CN111198281B

CN111198281B - 确定电子设备是否位于静止或稳定表面上的系统和方法

Info

Publication number: CN111198281B
Application number: CN201911040360.3A
Authority: CN
Inventors: S·P·里沃尔塔; F·里扎尔迪尼
Original assignee: STMicroelectronics SRL
Current assignee: STMicroelectronics SRL
Priority date: 2018-10-30
Filing date: 2019-10-29
Publication date: 2022-09-30
Anticipated expiration: 2039-10-29
Also published as: US11719718B2; EP3647905C0; US11099208B2; US20210341512A1; CN210721520U; EP3647905A1; US20200132717A1; CN111198281A; EP3647905B1

Abstract

本公开的各实施例涉及确定电子设备是否位于静止或稳定表面上的系统和方法。一个实施例系统包括：第一运动传感器，被配置为生成指示电子设备的第一运动类型的第一传感器数据；第一特征检测电路，被配置为基于第一传感器数据来确定至少一个与定向无关的特征；以及分类电路，被配置为基于至少一个与定向无关的特征来确定电子设备是否位于静止表面上。

Description

确定电子设备是否位于静止或稳定表面上的系统和方法

技术领域

本公开总体上涉及电子设备，并且在特定的实施例中，涉及用于确定电子设备是否位于静止或稳定表面上的系统和方法。

背景技术

随着电子设备的普及和个人移动性的提高，对在行进(on the go)中提供计算功能和信息的需求也越来越大。膝上型计算机、平板设备和可穿戴电子设备(在下文中分别地并且统一地被称为“电子设备”)可以至少部分满足这种需求。

用户在使用电子设备时经常碰到的一个方面是高功耗和/或散热差，这通常表现为电子设备的发热。电子设备的电源组件可以位于电子设备的下表面(例如，膝上型计算机的键盘部分下方的表面)上。在长时间使用期间或在剧烈使用期间(例如在游戏期间)，如果电子设备与用户物理接触(例如，用户的手腕的圈部)，电子设备的基底可能会过热、燃烧或给用户带来不适。

除了可能对人体皮肤造成伤害外，电子设备中的高温还会对为电子设备供电的电池造成不利影响。虽然电池可以在很宽的温度范围内操作，但是在电子设备处于高温时对电池充电或放电会降低电荷接受度并降低电池寿命。例如，在高温下对锂聚合物(LiPo)电池进行充电或放电会导致生成气体，这可能会导致圆柱形单元排气以及袋式单元膨胀。甚至更进一步，高温会对电子设备中的集成电路(例如，被提供在印刷电路板(PCB)上或被实施为片上系统(SoC))的寿命造成不利影响，尤其是当这种集成电路经受较长持续时间的高操作温度时。

过去，可以使用热沉、风扇或孔将热量从电子设备的主体中散出。但是，随着更多功能被添加到PCB或SoC中，热量在硅级别变为越来越重要的考虑。可能需要有效的方法来检测电子设备是否位于静止或稳定表面上(例如桌子上或在抽屉中)，以优化电子设备内的组件的功耗和/或散热。

发明内容

在一个实施例中，一种系统包括：第一运动传感器，被配置为生成指示电子设备的第一运动类型的第一传感器数据；第一特征检测电路，被配置为基于第一传感器数据来确定至少一个与定向无关的特征；以及分类电路，被配置为基于至少一个与定向无关的特征来确定电子设备是否位于静止表面上。

在一个实施例中，一种方法包括：由电子设备的加速度计在采集时间窗口上生成第一传感器数据；由电子设备的陀螺仪在采集时间窗口上生成第二传感器数据；由第一特征检测电路，基于第一传感器数据，针对采集时间窗口确定至少一个第一与定向无关的特征；由第二特征检测电路，基于第二传感器数据，针对采集时间窗口确定至少一个第二与定向无关的特征；以及由分类电路执行机器学习分类，以基于至少一个第一与定向无关的特征和至少一个第二与定向无关的特征来确定电子设备是否位于静止表面上。

在一个实施例中，一种电子设备包括检测系统。检测系统包括：加速度计，被配置为生成指示电子设备的第一运动类型的加速度计数据；第一特征检测电路，耦合到加速度计的输出，并且被配置为基于加速度计数据来确定至少一个与定向无关的特征；以及分类电路，被配置为基于至少一个与定向无关的特征来确定电子设备是否位于静止表面上。

