CN111061394B - 触摸力度识别方法及其模型的训练方法、装置和电子系统 - Google Patents

Abstract

本发明提供了一种触摸力度识别方法及其模型的训练方法、装置和电子系统，获取来自压电触摸屏的电压响应数据；将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型；根据电压响应数据对确定出的初始识别模型进行训练，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。该方式中，通过采集少量的电压响应数据，确定出匹配的初始识别模型，进而将该模型进行训练组合，得到触摸力度识别模型，从而提高了触摸力度识别的正确率，同时提升了用户的使用体验。

Description

触摸力度识别方法及其模型的训练方法、装置和电子系统

技术领域

本发明涉及力度识别技术领域，尤其是涉及一种触摸力度识别方法及其模型的训练方法、装置和电子系统。

背景技术

随着交互式技术的不断发展，交互式设备与用户之间的信息交互量极大程度上决定了用户的交互式体验。压电触摸屏作为交互式电子设备中一种新的交互手段，不同于传统的电容式触摸屏，它不仅能够检测到触摸的位置信息，还能够检测到触摸的力度信息，从而提高用户的交互式体验。

相关技术中，压电触摸屏能将触摸力度信息转换为电压信号，从而通过对电压信号进行分析，能够判断用户的触摸力度。但是由于压电材料自身的物理性质，以及不同用户个体对触摸力度的定义不同，使得触摸力度的识别无法通过简单的阈值划分来实现，从而导致触摸力度识别的正确率较低。

发明内容

有鉴于此，本发明的目的在于提供一种触摸力度识别方法及其模型的训练方法、装置和电子系统，以提高触摸力度识别的正确率，从而提高用户的使用体验。

第一方面，本发明实施例提供了一种触摸力度识别方法及其模型的训练方法、装置和电子系统，该方法包括：获取来自压电触摸屏的电压响应数据；其中，电压响应数据带有标准触摸力度；将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型；根据电压响应数据对确定出的初始识别模型进行训练，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。

进一步地，根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型的步骤，包括：根据输出结果和标准触摸力度，得到每个初始识别模型的识别准确率；根据每个初始识别模型的识别准确率，从多个初始识别模型中确定出预设数量的初始识别模型。

进一步地，将训练后的确定出的初始识别模型进行组合的步骤，包括：通过集成学习的方式，将训练后的确定出的初始识别模型进行组合。

进一步地，训练每个初始识别模型所使用的训练数据和模型初始参数不同。

第二方面，本发明实施例提供了一种触摸力度识别方法，该方法包括：获取来自压电触摸屏的电压响应数据；将电压响应数据输入至预先训练完成的触摸力度识别模型，得到触摸力度识别结果；其中，触摸力度识别模型通过权利要求1-4任一项的触摸力度识别模型的训练方法训练得到。

第三方面，本发明实施例提供了一种触摸力度识别模型的训练装置，包括：数据获取模块，用于获取来自压电触摸屏的电压的数据；其中，电压响应数据带有标准触摸力度；结果输出模块，用于将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；模型确定模块，用于根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型；模型组合模块，用于根据电压响应数据对确定出的初始识别模型进行训练，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。

进一步地，模型确定模块包括：准确率确定单元，用于根据输出结果和标准触摸力度，得到每个初始识别模型的识别准确率；模型确定单元，用于根据每个初始识别模型的识别准确率，从多个初始识别模型中确定出预设数量的初始识别模型。

第三方面，本发明实施例提供了一种触摸力度识别装置，包括：数据获取模块，用于获取来自压电触摸屏的电压响应数据；结果输出模块，用于将电压响应数据输入至预先训练完成的目标触摸力度识别模型，得到触摸力度识别结果。

第四方面，本发明实施例提供了一种电子系统，该电子系统包括：数据采集设备、处理设备和存储装置；数据采集设备，用于获取电压响应数据；存储装置上存储有计算机程序，计算机程序在被处理设备运行时执行如上述触摸力度模型的训练方法或上述触摸力度识别方法。

第五方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行如上述触摸力度模型的训练方法或上述触摸力度识别方法的步骤。

本发明实施例带来了以下有益效果：

本发明实施例提供了一种触摸力度识别方法及其模型的训练方法、装置和电子系统，获取来自压电触摸屏的电压响应数据；将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型；根据电压响应数据对确定出的初始识别模型进行训练，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。该方式中，通过采集少量的电压响应数据，确定出匹配的初始识别模型，进而将该模型进行训练组合，得到触摸力度识别模型，从而提高了触摸力度识别的正确率，同时提升了用户的使用体验。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，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1为本发明实施例提供的一种触摸力度识别模型的训练方法流程图；

