信息。
17.一种终端,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810055686.2A CN108387757B (zh) | 2018-01-19 | 2018-01-19 | 用于检测可移动设备的移动状态的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810055686.2A CN108387757B (zh) | 2018-01-19 | 2018-01-19 | 用于检测可移动设备的移动状态的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108387757A true CN108387757A (zh) | 2018-08-10 |
CN108387757B CN108387757B (zh) | 2021-07-27 |
Family
ID=63077391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810055686.2A Active CN108387757B (zh) | 2018-01-19 | 2018-01-19 | 用于检测可移动设备的移动状态的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108387757B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376664A (zh) * | 2018-10-29 | 2019-02-22 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、装置、服务器和介质 |
CN109407504A (zh) * | 2018-11-30 | 2019-03-01 | 华南理工大学 | 一种基于智能手表的人身安全检测系统及方法 |
CN110991551A (zh) * | 2019-12-13 | 2020-04-10 | 北京百度网讯科技有限公司 | 样本处理方法、装置、电子设备和存储介质 |
CN111124795A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 应用启动监控方法、装置及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130029681A1 (en) * | 2011-03-31 | 2013-01-31 | Qualcomm Incorporated | Devices, methods, and apparatuses for inferring a position of a mobile device |
CN103455170A (zh) * | 2013-08-22 | 2013-12-18 | 西安电子科技大学 | 一种基于传感器的移动终端运动识别装置及方法 |
CN103886341A (zh) * | 2014-03-19 | 2014-06-25 | 国家电网公司 | 基于特征组合的步态行为识别方法 |
CN104296749A (zh) * | 2014-11-03 | 2015-01-21 | 中国科学院深圳先进技术研究院 | 基于运动状态感知的低功耗定位方法及系统 |
CN104537242A (zh) * | 2014-12-31 | 2015-04-22 | 江苏晓山信息产业股份有限公司 | 一种基于腕势的运动状态识别系统及其识别方法 |
CN104601817A (zh) * | 2015-01-20 | 2015-05-06 | 电子科技大学 | 一种基于智能手机加速度传感器的用户基础属性预测方法 |
CN104977006A (zh) * | 2015-08-11 | 2015-10-14 | 北京纳尔信通科技有限公司 | 一种基于模糊理论和多传感器融合的室内定位方法 |
CN106952361A (zh) * | 2017-03-15 | 2017-07-14 | 深圳汇通智能化科技有限公司 | 一种高效的车辆行驶状态识别系统 |
CN107588784A (zh) * | 2016-07-08 | 2018-01-16 | 深圳达阵科技有限公司 | 一种状态识别并区分的方法、装置及终端 |
-
2018
- 2018-01-19 CN CN201810055686.2A patent/CN108387757B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130029681A1 (en) * | 2011-03-31 | 2013-01-31 | Qualcomm Incorporated | Devices, methods, and apparatuses for inferring a position of a mobile device |
CN103455170A (zh) * | 2013-08-22 | 2013-12-18 | 西安电子科技大学 | 一种基于传感器的移动终端运动识别装置及方法 |
CN103886341A (zh) * | 2014-03-19 | 2014-06-25 | 国家电网公司 | 基于特征组合的步态行为识别方法 |
CN104296749A (zh) * | 2014-11-03 | 2015-01-21 | 中国科学院深圳先进技术研究院 | 基于运动状态感知的低功耗定位方法及系统 |
CN104537242A (zh) * | 2014-12-31 | 2015-04-22 | 江苏晓山信息产业股份有限公司 | 一种基于腕势的运动状态识别系统及其识别方法 |
CN104601817A (zh) * | 2015-01-20 | 2015-05-06 | 电子科技大学 | 一种基于智能手机加速度传感器的用户基础属性预测方法 |
CN104977006A (zh) * | 2015-08-11 | 2015-10-14 | 北京纳尔信通科技有限公司 | 一种基于模糊理论和多传感器融合的室内定位方法 |
CN107588784A (zh) * | 2016-07-08 | 2018-01-16 | 深圳达阵科技有限公司 | 一种状态识别并区分的方法、装置及终端 |
CN106952361A (zh) * | 2017-03-15 | 2017-07-14 | 深圳汇通智能化科技有限公司 | 一种高效的车辆行驶状态识别系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376664A (zh) * | 2018-10-29 | 2019-02-22 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、装置、服务器和介质 |
CN109376664B (zh) * | 2018-10-29 | 2021-03-09 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、装置、服务器和介质 |
CN111124795A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 应用启动监控方法、装置及设备 |
CN111124795B (zh) * | 2018-11-01 | 2024-03-26 | 百度在线网络技术(北京)有限公司 | 应用启动监控方法、装置及设备 |
CN109407504A (zh) * | 2018-11-30 | 2019-03-01 | 华南理工大学 | 一种基于智能手表的人身安全检测系统及方法 |
CN109407504B (zh) * | 2018-11-30 | 2021-05-14 | 华南理工大学 | 一种基于智能手表的人身安全检测系统及方法 |
CN110991551A (zh) * | 2019-12-13 | 2020-04-10 | 北京百度网讯科技有限公司 | 样本处理方法、装置、电子设备和存储介质 |
CN110991551B (zh) * | 2019-12-13 | 2023-09-15 | 北京百度网讯科技有限公司 | 样本处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108387757B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108387757A (zh) | 用于检测可移动设备的移动状态的方法和装置 | |
CN109191514A (zh) | 用于生成深度检测模型的方法和装置 | |
CN110736899B (zh) | 小电流接地故障定位方法及系统、监测装置、设备、介质 | |
CN109426593A (zh) | 自动评估系统性能的方法和装置 | |
US11280809B2 (en) | Method and apparatus for processing oscilloscope signal and oscilloscope | |
CN106771589B (zh) | 一种频谱分析实时瀑布图的实现方法 | |
CN109063653A (zh) | 图像处理方法和装置 | |
CN110188719A (zh) | 目标跟踪方法和装置 | |
CN109711508A (zh) | 图像处理方法和装置 | |
CN109389072A (zh) | 数据处理方法和装置 | |
CN109545193A (zh) | 用于生成模型的方法和装置 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN110059623A (zh) | 用于生成信息的方法和装置 | |
CN109993179A (zh) | 一种对数据进行聚类的方法和装置 | |
CN110059624A (zh) | 用于检测活体的方法和装置 | |
CN110070076A (zh) | 用于选取训练用样本的方法和装置 | |
CN107704388A (zh) | 用于确定应用的启动时间的方法和装置 | |
CN114167132B (zh) | 无线终端的功耗检测方法、装置、电子设备及存储介质 | |
CN109635993A (zh) | 基于预测模型的操作行为监控方法及装置 | |
CN108595211A (zh) | 用于输出数据的方法和装置 | |
CN108573054A (zh) | 用于推送信息的方法和装置 | |
CN109829431A (zh) | 用于生成信息的方法和装置 | |
CN108182004B (zh) | 用于识别承载移动终端的载体的行为模式的方法和装置 | |
CN110347875A (zh) | 一种视频场景分类方法、装置、移动终端及存储介质 | |
CN110008926A (zh) | 用于识别年龄的方法和装置 |
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 |