附图说明

为了更完整地理解本发明及其优点，现在参考以下结合附图的描述，其中：

图1示出了根据一个实施例的包括检测系统的电子设备的框图；

图2示出了根据一个实施例的从由图1的电子设备的运动传感器生成的传感器数据中提取与定向无关的特征的方法；

图3A示出了根据一个实施例的由图1的电子设备的运动传感器生成的传感器数据；

图3B示出了根据一个实施例的图3A的传感器数据的第一和第二采集时间窗口的采样时间的放大图；

图3C示出了根据一个实施例的图3A的传感器数据的范数；

图3D示出了根据一个实施例的在图3A的传感器数据的第一采集时间窗口内的图3A的传感器数据的范数；

图4A和图4B示出了根据一个实施例的由图1的电子设备的不同的运动传感器，针对不同的状态生成的平均交叉值；

图5A和图5B示出了根据一个实施例的针对不同状态的平均交叉值和方差之间的相对差异；

图6A至图6C示出了根据各种实施例的框图，其图示了实施图1的检测系统和图2的方法的各种方式。

除非另外指出，否则不同附图中的对应的数字和符号通常指代对应的部分。绘制附图以清楚地图示实施例的相关方面，并且不一定按比例绘制。

具体实施方式

下面详细讨论各种实施例的制造和使用。然而，应当理解，本文描述的各种实施例可以应用于各种各样的特定环境。所讨论的特定实施例仅是制造和使用各种实施例的特定方式的说明，并且不应当以有限的范围进行解释。

本文描述的各种实施例针对用于确定电子设备是否位于静止或稳定表面上(例如，在静止或稳定的无生命的表面上，诸如在桌子上或在抽屉中)的有效系统和方法。可以使用这种确定来例如优化设备性能、变化电子设备的功耗和/或管理电子设备内的组件的散热。作为说明，在各个实施例中，响应于确定电子设备在静止或稳定表面(例如桌子)上，可以增加电子设备中的(例如，中央处理单元(CPU)、图形处理单元(GPU)或电源单元的)电子组件的风扇速度和时钟频率，以实现更好的性能(例如，更快的计算时间)；然而，响应于确定电子设备不在静止或稳定表面上(例如，当电子设备在运动中或在用户的膝上时)，可以降低电子设备中的组件的时钟频率以减少功耗并且避免电子设备中的组件过热。

首先，注意，下面描述的实施例针对确定电子设备是否位于静止或稳定表面上的系统和方法。仅作为说明而给出电子设备中的这种确定结果的使用，示例用于实施热策略、功率节省和性能基准。通常，使用这种确定的结果来控制或变化电子设备的操作可以由电子设备的制造商和/或电子设备的组件的制造商自行决定。

如下所述，所提出的方法使用来自电子设备中包括的一个或多个运动传感器的数据。虽然确定电子设备是否位于静止或稳定表面上的常规的系统和方法可以使用来自一个或多个运动传感器的数据，但是这种常规的系统和方法可能会遭受几个缺点。例如，电子设备的运动传感器生成运动传感器数据，并且常规的系统和方法从运动传感器数据中，提取取决于电子设备中的运动传感器相对于多个参考轴的定向的特征，以确定电子设备是否位于静止或稳定表面上。换句话说，常规的系统和方法依赖于与定向相关的特征来进行确定。说明性地，常规的系统和方法可以从运动传感器数据中提取相对于校准坐标系或多个参考轴(例如，三维坐标系或六轴系)的俯仰、偏航、侧倾和/或各种加速度分量，随后使用这种与定向相关的特征来确定电子设备是否位于静止或稳定表面上。

使用这种与定向相关的特征需要校准电子设备的运动传感器以减少传感器偏移和偏差(例如，加速度计偏移和/或陀螺仪偏差)。还需要进行校准以生成经校准的坐标系或多个参考轴，其中这种校准确保与定向相关的特征(例如，俯仰、偏航、侧倾、x轴加速度分量、y轴加速度分量和/或z轴加速度分量)准确地跟踪电子设备的运动和/或定向。由于使用与定向相关的特征，常规的系统和方法不容易重新配置或重新调整，会遭受高延时和长收敛时间(例如10秒或更长)的困扰，并且具有有限的精确度(因为这种常规的系统和方法容易受到设备间差异和基于定向的差异的影响)。实施例系统和方法旨在至少避免与确定电子设备是否位于静止或稳定表面上的常规方法相关联的这些缺点。

通常，本文描述的实施例系统和方法从运动传感器数据中提取一些(例如，一个或两个)重要特征，并且这种提取的特征与定向无关。换句话说，从运动传感器数据提取的特征不取决于校准坐标系或多个参考轴来获得准确性。特别地，实施例系统和方法依赖于平均交叉值(在下面更详细地解释)和每个采集时间窗口内运动传感器数据的范数的方差，这些特征与定向无关。另外，实施例系统和方法使用机器学习方法来分析平均交叉值和范数的方差，以确定电子设备是否位于静止或稳定表面上。附加地，实施例系统和方法使用物理传感器数据，而无需复杂的处理方法(这种方法的示例是用于姿态估计、校准、FFT和复杂滤波链的传感器融合)。由于使用与定向无关的特征、机器学习方法和物理传感器数据，实施例系统和方法至少具有以下优点：(1)易于调整或重新配置；(2)具有低延时和短的收敛时间(例如少于10秒)；(3)不需要校准运动传感器(从而表现出对设备间变化、加速度计偏移和/或陀螺仪偏差的抵抗力)；以及(4)与常规的系统和方法相比，具有更高的可靠性，因为使用了与定向无关的特征来代替与定向相关的特征。