图2为本发明实施例提供的另一种触摸力度识别模型的训练方法流程图；

图3为本发明实施例提供的一种触摸力度识别方法流程图；

图4为本发明实施例提供的一种触摸力度识别模型的训练方法的具体实现流程图；

图5为本发明实施例提供的一种压电触摸屏结构示意图；

图6为本发明实施例提供的一种触摸力度识别模型的训练装置结构示意图；

图7为本发明实施例提供的一种触摸力度识别装置结构示意图；

图8为本发明实施例提供的一种电子系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前由于压电材料能够将压力信号转化为电信号的特性，以及其在电路应用中低功耗的优点等，使压电材料在各种实验以及现实的应用场景中得到了越来越广泛的关注。压电触摸屏能将触摸力度信息转换为电压信号，从而通过对电压信号进行分析，能够判断用户的触摸力度。现有技术中，利用人工神经网络来分析输出的电压信号和触摸力度的关系，可以提高触摸力度识别的正确率。然而，人工神经网络的训练需要大量的数据支持，而这些数据需要用户在触摸屏上按照规定，进行大量次数的触摸采集得到。这样的数据采集过程需要消耗用户大量的时间，在实际应用的场景不具有实用性。如果仅采集少量的数据，建立人工神经网络模型，会导致过拟合的问题，从而降低识别的正确率。基于此，本发明实施例提供的一种触摸力度识别方法及其模型的训练方法、装置和电子系统，在仅采集少量的电压响应数据的同时，提高了触摸力度识别的正确率，同时提升了用户的使用体验。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种触摸力度识别方法及其模型的训练方法、装置和电子系统进行详细介绍。

首先，本实施例提供了一种触摸力度识别模型的训练方法，如图1所示，该方法包括如下步骤：

步骤S102，获取来自压电触摸屏的电压响应数据；其中，电压响应数据带有标准触摸力度；

上述压电触摸屏可以是配备该压电触摸屏的手机、平板电脑、电脑等人机交互设备；上述电压响应数据可以是用户触摸压电触摸屏，该压电触摸屏相应的电压数据，用户每触摸一次压电触摸屏，都会有一个对应的电压响应，触摸的力度可以通过电压响应的数据信息分析得到。在进行模型训练的过程中，获取电压响应数据时，可以同时记录对应的标准触摸力度。

步骤S104，将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；

上述初始识别模型，可以通过CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)和DNN(Deep Neural Network，深度神经网络)等网络实现。该初始识别模型需要预先训练，训练的数据可以利用不同的实验人员，按照指定触摸力度在压电触摸屏上触摸，可以得到多个位置的连续电压响应信号，实验人员每次触摸压电触摸屏，都会输出对应的电压信号中的一次峰值电压，得到这些峰值处的对应位置的电压值，以及该电压值对应的标准触摸力度，将该电压值与该电压值对应的标准触摸力度，作为模型训练的输入，可以训练得到多个初始识别模型。上述输出结果可以是，用户的电压响应数据分别输入至预先训练完成的多个初始识别模型，得到的每个初始识别模型预测的该用户的触摸力度。

步骤S106，根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型；

上述输出结果可以是，某一用户第一次触摸压电触摸屏得到的电压响应数据，通过多个初始识别模型预测得到的多个触摸力度结果，上述预设数量可以是三个。可以将得到的多个触摸力度结果与标准触摸力度进行对比，得到多个对比值，确定满足预设条件的触摸力度结果对应的初始识别模型。

步骤S108，根据电压响应数据对确定出的初始识别模型进行训练，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。

由于上述确定出的初始识别模型，相对其他初始识别模型，其识别结果满足预设条件，可以利用上述电压响应数据对确定出的初始识别模型再次进行训练，可以得到训练后的确定出的初始识别模型，其中，训练过程与步骤S104所述预先训练完成的多个初始识别模型的训练过程相同。可以通过取均值、做加权平均、机器学习等方法将上述训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。

本发明实施例提供了一种触摸力度识别模型的训练方法，获取来自压电触摸屏的电压响应数据；将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型；根据电压响应数据对确定出的初始识别模型进行训练，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。该方式中，通过采集少量的电压响应数据，确定出匹配的初始识别模型，进而将该模型进行训练组合，得到触摸力度识别模型，从而提高了触摸力度识别的正确率，同时提升了用户的使用体验。