图1示出了根据一个实施例的包括检测系统100的电子设备101的框图。检测系统100可以在电子设备101内、附接或耦合到电子设备101。电子设备101的检测系统100可以用于确定电子设备101是否在静止或稳定表面上(例如，在桌子上或在抽屉中)。如上所述，电子设备101可以是膝上型计算机、平板设备或可穿戴电子设备(例如，智能手表、移动电话、无线耳机等)。检测系统100包括第一运动传感器102和耦合到第一运动传感器102的输出的第一特征检测电路104。第一特征检测电路104被配置为根据第一运动传感器102的输出信号来确定一个或多个与定向无关的特征。

如图1中所示，分类电路106耦合到第一特征检测电路104的输出。分类电路106被配置为确定电子设备101的状态(例如，分配指示电子设备101是否位于静止或稳定表面上的标签)。分类电路106的这种确定是基于由第一特征检测电路104确定的与定向无关的特征。

在一些实施例中，检测系统100可以进一步包括第二运动传感器108，与第一运动传感器102相比，其测量不同的运动特性。在这种实施例中，第二特征检测电路110可以耦合到第二运动传感器108的输出。类似于第一特征检测电路104，第二特征检测电路110被配置为根据第二运动传感器108的输出信号来确定一个或多个与定向无关的特征。

在包括第二运动传感器108的实施例中，分类电路106被配置为确定电子设备101的状态(例如，分配指示电子设备101是否位于静止或稳定表面上的标签)，这种确定是基于由第一特征检测电路104确定的与定向无关的特征和由第二特征检测电路110确定的与定向无关的特征。

在一些实施例中，检测系统100可以进一步包括耦合到分类电路106的输出的元分类电路112。元分类电路112可以实施基于时间的投票方法，其用作对分类电路106的输出进行滤波的低通滤波器，以便提高检测系统100的整体准确性。下面将更详细地描述检测系统100的组件中的每个组件。

检测系统100包括第一运动传感器102，其可以是电子设备101的加速度计。注意，尽管在图1中仅示出了一个第一运动传感器102，但是电子设备101中可以包括多个第一运动传感器102(例如，被放置在电子设备101的不同位置处的两个或多个加速度计)。具有第一运动传感器102的电子设备101可以是膝上型计算机，该膝上型计算机具有耦合或附接到膝上型计算机的基底的加速度计。作为另一个示例，具有第一运动传感器102的电子设备101可以是平板，在该平板电脑内包括加速度计。第一运动传感器102可以被配置为在每个运动轴上感测电子设备101的振动或加速度。例如，第一运动传感器102可以生成第一传感器数据102x、102y、102z，该第一传感器数据102x、102y、102z分别指示电子设备101在横轴(例如，被称为“x轴”)、纵轴(例如，被称为“y轴”)和垂直轴或法线轴(例如，被称为“z轴”)上的振动或加速度。

如在下面的描述中将清楚的，对来自第一运动传感器102的第一传感器数据102x、102y、102z的使用使得实施例系统和方法能够确定电子设备101是否位于静止或稳定表面上。然而，在其他实施例中，可以通过结合使用第二运动传感器108和第一运动传感器102来改进检测。第二运动传感器108可以是电子设备101的陀螺仪。应当重申，对第二运动传感器108(因此，由第二运动传感器108生成的数据)的使用是可选的。例如，在实施例系统和方法的低功率或低成本实施方式中，第二运动传感器108(例如，陀螺仪)和来自第二运动传感器108的数据可以不存在，或者不被分类电路106用来确定电子设备101是否位于静止或稳定表面上(例如，在桌子上或在抽屉中)。第二运动传感器108可以被配置为测量电子设备101围绕每个运动轴旋转的速率。例如，第二运动传感器108可以生成第二传感器数据108x、108y、108z，其分别指示电子设备101绕x轴、y轴和z轴的旋转速率。

注意，分别由第一运动传感器102和第二运动传感器108生成的第一传感器数据102x、102y、102z和第二传感器数据108x、108y、108z可以至少部分地取决于电子设备101的放置或定向。作为说明，电子设备101可以被放置在倾斜的平面、平坦的平面中、被放置在人体的一部分上(例如，膝)，或被放置在无生命的物体(例如，桌子)上。第一传感器数据102x、102y、102z和第二传感器数据108x、108y、108z可以指示电子设备101的这种放置或定向。另外，尽管第一特征检测电路104和第二特征检测电路110在图1中被图示为单独的电路，但是注意，在一些实施例中，单个检测电路可以实施第一特征检测电路104和第二特征检测电路110。

图2示出了实施例方法200，其可以由第一特征检测电路104执行以从第一传感器数据102x、102y、102z提取或确定与定向无关的特征。在除了第一运动传感器102(例如，加速度计)之外，还可选地利用第二运动传感器108(例如，陀螺仪)的其他实施例中。方法200还可以由第二特征检测电路110执行以从第二传感器数据108x、108y、108z提取或确定与定向无关的特征。下面的描述针对第一特征检测电路104执行方法200的示例；然而，这种描述同样适用于在除了第一运动传感器102之外，还可选地利用第二运动传感器108的其他实施例中的第二特征检测电路110。