本实施例提供了另一种触摸力度识别模型的训练方法，如图2所示，该方法包括如下步骤：

步骤S202，获取来自压电触摸屏的电压响应数据；其中，电压响应数据带有标准触摸力度；

步骤S204，将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；

上述预先训练完成的多个初始识别模型，在训练的过程中，训练每个初始识别模型所使用的训练数据和模型初始参数不同。比如，预先训练完成的多个初始识别模型为十个，则可以选取十个不同的实验人员，采集他们的电压响应数据，针对每个实验人员建立其触摸力度识别模型。每个实验人员的触摸力度识别模型虽然不尽相同，但是有共同性，例如，所有的模型都考虑了压电触摸屏的响应关系和都不同力度之间的划分关系，这些共性使得在为新用户建立模型时可以将模型库中的模型作为基础。

另外，考虑到识别所关注的侧重点不同，例如，某个模型侧重于用户的触摸习惯，或侧重于此压电触摸屏的压力电压响应关系。因此使得每个初始触摸力度识别模型的预测结果不完全相同，也就是对于不同的电压响应数据，每个初始触摸力度识别模型的预测结果各有不同的差错。

步骤S206，根据输出结果和标准触摸力度，得到每个初始识别模型的识别准确率；

将得到的多个触摸力度结果与标准触摸力度进行对比，得到电压响应数据通过多个初始识别模型预测得到的多个触摸力度结果的准确率。

步骤S208，根据每个初始识别模型的识别准确率，从多个初始识别模型中确定出预设数量的初始识别模型。

上述每个初始识别模型对应一个识别准确率，选取准确率最高的预设数量的准确率对应的初始识别模型，上述预设数量可以是三个。

步骤S210，根据电压响应数据对确定出的初始识别模型进行训练，通过集成学习的方式，将训练后的所述确定出的所述初始识别模型进行组合，得到触摸力度识别模型。

上述集成学习可以综合多个模型的优点，实现对触摸力度更高准确率的预测。上述集成学习可以综合多个模型的优点，比如，各个模型在各个数据上的表现，将多个模型组合，得到最后的触摸力度识别模型，使得模型的预测不对某些特殊的触摸信号过于敏感，从而实现触摸力度更高的准确率的预测，以及更快的学习收敛速度。

本发明实施例提供了一种触摸力度识别模型的训练方法，获取来自压电触摸屏的电压响应数据；将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；根据输出结果和标准触摸力度，得到每个初始识别模型的识别准确率，从多个初始识别模型中确定出预设数量的初始识别模型；根据电压响应数据对确定出的初始识别模型进行训练，通过集成学习的方式，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。该方式中，通过采集少量的电压响应数据，确定出匹配的初始识别模型，综合匹配模型的优点，将该模型进行训练组合，得到触摸力度识别模型，从而提高了触摸力度识别的正确率，同时提升了用户的使用体验。

本实施例提供了一种触摸力度识别方法，如图3所示，该方法包括如下步骤：

步骤S302，获取来自压电触摸屏的电压响应数据；

上述电压响应数据可以是对应上述实施例训练模型过程中的用户采集得到的。也就是说该用户需要进行第二次数据采集，上述采集的少量的电压响应数据，用来进行模型训练，然后再次采集少量的电压响应数据进行后续的触摸力度识别。

步骤S304，将电压响应数据输入至预先训练完成的触摸力度识别模型，得到触摸力度识别结果；其中，触摸力度识别模型通过上述实施例的触摸力度识别模型的训练方法训练得到。

由于上述预先训练完成的触摸力度识别模型，结合了多个初始识别模型的优点，同时多个初始识别模型也经过了该用户的数据进行了训练，因此具有较好的识别正确率。

经过实验证明，建立一个存储10个初始识别模型的模型库之后，只需要用户花费1分钟时间采集数据，然后利用本方法建立触摸力度识别模型，在进行后续的识别，结果表示正确率可以达到98％以上。

本发明实施例提供了一种触摸力度识别方法，获取来自压电触摸屏的电压响应数据；将电压响应数据输入至预先训练完成的触摸力度识别模型，得到触摸力度识别结果；其中，触摸力度识别模型通过上述实施例的触摸力度识别模型的训练方法训练得到。该方式中，通过采集少量的电压响应数据，确定出匹配的初始识别模型，进而将该模型进行训练组合，得到触摸力度识别模型，从而提高了触摸力度识别的正确率，同时提升了用户的使用体验。