在讨论图2的方法200的细节之前，参考图3A和图3B提供对采集时间窗口的简要描述。图3A示出了由第一运动传感器102在多个采集时间窗口上生成的第一传感器数据102x、102y、102z的示例。图3B示出了图3A的示例的前两个采集时间窗口W₁、W₂的采样时间的放大图。如图3B中所示，在一些实施例中，多个采集时间窗口是连续且不重叠的时间窗口。然而，在其他实施例中，重叠的时间窗口也是可能的。在图3B的示例中，第一采集时间窗口W₁在时间t₀开始并且在时间t₄₉结束。在一个实施例中，诸如图3A和图3B的示例中，每个采集时间窗口具有1秒的持续时间并且包括50个样本(例如，对应于50Hz的采样频率)。因此，在图3A的示例中，大约有72个采集时间窗口和总共大约3600个样本(即，对于72个采集时间窗口中的每个采集时间窗口有50个样本)。应当注意，每个样本包括完整的数据集(例如，x轴数据、y轴数据和z轴数据)。还应当注意，针对每个采集时间窗口的50Hz采样频率和1秒持续时间仅是示例，并且可以预期使用不同的采样频率和不同的持续时间的其他实施例。图3C示出了图3A中的第一传感器数据102x、102y、102z的范数302，并且在给定采样时间的范数302可以指示在给定采样时间的第一传感器数据102x、102y、102z的幅度。

针对每个采集时间窗口W_i执行方法200。如图2中所示，方法200在采集时间窗口W_i的开始(例如，图3B中的时间t₀)被触发，并且包括步骤202，在步骤202中，第一特征检测电路104接收第一传感器数据102x、102y、102z并确定采集时间窗口W_i内的每个样本的范数。在一些实施例中，在采集时间窗口W_i内的每个样本的范数被存储在缓冲器中，该存储器被包括在第一检测电路104中，尽管在其他实施例中，用于确定范数的计算技术可以消除对这种缓冲器的需要。

在步骤204中，采集时间窗口W_i结束，并且方法200前进到步骤206，在步骤206中确定采集时间窗口W_i内的范数的平均。在步骤208和210中，从采集时间窗口W_i内的范数中提取统计数据。因此，每次采集整个样本窗口(例如，每次在1秒的时间窗口中采集50个样本)时，步骤206、208和210都被触发。统计数据包括采集时间窗口W_i内的平均交叉值(在步骤208中)和采集时间窗口W_i内的范数的方差(在步骤210中)，这两者均需要在步骤S206中确定的范数的平均。

参考步骤208，平均交叉值表示采集时间窗口W_i内的范数穿过采集时间窗口W_i内的范数的平均的次数。在图3D中给出了图示，其示出了在采集时间窗口W_i内的范数304(例如，在步骤202中确定)和在采集时间窗口W_i内的范数的平均306(例如，在步骤206中确定)。在图3D的示例中，采集时间窗口W_i内的范数304穿过采集时间窗口W_i内的范数的平均306有26次。这些实例被描绘为曲线304和线306的相交点。因此，图3D的示例的平均交叉值为26。

参考步骤210，根据下式确定在采集时间窗口W_i内的范数的方差：

其中n是采集时间窗口W_i内的样本数(例如，在50Hz的采样频率下为50)，x_i是采集时间窗口W_i内的第i个范数304，x_mean是采集时间窗口W_i内的范数306的平均。

在方法200的步骤212，将采集时间窗口W_i内的平均交叉值和范数的方差提供给分类电路106。因此，在采集时间窗口W_i之后，并且在由适当的检测电路确定了采集时间窗口W_i内的平均交叉值和范数的方差之后，分类电路106运行。再次注意，采集时间窗口W_i内的平均交叉值和范数的方差是用于确定电子设备101是否位于静止或稳定表面上的与定向无关的特征。

图4A示出了在电子设备101位于静止或稳定表面(例如，桌子)上的场景中，在96个采集时间窗口W_i上，由第一特征检测电路104生成的平均交叉值402和由第二特征检测电路110生成的平均交叉值404。因此，图4A中的每个采集时间窗口W_i具有与第一运动传感器102(例如，加速度计)相关联的相应的平均交叉值MC_A,i和与第二运动传感器108(例如，陀螺仪)相关联的相应的平均交叉值MC_G,i。图4B示出了在电子设备101没有位于静止或稳定表面上(例如，在人的膝上)的场景中，在145个采集时间窗口W_i上，由第一特征检测电路104生成的平均交叉值406和由第二特征检测电路110生成的平均交叉值408。因此，在图4B的示例中的每个时间窗口t_i具有与第一运动传感器102(例如，加速度计)相关联的相应的平均交叉值MC_A,i和与第二运动传感器108(例如，陀螺仪)相关联的相应的平均交叉值MC_G,i。

如通过分别比较图4A和图4B的平均交叉值402和406可以观察到的，通过实验已经观察到，预期平均交叉值402大于平均交叉值406，当电子设备101位于静止或稳定表面上时(例如，当在桌子上时)，由方法200获得平均交叉值402；当电子设备101没有位于静止或稳定表面上时(例如，在人的膝上时)，由方法200获得平均交叉值406。在图5A中描绘了在两种不同状态中的平均交叉值的这种相对差异，并且可以根据第一运动传感器102的白噪声对在两种状态中的第一传感器数据102x、102y、102z的贡献来进行解释，两种状态即：(1)当电子设备101位于静止或稳定表面上时，以及(2)当电子设备101没有位于静止或稳定表面上时。