参见图4所示，为触摸力度识别模型的训练方法的具体实现流程图，首先通过图5所示的压电触摸屏结构示意图，采集用户多个位置连续的电压响应数据，其中，图中的数字和字母可以记录其位置信息，通过数据预处理的方式提取电压的峰值；其中，图5所示的压电触摸屏结构示意图，其顶部材料厚度为0.05mm，顶部下面的是上电极厚度为0.1mm，上电极下面的是压电材料厚度为40μm，压电材料下面的是接地电极厚度为0.1mm，底部材料厚度为0,5mm。然后将位置信息、电压信息输入至人工神经网络，经过力度和位置识别网络的训练，最终得到具有多个初始识别模型的模型库；当用户需要识别触摸力度时，利用压电触摸屏采集少量电压响应数据，将该数据输入至具有多个初始识别模型的模型库，得到多个预测的识别结果，将预测的触摸力度与用户标准的触摸力度进行对比，得到每个预测的触摸力度的准确率，选取其中准确率最高的三个初始识别模型，通过集成学习的方式进行组合，最终得到触摸力度识别模型。

对应于上述方法实施例，本实施例提供了一种触摸力度识别模型的训练装置结构示意图，如图6所示，该装置包括：

数据获取模块61，用于获取来自压电触摸屏的电压的数据；其中，电压响应数据带有标准触摸力度；

结果输出模块62，用于将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；

模型确定模块63，用于根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型；

模型组合模块64，用于根据电压响应数据对确定出的初始识别模型进行训练，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。

进一步地，上述模型确定模块还包括：

准确率确定单元，用于根据输出结果和标准触摸力度，得到每个初始识别模型的识别准确率；

模型确定单元，用于根据每个初始识别模型的识别准确率，从多个初始识别模型中确定出预设数量的初始识别模型。

进一步地，上述模型组合模块还用于，通过集成学习的方式，将训练后的确定出的初始识别模型进行组合。

进一步地，上述装置中训练每个初始识别模型所使用的训练数据和模型初始参数不同。

本发明实施例提供了一种触摸力度识别模型的训练装置，获取来自压电触摸屏的电压响应数据；将电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个初始识别模型的输出结果；根据输出结果和标准触摸力度，从多个初始识别模型中确定出预设数量的初始识别模型；根据电压响应数据对确定出的初始识别模型进行训练，将训练后的确定出的初始识别模型进行组合，得到触摸力度识别模型。该方式中，通过采集少量的电压响应数据，确定出匹配的初始识别模型，进而将该模型进行训练组合，得到触摸力度识别模型，从而提高了触摸力度识别的正确率，同时提升了用户的使用体验。

本发明实施例提供的一种触摸力度识别模型的训练装置，与上述实施例提供的一种触摸力度识别模型的训练方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

参见上述方法实施例，本实施例提供了一种触摸力度识别装置，如图7所示，该装置包括：

数据获取模块71，用于获取来自压电触摸屏的电压响应数据；

结果输出模块72，用于将电压响应数据输入至预先训练完成的目标触摸力度识别模型，得到触摸力度识别结果。

本发明实施例提供了一种触摸力度识别装置，获取来自压电触摸屏的电压响应数据；将电压响应数据输入至预先训练完成的触摸力度识别模型，得到触摸力度识别结果；其中，触摸力度识别模型通过上述实施例的触摸力度识别模型的训练方法训练得到。该方式中，通过采集少量的电压响应数据，确定出匹配的初始识别模型，进而将该模型进行训练组合，得到触摸力度识别模型，从而提高了触摸力度识别的正确率，同时提升了用户的使用体验。

本发明实施例提供的一种触摸力度识别装置，与上述实施例提供的一种触摸力度识别方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例提供了一种电子系统，如图8所示的一种电子系统的结构示意图，电子系统100包括一个或多个处理设备102、一个或多个存储装置104、输入装置106、输出装置108以及一个或多个数据采集设备110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图8所示的电子系统100的组件和结构只是示例性的，而非限制性的，根据需要，电子系统也可以具有其他组件和结构。

处理设备102可以是网关，也可以为智能终端，或者是包含中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元的设备，可以对电子系统100中的其它组件的数据进行处理，还可以控制电子系统100中的其它组件以执行期望的功能。

存储装置104可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理设备102可以运行程序指令，以实现下文的本发明实施例中(由处理设备实现)的客户端功能以及/或者其它期望的功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据，例如应用程序使用和/或产生的各种数据等。