例如，来自第一运动传感器102的第一传感器数据102x、102y、102z可以被近似为第一运动传感器102的白噪声加上与运动相关的信号。第一运动传感器102的白噪声可以被近似为这种信号：当与运动相关的信号稳定且缓慢变化时(例如，当在静止或稳定表面上时)，其使第一传感器数据102x、102y、102z围绕其平均值频繁且随机地波动。相比而言，当与运动相关的信号占主导时(例如，当不在静止或稳定表面上时)，第一运动传感器102的白噪声对第一传感器数据102x、102y、102z的贡献较小。结果，预期平均交叉值402(当电子设备101位于静止或稳定表面上时)大于平均交叉值406(当电子设备101不位于静止或稳定表面上时)。

以类似的方式，可以从图4A和图4B中观察到，平均交叉值404大于平均交叉值408，当电子设备101位于静止或稳定表面上时(例如，当在桌子上时)，由方法200获得平均交叉值404；当电子设备101没有位于静止或稳定表面上时(例如，当在人的膝上时)，由方法200获得平均交叉值408。如上面所描述的，还可以根据第二运动传感器108的白噪声对两种状态中的第二传感器数据108x、108y、108z的贡献来解释针对两个不同状态的平均交叉值的这种差异。

关于范数的方差，已经通过实验观察到，当电子设备101位于静止或稳定表面上时的范数的方差预期小于当电子设备101没有位于静止或稳定表面上时的范数的方差。在图5B中描绘了在两种不同状态中的范数的方差的这种相对差异。

前进到分类电路106，如上所述，在采集时间窗口W_i结束之后并且在分类电路106已经接收到针对采集时间窗口W_i的平均交叉值和范数的方差之后，分类电路106运行。分类电路106可以被配置为：至少基于针对每个采集时间窗口W_i的平均交叉值和范数的方差，来确定在采集时间窗口W_i期间，电子设备101是否位于静止或稳定表面上。分类电路106可以是使用机器学习技术实施的监督机器学习分类器，示例是逻辑回归、朴素贝叶斯分类器、支持向量机、决策树、增强树、随机森林、神经网络、最近邻等。分类电路106被配置为向每个采集时间窗口W_i分配标签(或判定)L_i，这种标签L_i指示在采集时间窗口W_i期间，电子设备101是否位于静止或稳定表面上。范数的方差的使用可以提高分类电路106的准确性，其中如果电子设备101位于静止或稳定表面上，则范数的方差减小，并且如果电子设备101没有位于静止或稳定表面上，则范数的方差增大。

应当注意，监督学习是基于示例输入-输出对来学习将输入映射到输出的功能的机器学习任务。特别地，监督学习从包括一组训练示例的被标记的训练数据推断功能。在分类电路106的监督机器学习分类器中，被标记的训练数据可以通过以下方式获得：将电子设备101(包括第一运动传感器102和可选的第二运动传感器108)放置在静止或稳定表面(例如桌子)上，并且针对在静止或稳定表面上的电子设备101的各种键入强度水平以及不同的定向和位置，记录第一传感器数据102x、102y、102z和第二传感器数据108x、108y、108z。当电子设备101位于静止或稳定表面上时，已知已经获得了针对这些各种键入强度水平以及不同的定向和位置的第一传感器数据102x、102y、102z和第二传感器数据108x、108y、108z。因此，然后使这种第一传感器数据102x、102y、102z和第二传感器数据108x、108y、108z经受图2的方法200，以获得针对各种采集时间窗口W_i的平均交叉值和范数值的方差，并且随后向这种平均交叉值和范数值的方差分配标签，该标签指示电子设备101位于静止或稳定表面上。

类似地，被标记的训练数据也可以通过以下方式获得：将电子设备101放置在移动或不稳定表面(例如人的膝盖上)上，并且针对没有在静止或稳定表面上的电子设备101的各种键入强度水平以及不同的定向和位置，记录第一传感器数据102x、102y、102z和第二传感器数据108x、108y、108z。然后，以这种方式获得的各种第一传感器数据102x、102y、102z和各种第二传感器数据108x、108y、108z经受图2的方法200，以获得针对各种采集时间窗口W_i的平均交叉值和范数值的方差，并且随后向这种平均交叉值和范数值的方差分配标签，该标签指示电子设备101没有位于静止或稳定表面上。

图1中所示的检测系统100的延时可以至少取决于分类电路106的延时，分类电路106的延时可以等于采集时间窗口W_i中的每个采集时间窗口的持续时间。在每个采集时间窗口W_i的持续时间为1秒的一个实施例中，由于每秒从分类电路106输出一个标签L_i，因此分类电路106具有1秒的延时。如下所述，在还包括元分类电路112的实施例中，检测系统100的延时也受元分类器输出延时的影响。

为了进一步提高确定电子设备101是否位于静止或稳定表面上的准确性，检测系统100可以包括元分类电路112。在一个实施例中，元分类电路112被配置为确定分类电路106的输出L_i的连续出现的次数。如果连续出现的次数超过阈值，则改变元分类电路112的输出(在图1中标记为L_final)。否则，保留之前的状态。如此，元分类电路112可以用于对分类电路106的输出进行低通滤波(例如，以避免毛刺和伪假阳性(spurious falsepositives))。

元分类电路112的使用向检测系统100引入了延时，并且元分类电路112的延时可以被配置为采集时间窗口W_i的持续时间的N倍的最小值。在一些实施例中，可以应用不同的最小延时，这取决于分类电路106的输出是指示电子设备101位于静止或稳定表面上(例如，其中N＝N_{on_table}，并且如果连续出现的次数到达N_{on_table}，则改变输出状态L_final)，还是分类电路106的输出指示电子设备101没有位于静止或稳定表面上(例如，其中N＝N_{not_on_table}并且如果连续出现的次数达到N_{not_on_table}，则改变输出状态L_final)。在一些实施例中，N_{not_on_table}可以与N_{on_table}不同。根据元分类器逻辑配置和所配置的元分类器输出延时来更新元分类电路112的输出。在一些实施例中，N_{on_table}可以被配置为在2和10之间，而N_{not_on_table}可以被配置为在2和10之间。

尽管元分类电路112的使用可以提高确定电子设备101是否位于静止或稳定表面上的准确性，但是这种准确性的提高是以增加的系统延时为代价的。然而，即使延时随着准确性的增加而增加，实施例系统和方法也实现了小于10秒(例如，在4秒和9秒之间)的延时，即使在使用元分类电路112的情况下。

如上所述，在实施例系统和方法的低功率或低成本实施方式中，第二运动传感器108(例如，陀螺仪)和来自第二运动传感器108的可以不被数据分类电路106用来确定电子设备101是否位于静止或稳定表面上(例如，在桌子上或在抽屉中)。在已经进行的实验中，已经注意到，如果分类电路106仅使用从第一传感器数据102x、102y、102z获得的平均交叉值MC_i,102和范数的方差Var_i,102，则可以实现大约90％的准确性。换句话说，当仅使用从第一传感器数据102x、102y、102z获得的平均交叉值MC_i,102和范数的方差Var_i,102时，标签L_i被正确地给予大约90％的采集时间窗口。因此，即使在实施例系统和方法的低功率和低成本实施方式中，即使在不使用元分类电路112的情况下，也可以实现高准确性。也已经注意到，当使用平均交叉值MC_i,102和范数的方差Var_i,102(从第一传感器数据102x、102y、102z获得)以及平均交叉值MC_i,108和范数的方差Var_i,108(从第二传感器数据108x、108y、108z获得)，即使在不使用元分类电路112的情况下，也可以实现大约97％的准确性。

在低功率应用中，从采集时间窗口W_i提取哪些数据的选择是基于准确性和功耗之间的折衷。通常，可以变化由第一特征检测电路104(和第二特征检测电路110，在将其与电路104结合使用的实施例中)确定的特征的数量。例如，可以针对每个轴计算平均，并且可以使用该平均来针对每个采集时间窗口W_i，针对每个轴确定平均交叉值。作为另一个示例，可以使用从运动传感器接收的信号的能量。但是，应当注意，确定更大数量的特征伴随着资源(例如，存储器、执行时间和功率)的增加。

元分类电路112的输出可以被提供给状态监控器114，其可以适配电子设备101的行为或操作。可以使用控制器和存储器寄存器来实施状态监控器114。分类电路106的输出和/或元分类电路112的输出可以被存储在状态监控器114的存储器寄存器中，并且状态监控器114的控制器可以被配置为读取存储器寄存器的内容。响应于确定电子设备在静止或稳定表面(例如，桌子)上，状态监控器114可以生成中断信号116，该中断信号116可以适应电子设备101的行为或操作，例如，可以增加电子设备101中的电子组件(例如，属于中央处理单元(CPU)、图形处理单元(GPU)或电源单元)的风扇速度和时钟频率，以实现更好的性能(例如，更快的计算时间)。相反，响应于确定电子设备不在静止或稳定表面上(例如，当电子设备在运动中或在用户的膝上时)，中断信号116可以使电子设备101中的组件的时钟频率降低，以降低功耗并避免电子设备101中的组件的过热。

可以以各种方式实施以上讨论的实施例系统和方法。图6A示出了第一示例，其中由耦合到微机电(MEMS)系统级封装504的控制器502(例如，微控制器)来实施方法200以及分类电路和元分类电路112。MEMS系统级封装504可以实施第一运动传感器102和/或第二运动传感器108。另外，控制器502可以被包括在片上系统(SoC)506中，片上系统(SoC)506通信地耦合到电子设备101的操作系统层508。

图6B示出了另一个示例，其中通过将控制器502直接连接到操作系统层508(例如，在没有图6A的SoC 506作为中间连接的情况下)来实施方法200以及分类电路和元分类电路112。