输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。

输出装置108可以向外部(例如，用户)输出各种信息(例如，数据或声音)，并且可以包括显示器、扬声器等中的一个或多个。

数据采集设备110可以采集电压响应数据，并且将采集到的数据存储在存储装置104中以供其它组件使用。

示例性地，用于实现根据本发明实施例的触摸力度识别方法及其模型的训练方法、装置和电子系统的示例电子系统中的各器件可以集成设置，也可以分散设置，诸如将处理设备102、存储装置104、输入装置106和输出装置108集成设置于一体，而将数据采集设备110设置于可以采集到数据的指定位置。当上述电子系统中的各器件集成设置时，该电子系统可以被实现为诸如相机、智能手机、平板电脑、计算机、车载终端等智能终端。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行如上述触摸力度识别模型训练方法，或者上述触摸力度识别方法的步骤。

本发明实施例所提供的触摸力度识别方法及其模型的训练方法、装置和电子系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能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介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种触摸力度识别模型的训练方法，其特征在于，所述方法包括：

获取来自压电触摸屏的电压响应数据；其中，所述电压响应数据带有标准触摸力度；

将所述电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个所述初始识别模型的输出结果；

根据所述输出结果和所述标准触摸力度，从所述多个初始识别模型中确定出预设数量的初始识别模型；

根据所述电压响应数据对确定出的所述初始识别模型进行训练，将训练后的所述确定出的所述初始识别模型进行组合，得到触摸力度识别模型；

根据所述输出结果和所述标准触摸力度，从所述多个初始识别模型中确定出预设数量的初始识别模型的步骤，包括：

根据所述输出结果和所述标准触摸力度，得到每个所述初始识别模型的识别准确率；根据每个所述初始识别模型的识别准确率，从所述多个初始识别模型中确定出预设数量的初始识别模型；

将训练后的所述确定出的所述初始识别模型进行组合的步骤，包括：通过集成学习的方式，将训练后的所述确定出的所述初始识别模型进行组合。

2.根据权利要求1所述的方法，其特征在于，训练每个所述初始识别模型所使用的训练数据和模型初始参数不同。

3.一种触摸力度识别方法，其特征在于，所述方法包括：

获取来自压电触摸屏的电压响应数据；

将所述电压响应数据输入至预先训练完成的触摸力度识别模型，得到触摸力度识别结果；其中，所述触摸力度识别模型通过权利要求1-2任一项所述的触摸力度识别模型的训练方法训练得到。

4.一种触摸力度识别模型的训练装置，其特征在于，包括：

数据获取模块，用于获取来自压电触摸屏的电压响应 数据；其中，所述电压响应数据带有标准触摸力度；

结果输出模块，用于将所述电压响应数据分别输入至预先训练完成的多个初始识别模型中，得到每个所述初始识别模型的输出结果；

模型确定模块，用于根据所述输出结果和所述标准触摸力度，从所述多个初始识别模型中确定出预设数量的初始识别模型；

模型组合模块，用于根据所述电压响应数据对确定出的所述初始识别模型进行训练，将训练后的所述确定出的所述初始识别模型进行组合，得到触摸力度识别模型；

所述模型确定模块包括：

准确率确定单元，用于根据所述输出结果和所述标准触摸力度，得到每个所述初始识别模型的识别准确率；

模型确定单元，用于根据每个所述初始识别模型的识别准确率，从所述多个初始识别模型中确定出预设数量的初始识别模型；

模型组合模块还用于：通过集成学习的方式，将训练后的所述确定出的所述初始识别模型进行组合。

5.一种触摸力度识别装置，其特征在于，包括：

数据获取模块，用于获取来自压电触摸屏的电压响应数据；

结果输出模块，用于将所述电压响应数据输入至预先训练完成的目标触摸力度识别模型，得到触摸力度识别结果；其中，所述触摸力度识别模型通过权利要求1所述的触摸力度识别模型的训练方法训练得到。

6.一种电子系统，其特征在于，所述电子系统包括：数据采集设备、处理设备和存储装置；

所述数据采集设备，用于获取电压响应数据；

所述存储装置上存储有计算机程序，所述计算机程序在被所述处理设备运行时执行如权利要求1至2任一项所述的触摸力度识别 模型的训练方法或权利要求3所述的触摸力度识别方法。

7.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理设备运行时执行如权利要求1至2任一项所述的触摸力度识别模型的训练方法或权利要求3所述的触摸力度识别方法的步骤。

Images