图6C示出了另一个示例，其中直接在连接到操作系统层508的硬件中(例如，直接在MEMS系统级封装504上，借助于嵌入在MEMS系统级封装504中的软件)来实施方法200以及分类电路和元分类电路112。应当注意，图6A中所示的实施方式的电流消耗大于图6B中所示的实施方式的电流消耗，图6B中所示的实施方式的电流消耗又大于图6C中所示的实施方式的电流消耗。

实施例系统和方法至少具有以下优点：(1)易于调整或重新配置(例如，由于对分类电路106使用机器学习方法)；(2)具有低延时和短的收敛时间(例如，小于10秒，由于时间间隔TI被分成多个短时间窗口t_i，短时间窗口t_i中的每个短时间窗口大约为1秒并且也是可配置/可调整的)；(3)不需要校准运动传感器(例如，由于使用了与定向无关的特征：平均交叉值和范数的方差，从而表现出对设备间的变化、加速度计偏移和/或陀螺仪偏差的抵抗力)；(4)与常规的系统和方法相比，具有更高的可靠性，因为在实施例系统和方法中使用了与定向无关的特征。另外，如参考图6C所提到的，可以直接在硬件中执行实施例系统和方法，从而实现实施例系统和方法的超低功耗实施方式。

本领域技术人员将进一步理解，结合本文公开的实施例描述的各种说明性的逻辑块、模块、电路和算法可以被实施为电子硬件、指令(存储在存储器或另一个计算机可读介质中并由处理器或其他处理设备执行)，或两者的组合。作为示例，可以在任何电路、硬件组件、集成电路(IC)或IC芯片中采用本文描述的设备和处理系统。本文公开的存储器可以是任何类型和大小的存储器，并且可以被配置为存储期望的任何类型的信息。为了清楚地说明这种可互换性，上面已经大体上根据其功能描述了各种说明性的组件、块、模块、电路和步骤。如何实施这种功能取决于特定的应用、设计选择和/或强加于整个系统的设计约束。本领域技术人员可以针对每个特定的应用以各种方式实施所描述的功能，但是这种实施决定不应当被解释为导致脱离本发明的范围。

结合本文公开的实施例描述的各种说明性逻辑块、模块和电路可以利用被设计成执行本文描述的功能的处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑设备、分立门或晶体管逻辑、分立的硬件组件或其任何组合来实施或执行。处理器可以是微处理器，但备选地，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可以被实施为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP核结合的一个或多个微处理器，或任何其他这种配置。

本文公开的实施例可以以硬件和指令来体现，指令被存储在硬件中并且可以驻留在例如随机存取存储器(RAM)、闪存、只读存储器(ROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、寄存器、硬盘、可移动磁盘、CD-ROM或本领域已知的任何其他形式的计算机可读介质中。示例性存储介质耦合到处理器，使得处理器可以从该存储介质读取信息，并且可以向该存储介质写入信息。在备选方案中，存储介质可以与处理器一体。处理器和存储介质可以驻留在ASIC中。

尽管已经参考说明性实施例描述了本发明，但是该描述不旨在以限制性的意义来解释。在参考描述之后，说明性实施例以及本发明的其他实施例的各种修改和组合对于本领域技术人员将是显而易见的。因此，所附权利要求旨在涵盖任何这种修改或实施例。

Claims

1.一种用于确定电子设备是否位于静止表面上的系统，包括：

第一运动传感器，被配置为生成指示所述电子设备的第一运动类型的第一传感器数据；

第一特征检测电路，被配置为基于所述第一传感器数据来确定至少一个与定向无关的特征，其中所述至少一个与定向无关的特征包括与采集时间窗口相关联的平均交叉值；

第二运动传感器，被配置为生成指示所述电子设备的第二运动类型的第二传感器数据；

第二特征检测电路，被配置为基于所述第二传感器数据来确定至少一个另外的与定向无关的特征，其中所述至少一个另外的与定向无关的特征包括与所述采集时间窗口相关联的另外的平均交叉值；以及

分类电路，被配置为基于所述至少一个与定向无关的特征和所述至少一个另外的与定向无关的特征，来确定所述电子设备是否位于所述静止表面上。

2.根据权利要求1所述的系统，其中所述第一运动传感器包括所述电子设备的加速度计。

3.根据权利要求1所述的系统，其中所述第一传感器数据包括在所述采集时间窗口内的多个样本，并且其中所述第一特征检测电路被配置为：

确定所述采集时间窗口内的所述第一传感器数据的所述多个样本中的每个样本的范数；

基于所述采集时间窗口内的所述第一传感器数据的所述多个样本中的每个样本的所述范数，确定所述采集时间窗口内的所述范数的平均；以及

确定与所述采集时间窗口相关联的平均交叉值，其中所述平均交叉值包括所述采集时间窗口内的所述第一传感器数据的所述多个样本的所述范数穿过所述采集时间窗口内的所述范数的所述平均的次数。

4.根据权利要求3所述的系统，其中所述第一特征检测电路还被配置为：

确定所述采集时间窗口内的所述第一传感器数据的所述多个样本的所述范数的方差，其中所述至少一个与定向无关的特征还包括所述采集时间窗口内的所述第一传感器数据的所述多个样本的所述范数的所述方差。

5.根据权利要求3所述的系统，其中所述采集时间窗口是连续且不重叠的多个采集时间窗口中的一个采集时间窗口。

6.根据权利要求5所述的系统，其中所述多个采集时间窗口中的每个采集时间窗口具有1秒的持续时间。

7.根据权利要求3所述的系统，其中所述第一传感器数据包括在所述采集时间窗口内的50个样本。

8.根据权利要求1所述的系统，其中所述第一运动传感器包括所述电子设备的加速度计，并且其中所述第二运动传感器包括所述电子设备的陀螺仪。

9.根据权利要求1所述的系统，其中所述分类电路包括机器学习分类器。

10.一种用于确定电子设备是否位于静止表面上的方法，包括：

由所述电子设备的第一运动传感器在采集时间窗口上生成第一传感器数据；

由所述电子设备的第一特征检测电路，基于所述第一传感器数据来针对所述采集时间窗口确定至少一个第一与定向无关的特征，其中所述至少一个第一与定向无关的特征包括第一平均交叉值；

由所述电子设备的第二运动传感器在所述采集时间窗口上生成第二传感器数据；

由第二特征检测电路，基于所述第二传感器数据针对所述采集时间窗口确定至少一个第二与定向无关的特征，其中所述至少一个第二与定向无关的特征包括第二平均交叉值；以及

由所述电子设备的分类电路执行机器学习分类，以基于所述至少一个第一与定向无关的特征和所述至少一个第二与定向无关的特征，来确定所述电子设备是否位于所述静止表面上。

11.根据权利要求10所述的方法，其中所述机器学习分类包括以下中的至少一项：逻辑回归分类、朴素贝叶斯分类、支持向量机分类、决策树分类、增强树分类、随机森林分类、神经网络分类或最近邻分类。

12.根据权利要求10所述的方法，其中由所述第一特征检测电路基于所述第一传感器数据来确定所述至少一个第一与定向无关的特征包括：

确定所述采集时间窗口内的所述第一传感器数据的每个样本的范数；

确定所述采集时间窗口内的所述第一传感器数据的所述范数的平均；以及

针对所述采集时间窗口确定所述第一平均交叉值，其中所述第一平均交叉值包括所述采集时间窗口内的所述第一传感器数据的所述范数穿过所述采集时间窗口内的所述第一传感器数据的所述范数的所述平均的次数。

13.根据权利要求12所述的方法，其中当所述电子设备位于所述静止表面上时的所述第一平均交叉值大于当所述电子设备不位于所述静止表面上时的所述第一平均交叉值。

14.根据权利要求10所述的方法，其中由所述第二特征检测电路基于所述第二传感器数据来确定所述至少一个第二与定向无关的特征包括：

确定所述采集时间窗口内的所述第二传感器数据的每个样本的范数；

确定所述采集时间窗口内的所述第二传感器数据的所述范数的平均；以及

针对所述采集时间窗口确定所述第二平均交叉值，其中所述第二平均交叉值包括所述采集时间窗口内的所述第二传感器数据的所述范数穿过所述采集时间窗口内的所述第二传感器数据的所述范数的所述平均的次数。

15.根据权利要求10所述的方法，其中所述第一运动传感器包括所述电子设备的加速度计。

16.根据权利要求10所述的方法，其中所述第二运动传感器包括所述电子设备的陀螺仪。

17.根据权利要求10所述的方法，其中由所述分类电路执行所述机器学习分类包括：向所述采集时间窗口分配标签，所述标签指示所述电子设备是否位于所述静止表面上。

18.根据权利要求17所述的方法，还包括：由元分类电路对由所述分类电路输出的多个标签执行低通滤波操作，所述多个标签对应于连续的采集时间窗口。

19.一种电子设备，包括：

检测系统，包括：

加速度计，被配置为生成指示电子设备的第一运动类型的加速度计数据；

第一特征检测电路，耦合到所述加速度计的输出，并且被配置为基于所述加速度计数据，确定至少一个与定向无关的特征，其中所述至少一个与定向无关的特征包括与采集时间窗口相关联的平均交叉值；

陀螺仪，被配置为生成指示所述电子设备的第二运动类型的陀螺仪数据；

第二特征检测电路，被配置为基于所述陀螺仪数据来确定至少一个另外的与定向无关的特征，其中所述至少一个另外的与定向无关的特征包括与所述采集时间窗口相关联的另外的平均交叉值；以及

分类电路，被配置为基于所述至少一个与定向无关的特征和所述至少一个另外的与定向无关的特征，来确定所述电子设备是否位于静止表面上。

20.根据权利要求19所述的电子设备，其中所述检测系统被实施为所述电子设备中的片上系统。

21.根据权利要求19所述的电子设备，其中所述检测系统被实施为所述电子设备中的微控制器。

22.根据权利要求19所述的电子设备，其中所述检测系统被实施在所述电子设备中的微机电(MEMS)系统级封装中。